LLM-Sichtbarkeit: So wird dein Unternehmen in ChatGPT, Perplexity und Google AI Overviews empfohlen

LLM-Sichtbarkeit entscheidet immer öfter darüber, ob dein Unternehmen überhaupt in die engere Wahl kommt. Wer heute einen Anbieter sucht, eine Lösung vergleicht oder eine Empfehlung braucht, fragt zunehmend ChatGPT oder Perplexity oder bekommt in Google eine AI Overview ausgespielt, und die Antwort nennt drei bis fünf Namen. Steht deiner nicht dabei, existierst du für diesen Interessenten nicht. Dieser Ratgeber zeigt, warum klassisches SEO dafür nicht mehr ausreicht, wie Generative Engine Optimization (GEO) funktioniert, welche neun Maßnahmen wirken und wie du den Fortschritt messbar machst.

Kurz erklärt: LLM-Sichtbarkeit beschreibt, wie oft und in welchem Zusammenhang ein Unternehmen in den Antworten von KI-Assistenten wie ChatGPT, Perplexity, Gemini oder Google AI Overviews genannt oder als Quelle zitiert wird. Der Weg dorthin heißt GEO (Generative Engine Optimization): Inhalte, Strukturdaten und Erwähnungen so aufbereiten, dass Sprachmodelle sie verstehen, ihnen vertrauen und sie wiedergeben.

Warum klassisches SEO für LLM-Sichtbarkeit nicht mehr reicht

Jahrelang galt: Wer auf Seite eins rankt, bekommt Klicks. Dieses Modell bröckelt, weil sich das Suchverhalten verschiebt. Laut OpenAI (Developer Day, Oktober 2026) nutzen über 1,2 Milliarden Menschen ChatGPT wöchentlich, und ein wachsender Teil der Fragen, die früher bei Google landeten, wird heute direkt im Chatfenster beantwortet. Google selbst beantwortet mit AI Overviews viele Suchanfragen, bevor der Nutzer die organischen Treffer überhaupt sieht.

Der Trendreport „Marketing 2030“ von SYZYGY und diffferent (zitiert bei bigdata-insider.de) bringt es auf den Punkt: KI-Agenten werden bis 2030 zu Gatekeepern, denn „Markeninhalte treffen nicht mehr zuerst auf Menschen, sondern auf Maschinen“. Deine Website wird zuerst von einem Modell gelesen, bewertet und zusammengefasst. Erst danach entscheidet ein Mensch, ob er überhaupt noch klickt.

Das Crawl-to-Refer-Verhältnis

Wie stark sich das Verhältnis zwischen Lesen und Verweisen verschoben hat, zeigen Cloudflare-Auswertungen aus dem Jahr 2025: KI-Anbieter lesen hunderte bis tausende Seiten, bevor sie einen einzigen Besucher zurück auf eine Website schicken. Für OpenAI lag das Verhältnis in der Größenordnung von etwa 250 gecrawlten Seiten pro Verweis, für Anthropic bei rund 2.000 zu 1. Der Großteil der Zugriffe dient also der Antwort im Chatfenster, nicht dem Zitieren mit Link.

Die Konsequenz: Dein Content wird gelesen und verarbeitet, aber der Klick bleibt häufig aus. Wenn du nur auf Traffic optimierst, misst du am Ziel vorbei. Du musst Teil der Antwort werden, nicht nur Teil der Trefferliste.

Was das konkret für dein Marketing bedeutet

• Rankings bleiben wichtig, weil Retrieval-Systeme auf den Suchindex zugreifen. Sie sind aber nur noch die Eintrittskarte, nicht das Ergebnis.
• Erwähnung ersetzt Klick: Wird dein Unternehmen in der Antwort genannt, erreicht dich der Interessent oft direkt per Telefon, Formular oder Markensuche.
• Vertrauen wird extern aufgebaut: Modelle gewichten, was Dritte über dich sagen, stärker als das, was du selbst behauptest.

Wie LLMs ihre Antworten bilden

Um in ChatGPT gefunden zu werden, musst du verstehen, woher die Antwort kommt. Vereinfacht speisen sich KI-Antworten aus vier Quellen.

