Wie KI entscheidet, welche Marken sie zitiert — und wie Sie eine davon werden

Zwanzig Jahre lang war das Ziel von Markenvisibilität einfach zu formulieren: Platz 1 auf Google. Den blauen Link ganz oben, der Klick gehört dir. Alles in der SEO — Backlinks, Keywords, Ladezeiten — diente dieser einen Position.

Dieses Ziel löst sich still auf. Wenn jemand ChatGPT fragt „welche sind die besten Projektmanagement-Tools für Agenturen?" oder eine Frage in Google eintippt und eine KI-Übersicht erhält, gibt es oft keinen Klick. Die Antwort kommt fertig zusammengestellt, mit zwei oder drei darin genannten Marken und einer Handvoll Quellenangaben darunter. Der Nutzer liest die Antwort und geht weiter. Niemand besucht deine Homepage. Niemand sieht deine sorgfältig optimierte Landingpage.

Die neue Frage lautet nicht Wie erreiche ich Platz 1?, sondern Wie werde ich zur Quelle, die die KI zitiert? Das ist ein anderes Problem mit anderen Mechanismen — und das meiste, was bei klassischer SEO funktioniert hat, gilt hier nur noch teilweise. Dieser Artikel erklärt, wie große Sprachmodelle (Large Language Models, LLMs) tatsächlich entscheiden, welche Marken und Fakten sie nennen, woher sie diese Fakten beziehen und — ehrlich gesagt — was du daran tun kannst und was nicht.

Wir verkaufen Wikipedia- und Strukturdaten-Arbeit, haben also ein offensichtliches Interesse hier. Wir haben versucht, diesen Text so zu schreiben, dass er nützlich ist, auch wenn du uns nie beauftragst. Mehrere Abschnitte weiter unten werden dir sagen, wo unsere Leistungen nicht helfen.

Der Wandel: vom Ranken zum Zitiertwerden

„Zero-Click" ist nicht neu — Googles Featured Snippets und Knowledge Panels fraßen schon Jahre vor ChatGPT Klicks. Doch generative Antworten beschleunigen das erheblich. Statt eines wörtlich aus einer Seite gezogenen Snippets erhält man einen synthetisierten Absatz, der mehrere Quellen mischt, konkrete Entitäten benennt und den Nutzer selten zum Verlassen der Seite zwingt.

Das verändert die Bedeutung von „Sichtbarkeit" auf drei konkrete Weisen.

Erstens: Die Einheit der Sichtbarkeit ist die Entität, nicht die Seite. Google rankte URLs. Ein LLM denkt über Dinge nach — Unternehmen, Personen, Produkte, Konzepte — und die daran geknüpften Fakten. Hat das Modell kein klares, konsistentes Bild davon, dass dein Unternehmen existiert und was es tut, hilft keine On-Page-Optimierung der Welt.

Zweitens: Zitierung ist probabilistisch, nicht deterministisch. Du kannst nicht sicherstellen, dass ein Modell dich für eine bestimmte Anfrage nennt, so wie du (ungefähr) ein Keyword targetieren konntest. Der gleiche Prompt kann an verschiedenen Tagen, mit verschiedenen Modellen, sogar bei verschiedenen „Temperature"-Einstellungen unterschiedliche Marken liefern. Das realistische Ziel ist, die Wahrscheinlichkeit zu erhöhen, dass du korrekt auftauchst — nicht, einen Platz zu buchen.

Drittens: Die Arbeit geschieht vorgelagert zur Antwort. Du optimierst nicht den Output; du kannst ihn nicht berühren. Du gestaltest das Quellmaterial, aus dem das Modell gelernt hat oder das es abruft. Das ist ein langsamerer, indirekter Hebel als ein Anzeigenkauf oder das Anpassen eines Title-Tags — und es ist das gesamte Spielfeld.

