1. Der unsichtbare erste Leser

Es gibt einen Leser, der jeden Ihrer Texte sieht, bevor ein Mensch ihn je zu Gesicht bekommt. Er überfliegt keine Überschriften. Er reagiert nicht auf Storytelling. Er versteht weder Ironie noch Markentonalität. Aber er entscheidet, ob Ihr Inhalt existiert – für alle, die danach kommen.

Dieser Leser ist ein Crawler. Ein Algorithmus. Seit Kurzem: ein Large Language Model. Nicht neu, könnte man einwenden. Suchmaschinen indexieren das Web seit den Neunzigern. Google hat uns beigebracht, für Maschinen zu schreiben – oder zumindest so zu tun. SEO war das Versprechen: Wer die Regeln kennt, wird gefunden.

Doch was gerade passiert, ist etwas anderes.

Vergleich von 'Gestern – User Experience' mit Pixeln arrangieren, Zustände definieren, Nutzer führen und 'Heute – Agentic Experience' mit recherchieren, vergleichen, entscheiden, zwischen Kunde, KI-Agent und Marken als neuer Gatekeeper.

Der neue Gatekeeper: Agenten und LLMs
Google AI Overviews beantworten Suchanfragen, bevor jemand eine Website anklickt. ChatGPT, Perplexity und Gemini synthetisieren Antworten aus dem gesamten Web – und nennen, wenn überhaupt, eine Handvoll Quellen. Position 1 in den Suchergebnissen, jahrelang der heilige Gral des digitalen Marketings, verliert ihre Bedeutung nicht schrittweise, sondern abrupt.

Die Zahlen sind eindeutig: In Deutschland fällt die Click-Through-Rate der ersten organischen Position von 27 % auf 11 %, – ein Rückgang um rund 60 % (SISTRIX, Februar 2026). Hochgerechnet: 265 Millionen verlorene organische Klicks pro Monat. Ahrefs bestätigt den Trend unabhängig: etwa 58 % niedrigere CTR der Top-Position bei AI Overviews (Dezember 2025).

Parallel wächst der Traffic, der direkt von KI-Systemen kommt. ChatGPT-Referral-Traffic stieg um 206 % im Jahresvergleich (Semrush, Januar 2025 auf Januar 2026). Noch macht dieser Kanal im Durchschnitt nur 1,08 % des gesamten Traffics aus (Conductor, gemessen über 3,3 Milliarden Sessions). Aber die Kurve zeigt steil nach oben.SEO war der Vorbote. Generative KI ist der Gatekeeper.

Der Unterschied: Ein Suchmaschinenindex listet auf. Ein LLM kuratiert. Es wählt aus, verdichtet, formuliert um – und präsentiert das Ergebnis als Antwort, nicht als Linkliste. Wer in dieser Antwort vorkommt, gewinnt Sichtbarkeit und Autorität. Wer fehlt, ist nicht auf Seite zwei. Er existiert nicht.Das ist eine Machtfrage. Und sie betrifft nicht die IT-Abteilung.

2. Was Maschinen lesen (und was nicht)

Menschen lesen Texte. Maschinen lesen Strukturen.Die Konsequenzen reichen weiter, als die meisten Content-Strategien abbilden. Die technische Struktur eines Inhalts entscheidet zunehmend darüber, ob KI-Systeme ihn überhaupt verstehen, einordnen und weiterverarbeiten können.

Semantisches HTML: Die vergessene Grundlage

Die einfachste und am häufigsten ignorierte Ebene ist das HTML selbst. Eine Seite aus semantisch korrekten Elementen – <article>, <nav>, <header>, <section>, <aside> – unterscheidet sich messbar von einer, die aus <div>-Containern mit CSS-Klassen zusammengesetzt ist. Im Browser sehen beide gleich aus. Für eine Maschine sind es zwei verschiedene Welten.

