ChatGPT Search Optimierung: Fan-out-Queries und Freshness-Bias

Warum ChatGPT Search fuer B2B im DACH-Raum relevant wird

ChatGPT ist von einem Chatbot zu einer Suchoberflaeche geworden. Mehr als 800 Millionen Menschen nutzen ChatGPT laut OpenAI woechentlich (Stand Oktober 2025), und ein wachsender Teil dieser Interaktionen loest eine Websuche aus. Fuer die Sichtbarkeit von Unternehmen bedeutet das eine zweite, parallele Such-Realitaet neben Google.

Der Traffic-Beitrag bleibt vorerst klein. Eine internationale Studie ueber 973 E-Commerce-Seiten zeigt, dass ChatGPT-Referral-Traffic rund 0,2 Prozent aller Sessions ausmacht und damit etwa 200-mal kleiner ist als organischer Google-Traffic. Im DACH-Raum faellt das Bild aehnlich aus: Eine Analyse von SE Ranking ueber 63.987 Websites beziffert den Anteil von KI-Suchsystemen am Traffic auf etwa 0,15 Prozent, waehrend Google in Deutschland 91,98 Prozent Marktanteil haelt.

Die strategische Relevanz liegt deshalb nicht im Volumen, sondern in Position und Qualitaet. Innerhalb des KI-Such-Traffics dominiert ein Anbieter klar: Im DACH-Raum entfallen 76,48 Prozent des gesamten KI-Traffics auf ChatGPT und 20,54 Prozent auf Perplexity. Wer in KI-Antworten sichtbar werden will, optimiert zuerst fuer ChatGPT. Hinzu kommt: In KI-Antworten zitiert zu werden, prägt die Markenwahrnehmung direkt am Entscheidungspunkt, lange bevor sich das in Klickzahlen niederschlaegt.

Wie ChatGPT Search technisch funktioniert: web.run, Query-Fan-out und Re-Ranking

ChatGPT Search recherchiert nicht mit einer einzigen Suchanfrage. Ein internes Web-Tool, in Analysen meist als web.run bezeichnet, zerlegt einen Prompt in mehrere parallele Suchanfragen, sammelt Treffer aus dem Bing-Index plus eigenem Retrieval und ordnet die Ergebnisse anschliessend neu. Diesen Schritt nennt man Query-Fan-out: Aus einer Nutzerfrage werden mehrere Maschinensuchen.

Wie stark gefaechert wird, haengt vom Modell ab. Eine Auswertung von Search Engine Land ueber 400 taegliche Prompts in 14 Wochen zeigt, dass GPT-5.4 fuenf bis ueber zehn Suchrunden pro Antwort verketten kann, waehrend GPT-5.3 Instant typischerweise nur zwei bis drei ausfuehrt. Reasoning-Modelle verfeinern ihre Suchanfragen also iterativ auf Basis vorheriger Treffer, schnelle Instant-Modelle bleiben oberflaechlicher.

Diese Architektur ist instabil und sollte nicht als Konstante behandelt werden. Dieselbe Analyse dokumentiert, dass nach einem Wechsel des Standardmodells die durchschnittliche Zahl der pro Antwort zitierten Domains von 19 auf 15 fiel, ein Rueckgang von ueber 20 Prozent. Gleichzeitig wurde das Web-Tool ausgebaut und unterstuetzt inzwischen zwoelf Operationen statt zuvor vier. Schon ein Modell-Update kann die Zitierlandschaft also messbar verschieben.

Quantitativ aus einer anderen Datenstudie: Eine Auswertung von Nectiv ueber 8.500 Prompts in neun Branchen ergab, dass rund 31 Prozent der Prompts ueberhaupt eine Web-Suche ausloesen und ein suchausloesender Prompt im Schnitt 2,17 Suchanfragen erzeugt. Nicht jede Frage fuehrt also zu einer Recherche, aber wenn, dann selten zu nur einer.

Fan-out-Queries verstehen und nutzen: Themen-Cluster statt Einzel-Keywords

Die praktische Konsequenz aus dem Fan-out: Optimiert wird nicht mehr auf ein einzelnes Keyword, sondern auf das Bündel von Suchanfragen, das ein Prompt wahrscheinlich erzeugt. ChatGPT formuliert diese Suchanfragen laenger und natuerlicher als Menschen bei Google. In der Nectiv-Studie lag die durchschnittliche Query-Laenge bei 5,48 Woertern, rund 61 Prozent laenger als eine Google-Suche mit etwa 3,4 Woertern, und 77 Prozent aller Suchanfragen waren fuenf Woerter oder laenger.