Diese aufkommende Disziplin trägt verschiedene Namen — Answer Engine Optimisation (AEO, Optimierung für Antwortmaschinen), Generative Engine Optimisation (GEO, Optimierung für generative Suche) oder schlicht „KI-Sichtbarkeit". Die Labels sind weniger wichtig als der grundlegende Wandel: Du optimierst, um referenziert zu werden, nicht um Klicks zu erhalten. Unsere KI-Sichtbarkeitsarbeit (AI visibility) ist vollständig auf diese Unterscheidung ausgerichtet.

Woher LLMs ihre Fakten tatsächlich beziehen

Um zu beeinflussen, was eine KI über dich sagt, musst du wissen, woher sie schöpft. Es gibt drei verschiedene Mechanismen, die sich sehr unterschiedlich verhalten.

1. Das Trainingskorpus. Das ist der riesige Text-Snapshot, aus dem das Modell gelernt hat — ein großer Crawl des öffentlichen Webs, Bücher und lizenzierte Datensätze, eingefroren zu einem bestimmten Stichtag. Hier eingebackene Fakten werden vom Modell selbst „erinnert". Sie sind einflussreich, weil das Modell sie als Hintergrundwissen behandelt — aber sie ändern sich langsam: Wenn dein Unternehmen rebrandet oder die Ausrichtung wechselt, erfährt das Trainingskorpus davon erst beim nächsten Modelltraining. Trainingsdaten sind auch zugunsten von Quellen verzerrt, die groß, stark verlinkt und häufig im Web dupliziert sind — ein wesentlicher Grund, warum enzyklopädische und Referenzseiten überproportional stark gewichtet werden.

2. Live-Abruf (RAG). Retrieval-Augmented Generation (wissensbasierte Antwortergänzung) bedeutet, dass das System zum Anfragezeitpunkt eine Suche durchführt, einige aktuelle Dokumente lädt und sie dem Modell als Kontext zuführt, bevor es antwortet. So kann ein Tool dir etwas sagen, das letzte Woche passiert ist, obwohl der Trainings-Stichtag ein Jahr zurückliegt. Perplexity ist darauf aufgebaut; ChatGPT und Gemini nutzen es, wenn sie entscheiden, dass eine Anfrage aktuelle Informationen erfordert. Bei RAG zählt frischer, gut strukturierter, leicht abrufbarer Inhalt am meisten — weil das System im Moment aktiv nach Quellen sucht.

3. Grounding-Indizes. Einige Systeme sind direkt mit einer strukturierten Wissensebene verbunden — Googles Modelle können sich auf den Knowledge Graph stützen; viele Tools gleichen Fakten mit Wikidata oder ähnlichen Entitätsdatenbanken ab. Grounding ist, wie ein Modell auflöst „Welchen 'Apple' meinst du?" und einer Entität eine stabile Identität zuweist. Es geht weniger um Fließtext und mehr um maschinenlesbare Fakten: Gründungsdatum, Hauptsitz, Branche, Schlüsselpersonen, offizielle Kennungen.

Die meisten echten Antworten sind eine Mischung. Ein Modell erinnert sich vielleicht aus dem Training an deine Branche, ruft via RAG eine aktuelle Finanzierungsmeldung ab und verankert die Identität deines Unternehmens in einer Wissensdatenbank — alles in einer einzigen Antwort. Die praktische Schlussfolgerung: Du musst in allen drei Ebenen präsent sein, denn du weißt nie, auf welche eine gegebene Antwort sich hauptsächlich stützt.

Die vier Engines im Vergleich

Die großen Antwort-Engines zitieren nicht dieselben Dinge. Sie haben unterschiedliche Architekturen, unterschiedliche Quellenpräferenzen und unterschiedlichen Appetit auf Live-Abruf. Analysen bis 2026 zeichnen ein grobes, aber konsistentes Bild — eine Richtungsorientierung, keine Präzisionsdaten, und sich Monat für Monat verschiebend, da diese Produkte schnell weiterentwickelt werden.