Ein arXiv-Preprint vom Dezember 2025 zeigt, dass LLM-basierte Suchsysteme Domains mit strukturierten und hierarchischen HTML-Merkmalen bevorzugen. Das beeinflusst direkt, welche Quellen in generierten Antworten auftauchen. Die Studie zu HtmlRAG geht weiter: HTML als Wissensformat hat in Retrieval-Augmented-Generation-Systemen nachweisbare Vorteile gegenüber reinem Klartext. Die Struktur des Dokuments wird Teil der Information.

Der Accessibility-Doppelhebel

LLM-basierte Web-Agents – die automatisierten Systeme, die im Auftrag von KI-Diensten Websites analysieren – navigieren über den Accessibility Tree. Dieselbe Baumstruktur, die Screenreader nutzen, um blinden und sehbehinderten Menschen Webinhalte zugänglich zu machen.

95,9 % aller Homepages weisen WCAG-Failures auf (WebAIM, 2026). Fast das gesamte Web ist also nicht nur für Menschen mit Behinderungen schlecht zugänglich, sondern auch für die KI-Systeme, die über Sichtbarkeit entscheiden. Barrierefreiheit ist nicht mehr nur ethische Pflicht oder regulatorische Anforderung. Sie ist ein Ranking-Faktor – den fast niemand bedient.

Wer Accessibility ernst nimmt, optimiert gleichzeitig für Maschinen. Wer sie ignoriert, verliert doppelt.

Structured Data: Die Sprache der Eindeutigkeit

Über dem HTML liegt eine zweite Ebene: strukturierte Daten. Schema.org, ausgeliefert als JSON-LD, Microdata oder RDFa, macht explizit, was HTML nur implizit kommuniziert. Ein Absatz kann über ein Produkt sprechen – JSON-LD sagt der Maschine: Das ist ein Produkt, mit diesem Preis, dieser Bewertung, dieser Verfügbarkeit.

Darstellung: Structured Content

Schon 51,25 % aller Webseiten nutzen strukturierte Daten, wobei JSON-LD auf rund 70 % der annotierenden Sites das bevorzugte Format ist (WebDataCommons, 2024). Die Wachstumskurven einzelner Typen zeigen, wo der ökonomische Druck am größten ist: Product-Annotationen sind seit 2017 um 570 % gestiegen, LocalBusiness um 649 %, JobPosting um 900 %.

Google empfiehlt JSON-LD als bevorzugtes Format. Google sagt auch: Es gibt keine speziellen Anforderungen für AI Overviews – klassische SEO-Grundlagen bleiben gültig. Das klingt beruhigend. Es ist eine Falle für alle, die glauben, sie hätten die Grundlagen erledigt. Denn die Grundlagen umfassen semantisches HTML, korrekte Structured Data, konsistente Taxonomien und saubere Metadaten. Die Realität der meisten Websites sieht anders aus.

Taxonomien und Metadaten: Ordnung als Wettbewerbsvorteil

Taxonomien – die konsistente Kategorisierung und Verschlagwortung von Inhalten – klingen nach Bibliothekswissenschaft. Sie sind es auch. Genau das macht sie wirksam. Eine durchdachte Taxonomie macht jeden Inhalt auffindbar, verknüpfbar und kontextualisierbar. Für Menschen über Navigation und Filter. Für Maschinen über Relationen und Muster.

Metadaten – Titel, Beschreibung, Canonical-Tags, Open-Graph-Attribute, Autorenschaft – sind keine kosmetischen Felder in einem CMS. Sie sind die Visitenkarte eines Inhalts gegenüber jeder Maschine, die ihn verarbeitet. Oft das Einzige, was ein LLM sieht, bevor es entscheidet, ob der vollständige Inhalt relevant genug ist, um gelesen zu werden.