Daraus ergeben sich drei Arbeitsprinzipien:

• Konversationelle Long-Tail-Varianten antizipieren: Decken Sie pro Thema ganze Fragenfamilien ab (Was, Wie, Warum, Vergleich, Kosten, Alternativen), nicht nur den Hauptbegriff. Die Maschine sucht in vollstaendigen Phrasen.
• Entitaeten konsistent benennen: Produkt-, Marken- und Personennamen, Branchenbegriffe und Orte sollten einheitlich und ausgeschrieben vorkommen, damit das Re-Ranking Ihre Seite eindeutig einem Thema zuordnet.
• Themen-Cluster statt Einzelseiten: Eine inhaltlich vollstaendige Cluster-Struktur mit verlinkten Unterseiten deckt mehr der parallelen Fan-out-Queries ab als eine isolierte Landingpage.

Fuer den DACH-Raum kommt eine Sprachbesonderheit hinzu. KI-Suchsysteme recherchieren teils in Englisch, auch bei deutschsprachigen Prompts. Wer im deutschsprachigen B2B sichtbar bleiben will, braucht deshalb klare deutschsprachige Quellenautoritaet zum eigenen Thema und sollte zentrale Begriffe nicht ausschliesslich englisch fuehren.

Freshness-Bias: Content-Recency als Ranking-Hebel

ChatGPT bevorzugt aktuelle Inhalte deutlich. Eine Analyse von Seer Interactive ergab, dass rund 65 Prozent der KI-Crawler-Zugriffe auf Inhalte entfielen, die im laufenden Jahr veroeffentlicht wurden, und 79 Prozent auf Inhalte aus den letzten zwei Jahren. Aelterer Content wird systematisch seltener herangezogen, selbst wenn er fachlich solide ist.

Daraus folgt eine konkrete Recency-Strategie:

• Sichtbare Aktualitaetssignale setzen: Publikations- und Aktualisierungsdatum gehoeren sichtbar an den Anfang des Artikels, ergaenzt um ein maschinenlesbares dateModified im schema.org-Markup.
• Substanziell aktualisieren statt nur datieren: Ein geaendertes Datum ohne inhaltliche Pflege ist wertlos. Bringen Sie Zahlen, Beispiele und Quellen real auf den neuesten Stand.
• Refresh-Zyklen definieren: Kern-Inhalte mit hohem Wettbewerb sollten in einem festen Rhythmus ueberarbeitet werden, statt einmalig publiziert und vergessen zu werden.

Die Praxis-Lehre: Bestandscontent ist ein laufendes Asset, kein Archiv. Gerade im schnelllebigen B2B-Tech-Umfeld entscheidet die Aktualitaet oft darueber, ob eine Quelle ueberhaupt in den Antwort-Korpus gelangt.

Front-Loading und Answer Islands: Antworten extrahierbar machen

ChatGPT extrahiert Passagen, es liest selten eine ganze Seite vor. Inhalte muessen deshalb so aufgebaut sein, dass sich eine in sich geschlossene Antwort herausloesen laesst, ohne den umgebenden Text. Diese eigenstaendigen Antwortbloecke werden oft als Answer Islands bezeichnet.

Bewaehrte Muster:

• Front-Loading: Beantworten Sie die Kernfrage in den ersten ein bis zwei Saetzen einer Sektion, bevor Sie ausholen. Die Definition steht oben, die Herleitung darunter.
• 40 bis 60 Woerter pro Antwortblock: Formulieren Sie zentrale Aussagen als kompakte, vollstaendige Absaetze, die ohne Kontext verstaendlich sind.
• Strukturierte Formate nutzen: Listen, Vergleichstabellen und FAQ-Bloecke sind fuer die Extraktion ideal, weil sie diskrete, klar abgegrenzte Informationseinheiten liefern.
• Saubere, semantische HTML-Struktur: Klare Ueberschriftenhierarchie und sauberes Markup erleichtern die maschinelle Extrahierbarkeit erheblich.

GEO-Content-Optimierung nach Princeton-Methodik

Der wichtigste belegte Hebel auf der Inhaltsebene ist die Anreicherung mit Belegen. Die in der Forschung als GEO (Generative Engine Optimization) bezeichnete Methodik stammt aus einer Arbeit von Aggarwal et al., die auf der KDD 2024 angenommen wurde. Sie zeigt, dass GEO-Methoden die Sichtbarkeit in den Antworten generativer Suchmaschinen um bis zu 40 Prozent steigern koennen.

