// LLM Visibility
Wie sichtbar ist dein
Unternehmen für KI?
ChatGPT, Claude, Gemini und Perplexity verändern, wie Menschen Informationen finden. Finde heraus, ob deine Marke in KI-Antworten vorkommt.
// Was ist LLM Visibility?
Eine neue Dimension
der Sichtbarkeit
LLM Visibility beschreibt, wie präsent eine Marke oder Website in den Antworten von KI-Sprachmodellen ist. Anders als klassisches SEO geht es nicht um Suchergebnis-Rankings, sondern darum, ob KI-Modelle wie ChatGPT, Claude oder Gemini die Marke kennen und in generierten Antworten erwähnen.
Grosse Sprachmodelle (LLMs) generieren Antworten aus einer Kombination von Trainingsdaten und — bei einigen Modellen — Echtzeit-Retrieval aus dem Web. Die Faktoren, die bestimmen, welche Marken erwähnt werden, unterscheiden sich deutlich von klassischen SEO-Signalen.
Das Feld entwickelt sich schnell. Erste Studien zeigen klare Trends, aber es gibt keine garantierten Ranking-Faktoren wie bei klassischem SEO. Wer früh optimiert, hat einen Vorsprung — aber Bescheidenheit gegenüber der Komplexität des Themas ist angebracht.
AEO: Answer Engine Optimization
Neben klassischem SEO entsteht eine neue Disziplin: Answer Engine Optimization (AEO). Während SEO auf Suchergebnis-Rankings abzielt, optimiert AEO Inhalte so, dass sie von KI-Modellen als Antwort zitiert werden.
Die Zahlen zeigen, warum das relevant ist: Die CTR für Position #1 ist durch AI Overviews von 28% auf 19% gefallen — ein Rückgang von 32%. Gleichzeitig ist die Anzahl der Keywords mit AI Overviews in 10 Monaten um das 17-fache gestiegen (10.000 auf 172.000).
Der zentrale Unterschied: SEO bringt dich auf Seite 1 der Suchergebnisse. AEO bringt dich in die Antwort selbst. Während SEO auf Backlinks, Keywords und PageSpeed setzt, fokussiert AEO auf strukturierte Daten, Autorität in Trainingsdaten und maschinenlesbare Content-Formate wie llms.txt.
// Bekannte Einflussfaktoren
Was die KI-Sichtbarkeit beeinflusst
Basierend auf aktueller Forschung und Praxiserfahrung.
Strukturierte Daten
Schema.org Markup und JSON-LD helfen KI-Modellen, Inhalte zu verstehen. Laut Forschung steigt die GPT-4 Genauigkeit mit strukturierten Daten von 16% auf 54% — eine Verbesserung von 238%. Gut strukturierte Daten erhöhen die Chance massiv, in LLM-Antworten referenziert zu werden.
llms.txt Standard
Der neue llms.txt-Standard (vergleichbar mit robots.txt) ermöglicht es, KI-Crawlern strukturierte Informationen über die eigene Website bereitzustellen. Praktisch: Eine /llms.txt Kurzversion für schnelles Crawling und eine /llms-full.txt mit ausführlichen Details zu Marke, Leistungen und USPs.
Markenpräsenz
Erwähnungen in autoritativen Quellen — Fachmedien, Wikipedia, Branchenverzeichnisse — erhöhen die Wahrscheinlichkeit, in LLM-Trainingsdaten vertreten zu sein. Microsoft Copilot erwähnt Marken mit 26,7% Häufigkeit — wer in hochwertigen Quellen präsent ist, wird von KI zitiert.
Technische Basis
Jedes LLM bezieht seine Daten anders: ChatGPT (68% Marktanteil) nutzt Trainingsdaten + Web-Suche. Claude setzt auf Training + RAG und ist stark bei langen Kontexten. Gemini integriert Google Search direkt (avg. Position #1.6 in AI Overviews). Perplexity durchsucht das Web in Echtzeit mit Quellenangaben.
// Was die Forschung zeigt
Studien & Erkenntnisse
Analysen zu AI Overviews zeigen: KI-generierte Antworten in der Google-Suche verändern das Klickverhalten fundamental. Marken, die in diesen Antworten nicht vorkommen, verlieren Sichtbarkeit — unabhängig von ihrem klassischen SEO-Ranking.
Untersuchungen zum Crawling-Verhalten von LLM-Bots zeigen signifikante Unterschiede zu klassischen Suchmaschinen-Crawlern. Die Art, wie KI-Systeme Websites indexieren, erfordert neue technische Optimierungen.
Der llms.txt-Standard etabliert sich als neues Pendant zu robots.txt — speziell für KI-Crawler. Frühe Adoption kann einen Wettbewerbsvorteil schaffen, ähnlich wie die frühe Adoption von XML-Sitemaps.
Wer früh optimiert, hat einen Vorsprung — aber das Feld ist jung und die Forschungslage entwickelt sich rasant weiter.
// Plattform-Vergleich
| Merkmal | ChatGPT | Claude | Gemini | Perplexity |
|---|---|---|---|---|
| Marktanteil | ~68% | ~12% | ~10% | ~5% |
| Datenquelle | Training + Web | Training + RAG | Google Search | Echtzeit-Web |
| Quellenangabe | Selten | Selten | Ja (AI Overview) | Immer |
| Stärke | Reichweite | Analyse | Google-Ökosystem | Aktualität |
// So funktioniert der Check
In 3 Schritten zum Score
Technische Analyse + KI-Assessment = konkreter Handlungsplan.
Domain eingeben
Wir prüfen deine Website automatisch auf KI-relevante technische Faktoren.
Multi-LLM Assessment
Mehrere KI-Modelle analysieren, wie gut deine Marke bekannt ist und ob sie in KI-Antworten vorkommt.
Score + Report
Du erhältst einen Score von 0-100 mit konkreten Handlungsempfehlungen per E-Mail.
// Optimierung für jedes LLM
So wirst du für KI sichtbar
Konkrete Maßnahmen, die deine Sichtbarkeit in allen LLMs verbessern.
📝 Content-Struktur, die zitiert wird
- ▶ Überschriften als Fragen formulieren (H2: "Was kostet Social Media Marketing?")
- ▶ Bullet Points und nummerierte Listen für klare Antworten
- ▶ FAQ-Schema Markup für strukturierte Antworten
- ▶ Definitionen und Erklärungen am Absatzanfang ("X ist...")
📄 llms.txt einrichten
- ▶
/llms.txt— Kurzversion für KI-Crawler - ▶
/llms-full.txt— Ausführliche Version mit allen Details - ▶ Firmenname, Leistungen, USPs und Kontaktdaten einpflegen
- ▶ Regelmäßig aktualisieren (Quartal empfohlen)
⏰ Freshness Signale
- ▶ Datum und Jahreszahl in Inhalten verwenden ("Stand: Maerz 2026")
- ▶ Versionsnummern und Updates dokumentieren
- ▶ Regelmäßig neue Inhalte publizieren (Blog, Case Studies)
- ▶ Veraltete Inhalte aktualisieren statt löschen
// Nächster Schritt
Deine LLM-Sichtbarkeit
verbessern?
Wir helfen dir, deine Marke systematisch für KI-Modelle sichtbar zu machen — von strukturierten Daten bis zur Content-Strategie.
Kostenloses Erstgespräch