Website für KI-Suche optimieren: 7 Schritte in 2026

Version 1.0: Juli 2026
Praxisleitfaden zur Optimierung von Webseiten für KI-Suchsysteme, basierend auf aktuellen Referral-Daten aus GA4-Auswertungen (Goodie Wave 2, SE Ranking AI Traffic Study, Conductor), auf ausgewerteten Server-Logs von KI-Crawlern und auf eigenen Messungen aus Kundenprojekten, die wir bei onlinewachsen seit 2025 auf GAIO umgestellt haben.
Nächste geplante Aktualisierung: Oktober 2026.

Quick Answer: Wie du deine Website für KI-Suche optimierst

Wer seine Website für KI-Suche optimieren will, arbeitet an drei Ebenen gleichzeitig: technische Zugänglichkeit für KI-Crawler, maschinenlesbare Struktur und zitierfähige Inhalte. Die wichtigsten Fakten im Überblick:

1. KI-Suche ist ein eigener Kanal, kein SEO-Nebeneffekt. Klassisches SEO liefert eine Position in einer Liste, KI-Suche liefert eine Zitation in einer Antwort. Beides folgt unterschiedlichen Regeln.
2. Das Volumen ist klein, die Qualität nicht. KI-Referrals machen aktuell rund 1 Prozent des Website-Traffics aus, konvertieren aber je nach Branche 4 bis 5 mal besser als organischer Google-Traffic.
3. Es gibt nicht mehr eine KI-Suchmaschine, sondern vier. ChatGPT liegt bei rund 63 bis 75 Prozent der KI-Referrals, Claude, Gemini und Perplexity teilen sich den Rest. Die Verteilung verschiebt sich monatlich.
4. Der häufigste technische Fehler ist die robots.txt. Viele Betreiber blockieren unbewusst OAI-SearchBot oder Claude-SearchBot und schließen sich damit aus KI-Antworten aus, ohne es zu merken.
5. Trainings-Crawler und Such-Crawler sind zwei verschiedene Dinge. GPTBot sammelt Trainingsdaten, OAI-SearchBot holt Inhalte für Live-Antworten. Beide lassen sich getrennt steuern.
6. llms.txt ist aktuell kein Ranking-Faktor. Auswertungen von über 500 Millionen Bot-Requests zeigen, dass die relevanten Crawler die Datei praktisch nicht abrufen. Sie schadet nicht, ersetzt aber keine saubere HTML-Struktur.
7. Zitiert wird, was extrahierbar ist. Eine klare Antwort in den ersten 100 Wörtern eines Abschnitts, sauberes Schema Markup und serverseitig gerendertes HTML entscheiden darüber, ob ein Modell deine Seite als Quelle nutzt.

Dieser Artikel beschreibt nicht die Theorie hinter KI-Suche, sondern die konkreten Eingriffe an einer bestehenden Website, mit denen sich Sichtbarkeit in ChatGPT, Claude, Gemini und Perplexity aufbauen lässt. Alle genannten Werte stammen aus den unten aufgeführten Quellen und aus eigenen Messungen.

Was sich in der Suche tatsächlich verändert hat

Die verbreitete Erzählung lautet: KI frisst Google, der Traffic bricht weg, Panik. Das ist die falsche Zuspitzung. Die Zahlen zeigen etwas Differenzierteres, und wer die Nuance nicht versteht, optimiert am Ziel vorbei.

KI-Referrals machen derzeit rund 1 Prozent des gesamten Website-Traffics aus. Das ist wenig. Gleichzeitig ist dieser Traffic in zwei Jahren um den Faktor 16 gewachsen und konvertiert deutlich besser als klassischer Suchtraffic. Studien aus 2025 und 2026 zeigen im Branchenschnitt eine 4- bis 5-fach höhere Conversion Rate gegenüber organischem Google-Traffic, mit einer breiten Spannweite je nach Branche. Im B2B-Umfeld und bei erklärungsbedürftigen Dienstleistungen liegt der Faktor deutlich höher, im Ecommerce mit geringer Kaufüberlegung deutlich niedriger.