Quelle	Was dort zählt	Wie du Einfluss nimmst
Trainingsdaten	Was das Modell bis zum Stichtag über dich gelernt hat	Langfristig: konsistente Erwähnungen in Presse, Verzeichnissen, Fachportalen
Websuche / Retrieval	Aktuelle Seiten, die zur Frage passen und sauber extrahierbar sind	Zitierfähige Absätze, klare Struktur, technische Erreichbarkeit
Strukturierte Daten	Schema.org, Google Business Profile, Branchenverzeichnisse	Entitäten-Konsistenz: Name, Adresse, Leistungen überall identisch
Zitate / Quellen	Seiten, die das Modell als belastbar einstuft	Fakten mit Quellen, Autorenangaben, Bewertungen, Fachbeiträge

Beim Training merkt sich ein Modell Muster und Zusammenhänge, aber nur bis zu einem Stichtag. Wer dort nicht vorkommt, hat trotzdem eine Chance: Perplexity, ChatGPT mit Websuche und Google AI Overviews holen sich aktuelle Informationen per Retrieval aus dem Web. Dabei lesen sie nicht die ganze Seite, sondern suchen Passagen, die eine Frage direkt beantworten. Genau diese Passagen entscheiden, ob du zitiert wirst.

SEO vs. GEO: Was sich bei der Optimierung ändert

GEO-Optimierung ersetzt SEO nicht, sie baut darauf auf. Die Unterschiede liegen in Ziel, Format und Messung:

Kriterium	Klassisches SEO	GEO / LLM-Sichtbarkeit
Ziel	Ranking und Klick	Nennung oder Zitat in der Antwort
Erfolgsmetrik	Position, Klicks, Sichtbarkeitsindex	Erwähnungsquote, Zitierhäufigkeit, Kontext der Nennung
Content-Form	Keyword-optimierte Landingpages	Zitierfähige Definitionen, Vergleiche, FAQ, Daten
Wichtigste Signale	Backlinks, Onpage, Nutzersignale	Entitäten-Konsistenz, Erwähnungen Dritter, Strukturdaten
Technik	Crawlbarkeit, Core Web Vitals	Zusätzlich: llms.txt, stabile Layouts, maschinenlesbare Formulare
Messung	Search Console, Rank-Tracker	Wöchentliches Prompt-Set über mehrere Modelle
Konkurrenz	Zehn blaue Links	Drei bis fünf genannte Namen

Laut move-elevator.de bedeutet GEO die Optimierung von Inhalten für generative KI-Systeme. Der Begriff grenzt sich damit bewusst von der Optimierung für Suchmaschinen-Rankings ab, auch wenn beide Disziplinen auf derselben technischen Basis aufsetzen.

9 Maßnahmen für mehr LLM-Sichtbarkeit

Die folgenden Maßnahmen sind nach Wirkung und Aufwand sortiert. Du musst nicht alle auf einmal umsetzen, aber die ersten fünf gehören in jedes Setup.

1. Zitierfähige Definitionen schreiben

Sprachmodelle bevorzugen Absätze, die eine Frage in zwei bis drei Sätzen vollständig beantworten. Schreibe für jeden Kernbegriff deiner Branche eine klare Definition nach dem Muster „X ist …, es wird eingesetzt für …, der Unterschied zu Y liegt in …“. Setze sie direkt unter die Überschrift, nicht nach drei Absätzen Einleitung. Der Block „Kurz erklärt“ oben in diesem Artikel ist genau so ein Baustein.

2. Vergleichstabellen anlegen

Fragen wie „Was ist besser: A oder B?“ gehören zu den häufigsten Anfragen an KI-Assistenten. Eine saubere Tabelle mit Kriterien, Vor- und Nachteilen und Einsatzszenarien wird fast immer ausgelesen, weil das Modell die Struktur direkt übernehmen kann. Nenne dich selbst darin ehrlich, inklusive der Fälle, in denen du nicht die beste Wahl bist. Das erhöht die Glaubwürdigkeit der gesamten Seite.

3. FAQ-Blöcke mit echten Fragen

Sammle die Fragen, die Kunden dir am Telefon stellen, und beantworte sie wörtlich. Nutze die Formulierung der Kunden, nicht dein Fachvokabular. Hinterlege die FAQ zusätzlich als FAQPage-Schema, damit sie auch maschinell eindeutig als Frage-Antwort-Paar erkennbar sind.

