RAG (Retrieval-Augmented Generation) erklärt: Wie KI entscheidet, welche Seiten sie sucht und zitiert

Für dich ist RAG also allein schon deswegen wichtig, weil ChatGPT, Google AI Mode und andere KI-Suchsysteme mit diesem Verfahren entscheiden können, welche Webseiten sie in ihre Antworten einbeziehen.

In diesem Guide erfährst du, wie RAG funktioniert, welche Inhalte besonders gute Chancen haben, abgerufen zu werden, und wie du deine Sichtbarkeit in KI-Systemen mit Ahrefs Brand Radar messen kannst.

Retrieval-Augmented Generation (RAG) ist eine Technik, mit deren Hilfe ein Large Language Model (LLM) zusätzliche Informationen aus einem Index abruft. Bei diesem Index kann es sich zum Beispiel um eine Suchmaschine, eine Wissensdatenbank oder eine Vektordatenbank handeln.

Das Sprachmodell sucht dabei gezielt nach Informationen, die zur aktuellen Anfrage passen. Es verlässt sich also nicht ausschließlich auf das Wissen, das es während seines Trainings erworben hat.

Große Sprachmodelle werden mit umfangreichen Datensätzen trainiert. Allerdings stößt das System manchmal auch an seine Grenzen.

Fragst du eine KI, was vergangene Woche passiert ist oder welche Informationen gerade in einer Datenbank abgespeichert sind, kennt sie diese möglicherweise nicht. Ohne zusätzliche Quellen müsste sie allein auf ihr vorhandenes Wissen zurückgreifen.

Besonders problematisch wird das Ganze, wenn du ein Sprachmodell nach Informationen fragst, die es noch nicht kennt. In solchen Situationen kann es sein, dass die gelieferten Antworten falsch sind und die KI zum Beispiel behauptet, dass ein Stoff, der eigentlich giftig ist, gesund sei. Erfundene Aussagen wie diese werden als „KI-Halluzinationen“ bezeichnet.

Und genau an dieser Stelle kommt Retrieval-Augmented Generation ins Spiel. Das Verfahren soll das Risiko rund um Halluzinationen dieser Art verringern. Hierzu erhält das Sprachmodell Zugriff auf passende (und möglichst aktuelle) Informationen.

So kann es das Wissen, das es in sich trägt, ergänzen oder sich bei der Antwort stärker auf die jeweils abgerufenen Quellen stützen. Dieses interne Wissen eines LLMs wird übrigens als „parametrisches Gedächtnis“ bezeichnet.

Manchmal wird dieser Vorgang auch mit „Grounding“ in Verbindung gebracht. Dabei stützt sich eine Antwort auf konkrete Quellen statt ausschließlich auf Muster, die das Modell während seines Trainings gelernt hat.

Die Bezeichnung „Retrieval-Augmented Generation“ beschreibt die drei grundlegenden Schritte des Verfahrens:

Die meisten KI-Anwendungen kombinieren Retrieval-Augmented Generation mit dem Wissen aus ihrem Training.

Der Search-User-Optimization-Experte Dorron Shapow spricht in diesem Zusammenhang von zwei Komponenten: Das Basismodell erzeugt Sprache anhand der Muster, die es während seines Trainings gelernt hat. Die Abrufkomponente sucht dagegen nach Quellen, die für die Antwort genutzt werden können.

Damit deine Inhalte zu einem Teil der internen Wissensbasis werden, müssten sie in die Trainingsdaten einfließen. Ob das geschieht, kannst du kaum gezielt beeinflussen.

Anders sieht es aber bei der Auswahl der zusätzlich abgerufenen Quellen aus. Hier hast du durchaus einige Möglichkeiten.

In vielerlei Hinsicht handelt es sich bei der Optimierung rund um diesen Abrufprozess um eine Erweiterung der klassischen Suchmaschinenoptimierung.

Jede KI-Antwort, die auf RAG basiert, basiert auf vier grundlegenden Schritten: Die KI entscheidet erst, ob eine Suche notwendig ist, sucht dann nach Informationen, ruft passende Inhalte ab und erzeugt am Ende daraus eine Antwort.

Was dabei im Einzelnen passiert, zeigt sich unter anderem am Beispiel von ChatGPT. Technische Untersuchungen geben Hinweise darauf, wie das System seine Quellen sucht und verarbeitet.

