Blog

  • Was ist Answer Engine Optimization

    Was ist Answer Engine Optimization

    Kurz zusammengefasst

    Answer Engine Optimization (AEO) optimiert Inhalte für direkte Antworten in Suchmaschinen und KI-Systemen. Statt auf einen Klick zielt AEO darauf, die Antwort selbst zu sein, die ein Nutzer in Featured Snippets, Voice Search oder ChatGPT bekommt. AEO ist eng mit GEO verwandt, fokussiert aber stärker auf die präzise, direkt extrahierbare Antwort auf eine konkrete Frage.

    Answer Engine Optimization, kurz AEO, ist die Optimierung von Inhalten dafür, als direkte Antwort auf eine Nutzerfrage ausgespielt zu werden. Antwortmaschinen sind Systeme, die eine konkrete Antwort liefern statt einer Linkliste: Google Featured Snippets, Voice Assistants wie Alexa und Siri sowie generative Systeme wie ChatGPT und Perplexity. AEO sorgt dafür, dass deine Inhalte diese Antwort werden.

    Featured Snippets
    Direkte Antwort über den Google-Ergebnissen
    Voice Search
    Vorgelesene Antwort von Alexa und Siri
    ChatGPT
    Generierte Antwort im Chat-Interface
    Perplexity
    Antwort mit zitierten Quellen

    Was ist Answer Engine Optimization genau

    AEO ist die gezielte Aufbereitung von Inhalten, damit sie von Antwortmaschinen als direkte, eigenständige Antwort erkannt und ausgespielt werden. Der Fokus liegt auf der präzisen Beantwortung konkreter Fragen in einem Format, das Maschinen leicht extrahieren können. Es geht nicht um Rankings, sondern um die Antwort selbst.

    Antwortmaschinen unterscheiden sich von klassischen Suchmaschinen dadurch, dass sie eine Antwort liefern statt einer Auswahl von Links. Bei Google sind das die Featured Snippets und die Knowledge Panels, bei Sprachassistenten die vorgelesene Antwort, bei LLMs die generierte Antwort im Chat. AEO bedient all diese Formate.

    Der Kern von AEO ist die direkte Frage-Antwort-Struktur. Eine klar gestellte Frage, gefolgt von einer prägnanten, vollständigen Antwort in den ersten ein bis zwei Sätzen, ist das ideale Format. Diese Struktur erlaubt es jeder Antwortmaschine, die Information sauber zu extrahieren.

    Wie unterscheidet sich AEO von SEO und GEO

    SEO optimiert auf Rankings und Klicks, GEO auf Markennennung in KI-Antworten, AEO auf die direkte Beantwortung einer konkreten Frage. AEO ist die Schnittmenge: Es bedient sowohl klassische Featured Snippets als auch generative Antworten. Man kann AEO als die fragefokussierte Disziplin innerhalb des größeren GEO-Felds verstehen.

    Der Unterschied zu reinem SEO ist der Verzicht auf den Klick als Ziel. Bei einem Featured Snippet bekommt der Nutzer die Antwort oft, ohne zu klicken. AEO akzeptiert das und zielt darauf, die sichtbare Antwortquelle zu sein, was Markenbekanntheit und Vertrauen schafft, auch ohne Klick.

    Der Unterschied zu GEO ist der engere Fokus. GEO umfasst die gesamte Markensichtbarkeit in generativen Systemen, einschließlich Co-Occurrence und Citation-Building. AEO konzentriert sich spezifisch auf die Optimierung einzelner Antworten auf konkrete Fragen. AEO ist damit ein Werkzeug innerhalb der GEO-Strategie.

    Wichtiger Hinweis

    AEO bedeutet nicht, dass Klicks unwichtig werden. Auch wenn eine Antwort direkt ausgespielt wird, bleibt die Nennung als Quelle wertvoll. Sie baut Markenbekanntheit auf und führt bei komplexeren Fragen oft doch zum Klick. AEO und klassischer Traffic schließen sich nicht aus, sie ergänzen sich.

    Das AEO-Kernprinzip
    Antwort zuerst, Erläuterung danach
    ✕ Schwach für AEO
    H2: SEO-Tipps für Anfänger
    In diesem Abschnitt schauen wir uns an, was es alles zu beachten gibt. Zunächst ist es wichtig zu verstehen, dass SEO ein weites Feld ist und viele Faktoren eine Rolle spielen … (Antwort kommt erst später)

    ✓ Stark für AEO
    H2: Wie verbessere ich mein Google-Ranking?
    Du verbesserst dein Ranking durch relevante Inhalte, eine technisch saubere Website und hochwertige Backlinks. Diese drei Hebel wirken zusammen … (Erläuterung folgt)

    Wie strukturierst du Inhalte für AEO

    Für AEO strukturierst du Inhalte als klare Frage-Antwort-Einheiten. Jede Überschrift sollte eine konkrete Frage sein, die erste ein bis zwei Sätze darunter beantworten sie direkt und vollständig. Diese Direktheit ist das wichtigste AEO-Prinzip, weil Antwortmaschinen den Anfang eines Abschnitts als Antwort extrahieren.

    Die Antwort beginnt mit der Kernaussage, nicht mit einer Einleitung. Statt zunächst das Thema zu umkreisen, steht die eigentliche Antwort am Anfang. Erst danach folgt die Erläuterung. Dieses Prinzip, oft als umgekehrte Pyramide bezeichnet, entspricht genau dem, was Antwortmaschinen bevorzugen.

    Ergänzend helfen strukturierte Formate: Listen für Aufzählungen, Tabellen für Vergleiche, FAQ-Blöcke für Fragenkomplexe. Diese Formate sind maschinell leicht zu verarbeiten und werden häufig als Featured Snippets oder in generativen Antworten übernommen. Klare Struktur schlägt Fließtext für AEO.

    Welche Rolle spielt strukturiertes Markup für AEO

    Strukturiertes Markup wie FAQ-Schema, HowTo-Schema und Article-Schema unterstützt AEO, indem es Antwortmaschinen die Extraktion erleichtert. Das Markup macht explizit, was Frage und was Antwort ist. Auch wenn es kein direkter Ranking-Faktor ist, erhöht es die Wahrscheinlichkeit korrekter Extraktion und Ausspielung.

    FAQ-Schema ist für AEO besonders relevant, weil es Frage-Antwort-Paare eindeutig auszeichnet. Eine sauber strukturierte FAQPage liefert sowohl Google als auch LLMs fertige Antwort-Bausteine. Das erhöht die Chance, als direkte Antwortquelle ausgespielt zu werden.

    Wichtig bleibt: Das Markup beschreibt vorhandene, sichtbare Inhalte. Es ersetzt keine gute Antwortstruktur, sondern verstärkt sie. Die Kombination aus klarer Frage-Antwort-Struktur im sichtbaren Text und passendem Schema-Markup ist der wirksamste AEO-Ansatz.

    Wie optimierst du für Voice Search

    Für Voice Search optimierst du auf natürliche, gesprochene Fragen und prägnante, vorlesbare Antworten. Sprachassistenten lesen meist nur eine einzige Antwort vor, oft aus dem Featured Snippet. Wer diese Position hält, gewinnt die Voice-Antwort. Die Antwort sollte kurz, klar und vollständig in ein bis zwei Sätzen sein.

    Gesprochene Suchanfragen sind länger und natürlicher als getippte. Statt SEO Tipps fragt jemand per Sprache, wie verbessere ich mein Google-Ranking. AEO-Inhalte greifen diese natürlichen Frageformen auf, idealerweise als wörtliche Überschrift, die dann direkt beantwortet wird.

    Die Antwort für Voice muss ohne Kontext funktionieren. Ein Sprachassistent liest einen Satz vor, ohne die umgebende Seite. Deshalb sollte jede Antwort eigenständig verständlich sein, ohne Verweise wie wie oben erwähnt. Diese Eigenständigkeit hilft auch bei der Ausspielung in LLM-Antworten.

    Expert Insight

    In der Content-Praxis zeigt sich: Artikel, die jede H2 als echte Nutzerfrage formulieren und direkt in den ersten beiden Sätzen beantworten, werden sowohl in Google Featured Snippets als auch in Perplexity-Antworten deutlich häufiger ausgespielt als Artikel mit Stichwort-Überschriften und ausschweifenden Einleitungen. Die direkte Antwortstruktur ist der größte einzelne AEO-Hebel und kostet nichts außer Disziplin beim Schreiben.

    Wie misst du AEO-Erfolg

    AEO-Erfolg misst du über die Anzahl gewonnener Featured Snippets, die Sichtbarkeit in Voice-Ergebnissen und die Nennung als Quelle in generativen Antworten. In der Google Search Console erkennst du Snippet-Gewinne an Positionssprüngen auf Position eins mit hoher Impression-Zahl. Für LLM-Antworten nutzt du Prompt-Tests.

    Ein praktischer Indikator sind Suchanfragen, bei denen du auf Position eins stehst und gleichzeitig die Klickrate niedriger ist als erwartet. Das deutet oft darauf hin, dass deine Antwort als Featured Snippet ausgespielt wird und Nutzer die Antwort direkt bekommen, ohne zu klicken. Das ist ein AEO-Erfolg, kein Verlust.

    Für die generative Ebene testest du, ob deine Inhalte bei den relevanten Fragen in ChatGPT und Perplexity als Antwort oder Quelle auftauchen. Eine steigende Präsenz in diesen direkten Antworten ist das klarste Zeichen für funktionierende AEO-Arbeit.

    Meine Einschätzung

    AEO ist die praktischste und am leichtesten umsetzbare Disziplin im ganzen AI-Visibility-Feld. Es braucht keine teuren Tools und keine Outreach-Kampagnen, nur Disziplin beim Schreiben. Mein Rat: Formuliere jede Überschrift als echte Frage und beantworte sie direkt in den ersten zwei Sätzen, bevor du erläuterst. Ergänze FAQ-Schema auf den wichtigsten Seiten. Das ist günstige, wirksame Arbeit, die sowohl Google Featured Snippets als auch ChatGPT- und Perplexity-Antworten bedient. AEO ist der Einstieg, mit dem jede AI-Visibility-Strategie beginnen sollte.

    Das Wichtigste in Kürze

    • AEO optimiert Inhalte dafür, die direkte Antwort auf eine Frage zu sein.
    • Es bedient Featured Snippets, Voice Search und generative Antworten zugleich.
    • Kernprinzip: jede Überschrift als Frage, Antwort direkt in den ersten zwei Sätzen.
    • FAQ- und HowTo-Schema unterstützen die maschinelle Extraktion der Antwort.
    • AEO ist die praktischste AI-Visibility-Disziplin und kostet nur Schreibdisziplin.

    Quellen

    • Search Engine Land: What is Answer Engine Optimization, 2026
    • Google Search Central: Featured Snippets und wie sie entstehen, 2026
    • Princeton University: GEO: Generative Engine Optimization, 2023
    • Ahrefs Blog: Optimizing for Answer Engines, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Wie deine Marke in ChatGPT-Antworten landet

    Wie deine Marke in ChatGPT-Antworten landet

    Kurz zusammengefasst

    Damit deine Marke in ChatGPT-Antworten landet, muss sie in den Quellen präsent sein, aus denen das Modell zieht: redaktionelle Artikel, Top-Listen, Fachmedien und vertrauenswürdige Verzeichnisse. ChatGPT kombiniert gelerntes Trainingswissen mit Live-Retrieval über die Suche. Der wirksamste Hebel sind redaktionelle Citations im richtigen thematischen Kontext.

    ChatGPT ist 2026 für viele Menschen die erste Anlaufstelle bei Kaufentscheidungen und Anbietersuchen. Wer fragt, welche Anbieter es für ein Thema gibt, bekommt eine direkte Empfehlung. Ob deine Marke dabei genannt wird, hängt davon ab, wie präsent sie in den Quellen ist, aus denen ChatGPT sein Wissen und seine Live-Antworten zieht. Diese Präsenz lässt sich gezielt aufbauen.

    Wie ChatGPT antwortet
    Zwei Quellen fließen in jede Antwort
    Trainingswissen
    Langfristig

    Im Modell gelerntes Wissen aus breiter, konsistenter Web-Präsenz. Aufbau über Monate.

    Live-Retrieval
    Sofort

    OAI-SearchBot holt aktuelle Inhalte aus gut rankenden Quellen. Schnell sichtbar.

    Beide kombiniert → ChatGPT nennt deine Marke

    Wie kommt ChatGPT zu seinen Antworten

    ChatGPT generiert Antworten aus zwei Quellen: dem im Training gelernten Wissen und dem Live-Retrieval über die integrierte Suche. Das Trainingswissen stammt aus Texten, die bis zum Trainingszeitpunkt erfasst wurden. Die Live-Suche holt aktuelle Informationen über den OAI-SearchBot direkt aus dem Web.

    Für die Markensichtbarkeit bedeutet das zwei Hebel. Erstens muss die Marke im Trainingswissen verankert sein, das gelingt über breite, konsistente Präsenz im Web über die Zeit. Zweitens muss sie in den live abrufbaren Quellen auftauchen, das gelingt über gut rankende, aktuelle Inhalte, die der SearchBot findet.

    Wenn ein Nutzer eine Frage stellt, entscheidet ChatGPT, ob es aus dem Gedächtnis antwortet oder live sucht. Bei aktuellen oder spezifischen Anfragen nutzt es häufiger die Suche. Deshalb ist es wichtig, in beiden Ebenen präsent zu sein, im langfristigen Trainingswissen und in den aktuellen Suchergebnissen.

    Welche Quellen nutzt ChatGPT für Empfehlungen

    ChatGPT nutzt für Empfehlungen vor allem redaktionelle Artikel, Vergleichslisten, Fachmedien, etablierte Verzeichnisse und Bewertungsplattformen. Diese Quellen gelten als vertrauenswürdig und strukturiert. Eine Marke, die in einer redaktionellen Top-Liste zu ihrem Thema steht, hat eine hohe Chance, in entsprechenden Antworten genannt zu werden.

    Besonders wirksam sind Listicles vom Typ Die besten Anbieter für X. Solche Artikel sind für ein Sprachmodell ideal verwertbar, weil sie eine klare, strukturierte Empfehlung enthalten. ChatGPT übernimmt die genannten Marken in seine Antwort, wenn die Frage zum Thema der Liste passt.

    Weniger wirksam sind reine Werbeseiten und die eigene Website allein. ChatGPT bevorzugt Drittquellen, weil sie als objektiver gelten. Eine Marke, die nur über die eigene Domain spricht, aber in keiner unabhängigen Quelle auftaucht, wird seltener empfohlen als eine, die redaktionell erwähnt wird.

    Wie baust du Präsenz in diesen Quellen auf

    Präsenz baust du über Citation-Building auf: redaktionelle Erwähnungen in Fachmedien, Aufnahme in relevante Top-Listen, Experten-Statements und eigene Studien, die zitiert werden. Das ist im Kern Digital PR mit dem klaren Ziel, in den Quellen zu erscheinen, aus denen ChatGPT zieht.

