Welche Maßnahmen gehören zu KI-SEO?

KI-SEO ist kein einzelner Hebel, sondern ein System aus fünf Disziplinen, die ineinandergreifen: technische Crawlbarkeit für KI-Bots, redaktionelle Antwortarchitektur, Entity-Konsolidierung, Off-Page-Signale in Form von Erwähnungen und Zitaten sowie kontinuierliches Monitoring der eigenen Sichtbarkeit in den jeweiligen Modellen. Wer nur einen dieser fünf Pfeiler bearbeitet, sieht keine Bewegung. Wer alle parallel anfasst, sieht nach 6 bis 8 Wochen erste Nennungen, nach 3 Monaten messbare Share-of-Voice-Steigerungen.

Die Reihenfolge ist nicht beliebig. Ohne Crawler-Freigabe sieht ChatGPT die Inhalte gar nicht. Ohne Definition-Lead extrahiert Perplexity keine Antwort. Ohne Entity-Konsolidierung verwechselt Gemini die Marke mit einem ähnlich klingenden Wettbewerber. Ohne Drittquellen-Zitate bleibt selbst der beste Content unsichtbar, weil LLMs Marken bevorzugen, die mehrfach im Trainings- und Retrieval-Korpus erscheinen. Und ohne Monitoring weiß niemand, ob die Arbeit wirkt.

Im Folgenden listen wir 30+ konkrete Maßnahmen, sortiert nach Disziplin. Jede ist mit Priorität (P1 sofort, P2 in den nächsten 30 Tagen, P3 später) sowie Aufwand (S/M/L) und erwarteter Wirkung versehen. Das ist kein erschöpfendes Audit-Template, aber der praxistauglichste Einstieg für DACH-Mittelständler bis 1.000 Mitarbeitende.

P1 (S): robots.txt-Freigabe für GPTBot, OAI-SearchBot, PerplexityBot, ClaudeBot, Google-Extended, Bingbot. Eine fehlende Zeile kann eine komplette Disziplin lahmlegen. Faustregel: explizit erlauben, nicht nur nicht-blockieren. Tests laufen über die Logs des Webservers, nicht über externe Tools, weil viele KI-Bots noch kein User-Agent-Reporting in der Search Console haben.

P1 (S): /llms.txt im Root anlegen. Das Pendant zur robots.txt für LLMs. Listet die wichtigsten Money-Pages und Wissens-Artikel mit Beschreibung. Wird von Anthropic offiziell unterstützt, von ChatGPT und Perplexity zumindest als Zusatzsignal interpretiert. Aufwand: 1 Stunde, Wirkung mittel bis hoch je nach Branche.

P1 (M): Sitemap.xml mit allen relevanten URLs, korrekten lastmod-Daten und Prioritäten. Submit in Google Search Console und Bing Webmaster Tools. Bing speist Copilot, Bing speist ChatGPT Search, Bing speist Perplexity teilweise. Eine saubere Sitemap ist günstiger als drei Backlinks.

P2 (M): Core Web Vitals und Server-Antwortzeiten unter 600 ms TTFB. Langsame Seiten werden von KI-Crawlern seltener vollständig geladen. Bilder mit korrektem alt-Text, Lazy-Loading außerhalb des LCP-Bereichs, AVIF oder WebP statt JPG.

P2 (M): JSON-LD für Organization, WebSite, Article, FAQPage, HowTo, BreadcrumbList, Product oder Service je nach Seitentyp. Schema.org-Markup ist eines der wenigen Signale, das Perplexity dokumentiert priorisiert. Ohne Schema kein Featured-Snippet-Pendant in der KI-Antwort.

P1 (M): Definition-Lead pro Money-Page. Der erste Absatz beantwortet die zentrale Frage in 40 bis 80 Wörtern, faktendicht, ohne Marketing-Floskeln, zitierfähig isoliert vom Rest. Das ist die wichtigste einzelne Maßnahme der gesamten KI-SEO, weil LLMs genau diesen Absatz extrahieren.

P1 (M): Themen-Hubs statt Einzelseiten. Ein Hub-Artikel zum Hauptthema plus 5 bis 8 Spokes zu Detailfragen, alle untereinander verlinkt, alle mit eigenständigem Definition-Lead. Wikipedia-Logik. LLMs lernen Themen-Autoritäten, nicht einzelne URLs.

