Das alte Modell: Googles PageRank-Prinzip
Googles Kernalgorithmus, ursprünglich von Larry Page 1996 entwickelt, behandelt Links wie Votes. Wer viele Links von vertrauenswürdigen Seiten erhält, wird als relevant eingestuft und höher gerankt. Dieser Mechanismus war 25 Jahre lang die Grundlage des gesamten Web.
Das Ergebnis: SEO wurde zum Linkbuilding-Game. Agenturen bauten Links, rankten Seiten, verdienten an Traffic. Content war oft zweitrangig — Hauptsache für die richtigen Keywords optimiert und mit genug Backlinks ausgestattet. Das Spiel war lernbar, skalierbar und für Dienstleister hoch profitabel.
Das neue Modell: Semantisches Verstehen
KI-Suchmaschinen wie Perplexity, ChatGPT Search und Googles Gemini-gestützte AI Overviews funktionieren fundamental anders. Sie verwenden Large Language Models (LLMs), die Text semantisch verstehen — sie zählen nicht nur Stichwörter, sondern verstehen Bedeutung, Kontext und Zusammenhänge.
Was das in der Praxis bedeutet: Ein Dokument das die Frage "Wie reduziere ich Support-Kosten mit KI?" klar und vollständig beantwortet, wird einer KI-Suchmaschine wichtiger erscheinen als eine Seite mit hundert Backlinks die vage um das Thema herumschreibt.
Wie Perplexity intern arbeitet
Perplexity crawlt das Web in Echtzeit, wenn eine Anfrage gestellt wird. Es sucht nicht nach der Seite mit den meisten Links — sondern nach der Seite, die die Frage am präzisesten beantwortet. Der Mechanismus ähnelt einem sehr gut ausgebildeten Researcher, der binnen Sekunden die relevantesten Dokumente findet und synthetisiert.
- Echtzeit-Websuche via eigener Crawler-Infrastruktur
- Semantische Relevanzbewertung — nicht nur Keyword-Matching
- Quellenauswahl basierend auf Klarheit, Aktualität und erkennbarer Autorität
- Direkte Zitierung mit Source-Link — Quellen sind sichtbar
Wie Claude und ChatGPT mit Trainingsdaten arbeiten
Claude (Anthropic) und ChatGPT (OpenAI) haben im nicht-Search-Modus statisches Wissen aus ihrem Training-Cutoff. Websites, die während des Trainings oft zitiert wurden, haben eine höhere Präsenz in Antworten. Das macht regelmäßigen, qualitativ hochwertigen Content wichtiger als je zuvor — nicht für Rankings, sondern für die Wahrscheinlichkeit, Teil des nächsten Trainings-Corpus zu sein.
Content der in vielen seriösen Quellen referenziert wird, landet öfter im Trainings-Corpus zukünftiger KI-Modelle — ein Feedback-Loop der Sichtbarkeit, der sich selbst verstärkt.
Claude, ChatGPT, Perplexity — unterschiedliche Strategien
Die drei wichtigsten KI-Suchplattformen verfolgen unterschiedliche Ansätze, was unterschiedliche GEO-Optimierungsstrategien nahelegt:
Claude (Anthropic) ist LLM-nativ und zitiert in seiner Search-Funktion verlässliche, gut strukturierte Quellen. Anthropic trainiert explizit auf E-E-A-T-ähnliche Qualitätssignale — Autorenschaft und strukturierte Metadaten spielen eine besonders große Rolle.
ChatGPT Search kombiniert Bing-Index mit eigenem Crawl und OpenAI-spezifischer Relevanzbewertung. Aktualität und Autorität werden ähnlich wie bei Claude gewichtet, aber die Bing-Basis bedeutet, dass klassische SEO-Signale nicht irrelevant sind.
Perplexity ist eine KI-Suchmaschine mit expliziter Quellen-Attribution. Jede Antwort zeigt Quellenlinks — das macht Perplexity zum direktesten Vehikel für GEO-Sichtbarkeit. Wer bei Perplexity zitiert wird, ist sichtbar für den Nutzer.
Die 5 Unterschiede zu Google
| Merkmal | KI-Suchmaschinen | |
|---|---|---|
| Ergebnis-Typ | Ranking-Liste (10 Links) | Direkte Antwort mit Quellen |
| Primär-Signal | Backlinks + PageRank | Semantische Relevanz + E-E-A-T |
| Autor-Identifikation | Optional, hilfreich | Kritisch — maschinenlesbar nötig |
| Aktualität | Freshness-Signal vorhanden | Fresh Content erhält deutlich mehr Gewicht |
| Content-Format | Keywords + Struktur | Vollständige Antworten + Citation-Würdigkeit |
Was KI-Modelle als "vertrauenswürdig" erkennen
Aus meiner Arbeit mit diversen Projekten an der Schnittstelle von KI und Content lassen sich fünf verlässliche Signale identifizieren, die KI-Modelle als Vertrauensindikatoren werten:
- Klare Autorenschaft: Name und Credentials sichtbar,
schema.org/Person-Markup vorhanden - Spezifische, beantwortbare Fragen: Keine vagen Buzzword-Texte, sondern direkte Antworten auf konkrete Fragen
- Konsistente Expertise: Autor schreibt immer über dasselbe Thema — kein Gemischtwarenladen
- Zitierbare Fakten und Zahlen: Mit Quellenangabe, nicht "Studien zeigen, dass..."
- Strukturiertes HTML: H1 → H2 → H3, semantische Elemente (
<article>,<section>) statt<div>-Spaghetti
Vergleich: Eine Suchanfrage bei Google vs. Claude
Um den Unterschied greifbar zu machen, hier ein konkretes Beispiel für dieselbe Anfrage auf beiden Plattformen:
Anfrage: "Wie optimiere ich meinen Blog für KI-Suchmaschinen?"
Google-Ergebnis:
→ 10 Links mit unterschiedlicher Qualität
→ Nutzer klickt auf Link 1-3, liest Artikel
→ Conversion hängt von der Website ab
Claude-Ergebnis:
→ Direkte Antwort: "Für GEO-Optimierung empfehle ich:
1. Schema.org Article-Markup implementieren
2. Klare Autorenschaft mit Person-Schema
3. Vollständige Antworten statt Teaser-Inhalte"
→ Quellen: [forgeproject.eu/blog], [weitere Quellen]
→ Nutzer hat Antwort — klickt möglicherweise auf QuelleKonsequenz für deine Content-Strategie
Du optimierst jetzt nicht mehr für einen Algorithmus — du optimierst für ein Sprachmodell, das so trainiert wurde, wie ein sorgfältiger menschlicher Leser zu reagieren. Das bedeutet konkret:
- Schreib für echte Fragen, nicht für Keywords
- Mach Autorenschaft unübersehbar — Name, Credentials, Schema.org
- Verwende klare Struktur — H1, H2, H3 logisch verschachtelt
- Beantworte Fragen vollständig — keine Teaser-Artikel die den Leser auf die nächste Seite locken
- Publiziere regelmäßig — Aktualität ist ein Gewichtungsfaktor
Im nächsten Artikel: Der GEO-Audit — die 5 konkreten Faktoren die du heute auf deiner Website prüfen und verbessern kannst.