    Der erste Schritt ist die Identifikation der relevanten Quellen. Stelle die Fragen, bei denen du genannt werden willst, in ChatGPT und schau, welche Quellen das Modell zitiert oder welche Marken es nennt. Diese Quellen und die dort genannten Konkurrenten sind dein Ziel für die Citation-Arbeit.

    Dann pitchst du systematisch: den Publishern der relevanten Listen eine Aufnahme oder ein Update, den Fachmedien einen fundierten Gastbeitrag oder ein Experten-Statement. Jede erfolgreiche Platzierung erhöht die Wahrscheinlichkeit, dass ChatGPT deine Marke im richtigen Kontext lernt und nennt.

    Wichtiger Hinweis

    Du kannst ChatGPT nicht direkt dazu bringen, deine Marke zu nennen, und es gibt keinen Trick, der das garantiert. Versuche, das Modell durch manipulierte Inhalte zu täuschen, funktionieren nicht nachhaltig und können dem Markenbild schaden. Der einzige tragfähige Weg ist echte, konsistente Präsenz in vertrauenswürdigen Quellen.

    Wie lange dauert es, bis ChatGPT eine Marke kennt

    Über die Live-Suche kann ChatGPT eine Marke fast sofort finden, sobald sie in gut auffindbaren, aktuellen Quellen steht. Im Trainingswissen dauert es länger, oft Monate, weil neue Trainingsdaten erst in künftige Modellversionen einfließen. Die realistische Erwartung ist eine Mischung aus schneller Live-Sichtbarkeit und langsam wachsender Trainingsverankerung.

    Für schnelle Effekte fokussierst du auf Inhalte, die gut ranken und vom SearchBot erfasst werden. Eine aktuelle, gut platzierte Top-Liste kann binnen Wochen dazu führen, dass ChatGPT deine Marke über die Live-Suche nennt. Das ist der schnellste Hebel.

    Für die langfristige Verankerung im Trainingswissen zählt Konsistenz über die Zeit. Je länger und breiter eine Marke im richtigen Kontext erwähnt wird, desto stabiler lernt das Modell die Verbindung. Diese Arbeit zahlt sich über Quartale und Jahre aus, nicht über Tage.

    Relevante Quellen identifizieren

    Stelle deine Ziel-Fragen in ChatGPT und schau, welche Listen und Marken genannt werden.

    In Top-Listen platzieren

    Pitche den Publishern der relevanten Listicles eine Aufnahme oder ein Update deiner Marke.

    Crawler zulassen

    GPTBot und OAI-SearchBot in der robots.txt erlauben, sonst keine Live-Sichtbarkeit.

    Konsistenz halten

    Markenname und Themenfokus über alle Quellen einheitlich, damit das Modell die Verbindung lernt.

    Monatlich messen

    Mit verschiedenen Prompt-Formulierungen testen, ob und wo deine Marke genannt wird.

    Wie prüfst du, ob ChatGPT deine Marke nennt

    Du prüfst es durch systematische Prompt-Tests. Stelle die für deine Branche relevanten Fragen, etwa nach den besten Anbietern für dein Thema, und notiere, ob deine Marke genannt wird, an welcher Position und in welchem Kontext. Wiederhole das regelmäßig, weil Antworten variieren.

    Wichtig ist, mehrere Formulierungen derselben Frage zu testen, weil ChatGPT auf unterschiedliche Prompts unterschiedlich reagiert. Eine Marke kann bei einer Frageformulierung genannt werden und bei einer anderen nicht. Erst ein Set verschiedener Tests ergibt ein belastbares Bild der Sichtbarkeit.

    Für systematisches Tracking nutzt du Tools, die hunderte Prompts automatisiert gegen die ChatGPT-API laufen lassen und die Markennennungen erfassen. So entsteht eine messbare Citation-Rate über die Zeit, die zeigt, ob die Citation-Arbeit wirkt.

    Expert Insight

    Aus über 200 getesteten Empfehlungs-Prompts zeigt sich ein klares Muster: Marken, die in zwei bis drei gut rankenden, redaktionellen Top-Listen zu ihrem Thema stehen, werden in ChatGPT-Empfehlungen deutlich zuverlässiger genannt als Marken, die nur eine starke eigene Website haben. Die Drittquellen-Erwähnung ist der entscheidende Faktor. ChatGPT vertraut der unabhängigen redaktionellen Nennung mehr als der Selbstdarstellung.

    Welche Fehler verhindern die Sichtbarkeit in ChatGPT

    Der häufigste Fehler ist, sich nur auf die eigene Website zu verlassen. Ohne Erwähnungen in unabhängigen Quellen fehlt ChatGPT die Bestätigung, die es für eine Empfehlung braucht. Ein zweiter Fehler ist das Blockieren der OpenAI-Crawler über robots.txt, das die Live-Sichtbarkeit komplett verhindert.

    Ein weiterer Fehler ist inkonsistente Markendarstellung. Wenn der Markenname über verschiedene Quellen unterschiedlich geschrieben wird oder die Marke mit wechselnden Themen assoziiert ist, fällt es dem Modell schwer, eine klare Verbindung zu lernen. Konsistenz in Name und thematischem Kontext ist entscheidend.

    Schließlich unterschätzen viele die Zeitkomponente. Wer nach zwei Wochen aufgibt, weil ChatGPT die Marke noch nicht nennt, bricht zu früh ab. Die Trainingsverankerung braucht Monate, die Live-Sichtbarkeit braucht gut rankende Quellen. Beide Hebel brauchen Geduld und Kontinuität.

    Meine Einschätzung

    Die wichtigste Erkenntnis: ChatGPT-Sichtbarkeit kaufst du nicht mit Werbung, du verdienst sie mit redaktioneller Präsenz. Mein konkreter Rat: Finde die zwei bis drei Top-Listen, die ChatGPT zu deinem Thema zitiert, und sorge dafür, dass deine Marke dort sauber genannt wird. Lass die OpenAI-Crawler zu, halte deinen Markennamen und deinen Themenfokus konsistent, und miss monatlich über Prompt-Tests. Das ist die Arbeit, die darüber entscheidet, ob ChatGPT dich empfiehlt oder deine Konkurrenz.

    Das Wichtigste in Kürze

    • ChatGPT antwortet aus Trainingswissen und Live-Retrieval über die Suche.
    • Empfehlungen zieht es vor allem aus redaktionellen Listen und Fachmedien.
    • Der stärkste Hebel ist die Erwähnung in gut rankenden Top-Listen zum Thema.
    • OpenAI-Crawler zulassen, sonst keine Live-Sichtbarkeit in ChatGPT.
    • Erfolg über Prompt-Tests messen, mit verschiedenen Frageformulierungen.

    Quellen

    • OpenAI: How ChatGPT Search and Retrieval Works, 2026
    • OpenAI: GPTBot und OAI-SearchBot Documentation, 2026
    • Search Engine Land: How to Get Your Brand Mentioned in ChatGPT, 2026
    • Princeton University: GEO: Generative Engine Optimization, 2023
    • Ahrefs Blog: Tracking Brand Visibility in AI Answers, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • GEO und SEO im Vergleich

    GEO und SEO im Vergleich

    Kurz zusammengefasst

    SEO optimiert auf Rankings und Klicks in der Google-Suche, GEO optimiert auf Zitation in KI-Antworten von ChatGPT, Gemini und Perplexity. Beide teilen technische Grundlagen, unterscheiden sich aber in Ziel und Messung. 2026 brauchst du beides: SEO für die klassische Suche, GEO für die generative. Wer nur eines macht, verliert die Hälfte der Sichtbarkeit.

    SEO und GEO sind zwei verwandte, aber unterschiedliche Disziplinen. Search Engine Optimization zielt auf gute Positionen in den klassischen Suchergebnissen und Klicks auf die eigene Website. Generative Engine Optimization zielt auf die Erwähnung der eigenen Marke in den Antworten von Sprachmodellen. 2026 laufen beide parallel und ergänzen sich, statt sich zu ersetzen.

    Generative

    GEO

    Generative Engine Optimization
    Ziel
    Zitation der Marke in ChatGPT, Gemini und Perplexity

    Search

    SEO

    Search Engine Optimization
    Ziel
    Klick auf das eigene Ergebnis in der Google-Suche

    Was ist der grundlegende Unterschied zwischen GEO und SEO

    Der grundlegende Unterschied liegt im Ziel. SEO will, dass ein Nutzer auf ein Suchergebnis klickt und die Website besucht. GEO will, dass ein Sprachmodell die Marke in seiner generierten Antwort nennt, auch ohne dass ein Klick erfolgt. SEO endet bei der eigenen URL, GEO bei der Markennennung.

    Dieser Zielunterschied verändert alles Weitere. Bei SEO ist die Position in der SERP der Erfolgsmaßstab, bei GEO die Zitationsrate in den LLM-Antworten. Bei SEO ist der Backlink ein direktes Ranking-Signal, bei GEO ein indirekter Trust-Filter. Die Mechanik dahinter folgt unterschiedlichen Logiken.

    Gemeinsam ist beiden das Fundament: Inhalte müssen crawlbar, thematisch fundiert und vertrauenswürdig sein. Eine technisch saubere, inhaltlich starke Website ist die Voraussetzung für beide Disziplinen. Auf dieser gemeinsamen Basis trennen sich dann die Wege.

    Wie unterscheiden sich die Erfolgsmetriken

    SEO misst Ranking-Position, organischen Traffic, Klickrate und Conversion. GEO misst Citation-Rate, Mention-Share im Vergleich zur Konkurrenz und die Qualität der Quellen, aus denen ein Modell zitiert. Die SEO-Metriken sind etabliert und gut messbar, die GEO-Metriken jünger und teils manuell zu erheben.

    Ein konkretes Beispiel: Bei SEO prüfst du, ob deine Seite für ein Keyword auf Position drei steht. Bei GEO prüfst du, ob ChatGPT deine Marke nennt, wenn jemand nach Anbietern für dein Thema fragt. Beide Fragen sind wichtig, aber sie messen unterschiedliche Erfolge.

    Kriterium
    GEO
    SEO

    Ziel
    Markennennung in KI-Antwort
    Klick aus der SERP

    Erfolgsmetrik
    Citation-Rate, Mention-Share
    Ranking-Position, CTR, Traffic

    Endpunkt
    Die Marke selbst
    Die eigene URL

    Backlinks
    Indirekter Trust-Filter
    Direktes Ranking-Signal

    Wichtigster Hebel
    Redaktionelle Citations
    Onpage + Backlinks

    Content-Fokus
    Klare, zitierfähige Antworten
    Keyword-Relevanz

    Messbarkeit
    Jünger, teils manuell
    Etabliert, gut messbar

    ● GEO
    ZielMarkennennung in KI-Antwort
    ErfolgsmetrikCitation-Rate, Mention-Share
    EndpunktDie Marke selbst
    BacklinksIndirekter Trust-Filter
    Wichtigster HebelRedaktionelle Citations
    Content-FokusKlare, zitierfähige Antworten
    MessbarkeitJünger, teils manuell
    ○ SEO
    ZielKlick aus der SERP
    ErfolgsmetrikRanking-Position, CTR, Traffic
    EndpunktDie eigene URL
    BacklinksDirektes Ranking-Signal
    Wichtigster HebelOnpage + Backlinks
    Content-FokusKeyword-Relevanz
    MessbarkeitEtabliert, gut messbar

    Die Herausforderung bei GEO-Metriken ist die Reproduzierbarkeit. LLM-Antworten variieren, dasselbe Prompt kann unterschiedliche Antworten liefern. Deshalb braucht GEO-Messung mehrere Durchläufe und eine systematische Erfassung über die Zeit, um belastbare Aussagen zu treffen.

    Welche Rolle spielen Backlinks bei GEO im Vergleich zu SEO

    Bei SEO sind Backlinks ein zentrales, direktes Ranking-Signal. Google bewertet Anzahl, Qualität und Relevanz der verweisenden Domains. Bei GEO wirken Backlinks indirekt: Sie erhöhen die Autorität einer Quelle, aus der ein LLM zitiert, sind aber kein direkter Hebel für die Markennennung.

    Für GEO ist die textliche Erwähnung oft wichtiger als der Link. Eine unverlinkte Markennennung im richtigen Kontext kann für die LLM-Sichtbarkeit mehr bewirken als ein klassischer Backlink. Das liegt daran, dass Sprachmodelle aus Textzusammenhängen lernen, nicht primär aus Linkstrukturen.

    In der Praxis bedeutet das eine Verschiebung des Fokus. Wer nur für GEO arbeitet, priorisiert kontextstarke Erwähnungen. Wer für beide Disziplinen arbeitet, sucht Platzierungen, die beides liefern: einen Backlink für SEO und eine kontextklare Erwähnung für GEO. Solche Doppelnutzen-Platzierungen sind besonders wertvoll.

    Wichtiger Hinweis

    GEO ersetzt SEO nicht. Die klassische Google-Suche bleibt 2026 der größte Traffic-Kanal für die meisten Websites. Wer SEO vernachlässigt und nur auf GEO setzt, verliert kurzfristig deutlich Sichtbarkeit. Die richtige Strategie behandelt beide als sich ergänzende Disziplinen, nicht als Entweder-oder.

    Brauchst du für GEO andere Inhalte als für SEO

    Die Inhaltsbasis ist ähnlich, die Aufbereitung unterscheidet sich. Gute Inhalte für beide Disziplinen sind fundiert, gut strukturiert und vertrauenswürdig. Für GEO kommt eine stärkere Betonung klarer Antworten, Frage-Antwort-Strukturen und eindeutiger Aussagen hinzu, die ein Modell direkt übernehmen kann.

    GEO-optimierte Inhalte beantworten Fragen direkt und prägnant. Eine klare Definition am Anfang eines Abschnitts, gefolgt von einer kurzen Erläuterung, ist ideal für die Übernahme in eine LLM-Antwort. Diese Struktur hilft auch beim SEO, weil sie der Art entspricht, wie Google Featured Snippets bildet.

    Der wichtigste Zusatz für GEO ist Eindeutigkeit. Während SEO-Texte manchmal um ein Keyword herum optimiert werden, brauchen GEO-Texte klare, faktische Aussagen mit Zahlen, Daten und konkreten Angaben. Sprachmodelle bevorzugen präzise, belegbare Informationen gegenüber vagen Formulierungen.

    Wie kombinierst du GEO und SEO sinnvoll

    Die sinnvolle Kombination beginnt mit einer gemeinsamen Basis: technisch saubere Website, fundierte Inhalte, klare Struktur. Darauf baust du beide Disziplinen auf. Für SEO optimierst du Rankings durch Onpage und Backlinks, für GEO baust du Citations und Brand Mentions auf. Viele Maßnahmen wirken für beide.

    Ein redaktioneller Gastbeitrag ist das beste Beispiel. Er bringt einen Backlink für SEO und eine kontextstarke Erwähnung für GEO. Eine eigene Studie wird verlinkt und zitiert, beides zahlt ein. Wer seine Offpage-Arbeit so plant, dass jede Platzierung beide Ziele bedient, arbeitet maximal effizient.