Die wirksamsten Massnahmen sind dabei inhaltlicher Natur: das gezielte Einbauen von belastbaren Statistiken, glaubwuerdigen Zitaten und expliziten Quellenangaben. Inhalte, die ihre Aussagen mit konkreten Zahlen und nachvollziehbaren Belegen untermauern, werden von generativen Systemen bevorzugt aufgegriffen. Wichtig ist die korrekte Einordnung: Die Studie weist selbst darauf hin, dass die Wirksamkeit je nach Themenbereich variiert. Die 40 Prozent sind eine Obergrenze, kein garantierter Effekt.

Fuer die redaktionelle Praxis heisst das: Jede zentrale Behauptung sollte nach Moeglichkeit mit einer Quelle, einer Zahl oder einem attribuierbaren Zitat hinterlegt werden. Genau dieses Prinzip macht einen Inhalt sowohl fuer Leser als auch fuer KI-Systeme zitierfaehig.

Brand Mentions statt nur Backlinks

Im KI-Zeitalter verschiebt sich das wichtigste Off-Page-Signal von Links zu Erwaehnungen. Eine Analyse von Ahrefs ueber 75.000 Marken fand, dass erwaehnte Marken im Web mit der KI-Sichtbarkeit deutlich korrelieren: 0,664 bei ChatGPT, 0,709 im Google AI Mode und 0,656 bei den AI Overviews. Klassische Link-Metriken wie die reine Backlink-Zahl zeigten dagegen nur sehr schwache Korrelationen.

Wichtig zur ehrlichen Einordnung: In derselben Auswertung war nicht der Web-Mention der staerkste Einzelfaktor, sondern Erwaehnungen auf YouTube. Brand Mentions schlagen Backlinks, aber sie sind nicht das alleinige Allheilmittel.

Praktisch bedeutet das: Off-Page-Arbeit fuer KI-Sichtbarkeit zielt auf Praesenz und konsistente Entitaeten, nicht nur auf Linkaufbau. Digital PR, Fachpresse, Branchenverzeichnisse, relevante Foren und konsistente Marken- und Personennennungen ueber das Web hinweg wirken als Sichtbarkeitssignal. Im DACH-B2B zaehlt dabei besonders die deutschsprachige Quellenautoritaet: Erwaehnungen in einschlaegigen Branchenmedien und konsistente lokale Marken-Signale stuetzen die Einordnung.

Technisches Setup fuer KI-Crawler

Ohne Crawl-Zugang keine Zitate. Drei Bausteine bilden die technische Basis:

• robots.txt fuer KI-Bots pruefen: Wer in ChatGPT Search erscheinen will, darf die relevanten OpenAI-Crawler (etwa GPTBot und OAI-SearchBot) nicht versehentlich blockieren. Eine bewusste Allow- oder Disallow-Entscheidung pro Bot ist Pflicht.
• schema.org und strukturierte Daten: Sauberes Markup fuer Artikel, FAQ, Produkte und Organisationsdaten macht Inhalte maschinenlesbar und Entitaeten eindeutig. Das dateModified-Feld unterstuetzt zugleich die Recency-Signale.
• Saubere HTML-Extrahierbarkeit: Inhalte, die erst per JavaScript nachgeladen werden oder in unstrukturiertem Markup stecken, sind schwerer zu extrahieren. Kernaussagen gehoeren in serverseitig ausgelieferten, semantisch klaren HTML-Text.

Beim Thema llms.txt ist Nuechternheit angebracht. Die als Standard vorgeschlagene Datei ist bisher kaum etabliert: Laut SE Ranking hatten nur 10,13 Prozent von rund 300.000 untersuchten Domains eine llms.txt im Einsatz, und kein grosser KI-Anbieter nutzt sie bislang offiziell zur Bewertung oder Zitation. Die Datei ist schnell angelegt und schadet nicht, sollte aber nicht als Sichtbarkeits-Hebel ueberbewertet werden. Robots.txt, strukturierte Daten und extrahierbarer Content haben Vorrang.