Der Grund ist naheliegend. Wer über eine KI-Antwort auf deiner Seite landet, hat bereits eine Vorauswahl durchlaufen. Das Modell hat deine Seite aus hunderten möglichen Quellen als relevant eingestuft und der Nutzer hat sich bewusst entschieden, dem Link zu folgen, obwohl er die Antwort schon hatte. Das ist eine andere Ausgangslage als ein Klick auf Position 4 einer Ergebnisliste.

Der zweite Effekt betrifft die Seiten, die keinen Klick bekommen. Wenn ein Modell deine Marke in einer Antwort nennt, ohne dass jemand klickt, findet trotzdem Markenbildung statt. Dieser Effekt taucht in keinem Analytics-Tool auf. Er ist trotzdem real und der eigentliche Grund, warum Generative Engine Optimization nicht mit Klickzahlen allein bewertet werden kann.

Der Unterschied zwischen SEO und Optimierung für KI-Suche

Beide Disziplinen teilen sich eine Grundlage und trennen sich dann. Wer den Unterschied nicht sauber versteht, macht entweder das eine doppelt oder das andere gar nicht.

Was gleich bleibt

Crawlbarkeit, Ladezeit, saubere HTML-Semantik, thematische Tiefe und Autorität sind die Basis für beides. Eine Seite, die Google nicht indexieren kann, wird auch von keinem KI-System zitiert. Wer noch bei den Core Web Vitals oder bei der Indexierung Probleme hat, braucht über KI-Sichtbarkeit noch nicht nachzudenken.

Was anders ist

SEO optimiert auf Ranking, KI-Suche optimiert auf Extraktion. Google bewertet eine Seite als Ganzes und weist ihr eine Position zu. Ein Sprachmodell zerlegt deine Seite in Abschnitte, bewertet einzelne Passagen auf ihre Eignung als Antwortbaustein und zitiert die Passage, nicht die Seite.

Das hat eine praktische Konsequenz, die viele übersehen: In der KI-Suche gewinnt nicht die längste Seite, sondern die Seite mit dem präzisesten Absatz. Ein 4000-Wörter-Ratgeber, in dem die Antwort auf eine konkrete Frage in Abschnitt 7 versteckt ist, verliert gegen eine 900-Wörter-Seite, die dieselbe Frage in Absatz 2 sauber beantwortet.

Was komplett neu ist

Die Zielgruppe der Optimierung ist kein Ranking-Algorithmus mehr, sondern ein Retrieval-System. Ein Modell greift bei einer Live-Anfrage über RAG auf einen Index zu, holt sich passende Textabschnitte und formuliert daraus eine Antwort. Optimieren heißt in diesem Kontext: dafür sorgen, dass deine Passage im Retrieval-Schritt gefunden und im Generierungs-Schritt bevorzugt wird.

Technische Basis: Was KI-Crawler auf deiner Seite tatsächlich sehen

Bevor irgendein Content-Thema relevant wird, muss die technische Ebene stimmen. Hier liegen die meisten Fehler, und sie sind unsichtbar, weil sie in keinem SEO-Tool rot aufleuchten.

Die robots.txt Falle

Der mit Abstand häufigste Fehler, den wir in Audits finden: Eine robots.txt aus 2023, die GPTBot blockiert, weil damals jemand nicht wollte, dass die eigenen Inhalte in Trainingsdaten landen. Der Effekt heute ist ein anderer als beabsichtigt.

Trainings-Crawler und Such-Crawler sind getrennte User-Agents und lassen sich unabhängig steuern. OpenAI dokumentiert das explizit: GPTBot sammelt Inhalte, die in Trainingsdaten fließen können. OAI-SearchBot holt Inhalte, um Seiten in ChatGPT-Suchantworten anzuzeigen. Wer OAI-SearchBot ausschließt, erscheint nicht in ChatGPT-Suchantworten. Bei Anthropic gilt dieselbe Trennung zwischen ClaudeBot (Training) und Claude-SearchBot (Retrieval).