    Die Messung läuft parallel: klassische SEO-Tools für Rankings und Traffic, Prompt-Tests und Mention-Tracking für GEO. Aus beiden Datenquellen entsteht ein vollständiges Bild der Sichtbarkeit, das weder die klassische noch die generative Suche ausblendet.

    Expert Insight

    Aus der Arbeit an einem großen Portfolio zeigt sich klar: Die Sites, die am stärksten wachsen, trennen GEO und SEO nicht in zwei getrennte Projekte, sondern denken sie zusammen. Jeder Artikel wird so gebaut, dass er für Google rankt und gleichzeitig klare, zitierfähige Antworten für LLMs liefert. Jede Offpage-Platzierung bringt Link und Erwähnung. Dieser integrierte Ansatz ist effizienter als zwei parallele Einzelstrategien und liefert in beiden Kanälen bessere Ergebnisse.

    Wird GEO SEO langfristig ablösen

    GEO wird SEO nicht ablösen, aber das Verhältnis verschiebt sich. Solange Menschen klassische Suchmaschinen nutzen, bleibt SEO relevant. Gleichzeitig wächst der Anteil der Suchen, die über generative Systeme laufen. Die realistische Prognose ist eine Koexistenz mit wachsendem GEO-Anteil, kein vollständiger Ersatz.

    Für die Praxis heißt das: SEO bleibt Pflicht, GEO wird von der Kür zur Pflicht. Wer heute in GEO investiert, sichert sich Sichtbarkeit in einem wachsenden Kanal, bevor die Konkurrenz dort ankommt. Wer SEO vernachlässigt, verliert dagegen sofort. Die kluge Strategie hält beide Disziplinen aktiv.

    Meine Einschätzung

    Die Debatte GEO gegen SEO ist falsch gestellt. Es ist kein Wettkampf, sondern eine Erweiterung. SEO bringt dir den Klick aus der klassischen Suche, GEO bringt dir die Erwähnung in der KI-Antwort. Mein Rat: Behandle GEO nicht als Ersatz, sondern als zweite Ebene auf deinem bestehenden SEO-Fundament. Bau deine Inhalte so, dass sie ranken und zitierfähig sind, und plane deine Offpage-Arbeit so, dass jede Platzierung beide Welten bedient. Das ist die Strategie, die 2026 und darüber hinaus funktioniert.

    Das Wichtigste in Kürze

    • SEO optimiert auf Klicks in der Suche, GEO auf Zitation in KI-Antworten.
    • Beide teilen technische Grundlagen, unterscheiden sich in Ziel und Messung.
    • Backlinks sind für SEO direkt, für GEO ein indirekter Trust-Filter.
    • GEO-Inhalte brauchen klare, direkt übernehmbare Antworten und präzise Fakten.
    • Die beste Strategie kombiniert beide: jede Platzierung bedient Link und Erwähnung.

    Quellen

    • Princeton University: GEO: Generative Engine Optimization, 2023
    • Search Engine Land: GEO vs SEO: Understanding the Difference, 2026
    • Google Search Central: SEO Starter Guide, 2026
    • Ahrefs Blog: How AI Search Changes SEO, 2026
    • SISTRIX: AI Overview und klassische SERP im Vergleich, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • FAQ-Schema 2026 richtig einsetzen

    FAQ-Schema 2026 richtig einsetzen

    Kurz zusammengefasst

    FAQ-Schema strukturiert Frage-Antwort-Inhalte maschinenlesbar nach Schema.org. Google hat die Rich-Result-Darstellung stark eingeschränkt, doch für LLMs bleibt FAQ-Schema wertvoll: Es liefert ChatGPT, Gemini und Perplexity klar abgegrenzte Frage-Antwort-Paare, die sich direkt in generative Antworten übernehmen lassen. Der Nutzen verschiebt sich von Google-Rich-Results hin zur AI-Visibility.

    FAQ-Schema ist ein strukturiertes Datenformat nach Schema.org, das Frage-Antwort-Inhalte auf einer Seite maschinenlesbar auszeichnet. Es markiert jede Frage und die zugehörige Antwort als FAQPage mit Question- und Answer-Elementen. 2026 hat sich sein Nutzen verschoben: weg von Google-Rich-Results, hin zur Verwertbarkeit durch Sprachmodelle.

    Vom Inhalt zur Citation
    Wie FAQ-Schema in LLM-Antworten landet
    Sichtbarer Inhalt
    Echte Frage-Antwort-Paare auf der Seite
    FAQ-Schema
    JSON-LD-Markup grenzt Q&A klar ab
    LLM übernimmt
    Modell findet fertige Antwort-Einheit
    Citation
    Marke wird in der Antwort zitiert

    Was ist FAQ-Schema

    FAQ-Schema ist eine spezifische Schema.org-Auszeichnung für Seiten mit Frage-Antwort-Inhalten. Es nutzt den Typ FAQPage, der mehrere Question-Elemente enthält, von denen jedes eine acceptedAnswer hat. Diese Struktur macht die Frage-Antwort-Paare für Maschinen eindeutig erkennbar, getrennt vom restlichen Seiteninhalt.

    Eingebunden wird FAQ-Schema in der Regel als JSON-LD-Block im head-Bereich der Seite. In WordPress generieren SEO-Plugins wie Rank Math oder spezielle FAQ-Blöcke dieses Markup automatisch. Manuell lässt es sich ebenfalls einbinden, erfordert aber sorgfältige Validierung.

    Wichtig ist, dass die ausgezeichneten Fragen und Antworten auch sichtbar auf der Seite stehen. FAQ-Schema beschreibt vorhandenen Inhalt, es erzeugt keinen versteckten. Markup ohne sichtbare Entsprechung verstößt gegen die Google-Richtlinien.

    Funktioniert FAQ-Schema 2026 noch

    FAQ-Schema funktioniert technisch weiterhin, aber Google zeigt die FAQ-Rich-Results in den Suchergebnissen nur noch sehr eingeschränkt an, meist nur für staatliche und gesundheitsbezogene Websites. Der klassische Vorteil erweiterter SERP-Darstellung ist für die meisten Sites entfallen. Der Wert hat sich verlagert.

    Der neue Wert liegt in der AI-Visibility. Sprachmodelle nutzen klar strukturierte Frage-Antwort-Paare gern als Quelle, weil sie direkt in eine generative Antwort übernommen werden können. Eine sauber ausgezeichnete FAQPage liefert ChatGPT, Gemini und Perplexity fertige Antwort-Bausteine.

    Wer FAQ-Schema heute einsetzt, sollte die Erwartung anpassen: Es geht nicht mehr um auffällige Google-Snippets, sondern um maschinenlesbare Antwort-Häppchen für LLMs. Unter dieser Perspektive ist FAQ-Schema weiterhin sinnvoll, besonders auf Service- und Ratgeber-Seiten.

    Wichtiger Hinweis

    Setze FAQ-Schema nur für echte, hilfreiche Fragen ein, nicht um Keywords zu stopfen. Künstliche oder werbliche Fragen, die nur dem Markup dienen, bringen weder bei Google noch bei LLMs einen Vorteil und können das Vertrauen senken. Die Fragen sollten echte Nutzerfragen sein, die Antworten sollten sie tatsächlich beantworten.

    Wie strukturierst du gute FAQ-Inhalte

    Gute FAQ-Inhalte bestehen aus echten Nutzerfragen und prägnanten, vollständigen Antworten. Jede Frage sollte eine eigenständige Suchanfrage abbilden, jede Antwort sollte sie in zwei bis vier Sätzen klar beantworten. Diese Struktur ist sowohl für Nutzer hilfreich als auch für LLMs ideal verwertbar.

    Die Fragen formulierst du so, wie Nutzer sie tatsächlich stellen, idealfalls als vollständige W-Fragen. Statt eines Stichworts wie Kosten besser die ganze Frage Was kostet die Leistung. Diese natürliche Frageform entspricht dem, wonach Menschen in ChatGPT und in der Suche fragen.

    Die Antworten beginnen direkt mit der Kernaussage, ohne Einleitung. Ein Sprachmodell, das die Antwort übernimmt, braucht die Information sofort. Eine Antwort, die mit der eigentlichen Aussage startet und sie dann kurz erläutert, ist optimal für die Übernahme in generative Antworten.

    So sieht ein gutes FAQ-Paar aus
    Was kostet AI-Visibility-Aufbau in Deutschland?
    Professionelle AI-Visibility-Betreuung kostet 2026 zwischen 1.500 und 8.000 Euro pro Monat. Ein Einstiegsprogramm mit vier Citations pro Monat plus Tracking liegt bei rund 2.500 Euro.

    Wie schnell wirkt AI-Visibility-Arbeit?
    Erste messbare Effekte zeigen sich nach 8 bis 16 Wochen. Perplexity reagiert mit Live-Retrieval am schnellsten, ChatGPT und Gemini brauchen wegen des Index-Refresh länger.

    Wie hilft FAQ-Schema bei der AI-Visibility

    FAQ-Schema hilft bei der AI-Visibility, indem es Sprachmodellen klar abgegrenzte Frage-Antwort-Paare liefert. Wenn ein Nutzer eine Frage stellt, die einer ausgezeichneten FAQ entspricht, kann das Modell die strukturierte Antwort direkt finden und übernehmen. Das erhöht die Wahrscheinlichkeit, als Quelle zitiert zu werden.

    Der Mechanismus funktioniert besonders bei Retrieval-basierten Systemen wie Perplexity, die das Live-Web durchsuchen. Eine Seite mit sauber strukturierten FAQ-Paaren bietet diesen Systemen fertige, eindeutige Antworten. Das ist für ein Modell einfacher zu verwerten als eine Information, die im Fließtext versteckt ist.

    Auch für die klassische Antwort-Generierung in ChatGPT und Gemini ist die klare Struktur ein Vorteil. Frage-Antwort-Paare entsprechen dem Format, in dem diese Modelle Wissen verarbeiten und ausgeben. Wer seine Inhalte in dieses Format bringt, spricht die Sprache der LLMs.

    Expert Insight

    Aus der Content-Praxis zeigt sich: Seiten, die ihre Kerninformationen zusätzlich als sauber strukturierte FAQ aufbereiten, werden in Perplexity-Antworten häufiger als Quelle zitiert als reine Fließtext-Seiten zum selben Thema. Der Grund ist die Verwertbarkeit. Ein klar abgegrenztes Frage-Antwort-Paar ist für ein Retrieval-System die ideale Antworteinheit. Die Rich-Result-Funktion bei Google ist tot, die AI-Verwertbarkeit lebt.

    Wo solltest du FAQ-Schema einsetzen

    FAQ-Schema eignet sich für Service-Seiten, Produktseiten, Ratgeber-Artikel und Support-Bereiche, also überall dort, wo echte Nutzerfragen sinnvoll beantwortet werden. Es eignet sich nicht für jede Seite, sondern dort, wo Frage-Antwort-Inhalte natürlich entstehen und einen echten Mehrwert bieten.

    Auf Service-Seiten beantwortet FAQ-Schema typische Vorab-Fragen potenzieller Kunden, etwa zu Ablauf, Kosten oder Voraussetzungen. Auf Ratgeber-Seiten ergänzt es den Hauptinhalt um schnell erfassbare Antworten auf Detailfragen. Beide Anwendungen sind sowohl für Nutzer als auch für LLMs wertvoll.

    Nicht sinnvoll ist FAQ-Schema auf reinen Übersichts- oder Kategorieseiten ohne echte Fragen oder als künstliches Anhängsel, das nur dem Markup dient. Die Faustregel: Wenn die FAQ dem Nutzer hilft, hilft sie auch der Maschine. Wenn sie nur fürs Markup existiert, bringt sie nichts.

    Meine Einschätzung

    FAQ-Schema ist ein gutes Beispiel dafür, wie sich der Wert einer Technik verschiebt. Früher ging es um auffällige Google-Snippets, heute um die Verwertbarkeit durch LLMs. Mein Rat: Bau auf deinen wichtigsten Service- und Ratgeber-Seiten echte FAQ-Blöcke mit natürlichen Fragen und prägnanten Antworten, und zeichne sie mit FAQ-Schema aus. Nicht für Google-Snippets, sondern weil du damit ChatGPT und Perplexity fertige Antwort-Bausteine lieferst. Das ist günstige, wirksame AI-Visibility-Arbeit.

    Das Wichtigste in Kürze

    • FAQ-Schema zeichnet Frage-Antwort-Inhalte maschinenlesbar nach Schema.org aus.
    • Google zeigt FAQ-Rich-Results nur noch sehr eingeschränkt an.
    • Der neue Wert liegt in der Verwertbarkeit durch ChatGPT, Gemini und Perplexity.
    • Echte Nutzerfragen mit prägnanten, direkt startenden Antworten verwenden.
    • Ideal für Service-, Produkt- und Ratgeber-Seiten, nicht für jede Seite.

    Quellen

    • Schema.org: FAQPage Specification, 2026
    • Google Search Central: FAQ Structured Data Guidelines, 2026
    • Search Engine Land: The State of FAQ Rich Results, 2026
    • Ahrefs Blog: Structured Data for AI Search, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • GPTBot, ClaudeBot, PerplexityBot und GoogleOther

    GPTBot, ClaudeBot, PerplexityBot und GoogleOther

    Kurz zusammengefasst

    LLM-Crawler sind Bots, die Websites für KI-Systeme durchsuchen. GPTBot von OpenAI, ClaudeBot von Anthropic, PerplexityBot und GoogleOther sammeln Inhalte für Training und Live-Retrieval. Wer in ChatGPT, Claude und Perplexity sichtbar sein will, muss diese Bots zulassen. Das Blocken über robots.txt schließt die eigene Marke aus den generativen Antworten aus.

    LLM-Crawler sind automatisierte Bots, die das Web durchsuchen, um Inhalte für große Sprachmodelle zu sammeln. Sie unterscheiden sich nach Zweck: Manche sammeln Trainingsdaten, andere holen Inhalte live für eine konkrete Nutzeranfrage. Die wichtigsten 2026 sind GPTBot, ClaudeBot, PerplexityBot, OAI-SearchBot und GoogleOther. Wer ihre Funktion kennt, kann gezielt steuern, wo die eigene Marke sichtbar wird.

    GPTBotTraining
    OpenAI

    Sammelt Trainingsdaten für künftige GPT-Modelle. Wirkung zeitverzögert über Modell-Updates.

    OAI-SearchBotLive-Retrieval
    OpenAI

    Holt Inhalte live für die ChatGPT-Suche. Direkt relevant für Sichtbarkeit in ChatGPT.

    ClaudeBotTraining
    Anthropic

    Sammelt Inhalte für Claude. Zugang entscheidet über Claudes Wissen zur Marke.

    PerplexityBotLive-Retrieval
    Perplexity

    Versorgt Perplexitys Live-Suche. Sehr crawl-intensiv, schnellste sichtbare Wirkung.