3. Generative Engine Optimization (GEO)

Bei SEO ging es darum, in einer Liste möglichst weit oben zu stehen. Bei GEO geht es darum, in einer synthetisierten Antwort als Quelle ausgewählt, korrekt wiedergegeben und zitiert zu werden. Das verändert die gesamte Logik der Sichtbarkeit.

Wie KI-Systeme auswählen und zitieren

ChatGPT, Perplexity und Gemini arbeiten unterschiedlich, folgen aber einer gemeinsamen Logik: Sie suchen Inhalte, die eine Frage beantworten – nicht Inhalte, die für ein Keyword ranken. Die Verschiebung von Keyword-Matching zu Intent-Verständnis, die Google über Jahre vollzogen hat, wird in generativer KI radikal zu Ende gedacht.

Perplexity zitiert deutlich mehr Quellen pro Antwort als ChatGPT – relevant für Content-Strategien, weil es die Chancen verändert, als Referenz aufzutauchen. Aber mehr Zitate bedeuten nicht bessere Zitate. Eine Studie in Nature Communications zeigt: Zitier-Transparenz ist nicht gleich Zitier-Qualität. Dass ein LLM eine Quelle nennt, sagt wenig darüber aus, ob der Inhalt korrekt wiedergegeben wurde.

Content muss deshalb nicht nur auffindbar sein, sondern prüfbar und robust zitierbar. Aussagen brauchen Quellen. Zahlen brauchen Kontexte. Behauptungen brauchen Evidenz. Nicht aus moralischen Gründen, sondern weil die Auswahlalgorithmen Inhalte bevorzugen, die sich als zuverlässig erweisen.

Der Earned-Media-Bias

Ein Befund der GEO-Forschung verdient besondere Aufmerksamkeit: KI-gestützte Suche bevorzugt Earned Media – redaktionelle Berichterstattung, unabhängige Publikationen, Fachmedien – gegenüber Brand-Owned Content.
Unternehmensblogs, Produktseiten und Marketingmaterial werden seltener als Quellen herangezogen als journalistische oder akademische Inhalte.

Für Marketing-Verantwortliche ist das unbequem. Die Content-Marketing-Maschine der letzten zehn Jahre produziert Inhalte, denen LLMs systematisch weniger vertrauen. Nicht weil sie schlecht sind, sondern weil sie interessengeleitet sind – und die Systeme das erkennen.

“ Wir werden eine Renaissance der digitalen PR Arbeit erleben. D.h. Contents müssen aktiv auf anderen Plattformen oder anderweitig digital distribuiert werden. Die Website ist nur die Basis für LLM-Sichtbarkeit und bleibt das Markenerlebnis für Menschen.”

Hagen Seidel, Geschäftsführer Triplesense Reply, Partner Reply

GEO ist deshalb kein neues Keyword-Tuning. Es ist Intent-Engineering und Strukturierung. Welche Frage beantwortet dieser Inhalt? In welcher Form ist die Antwort am zuverlässigsten darstellbar? Und wie ermögliche ich einer Maschine, die Qualität meiner Aussage zu verifizieren?

Der Business Case

Semrush und Datos zeigen, dass AI Overviews in bestimmten Branchen bereits über 17 % aller Suchanfragen dominieren, mit der stärksten Verbreitung in Science sowie Computers & Electronics. Branchen mit informationalen Queries sind am stärksten betroffen – genau die Bereiche, in denen Content-Marketing traditionell seine größte Wirkung entfaltet.Wer jetzt nicht in maschinenlesbare Inhalte investiert, verliert nicht irgendwann Sichtbarkeit. Er verliert sie gerade.

4. Content Modeling und KI-Sichtbarkeit

Gut modellierte Inhalte sind maschinenlesbare Inhalte. Das ist kein Zufall.

Content Modeling – die systematische Zerlegung von Inhalten in typisierte, strukturierte, wiederverwendbare Einheiten – löst ein Problem, das älter ist als die aktuelle KI-Debatte: Wie mache ich Inhalte unabhängig von einem einzelnen Ausgabekanal? Die Antwort war immer dieselbe: durch Struktur, Typisierung und klare Relationen.

