Wie die eigene Website in der KI-Suche gefunden wird

Künstliche Intelligenz (KI) verändert zunehmend das Informations- und Suchverhalten von Verbraucher:innen. Eine zentrale Erkenntnis der Studie Consumer Adoption of AI 2025: Fast 41 % der Befragten vertrauen den Ergebnissen generativer KI mehr als bezahlten Suchanzeigen.¹ Gerade für den deutschen Markt ist dieser Trend von Bedeutung: Laut OpenAI liegt Deutschland bei den zahlenden Nutzer:innen von ChatGPT europaweit vorn und gehört auch weltweit zu den drei führenden Ländern.²

Mit dieser global und im deutschen Markt rasant wachsenden Nutzung von KI-Chatbots stellt sich für Websitebetreiber und Marketingverantwortliche allgemein die Frage:

Wie wird eine Website zur Quelle für Antworten in der KI-Suche?

Auf der OMKI Bielefeld, einem Branchenevent an der Schnittstelle von Online-Marketing und Künstlicher Intelligenz in Ostwestfalen-Lippe, drehten sich viele Gespräche um genau diese Frage. Entsprechend gut besucht war die Mainstage – selbst zur Mittagszeit – als Marc Cormann von Think11 ein praxisnahes Beispiel zum Thema präsentierte. Der Titel seines Vortrags lautete:

„KI-Ergebnisse besser verstehen: Gibt es Einflussfaktoren auf die Sichtbarkeit in den Antworten von ChatGPT & Co.?“

Im Mittelpunkt stand die Suche nach einem Bürostuhl – ausgelöst durch Rückenschmerzen – und die Frage, wie Websites in diesem Kontext als relevante Quellen für KI-Antworten erkannt werden können.

Mit demselben Prompt wurden sechs führende KI-Systeme getestet: ChatGPT, Google Gemini, MS Copilot, Perplexity, ChatGPT Search und ChatGPT Deep Research. In der umgangssprachlich formulierten Anfrage erkannten alle Systeme mühelos den kausalen Zusammenhang zwischen dem gesundheitlichen Problem „Rückenschmerzen“ und der potenziellen Lösung „Bürostuhl“ – ein Hinweis auf ihr fortgeschrittenes semantisches Verständnis. In der Folge empfahlen sie gezielt ergonomische Bürostühle, die speziell zur Linderung von Rückenbeschwerden entwickelt wurden.

Die KI-Assistenten beschränkten sich dabei nicht auf reine Produktempfehlungen. Vielmehr boten sie kontextbezogene Kaufberatung sowie ergänzende Hinweise zu orthopädischen Hilfsmitteln – präsentiert im inzwischen typischen, enthusiastischen Stil moderner KI-Systeme: eine Mischung aus Hilfsbereitschaft und dem Anspruch, ganzheitliche Lösungen zu liefern.

Die Fähigkeit der KI-Chatbots, ganze Fragestellungen zu „verstehen“ und kontextbezogene Antworten zu generieren, ersetzt oder ergänzt die klassische Customer Journey über herkömmliche Suchergebnisse. Websitebetreiber müssen ihre Inhalte daher so aufbereiten, dass Chatbots sie als verlässliche und zitierfähige Quellen erkennen.

Welche Produkte erscheinen in KI-generierten Antworten?

Auffällig war die große Bandbreite der vorgeschlagenen Bürostühle. Es unterschieden sich nicht nur die Empfehlungen zwischen den einzelnen KI-Modellen – die Ergebnisse variierten ebenfalls  bei mehrfacher Abfrage desselben Chatbots . Die Vorschläge zeigten damit eine wesentlich höhere Volatilität, als man sie von klassischen Suchergebnissen gewohnt ist.

Der Grund dafür liegt in der Funktionsweise der zugrunde liegenden Sprachmodelle (Large Language Models, kurz LLMs), auf denen die KI-Chatbots basieren. Während Suchmaschinen Webseiten anhand definierter Rankingfaktoren sortieren, arbeiten LLMs probabilistisch: Sie berechnen, welche Wörter oder Formulierungen mit hoher Wahrscheinlichkeit aufeinander folgen – und erzeugen so ihre Antworten. Dadurch kann jeder Prompt ein etwas anderes Antwortmuster generieren.³

Gerade bei offenen Anwendungsszenarien, in denen es keine klar definierte, eindeutige Lösung oder Antwort gibt, zeigen die Sprachmodelle mehr Variabilität, weil sie aus einer Vielzahl plausibler Möglichkeiten auswählen. Bei der Empfehlung ergonomischer Bürostühle – bei denen das Modell keine objektiven Produktkriterien bewertet – wird diese Eigenschaft besonders deutlich. Das Sprachmodell kann bei jeder Antwort unterschiedliche Produkteigenschaften hervorheben, auf andere Datenpunkte zurückgreifen oder Formulierungen variieren. 