Die vernünftige Konfiguration für die meisten Unternehmen sieht so aus:

User-agent: OAI-SearchBot
Allow: /

User-agent: Claude-SearchBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: GPTBot
Allow: /

Wer die eigenen Inhalte nicht in Trainingsdaten sehen will, setzt bei GPTBot, ClaudeBot, Google-Extended und CCBot auf Disallow und lässt die Such-Crawler auf Allow. Das ist eine strategische Entscheidung, keine technische. Sie gehört ins Unternehmen und nicht in ein Plugin-Default.

Wichtig: Ein Allow in der robots.txt ist noch kein Beweis, dass die Bots auch kommen. Prüfe monatlich deine Server-Logs auf GPTBot, ClaudeBot, OAI-SearchBot und PerplexityBot. Wenn ein Bot zwei Wochen lang nicht auftaucht, sind die üblichen Verdächtigen ein Security-Plugin-Update, eine CDN-Einstellung oder eine versehentliche robots.txt-Änderung.

JavaScript-Rendering ist ein hartes Ausschlusskriterium

Googlebot rendert JavaScript. KI-Crawler tun das überwiegend nicht oder nur eingeschränkt. Wenn dein Hauptinhalt clientseitig nachgeladen wird, sieht ein KI-Crawler ein leeres Grundgerüst.

Für WordPress- und Elementor-Seiten ist das in der Regel unkritisch, weil das HTML serverseitig ausgeliefert wird. Kritisch wird es bei Single-Page-Applications, bei Inhalten hinter Accordions, die per JS befüllt werden, und bei Lazy-Loading-Konstruktionen, die Text erst beim Scrollen in den DOM schreiben. Der Test dauert 30 Sekunden: Rechtsklick, Seitenquelltext anzeigen, Strg+F nach einem Satz aus deinem Haupttext suchen. Findest du ihn nicht im Quelltext, findet ihn auch kein KI-Crawler.

Redirect-Ketten kosten Zitationen

Ein Detail, das kaum jemand auf dem Schirm hat: Such-Crawler sind bei Weiterleitungen deutlich ungeduldiger als Googlebot. Beobachtungen aus 2026 zeigen, dass Trainings-Crawler wie GPTBot und ClaudeBot bis zu fünf Hops tolerieren, die Live-Such-Crawler wie OAI-SearchBot und Claude-SearchBot dagegen bereits beim dritten Hop abbrechen. Googlebot verkraftet zehn.

Das bedeutet: Eine Kette aus 301- und 302-Weiterleitungen, die für Google unproblematisch ist, kann eine Seite still und ohne Fehlermeldung aus KI-Antworten entfernen. Zielwert ist maximal ein Hop. Wer nach einem Relaunch alte URLs über zwei Zwischenstationen weiterleitet, sollte das dringend auf direkte Redirects umbauen.

llms.txt: die ehrliche Einordnung

Die llms.txt wird in der GEO-Szene als Ranking-Faktor verkauft. Die Datenlage stützt das nicht. Auswertungen von über 500 Millionen KI-Bot-Requests aus dem Frühjahr 2026 zeigen, dass der Anteil der Requests, die tatsächlich auf /llms.txt zugreifen, statistisch vernachlässigbar ist. Die Crawler, die Zitationen erzeugen, holen sich das HTML direkt.

Trotzdem empfehlen wir die Datei, aber aus einem anderen Grund. Sie kostet nichts, sie schadet nicht, und sie wird relevant, sobald KI-Agenten im Auftrag von Nutzern gezielt Kontext zu einem Unternehmen abrufen. Das ist die Ebene, auf der die Datei heute schon Wirkung zeigt. Als Ranking-Hebel für ChatGPT-Zitationen ist sie es nicht. Wir haben die Mechanik hinter KI-Sichtbarkeit an anderer Stelle ausführlicher aufgeschlüsselt.