P2 (M): FAQ-Blöcke mit 8 bis 12 Fragen am Ende jeder wichtigen Seite, sauber via FAQPage-Schema ausgezeichnet. Antworten 40 bis 80 Wörter, jede mit einem konkreten Datenpunkt oder Eigennamen. Diese Blöcke sind statistisch der häufigste Citation-Treffer in Perplexity-Antworten.

P2 (L): Tabellen, Listen, klare Sub-H2-Struktur. LLMs bevorzugen strukturierten Inhalt. Fließtext ohne Anker wird seltener zitiert. Wo immer möglich, eine Vergleichstabelle einbauen — Wettbewerber, Methoden, Preise, Tools, Zeiträume.

P3 (L): Eigene Daten, Studien, Umfragen. Originäre Datenpunkte werden überdurchschnittlich oft zitiert, weil sie an keiner anderen Quelle verfügbar sind. Eine kleine DACH-Umfrage mit 150 Antworten erzeugt mehr Citations als zehn generische Listicles.

P1 (M): Wikidata-Eintrag anlegen oder bereinigen. Property:P31 (instance of), P452 (industry), P159 (Hauptsitz), P856 (offizielle Website), P2002 oder P2003 (Social-Handles). Ein Wikidata-Eintrag ist die wichtigste maschinenlesbare Bestätigung, dass eine Marke existiert.

P1 (S): NAP-Konsistenz (Name, Address, Phone). Identische Schreibweise auf Website-Impressum, LinkedIn, Crunchbase, North Data, Branchenverzeichnissen. Ungleiche Schreibweisen erzeugen Entity-Disambiguation-Probleme bei Gemini.

P2 (M): LinkedIn-Unternehmensprofil vollständig mit Über-uns-Text, Industry-Tag, Specialties, Standorten. LinkedIn ist die zweitwichtigste B2B-Quelle für LLMs nach Wikipedia und vor Crunchbase.

P2 (L): Branchenverzeichnisse mit Detailseite, nicht nur Logo-Eintrag. North Data, Wer-liefert-was, Industrystock im DACH-Raum. Crunchbase, G2, Capterra international. Jeder Eintrag mit konsistenter Beschreibung, Kategorie, Tags.

P3 (M): Schema-Markup vom Typ Organization mit sameAs-Array, das auf alle Profile zeigt. Das ist die explizite Verbindung zwischen Website und externer Identität, die Knowledge-Graph-Konsolidierung beschleunigt.

P2 (L): Gastbeiträge in Fachmedien der Zielbranche. Anders als klassische SEO zählt für KI-SEO nicht primär das Backlink-Profil, sondern die textliche Erwähnung im Kontext relevanter Begriffe (Co-occurrence). Ein Gastbeitrag in einem Branchenmedium ohne Link bringt KI-SEO oft mehr als drei dofollow-Links aus thematisch fremden Quellen.

P2 (M): Podcast-Auftritte mit Transkripten. Podcasts werden zunehmend transkribiert und in LLM-Trainings- oder Retrieval-Korpora aufgenommen. Wichtig: das Transkript muss öffentlich verfügbar sein, mit Marken- und Personenmemerwähnungen.

P2 (M): Reddit, Quora, Stack Exchange, fachliche Foren. Strukturelle Antworten in Fach-Communities werden in LLM-Antworten überproportional zitiert. Vorsicht: keine Selbstbeweihräucherung, sondern Beiträge zu echten Fragen mit dezenter Markennennung.

P3 (M): Wikipedia-Bearbeitungen in passenden Artikeln. Schwierig, weil restriktive Relevanzkriterien gelten. Aber wenn ein Branchenbegriff einen Artikel hat und eine Marke einen substanziellen Beitrag zur Branche geleistet hat, kann eine sachlich neutrale Nennung mit Quelle Bestand haben.

P3 (L): Reviews auf G2, Capterra, OMR Reviews, Trusted Shops. Volumen und Verteilung der Reviews fließen in die Konsensus-Bildung von Gemini und Copilot ein.