Ein Produkttext, der als freies Textfeld in einem CMS liegt, ist ein Blob. Derselbe Text, aufgelöst in Name, Beschreibung, Merkmale, Preise, Verfügbarkeiten und Relationen zu anderen Produkten, ist ein Datensatz. Und ein Datensatz lässt sich maschinell verarbeiten, verknüpfen, transformieren – in jeder Form ausspielen, die ein Kanal verlangt. Auch als Antwort in einem LLM.

Knowledge Graphs: Wissen als Netzwerk

Die nächste Stufe führt zu Knowledge Graphs – Wissensrepräsentationen, die nicht in Seiten denken, sondern in Entitäten und Beziehungen. Ein Unternehmen ist keine „Über uns"-Seite. Es ist eine Entität mit Standorten, Mitarbeitenden, Produkten, Partnerschaften und Ereignissen. Jede dieser Beziehungen ist für Maschinen navigierbar, wenn sie explizit modelliert ist.

Knowledge Graphs sind das Rückgrat der großen Plattformen – Google, Wikidata, die interne Suche von Amazon. Für die meisten Unternehmen noch kein Thema. Aber die Logik dahinter – Inhalte als vernetzte Entitäten statt als isolierte Dokumente – wird zum Differenzierungsmerkmal. Sie entspricht exakt der Art, wie LLMs Wissen verarbeiten: nicht seitenweise, sondern als Netzwerk aus Fakten, Relationen und Kontexten.

Texttafel erklärt, wie Knowledge Graphs Marken für Maschinen eindeutig machen und Wissen nutzbar vernetzen mit Gründen und Content-Bedeutung in drei Punkten.

Vorteile des Knowledge Graphs

Der Case für Infrastruktur

Android Authority, ein großes Tech-Medienportal, migrierte zu einer Headless-WordPress-Architektur. Das Ergebnis: sechsmal bessere Lighthouse-Metriken (WP Engine). Lighthouse misst Performance, Accessibility, Best Practices und SEO – die technischen Grundlagen, die sowohl klassische Suchmaschinen als auch LLM-basierte Systeme als Qualitätssignale werten.

Kein technisches Detail. Eine strategische Entscheidung. Die Architektur, in der Inhalte leben, bestimmt, wie Maschinen sie lesen. Content Modeling, API-first-Architekturen und saubere Datenstrukturen sind keine IT-Projekte. Sie sind Investitionen in Sichtbarkeit.

Die ökonomische Realität

Cloudflare hat eine Kennzahl geprägt, die den Kern des Problems benennt: die crawl-to-refer-Ratio. Sie misst, wie viele Seitenaufrufe ein Bot erzeugt, im Verhältnis zu dem Traffic, den er zurückschickt. Bei klassischen Suchmaschinen war dieses Verhältnis über Jahrzehnte einigermaßen ausgeglichen. Bei KI-Crawlern zeigt sich eine Schieflage: Sie konsumieren Inhalte, ohne proportionalen Traffic zurückzugeben.

Die Steuerungsmöglichkeiten sind begrenzt, aber vorhanden. OpenAI trennt zwei Bots: OAI-SearchBot für die Suche und GPTBot für das Training. Beide lassen sich über robots.txt unabhängig steuern. Anthropic betreibt drei separate Bots für Training, User-Fetch und Search-Indexing. Perplexity zeigt: Blocken bedeutet nicht unsichtbar werden – Domain und Headline können weiter in Antworten auftauchen, auch wenn der Crawler blockiert ist.

Die Entscheidung, welchen Bots man Zugang gewährt, ist keine technische Konfiguration. Es ist eine publizistische Entscheidung mit ökonomischen Konsequenzen.

5. Die ethische Dimension

Wer für Maschinen optimiert, muss fragen: Welche Maschinen? Und nach welchen Regeln?

