Passage Ranking und GEO: Optimale Content-Struktur für AI-Zitierung

Warum Passage Ranking für GEO entscheidend ist

Suchmaschinen und KI-Systeme bewerten Inhalte längst nicht mehr nur auf Seitenebene. Sie zerlegen Seiten in einzelne Passagen und bewerten diese unabhängig voneinander. Für die Sichtbarkeit in KI-Antworten ist diese Verschiebung fundamental: Nicht mehr die ganze Seite konkurriert um einen Platz, sondern jeder einzelne, in sich geschlossene Textblock.

Google kündigte das sogenannte Passage Indexing im Oktober 2020 an und rollte es ab Februar 2021 aus. Laut Google betrifft die Technik 7 Prozent aller Suchanfragen über alle Sprachen hinweg bei vollständigem globalem Rollout. Wichtig ist die Abgrenzung: Google indexiert weiterhin ganze Seiten, bewertet aber Inhalt und Bedeutung einzelner Passagen zusätzlich. Der präzisere Begriff lautet daher Passage Ranking, nicht Passage Indexing.

Mit dem Aufstieg generativer Suche hat dieses Prinzip eine neue Dimension erreicht. AI Overviews, ChatGPT und Perplexity extrahieren keine ganzen Seiten, sondern atomare Informationseinheiten: einzelne Sätze, Listenpunkte oder Tabellenzellen. Wer in diesen Antworten zitiert werden will, muss seine Inhalte so strukturieren, dass diese Einheiten ohne umgebenden Kontext vollständig verständlich sind. Genau hier setzt Generative Engine Optimization (GEO) an.

Die wirtschaftliche Relevanz für den DACH-Raum ist konkret. In Österreich nutzten 8,69 Millionen Menschen das Internet bei einer Online-Penetration von 95,3 Prozent zu Beginn des Jahres 2025. Nahezu die gesamte B2B-Zielgruppe ist damit digital erreichbar, zunehmend über KI-gestützte Suche.

Wie Passage Ranking funktioniert und zur GEO-Zitierung wird

Der Mechanismus läuft in zwei Schritten ab. Zuerst crawlt die Suchmaschine die vollständige Seite (Full-Page-Crawling). Anschliessend segmentiert ein NLP-Modell den Inhalt in thematische Passagen, orientiert an Überschriften und semantischen Themenwechseln. Jede Passage erhält eine eigene Relevanzbewertung zur Suchanfrage. Eine ansonsten breit angelegte Seite kann so für eine sehr spezifische Frage ranken, wenn ein einzelner Abschnitt diese Frage präzise beantwortet.

Generative Systeme gehen einen Schritt weiter. Large Language Models extrahieren beim Aufbau einer Antwort nicht den nächstbesten Absatz, sondern die kleinste sinnvolle Informationseinheit. Ein klar formulierter Satz, ein präziser Listenpunkt oder eine Tabellenzeile lässt sich direkt in eine generierte Antwort übernehmen und mit einer Quelle versehen. Lange, verschachtelte Absätze ohne klare Aussage sind dafür ungeeignet.

Dass diese Strukturierung messbar wirkt, zeigt die Forschung. Das Princeton-Paper zur Generative Engine Optimization (KDD 2024) belegt, dass gezielte GEO-Massnahmen die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern können. Die Studie weist zugleich darauf hin, dass die Wirksamkeit einzelner Taktiken je nach Themenbereich variiert, was domänenspezifische Optimierung notwendig macht.

Ein praktisches Strukturmuster verstärkt diesen Effekt zusätzlich. Eine Datenanalyse von rund 25.000 URLs und nahezu 400 Millionen KI-Zitationen über sechs KI-Engines ergab, dass 63 Prozent aller Zitationen auf Listicles verwiesen. Je nach Modell lag der Anteil zwischen 40 und 65 Prozent, mit Copilot am unteren und Gemini am oberen Ende. Strukturierte, in Punkte zerlegte Inhalte werden von KI-Systemen also deutlich bevorzugt extrahiert.

Best Practices für eine zitierfähige Content-Struktur

Die folgenden Prinzipien machen Inhalte für Passage Ranking und KI-Zitierung optimal nutzbar.