    Google-ExtendedTraining
    Google

    Steuert Nutzung für Gemini und Vertex AI, getrennt vom klassischen Google-Ranking.

    GoogleOtherDiverse
    Google

    Genereller Crawler für verschiedene Google-Produkte abseits der Hauptsuche.

    Was sind LLM-Crawler

    LLM-Crawler sind Webcrawler, die im Auftrag von KI-Unternehmen Inhalte erfassen. Sie funktionieren technisch wie klassische Suchmaschinen-Crawler, verfolgen aber andere Ziele. Statt einen Suchindex aufzubauen, sammeln sie Daten für das Training von Sprachmodellen oder rufen Inhalte in Echtzeit für eine generative Antwort ab.

    Jeder Crawler identifiziert sich über einen eigenen User-Agent-String. GPTBot meldet sich als GPTBot, ClaudeBot als ClaudeBot, PerplexityBot als PerplexityBot. Über diese Kennung lassen sie sich in der robots.txt gezielt ansprechen, zulassen oder blockieren. Die Kontrolle liegt damit beim Website-Betreiber.

    Wichtig ist die Unterscheidung zwischen Trainings-Crawlern und Retrieval-Crawlern. Trainings-Crawler sammeln Daten für künftige Modellversionen, ihre Wirkung zeigt sich verzögert. Retrieval-Crawler holen Inhalte für die aktuelle Nutzeranfrage, ihre Wirkung ist unmittelbar. Beide haben unterschiedliche strategische Bedeutung.

    Welche LLM-Crawler sind 2026 wichtig

    Die wichtigsten LLM-Crawler 2026 sind GPTBot und OAI-SearchBot von OpenAI, ClaudeBot von Anthropic, PerplexityBot von Perplexity, Google-Extended und GoogleOther von Google sowie Bytespider von ByteDance. Jeder hat einen spezifischen Zweck und unterschiedliche Auswirkungen auf die eigene Sichtbarkeit.

    GPTBot sammelt Trainingsdaten für OpenAI-Modelle, OAI-SearchBot holt Inhalte für die ChatGPT-Suche live. Wer in ChatGPT sichtbar sein will, sollte beide zulassen. ClaudeBot sammelt für Anthropics Claude, PerplexityBot versorgt Perplexitys Live-Suche, die besonders crawl-intensiv ist.

    Google-Extended steuert, ob Inhalte für Gemini und Vertex AI genutzt werden, ohne das klassische Google-Ranking zu beeinflussen. GoogleOther ist ein genereller Crawler für verschiedene Google-Produkte. Diese feine Differenzierung erlaubt es, die klassische Google-Sichtbarkeit von der KI-Nutzung zu trennen.

    Solltest du LLM-Crawler zulassen oder blocken

    Wer in ChatGPT, Claude, Perplexity und Gemini empfohlen werden will, muss die jeweiligen Crawler zulassen. Das Blocken über robots.txt schließt die eigene Marke aus den generativen Antworten dieser Systeme aus. Für die meisten Unternehmen, die Sichtbarkeit suchen, ist Zulassen die richtige Wahl.

    Es gibt Gründe für das Blocken: Schutz von urheberrechtlich geschütztem Content, Vermeidung von Server-Last durch aggressive Crawler oder strategische Entscheidung gegen die unentgeltliche Nutzung eigener Inhalte für KI-Training. Wer diese Prioritäten hat, kann gezielt einzelne Bots aussperren.

    Eine differenzierte Strategie ist oft sinnvoll. Man kann Retrieval-Crawler zulassen, um in Live-Antworten zu erscheinen, aber Trainings-Crawler blockieren, um die eigenen Inhalte nicht ins Modelltraining zu geben. Diese Trennung erlaubt Sichtbarkeit ohne vollständige Datenfreigabe.

    Wichtiger Hinweis

    Die robots.txt ist eine freiwillige Vereinbarung, kein technischer Zwang. Seriöse Crawler wie GPTBot, ClaudeBot und PerplexityBot halten sich daran. Es gibt aber auch Bots, die robots.txt ignorieren. Wer Inhalte zwingend schützen muss, braucht zusätzliche technische Maßnahmen wie Server-seitige Sperren, nicht nur robots.txt-Einträge.

    Wie steuerst du LLM-Crawler über robots.txt

    LLM-Crawler steuerst du über User-Agent-spezifische Regeln in der robots.txt. Für jeden Bot definierst du einen eigenen User-Agent-Block mit Allow- oder Disallow-Regeln. So lässt sich präzise festlegen, welcher Bot welche Bereiche der Website crawlen darf.

    Die Syntax ist einfach: Ein User-Agent-Block nennt den Bot-Namen, gefolgt von den Regeln. Disallow mit einem Schrägstrich sperrt die gesamte Site für diesen Bot, Allow gibt sie frei. Wer mehrere Bots unterschiedlich behandeln will, erstellt mehrere Blöcke.

    robots.txt
    # Alle wichtigen LLM-Crawler zulassen
    User-agent: GPTBot
    Allow: /
    
    User-agent: OAI-SearchBot
    Allow: /
    
    User-agent: ClaudeBot
    Allow: /
    
    User-agent: PerplexityBot
    Allow: /
    
    # Beispiel: Training blocken, Live-Retrieval zulassen
    User-agent: Google-Extended
    Disallow: /

    Nach der Anpassung sollte die robots.txt getestet werden. Tippfehler im User-Agent-Namen führen dazu, dass die Regel nicht greift. Die genauen Bot-Namen finden sich in der offiziellen Dokumentation der jeweiligen KI-Anbieter, die diese regelmäßig aktualisieren.

    Wie erkennst du, ob LLM-Crawler deine Site besuchen

    Den Besuch von LLM-Crawlern erkennst du in den Server-Logfiles anhand der User-Agent-Strings. Jeder Bot hinterlässt einen eindeutigen Eintrag mit seinem Namen und oft einer Referenz-URL zur Dokumentation. Eine Logfile-Analyse zeigt, welche Bots wie oft kommen und welche Seiten sie abrufen.

    Praktisch filterst du die Logs nach den bekannten Bot-Namen wie GPTBot, ClaudeBot oder PerplexityBot. Steigende Besuchszahlen dieser Bots sind ein Indiz dafür, dass die Inhalte für KI-Systeme erfasst werden. Tools zur Logfile-Analyse oder serverseitige Auswertungen erleichtern das.

    PerplexityBot fällt oft durch hohe Crawl-Frequenz auf, weil das System stark auf Live-Retrieval setzt. GPTBot crawlt eher in Wellen für Trainingsupdates. Diese Muster im Logfile geben Hinweise darauf, wie und wofür die eigenen Inhalte genutzt werden.

    Expert Insight

    Beobachtung aus dem Logfile-Monitoring vieler Domains: Sobald eine Site eine kritische Menge an Inhalten erreicht, steigt die Crawl-Frequenz von PerplexityBot und GPTBot deutlich. Sites, die diese Crawler blockieren, verschwinden binnen weniger Wochen aus den Live-Antworten von Perplexity und der ChatGPT-Suche. Die Korrelation zwischen Crawl-Zugang und LLM-Sichtbarkeit ist direkt: kein Crawl, keine Citation.

    Was passiert, wenn du alle LLM-Crawler blockst

    Wer alle LLM-Crawler blockt, wird aus den generativen Antworten und der KI-Suche dieser Systeme verschwinden. Die Inhalte werden weder für Training noch für Live-Retrieval erfasst. Bei retrieval-basierten Systemen wie Perplexity oder der ChatGPT-Suche ist der Effekt schnell sichtbar, die Marke taucht nicht mehr als Quelle auf.

    Das klassische Google-Ranking bleibt davon unberührt, solange der normale Googlebot zugelassen ist. GPTBot, ClaudeBot und Google-Extended sind getrennt vom Googlebot. Man kann also in der klassischen Google-Suche sichtbar bleiben und gleichzeitig aus den LLM-Antworten verschwinden, wenn man die KI-Crawler aussperrt.

    Meine Einschätzung

    Für fast jedes Unternehmen, das Sichtbarkeit als Geschäftsziel hat, lautet die klare Empfehlung: LLM-Crawler zulassen. Wer ChatGPT, Claude und Perplexity aussperrt, schließt sich freiwillig aus dem am schnellsten wachsenden Sichtbarkeitskanal aus. Das Blocken ergibt nur Sinn für Publisher mit Premium-Content, der lizenziert werden soll, oder bei akuten Server-Last-Problemen. Für die meisten ist das Zulassen die strategisch richtige Entscheidung, kombiniert mit Logfile-Monitoring, um den Crawl-Zugang zu überwachen.

    Das Wichtigste in Kürze

    • LLM-Crawler sammeln Inhalte für KI-Training und Live-Retrieval.
    • Wichtigste Bots: GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot, Google-Extended.
    • Wer in ChatGPT, Claude und Perplexity sichtbar sein will, muss die Crawler zulassen.
    • Steuerung über User-Agent-spezifische Regeln in der robots.txt.
    • Crawler-Besuche lassen sich in den Server-Logfiles nachverfolgen.

    Quellen

    • OpenAI: GPTBot und OAI-SearchBot Documentation, 2026
    • Anthropic: ClaudeBot Crawler Information, 2026
    • Perplexity: PerplexityBot Documentation, 2026
    • Google Search Central: Google-Extended und GoogleOther, 2026
    • Search Engine Journal: AI Crawler Management Guide, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Schema.org und JSON-LD für ChatGPT, Gemini und Perplexity

    Schema.org und JSON-LD für ChatGPT, Gemini und Perplexity

    Kurz zusammengefasst

    JSON-LD ist das von Google empfohlene Format für strukturierte Daten. Es beschreibt Inhalte maschinenlesbar über Schema.org-Typen wie Organization, Article und FAQPage. Für ChatGPT, Gemini und Perplexity hilft es, Entitäten klar abzugrenzen und Inhalte korrekt zuzuordnen. JSON-LD ist kein direkter Ranking-Boost, aber ein wichtiges Klarstellungs-Werkzeug für die maschinelle Interpretation.

    JSON-LD steht für JavaScript Object Notation for Linked Data und ist das von Google bevorzugte Format, um strukturierte Daten in eine Website einzubetten. Es nutzt das Schema.org-Vokabular, um Suchmaschinen und Sprachmodellen zu erklären, worum es auf einer Seite geht. Anders als sichtbarer Text richtet sich JSON-LD ausschließlich an Maschinen.

    Organization

    Die Marke

    Name, Logo, Website und sameAs-Profile. Grenzt die Marke eindeutig von anderen ab.

    Article

    Der Beitrag

    Autor, Datum, Herausgeber. Macht E-E-A-T-Signale der Autorenschaft maschinenlesbar.

    FAQPage

    Frage & Antwort

    Strukturiert FAQ-Inhalte. Hilft Suchmaschinen und LLMs, direkte Antworten zu extrahieren.

    Person

    Der Autor

    jobTitle, knowsAbout, hasCredential, sameAs. Verknüpft mit dem Article-Schema.

    BreadcrumbList

    Die Navigation

    Bildet die Seitenhierarchie ab und hilft bei der kontextuellen Einordnung.

    WebSite

    Die Site

    Definiert die Website als Entität, oft mit SearchAction für die interne Suche.

    Was ist JSON-LD genau

    JSON-LD ist ein Format, das strukturierte Informationen als JSON-Objekt in den Quellcode einer Seite einbettet, meist im head-Bereich oder am Seitenende. Es beschreibt Entitäten und ihre Eigenschaften nach dem Schema.org-Standard. Ein Sprachmodell oder eine Suchmaschine kann diese Angaben direkt auslesen, ohne den Fließtext interpretieren zu müssen.

    Der Vorteil von JSON-LD gegenüber älteren Formaten wie Microdata oder RDFa liegt in der Trennung von Inhalt und Markup. Das Markup steht in einem eigenen script-Block und ist nicht mit dem HTML verwoben. Das macht es einfacher zu pflegen, weniger fehleranfällig und entspricht der offiziellen Google-Empfehlung.

    Ein typisches JSON-LD-Objekt enthält den Kontext (schema.org), einen Typ (etwa Article oder Organization) und eine Reihe von Eigenschaften. Diese Struktur ist standardisiert, sodass jede Suchmaschine und jedes Sprachmodell sie identisch interpretiert.

    Welche Schema-Typen sind für AI-Visibility relevant

    Die drei wichtigsten Schema-Typen für AI-Visibility sind Organization, Article und FAQPage. Organization beschreibt die Marke als Entität, Article jeden einzelnen Beitrag, FAQPage strukturiert Frage-Antwort-Inhalte. Ergänzend sind Person für Autoren und BreadcrumbList für die Navigation wertvoll.

    Organization-Schema ist die Basis. Es definiert den Markennamen, die Website, das Logo und über sameAs die offiziellen Profile auf anderen Plattformen. Damit grenzt es die Marke eindeutig von ähnlich benannten Entitäten ab. Für LLMs ist diese klare Abgrenzung entscheidend, um Verwechslungen zu vermeiden.

    Article-Schema verbindet jeden Beitrag mit seinem Autor, dem Veröffentlichungs- und Aktualisierungsdatum und dem Herausgeber. Die Verbindung zum Person-Schema des Autors ist dabei zentral, weil sie das E-E-A-T-Signal der Autorenschaft maschinenlesbar macht.

    Wichtiger Hinweis

    Strukturierte Daten müssen den tatsächlichen Seiteninhalt widerspiegeln. Markup, das Informationen behauptet, die für den Nutzer nicht sichtbar sind, verstößt gegen die Google-Richtlinien und kann zu manuellen Maßnahmen führen. JSON-LD beschreibt, was auf der Seite steht, es erfindet nichts hinzu.

    Wie bettest du JSON-LD korrekt ein

    JSON-LD wird als script-Block mit dem Typ application/ld+json in den HTML-Code eingebettet, idealerweise im head-Bereich. Pro Seite können mehrere Blöcke existieren, etwa einer für Organization, einer für Article und einer für FAQPage. In WordPress übernehmen Plugins wie Rank Math oder Yoast die Generierung automatisch.

    Der manuelle Weg ist nur für Spezialfälle nötig. Die meisten WordPress-Sites generieren ihr Schema über das SEO-Plugin. Wichtig ist, das Markup nach der Einbindung zu validieren, um Fehler auszuschließen. Ein fehlerhaftes Schema wird ignoriert und bringt keinen Nutzen.