Bias: Wer sichtbar wird – und wer nicht

LLMs reproduzieren die Muster ihrer Trainingsdaten. Inhalte, die in großen, englischsprachigen, westlich dominierten Datensätzen überrepräsentiert sind, werden häufiger zitiert. Inhalte aus kleineren Sprachräumen, marginalisierten Perspektiven oder weniger digitalisierten Branchen verschwinden nicht aktiv – sie werden passiv übergangen.Das ist kein Fehler im System.

Es ist das System.Der Earned-Media-Bias verstärkt den Effekt. Wenn KI-Suche redaktionelle Inhalte bevorzugt, bevorzugt sie die Perspektiven, die es in redaktionelle Medien schaffen. Das sind nicht alle. Es sind die, die bereits Zugang zu Öffentlichkeit haben.

Accessibility als Gerechtigkeitsfrage

Der Accessibility-Doppelhebel aus Abschnitt 2 hat eine Schattenseite. Wenn 95,9 % aller Websites WCAG-Failures aufweisen und LLM-Agents über den Accessibility Tree navigieren, dann sind es überproportional die gut finanzierten, technisch professionell betriebenen Websites, die maschinenlesbar sind. Kleine Organisationen, gemeinnützige Initiativen, lokale Medien verlieren nicht nur menschliche Leser, sondern auch maschinelle Aufmerksamkeit.Barrierefreiheit als KI-Sichtbarkeitsfaktor erzeugt eine neue digitale Ungleichheit. Nicht weil Barrierefreiheit das Problem wäre – sondern weil ihre Abwesenheit jetzt doppelt bestraft wird.

Urheberrecht und Attribution

Die grundlegende Frage ist ungelöst: Wenn ein LLM einen Inhalt liest, verdichtet und als eigene Antwort ausgibt – wem gehört das Ergebnis? Die Praxis, Inhalte zu konsumieren, ohne sie korrekt zu attribuieren, berührt Urheberrecht, journalistische Standards und wissenschaftliche Praxis gleichermaßen.

Nature Communications hat gezeigt: Zitier-Transparenz bedeutet nicht Zitier-Qualität. Dass ein System eine Quelle nennt, heißt nicht, dass es sie korrekt wiedergibt. Für Unternehmen heißt das: Die eigene Marke kann in KI-Antworten auftauchen – verzerrt, verkürzt, in einem unbeabsichtigten Kontext. Kontrolle über die eigene Darstellung, eine Grundvoraussetzung professioneller Kommunikation, ist in generativen Systemen nur noch bedingt möglich.

Soll man für Maschinen optimieren?

Falsche Frage. Nicht weil die Antwort offensichtlich wäre, sondern weil sie eine Wahlmöglichkeit suggeriert, die es nicht gibt.

Maschinen lesen Ihre Inhalte bereits. Schlecht, wenn die Inhalte schlecht strukturiert sind. Verzerrt, wenn sie keine klaren Aussagen enthalten. Gar nicht, wenn die technische Basis fehlt.

Für Maschinen zu optimieren heißt nicht, für Menschen schlechter zu schreiben. Es heißt: klarer strukturieren, präziser formulieren, sauberer arbeiten. Die meisten Maßnahmen, die Inhalte maschinenlesbarer machen – semantisches HTML, konsistente Metadaten, barrierefreie Gestaltung, logische Taxonomien – machen sie auch für Menschen besser zugänglich.

Die ethische Aufgabe besteht nicht darin, die Optimierung zu verweigern. Sondern darin, die Regeln mitzugestalten. Transparenz einzufordern. Bias zu benennen. Und die Schieflage zwischen Content-Produktion und KI-Verwertung nicht als Naturgesetz hinzunehmen.

Kontakt

Gemeinsam finden wir die beste Lösung.

Lass uns sprechen

Content für Maschinen