Wie KI-Engines entscheiden, welche Marken sie zitieren: Daten und Mechanismen

Zusammenfassung. Generative Engines — ChatGPT, Perplexity, Google AI Overviews, Gemini, Claude und Copilot — schieben sich inzwischen zwischen Käufer und Anbieter-Websites, und die Verhaltensdaten sind eindeutig: In einer Studie des Pew Research Center zu 68 879 Google-Suchen klickten Nutzer bei 8 % der Besuche auf ein klassisches Ergebnis, wenn eine KI-Zusammenfassung erschien, gegenüber 15 % ohne Zusammenfassung [1]. Die Sichtbarkeit verlagert sich von den Rankings zu den Antworten. Dieses Whitepaper erklärt, wie die Quellenauswahl in generativen Engines funktioniert, fasst die peer-reviewten Daten und Industrie-Daten dazu zusammen, was sie bewegt, und skizziert ein messungsbasiertes Programm für Marken. Seine Kernthese: Zitierung ist eine Eigenschaft des Contents, kein Zufall — sie lässt sich aufbauen und überwachen.

1. Hintergrund: von sortierten Listen zu formulierten Antworten

Zwei Datensätze aus dem Jahr 2025 quantifizieren diese Verschiebung. Das Pew Research Center analysierte das Surfverhalten von 900 erwachsenen US-Amerikanern über 68 879 Google-Suchen im März 2025: 18 % der Suchen erzeugten eine KI-Zusammenfassung, und diese Seiten wurden deutlich häufiger durch Frage-Formulierungen und lange Suchanfragen ausgelöst — 53 % der Anfragen mit zehn Wörtern oder mehr erzeugten eine [1]. Ahrefs fand bei der Analyse von 300 000 Keywords mit aggregierten Daten der Google Suche Console eine um 34,5 % niedrigere Klickrate des ersten Ergebnisses bei vorhandenem AI Overview (April 2025) und rund 58 % im Dezember 2025 [2].

Die Traffic-Begründung des klassischen SEO erodiert genau in dem Moment, in dem eine neue Oberfläche — die Antwort selbst — zum Entscheidungspunkt wird. In dieser Umgebung ist die Wettbewerbseinheit nicht mehr die Position, sondern die Erwähnung: ob die Marke genannt wird, an welcher Stelle der Antwort, und wie genau sie beschrieben wird.

2. Umfang und Methode

Dieses Whitepaper fasst drei Datenklassen zusammen:

1. Peer-reviewte Forschung — vor allem die GEO-bench-Studie der Princeton University, des IIT Delhi und des Alleen Institute for AI, veröffentlicht auf der KDD 2024 [3], sowie die Tracking-Arbeiten der Carnegie Mellon University [4].
2. Großskalige Industriemessungen — der Verhaltensdatensatz des Pew Research Center [1] und die Keyword- und Markenstudien von Ahrefs [2][5].
3. Unsere Tracking-Praxis — neutrale Prompt-Sets, die täglich auf sechs Engines ausgeführt werden und anhand derer wir prüfen, ob veröffentlichte Ergebnisse sich auf Produktions-Engines verallgemeinern lassen.

Jede Zahl ist ihrer Quelle zugeordnet, Anbieterstudien sind als solche gekennzeichnet. Wir beanspruchen keinen Einblick in die internen Mechanismen der Engines; die Auswahllogik in Abschnitt 3 ist aus beobachtbaren Input- und Output-Größen abgeleitet.

3. Die Auswahl-Pipeline

Hinter unterschiedlichen Oberflächen folgen generative Engines einer weitgehend ähnlichen Pipeline:

1. Verständnis der Frage. Die Engine schreibt den Nutzer-Prompt in eine oder mehrere suchähnliche Anfragen um und ergänzt Kontext, den der Nutzer nie eingegeben hat — Standort, Produktkategorie, Budget-Signale.
2. Retrieval. Diese Anfragen werden gegen einen Suchindex oder den Crawl-Korpus der Engine ausgeführt. Nur Dokumente, die für die umgeschriebenen Anfragen ausreichend gut ranken, erreichen die nächste Stufe; ein Retrieval-Fehler ist unsichtbar und unumkehrbar.
3. Auswahl und Kompression. Das Modell liest die abgerufenen Dokumente und entscheidet, welche Quellen jede Aussage stützen. Allees Übrige wird verworfen, unabhängig vom Ranking. Die Zitat-Slots pro Antwort sind knapp — eine Handvoll Quellen überlebt von Dutzenden abgerufenen.
4. Komposition. Die Antwort wird formuliert, und die überlebenden Quellen werden zu den sichtbaren Zitierungen — sofern es welche gibt.

Praktische Konsequenz: Ein gutes Ranking in der klassischen Suche ist notwendig, aber nicht hinreichend. Eine Seite kann auf Platz eins stehen und trotzdem nie zitiert werden, wenn das Modell ihr keine zuordenbaren Aussagen entnehmen kann.

4. Befunde

F1 — Content-Änderungen verschieben die Sichtbarkeit, messbar

Der Benchmark GEO-bench (rund 10 000 Anfragen; neun Content-Modifikationsstrategien; mehrere generative Engines) zeigte, dass das Ergänzen von Textzitaten, Statistiken und Quellen die Sichtbarkeit von Seiten in generierten Antworten um bis zu rund 40 % relativ steigerte — Textzitate und explizit genannte Statistiken zählten zu den stärksten Hebeln; die einzige getestete Legacy-Taktik, Keyword-Stuffing, fiel negativ aus [3]. Die ergänzenden Arbeiten der CMU zeigen, dass kooperativer, semantisch expliziter Content 35 bis 60 % höhere Zitierraten erzielt als lakonische oder adversariale Entsprechungen [4]. Die Richtung ist konstant: Engines belohnen Quellen, die Aussagen leicht überprüfbar und extrahierbar machen.