Content-Struktur: Wie man Inhalte zitierfähig macht

Wenn die Technik steht, entscheidet die Struktur des Textes darüber, ob ein Modell deine Passage als Antwortbaustein verwendet. Es gibt hier keine Magie, sondern eine handvoll Prinzipien, die sich in der Praxis reproduzierbar bewähren.

Prinzip 1: Die Antwort steht zuerst

Jeder Abschnitt, der eine Frage beantwortet, beginnt mit der Antwort. Nicht mit Kontext, nicht mit Hinführung, nicht mit einer rhetorischen Frage. Ein Modell, das einen Abschnitt bewertet, liest die ersten Sätze. Steht dort keine verwertbare Aussage, wandert der Abschnitt in die zweite Reihe.

Konkret heißt das: Der Absatz unter einer H2 mit der Frage „Was kostet eine Unternehmenswebsite“ beginnt mit einer Preisspanne und einer Begründung, nicht mit „Diese Frage lässt sich nicht pauschal beantworten.“ Genau dieser Satz ist der zuverlässigste Weg, aus jeder KI-Antwort herauszufallen.

Prinzip 2: Ein Thema, eine Seite, eine klare Grenze

Keyword-Kannibalisierung ist im klassischen SEO ein Ärgernis. In der KI-Suche ist sie ein echtes Problem, weil das Retrieval-System bei zwei Seiten mit überlappender Aussage keine der beiden eindeutig als beste Quelle identifiziert. Eine Seite pro Thema, klar abgegrenzt, mit eindeutigem Fokus. Themen, die eng verwandt aber nicht identisch sind, gehören auf getrennte Seiten mit sauberer interner Verlinkung.

Prinzip 3: Fakten schlagen Adjektive

Sprachmodelle bevorzugen Passagen mit überprüfbarem Informationsgehalt. Zahlen, Datumsangaben, Prozentwerte, konkrete Verfahren und benannte Quellen erhöhen die Wahrscheinlichkeit einer Zitation messbar. Werbesprache reduziert sie. „Wir bieten maßgeschneiderte Lösungen für Ihren Erfolg“ enthält null verwertbare Information und wird von keinem Modell zitiert. „Ein WordPress-Relaunch mit Elementor dauert bei 15 bis 25 Seiten typischerweise 6 bis 10 Wochen“ ist eine zitierfähige Aussage.

Prinzip 4: FAQ-Sektionen sind keine Deko

Eine FAQ mit echten Nutzerfragen und knappen, vollständigen Antworten ist die dichteste Form zitierfähigen Contents, die es gibt. Jede Frage-Antwort-Einheit ist ein fertiger Antwortbaustein. Die Fragen sollten so formuliert sein, wie Menschen sie tatsächlich in ChatGPT eintippen, also als vollständige Frage in natürlicher Sprache, nicht als Keyword-Fragment.

Prinzip 5: Aktualität ist ein Signal

Modelle bevorzugen bei zeitkritischen Themen aktuelle Quellen. Ein sichtbarer Versionsstand, ein Aktualisierungsdatum und ein gepflegtes dateModified im Schema signalisieren Frische. Ein Ratgeber von 2023 ohne Update-Historie wird bei einer Frage nach dem aktuellen Stand zuverlässig übergangen.

Schema Markup: die maschinenlesbare Ebene

Schema Markup ist kein direkter Ranking-Faktor für KI-Suche, aber es ist der zuverlässigste Weg, einem Modell mitzuteilen, was auf der Seite steht, ohne dass es raten muss. Bei Entitäten, Autorschaft und Organisationszugehörigkeit ist es faktisch die einzige eindeutige Signalquelle.