    Die Validierung läuft über den Schema-Markup-Validator von Schema.org oder den Rich-Results-Test von Google. Beide zeigen, ob das Markup korrekt geparst wird und welche Eigenschaften erkannt werden. Ein sauberer Durchlauf ohne Fehler oder Warnungen ist das Ziel.

    organization.json
    // Organization-Schema, eingebettet im <head>
    {
      "@context": "https://schema.org",
      "@type": "Organization",
      "name": "Levent Elci",
      "url": "https://leventelci.de",
      "logo": "https://leventelci.de/logo.png",
      "sameAs": [
        "https://www.linkedin.com/in/levent-elci-solutions/"
      ],
      "knowsAbout": [
        "AI-Visibility", "Generative Engine Optimization",
        "Brand Mentions", "Offpage SEO"
      ]
    }

    Nutzen LLMs strukturierte Daten überhaupt

    LLMs nutzen strukturierte Daten indirekt. Sie lesen primär den sichtbaren Text, aber JSON-LD hilft bei der Entitäts-Klarstellung und der korrekten Zuordnung von Autor, Datum und Herausgeber. Google hat klargestellt, dass für die generative Suche keine speziellen AI-Markups nötig sind, das bestehende Schema reicht.

    Der praktische Wert liegt in der Eindeutigkeit. Wenn ein Modell unsicher ist, ob eine Information aktuell oder von einem qualifizierten Autor stammt, liefert das Schema die Antwort. Das Article-Schema mit datePublished und author macht diese Signale maschinenlesbar, statt sie im Fließtext suchen zu müssen.

    Wichtig ist die richtige Erwartung: JSON-LD ist kein Wundermittel und kein direkter Ranking-Faktor. Es ist ein unterstützendes Klarstellungs-Werkzeug. Wer es korrekt einsetzt, gewinnt Eindeutigkeit. Wer es weglässt, verliert nicht alles, aber lässt eine einfache Optimierung liegen.

    Expert Insight

    In der Praxis über viele Domains zeigt sich: Der größte Hebel von JSON-LD liegt nicht in Rich Results, sondern in der sauberen Entitäts-Abgrenzung. Sites mit vollständigem Organization-Schema und korrekt verknüpftem Person-Schema für Autoren werden in LLM-Antworten zuverlässiger der richtigen Marke und dem richtigen Autor zugeordnet. Bei mehrdeutigen Markennamen ist das der Unterschied zwischen korrekter Empfehlung und Verwechslung.

    Welche Fehler treten bei JSON-LD häufig auf

    Die häufigsten Fehler sind fehlende Pflichtfelder, Markup ohne sichtbare Entsprechung im Inhalt, fehlerhafte Verschachtelung und veraltete Schema-Typen. Auch die fehlende Verbindung zwischen Article und Person ist verbreitet. Diese Fehler führen dazu, dass das Schema ignoriert wird oder Warnungen erzeugt.

    Ein verbreiteter Fehler ist doppeltes oder widersprüchliches Markup, etwa wenn zwei Plugins gleichzeitig Schema generieren. Das verwirrt die Parser und sollte vermieden werden. Pro Seite sollte es genau eine konsistente Schema-Struktur geben, idealerweise aus einer einzigen Quelle.

    Veraltete Typen wie das frühere FAQ-Rich-Result, das Google in seiner Darstellung eingeschränkt hat, sind ein weiterer Stolperstein. Schema-Typen ändern in ihrer Darstellung über die Zeit. Es lohnt sich, die aktuelle Google-Dokumentation zu prüfen, bevor man auf einen bestimmten Rich-Result-Effekt setzt.

    Meine Einschätzung

    JSON-LD ist eine der einfachsten Optimierungen mit gutem Verhältnis von Aufwand zu Wirkung. In WordPress generiert Rank Math das Basis-Schema fast automatisch, der manuelle Aufwand ist gering. Mein Rat: Sorge für vollständiges Organization-Schema mit sameAs zu allen Profilen, verknüpfe jeden Artikel mit einem echten Person-Schema, und validiere einmal sauber. Das ist Pflichthygiene, kein Hexenwerk, und es zahlt sich bei der maschinellen Interpretation deiner Marke aus.

    Das Wichtigste in Kürze

    • JSON-LD ist das von Google empfohlene Format für strukturierte Daten nach Schema.org.
    • Wichtigste Typen für AI-Visibility: Organization, Article, FAQPage, Person.
    • Es ist kein Ranking-Boost, sondern ein Klarstellungs-Werkzeug für Maschinen.
    • Der größte Nutzen liegt in der eindeutigen Entitäts-Abgrenzung der Marke.
    • Immer validieren und Markup nur für tatsächlich sichtbare Inhalte verwenden.

    Quellen

    • Google Search Central: Einführung in strukturierte Daten, 2026
    • Schema.org: Organization, Article, FAQPage Specifications, 2026
    • Google: Rich Results Test und Structured Data Guidelines, 2026
    • Rank Math: Schema Generator Documentation, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Was sind Brand Mentions

    Was sind Brand Mentions

    Kurz zusammengefasst

    Brand Mentions sind Erwähnungen einer Marke im Web, mit oder ohne Link. Sie sind 2026 ein zentraler Hebel für AI-Visibility, weil LLMs aus der Häufigkeit und dem Kontext von Markenerwähnungen lernen, welche Marken zu welchen Themen gehören. Anders als Backlinks wirken Brand Mentions über Co-Occurrence, also das gemeinsame Auftreten von Markenname und Thema.

    Brand Mentions sind Nennungen eines Markennamens in Texten im Web, unabhängig davon, ob ein Link gesetzt wird. Für klassisches SEO wirken sie als Co-Citation-Signal, für LLMs wie ChatGPT, Gemini und Perplexity sind sie ein zentrales Lern- und Empfehlungssignal. 2026 sind Brand Mentions kein Nebeneffekt von PR mehr, sondern ein eigenständiger, planbarer Sichtbarkeitshebel.

    Mit Link

    Verlinkte Mention

    Markenname mit gesetztem Backlink. Bringt Linkjuice und Erwähnung zugleich, der klassische SEO-Fall.

    „… wie der Anbieter Marke X zeigt …“
    Ohne Link

    Unverlinkte Mention

    Reine Textnennung ohne Link. Für AI-Visibility oft so stark wie ein Backlink, weil LLMs Text-Kontext werten.

    „… Anbieter wie Marke X setzen auf …“
    Co-Occurrence

    Kontext-Mention

    Marke erscheint beiläufig im richtigen semantischen Feld. Die subtilste, aber wirksamste Form für LLMs.

    „Beste Lösung für Y … Marke X …“

    Was genau ist eine Brand Mention

    Eine Brand Mention ist jede Erwähnung eines Marken-, Produkt- oder Personennamens in einem fremden Text. Sie kann verlinkt (linked mention) oder unverlinkt (unlinked mention) sein. Beide Formen wirken, die unverlinkte gewinnt für die AI-Visibility besonders an Bedeutung, weil LLMs Text-Kontext auswerten, nicht primär Links.

    Der Kontext entscheidet über die Wirkung. Eine Erwähnung in einem thematisch passenden Fachartikel ist wertvoll, eine in einem irrelevanten Text kaum. Entscheidend ist die semantische Nähe: Steht der Markenname neben den Begriffen, mit denen er assoziiert werden soll, lernt das Modell diese Verbindung.

    Brand Mentions umfassen auch Erwähnungen in Bewertungen, Foren, Social Media, Podcasts-Transkripten und Pressemitteilungen. Jede dieser Quellen kann in Trainings- oder Retrieval-Daten von LLMs einfließen. Die Breite und Konsistenz der Erwähnungen baut das Markenbild auf, das ein Modell von einer Marke hat.

    Warum zitieren LLMs Marken ohne Backlink

    LLMs lernen aus Text, nicht aus Linkstrukturen. Während Googles klassischer Algorithmus Links als Vertrauenssignal nutzt, verarbeiten Sprachmodelle die rohen Textzusammenhänge. Wenn ein Markenname in den Trainingsdaten häufig im Kontext eines Themas auftaucht, verknüpft das Modell beide, ganz ohne Link.

    Dieser Mechanismus heißt Co-Occurrence. Taucht die Marke „X“ wiederholt in der Nähe der Begriffe „beste Lösung für Y“ auf, lernt das Modell diese Assoziation. Bei einer entsprechenden Nutzerfrage ruft es die gelernte Verbindung ab und nennt die Marke. Der Link ist dafür irrelevant, der Text-Kontext ist alles.

    So funktioniert Co-Occurrence
    Wie LLMs Marke und Thema verknüpfen
    Marke
    Marke X
    +
    Kontext
    „beste Lösung für Y“
    ×
    Wiederholung
    viele Quellen
    Ergebnis im Modell
    Das LLM lernt: Marke X gehört zu Thema Y — und nennt sie bei passenden Fragen, ganz ohne Link.

    Für Retrieval-basierte Systeme wie Perplexity kommt eine zweite Ebene dazu. Diese Modelle durchsuchen das Live-Web und zitieren Quellen direkt. Hier wirkt eine unverlinkte Erwähnung in einem gut rankenden Artikel als direkte Empfehlungsquelle, weil das System den Artikel findet und die darin genannte Marke übernimmt.

    Welche Arten von Brand Mentions gibt es

    Es gibt drei Hauptarten: verlinkte Mentions mit Backlink, unverlinkte Mentions als reine Textnennung und Co-Occurrence-Mentions, bei denen die Marke beiläufig im richtigen semantischen Feld erscheint. Dazu kommen Bewertungs-Mentions und Social-Mentions, die das Reputationsbild ergänzen.

    Verlinkte Mentions sind der klassische SEO-Fall: Sie bringen Linkjuice und Erwähnung zugleich. Unverlinkte Mentions sind für die reine Markenautorität oft genauso wirksam, besonders für LLMs. Co-Occurrence-Mentions sind die subtilste, aber für AI-Visibility wirksamste Form, weil sie natürlich und kontextstark sind.

    Für eine ausgewogene Strategie braucht es alle Arten. Verlinkte Mentions für klassisches SEO, unverlinkte und Co-Occurrence für AI-Visibility, Bewertungs- und Social-Mentions für das Reputationsbild. Wer nur auf eine Art setzt, verschenkt Wirkung in den anderen Kanälen.

    Wie viele Brand Mentions braucht eine Marke

    Eine feste Zahl gibt es nicht. Entscheidend ist die kontinuierliche, themenkonsistente Erwähnung über die Zeit. Eine Marke, die in ChatGPT für ein Thema empfohlen werden will, braucht genug Erwähnungen im richtigen Kontext, dass das Modell die Verbindung stabil gelernt hat. Das sind eher dutzende über Monate als hunderte auf einmal.

    Die Konsistenz schlägt die Menge. Zwölf themenkonsistente Erwähnungen über ein Jahr in relevanten Quellen wirken stärker als hundert verstreute Erwähnungen in irrelevanten Kontexten. Das Modell braucht ein klares, wiederholtes Signal, kein einmaliges Rauschen.

    Im Vergleich zur Konkurrenz wird es konkret: Wenn drei Wettbewerber regelmäßig in Branchen-Listicles auftauchen und deine Marke nicht, fehlt das Signal. Das Ziel ist, in den gleichen Kontexten präsent zu sein wie die Marken, die aktuell empfohlen werden.

    Wichtiger Hinweis

    Künstlich erzeugte Brand Mentions in großem Stil, etwa durch Spam-Kommentare oder massenhaft generierte Texte, wirken nicht nachhaltig und können dem Markenbild schaden. LLMs und Suchmaschinen erkennen zunehmend unnatürliche Muster. Echte redaktionelle Erwähnungen in vertrauenswürdigen Quellen sind der einzige tragfähige Weg.

    Brand Mentions im Vergleich zu Backlinks

    Backlinks und Brand Mentions wirken unterschiedlich. Backlinks sind für Googles klassischen Algorithmus ein direktes Ranking-Signal und übertragen Linkjuice. Brand Mentions wirken über Entitäts-Assoziation und Co-Occurrence, besonders stark für LLMs. 2026 ergänzen sich beide, statt zu konkurrieren.

    Für reines Google-Ranking bleibt der Backlink wertvoller, weil er messbar Autorität überträgt. Für AI-Visibility kann die unverlinkte Brand Mention im richtigen Kontext den Backlink überflügeln, weil LLMs den Text-Kontext höher gewichten als die Linkstruktur. Die optimale Strategie nutzt beide.

    Praktisch entsteht oft beides gemeinsam. Ein guter redaktioneller Gastbeitrag bringt sowohl einen Backlink als auch eine kontextstarke Markenerwähnung. Wer Platzierungen mit diesem Doppelnutzen plant, maximiert die Wirkung jeder einzelnen Erwähnung.

    Wie baust du Brand Mentions auf

    Brand Mentions baust du über digitale PR, redaktionelle Gastbeiträge, Experten-Statements, eigene Studien und Citation-Listicles auf. Der Kern ist, der Marke einen Grund zur Erwähnung zu geben: relevante Daten, fundierte Einschätzungen oder ein klares Leistungsprofil, das in thematische Artikel passt.

    Citation-Listicles sind besonders wirksam. Ein redaktioneller Artikel „Die besten Anbieter für X“ mit der Marke als seriöser Nennung ist eine starke, kontextklare Brand Mention. LLMs greifen solche Listen auf und reproduzieren die Nennungen in ihren Empfehlungen.

    Digitale PR ergänzt das. Eigene Studien, Datenanalysen und Experten-Kommentare zu aktuellen Branchenthemen werden von Fachmedien aufgegriffen und erzeugen natürliche Erwähnungen. Diese sind glaubwürdig, kontextstark und wirken für Google wie für LLMs.

    Expert Insight

    In über 200 getesteten Brand-Mention-Prompts zeigt sich: Marken, die in redaktionellen Listicles und Fachartikeln konsistent im selben Themenkontext genannt werden, erscheinen in ChatGPT- und Perplexity-Antworten deutlich häufiger als Marken mit gleicher Backlink-Stärke, aber ohne kontextkonsistente Erwähnungen. Die Co-Occurrence von Markenname und Thema ist das entscheidende Signal, nicht die reine Erwähnungszahl.

    Wie misst du Brand Mentions

    Brand Mentions misst du über Mention-Tracking-Tools wie Ahrefs Content Explorer, Brand24, Mention oder DataForSEO Content Analysis. Diese erfassen, wo und wie oft dein Markenname im Web auftaucht, in welchem Kontext und mit welchem Sentiment. Für die LLM-Ebene kommen Prompt-Tests dazu.

    Die wichtigsten Metriken sind Mention-Volumen, Quellenqualität, Sentiment und Themenkontext. Steigende Erwähnungen aus hochwertigen, themenrelevanten Quellen sind das Ziel. Ein hohes Volumen aus irrelevanten Quellen bringt wenig, ein moderates Volumen aus den richtigen Quellen viel.

    Für die AI-Visibility ergänzt du das mit regelmäßigen Prompt-Tests: Wird deine Marke bei den relevanten Fragen in ChatGPT, Gemini und Perplexity genannt? Diese Tests verbinden die Brand-Mention-Arbeit mit dem messbaren Ergebnis in den LLM-Antworten.

    Meine Einschätzung

    Brand Mentions sind der unterschätzteste Hebel im AI-Visibility-Spiel. Die meisten Unternehmen jagen weiter Backlinks, während die eigentliche Währung der LLM-Ära die kontextkonsistente Markenerwähnung ist. Mein Rat: Denke nicht in Links, denke in Kontexten. Sorge dafür, dass deine Marke überall dort genannt wird, wo dein Thema verhandelt wird, mit oder ohne Link. Das ist die Arbeit, die 2027 darüber entscheidet, ob ChatGPT dich empfiehlt oder die Konkurrenz.