F2 — Korroboration schlägt Größe

Die Ahrefs-Studie zu 75 000 Marken zeigt, dass Web-Erwähnungen von Marken mit 0,664 mit der Präsenz in AI Overviews korrelierten — eine stärkere Assoziation als Backlinks oder Domain — und dass Marken aus der unteren Hälfte nach Erwähnungsvolumen in KI-Antworten weitgehend unsichtbar waren [5]. Konsistent durch unabhängige Drittquellen beschrieben zu werden, zählt mehr als die Autorität der eigenen Website.

F3 — Sichtbarkeit und Traffic entkoppeln sich

Pew fand, dass Nutzer in nur 1 % der Besuche auf eine Quelle innerhalb der KI-Zusammenfassung klickten und nach 26 % der Seiten mit Zusammenfassung die Sitzung beendeten [1]. Ahrefs zeigt, dass selbst Ergebnisse auf Position zehn rund ein Fünftel ihrer Klicks verloren [2]. Zitiert zu werden in der Antwort wird zunehmend zur gesamten Exposition — der Klick lässt sich nicht mehr als selbstverständlich annehmen.

F4 — Engines weichen auseinander, daher täuschen Durchschnitte

In unserem täglichen Tracking produziert derselbe neutrale Prompt regelmäßig unterschiedliche zitierte Marken auf ChatGPT, Perplexity und AI Overviews, und diese Abweichungen verschieben sich über die Zeit. Das deckt sich mit der Beobachtung der GEO-bench-Autoren: Die Wirksamkeit der Strategien variiert je nach Anfrage und Engine [3]. Ein Single-Engine-Audit ist daher strukturell irreführend: Es misst eine Stichprobe aus genau einer Verteilung.

F5 — Aktualität zählt, selektiv

Engines gewichten Aktualität für zeitkritische Fragen höher und tolerieren alte Daten bei stabilen Definitionen. Der pauschale Rat „alles aktualisieren“ verschwendet Aufwand; die Investition in Frische sollte den Fragen folgen, bei denen Veraltung die Antwort ändert.

5. Implikationen für Marken

• Behandeln Sie die Antwort als Landingpage. Die Markenbeschreibung innerhalb einer KI-Antwort leistet heute, was früher ein Title-Tag leistete.
• Investieren Sie in extrahierbare Aussagen und benannte Quellen. Das sind die Hebel mit veröffentlichten Effektgrößen [3][4].
• Bauen Sie konsistente Drittbeschreibungen auf. Die Korroboration durch unabhängige Quellen ist die stärkste Assoziation auf Markenebene mit KI-Sichtbarkeit [5].
• Messen Sie pro Engine, pro Prompt, über die Zeit. Punktuelle Audits verwechseln Unterschiede zwischen Engines mit tatsächlicher Entwicklung.
• Warten Sie nicht darauf, dass Klicks den Zitierungen folgen. Berichten Sie Sichtbarkeit als eigenständiges Ergebnis [1][3].

6. Grenzen

Benchmarks messen relative Sichtbarkeit unter kontrollierten Bedingungen, keinen Umsatz; die Zuordnung zwischen Sichtbarkeit und Geschäftsergebnissen ist nicht dokumentiert. Anbieterstudien weisen Offenlegungsasymmetrien auf — Methodologien und Stichproben unterscheiden sich, und die Engines entwickeln sich schneller, als Studien repliziert werden. Die hier zitierten Zahlen sind richtungsweisend und datiert; keine davon sollte als permanente Konstante gelesen werden. Unsere eigenen Tracking-Daten sind Beobachtungsdaten aus sechs Engines und den Kategorien unserer Kunden.

7. Empfehlungen

1. Bauen Sie ein stabiles Prompt-Set aus den Fragen auf, die Ihre Käufer den Engines tatsächlich stellen; fixieren Sie es, bevor Sie etwas an der Website ändern.
2. Prüfen Sie zentrale Seiten auf extrahierbare Aussagen und Entitäten-Klarheit — formulieren Sie Inhalte so, dass Absätze für sich allein stehen können.
3. Identifizieren Sie die Drittquellen, die in Ihrer Kategorie zitiert werden, und behandeln Sie deren redaktionelle Standards als Maßstab für Ihre eigenen Inhalte.
4. Führen Sie das Prompt-Set täglich auf allen Engines aus; verfolgen Sie Erwähnungsrate, Position und zitierte Quellen als getrennte Trends.
5. Stellen Sie den KI-Sichtbarkeits-Trend den Metriken der klassischen Suche gegenüber — und rechnen Sie damit, dass sie auseinanderlaufen.

Referenzen

1. Pew Research Center, „Google users are less likely to click on links when an AI summary appears in the results“, Juli 2025. pewresearch.org
2. Ahrefs, „AI Overviews Reduce Clicks by 34.5%“ (April 2025) und Update von Dezember 2025 (300 000 Keywords, Daten der Google Suche Console). ahrefs.com/blog/ai-overviews-reduce-clicks
3. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A., „GEO: Generative Engine Optimization“, KDD 2024. arXiv:2311.09735
4. Chen, et al., „What Generative Suche Engines Like“, Carnegie Mellon University, 2025. arXiv:2510.11438
5. Ahrefs, „An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)“, 2025. ahrefs.com/blog