Die vier Typen mit der höchsten Wirkung für die meisten Unternehmensseiten:

• Organization oder LocalBusiness auf der Startseite. Definiert die Entität, verknüpft sie über sameAs mit externen Profilen und macht sie damit für Modelle eindeutig identifizierbar.
• FAQPage auf allen Seiten mit FAQ-Sektion. Strukturiert die Frage-Antwort-Paare explizit als solche.
• Article oder BlogPosting auf allen redaktionellen Inhalten, mit sauberem author, datePublished und dateModified.
• Service auf Leistungsseiten. Beschreibt maschinenlesbar, was das Unternehmen anbietet und in welchem Gebiet.

Wichtiger als der Umfang ist die Konsistenz. Widersprüchliche Angaben zwischen Schema und sichtbarem Seiteninhalt schaden mehr, als fehlendes Schema es täte. Wer AggregateRating-Werte ins Schema schreibt, die nirgends auf der Seite auftauchen, produziert ein Vertrauensproblem statt eines Vertrauenssignals.

Autorität: Was außerhalb deiner Website passiert

Hier liegt der unbequeme Teil. Ein Modell bewertet deine Vertrauenswürdigkeit nicht primär anhand dessen, was du über dich schreibst, sondern anhand dessen, was andere über dich schreiben. Das ist der Faktor mit dem größten Hebel und dem geringsten Anteil an technischer Machbarkeit.

Analysen der Domains, die von KI-Systemen am häufigsten zitiert werden, zeigen ein wiederkehrendes Muster: Es sind überwiegend etablierte Marken, Nachrichtenquellen und Community-Plattformen. Reddit, Fachforen, Branchenmedien und Vergleichsportale tauchen in Zitationen deutlich häufiger auf als Unternehmensseiten. Wer in der KI-Suche als Quelle gelten will, muss außerhalb der eigenen Domain vorkommen.

Was in der Praxis funktioniert:

• Eigene Daten veröffentlichen. Eine kleine Studie, eine Auswertung, eine Preisübersicht mit echten Zahlen aus der eigenen Praxis. Solche Inhalte werden aufgegriffen und zitiert, weil sie an keiner anderen Stelle existieren.
• Fachliche Präsenz in Communities. Sachliche, hilfreiche Beiträge in Foren und auf Plattformen, auf denen die eigene Zielgruppe Fragen stellt. Ohne Werbecharakter, sonst wird es kontraproduktiv.
• Konsistente Entitäts-Signale. Firmenname, Adresse und Beschreibung identisch über Website, Google Unternehmensprofil, LinkedIn, Branchenverzeichnisse und Impressum. Modelle bauen Entitäten aus Übereinstimmungen. Jede Abweichung schwächt die Verknüpfung.
• Echte Bewertungen. Kundenbewertungen mit Text, nicht nur Sternen, auf Plattformen, die von Crawlern gelesen werden.

Das ist langsam. Es gibt keine Abkürzung, und jeder, der eine verkauft, verkauft etwas, das die Datenlage nicht hergibt.

Wie man KI-Sichtbarkeit tatsächlich misst

Das größte praktische Problem an diesem Kanal: Er ist in Standard-Analytics unsichtbar. KI-Referrals landen in GA4 häufig unter „Direct“ oder „Referral“ und verschwinden im Rauschen. Wer nicht misst, kann nicht bewerten, und bewertet dann nach Bauchgefühl.

Schritt 1: Referral-Traffic sichtbar machen

Lege in GA4 ein Segment oder einen Explorativ-Bericht an, der auf die Referrer-Domains der KI-Systeme filtert: chatgpt.com, perplexity.ai, claude.ai, gemini.google.com, copilot.microsoft.com. Damit hast du den Kanal isoliert und kannst Volumen und Conversion Rate getrennt beobachten.

Schritt 2: Server-Logs auf Crawler prüfen

Referral-Traffic zeigt nur die Nutzer, die geklickt haben. Die Crawler-Aktivität zeigt, ob deine Seite überhaupt in den Index kommt. Suche in den Raw Access Logs nach den relevanten User-Agents. Ein gesundes Muster zeigt regelmäßige Besuche der Such-Crawler. Bleiben sie aus, liegt ein technisches Problem vor.

