AI-Zitierungs-Optimierung: Wie LLMs Marken auswählen

Klassisches SEO optimiert für einen Ranking-Algorithmus, der zehn Links sortiert. AI-Zitierungs-Optimierung optimiert für ein Sprachmodell, das eine Antwort formuliert und dabei nur wenige Quellen nennt. Das ist ein grundlegend anderes Spiel mit eigenen Regeln. Dieser Artikel erklärt, wie LLMs wie ChatGPT, Perplexity und Google AI Overviews Marken und Quellen auswählen, warum unverlinkte Markennennungen dabei zur wichtigsten Währung werden, welche On-Page- und Off-Page-Hebel nachweislich wirken und wie ein B2B-Unternehmen im DACH-Raum die eigene AI-Sichtbarkeit aufbaut und misst.

Warum AI-Zitierungs-Optimierung für B2B im DACH-Raum relevant ist

Die Suche verlagert sich messbar weg vom klassischen Linkverzeichnis hin zur generativen Antwort. In Deutschland nutzt laut einer repräsentativen Bitkom-Befragung bereits die Hälfte (50 Prozent) zumindest manchmal den Chat mit einer KI statt der klassischen Internetsuche, 7 Prozent überwiegend und 5 Prozent sogar ausschliesslich. Die Erhebung erfasst nur Deutschland, der Trend gilt für den DACH-Raum aber als richtungsweisend. Wer in diesen KI-Antworten nicht vorkommt, verliert genau die Sichtbarkeit, die zuvor über das organische Ranking lief.

Entscheidend ist, dass KI-Systeme andere Quellen wählen als Google. Eine internationale Analyse von 15.000 Long-Tail-Prompts zeigt, dass nur 12 Prozent der von ChatGPT, Gemini und Copilot zitierten Links in Googles Top 10 für denselben Prompt erscheinen und dass rund 80 Prozent dieser Zitierungen gar nicht in Google für die ursprüngliche Anfrage ranken. Eine gute Google-Position ist also keine Garantie für eine AI-Zitierung. Das Spielfeld ist neu, und es belohnt teilweise andere Signale.

Für den österreichischen B2B-Markt heisst das: Wer frühzeitig auf AI-Zitierbarkeit setzt, sichert sich Sichtbarkeit in einem Kanal, der noch nicht so dicht umkämpft ist wie die klassische SERP. Die Mechanik dahinter lohnt deshalb ein genaues Verständnis.

Wie LLMs Quellen auswählen: Retrieval, Grounding und Query-Fan-out

Eine AI-Zitierung entsteht technisch anders als ein Google-Ranking. Moderne KI-Antworten kombinieren zwei Wissensquellen. Erstens das parametrische Wissen, das im Modell selbst gespeichert ist und aus den Trainingsdaten stammt. Zweitens das aktuelle Retrieval, bei dem das System live Webseiten abruft und seine Antwort darauf stützt. Dieser zweite Schritt heisst Grounding: Die Antwort wird an abgerufenen Quellen verankert und mit Zitierungen belegt.

Der wichtigste Unterschied zum Google-Ranking liegt im Query-Fan-out. Statt eine einzelne Suchanfrage zu beantworten, zerlegt das System die ursprüngliche Anfrage in mehrere Teil- und Variantenfragen und ruft Seiten ab, die zu diesem Fächer passen. Die Ahrefs-Overlap-Studie beschreibt diesen Mechanismus als Grund dafür, dass die KI Seiten anhand mehrerer Varianten der Anfrage abruft und nicht nur anhand der exakten Originalfrage. Eine Quelle, die über viele verwandte Teilfragen hinweg solide Inhalte liefert, wird dadurch wahrscheinlicher zitiert als eine, die nur für ein einzelnes Keyword stark rankt.