Je größer das verfügbare Produktuniversum, desto ausgeprägter ist die Varianz in den Ergebnissen.

Ist es eher Zufall, welches Produkt von der KI empfohlen wird, weil klassische Rankingfaktoren fehlen?

Nein. Zwar fließen bei der Text- und Antwortgenerierung gewisse Zufallselemente ein – sie sorgen für Variation und kreative Vielfalt. Doch diese Prozesse sind nicht willkürlich, sondern basieren auf gelernten Mustern, die das Sprachmodell aus Milliarden von Trainingsdaten ableitet.

Produkte konkurrieren in diesem Umfeld nicht mehr um feste Plätze in einer klassischen Suchtrefferliste, sondern um Sichtbarkeit in einem dynamischen, kontextabhängigen Empfehlungsraum, der sich mit jeder Anfrage neu zusammensetzt. Wissenschaftliche Studien zeigen, dass sich durch gezielte Textmanipulationen die Platzierung eines Produkts in der Antwortliste eines Sprachmodells (LLM) subtil beeinflussen lässt.⁴

Für Websitebetreiber bedeutet das: Sie stehen vor der Herausforderung, Produktseiten und alle weiteren Webquellen, die von KI-Systemen genutzt werden, gezielt mit relevanten Informationen anzureichern – also mit genau den Inhalten, auf die KI-Modelle bei der Generierung ihrer Antworten zurückgreifen.

Welche Quellen nutzen die KI-Systeme für ihre Produktempfehlungen?

Dazu stellte Marc Cormann allen sechs getesteten KI-Systemen – ChatGPT, Google Gemini, MS Copilot, Perplexity, ChatGPT Search und ChatGPT Deep Research – dieselbe Frage:
“Woher kommen deine Empfehlungen?”

Alle befragten KI-Systeme gaben ähnliche Quellen für ihre Produktempfehlungen an:

• Fachliteratur & Experten (Wissensdatenbanken)
• Testberichte (z. B. chip.de)
• Bewertungen & Erfahrungsberichte (z. B. Trustpilot)
• Herstellerwebsiten (z. B. Herman Miller)
• Online-Shops (z. B. bürostuhl24.de)
• Vergleiche (z. B. schreibtisch-checker.de)
• Plattformen & Portale (z. B. Amazon)
  

Diese Art der Quellen prägen seit jeher die Zusammensetzung klassischer Suchergebnisse bei produktbezogenen Anfragen, denn sie erfüllen unterschiedliche Suchabsichten. Wer eine Kaufentscheidung treffen will, klickt häufig auf Bewertungen oder Shops. Wer technische Details sucht, landet bei Herstellern oder Vergleichsportalen. Und wer tiefergehendes Wissen benötigt, greift auf Fachartikel und Themenblogs zurück.

Ob die Sprachmodelle ihre tatsächlichen Quellen vollständig angeben oder nur eine wohlklingende Antwort generiert haben, kann hier dahingestellt bleiben. Bekannt ist, dass Sprachmodelle auf einer breiten Basis von Textdaten trainiert werden, die auch die oben genannten Quellen wie Fachliteratur, Testberichte, Bewertungsportale und Hersteller Webseiten umfassen. Wenn Nutzer*innen spezifische Details zu einem Produkt oder einer Dienstleistung anfragen, kann das Modell auf die typischen Informationen und häufig vorkommende Fragen zurückgreifen, die von Herstellern, Online-Shops oder Vergleichsportalen bereitgestellt werden. Wenn jemand beispielsweise um Unterstützung bei einer Kaufentscheidung bittet, wird das Modell voraussichtlich Antworten generieren, die Bewertungen und Testberichte zusammenführen, um die Vor- und Nachteile von Produkten in Form einer Pro-und-Kontra-Liste zusammenzufassen.

Je stärker das eigene Unternehmen, die eigene Marke und die eigenen Produkte in den Trainingsdaten repräsentiert sind, desto besser werden sie als wiedererkennbares Muster verankert.

Dabei kommt es nicht nur auf die Häufigkeit der Erwähnungen an, sondern vor allem darauf,

• wie eng sie mit den relevanten Problemen und Lösungen verknüpft sind,
• wie detailliert die Informationen aufbereitet sind,
• wie klar sie sich vom Wettbewerb abheben und
• wie konsistent sie über verschiedene Quellen hinweg dargestellt werden.

Sind die Trainingsdaten die einzige Quelle der KI-generierten Antworten?