Schritt 3: Prompt-Coverage prüfen

Definiere 15 bis 30 Fragen, die deine Zielgruppe realistisch in ein KI-System eintippen würde. Stelle sie in ChatGPT, Claude, Gemini und Perplexity. Dokumentiere, ob und wo deine Marke auftaucht. Wiederhole das monatlich. Das ist unaufwendig, kostet nichts und ist die einzige Metrik, die dir sagt, ob du in den Antworten vorkommst, in denen du vorkommen willst. Wie dieser Test konkret aufgebaut wird, haben wir in unserem Beitrag zum Testen der KI-Sichtbarkeit beschrieben.

Schritt 4: Die richtige Erwartung setzen

Erwarte keine Traffic-Explosion. Erwarte einen kleinen, hochwertigen Strom, der über Monate wächst, und einen Markenbildungs-Effekt, den du nicht messen kannst. Wer den Kanal an absoluten Sessionzahlen misst, wird ihn nach drei Monaten abschreiben und damit den falschen Schluss ziehen.

Die fünf häufigsten Fehler bei der Optimierung für KI-Suche

Fehler 1: KI-Crawler unbewusst blockieren

Eine alte robots.txt oder ein Security-Plugin, das Bot-Traffic pauschal filtert, schließt die Seite komplett aus KI-Antworten aus. Der Fehler ist unsichtbar, weil er in keinem SEO-Tool auffällt. Prüfung dauert fünf Minuten und ist der erste Schritt in jedem Audit.

Fehler 2: llms.txt als Wunderwaffe behandeln

Die Datei anzulegen ist gut, aber sie ersetzt keine einzige strukturelle Maßnahme. Wer eine llms.txt hochlädt und danach erwartet, in ChatGPT zu erscheinen, hat den Mechanismus nicht verstanden.

Fehler 3: Content aufblähen statt zuspitzen

Die SEO-Reflexlogik „mehr Wörter, besseres Ranking“ ist in der KI-Suche kontraproduktiv. Was zählt, ist die Extraktionsdichte, also der Anteil verwertbarer Aussagen pro Abschnitt. Ein aufgeblähter Ratgeber verdünnt die Zitierfähigkeit jedes einzelnen Absatzes.

Fehler 4: Nur auf ChatGPT optimieren

ChatGPT dominiert, aber die Verteilung verschiebt sich schnell. Auswertungen zeigen, dass sich die Domains, die von ChatGPT und Perplexity zitiert werden, nur zu rund 11 bis 12 Prozent überschneiden. Wer nur ein System testet, hat kein belastbares Bild seiner Sichtbarkeit. Wir haben die Multi-Engine-Problematik in einem eigenen Beitrag mit Daten durchgerechnet.

Fehler 5: Den Kanal an Klicks messen

Der Wert einer KI-Zitation liegt nicht nur im Klick. Ein Modell, das dein Unternehmen als Antwort auf eine Kaufabsichtsfrage nennt, hat Wirkung, auch wenn niemand klickt. Wer nur Sessions zählt, misst den kleineren Teil des Effekts.

Umsetzung in der richtigen Reihenfolge

Die Maßnahmen bauen aufeinander auf. Wer die Reihenfolge umdreht, verbrennt Aufwand. Diese Sequenz hat sich in unseren Projekten bewährt:

