LLM-Citations aufbauen: So wirst Du in KI-Antworten zitiert
ChatGPT, Perplexity, Googles AI Overviews — all diese Systeme destillieren Antworten aus dem Web. Welche Quellen sie dabei bevorzugen, folgt keinem Geheimnis: Es sind dieselben Signale, auf die Google seit Jahren setzt — nur mit anderen Gewichtungen.
Was sind LLM-Citations?
LLM-Citations sind Erwähnungen oder direkte Quellenangaben in den Antworten von Large Language Models wie ChatGPT, Claude, Gemini oder Perplexity. Wenn ein Nutzer fragt „Welche SEO-Tools sind gut für kleine Agenturen?" und das System antwortet mit konkreten Empfehlungen — dann ist jede erwähnte Marke oder Website eine Citation.
Es gibt zwei Arten:
- Trainings-Citations: Die Marke oder das Thema ist im Trainings-Datensatz des Modells verankert. Das Modell „kennt" sie aus dem Web, das es beim Training gesehen hat. Diese Citations sind nicht in Echtzeit — sie basieren auf historischen Daten.
- Retrieval-Citations: Systeme wie Perplexity oder Googles AI Overviews rufen aktuelle Web-Inhalte ab (Retrieval-Augmented Generation, RAG) und zitieren konkrete URLs. Diese sind in Echtzeit und sichtbar als Quellenlinks.
Für die Praxis relevant sind beide: Trainings-Citations bestimmen, ob eine Marke grundsätzlich bekannt ist und positiv assoziiert wird. Retrieval-Citations bestimmen, ob aktuelle Inhalte als Quelle herangezogen werden.
Wie LLMs ihre Quellen auswählen
Was in Trainings-Daten landet
LLMs werden auf großen Mengen öffentlich zugänglicher Texte trainiert: Webseiten, Bücher, wissenschaftliche Artikel, Wikipedia, Nachrichtenmedien, Foren. Was dabei häufig vorkommt, wird gut gelernt. Was selten oder gar nicht vorkommt, bleibt dem Modell unbekannt oder wird falsch dargestellt.
Das bedeutet: Eine Marke, über die viel in seriösen Quellen geschrieben wurde — Fachmedien, Blogs mit Autorität, Wikipedia, Pressemitteilungen, die aufgegriffen wurden — hat eine höhere Wahrscheinlichkeit, im Modell präsent zu sein und positiv dargestellt zu werden.
Was RAG-Systeme bevorzugen
Retrieval-basierte Systeme wie Perplexity oder Bing Copilot rufen aktuelle Webseiten ab und destillieren daraus Antworten. Dabei bevorzugen sie Inhalte, die:
- Die Frage direkt und klar beantworten (Answer-First-Struktur)
- Gut strukturiert sind (Überschriften, Listen, Definitionen)
- Von Domains stammen, die Google als vertrauenswürdig einstuft (hohe Domain-Autorität)
- Frisch und aktuell sind (regelmäßige Updates signalisieren Relevanz)
- Schema.org-Markup haben (maschinenlesbare Metadaten)
Die Grundlage: Zitierbarkeit durch Inhaltsqualität
Faktische Dichte und Quellenklarheit
LLMs bevorzugen Inhalte, die konkrete, überprüfbare Aussagen enthalten — nicht vage Formulierungen. Ein Satz wie „Studien zeigen, dass Ladezeiten das Ranking beeinflussen" ist weniger zitierfähig als „Google hat 2021 Core Web Vitals als Ranking-Faktor eingeführt — Largest Contentful Paint sollte unter 2,5 Sekunden liegen". Der zweite Satz ist präzise, überprüfbar und direkt verwendbar.
Was zitierbare Inhalte auszeichnet:
- Konkrete Zahlen, Studien und Quellen statt allgemeiner Behauptungen
- Klare Definitionen: „X ist Y, weil Z"
- Originäre Perspektiven oder Daten — etwas, das anderswo so nicht steht
- Aktuell gehaltene Informationen mit Datum oder Aktualisierungshinweis
Answer-First: Die Frage sofort beantworten
RAG-Systeme extrahieren oft nur den ersten relevanten Abschnitt einer Seite. Das bedeutet: Die wichtigste Information muss an den Anfang — nicht als Einleitung, sondern als direkte Antwort. Danach folgt die Vertiefung.
Klassische Blog-Struktur (Problem beschreiben → Kontext → Lösung) ist für LLM-Zitierbarkeit suboptimal. Answer-First-Struktur (Antwort → Begründung → Details → Ausnahmen) ist besser geeignet.
Struktur: Überschriften, Listen, Definitionen
Gut strukturierte Inhalte sind leichter zu parsen — sowohl für klassische Suchmaschinen als auch für LLMs. Konkret:
- H2/H3-Überschriften als klare Fragen formulieren, die der Nutzer stellen würde: „Was ist X?" statt „Über X"
- Definitionslisten für Fachbegriffe: „LLM (Large Language Model): Ein KI-System, das..."