    Das Wichtigste in Kürze

    • Brand Mentions sind Markenerwähnungen mit oder ohne Link.
    • LLMs lernen über Co-Occurrence: Markenname plus Thema im selben Kontext.
    • Unverlinkte Mentions wirken für AI-Visibility oft so stark wie Backlinks.
    • Konsistenz und Themenkontext schlagen die reine Erwähnungsmenge.
    • Citation-Listicles und digitale PR sind die wirksamsten Aufbau-Hebel.

    Quellen

    • Search Engine Journal: Brand Mentions and Implied Links, 2026
    • Ahrefs Blog: Unlinked Brand Mentions Guide, 2026
    • Princeton University: GEO: Generative Engine Optimization, 2023
    • Brand24: Brand Monitoring and Sentiment Analysis, 2026
    • SISTRIX: Entitäten und Co-Occurrence im DACH-Markt, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Local SEO und AI-Visibility verbinden

    Local SEO und AI-Visibility verbinden

    Kurz zusammengefasst

    Local SEO macht lokale Unternehmen in Google Maps, der lokalen Suche und zunehmend auch in ChatGPT-Empfehlungen sichtbar. Die klassischen Hebel sind Google Business Profile, NAP-Konsistenz und lokale Bewertungen. 2026 kommt eine neue Schicht dazu: AI-Visibility für lokale Anfragen, bei denen LLMs konkrete Anbieter aus einer Stadt empfehlen.

    Local SEO umfasst alle Maßnahmen, die ein Unternehmen in der lokalen und regionalen Suche sichtbar machen. Dazu gehören das Google Business Profile, lokale Bewertungen, konsistente Unternehmensdaten und lokal relevante Inhalte. 2026 verschmilzt Local SEO mit AI-Visibility: Immer mehr Nutzer fragen ChatGPT oder Perplexity nach lokalen Empfehlungen statt Google. Wer dort nicht auftaucht, verliert Anfragen.

    Lokale Rankingfaktoren
    Was das lokale Ranking 2026 bestimmt
    Google Business Profilestark
    Vollständigkeit, Kategorien, Aktualität, Beiträge. Der wichtigste lokale Hebel.
    Bewertungenstark
    Anzahl, Durchschnitt, Aktualität und aktive Antworten auf alle Bewertungen.
    NAP-Konsistenzmittel-stark
    Identische Name-, Adress- und Telefondaten über alle Verzeichnisse.
    Lokale Citations & Backlinksmittel
    Erwähnungen in regionalen Portalen, lokalen Verzeichnissen und Stadtlisten.
    Entfernung zum Suchendenmittel
    Nicht beeinflussbar, aber relevant. Nähe schlägt bei lokalen Suchen oft Autorität.

    Wie funktioniert Local SEO 2026

    Local SEO funktioniert über drei Säulen: ein vollständig optimiertes Google Business Profile, konsistente NAP-Daten über alle Verzeichnisse und lokal relevante Signale wie Bewertungen, lokale Backlinks und ortsbezogene Inhalte. Google bewertet diese Signale für das lokale Ranking im Map Pack und in der organischen lokalen Suche.

    Die wichtigste Einheit ist das Google Business Profile. Es entscheidet maßgeblich darüber, ob ein Unternehmen im lokalen Drei-Pack erscheint. Vollständigkeit, Aktualität, Kategorien, Bewertungen und Beiträge wirken direkt auf die lokale Sichtbarkeit. Ein vernachlässigtes Profil rankt nicht, auch bei guter Website.

    2026 kommt die LLM-Schicht hinzu. Wenn jemand ChatGPT fragt „Welcher Steuerberater in München ist gut?“, zieht das Modell seine Antwort aus Webquellen, Verzeichnissen und redaktionellen Erwähnungen. Lokale Unternehmen, die in diesen Quellen präsent sind, werden empfohlen. Das ist die neue Front der lokalen Sichtbarkeit.

    Wie optimierst du dein Google Business Profile

    Ein optimiertes Google Business Profile ist vollständig ausgefüllt, hat die richtigen Haupt- und Nebenkategorien, aktuelle Öffnungszeiten, hochwertige Fotos, regelmäßige Beiträge und eine aktive Bewertungsstrategie. Vollständigkeit ist der erste Hebel: Google bevorzugt Profile, die alle relevanten Felder nutzen.

    Die Kategoriewahl ist entscheidend. Die Hauptkategorie sollte exakt das Kerngeschäft treffen, Nebenkategorien decken weitere Leistungen ab. Eine falsche oder zu breite Hauptkategorie kostet Rankings. Recherchiere, welche Kategorien die erfolgreichen lokalen Wettbewerber nutzen.

    Kategorien korrekt

    Hauptkategorie trifft das Kerngeschäft exakt, Nebenkategorien decken weitere Leistungen ab.

    Adresse & Zeiten aktuell

    Korrekte Adresse, aktuelle Öffnungszeiten inklusive Feiertage und Sonderzeiten.

    Hochwertige Fotos

    Echte Bilder von Geschäft, Team und Leistungen. Keine generischen Stockfotos.

    Bewertungen aktiv

    Kontinuierliche Generierung echter Bewertungen plus professionelle Antworten auf alle.

    Regelmäßige Beiträge

    GBP-Beiträge zu Angeboten, News und Events halten das Profil aktiv und sichtbar.

    Lokale Citations

    Erwähnungen in regionalen Listicles für lokale AI-Visibility in ChatGPT und Perplexity.

    Bewertungen sind ein starker lokaler Rankingfaktor und gleichzeitig ein Trust-Signal für LLMs. Eine aktive Strategie zur Generierung echter Bewertungen, kombiniert mit professionellen Antworten auf alle Bewertungen, wirkt doppelt. Künstliche oder gekaufte Bewertungen sind riskant und werden zunehmend erkannt.

    Was sind NAP-Daten und warum zählen sie

    NAP steht für Name, Address, Phone. Diese Kerndaten müssen über alle Plattformen, Verzeichnisse und die eigene Website hinweg exakt identisch sein. Inkonsistente NAP-Daten verwirren Google und schwächen das lokale Ranking, weil das System die Identität des Unternehmens nicht eindeutig zuordnen kann.

    In der Praxis entstehen Inkonsistenzen durch alte Einträge, unterschiedliche Schreibweisen oder veraltete Telefonnummern. Ein NAP-Audit über die wichtigsten Verzeichnisse deckt diese auf. Tools wie BrightLocal oder manuelle Recherche helfen, alle Einträge zu finden und zu vereinheitlichen.

    Für LLMs sind konsistente NAP-Daten ebenfalls wichtig. Wenn ein Modell die Adresse oder Telefonnummer eines lokalen Anbieters aus mehreren Quellen abgleicht und diese übereinstimmen, steigt die Konfidenz, das Unternehmen korrekt zu empfehlen. Widersprüchliche Daten senken diese Konfidenz.

    Wie landen lokale Unternehmen in ChatGPT-Empfehlungen

    Lokale Unternehmen landen in ChatGPT-Empfehlungen, wenn sie in den Quellen präsent sind, aus denen das Modell zieht: lokale Verzeichnisse, redaktionelle Stadtportale, Bewertungsplattformen, Branchenlisten und Fachartikel. Ein gut gepflegtes Google Business Profile allein reicht nicht, weil LLMs breiter recherchieren.

    Der wirksamste Hebel sind redaktionelle Erwähnungen in lokalen Kontexten. Ein Artikel auf einem regionalen Portal mit dem Titel „Die besten Handwerker in Düsseldorf“, in dem das Unternehmen genannt wird, ist eine starke Citation. LLMs greifen solche Listen auf und reproduzieren die Empfehlungen.

    Für lokale AI-Visibility gilt dieselbe Logik wie für GEO allgemein, nur mit lokalem Fokus: Citations in lokal relevanten Quellen, Co-Occurrence von Markenname und Ortsangabe, konsistente Entitätsdaten. Wer diese Signale lokal aufbaut, wird in ortsbezogenen LLM-Anfragen empfohlen.

    Wichtiger Hinweis

    Das Google Business Profile muss verifiziert sein, bevor Optimierungsmaßnahmen greifen. Unverifizierte Profile ranken kaum und können nicht vollständig bearbeitet werden. Die Verifizierung läuft je nach Branche über Postkarte, Telefon, E-Mail oder Video. Ohne diesen Schritt ist jede weitere lokale Optimierung wirkungslos.

    Welche Rolle spielen lokale Bewertungen

    Lokale Bewertungen sind einer der stärksten lokalen Rankingfaktoren und ein zentrales Trust-Signal. Google bewertet Anzahl, Durchschnitt, Aktualität und Häufigkeit neuer Bewertungen. Eine kontinuierliche, natürliche Bewertungsentwicklung wirkt stärker als ein einmaliger Schub vieler Bewertungen.

    Wichtig ist die aktive Antwortpolitik. Wer auf jede Bewertung professionell antwortet, signalisiert Engagement und Servicequalität. Negative Bewertungen sollten sachlich und lösungsorientiert beantwortet werden, niemals defensiv. Diese öffentlichen Antworten lesen sowohl potenzielle Kunden als auch LLMs.

    Für die LLM-Sichtbarkeit zählen Bewertungen über Plattformgrenzen hinweg. Konsistent gute Bewertungen auf Google, Trustpilot, ProvenExpert und branchenspezifischen Portalen bauen ein Reputationsbild, das Modelle bei Empfehlungen berücksichtigen. Ein Unternehmen mit breit gestreuten guten Bewertungen wird eher empfohlen.

    Wie misst du lokalen SEO-Erfolg

    Lokalen Erfolg misst du über lokale Rankings im Map Pack, Sichtbarkeit für ortsbezogene Keywords, Profilaufrufe und Aktionen im Google Business Profile, Anrufe und Routenanfragen sowie zunehmend über die Präsenz in LLM-Empfehlungen für lokale Anfragen. Die Kombination dieser Metriken ergibt ein vollständiges Bild.

    Das Google Business Profile liefert eigene Insights: wie oft das Profil aufgerufen wurde, wie viele Anrufe und Routenanfragen entstanden, über welche Suchbegriffe Nutzer kamen. Diese Daten zeigen direkt, ob die Optimierung Wirkung zeigt. Steigende Profilaktionen sind das klarste Erfolgssignal.

    Für die LLM-Ebene testest du regelmäßig lokale Empfehlungsanfragen in ChatGPT, Gemini und Perplexity. Wird dein Unternehmen bei „beste X in deiner Stadt“ genannt? Diese Tests sind manuell, aber aussagekräftig. Eine steigende Nennungsrate zeigt erfolgreiche lokale AI-Visibility.

    Expert Insight

    Aus lokalen Projekten zeigt sich ein klares Muster: Unternehmen, die ihr Google Business Profile vollständig pflegen und parallel in zwei bis drei redaktionellen lokalen Listicles erwähnt werden, erscheinen deutlich häufiger in ChatGPT-Empfehlungen für ihre Stadt als Wettbewerber mit gleichem Profil, aber ohne redaktionelle Citations. Der lokale Map-Pack-Erfolg und die LLM-Empfehlung folgen unterschiedlichen Signalen, die sich aber ergänzen.

    Was ist der Unterschied zwischen lokalem und organischem SEO

    Lokales SEO zielt auf ortsbezogene Suchanfragen und das Google Map Pack, organisches SEO auf die klassischen blauen Suchergebnisse unabhängig vom Standort. Lokale Rankings hängen stark vom Google Business Profile und der Entfernung des Suchenden ab, organische Rankings von Content-Qualität und Backlinks.

    Beide überschneiden sich. Eine starke Website unterstützt das lokale Ranking, und lokale Signale helfen organischen Rankings für ortsbezogene Begriffe. Wer lokal sichtbar sein will, braucht beides: ein optimiertes Profil und eine inhaltlich starke Website mit lokalem Bezug.

    Wie baust du eine lokale Sichtbarkeitsstrategie auf

    Eine lokale Strategie startet mit dem Google Business Profile: vollständig ausfüllen, verifizieren, optimieren. Dann folgt das NAP-Audit über alle relevanten Verzeichnisse. Parallel baust du Bewertungen auf und erstellst lokal relevante Inhalte auf der Website. Die vierte Schicht ist lokale AI-Visibility durch redaktionelle Citations.

    Die Reihenfolge ist wichtig. Ohne verifiziertes und optimiertes Profil wirken die anderen Maßnahmen schwächer. Nach der Profil-Basis kommt die Konsistenz der Daten, dann die Reputation durch Bewertungen, zuletzt die Citation-Arbeit für LLM-Sichtbarkeit. Jede Schicht baut auf der vorigen auf.

    Für lokale AI-Visibility identifizierst du die regionalen Portale und Listicles, die für deine Stadt und Branche relevant sind. Diese sind dein Citation-Target. Eine Erwähnung in „Die besten Anbieter für X in deiner Stadt“ wirkt für Google als lokales Signal und für LLMs als Empfehlungsquelle.

    Meine Einschätzung

    Local SEO und AI-Visibility gehören 2026 zusammen gedacht. Die meisten lokalen Unternehmen optimieren ihr Google Business Profile und hören dann auf. Genau hier liegt die Chance: Wer zusätzlich systematisch in redaktionellen lokalen Quellen erwähnt wird, sichert sich die Empfehlungen in ChatGPT und Perplexity, bevor die lokale Konkurrenz das Thema überhaupt auf dem Schirm hat. Für lokale Dienstleister ist das gerade der größte ungenutzte Hebel.

    Das Wichtigste in Kürze

    • Local SEO macht Unternehmen in Google Maps, lokaler Suche und LLM-Empfehlungen sichtbar.
    • Drei Säulen: Google Business Profile, NAP-Konsistenz, lokale Bewertungen.
    • 2026 neu: AI-Visibility für lokale Anfragen über redaktionelle lokale Citations.
    • Das Profil muss verifiziert und vollständig sein, bevor andere Maßnahmen greifen.
    • Lokale Listicle-Erwähnungen wirken doppelt: für Google-Ranking und LLM-Empfehlung.

    Quellen

    • Google Business Profile Hilfe: Richtlinien zur Darstellung Ihres Unternehmens, 2026
    • BrightLocal: Local Consumer Review Survey, 2026
    • Search Engine Land: Local Search Ranking Factors, 2026
    • Google Search Central: Local SEO Best Practices, 2026
    • Whitespark: Local Citation Audit Guide, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Was zählt bei Offpage SEO 2026

    Was zählt bei Offpage SEO 2026

    Kurz zusammengefasst

    Offpage SEO umfasst alle Maßnahmen außerhalb der eigenen Website, die deren Autorität und Vertrauen steigern. 2026 zählen nicht mehr nur Backlinks, sondern auch Brand Mentions, redaktionelle Citations und Trust-Signale, die LLMs als Quellenautorität werten. Der Fokus verschiebt sich von reiner Linkmenge hin zu Qualität, Themenrelevanz und Markenpräsenz.