1. robots.txt prüfen und korrigieren. Such-Crawler auf Allow. Aufwand: 15 Minuten. Ohne diesen Schritt ist alles Weitere wirkungslos.
2. Rendering prüfen. Hauptinhalt muss im HTML-Quelltext stehen. Aufwand: 30 Minuten.
3. Redirect-Ketten auflösen. Maximal ein Hop. Aufwand: je nach Historie 1 bis 4 Stunden.
4. Schema Markup aufbauen. Organization, FAQPage, Article, Service. Konsistent zum sichtbaren Inhalt. Aufwand: 1 bis 2 Tage.
5. Content restrukturieren. Antwort zuerst, ein Thema pro Seite, Fakten statt Adjektive, echte FAQ. Das ist der zeitintensivste Teil und der mit der größten Wirkung.
6. Messung aufsetzen. GA4-Segment, Log-Monitoring, monatlicher Prompt-Test.
7. Autorität aufbauen. Läuft dauerhaft, zeigt Wirkung nach Monaten, nicht nach Wochen.

Häufig gestellte Fragen zur Optimierung für KI-Suche

Was ist der Unterschied zwischen SEO und GEO?

SEO optimiert eine Seite darauf, in einer Ergebnisliste möglichst weit oben zu ranken. GEO, also Generative Engine Optimization, optimiert Inhalte darauf, von einem KI-System als Quelle in einer generierten Antwort zitiert zu werden. Die technische Basis ist identisch, das Ziel und die Content-Struktur unterscheiden sich. GEO bewertet einzelne Passagen, SEO bewertet Seiten.

Muss ich GPTBot blockieren, um meine Inhalte zu schützen?

Das ist eine strategische Entscheidung. GPTBot sammelt Inhalte für Trainingsdaten. Wenn du das nicht willst, blockiere ihn. Wichtig ist nur, dabei OAI-SearchBot auf Allow zu lassen, sonst erscheinst du nicht mehr in ChatGPT-Suchantworten. Bei Anthropic gilt dasselbe für ClaudeBot (Training) und Claude-SearchBot (Suche).

Brauche ich wirklich eine llms.txt?

Nach aktueller Datenlage rufen die relevanten KI-Crawler die Datei praktisch nicht ab, sie ist also kein Ranking-Faktor für Zitationen. Sie kostet aber nichts und wird für KI-Agenten relevant, die gezielt Kontext zu einem Unternehmen abrufen. Anlegen ja, aber ohne die Erwartung, dass sie Sichtbarkeit erzeugt.

Wie lange dauert es, bis eine Website in KI-Antworten auftaucht?

Die technischen Maßnahmen wirken innerhalb weniger Wochen, sobald die Such-Crawler die Seite neu erfassen. Der Autoritätsaufbau, der darüber entscheidet, ob ein Modell dich bevorzugt zitiert, braucht Monate. Realistisch sind erste messbare Referrals nach 6 bis 12 Wochen, eine stabile Position in Antworten deutlich später.

Lohnt sich das bei nur 1 Prozent Traffic-Anteil überhaupt?

Die Rechnung geht nicht über das Volumen, sondern über die Qualität. KI-Referrals konvertieren im Schnitt 4 bis 5 mal besser als organischer Suchtraffic. Ein Prozent Traffic mit fünffacher Conversion Rate entspricht wirtschaftlich rund fünf Prozent regulärem Traffic. Dazu kommt der nicht messbare Markenbildungs-Effekt bei Nennungen ohne Klick.

Reicht es, wenn ich nur für ChatGPT optimiere?

Nein. ChatGPT liefert zwar den Großteil der KI-Referrals, aber die Überschneidung der zitierten Domains zwischen ChatGPT und Perplexity liegt bei rund 11 Prozent. Wer nur ein System testet, hat kein belastbares Bild. Die Grundmaßnahmen wirken ohnehin systemübergreifend, aber die Kontrolle muss über alle vier großen Systeme laufen.

Schadet KI-Suche meinem Google-Traffic?

AI Overviews reduzieren die Klickrate auf organische Ergebnisse deutlich. Seiten, die in einer AI Overview zitiert werden, erhalten allerdings mehr organische Klicks als nicht zitierte Seiten. Der Verlust trifft also vor allem die, die nicht als Quelle vorkommen. Das ist ein Argument für GAIO, nicht dagegen.