Daraus folgt die zentrale strategische Einsicht. Es reicht nicht, für ein Keyword die Nummer eins zu sein. Eine Marke muss als Entität breit, konsistent und in Verbindung mit ihren Kernthemen im Web präsent sein, damit sie über den gesamten Query-Fan-out hinweg als relevante Quelle erkannt wird. Genau hier setzt Entity SEO an.

Brand Signals und Entity SEO als Fundament

Das wichtigste Off-Page-Signal für AI-Sichtbarkeit sind nicht Backlinks, sondern Markennennungen. Eine internationale Ahrefs-Analyse zur AI-Overview-Sichtbarkeit zeigt, dass branded web mentions mit 0,664 die stärkste Korrelation aller untersuchten Branding-Signale aufweisen, während die Zahl der Backlinks nur auf 0,218 kommt. Das ist ein Verhältnis von rund 3 zu 1 zugunsten der Erwähnungen. Noch deutlicher wird der Effekt am oberen Ende: Laut derselben Quelle erhalten Marken im obersten Viertel (Top 25 Prozent) bei Web-Mentions zehnmal mehr AI-Sichtbarkeit als der Rest.

Der Grund liegt in der Funktionsweise der Modelle. LLMs lernen Entitäten und ihre Beziehungen aus der Häufigkeit und dem Kontext, in dem Marken, Themen und Begriffe gemeinsam auftauchen. Diese Co-Occurrence ist die Sprache, die ein Sprachmodell versteht. Ein konsistentes Entitätsprofil baut man über mehrere Bausteine auf:

• Konsistente Markennennung: Firmenname, Schreibweise, Adresse und Kernleistung müssen über alle Quellen hinweg identisch sein. Widersprüchliche Angaben verwässern die Entität im Knowledge Graph.
• Wikidata und Wikipedia: Strukturierte Wissensdatenbanken sind eine Hauptquelle für parametrisches Wissen. Eine saubere Wikidata-Entität und, wo die Relevanzkriterien erfüllt sind, ein deutschsprachiger Wikipedia-Eintrag verankern die Marke im Knowledge Graph.
• Co-Occurrence mit Themen: Die Marke sollte regelmäßig im selben Kontext wie ihre Kernthemen erscheinen. Wer als österreichischer B2B-Anbieter für ein Fachgebiet zitiert werden will, muss dort sichtbar mit diesem Thema verknüpft sein.
• Strukturierte Daten: Organization- und sameAs-Auszeichnungen verbinden die Website eindeutig mit den Profilen der Marke und helfen Systemen, die Entität korrekt aufzulösen.

Die Bedeutung strukturierter Wissensquellen zeigt sich in den Zitierdaten. Laut dem internationalen 2025 AI Citation and LLM Visibility Report stammen rund 22 Prozent der Trainingsdaten grosser KI-Modelle aus Wikipedia-Inhalten. Wer dort sauber als Entität existiert, sitzt näher an der Quelle des parametrischen Wissens.

Unlinked Brand Mentions als AI-Währung

Im klassischen SEO zählt vor allem der verlinkte Verweis. Für LLMs gilt das nur eingeschränkt. Ein Sprachmodell verarbeitet Text. Es erkennt eine Marke und ihren Kontext auch dann, wenn die Erwähnung nicht verlinkt ist. Damit wird die unverlinkte Markennennung, die Unlinked Brand Mention, zu einer eigenständigen Währung der AI-Sichtbarkeit. Genau das erklärt, warum branded web mentions in den Korrelationsdaten Backlinks deutlich schlagen.