4. Schema.org-Strukturdaten pflegen

Organization, LocalBusiness, Service, Product, Article, FAQPage und Person: Strukturdaten sagen dem Modell, wer du bist, was du anbietest und wer deine Inhalte verantwortet. Pflege sie zentral und halte sie aktuell. Veraltete Öffnungszeiten oder eine alte Adresse im Schema wirken wie widersprüchliche Angaben und senken das Vertrauen.

5. Entitäten-Konsistenz sicherstellen

Dein Unternehmensname, deine Adresse, deine Leistungen und deine Positionierung müssen auf Website, Google Business Profile, LinkedIn, in Branchenverzeichnissen und in Pressetexten identisch sein. Jede Abweichung („GmbH“ hier, „GmbH & Co. KG“ dort, drei verschiedene Leistungsbeschreibungen) macht es dem Modell schwerer, dich als eine klare Entität zu erkennen.

6. Erwähnungen in Verzeichnissen und Presse aufbauen

Modelle vertrauen Drittquellen mehr als Eigenaussagen. Branchenverzeichnisse, Fachportale, regionale Presse, Verbandsseiten und Partnerlisten sind die Orte, an denen Empfehlungen entstehen. Ein Fachbeitrag in einem Branchenmagazin, der dich als Anbieter für ein bestimmtes Problem nennt, wirkt für LLM-Sichtbarkeit oft stärker als zehn neue Unterseiten.

7. llms.txt bereitstellen und die Website agentenfreundlich machen

Die Datei llms.txt im Root deiner Domain fasst für Sprachmodelle zusammen, wer du bist, welche Seiten wichtig sind und wo die Kerninhalte liegen. Darüber hinaus beschreibt move-elevator.de den Trend zum Agentic Browsing: Websites werden zur bedienbaren Umgebung für KI-Agenten. Das heißt klare Struktur, benannte Buttons, maschinenlesbare Formulare und stabile Layouts. Google Lighthouse führt in Chrome Canary bereits eine experimentelle Kategorie „Agentic Browsing“, mit der du prüfen kannst, wie gut Agenten deine Seite bedienen können.

8. Bewertungen systematisch sammeln

Google-Rezensionen, Branchenportale und B2B-Plattformen fließen als Vertrauenssignal in Antworten ein, vor allem bei lokalen und dienstleistungsbezogenen Fragen. Ein Prozess, der nach jedem Auftrag aktiv um eine Bewertung bittet und auf jede Rezension antwortet, ist deshalb Teil von GEO. Wie sich das mit Agenten automatisieren lässt, zeigt die Leistungsseite Bewertungen und Reputation.

9. Fachbeiträge auf Drittplattformen veröffentlichen

Gastartikel, Interviews, Podcast-Auftritte mit Transkript und Beiträge in Fachcommunities erzeugen genau die Erwähnungen mit Kontext, die ein Modell braucht, um dich einem Thema zuzuordnen. Wichtig: immer mit vollständigem Namen, Unternehmen und einem Satz zur Spezialisierung, damit die Zuordnung eindeutig ist.

LLM-Sichtbarkeit messen: Prompt-Set und Erwähnungsquote

Ohne Messung bleibt GEO ein Gefühl. Der praktikable Weg ist ein festes Prompt-Set, das du wöchentlich über mehrere Modelle laufen lässt.

So gehst du vor:

1. Sammle 20 bis 50 Fragen, die ein Kunde kurz vor der Kaufentscheidung stellen würde („Welcher Anbieter für X in Hamburg ist empfehlenswert?“, „Was kostet Y?“, „A oder B für Z?“).
2. Stelle jede Frage wöchentlich in ChatGPT, Perplexity, Gemini und, soweit ausgespielt, in Google AI Overviews.
3. Protokolliere pro Frage: Wirst du genannt? An welcher Position? In welchem Kontext (empfohlen, neutral, kritisch)? Welche Quelle wird zitiert?
4. Berechne die Erwähnungsquote: Anteil der Prompts, in denen dein Unternehmen genannt wird, getrennt nach Modell.
5. Notiere, welche Wettbewerber stattdessen auftauchen und welche Quellen für sie zitiert werden. Das ist deine Maßnahmenliste für die nächste Woche.