Ein paar ehrliche Vorbehalte zu dieser Tabelle. Die in der Branche kursierenden Prozentzahlen variieren stark zwischen Studien, da die Methodik unterschiedlich ist — was als „Zitat" gilt, welche Anfragen beprobt wurden, welches Land. Behandle jede Einzelzahl als grobe Größenordnung. Was dauerhaft über die Studien hinweg gilt, ist das relative Muster: ChatGPT ist ungewöhnlich Wikipedia-lastig; Googles KI-Oberflächen stützen sich auf Community-Plattformen; Perplexity exponiert und bevorzugt abrufbare Diskussionen. Auf dieses Muster hin planst du.

Eine Zahl taucht konsistent genug auf, um als Anker zu dienen: Analysen aus 2026 zeigen durchgehend, Wikipedia ist die am häufigsten zitierte Domain in ChatGPTs Antworten — in manchen Studien lassen sich rund die Hälfte der Top-Faktzitate auf Wikipedia zurückführen. Reddit ist wiederholt die nächste Ebene, oft zitiert als etwa 10–12 % der US-Zitate von ChatGPT. Auch unter Berücksichtigung von Messrauschen ist die Botschaft eindeutig: Enzyklopädische Quellen dominieren, und Community-Quellen sind der starke zweite Akt.

Warum Wikipedia und Wikidata überrepräsentiert sind

Wenn du nur eine Sache in deinem KI-Sichtbarkeits-Stack verbesserst, ist es fast immer die enzyklopädische Ebene. Es gibt vier strukturelle Gründe, warum LLMs unverhältnismäßig stark auf Wikipedia und sein Schwesterprojekt Wikidata (strukturierte Wissensdatenbank) setzen — und keiner davon ist Zufall.

Neutralität. Wikipedias Hausschreibstil ist bewusst nicht-werbend, quellenbasiert und ausgewogen. Das ist genau der Ton, den ein Modell reproduzieren will, wenn es sachlich und nicht verkäuferisch klingen soll. Training mit neutralem Prosa lehrt das Modell, neutral zu sprechen, weshalb neutrale Quellen verstärkt werden.

Struktur. Artikel folgen einer vorhersehbaren Form: ein definitorischer erster Satz, eine Infobox mit Schlüsselfakten, gegliederter Textkörper, Referenzen. Diese Regelmäßigkeit macht Wikipedia für ein Modell ungewöhnlich leicht zu parsen und für ein Retrieval-System leicht, saubere Fakten zu extrahieren. Unordentlicher, idiosynkratischer Inhalt ist schwerer zuverlässig zu nutzen.

Offene Lizenz. Wikipedias Inhalt ist frei für die Wiederverwendung lizenziert. Das beseitigt rechtliche Hürden für die Aufnahme in Trainingssets und die Reproduktion — weshalb er breit und wiederholt einbezogen wird. Duplizierung im Web verstärkt sein Gewicht im Korpus.

Entitäts-IDs. Das ist die stille Superkraft. Wikidata weist jeder Entität eine stabile Kennung (eine „Q-Nummer") und maschinenlesbare Aussagen zu — dieses Unternehmen, in diesem Jahr gegründet, in dieser Branche, geführt von dieser Person. Das ist das Bindegewebe, das Grounding-Systeme nutzen, um zu wissen, wer du bist, und um dich von allen mit ähnlichem Namen zu unterscheiden. Ein Wikipedia-Artikel gibt dem Modell Fließtext; der verknüpfte Wikidata-Eintrag gibt ihm strukturierte Wahrheit. Zusammen sind sie dem nächsten, was das offene Web einem „amtlichen Eintrag" hat.

Deshalb leistet eine Wikipedia-Präsenz doppelte Arbeit: Sie ist eine stark gewichtete Trainingsquelle und sie erstellt oder stärkt typischerweise die Wikidata-Entität, auf die Grounding-Systeme angewiesen sind. Die strukturierte-Daten-Hälfte erklären wir in Wikidata und der Knowledge Graph. Und die ehrliche Voraussetzung — behandelt in unserer Wikipedia-Seitenerstellung — ist, dass all das erst möglich wird, wenn deine Organisation Wikipedias Relevanzkriterien tatsächlich erfüllt. Keine Relevanz, kein Artikel, kein Abkürzungsweg. Das ist ein Merkmal des Systems, und es ist derselbe Grund, warum den Zitaten vertraut werden kann.