Praktisch verschiebt das den Fokus von reinem Linkbuilding hin zu Digital PR und Earned Media. Ziel ist nicht mehr nur der Link, sondern die kontextstarke Nennung in glaubwürdigen Quellen. Erreichbar ist das über mehrere Wege:

• Digital PR: Pressearbeit, die zu redaktioneller Berichterstattung führt, erzeugt Markennennungen in vertrauenswürdigen Medien, oft mit thematischem Kontext.
• Datengetriebene Inhalte: Eigene Studien, Umfragen oder Branchenzahlen werden von Dritten zitiert und verknüpfen die Marke wiederholt mit ihrem Fachthema.
• Fachmedien und Branchenportale: Beiträge, Interviews und Erwähnungen in einschlägigen DACH-Fachmedien platzieren die Marke im richtigen thematischen Umfeld.
• Unlinked-Mention-Monitoring: Bestehende, aber unverlinkte Nennungen lassen sich aufspüren und pflegen, etwa indem die Schreibweise vereinheitlicht und der Kontext geschärft wird.

Die strategische Konsequenz: Eine PR-Platzierung, die früher nur wegen des Links zählte, hat heute zusätzlichen Wert als AI-Signal, selbst wenn kein Link gesetzt wird. Das verändert die Bewertung von Earned Media grundlegend.

On-Page-GEO-Taktiken: zitierfähige Inhalte bauen

Off-Page entscheidet, ob eine Marke als relevante Entität erkannt wird. On-Page entscheidet, ob eine konkrete Seite als Quelle zitierfähig ist. Die wissenschaftliche Grundlage dafür liefert die KDD-2024-Studie zu Generative Engine Optimization. Sie zeigt, dass GEO die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann. Die wirksamen Taktiken zielen darauf, Inhalte so aufzubereiten, dass ein Sprachmodell sie leicht extrahieren und zitieren kann:

• Statistiken mit Quelle: Konkrete, belegte Zahlen sind hochgradig zitierfähig, weil sie eine Antwort präzisieren. Jede Zahl gehört mit klarer Quellenangabe versehen.
• Experten-Zitate: Attribuierte Aussagen von benannten Fachleuten erhöhen die Glaubwürdigkeit und liefern dem Modell zitierbare Bausteine.
• Quellenangaben und Belege: Transparente Verweise auf Primärquellen signalisieren Vertrauenswürdigkeit, ein Kernkriterium für die Quellenauswahl.
• FAQ und strukturierte Antworten: Klar formulierte Frage-Antwort-Blöcke entsprechen genau dem Format, in dem KI-Systeme Antworten zusammensetzen.
• Schema.org-Markup: Strukturierte Daten wie FAQPage, Article oder Organization machen die Bedeutung von Inhalten maschinenlesbar.
• Zitierfähige Inhaltsblöcke: Eine direkte Antwort auf eine konkrete Frage, knapp und vollständig unter einer passenden Zwischenüberschrift, erhöht die Chance, wörtlich übernommen zu werden.

Der gemeinsame Nenner dieser Taktiken ist Extrahierbarkeit. Inhalte, die eine Frage eindeutig und belegt beantworten, sind sowohl für Featured Snippets als auch für KI-Antworten die bevorzugte Quelle.

Plattform-Spezifika: ChatGPT, Perplexity und Google AI Overviews

AI-Zitierungs-Optimierung ist keine einheitliche Disziplin. Die grossen Plattformen wählen Quellen unterschiedlich aus, und das hat direkte Konsequenzen für die Taktik.

ChatGPT stützt sich stark auf etabliertes, enzyklopädisches Wissen. Laut dem internationalen AI Citation Report dominiert Wikipedia mit 47,9 Prozent der ChatGPT-Zitate, und 87 Prozent der SearchGPT-Zitierungen decken sich mit den Top-10-Bing-Ergebnissen. Wer hier sichtbar sein will, braucht eine saubere Entität in Wikipedia und Wikidata sowie eine solide Bing-Präsenz.

Perplexity setzt stärker auf Echtzeit-Retrieval und nutzergenerierte Inhalte. Laut derselben Quelle führt Reddit mit 46,7 Prozent der Perplexity-Zitate. Perplexity bindet zudem klassische Rankings stärker ein: Laut der Overlap-Studie zeigen bei Perplexity nahezu eins von drei Zitaten auf Seiten, die in den Top 10 ranken. Hier wirken aktuelle Inhalte und Community-Präsenz zusammen mit gutem Google-Ranking.