Bevor ein KI-System zusätzliche Informationen abruft, entscheidet es zunächst, ob es überhaupt externe Daten benötigt. Einfache Wissensfragen wie „Was ist ein VPN?“ kann ein Sprachmodell häufig anhand seines Trainingswissens beantworten. Eine zusätzliche Suche ist in diesem Fall nicht erforderlich.

Bei ChatGPT kommt (nach Untersuchungen von David McSweeney) zunächst ein kleineres Klassifikationsmodell zum Einsatz. Dieses gehört, ebenfalls laut McSweeney, zu einem System namens „sonicberry“.

Der Klassifikator bewertet anhand von Wahrscheinlichkeiten, wie aufwendig die Recherche zu einer Anfrage sein muss. Dabei unterscheidet er zwischen drei Möglichkeiten:

McSweeney hat sich ausführlich damit beschäftigt, wie ChatGPT seine Quellen abruft.

Andere KI-Systeme setzen diesen Schritt gegebenenfalls anders um. Das grundlegende Prinzip bleibt jedoch gleich und zeigt: Nicht jede Anfrage löst automatisch eine Suche aus.

Wenn ChatGPT für eine Antwort zusätzliche Informationen benötigt, erweitert das System die ursprüngliche Frage um mehrere verwandte Suchanfragen. Diese werden anschließend an einen externen Suchindex (wie Bing oder Google) übermittelt. Dort sucht das System dann nach den passenden Ergebnissen.

Diesen Vorgang nennt man Query Fan-out. Auf ihn gehen wir später noch ausführlicher ein.

Weiterführender Artikel: Was ist Query Fan-out?

Sobald das System eine Auswahl möglicher Quellen gefunden hat, entscheidet es, welche Seiten es vollständig abrufen soll. Laut einer Untersuchung des KI-Experten Dan Petrovic spielen dabei klassische Onpage-SEO-Elemente, wie zum Beispiel der Seitentitel, die Meta-Beschreibung beziehungsweise Zusammenfassung und die URL, eine Rolle.

Anhand all dieser Informationen kann das System beurteilen, welche Seiten für die Anfrage besonders relevant erscheinen.

Petrovic stellte außerdem fest, dass die Vorauswahl der abzurufenden Quellen von mehreren Kriterien abhängig sein kann:

Nicht alle KI-Assistenten beziehen ihre Informationen ausschließlich aus den aktuellen Suchergebnissen. Der KI-Experte Jérôme Salomon fand Hinweise darauf, dass ChatGPT einen eigenen Suchindex mit zwischengespeicherten Inhalten aufbaut.

Das würde bedeuten, dass das LLM nicht bei jeder Anfrage auf aktuelle Suchergebnisse zurückgreifen muss. Auch andere Fachleute haben untersucht, wie ChatGPT seine Quellen abruft. Suganthan Mohanadasan und Mark Williams-Cook fanden in den Netzwerkdaten Hinweise auf unterschiedliche Wege, über die Suchergebnisse bereitgestellt werden. Einer dieser Wege wird als „labrador“ bezeichnet.

Welche Funktion dieser Zugangsweg genau erfüllt, wurde zunächst unterschiedlich interpretiert. Eine spätere Untersuchung von RESONEO deutet darauf hin, dass es sich hierbei vor allem um einen eigenen Suchindex von OpenAI handelt. Dieser umfasst nicht ausschließlich Inhalte von Publishern mit Lizenzvereinbarungen.

Die Ergebnisse stammen aus externen technischen Untersuchungen. Sie liefern Einblicke in beobachtete Abläufe, beschreiben aber keine vollständig offiziell dokumentierte Architektur von ChatGPT.

Bevor die abgerufenen Webinhalte für eine KI-Antwort verwendet werden, zerlegt das System sie in kleinere Einheiten, sogenannte „Chunks“.

Stell dir vor, du zerlegst ein Buch in einzelne Kapitel. Anschließend untersuchst du, welches Kapitel eine bestimmte Frage am besten beantwortet. Nach einem ähnlichen Prinzip funktioniert das Chunking. Das System unterteilt eine Webseite in kleinere Abschnitte und ermittelt, welcher davon am besten zur Suchanfrage passt.

In vielen RAG-Systemen werden die Suchanfrage und die einzelnen Textabschnitte in numerische Darstellungen, sogenannte „Embeddings“, umgewandelt. Mithilfe mathematischer Verfahren wie der Kosinus-Ähnlichkeit kann anschließend ermittelt werden, wie ähnlich sich die Textinhalte sind.