Agentic Commerce und Instant Checkout

Eine naechste Stufe zeichnet sich im Handel ab: KI-Agenten, die nicht nur empfehlen, sondern Kaeufe direkt abschliessen. Initiativen wie ein offenes Agentic Commerce Protocol und Instant-Checkout-Funktionen zielen darauf, Produktdaten und Bezahlung direkt in die KI-Oberflaeche zu holen. Das Marktpotenzial ist erheblich: Laut Bain & Company koennte der US-Markt fuer Agentic Commerce bis 2030 ein Volumen von 300 bis 500 Milliarden US-Dollar erreichen, was 15 bis 25 Prozent des gesamten Online-Handels entspraeche. Diese Zahl bezieht sich ausdruecklich auf den US-Markt.

Fuer DACH-Unternehmen mit Shop-Bezug ist das ein Vorbereitungssignal, kein Tagesgeschaeft. Wer frueh saubere, strukturierte Produkt-Feeds, eindeutige Produktattribute und verlaessliche Verfuegbarkeits- und Preisdaten pflegt, schafft die Grundlage, um in agentengetriebene Kaufprozesse aufgenommen zu werden, sobald diese im deutschsprachigen Raum greifen.

AI-Referral-Traffic messen und attribuieren

KI-Sichtbarkeit laesst sich nur steuern, wenn man sie misst, und die klassische Klick-Logik greift zu kurz. Ein grosser Teil der Wirkung entsteht ohne Klick, direkt in der Antwort. Trotzdem sollten Sie die messbaren Spuren erfassen.

• GA4-Segmente fuer KI-Referrer: Richten Sie eigene Segmente und Referrer-Filter fuer ChatGPT und andere KI-Quellen ein, um den direkt zurechenbaren Traffic ueberhaupt sichtbar zu machen.
• Conversion-Qualitaet realistisch bewerten: Die internationale E-Commerce-Studie zeigt, dass Affiliate-Traffic mit plus 86 Prozent und organische Suche mit plus 13 Prozent eine hoehere Conversion-Rate erzielten als ChatGPT-Traffic. KI-Referrals sind volumen- und teils qualitaetsseitig (noch) nachrangig, was je nach Branche stark variiert.
• Brand-Lift mitdenken: Da der grosse Hebel die Erwaehnung in Antworten ist, gehoeren Markenbekanntheit, direkte Zugriffe und Nachfrageentwicklung in die Bewertung, nicht nur Last-Click-Conversions.

GEO-Metriken und Tools: Share of Voice statt Rankings

Die zentrale Kennzahl der KI-Suche ist nicht mehr die Ranking-Position, sondern der Anteil an KI-Antworten, in denen Ihre Marke zitiert oder erwaehnt wird, oft Share of Voice genannt. Statt Keyword-Rankings ueberwacht man dafuer ein definiertes Set an Prompts und prueft, ob und wie die eigene Marke darin auftaucht.

• Prompt-Monitoring statt Rank-Tracking: Definieren Sie kaufrelevante Prompts Ihrer Zielgruppe und verfolgen Sie ueber die Zeit, ob Ihre Marke darin erscheint, in welchem Kontext und mit welcher Quelle.
• Citation-Tracking-Werkzeuge: Spezialisierte Tools wie Profound, Peec AI, Semrush AI sowie der Brand Radar von Ahrefs erfassen Erwaehnungen und Zitate in KI-Antworten. Sie ersetzen das klassische Rank-Tracking fuer den KI-Kanal.
• Volatilitaet einkalkulieren: Weil schon ein Modell-Update die zitierten Domains um ueber 20 Prozent verschieben kann, sind Einzelmessungen wenig aussagekraeftig. Bewerten Sie Trends ueber Wochen, nicht Momentaufnahmen.

Weiterfuehrendes

ChatGPT Search Optimierung ist kein Sonderfall von SEO, sondern ein eigener Kanal mit eigener Mechanik: Fan-out statt Einzelsuche, Aktualitaet statt Bestand, Extrahierbarkeit statt Lesefluss, Erwaehnung statt reinem Link. Wer technisch crawlbar bleibt, Inhalte mit Belegen anreichert, sichtbare Aktualitaetssignale pflegt und seine Praesenz ueber das Web hinweg konsistent haelt, schafft die Grundlage fuer KI-Sichtbarkeit. Fuer den DACH-B2B-Markt empfiehlt sich ein pragmatischer Einstieg: ein definiertes Prompt-Set monitoren, die wichtigsten Bestandsseiten auf Recency und Antwortbloecke ueberarbeiten und die eigene deutschsprachige Quellenautoritaet gezielt aufbauen. Die Volumina sind noch klein, die Weichen werden aber jetzt gestellt.