Nein. Moderne KI-Systeme nutzen das Prinzip der Retrieval-Augmented Generation (RAG) – das bedeutet, sie erweitern das in ihren Sprachmodellen gespeicherte Wissen durch den Echtzeit-Abruf zusätzlicher Informationen aus externen Quellen. So können KI-Chatbots auch auf aktuelle Daten aus dem Internet zugreifen:

• ChatGPT, MS Copilot und Perplexity nutzen dafür die Integration mit Bing,
• Google Gemini greift auf die Googlebot-Infrastruktur zurück und
• Claude verwendet die Third-Party-Suchmaschine Brave.

OAI-SearchBotZusätzlich betreibt OpenAI den eigenen OAI-SearchBot, der gezielt das Web durchsucht, um die Relevanz und Genauigkeit der von ChatGPT gelieferten Antworten zu verbessern.⁵

Die Echtzeit-Integration erhöht zwar die Aktualität und Relevanz der Antworten, garantiert jedoch nicht deren Fehlerfreiheit.⁶ Ist die Datenbasis zu einem bestimmten Thema unvollständig oder lückenhaft, besteht die Gefahr, dass die Modelle Produkte, Produktinformationen oder Bewertungen auf Grundlage gelernter Muster frei erfinden.

Für Webseitenbetreiber bedeutet die Integration von Websuche in KI-Antworten, dass ihre Inhalte nicht nur als historische Trainingsdaten, sondern auch als aktuelle, verlässliche Informationsquelle von KI-Systemen genutzt werden können. Um dies zu ermöglichen, sollten Inhalte leicht zugänglich, klar strukturiert und maschinenlesbar aufbereitet sein. Die Grundlage dafür bildet eine technisch sauber optimierte Website, die Schema.org-Markup, Meta-Tags und semantisches HTML gezielt einsetzt.

Wie wird die eigene Brand in den KI-Antworten genutzt?

In seinem Vortrag unterscheidet Marc Cormann zwei Arten, in KI-Antworten sichtbar zu sein: Erstens mit der reinen Erwähnung des eigenen Namens, der Marke oder des Produkts in KI-generierten Antworten. Zweitens – und deutlich wertvoller – durch die aktive Nutzung und Verlinkung eigener Inhalte in der KI-Suche. Letzteres wird mittlerweile auch von Googles „AI Overviews“ (Übersicht mit KI⁷) unterstützt.⁸

Um in KI-Antworten erwähnt zu werden, sollten Websitebetreiber ihren Content – beispielsweise Produkte – in den Quellen, die ihre Nische ausmachen, präsent und sichtbar machen.

Für die zweite Option, Verlinkung der eigenen Inhalte in den Antworten der KI, sieht Marc Cormann eine Reihe von Einflussfaktoren:

• Marken-Erwähnung
• Präsenz auf vertrauenswürdigen Plattformen
• Gute Bewertungen
• Empfehlungen von anderen Websites
• Zitate & Quellenangaben
• Domain Autorität & Social Media Präsenz
• Content Qualität und Inhalt
• Relevanz von Keywords

Daraus lässt sich schließen, dass die Optimierung für die KI-Suche – auch bekannt als Large Language Model Optimization (LLMO) – keine völlig neue Strategie erfordert. Wer modernes SEO betreibt, hat bereits zentrale Grundlagen geschaffen. Um jedoch in KI-Antworten zuverlässig präsent zu sein, wenn potenzielle Kund*innen nach Lösungen für konkrete Probleme oder Bedürfnisse suchen, sind eine etablierte Markenpräsenz und thematisch passende Online-PR unverzichtbar.

Wie können Unternehmen ihre Sichtbarkeit in der KI-Suche verbessern?

Aufbauend auf den Insights von Marc Cormann, stellen wir Ihnen vier zentrale Handlungsfelder vor, die aus unserer Sicht maßgeblich beeinflussen, ob und in welchem Kontext Ihre Marke und Ihre Produkte in KI-generierten Antworten – etwa von ChatGPT, Gemini, Copilot oder Perplexity – empfohlen werden.

1. Stellen Sie Ihre Inhalte auf technisch schlanken, schnell ladenden Seiten bereit.

Die enormen Crawl- und Rendering-Kapazitäten von Google haben uns in den letzten Jahren verwöhnt. Doch nicht alle Such- und KI-Systeme verfügen über vergleichbare Ressourcen.⁹ Prüfen Sie daher, ob Ihre Seiten auch von Bing zuverlässig verarbeitet werden können – insbesondere bei dynamischen Inhalten. Achten Sie außerdem darauf, dass alle wichtigen Inhalte und internen Links auch für statische Crawler, etwa von OpenAI¹⁰, Anthropic, Perplexity oder anderen Anbietern großer Sprachmodelle, ohne JavaScript vollständig zugänglich sind.