Das klingt komplizierter, als es ist.

Stell dir eine große Landkarte vor, auf der jede Idee einen bestimmten Platz hat. Ähnliche Ideen liegen nah beieinander. Begriffe, die inhaltlich wenig miteinander zu tun haben, liegen weiter voneinander entfernt.

„Hund“ und „Welpe“ würden auf dieser Karte beispielsweise nah beieinanderliegen.

„Hund“ und „Skateboard“ wären dagegen weit voneinander entfernt.

Die Embeddings kannst du dir wie GPS-Koordinaten auf dieser Karte vorstellen. Jeder Textabschnitt erhält Koordinaten, die seine Bedeutung repräsentieren.

Die Kosinus-Ähnlichkeit ist eine mathematische Methode, mit deren Hilfe es möglich ist, die Ausrichtung dieser Darstellungen zu vergleichen. So lässt sich einschätzen, wie ähnlich die Inhalte sind.

Das KI-System ruft anschließend die Chunks ab, deren Embeddings am besten zu den jeweiligen Fan-out-Anfragen passen. Der Textabschnitt mit der größten semantischen Übereinstimmung hat dabei die besten Chancen, berücksichtigt zu werden.

Deshalb können konkrete und eindeutige Formulierungen helfen. Sie lassen sich leichter einer passenden Bedeutung zuordnen.

Die passenden Textabschnitte werden anschließend in das sogenannte Kontextfenster des Sprachmodells geladen. Dieses kannst du dir wie ein kurzfristiges Arbeitsgedächtnis vorstellen, in dem die abgerufenen Inhalte gemeinsam mit der ursprünglichen Frage des Nutzers zur Verfügung gestellt werden. Das Sprachmodell verwendet diese Informationen, um eine Antwort zu formulieren.

Die abgerufenen Inhalte stehen dem Sprachmodell jedoch nicht automatisch dauerhaft zur Verfügung.

Dan Petrovic hat dieses Verhalten in einem Experiment untersucht. Er forderte ein Sprachmodell zunächst auf, Informationen über eine bekannte Person abzurufen.

In einer anschließenden Nachricht fragte er nach einer bestimmten Textstelle aus den zuvor verwendeten Quellen.

Das Modell konnte sich nicht daran erinnern.

Das Experiment verdeutlicht einen wichtigen Unterschied: Informationen, die ein Sprachmodell während einer Anfrage abruft, werden nicht automatisch Teil seines dauerhaften Wissens. Stattdessen dienen die abgerufenen Inhalte zunächst dazu, die aktuelle Antwort zu erstellen. Sie stehen dem Modell anschließend nicht zwangsläufig weiterhin zur Verfügung.

Retrieval-Augmented Generation und Trainingsdaten werden im Alltag häufig miteinander verwechselt. Dabei erfüllen sie zwei vollkommen unterschiedliche Aufgaben.

Trainingsdaten bilden die Grundlage für das sogenannte „parametrische Gedächtnis“ eines KI-Modells. Hiermit ist das interne Wissen gemeint, das wir bereits weiter oben angesprochen haben. Dieses Wissen entsteht zunächst im Zusammenhang mit Training. Hierbei verarbeitet das Modell riesige Mengen allgemeiner Textdaten aus dem Internet und anderen Quellen, zum Beispiel aus Common Crawl.

Später besteht die Möglichkeit, das Modell durch ein sogenanntes „Fine-Tuning“ weiter anzupassen. Dazu wird es mit einem kleineren, speziell ausgewählten Datensatz trainiert. Auf diese Weise lassen sich sein Verhalten oder sein Wissen verändern.

In beiden Fällen werden die Modellparameter durch das Training angepasst. Das Modell kann anschließend auf die dabei erlernten Muster und Zusammenhänge zurückgreifen, ohne die ursprünglichen Trainingsdaten erneut abrufen zu müssen.

Auf diesen Prozess hast du allerdings kaum Einfluss. Der Entwickler entscheidet, wann das Modell trainiert wird und welche Daten hierzu verwendet werden. Du kannst weder beantragen, dass ein bestimmter Inhalt in die Trainingsdaten aufgenommen wird, noch gezielt darauf hinarbeiten oder zuverlässig überprüfen, ob deine Wünsche tatsächlich integriert wurden.