Die Sekundärquellen: Reddit, Quora, YouTube, LinkedIn

Enzyklopädische Abdeckung ist das Fundament, aber nicht das gesamte Bild — und für manche Engines ist sie nicht einmal die dominante Ebene. Die Community-Ebene trägt ein anderes Signal: nicht „hier sind die verifizierten Fakten zu dieser Entität", sondern „hier ist, was echte Menschen sagen, wenn sie darüber sprechen".

Reddit sticht heraus. Es erscheint stark bei ChatGPT, Google AI Overviews und Perplexity. Der Grund: Reddit-Threads enthalten genau das, was ein Modell für meinungs- und empfehlungsförmige Fragen braucht — offene, spezifische, vergleichsreiche Diskussionen („Wir haben von X zu Y gewechselt, weil…"). Wenn jemand eine KI nach Empfehlungen statt nach Fakten fragt, ist Community-Diskussion überproportional einflussreich. Unsere Reddit-KI-Sichtbarkeitsarbeit (Reddit AI visibility) geht darum, eine echte, nicht-spammige Präsenz in den relevanten Threads aufzubauen.

Quora erscheint prominent besonders in Googles KI-Oberflächen, aus demselben Grund: Es ist strukturierter Frage-und-Antwort-Inhalt, der sauber auf die Arten von Fragen abbildet, die Nutzer tatsächlich an eine Antwort-Engine stellen. Eine gut beantwortete Frage, die rankt, kann zum Quellmaterial werden. Die Spezifika behandeln wir in Quora-KI-Sichtbarkeit.

YouTube wird zunehmend zitiert, besonders von Google (wenig überraschend — gleiches Mutterunternehmen). Transkripte sind durchsuchbarer Text, und How-to- oder Review-Inhalte beantworten einen riesigen Anteil praktischer Anfragen.

LinkedIn tendiert zu Perplexity und B2B-Kontexten, wo berufliche Profile und Unternehmensseiten als Identitäts- und Glaubwürdigkeitssignale dienen.

Ein klarer Vorbehalt zu dieser Ebene: Sie ist nicht etwas, das du fälschen kannst oder solltest. Astroturfing auf Reddit, das Einpflanzen von Quora-Antworten oder das Fluten von Foren wird erkannt, abgewertet und kann der Marke schaden. Das legitime Spiel ist, dort wirklich präsent und wirklich hilfreich zu sein, wo dein Publikum bereits spricht — das ist langsamer, aber die einzige Version, die überlebt. Wer verspricht, „Reddit zu fluten, damit die KI dich aufgreift", verkauft eine Haftung.

Was du tatsächlich kontrollierst

Hier folgt der Teil, den niemand mag, klar ausgesprochen: Du kannst keinen Inhalt in ChatGPT, Gemini, Perplexity oder Googles KI einschleusen. Es gibt kein Dashboard, keine Bezahlplatzierung, keine API, die es einer Marke erlaubt, einen Satz in die Antwort eines Modells einzufügen. Wer dir sagt, er „kontrolliere, wie KI über deine Marke spricht", verkauft Vaporware. Wir sagen das Interessenten regelmäßig — und es schließt einen Teil dessen aus, was der Markt kaufen will.

Was kannst du also tun, wenn du den Output nicht berühren kannst? Du beeinflusst die Inputs. Konkret drei davon.

Entitätsexistenz. Gibt es einen maschinenlesbaren Eintrag deiner Organisation, und ist er korrekt? Das ist der bei weitem wirkungsvollste Hebel für die meisten Marken, weil er binär ist auf eine Weise, wie die anderen es nicht sind — entweder kennt die Grounding-Ebene dich als eigenständige Entität, oder sie kennt dich nicht. Ein Wikidata-Eintrag, ein Wikipedia-Artikel wo Relevanz gegeben ist, ein vollständiges Google Business Profile, konsistente Präsenz in Branchendatenbanken.