• Answer-Ready Blocks direkt nach der Überschrift: Platziere unmittelbar unter jeder Zwischenüberschrift eine in sich geschlossene Antwort von etwa 40 bis 60 Wörtern. Dieser Block muss die in der Überschrift implizierte Frage vollständig beantworten, ohne den restlichen Text zu benötigen. Genau diese Einheit zieht ein LLM als Zitat heran.
• Konsistente Heading-Hierarchie: Nutze eine saubere H2-über-H3-Struktur ohne übersprungene Ebenen. Klare Überschriften liefern dem NLP-Modell die Schnittkanten für die Passagensegmentierung. Eine chaotische Hierarchie erschwert die saubere Trennung von Themen.
• Frage-formulierte Zwischenüberschriften: Formuliere Überschriften als konkrete Fragen oder präzise Aussagen, die der Suchintention entsprechen. Sie spiegeln so direkt die Prompts wider, mit denen Nutzer KI-Systeme befragen.
• Antwortzentrierte Abschnittslänge: Halte thematische Abschnitte kompakt, in der Regel im Bereich von etwa 120 bis 180 Wörtern pro Sinneinheit. Eine Passage soll genau ein Thema abschliessend behandeln, bevor das nächste beginnt.
• Bullet-Listen und Tabellen einsetzen: Wandle Aufzählungen, Vergleiche und Schritt-für-Schritt-Anleitungen in Listen und Tabellen um. Diese Formate liefern die atomaren Einheiten, die KI-Systeme bevorzugt extrahieren, wie der hohe Listicle-Anteil bei Zitationen zeigt.
• Statistiken und autoritative Sprache: Belege zentrale Aussagen mit konkreten, verlinkten Daten und formuliere präzise. Die GEO-Forschung von Princeton ordnet das Hinzufügen belastbarer Belege den wirksamen Hebeln zur Steigerung der Zitationswahrscheinlichkeit zu, weist aber zugleich auf die Themenabhängigkeit der Effekte hin.

Strukturierte Daten als Grounding-Signal

Schema.org-Markup im JSON-LD-Format hilft KI-Systemen, Entitäten und Inhaltstypen einer Seite eindeutig zu erkennen. Relevant für redaktionelle Inhalte sind vor allem Article, FAQPage und HowTo. Diese Auszeichnungen liefern ein maschinenlesbares Grounding-Signal, das die thematische Einordnung einer Passage stützt.

Hier liegt ein konkreter Wettbewerbsvorteil. Laut HTTP Archive Web Almanac war JSON-LD 2024 auf 41 Prozent aller Seiten vorhanden, gegenüber 34 Prozent im Jahr 2022. Content-spezifische Typen sind dagegen selten: schema.org/article erreichte nur 1,77 Prozent und schema.org/product 1,50 Prozent. Wer Artikel, FAQ und Anleitungen konsequent semantisch auszeichnet, hebt sich also von der grossen Mehrheit ab und unterstützt die KI-Discovery seiner Inhalte.

Technisches Fundament: Crawlbarkeit und Performance

Keine Passage kann zitiert werden, die nicht zuverlässig erfasst wird. Das technische Fundament ist daher Voraussetzung, nicht Kür.

Entscheidend ist zuerst die Crawlbarkeit. Inhalte müssen serverseitig oder vorgerendert ausgeliefert werden, damit Crawler und KI-Bots sie ohne JavaScript-Ausführung lesen können. In einer Next.js-Architektur bedeutet das den konsequenten Einsatz von Server-Side Rendering oder Static Generation für alle zitierfähigen Inhalte. Rein clientseitig nachgeladener Text bleibt für viele KI-Crawler unsichtbar.

Auch die Auslieferungsgeschwindigkeit zählt. Schnelle Seiten über Edge und CDN erleichtern häufiges, vollständiges Crawling. Bei den Core Web Vitals bleibt Luft nach oben: Laut HTTP Archive bestanden 48 Prozent der mobilen Seiten 2025 alle drei Core Web Vitals. Im Detail erreichten mobil 62 Prozent einen guten LCP, 77 Prozent ein gutes INP und 81 Prozent ein gutes CLS. Die schwächste Einzelmetrik ist damit der Largest Contentful Paint, also die Ladezeit des größten sichtbaren Elements. Hier lohnt der erste Optimierungsschritt.

AI-Crawler-Management: Sichtbarkeit gegen Schutz abwägen

Wer in KI-Antworten erscheinen will, muss KI-Crawler gezielt steuern. In der robots.txt lassen sich Bots wie GPTBot, ClaudeBot und PerplexityBot einzeln zulassen oder ausschliessen. Das ist eine strategische Abwägung zwischen Sichtbarkeit und Content-Schutz.