Google AI Overviews ziehen ihre Zitate zunehmend aus einem breiteren Feld als nur den Top-Ergebnissen. Laut Ahrefs-Daten, ausgewertet von Search Engine Journal, fiel der Anteil der AI-Overview-Zitate aus top-rankenden Seiten von 76 Prozent im Juli 2025 auf 38 Prozent, bei einer Datenbasis von 863.000 Keywords und 4 Millionen AI-Overview-URLs. Die übrigen Zitate verteilen sich auf Positionen 11 bis 100 mit 31,2 Prozent und jenseits Position 100 mit 31,0 Prozent. Auch Google belohnt damit thematische Breite über den engen Ranking-Fokus hinaus.

Wie wenig sich die Plattformen überschneiden, zeigt eine einzelne Zahl: Laut AI Citation Report werden nur 11 Prozent der Domains von ChatGPT UND Perplexity zitiert. Eine Quelle, die auf einer Plattform stark ist, ist es auf einer anderen oft nicht. Plattformspezifische Strategien sind deshalb Pflicht, nicht Kür.

DACH- und Österreich-Bezug: lokale Autoritätsquellen als Zitierbasis

Für den österreichischen Markt entscheidet die Frage, welche deutschsprachigen Quellen als Autorität gelten. Da ChatGPT stark auf Wikipedia setzt und Wikipedia rund 22 Prozent der Trainingsdaten ausmacht, ist die deutschsprachige Wikipedia ein zentraler Ankerpunkt. Daneben gibt es im DACH-Raum spezifische Autoritätsquellen, die als Zitierbasis dienen:

• WKO-Profil und Firmen-A-Z: Ein vollständiges, konsistentes Profil im Firmenverzeichnis der Wirtschaftskammer Österreich liefert eine verlässliche, strukturierte Entitätsangabe für den österreichischen Markt.
• Deutschsprachige Fachmedien und Branchenportale: Erwähnungen in einschlägigen Fachpublikationen verknüpfen die Marke im richtigen thematischen und sprachlichen Kontext.
• Lokale Verzeichnisse und Kammern: Branchenspezifische Register und Kammerprofile stützen die Konsistenz der Markendaten.
• Deutschsprachige Wikipedia und Wikidata: Sofern die Relevanzkriterien erfüllt sind, ist ein Eintrag in der deutschsprachigen Wikipedia mit verknüpfter Wikidata-Entität die stabilste Verankerung im Knowledge Graph.

Der Vorteil der DACH-Fokussierung ist die geringere Konkurrenz. Während internationale englischsprachige Quellen stark umkämpft sind, lassen sich konsistente deutschsprachige Entitätssignale gezielter aufbauen.

DSGVO-konformes Reputations- und Review-Management

Brand- und AI-Signale entstehen auch aus Bewertungen, Pressearbeit und externen Datenquellen. Im DACH-Raum unterliegen diese Aktivitäten der DSGVO, was eine rechtssichere Handhabung erfordert. Reviews und Reputationsdaten sind wertvolle Co-Occurrence-Signale, müssen aber datenschutzkonform erhoben und genutzt werden:

• Bewertungen rechtssicher einholen: Kundenbewertungen sollten auf einer klaren Rechtsgrundlage beruhen, transparent eingeholt und nicht manipuliert werden. Gefälschte Reviews sind nicht nur rechtlich riskant, sondern untergraben auch das Vertrauenssignal.
• Personenbezug beachten: Bei Pressearbeit und Fallstudien ist die Einwilligung genannter Personen einzuholen, und personenbezogene Daten sind sparsam zu verwenden.
• Datenquellen prüfen: Externe Datenquellen für Brand-Monitoring müssen DSGVO-konform sein. Die Rechtsgrundlage der Verarbeitung sollte dokumentiert sein.
• Transparenz wahren: Ein vollständiges Impressum, eine klare Datenschutzerklärung und konsistente Unternehmensangaben stärken zugleich die Vertrauenswürdigkeit als Entität.