Quellenautorität. Wenn das Modell Fakten über dich abruft oder sich erinnert — woher kommen sie? Unabhängige, seriöse, redaktionelle Quellen werden deutlich stärker gewichtet als deine eigenen Marketingseiten. Hier spielen klassische Earned Media und PR nach wie vor eine enorme Rolle — sie dienen nicht mehr nur Menschen, sondern sind das hochvertrauenswürdige Substrat, aus dem Modelle lernen. Eine Marke mit substanzieller Abdeckung in seriösen Medien ist eine Marke, die die KI mit Zuversicht zitieren kann.

Konsistenz im Web. Modelle gleichen ab. Wenn Gründungsjahr, Hauptsitz, Führung und Kernbeschreibung deines Unternehmens auf deiner Website eine Aussage machen, auf LinkedIn eine andere, in einer alten Pressemitteilung eine dritte und in einem Verzeichnis eine vierte, hast du Mehrdeutigkeit eingeführt — und Mehrdeutigkeit lässt ein Modell absichern, verallgemeinern oder Fehler machen. Konsistenz ist unspektakulär, und sie ist einer der häufigsten Gründe, warum KI-Antworten über ein Unternehmen subtil falsch liegen.

Beachte, was alle drei gemeinsam haben: Es geht darum, eine verlässliche Quellbasis aufzubauen, nicht darum, einen Algorithmus zu überlisten. Das ist der ehrliche Kern von KI-Sichtbarkeit. Du täuschst das Modell nicht — du gibst ihm genaues, konsistentes, gut belegtes Material, damit es dich korrekt darstellt und mit höherer Wahrscheinlichkeit benennt, wenn es über dich spricht.

Der KI-Sichtbarkeits-Stack

Es hilft, das Ganze als einen geschichteten Stack zu betrachten, der von unten aufgebaut wird. Jede Ebene macht die darüber liegende effektiver — das Fundament zu überspringen untergräbt alles andere.

Ebene 1 — Entität. Die maschinenlesbare Identität: Wikidata-Eintrag, Knowledge-Graph-Präsenz, stabile Kennungen, ein sauberes Google Business Profile. Das ist das Fundament. Ohne es ist das Modell nicht sicher, dass du als eigenständiges Ding existierst — alles darüber ist auf Sand gebaut. Höchste Hebelwirkung, meist das erste, was zu beheben ist.

Ebene 2 — Enzyklopädisch. Die neutrale, autoritative Referenzebene — hauptsächlich Wikipedia, wo Relevanz es zulässt. Das ist die stark gewichtete, hochvertrauenswürdige Quelle, auf die Engines (besonders ChatGPT) am stärksten setzen. Sie speist sowohl Trainingskorpora als auch verstärkt die Entitätsebene darunter.

Ebene 3 — Community. Reddit, Quora, YouTube, LinkedIn — die Diskussions- und Meinungsebene, die empfehlungsförmige Antworten antreibt und überproportional wichtig für Googles und Perplexitys Oberflächen ist. Echt verdient, nie gefälscht.

Ebene 4 — Owned (eigener Inhalt). Deine eigene Website, Blog, Dokumentation und strukturierte Daten (Schema-Markup). Das ist die Ebene, die du am direktesten kontrollierst und — etwas kontraintuitiv — die am wenigsten unabhängig vertrauenswürdige. Ein Modell weiß, dass deine Website dein Marketing ist. Owned Content ist wichtig für RAG-Retrieval und um klare Fakten in die unteren Ebenen zu speisen — aber er kann die Last nicht allein tragen. Der klassische SEO-Instinkt, alles in eigenen Content zu gießen, ist für KI-Sichtbarkeit genau verkehrt.