Funktioniert das auch mit WordPress und Elementor?

Ja, und in der Regel besser als mit vielen JavaScript-lastigen Frameworks, weil das HTML serverseitig ausgeliefert wird. Zu beachten sind saubere Heading-Hierarchie, keine Inhalte, die erst per JavaScript in den DOM geschrieben werden, und ein gepflegtes Schema Markup über Rank Math oder eine eigene Implementierung.

Fazit: Optimierung für KI-Suche ist Handwerk, keine Zauberei

Die Optimierung einer Website für KI-Suche besteht aus drei Ebenen, die aufeinander aufbauen: technische Zugänglichkeit für die richtigen Crawler, eine Content-Struktur, die einzelne Passagen extrahierbar macht, und Autoritätssignale außerhalb der eigenen Domain. Die ersten beiden Ebenen sind in wenigen Tagen umsetzbar. Die dritte braucht Monate und ist der eigentliche Wettbewerbsfaktor.

Wichtig ist die realistische Einordnung. Der Kanal ist heute klein und wächst schnell. Er ersetzt kein SEO, sondern kommt dazu, und er belohnt genau die Eigenschaften, die guten Content ohnehin auszeichnen: Klarheit, Präzision, überprüfbare Aussagen und ein sauberes technisches Fundament. Wer in den letzten Jahren solide gearbeitet hat, muss weniger nachrüsten, als die Panikartikel suggerieren. Wer Werbetexte ohne Informationsgehalt produziert hat, wird in der KI-Suche schneller unsichtbar als in Google.

Der erste Schritt für jeden, der jetzt anfängt, ist kein Content-Projekt. Es ist ein Blick in die eigene robots.txt und in die Server-Logs. Danach weißt du, ob du überhaupt im Rennen bist.

Bei onlinewachsen begleiten wir Unternehmen genau durch diesen Prozess, vom technischen Audit über die Content-Restrukturierung bis zum monatlichen Sichtbarkeits-Monitoring über alle vier großen KI-Systeme. Unsere Scaling Dienstleistungen verbinden klassisches SEO, GAIO und technische Infrastruktur. Oder kontaktiere uns direkt für eine erste Bewertung deiner KI-Sichtbarkeit.

Quellen

• Goodie AI Search Traffic Report 2026 (Wave 2): GA4-Referrer-Daten aus einem anonymisierten Brand-Panel, trianguliert gegen SimilarWeb-Daten. Grundlage für die Marktanteilsverteilung der KI-Referrals.
• SE Ranking AI Traffic Research Study: Analyse des Referral-Traffics der großen KI-Systeme, Grundlage für die Wachstumszahlen und den Anteil am Gesamt-Traffic.
• Pixis: Conversion-Analyse KI-Traffic: Aggregation mehrerer unabhängiger Studien aus 2025 und 2026 zur Conversion Rate von KI-Referrals inklusive Spannweiten nach Branche.
• Limy: llms.txt in 2026: Auswertung von über 500 Millionen KI-Bot-Traffic-Events zur tatsächlichen Abrufhäufigkeit der llms.txt durch die relevanten Crawler.
• No Hacks: AI User-Agent Landscape 2026: Referenz zu den aktuellen User-Agents, ihrer Trennung zwischen Training und Retrieval und ihrem robots.txt-Verhalten, verifiziert gegen die Herstellerdokumentation.
• OpenAI Bots Dokumentation: Offizielle Angaben zur Trennung von GPTBot und OAI-SearchBot und deren unabhängiger Steuerbarkeit.
• Schema.org: Referenz für die Schema-Typen Organization, FAQPage, Article und Service.
• Eigene Auswertungen aus Kundenprojekten bei onlinewachsen seit 2025: Server-Log-Analysen zur Crawler-Aktivität, GA4-Segmentierung der KI-Referrals und monatliche Prompt-Coverage-Tests über ChatGPT, Claude, Gemini und Perplexity.