    Offpage SEO beschreibt alle Optimierungsmaßnahmen, die außerhalb der eigenen Domain stattfinden und die Autorität, Relevanz und Vertrauenswürdigkeit einer Website steigern. Klassisch waren das vor allem Backlinks. 2026 ist das Feld breiter: Brand Mentions, redaktionelle Erwähnungen, digitale PR und Trust-Signale gehören genauso dazu. Wer Offpage heute auf Linkbuilding reduziert, lässt die Hälfte des Hebels liegen.

    01
    Backlinks

    Redaktionell vergeben, themenrelevant, von Domains mit echtem Traffic. Qualität vor Menge.

    02
    Brand Mentions

    Markenname im richtigen Kontext, auch ohne Link. Wirkt für Google und für LLMs.

    03
    Redaktionelle Citations

    Erwähnungen in Top-Listen und Fachmedien. Doppelter Wert für SEO und AI-Visibility.

    Was zählt 2026 bei Offpage SEO wirklich

    2026 zählen drei Signalgruppen: klassische Backlinks von themenrelevanten Autoritätsseiten, unverlinkte Brand Mentions in vertrauenswürdigen Quellen und redaktionelle Citations in Fachmedien. Google gewichtet zunehmend die Qualität und den Kontext eines Links statt der reinen Menge. LLMs ziehen Markenautorität aus der Häufigkeit und Qualität von Erwähnungen.

    Der wichtigste Wandel: Ein Link ist nicht mehr automatisch wertvoll. Ein Backlink von einer thematisch unpassenden Seite mit gekauftem Linkprofil schadet eher, als er nützt. Ein unverlinkter Markenname in einem redaktionellen Fachartikel kann dagegen mehr Wirkung entfalten als zehn schwache Verzeichnis-Links.

    Für die Praxis heißt das: Weg vom Mengendenken, hin zum Autoritätsdenken. Die Frage lautet nicht „Wie viele Links habe ich?“, sondern „Aus welchen Quellen kommt meine Sichtbarkeit, und sind das die Quellen, denen Google und LLMs vertrauen?“.

    Welche Backlinks Google noch als Signal wertet

    Google wertet 2026 vor allem redaktionell vergebene Backlinks von thematisch passenden Domains mit echtem organischen Traffic als positives Signal. Links aus Linknetzwerken, PBNs, Foren-Spam und automatisierten Verzeichnissen verlieren an Wert oder werden algorithmisch ignoriert. Entscheidend sind Relevanz, Trust und natürliche Platzierung.

    Ein guter Backlink erfüllt drei Kriterien: Die linkende Seite ist thematisch verwandt, sie hat eigenen organischen Traffic, und der Link steht im redaktionellen Kontext, nicht in einem Footer oder einer Linkliste. Solche Links sind schwer zu bekommen, weshalb sie wirken. Leicht beschaffbare Links wirken kaum noch.

    Linkqualität
    Gutes gegen schlechtes Linkbuilding

    Gut

    • Redaktionell motiviert, freiwillig gesetzt
    • Themenrelevante Quelle mit echtem Traffic
    • Natürliches, diverses Anchor-Profil
    • Langsam und stetig gewachsen
    • Inhalt mit eigenständigem Wert

    Schlecht

    • Gekauft in großem Stil, PBN-Netzwerke
    • Themenfremde oder trafficlose Quellen
    • Auffällig viele Money-Anchors
    • Schnell und sprunghaft aufgebaut
    • Dünner Artikel als reiner Linkträger

    Die Anchor-Text-Verteilung bleibt relevant. Ein natürliches Profil mischt Brand-Anchors, generische Anchors, nackte URLs und nur vereinzelt Money-Keywords. Ein Profil mit auffällig vielen exakt passenden Money-Anchors signalisiert Manipulation und wird abgewertet.

    Wie viele Backlinks braucht eine Domain

    Eine pauschale Zahl existiert nicht. Entscheidend ist nicht die Menge, sondern die Qualität im Verhältnis zur Konkurrenz. Eine Domain, die für ein Keyword ranken will, braucht ein vergleichbares oder besseres Linkprofil als die aktuell rankenden Wettbewerber, gemessen an Referring Domains aus relevanten Quellen.

    Praktischer Ansatz: Analysiere die Top-5-Rankings für dein Ziel-Keyword. Schau dir an, wie viele verweisende Domains diese Seiten haben und welche Qualität diese Domains aufweisen. Daraus ergibt sich ein realistisches Ziel. Oft sind das nicht hunderte Links, sondern 10 bis 30 starke, themenrelevante verweisende Domains.

    Für lokale und Nischen-Keywords reichen häufig wenige hochwertige Links plus solide Onpage-Optimierung. Für stark umkämpfte kommerzielle Keywords brauchst du deutlich mehr Autorität. Qualität schlägt Menge in jedem Szenario.

    Wichtiger Hinweis

    Gekaufte Links in großem Stil sind ein Verstoß gegen die Google-Richtlinien und können zu manuellen Maßnahmen oder algorithmischer Abwertung führen. Wer Links bezieht, sollte auf redaktionelle Platzierung, Themenrelevanz und ein natürliches Anchor-Profil achten. Ein langsam und natürlich gewachsenes Profil ist sicherer als ein schnell aufgebautes.

    Welche Rolle spielen Brand Mentions im Offpage SEO

    Brand Mentions sind Erwähnungen einer Marke ohne zwingenden Link. Sie wirken sowohl für Google als Co-Citation-Signal als auch für LLMs als Trainings- und Retrieval-Signal. 2026 sind sie ein eigenständiger Offpage-Hebel, der besonders für AI-Visibility an Bedeutung gewinnt.

    Google erkennt Markennamen als Entitäten und verknüpft sie mit Themen, in deren Kontext sie häufig erwähnt werden. Wer in vielen relevanten Fachartikeln genannt wird, baut Entitäts-Autorität auf, selbst ohne Backlink. Für LLMs ist dieser Effekt noch stärker, weil sie aus Co-Occurrence lernen, welche Marken zu welchen Themen gehören.

    Der Aufbau von Brand Mentions läuft über digitale PR, Gastbeiträge, Experten-Statements und redaktionelle Kooperationen. Ein einzelner erwähnter Markenname im richtigen Kontext kann für die LLM-Sichtbarkeit wertvoller sein als ein klassischer dofollow-Link.

    Wie misst du Offpage-Autorität

    Offpage-Autorität misst du über mehrere Metriken: Anzahl und Qualität der Referring Domains, Domain Rating oder Domain Authority, Trust Flow, organischer Traffic der linkenden Seiten und Anzahl der Brand Mentions. Keine einzelne Metrik erzählt die ganze Geschichte, erst die Kombination ergibt ein belastbares Bild.

    Domain Rating (Ahrefs) und Domain Authority (Moz) sind nützliche Vergleichsmetriken, aber keine Google-Faktoren. Sie helfen, das eigene Profil gegen Wettbewerber einzuordnen. Trust Flow (Majestic) gewichtet die Vertrauenswürdigkeit der verlinkenden Quellen und ist ein guter Indikator für Linkqualität.

    Für Brand Mentions nutzt du Tools wie Ahrefs Content Explorer, Brand24 oder DataForSEO Content Analysis. Diese tracken, wie oft und in welchem Kontext dein Markenname im Web auftaucht. Steigende Mention-Zahlen aus hochwertigen Quellen sind ein starkes Offpage-Signal.

    Was unterscheidet gutes von schlechtem Linkbuilding

    Gutes Linkbuilding ist redaktionell motiviert, themenrelevant und langsam gewachsen. Schlechtes Linkbuilding ist manipulativ, themenfremd und auffällig schnell. Der Unterschied zeigt sich im Linkprofil: Ein natürliches Profil hat diverse Quellen, natürliche Anchors und einen stetigen Aufbau. Ein manipuliertes Profil hat gleichförmige Muster.

    Gutes Linkbuilding entsteht durch Inhalte, die andere freiwillig verlinken: eigene Studien, Datenanalysen, hilfreiche Tools, fundierte Ratgeber. Diese Form skaliert langsam, ist aber dauerhaft sicher. Aktives Linkbuilding über digitale PR und Gastbeiträge ergänzt das, solange die Platzierungen redaktionell sind.

    Schlechtes Linkbuilding setzt auf Masse: gekaufte Linkpakete, automatisierte Verzeichniseinträge, Kommentar-Spam, Linktausch in großem Stil. Diese Methoden funktionieren kurzfristig manchmal, führen aber langfristig zu Abwertung. Der Aufwand für Schadensbegrenzung übersteigt oft den ursprünglichen Nutzen.

    Offpage-Metriken
    Welche Kennzahlen die Autorität abbilden
    Referring DomainsRelevanz × Qualität
    Wichtigste Metrik. Anzahl unterschiedlicher verweisender Domains, gewichtet nach Themenrelevanz.
    Brand MentionsCo-Occurrence
    Steigend wichtig für AI-Visibility. Häufigkeit und Kontext der Markenerwähnungen im Web.
    Trust FlowMajestic
    Bewertet die Vertrauenswürdigkeit der verlinkenden Quellen. Guter Qualitätsindikator.
    Domain Rating / AuthorityAhrefs / Moz
    Vergleichswert gegen Wettbewerber. Kein Google-Faktor, aber nützliche Orientierung.

    Wie baust du eine Offpage-Strategie auf

    Eine Offpage-Strategie startet mit einer Konkurrenzanalyse: Welche Quellen verlinken und erwähnen die Wettbewerber? Daraus leitest du Ziel-Domains ab. Dann baust du parallel drei Schichten auf: hochwertige redaktionelle Backlinks, Brand Mentions durch digitale PR und linkwürdige Inhalte auf der eigenen Seite.

    Die Priorität liegt auf Relevanz. Ein Link oder eine Erwähnung aus einer thematisch passenden, vertrauenswürdigen Quelle ist mehr wert als zehn aus irrelevanten Quellen. Setze ein realistisches monatliches Ziel, etwa 4 bis 8 hochwertige Platzierungen, statt auf Masse zu gehen.

    Kombiniere Offpage mit AI-Visibility. Jede redaktionelle Erwähnung wirkt doppelt: als klassisches SEO-Signal für Google und als Citation-Signal für LLMs. Wer beide Ziele zusammen denkt, holt aus jeder Platzierung den maximalen Wert heraus.

    Expert Insight

    In der Praxis aus über 160 betreuten Domains zeigt sich: Sites, die monatlich 4 bis 8 redaktionelle Platzierungen aus themenrelevanten Quellen aufbauen, wachsen stabiler und nachhaltiger als Sites mit aggressiven Linkkauf-Sprints. Der entscheidende Faktor ist nicht das Tempo, sondern die Themenkonsistenz der Quellen. Wer drei Jahre lang nur in seinem Themenfeld Erwähnungen sammelt, baut eine Autorität auf, die kein gekauftes Linkpaket reproduzieren kann.

    Funktioniert Gastartikel-Tausch noch

    Gastartikel-Tausch funktioniert 2026 noch, aber unter strengeren Bedingungen. Reiner ABC-Tausch zur Verschleierung wird von Google zunehmend erkannt. Was funktioniert, sind echte redaktionelle Gastbeiträge auf themenrelevanten Seiten mit echtem Traffic, bei denen der Inhalt einen eigenständigen Wert hat.

    Der Unterschied liegt im Inhalt. Ein hochwertiger Gastbeitrag, der einer fremden Seite echten Mehrwert bringt und beiläufig auf die eigene Marke verweist, ist legitim und wirksam. Ein dünner Tausch-Artikel, der nur als Linkträger existiert, ist riskant und wenig wirksam.

    Meine Einschätzung

    Offpage SEO ist 2026 nicht tot, es hat sich verschoben. Wer noch in reiner Linkmenge denkt, kämpft mit veralteten Methoden. Der eigentliche Hebel liegt in der Kombination aus hochwertigen redaktionellen Links und systematischem Brand-Mention-Aufbau, der gleichzeitig die AI-Visibility befeuert. Meine klare Empfehlung: Baue weniger, aber bessere Platzierungen, und denke jede davon doppelt, für Google und für LLMs. Das ist die Offpage-Disziplin, die 2027 noch funktioniert.

    Das Wichtigste in Kürze

    • Offpage SEO 2026 umfasst Backlinks, Brand Mentions und redaktionelle Citations.
    • Qualität und Themenrelevanz schlagen reine Linkmenge in jedem Szenario.
    • Brand Mentions wirken doppelt: als Google-Signal und als LLM-Citation-Signal.
    • Realistisches Ziel: 4 bis 8 hochwertige Platzierungen pro Monat statt Masse.
    • Gastartikel funktionieren nur als echte redaktionelle Beiträge mit eigenem Wert.

    Quellen

    • Google Search Central: Link Spam Update und Spam Policies, 2026
    • Ahrefs Blog: What Makes a Good Backlink in 2026, 2026
    • Search Engine Journal: Brand Mentions and Co-Citation, 2026
    • Majestic: Trust Flow und Citation Flow erklärt, 2026
    • Moz: Domain Authority Methodik, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen

  • Was E-E-A-T für AI-Visibility bedeutet

    Was E-E-A-T für AI-Visibility bedeutet

    Kurz zusammengefasst

    E-E-A-T steht für Experience, Expertise, Authoritativeness und Trust. Google bewertet damit Inhalts- und Autorenqualität. Für AI-Visibility wirkt dasselbe Prinzip noch stärker: LLMs zitieren bevorzugt Quellen, die nachvollziehbare Erfahrung, Fachexpertise und konsistente Autorität signalisieren. Wer E-E-A-T sauber baut, gewinnt sowohl in Google als auch in ChatGPT.

    E-E-A-T ist Googles offizielles Qualitäts-Framework für Inhalte und Autoren, dokumentiert in den Search Quality Rater Guidelines. Das Akronym steht für Experience (Erfahrung), Expertise (Fachwissen), Authoritativeness (Autorität) und Trust (Vertrauen). Trust ist dabei das wichtigste der vier Elemente. 2026 gilt das Framework nicht nur für Google-Rankings, sondern ist auch eine Kernlogik dafür, welche Quellen LLMs zitieren.

    E
    Experience
    Reale, eigene Erfahrung mit dem Thema
    E
    Expertise
    Formales Fachwissen und Credentials
    A
    Authoritativeness
    Anerkannte Autorität in einer Domain
    Kern
    T
    Trust
    Vertrauenswürdigkeit der Quelle

    Was bedeuten die vier E-E-A-T-Elemente konkret

    Experience meint reale, eigene Erfahrung mit dem Thema. Expertise meint formales Fachwissen, Ausbildung, dokumentierte Kompetenz. Authoritativeness meint die anerkannte Autorität in einer Domain. Trust meint Vertrauenswürdigkeit der Quelle. Google und LLMs werten alle vier Elemente getrennt, aber zusammenhängend.