Der Fehler, den die meisten Marken machen: Sie beginnen bei Ebene 4 (mehr Blogposts veröffentlichen!) und ignorieren die Ebenen 1–2. Der Stack funktioniert von unten: Entität bereinigen, enzyklopädische und autoritative Abdeckung verdienen, echte Community-Präsenz aufbauen, dann eigenen Content als Verstärker einsetzen. Ein großartiger Blog auf einer nicht-existenten Entität ist ein großartiger Blog, den die KI niemandem zuordnen kann.

Wie du deine aktuelle KI-Sichtbarkeit auditierst

Du bekommst einen groben Überblick über deinen Stand an einem Nachmittag, ohne etwas kaufen zu müssen. Hier ist eine praktische Startsequenz.

1. Frage die Engines nach dir selbst. Öffne ChatGPT, Gemini und Perplexity und stelle jedem die Fragen, die ein Kunde stellen würde: „Was ist [dein Unternehmen]?", „Wer sind die führenden Unternehmen in [deiner Kategorie]?", „Ist [dein Unternehmen] eine gute Wahl für [Anwendungsfall]?" Notiere drei Dinge: Wirst du überhaupt erwähnt? Sind die Fakten korrekt? Welche Quellen werden zitiert? Das ist deine Ausgangslage — und sie ist oft ernüchternd.

2. Prüfe deine Entitätsebene. Suche in Wikidata nach deiner Organisation — gibt es einen Eintrag, und ist er korrekt? Schau, ob ein Google Knowledge Panel erscheint, wenn du deinen Markennamen suchst. Diese zeigen dir, ob die Grounding-Ebene weiß, dass du existierst.

3. Konsistenz prüfen. Zieh deine Kernfakten — Gründungsjahr, Hauptsitz, Führung, Ein-Satz-Beschreibung — so zusammen, wie sie auf deiner Website, LinkedIn, Crunchbase, in Verzeichnissen und alten Pressemitteilungen erscheinen. Markiere jede Abweichung. Jede ist ein kleiner Grund für ein Modell abzusichern oder Fehler zu machen.

4. Quellbasis kartieren. Liste die tatsächlich unabhängigen, seriösen Abdeckungen deiner Marke aus den letzten zwei Jahren auf. Sei streng: Eigener Blog, gesponserte Beiträge und Pressemitteilungs-Syndication zählen nicht. Das ist das Material, aus dem die vertrauenswürdigen Ebenen gebaut werden — und wenn die Liste dünn ist, ist das deine eigentliche Einschränkung, nicht deine SEO.

5. Community-Lücken identifizieren. Suche auf Reddit und Quora nach deiner Kategorie und deiner Marke. Laufen die relevanten Gespräche ohne dich? Ist die bestehende Diskussion korrekt?

Wo du anfängst, hängt davon ab, was der Audit zeigt. Wenn die Engines nicht wissen, dass du existierst, beginne bei der Entitätsebene — sie ist fundamental und binär. Wenn du existierst, aber die Fakten falsch sind, bereinige Konsistenz und stärke autoritative Quellen. Wenn du korrekt dargestellt wirst, aber in Empfehlungsanfragen unsichtbar bist, ist die Community-Ebene deine Lücke. Und wenn deine unabhängige Quellbasis wirklich dünn ist, lautet die ehrliche Antwort: Kein KI-Sichtbarkeits-Taktik ersetzt das Verdienen echter Berichterstattung zuerst — dieselbe Wahrheit, die auch bestimmt, ob ein Wikipedia-Artikel überhaupt möglich ist.

Das geht nicht schnell, und es ist kein Trick. KI-Sichtbarkeit ist die langsame, kumulative Arbeit, eine Marke zu werden, die das Internet korrekt und konsistent beschreibt — damit eine Antwort-Engine, wenn sie nach einer Quelle greift, die verlässliche findet. Das ist kein Hack, den man kauft. Das ist eine Basis, die man baut.

WikiBusines baut das enzyklopädische und Strukturdaten-Fundament, auf das KI-Antwort-Engines sich stützen. Wenn du eine ehrliche Einschätzung deiner aktuellen KI-Sichtbarkeit möchtest, schreib an team@wikibusines.com — wir führen ein Basis-Audit durch.