Rechtssicherheit und AI-Sichtbarkeit widersprechen sich nicht. Im Gegenteil: Transparente, konsistente und nachprüfbare Angaben sind genau die Vertrauensmerkmale, die sowohl die DSGVO verlangt als auch KI-Systeme bei der Quellenauswahl bevorzugen.

Vom klassischen Backlink zum AI-Signal: Budget neu allokieren

Mit der KI-Suche und den Erkenntnissen aus dem Google-API-Leak verschiebt sich die Gewichtung der Off-Page-Massnahmen. Der reine Backlink verliert nicht seine Wirkung, aber er ist nicht mehr das dominante Signal für AI-Sichtbarkeit. Die Korrelationsdaten sind eindeutig: Branded web mentions korrelieren mit 0,664, Backlinks nur mit 0,218 mit der AI-Overview-Sichtbarkeit. Das legt eine Re-Allokation des Budgets nahe.

Praktisch bedeutet das eine Verschiebung von drei Schwerpunkten. Erstens weniger isoliertes Linkbuilding, das nur auf den Link zielt. Zweitens mehr Digital PR und Earned Media, die kontextstarke Markennennungen erzeugen, unabhängig vom Link. Drittens dedizierte GEO-Massnahmen auf der eigenen Seite, die Inhalte zitierfähig machen. Der Backlink bleibt Teil des Mix, aber er teilt sein Budget nun mit Disziplinen, die direkter auf das AI-Signal einzahlen.

Wichtig ist die nüchterne Einordnung: Klassisches SEO und AI-Optimierung schliessen sich nicht aus. Eine starke Entität, belegte Inhalte und Vertrauenssignale wirken in beiden Welten. Die Budgetfrage ist keine Entweder-oder-Entscheidung, sondern eine Frage der Gewichtung zugunsten von Signalen, die in der KI-Suche skalieren.

Praxis-Workflow für B2B: von der Entität zur Messung

Ein realistischer Aufbau folgt einer klaren Reihenfolge und braucht Zeit. Erste Effekte sind typischerweise nach drei bis sechs Monaten sichtbar, da Entitätssignale und Erwähnungen erst in die Modelle und das Retrieval einfliessen müssen.

• Entity-Setup (Monat 1): Markendaten vereinheitlichen, Wikidata-Entität prüfen und aufbauen, WKO-Profil und Verzeichnisse konsistent machen, Organization- und sameAs-Schema implementieren.
• On-Page-GEO (Monat 1 bis 2): Kernseiten mit belegten Statistiken, attribuierten Zitaten, FAQ-Blöcken und sauberem Schema-Markup zitierfähig aufbereiten.
• Digital PR und Earned Media (Monat 2 bis 4): Datengetriebene Inhalte und Pressearbeit gezielt platzieren, um Markennennungen in DACH-Fachmedien zu erzeugen, mit oder ohne Link.
• Monitoring aufsetzen (ab Monat 1, laufend): Prompt-Sets definieren, AI-Sichtbarkeit und Zitier-Anteil tracken, Sentiment der Nennungen beobachten.
• Iterieren (ab Monat 3): Anhand der Messdaten plattformspezifisch nachsteuern, etwa Wikipedia-Präsenz für ChatGPT oder aktuelle Inhalte für Perplexity stärken.

Dieser Workflow ist kein Einmalprojekt. Da sich die Plattformen laufend ändern, wie der Rückgang der Google-Top-10-Zitate von 76 auf 38 Prozent zeigt, gehört die Anpassung in eine regelmäßige Routine.