    Experience kam Ende 2022 als viertes E dazu. Google wollte damit den Unterschied zwischen jemandem markieren, der einen Restaurant-Test selbst durchgeführt hat, und jemandem, der ein Restaurant nur theoretisch beschreibt. Für LLMs ist dieser Unterschied genauso relevant. First-Hand-Content wird in Antworten deutlich häufiger zitiert.

    Expertise lässt sich durch Credentials belegen: Studium, Zertifikate, Berufserfahrung. Authoritativeness entsteht durch externe Bestätigung, etwa redaktionelle Erwähnungen in Fachmedien. Trust ist die Summe aller Signale plus formale Sauberkeit wie Impressum, Datenschutzerklärung und transparente Geschäftsangaben.

    Warum E-E-A-T für AI-Visibility zentral ist

    LLMs wie ChatGPT, Gemini, Perplexity und Claude lernen aus Trainingsdaten, in denen Quellen unterschiedlich gewichtet sind. Fachpublikationen, anerkannte Wissenschafts-Sites und Marken mit klarer Autorenstruktur werden in Trainings- und Retrieval-Phasen bevorzugt herangezogen. E-E-A-T-Signale wirken hier wie ein Filter.

    Wenn ein LLM eine Antwort generiert und mehrere Quellen zur Auswahl hat, fließen E-E-A-T-Signale implizit in die Quellenwahl ein. Eine Seite mit klarem Autorenprofil, Bio, Credentials und thematischer Konsistenz wird häufiger als Primärquelle gewählt als eine anonyme Affiliate-Seite. Das ist empirisch in Studien zu LLM-Zitierverhalten dokumentiert.

    Perplexity zitiert besonders sichtbar Quellen mit hohen E-E-A-T-Signalen. Bei Anfragen mit „Wer sagt X?“ oder „Welche Studien gibt es zu Y?“ wählt das System konsistent Quellen mit nachvollziehbarer Autorität. Wer hier nicht sichtbar ist, wird auch in der LLM-Antwortlogik unsichtbar.

    Wichtiger Hinweis

    E-E-A-T ist kein Ranking-Faktor im technischen Sinn. Es gibt keinen E-E-A-T-Score, der direkt in Googles Algorithmus eingespeist wird. E-E-A-T ist ein Konzept, das viele einzelne Signale bündelt. Wer „E-E-A-T optimieren“ sagt, meint in Wahrheit: dutzende einzelne Signale verbessern, die zusammen die wahrgenommene Qualität bestimmen.

    Hierarchie der vier Elemente
    Trust ist die Basis, alles andere baut darauf auf
    E
    Experience
    First-Hand-Erfahrung, eigene Daten

    Seit 2022

    E
    Expertise
    Credentials, Ausbildung, Spezialisierung

    Wissen

    A
    Authoritativeness
    Externe Bestätigung, redaktionelle Erwähnungen

    Reputation

    T
    Trust
    Das wichtigste Element — Fundament für alles andere

    Fundament

    Welche Signale baust du für Experience auf

    Für Experience zeigst du eigene Datenpunkte, Erfahrungswerte und konkrete Beispiele aus realer Arbeit. Das können Case Studies, eigene Studien, Vorher-Nachher-Daten oder dokumentierte Projektberichte sein. Generische „Best Practices“-Listen ohne eigene Datenbasis signalisieren keine Experience.

    Ein praktischer Hebel ist die Integration eigener Zahlen in jede Content-Page. Wenn du über GEO schreibst, zeige Zahlen aus eigenen Projekten. Wenn du über Steuerrecht schreibst, zeige Fallbeispiele aus eigenen Mandaten. Eigene Daten sind das stärkste Experience-Signal überhaupt.

    Für Personenbranding ergänzt du Experience durch sichtbare Aktivitäten: Konferenzvorträge, Podcast-Auftritte, eigene Open-Source-Projekte, dokumentierte Reichweiten-Daten. Diese Signale wirken auch für LLMs, weil sie über externe Quellen aufgegriffen werden und damit in die Trainings- und Retrieval-Logik einfließen.

    Welche Signale belegen Expertise

    Expertise zeigst du über Ausbildung, Zertifikate, Berufserfahrung und thematische Konsistenz. Klare Autoren-Bio mit Lebenslauf, Spezialisierung und nachweisbaren Credentials. Schema.org-Markup mit alumniOf, hasCredential und knowsAbout. LinkedIn-Profil als sameAs-Verbindung im Personen-Schema.

    Thematische Konsistenz ist oft unterschätzt. Wenn du als Autor zu zwölf verschiedenen Themen schreibst, fehlt das Spezialisierungs-Signal. Wer dagegen drei Jahre lang ausschließlich über AI-Visibility und GEO schreibt, baut starke Expertise-Signale auf. Das ist im Kern Topical Authority auf Autorenebene.

    Für Fachgebiete mit formalen Berufsbildern (Medizin, Recht, Finanzen) sind formale Credentials Pflicht. Hier prüft Google besonders streng, ob Autoren tatsächlich qualifiziert sind. Eine Seite zu medizinischen Themen ohne ärztlichen Autor verliert strukturell Sichtbarkeit, sowohl in Google als auch in LLM-Antworten.

    Wie baust du Authoritativeness auf

    Authoritativeness baust du primär extern auf. Sie entsteht durch redaktionelle Erwähnungen in Fachmedien, durch Zitate in Studien anderer Anbieter, durch Backlinks von etablierten Domains und durch konsistente Markenpräsenz über Jahre. Authoritativeness lässt sich nicht direkt auf der eigenen Website erzeugen.

    Ein praktischer Aufbau läuft über Digital PR. Identifiziere die Top-10-Fachpublikationen in deiner Branche und entwickle eine systematische Pitch-Strategie: eigene Studien, exklusive Daten, fundierte Kommentare zu aktuellen Branchen-Themen. Jede solche Erwähnung wirkt als Authoritativeness-Signal.

    Wikipedia-Einträge sind ein besonders starker Authoritativeness-Trigger, allerdings auch der mit den strengsten Aufnahmekriterien. Für die meisten Marken realistischer: konsistente Erwähnungen in Branchen-Fachmedien wie t3n, OMR, Internet World oder Search Engine Land. Diese Quellen sind in LLM-Trainingsdaten breit vertreten.

    Expert Insight

    In Tests mit über 200 Brand-Mention-Prompts in ChatGPT und Perplexity zeigt sich ein klares Muster: Marken mit dokumentierter Autorenstruktur, Schema-Markup und mindestens 8 redaktionellen Erwähnungen im letzten Jahr werden bei vergleichbarem Inhalt drei- bis viermal häufiger zitiert als Marken ohne diese Signale. E-E-A-T wirkt damit als impliziter Quellen-Filter im LLM-Antwortprozess.

    Was macht Trust nachweisbar

    Trust ist die Summe aller Signale plus formale Sauberkeit. Vollständiges Impressum nach §5 DDG, klare Datenschutzerklärung, transparente Geschäftsangaben, HTTPS-Verschlüsselung, gut gepflegtes Kontaktformular, schnelle Server-Antwortzeiten. Diese Basis-Signale erwarten Google und LLMs grundsätzlich.

    Darüber hinaus zählen externe Trust-Signale: Trustpilot-Bewertungen, Google-Business-Profile-Bewertungen, Erwähnungen in seriösen Medien, sichtbare Geschäftsadressen, klare Verantwortungsstrukturen. Je mehr externe Quellen die Glaubwürdigkeit bestätigen, desto stärker das Trust-Signal.

    Negative Signale wirken überproportional. Eine Häufung schlechter Bewertungen, Negativ-Presseberichte oder Hinweise auf zweifelhafte Geschäftspraktiken senken Trust drastisch. LLMs greifen diese Signale auf, weil sie in Trainingsdaten und Retrieval-Quellen vertreten sind. Reputationsmanagement gehört damit zum E-E-A-T-Aufbau.

    E
    Experience-Signale
    • Eigene Daten und Case Studies
    • Konkrete Projekt-Erfahrungen
    • Vorher-Nachher-Vergleiche
    • Konferenzvorträge, Podcasts
    E
    Expertise-Signale
    • Autoren-Bio mit Credentials
    • Schema.org Person mit hasCredential
    • LinkedIn als sameAs-Verbindung
    • Thematische Konsistenz über Jahre
    A
    Authoritativeness-Signale
    • Redaktionelle Erwähnungen in Fachmedien
    • Zitate in Studien anderer Anbieter
    • Backlinks von etablierten Domains
    • Markenpräsenz über Jahre
    T
    Trust-Signale
    • Vollständiges Impressum, Datenschutz
    • HTTPS, transparente Geschäftsangaben
    • Trustpilot- und GBP-Bewertungen
    • Keine negativen Reputationssignale

    Wie zeigst du E-E-A-T auf einer einzelnen Seite

    Auf Seitenebene zeigst du E-E-A-T durch eine Autorenbox mit Bio, Credentials und Foto, ein Veröffentlichungs- plus Aktualisierungsdatum, klare Quellenangaben, transparente Methodik bei Daten und eigenes Bildmaterial. Diese Elemente lassen sich technisch in jedes WordPress-Template integrieren.

    Die Autorenbox ist das wichtigste Einzelelement. Sie sollte mindestens 80 Wörter Bio enthalten, einen sichtbaren Verweis auf die Autorenseite, Links zu professionellen Profilen (LinkedIn, Xing, eigene Domain) und idealerweise einen direkten Bezug zu einem belegbaren Track Record im Thema.

    Quellenangaben sind besonders wichtig für LLM-Sichtbarkeit. Wenn du Daten und Aussagen mit Primärquellen belegst, kann ein LLM diese Information mit höherer Konfidenz übernehmen. Quellen ohne Verlinkung wirken schwächer als Quellen mit nachprüfbarem Link. Das gilt für alle Modelle.

    Welche Schemas unterstützen E-E-A-T

    Drei Schema-Typen unterstützen E-E-A-T besonders stark: Person (für Autoren), Organization (für die Marke) und Article (für jeden Beitrag). Diese drei zusammen geben LLMs die strukturelle Information, die sie für Quellenbewertung brauchen. Schema ist kein direkter Ranking-Boost, aber ein wichtiges Klarstellungs-Werkzeug.

    Im Person-Schema setzt du jobTitle, alumniOf, hasCredential, knowsAbout, sameAs und worksFor. Diese Felder geben jedem LLM klare Hinweise darauf, in welchem Themenfeld du autoritativ bist und welche externen Profile dich bestätigen. Schema-Markup ist in WordPress über Rank Math, Yoast oder Schema Pro umsetzbar.

    Im Article-Schema ist das author-Feld mit Verbindung zum Person-Schema entscheidend. Ohne diese Verbindung wirkt das Article-Schema halbiert. Auch das datePublished und dateModified gehören Pflicht-mäßig dazu. Aktualisierte Inhalte mit klarem Datum signalisieren Trust, alte Inhalte ohne Datum hingegen Schwäche.

    Wie misst du E-E-A-T-Fortschritt

    E-E-A-T misst du indirekt über Sichtbarkeits-Korrelationen. Direkte E-E-A-T-Scores existieren nicht. Nützliche Proxy-Metriken: Domain Rating, Anzahl referrierender Domains aus Fachmedien, Anzahl Autoren-Mentions extern, Click-Through-Rate auf SERP, Verweildauer und Branded Search Volume.

    Ein guter Proxy ist Branded Search Volume. Wenn dein Markenname über die Zeit häufiger gesucht wird, signalisiert das wachsende Authoritativeness. Mit Tools wie Google Trends oder Ahrefs lässt sich diese Entwicklung über Quartale tracken. Ein Anstieg von 30 Prozent oder mehr pro Jahr deutet auf erfolgreichen E-E-A-T-Aufbau.

    Für LLM-spezifische Messung nutzt du Brand-Citation-Tracking: Wie oft wird deine Marke in ChatGPT, Perplexity oder Gemini bei relevanten Fragen genannt? Tools wie Otterly, Peec oder Ahrefs Brand Radar liefern diese Daten. Ein steigender Mention-Anteil ist das beste Signal für funktionierendes E-E-A-T im KI-Zeitalter.

    Meine Einschätzung

    E-E-A-T ist 2026 kein optionales Konzept mehr, sondern eine strukturelle Voraussetzung für jede ernsthafte Sichtbarkeitsstrategie. Wer in Google und in LLMs zitiert werden will, kann sich anonyme Autoren, dünne Bios, fehlende Schemas und chaotische Quellenangaben nicht mehr leisten. Die gute Nachricht: E-E-A-T-Aufbau ist machbar. Drei Monate konsequente Arbeit auf Autorenprofilen, Schema und Citation-Logik verschieben die Sichtbarkeit messbar. Wer wartet, verliert.

    Welche Sofortmaßnahmen wirken am stärksten

    Drei Sofortmaßnahmen haben den größten Hebel: Erstens, jeder Artikel bekommt einen klaren Autor mit Bio und Foto. Zweitens, die Domain bekommt vollständiges Organization-Schema mit sameAs zu allen offiziellen Profilen. Drittens, jeder Autor bekommt eine eigene Autorenseite mit Person-Schema und vollständigen Credentials.

    Diese drei Maßnahmen lassen sich innerhalb von zwei Wochen umsetzen. Sie kosten kein Geld, nur Aufwand. Der Effekt zeigt sich in der LLM-Sichtbarkeit binnen 4 bis 8 Wochen, in Google-Rankings meist innerhalb von 8 bis 12 Wochen. Das Preis-Leistungs-Verhältnis ist hier außergewöhnlich gut.

    Das Wichtigste in Kürze

    • E-E-A-T steht für Experience, Expertise, Authoritativeness, Trust. Trust ist das wichtigste Element.
    • LLMs nutzen E-E-A-T-Signale implizit als Filter bei der Quellenwahl in generierten Antworten.
    • Drei Sofortmaßnahmen: Autorenboxen, Organization-Schema, dedizierte Autorenseiten mit Person-Schema.
    • Authoritativeness baust du extern auf, vor allem durch redaktionelle Erwähnungen in Fachmedien.
    • Messen funktioniert über Proxy-Metriken: Branded Search Volume, Citation-Rate, Domain Rating.

    Quellen

    • Google: Search Quality Rater Guidelines, Aktualisierung März 2026
    • Google Developers: Creating helpful, reliable, people-first content, 2026
    • Search Engine Journal: What is E-E-A-T and Why Does It Matter, 2026
    • Ahrefs Blog: E-E-A-T Signals in the AI Search Era, 2026
    • Schema.org: Person, Organization, Article specifications, 2026
    Levent Elci
    Geschrieben von
    Levent Elci
    AI-Visibility & Offpage SEO für DACH-Unternehmen

    Seit 2014 baut Levent organische Sichtbarkeit für Marken auf. Heute mit Fokus auf Generative Engine Optimization, Brand-Mentions in ChatGPT, Gemini und Perplexity sowie redaktionelle Citation-Strategien. Operativ verantwortet er ein Portfolio von 165 WordPress-Sites.



    LinkedIn-Profil ansehen