2. Strukturieren Sie Ihre Inhalte in klar gegliederten, eigenständigen Abschnitten und verwenden Sie präzise, gut verständliche Terminologie.

Gut strukturierte Inhalte (kurze Absätze, Listen, Tabellen) unterstützen nicht nur Nutzer*innen, die Online-Inhalte häufig überfliegen und gezielt nach relevanten Informationen suchen. Sie hilft auch Sprachmodellen, Ihr Angebot korrekt zu erfassen, semantisch einzuordnen und in passenden Kontexten wiederzugeben.

Besonders wirkungsvoll sind Content-Formate mit klarem Informationsziel – etwa FAQs mit prägnanten Antworten, praxisnahe Ratgeber, Schritt-für-Schritt-Anleitungen, Produktvergleiche, Glossare oder übersichtlich strukturierte Pro-und-Contra-Listen. Vermeiden Sie dabei Mehrdeutigkeiten, unklare Begriffe, Füllwörter, leere Floskeln und werbliche Sprache mit geringem Informationsgehalt.

3. Helfen Sie KI-Systemen, Ihre Marke richtig einzuordnen.

Ermöglichen Sie Sprachmodellen, Ihre Organisation als eigenständige Entität korrekt zu erkennen und einzuordnen, indem Sie für konsistente und einheitliche Marken-Erwähnungen auf allen relevanten Kanälen und Plattformen sorgen. Besonders wichtig ist eine gepflegte Präsenz in von KI-Systemen bevorzugt genutzten Quellen – etwa auf Wikipedia, in autoritativen Branchenverzeichnissen oder etablierten Fachportalen. Achten Sie darauf, dass diese Informationen stets aktuell, vollständig und widerspruchsfrei sind.

Kontextstarke Ankertexte, einheitliche Schreibweisen und Begrifflichkeiten sowie der gezielte Einsatz strukturierter Daten (z. B. mittels schema.org) unterstützen Sprachmodelle dabei, Ihre Marke korrekt zu interpretieren und mit den passenden Bedeutungszusammenhängen zu verknüpfen.

4. Investieren Sie in Online PR, um Ihre Marke mit den richtigen Themen zu verbinden.

Wer in kommerziell relevanten KI-Produktempfehlungen sichtbar sein möchte, muss starke inhaltliche Verbindungen zwischen der eigenen Marke und dem jeweiligen Themenfeld aufbauen. Besonders wirkungsvoll sind PR-Formate mit inhaltlicher Substanz – etwa Interviews, Case Studies oder eigene Studien.

Wichtig dabei ist die gezielte Platzierung: KI-Suchsysteme wie ChatGPT, Google AI Overviews und Perplexity zitieren bevorzugt Inhalte aus etablierten Fachmedien, PR-Plattformen, Branchenblogs – aber auch YouTube ist ein besonders häufig genannter Kanal. Selbst Community-Plattformen wie Reddit oder Quora werden regelmäßig als Quellen herangezogen.¹¹ Wer auf diesen Kanälen mit hochwertigem Content präsent ist, schafft die Grundlage dafür, dass Sprachmodelle Marke, Produkte, Positionierung und das thematische Umfeld korrekt erkennen und einordnen können.

Fazit:

Der Wandel zur KI-gestützten Produktsuche schafft völlig neue Touchpoints entlang der Customer Journey. Unternehmen, die SEO, Markenführung und Online-PR ganzheitlich denken und systematisch umsetzen, positionieren sich nachhaltig im Sichtfeld ihrer Zielgruppen.

Quellen

1. https://www.askattest.com/our-research/consumer-adoption-of-ai-report-2025 ↩︎
2. https://www.rnd.de/digital/chatgpt-zahl-der-nutzer-in-deutschland-verdreifacht-EH4V2UPDD5K4JGUMJOVVTQFUDU.htm ↩︎
3. https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/ ↩︎
4. https://arxiv.org/pdf/2504.05804 ↩︎
5. https://platform.openai.com/docs/bots/ ↩︎
6. https://www.it-p.de/blog/ki-halluzination/ ↩︎
7. https://blog.google/intl/de-de/produkte/suchen-entdecken/uebersicht-mit-ki-start ↩︎
8. https://searchengineland.com/google-links-ai-overviews-to-own-search-results-454239 ↩︎
9. https://vercel.com/blog/the-rise-of-the-ai-crawler#javascript-rendering-capabilities ↩︎
10. https://www.getaiso.com/blog/ai_retrieval_audit_blog_post ↩︎
11. https://seranking.com/blog/chatgpt-vs-perplexity-vs-google-vs-bing-comparison-research/ ↩︎