Häufige Fehler bei der AI-Zitierungs-Optimierung

• Nur auf Backlinks setzen: Wer das Budget weiter primär in Links steckt, ignoriert das stärkere Signal. Markennennungen korrelieren mit 0,664 gegenüber 0,218 bei Backlinks.
• Eine Strategie für alle Plattformen: ChatGPT, Perplexity und Google wählen unterschiedlich aus. Da nur 11 Prozent der Domains von ChatGPT und Perplexity gemeinsam zitiert werden, scheitert ein Einheitsansatz.
• Auf gutes Google-Ranking vertrauen: Eine Top-Position genügt nicht. Rund 80 Prozent der AI-Zitate ranken gar nicht in Google für die Originalfrage.
• Inhalte nicht zitierfähig aufbereiten: Ohne belegte Statistiken, klare Antworten und Struktur fehlt die Extrahierbarkeit. GEO kann die Sichtbarkeit um bis zu 40 Prozent steigern, wenn die Taktiken konsequent umgesetzt werden.
• Entität inkonsistent halten: Widersprüchliche Markendaten verwässern das Profil im Knowledge Graph und schwächen die Co-Occurrence-Signale.
• DSGVO-Risiken ignorieren: Manipulierte Reviews oder intransparente Datenquellen sind rechtlich riskant und untergraben das Vertrauenssignal, das KI-Systeme bewerten.

Metriken und Messung der AI-Sichtbarkeit

AI-Sichtbarkeit ist messbar, erfordert aber andere Kennzahlen als klassisches SEO. Im Zentrum stehen vier Größen. Erstens der Zitier-Anteil, also wie oft die Marke in den Antworten zu einem definierten Prompt-Set genannt oder verlinkt wird. Zweitens der AI-Share-of-Voice, der den eigenen Anteil an Nennungen im Vergleich zum Wettbewerb misst. Drittens das Sentiment, also in welchem Tonfall die Marke erwähnt wird. Viertens die Entwicklung der branded web mentions als vorlaufender Indikator.

Die methodische Grundlage ist ein sauber definiertes Prompt-Set: eine feste Liste der Fragen, die potenzielle Kund:innen im B2B-Kontext tatsächlich stellen würden. Dieses Set wird regelmäßig über die relevanten Plattformen abgefragt, und der Zitier-Anteil wird ausgewertet. Tools wie Ahrefs Brand Radar oder die AI-Funktionen von Semrush unterstützen das Tracking der Markennennungen und der AI-Sichtbarkeit über die Zeit.

Bei der Interpretation ist Plattformkontext entscheidend. Da sich die Quellenauswahl der Systeme dynamisch verschiebt, wie der Rückgang der Google-Top-10-Zitate von 76 auf 38 Prozent belegt, ist ein einzelner Messwert weniger aussagekräftig als der Trend über mehrere Monate. Der vorlaufende Hebel bleibt dabei die Zahl der Markennennungen, weil Marken im obersten Mention-Viertel zehnmal mehr AI-Sichtbarkeit erreichen.

Weiterführendes

AI-Zitierungs-Optimierung ist die logische Erweiterung von Off-Page-SEO in eine Welt, in der Sprachmodelle die Auswahl treffen. Das Fundament bleibt eine starke, konsistente Entität, die über Markennennungen, strukturierte Wissensquellen und thematische Co-Occurrence im Web verankert ist. Darauf bauen zitierfähige Inhalte und plattformspezifische Taktiken auf. Sinnvolle nächste Schritte für ein B2B-Unternehmen im DACH-Raum sind ein Audit der eigenen Entitätssignale, die Definition eines Prompt-Sets für das Monitoring und die schrittweise Re-Allokation des Off-Page-Budgets von isoliertem Linkbuilding hin zu Digital PR, Earned Media und GEO. Wer diese Disziplinen verzahnt, baut Sichtbarkeit in einem Kanal auf, der die klassische Suche zunehmend ergänzt.