Bei Retrieval-Augmented Generation kannst du zumindest teilweise beeinflussen, ob deine Inhalte berücksichtigt werden.

Die Qualität, Struktur und Indexierung deiner Inhalte wirken sich darauf aus, ob ein KI-System sie bei einer Suche findet und abruft.

Wenn eine Nutzerfrage eine zusätzliche Recherche auslöst, kann das Modell aktuelle Informationen aus externen Quellen einbeziehen. Hierzu muss das betreffende Modell nicht erneut trainiert werden.

Bei vielen KI-Anwendungen spielt dieser Abrufmechanismus eine wichtige Rolle, wenn aktuelle Informationen in Antworten einfließen sollen.

Alle Maßnahmen, die wir in diesem Artikel behandeln, setzen direkt beim Abrufen der entsprechenden Informationen an. Dazu gehören beispielsweise klare Definitionen am Anfang eines Textes, relevante Entitäten, eine Frage-Antwort-Struktur und aktuelle Informationen.

Genau diesen Bereich kannst du mit deinen Inhalten beeinflussen.

Wenn deine Website in einer KI-Antwort zitiert wird, ist das ein Erfolg. Es bedeutet allerdings nicht, dass deine Marke dadurch automatisch Teil des grundlegenden Modellwissens geworden ist.

Der Search-User-Optimization-Experte Dorron Shapow bringt diesen Unterschied auf den Punkt. Seiner Einschätzung nach ist es durchaus sinnvoll, Inhalte für den Abruf durch KI-Systeme zu optimieren. Gerade bei kommerziellen Suchanfragen können solche Maßnahmen beeinflussen, welche Quellen ein System berücksichtigt.

Problematisch wird es jedoch, wenn du die Sichtbarkeit beim Abruf mit der Bedeutung deiner Marke im grundlegenden Modellwissen gleichsetzt.

Die Optimierung im Zusammenhang mit dem Abruf der jeweiligen Informationen kann bereits innerhalb weniger Wochen Wirkung zeigen. Ein dauerhaftes und einheitliches Markenverständnis aufzubauen, dauert dagegen wesentlich länger. Dafür muss deine Marke über zahlreiche Inhalte und Websites hinweg konsistent und eindeutig beschrieben werden.

Shapow bezeichnet diesen langfristigen Prozess als „Entity Coherence“, also als die „inhaltliche Konsistenz einer Entität“. Bis ein solches Markenbild fest im Wissen zukünftiger KI-Modelle verankert ist, können Jahre vergehen.

Query Fan-out ist ein Prozess, der im Hintergrund abläuft, wenn du eine Anfrage an ein KI-System stellst. Anstatt ausschließlich nach deinen ursprünglichen Suchbegriffen zu suchen, zerlegt das System deine Frage in mehrere verwandte Teilanfragen. Diese werden einzeln ausgeführt. Anschließend führt die KI die gefundenen Quellen zusammen.

Angenommen, jemand stellt bei Google die Frage: „Was passiert, wenn ich für einen Zitronenkuchen normales Weizenmehl durch Vollkornmehl ersetze?“

Das zugrunde liegende KI-Suchmodell würde nicht nur nach dieser Formulierung suchen. Es könnte zusätzlich folgende Anfragen verwenden:

Anschließend führt das System die Informationen zu einer Antwort zusammen.

Bei den meisten komplexeren Anfragen sind KI-Systeme dazu in der Lage, solche zusätzlichen Recherchen automatisch durchzuführen.

Einige SEO-Fachleute haben auch bereits Methoden entwickelt, um die internen Teilanfragen sichtbar zu machen.

Metehan Yeşilyurt hat beispielsweise eine Technik ins Leben gerufen, mit der sich Google AI Mode dazu bringen lässt, die Suchanfragen auszugeben, die das System für das Grounding verwendet hat.

Wenn du diese Anfragen nicht selbst untersuchen möchtest, kannst du sie auch in Ahrefs Brand Radar auswerten.

Der Bericht „AI Responses“ zeigt die Fan-out-Anfragen, die ChatGPT, Grok und Perplexity zu bestimmten Prompts erzeugen.

Beim Query Fan-out zerlegt die KI deine Frage in kleinere Teilanfragen und führt die zugehörigen Suchen parallel zueinander aus. Anschließend kombiniert sie die Ergebnisse und bewertet ihre Relevanz erneut. Dieser Vorgang wird auch als „Re-Ranking“ bezeichnet.