Beispiel-Szenario für ein Protokoll (fiktive Werte):

Prompt	Modell	Genannt	Position	Zitierte Quelle
Empfehlenswerter Anbieter für X in Hamburg?	ChatGPT	Ja	2	Branchenverzeichnis
Empfehlenswerter Anbieter für X in Hamburg?	Perplexity	Nein	–	Wettbewerber-Blog
A oder B für Z?	Gemini	Ja	1	Eigene Vergleichstabelle

Dass sich Erwähnungen in KI-Antworten als Kennzahl führen lassen, zeigen auch Anbieter wie weventure.de, die mit KI-Sichtbarkeit als Prozentwert arbeiten. Entscheidend ist weniger die genaue Formel als die Konstanz: gleiches Prompt-Set, gleicher Rhythmus, gleiche Dokumentation. Erst nach vier bis sechs Wochen lassen sich Trends von Zufallsschwankungen unterscheiden.

Agenten-Setup: So läuft GEO ohne Dauerhandarbeit

Die neun Maßnahmen und die Messung sind kein Projekt, sondern ein laufender Prozess. Genau dafür eignet sich ein KI-Agenten-Team, das in einem Agent Workspace mit deinem Unternehmenswissen, deinen Richtlinien und klaren Freigaberegeln arbeitet.

Monitoring-Agent

Führt das Prompt-Set wöchentlich aus, protokolliert Nennungen und Quellen, erkennt neue Wettbewerber in den Antworten und legt einen Bericht in deiner Inbox ab. Er meldet Abweichungen, zum Beispiel wenn eine zuvor zitierte Seite plötzlich nicht mehr auftaucht.

Content-Agent

Leitet aus dem Monitoring Content-Aufträge ab: fehlende Definitionen, Vergleichstabellen für Fragen, bei denen Wettbewerber zitiert werden, FAQ-Ergänzungen aus echten Kundenfragen. Er schreibt Entwürfe auf Basis deines Wissens, ein Prüf-Agent kontrolliert Fakten, Tonalität und Richtlinien, und du gibst in der Inbox frei. Mehr dazu unter SEO-Content-Automatisierung.

Strukturdaten-Agent

Prüft Schema.org-Markup, llms.txt und die Konsistenz deiner Unternehmensdaten über Website, Google Business Profile und Verzeichnisse. Weicht etwas ab, erstellt er einen Korrekturvorschlag. Du entscheidest, ob er umgesetzt wird.

Die Steuerung läuft dabei vom Handy aus: Eine Nachricht an den Head-of-Marketing-Agenten genügt, um zum Beispiel eine neue Vergleichstabelle anzustoßen. Wie das im Alltag aussieht, beschreibt der Ratgeber Marketing per Handy steuern. Kostenlimits und Freigaben sorgen dafür, dass nichts ohne dich live geht.

Typische Fehler bei der GEO-Optimierung

• Nur die eigene Website optimieren und externe Erwähnungen ignorieren. Modelle gewichten Drittquellen stark.
• Inhalte ohne Fakten und Quellen veröffentlichen. Was nicht belegbar ist, wird selten zitiert.
• Inkonsistente Unternehmensdaten über Plattformen hinweg stehen lassen.
• Schema.org einmal einbauen und nie wieder prüfen.
• Messen ohne festes Prompt-Set: Jede Woche andere Fragen liefern keine Trendaussage.
• Schnelle Ergebnisse erwarten: Trainingsbasierte Sichtbarkeit baut sich über Monate auf, retrieval-basierte deutlich schneller.
• KI-Crawler per robots.txt komplett aussperren und sich dann wundern, warum man nicht zitiert wird.

Nächster Schritt

Wenn du wissen willst, wie oft dein Unternehmen heute in KI-Antworten vorkommt und welche Wettbewerber stattdessen genannt werden, ist ein kurzes Prompt-Set der schnellste Einstieg. Im kostenlosen Analysegespräch schauen wir uns deinen Status an und besprechen, welches Agenten-Setup für dich sinnvoll ist. Details zur Leistung findest du unter LLM-Sichtbarkeit und GEO, die Grundlagen im Ratgeber Was ist Agentic Marketing?.

Quellen

• Cloudflare: AI search crawl-to-refer ratio (2025)
• move-elevator.de: Agentic Browsing, Lighthouse, SEO und GEO
• bigdata-insider.de: KI-Agenten verändern Markenkommunikation grundlegend (Trendreport „Marketing 2030“, SYZYGY und diffferent)
• OpenAI, Developer Day (Oktober 2026): Angaben zu wöchentlichen ChatGPT-Nutzern
• weventure.de: KI-Sichtbarkeit als Kennzahl (Hinweis auf die Messbarkeit von Erwähnungen)