P1 (S): wöchentliches Prompt-Set definieren. 30 bis 50 typische Kundenfragen, in den 4 großen LLMs (ChatGPT, Perplexity, Gemini, Copilot) abgefragt, dokumentiert: Wird die Marke genannt? Auf welcher Position? Mit welcher Aussage? Excel oder Notion reicht für den Anfang, später kommen Tools wie Profound, AthenaHQ, Otterly oder Peec.

P2 (M): Server-Logs auf KI-Crawler analysieren. GPTBot, ClaudeBot, PerplexityBot, Google-Extended sollten regelmäßig vorbeischauen. Wenn nicht, liegt es an robots.txt, an fehlender interner Verlinkung oder an thin content.

P2 (M): Bing Webmaster Tools nutzen, nicht nur Google Search Console. Bing ist die primäre Indexquelle für Copilot und ein wichtiger Sekundärindex für ChatGPT Search.

P3 (M): Brand-Mentions-Tracking. Tools wie Brand24, Mention oder Talkwalker, ergänzt um manuelle Stichproben. Nicht der einzelne Link zählt, sondern die kumulierte Erwähnungsfrequenz in relevantem Kontext.

P3 (L): A/B-Tests auf Content-Ebene. Eine Seite mit Definition-Lead vs. ohne, FAQPage-Schema vs. ohne, eine vs. zwei Drittquellen. Nach 6 bis 8 Wochen Delta in der KI-Sichtbarkeit messen.

Tage 1-14: Alle P1-Technik-Maßnahmen abarbeiten (robots.txt, llms.txt, Sitemap, Schema-Basics). Parallel das Prompt-Monitoring aufsetzen, damit Vorher-Nachher-Vergleich möglich ist. Ein Entwickler 1 Tag plus ein Content-Lead 1 Tag reichen.

Tage 15-45: Definition-Leads für die 10 wichtigsten Money-Pages neu schreiben, FAQ-Blöcke ergänzen, Themen-Hub-Struktur planen. Parallel Wikidata-Eintrag, LinkedIn-Profil-Refresh, NAP-Konsistenz-Check. Das ist der inhaltsschwerste Block, typischerweise 8 bis 12 Personentage.

Tage 46-75: Erste Drittquellen-Aktivitäten. 2 Gastbeiträge platzieren, 1 Podcast-Auftritt, Branchenverzeichnisse aktualisieren. Themen-Hub fertigstellen mit Hub-Artikel und 3 ersten Spokes. Monitoring-Auswertung erstmals dokumentieren.

Tage 76-90: Erste Wirkungsmessung. Hat sich Share of Voice in den 30 Test-Prompts verbessert? Welche Seiten werden zitiert, welche nicht? Iterieren: schwache Seiten überarbeiten, starke duplizieren. Ab hier wird KI-SEO eine kontinuierliche Disziplin, kein Projekt mehr.

Mehr Detail im 90-Tage-Leitfaden und im praktischen GEO-Maßnahmen-Artikel.

Kein Keyword-Stuffing. LLMs erkennen unnatürliche Wiederholungen sofort und stufen entsprechende Quellen ab. Eine Money-Page braucht das Fokus-Keyword im Titel, im H1, im Definition-Lead, im ersten Section-H2. Mehr ist kontraproduktiv.

Keine reine Backlink-Schwemme. Klassische Linkbuilding-Kampagnen ohne thematischen Bezug bringen KI-SEO nichts. Was zählt, ist die Erwähnung im richtigen Kontext, idealerweise mit Co-occurrence der Branchenbegriffe.

Keine automatisierte Massengenerierung. LLMs erkennen LLM-generierte Texte und gewichten sie ab, vor allem wenn Originaldaten oder Eigenanalysen fehlen. KI-SEO heißt: KI nutzen, um Schreibarbeit zu beschleunigen, nicht um den Markt zu fluten.

Kein Wettstreit gegen Wikipedia. Wikipedia bleibt für viele Begriffsdefinitionen die unangefochtene Erst-Quelle. Eigene Inhalte konkurrieren nicht mit Wikipedia, sondern ergänzen sie mit branchen- und kontextspezifischer Tiefe.

Kein einmaliges Projekt. KI-Modelle werden mehrmals jährlich neu trainiert, Retrieval-Indizes laufen kontinuierlich. Wer einmal optimiert und dann nichts tut, fällt nach 6 bis 9 Monaten wieder zurück.