Anschließend kann das System die Ergebnisse der verschiedenen Teilanfragen zusammenführen und daraus geeignete Quellen für seine Antwort auswählen.

Die Darstellung ist bewusst vereinfacht. Wenn du tiefer in das Thema einsteigen möchtest, findest du weitere Informationen im Ahrefs-Guide „What Is Query Fan-Out? Understanding the Hidden Queries Driving AI Search“.

Das Prinzip lässt sich auch auf eine deutschsprachige Anfrage übertragen. Angenommen, jemand fragt einen KI-Assistenten: „Welche ist die beste Kreditkarte für Österreich?“…

Das System könnte daraus beispielsweise folgende Teilanfragen ableiten:

Damit würde die KI verschiedene Entscheidungskriterien berücksichtigen, noch bevor sie eine Antwort formuliert.

Wichtig: Diese Teilanfragen sind hypothetische Beispiele. Sie wurden nicht aus einer tatsächlichen KI-Recherche ausgelesen!

In Bezug auf ChatGPT und andere KI-Suchsysteme baut Retrieval-Augmented Generation (RAG) auf Suchmaschinenoptimierung auf.

Daher betrachten viele Marketing- und SEO-Fachleute die KI-Suche als zusätzliche Ebene über klassischen Suchmaschinen wie Google. Schließlich greifen einige KI-Assistenten auch stark auf deren Suchergebnisse zurück.

Wenn ChatGPT, Perplexity oder Google AI Overviews für eine Antwort zusätzliche Informationen aus dem Web benötigen, können sie auf Suchindizes und andere externe Quellen zurückgreifen. Dabei verwenden die Systeme unterschiedliche Suchindizes und Crawler. Google Gemini und AI Overviews nutzen Google Search. Microsoft Copilot greift auf Bing zurück. ChatGPT verwendet Bing und laut Untersuchungen möglicherweise auch Google. Claude nutzt Brave Search.

Die folgende Tabelle zeigt, welche Suchquellen offiziell bestätigt sind und welche Verbindungen auf externen Untersuchungen beruhen.

Damit wird deutlich: Die Abrufkomponente großer KI-Systeme stützt sich auf Suchmaschinen und deren Indizes. Für deine Inhalte hat genau das drei wichtige Folgen:

Trotz einiger Unterschiede sind SEO und GEO eng miteinander verbunden. Welche Websites in KI-Antworten besonders häufig als Quellen erscheinen, zeigen wir in unserer Auswertung der 1.000 meistzitierten Seiten bei ChatGPT.

Wenn deine Inhalte für Suchmaschinen und KI-Crawler schwer zugänglich sind, sinken ihre Chancen, von KI-Systemen gefunden und für Antworten berücksichtigt zu werden.

Wenn du möchtest, dass KI-Systeme deine Inhalte häufiger abrufen und zitieren, solltest du einige grundlegende Punkte beachten.

Die folgenden acht Maßnahmen helfen dir dabei, deine Inhalte für Retrieval-Augmented Generation (RAG) zu optimieren.

1. Stelle sicher, dass KI-Crawler deine Inhalte abrufen können

Viele KI-Crawler können bestimmte Webseiten nicht vollständig lesen. Das betrifft beispielsweise Inhalte, die erst durch JavaScript geladen werden. Auch Texte in Bildern und Informationen in Tabs oder aufklappbaren Bereichen, die erst durch eine Nutzeraktion erscheinen, sind für manche Bots schwer zugänglich.

Direkt im HTML verfügbare Inhalte sind für viele KI-Crawler leichter zugänglich als Informationen, die erst durch JavaScript nachgeladen werden.

Der SEO-Experte Daniel Foley Carter weist ebenfalls darauf hin, dass JavaScript-Inhalte für KI-Crawler problematisch sein können.

Ein Beispiel zeigt, welche Folgen das hat.

Suganthan Mohanadasan untersuchte die Netzwerkdaten zahlreicher ChatGPT-Unterhaltungen. Dabei analysierte er auch, wie ChatGPT nach Informationen sucht und seine Quellen auswählt. Bei einer Anfrage zu B2B-SaaS-Produkten konnte ChatGPT die offiziellen Preise von Ahrefs finden. Bei den Anbietern Profound und Peec hatte das System dagegen Schwierigkeiten.