Die Datenlage zeigt, wie unausgewogen das Verhältnis von Aufwand und Ertrag derzeit ist. Laut Cloudflare lag das Verhältnis von Crawls zu Referrals im Juli 2025 bei Anthropic bei rund 38.000 zu 1, bei OpenAI bei etwa 1.091 zu 1 und bei Google bei rund 5,4 zu 1. Zudem entfielen 79 Prozent des KI-Crawlings auf das Training von Modellen, nicht auf die Live-Suche. Wer ausschliesslich auf direkten Referral-Traffic optimiert, sollte diese Relationen kennen. Für die meisten B2B-Anbieter überwiegt dennoch das Interesse an Präsenz in den Antworten, weshalb ein vollständiger Ausschluss selten sinnvoll ist.

Ergänzend beschleunigt IndexNow die Erfassung neuer und geänderter Inhalte, indem es teilnehmende Suchmaschinen aktiv über Aktualisierungen informiert. In Kombination mit Edge- und CDN-Kontrolle lässt sich so steuern, welche Bots welche Inhalte wie schnell sehen.

Häufige Fehler

• Verschachtelte Absätze ohne klare Kernaussage: Lange Textblöcke, die mehrere Themen vermischen, lassen sich nicht sauber segmentieren und damit nicht zitieren. Jede Passage braucht eine eindeutige, eigenständige Aussage.
• Antwort weit nach unten vergraben: Wenn die eigentliche Antwort erst nach langer Hinführung erscheint, fehlt der zitierfähige Block direkt unter der Überschrift. KI-Systeme finden dann keine kompakte Einheit zur Extraktion.
• Keyword-Stuffing statt natürlicher Sprache: Überoptimierter, unnatürlich wiederholter Text wirkt der Lesbarkeit für Mensch und Maschine entgegen. Präzise, autoritative Formulierungen sind zielführender als Keyword-Dichte.
• Inhalte nur clientseitig gerendert: Text, der erst per JavaScript im Browser entsteht, bleibt für viele KI-Crawler unsichtbar. Zitierfähige Inhalte gehören ins serverseitig gerenderte HTML.
• Strukturierte Daten ignoriert: Wer auf Article-, FAQPage- oder HowTo-Markup verzichtet, verschenkt ein wirksames Grounding-Signal, das angesichts der geringen Verbreitung content-spezifischer Schemata einen klaren Vorsprung bietet.

Metriken und Messung im DACH-Raum

Die Erfolgsmessung verschiebt sich vom Klick zur Zitation. Klassische Klickzahlen verlieren an Aussagekraft, weil KI-Antworten Klicks abfangen. Laut einer Analyse von 300.000 Keywords sinkt die Klickrate für Position 1 um rund 34,5 Prozent, sobald ein AI Overview erscheint. Diese Untersuchung bezieht sich auf informationsorientierte Suchanfragen.

Zugleich sind AI Overviews volatil. Laut Semrush erschienen sie 2025 für 6,49 Prozent der Suchanfragen im Januar, stiegen bis Juli auf 24,61 Prozent und fielen bis November auf 15,69 Prozent, gemessen an über 10 Millionen Keywords. Wer Sichtbarkeit steuert, sollte diese Schwankungen einkalkulieren und nicht auf einen Stichtag vertrauen.

Sinnvolle KPIs für GEO sind daher das Zitations-Tracking in ChatGPT, Perplexity und AI Overviews, die Anzahl der Erwähnungen je Plattform sowie die Sichtbarkeit innerhalb generierter Antworten. Es geht um die Frage, ob und wie oft die eigene Marke als Quelle auftaucht, nicht nur um Sitzungszahlen.

Im österreichischen B2B-Kontext kommt die rechtliche Dimension hinzu. Das Tracking von KI-Referrals und Nutzerinteraktionen unterliegt der DSGVO. Analytics-Lösungen, die KI-Traffic erfassen, benötigen je nach Ausgestaltung eine gültige Consent-Grundlage. Wer Referral-Quellen aus ChatGPT oder Perplexity auswertet, sollte die datenschutzkonforme Erhebung von Anfang an mitdenken.

Weiterführendes

Passage Ranking und GEO greifen ineinander: Erst die saubere, in atomare Einheiten zerlegte Content-Struktur macht eine Seite zitierfähig, und erst das technische Fundament aus Crawlbarkeit, Rendering und Performance macht diese Struktur überhaupt sichtbar. Für die Umsetzung empfiehlt sich die Verbindung dreier Bausteine: antwortzentrierte Inhalte mit Answer-Ready Blocks und Listen, konsequentes JSON-LD-Markup für Artikel, FAQ und Anleitungen sowie eine serverseitig gerenderte, schnelle Auslieferung mit gezieltem AI-Crawler-Management. Ergänzend lohnt der Aufbau eines Zitations-Trackings, um die Verschiebung von Klick zu Citation messbar zu machen.