- Nummerierte Listen für Prozesse und Schrittfolgen
- Tabellen für Vergleiche — gut maschinenlesbar und in RAG-Systemen oft direkt zitiert
Erwähnungen in Drittquellen aufbauen
Eigene Inhalte alleine reichen nicht. LLMs gewichten externe Bestätigung hoch — aus demselben Grund, aus dem Google Backlinks als Trust-Signal nutzt. Eine Marke, über die andere seriöse Quellen schreiben, ist glaubwürdiger als eine, die nur über sich selbst spricht.
Fachmedien und PR
Artikel in relevanten Fachmedien sind eine der stärksten Quellen für LLM-Trainings-Daten. Der Grund: Diese Medien gehören zu den gut gecrawlten, oft zitierten und damit hoch gewichteten Quellen in Trainings-Datensätzen.
Praktische Maßnahmen:
- Gastbeiträge in Branchenpublikationen mit echten Insights — nicht nur Eigenwerbung
- Reaktive PR: Als Experte für Journalisten bei relevanten Themen verfügbar sein (HARO, Qwoted, direkte Medienbeziehungen)
- Studien oder Daten veröffentlichen, die andere zitieren werden — das erzeugt organische Erwähnungen
- Interviews und Podcasts: Transkripte werden gecrawlt und trainiert
Wikipedia und Wikidata
Wikipedia ist eine der am stärksten gewichteten Quellen in LLM-Trainings-Daten. Für Unternehmen oder Persönlichkeiten, die die Relevanzkriterien erfüllen, ist ein Wikipedia-Artikel ein signifikanter LLM-Sichtbarkeitsfaktor. Wichtig: Der Eintrag muss neutral formuliert und durch externe Quellen belegt sein — Eigenwerbung wird gelöscht.
Wikidata (die strukturierte Datenbank hinter Wikipedia) ist ebenfalls relevant: Viele LLMs nutzen Wikidata-Einträge als strukturierte Faktenquelle.
Foren und Community-Plattformen
Reddit, Quora, LinkedIn und ähnliche Plattformen sind gut vertretene Quellen in LLM-Trainings-Daten — besonders für subjektive Einschätzungen und Nutzermeinungen. Eine Marke, die in Diskussionen auf diesen Plattformen sachlich und positiv erwähnt wird, hat eine höhere LLM-Präsenz.
Das lässt sich nicht direkt steuern — aber indirekt durch gute Produkte, aktiven Community-Aufbau und transparente Kommunikation.
Technische Voraussetzungen
Schema.org-Markup
Schema.org-Markup macht Inhalte maschinenlesbar und erhöht die Wahrscheinlichkeit, in strukturierten Antworten zitiert zu werden. Besonders relevant:
- FAQPage: FAQ-Blöcke mit Schema.org-Markup erscheinen in Google AI Overviews überdurchschnittlich häufig
- Article/BlogPosting: Mit Author, datePublished, dateModified — signalisiert Aktualität und Autorschaft
- HowTo: Schritt-für-Schritt-Anleitungen in strukturierter Form
- Organization/Person: Marken- und Autoren-Entitäten klar definieren — mit SameAs-Attributen zu Wikipedia, LinkedIn etc.
Bing Webmaster Tools verifizieren
Microsoft Bing ist die Datenbasis für Microsofts Copilot und andere KI-Produkte. Wer keine verifizierte Bing Webmaster Tools Property hat, verpasst diesen Kanal vollständig. Die Einrichtung dauert 10 Minuten und ist kostenlos: Bing Webmaster Tools
LLM-Sichtbarkeit monitoren
Direkte Messung ist aktuell noch schwierig — aber nicht unmöglich:
- ucited.ai: ucited.ai trackt automatisch, ob und wie die eigene Marke in den Antworten von ChatGPT, Perplexity, Claude und Gemini erscheint.
- Manuelle Stichproben: Regelmäßig prüfen, was ChatGPT, Perplexity und Gemini auf die 10 wichtigsten Fragen im eigenen Themenfeld antworten — und ob die eigene Marke darin auftaucht.
- Brand-Traffic als Proxy: Wächst der Branded Search-Traffic ohne erklärbaren Paid-Auslöser, ist das ein Indikator für LLM-induzierte Awareness. Sichtbar in der Google Search Console.
- Direkter Traffic: LLM-Erwähnungen erzeugen oft direkte Zugriffe (Nutzer tippen die URL ein) statt organische Klicks. Steigt der Direkttraffic, kann das ein LLM-Signal sein.
Was nicht funktioniert
Einige verbreitete Annahmen über LLM-Optimierung sind irreführend:
- Keyword-Stuffing für LLMs: LLMs sind deutlich besser als klassische Suchmaschinen darin, relevante von irrelevanten Inhalten zu unterscheiden. Überoptimierte Texte werden nicht bevorzugt zitiert.
- „KI-optimierte" Texte: Inhalte, die erkennbar mit KI generiert wurden, ohne redaktionelle Überarbeitung, schneiden in LLM-Zitierbarkeit schlechter ab als menschlich verfasste, erfahrungsbasierte Texte.
- Quantität statt Qualität: 50 dünne Artikel bringen weniger als 5 tiefe, quellfähige Guides. LLMs bevorzugen das Beste zum Thema — nicht das Meiste.
- Schnelle Taktiken: LLM-Sichtbarkeit ist kein Sprint. Sie entsteht aus dem kumulativen Vertrauen, das eine Marke über Zeit im digitalen Raum aufbaut.