ChatGPT verwies darauf, dass die Preisinformationen möglicherweise durch JavaScript verborgen seien.

Stattdessen griff ChatGPT auf Drittanbieter wie G2 zurück. Im untersuchten Fall konnte ChatGPT die benötigten Preisinformationen nicht zuverlässig aus den offiziellen Quellen entnehmen.

Das Beispiel zeigt, warum du wichtige Informationen möglichst direkt im HTML bereitstellen solltest. Gerade Preise, Produktmerkmale und andere zentrale Angaben müssen für KI-Crawler leicht zugänglich sein. Sonst besteht das Risiko, dass ein System auf andere Quellen zurückgreift.

Eine wichtige Einschränkung: Nicht jedes Problem bei der Preisrecherche liegt an JavaScript. Manche Unternehmen veröffentlichen ihre Preise grundsätzlich nicht.

In diesem Fall versucht die KI möglicherweise, fehlende Informationen aus anderen Quellen zusammenzustellen. Die daraus abgeleiteten Preise müssen nicht stimmen.

JavaScript ist nicht der einzige Grund, warum KI-Crawler deine Inhalte nicht abrufen können.

Du solltest außerdem kontrollieren, ob deine robots.txt oder die Regeln deiner Firewall wichtige Bots blockieren. Dazu gehört beispielsweise OAI-SearchBot, den OpenAI für die Suche nach Webinhalten verwendet.

Wenn du möchtest, dass deine Website über diese Abrufe in KI-Antworten berücksichtigt werden kann, darfst du den Bot nicht unbeabsichtigt aussperren.

Wie verbreitet solche Zugriffsbeschränkungen sind, zeigt die Ahrefs-Studie zu KI-Bot-Blockraten im DACH-Raum.

Nutzt du Cloudflare, kannst du mit Ahrefs Bot Analytics untersuchen, wie KI-Bots deine Website besuchen.

Du siehst unter anderem, welche Seiten die Bots besonders häufig aufrufen und bei welchen URLs Zugriffsprobleme auftreten.

Neben den Crawler-Einstellungen wird auch die Datei llms.txt als Möglichkeit diskutiert, KI-Systemen den Zugang zu Websiteinhalten zu erleichtern. Welche Bedeutung sie tatsächlich hat, untersuchen wir in unserer llms.txt-Studie.

Ein Content Delivery Network (CDN) kann ebenfalls beeinflussen, ob KI-Systeme deine Inhalte abrufen können. Deshalb solltest du überprüfen, welche Crawler dein CDN zulässt oder blockiert.

Cloudflare unterscheidet inzwischen zwischen Crawlern für die Suche, KI-Training und KI-Agenten. Je nach Einstellung können bestimmte Bots blockiert werden. Websitebetreiber sollten deshalb prüfen, ob ihre Regeln tatsächlich nur unerwünschte Zugriffe verhindern oder auch die Auffindbarkeit ihrer Inhalte beeinträchtigen.

Besonders problematisch ist es, wenn zusätzlich Suchmaschinen-Crawler wie Googlebot oder Bingbot blockiert werden. Dies kann die Auffindbarkeit deiner Inhalte in klassischen Suchergebnissen und damit möglicherweise auch in KI-Antworten beeinträchtigen.

LinkedIn, Suganthan Mohanadasan, Dixon Jones, and Mark Williams-Cook.

Prüfe deshalb die tatsächlichen Einstellungen deiner Website. Entscheidend ist, dass du unerwünschte Zugriffe einschränkst, ohne wichtige Such-Crawler versehentlich auszusperren.

Auch für Websites in Deutschland, Österreich und der Schweiz lohnt sich ein Blick auf die tatsächlichen Bot-Zugriffe. Besonders wichtig ist, zwischen bewusst blockierten Trainings-Crawlern und Bots für die KI-Suche zu unterscheiden.

Weitere Informationen zu diesem Thema findest du in unserer Studie zu den KI-Bot-Blockraten in der DACH-Region.

2. Platziere deine wichtigsten Informationen am Anfang

Eine Untersuchung von ChatGPT-Zitationen deutet darauf hin, dass Inhalte am Anfang einer Webseite besonders häufig als Quelle herangezogen werden. Das zeigt eine Untersuchung von Kevin Indig zu 1,2 Millionen ChatGPT-Zitationen.

  <caption>Quelle: Kevin Indigs Analyse von 1,2 Millionen ChatGPT-Zitationen, zitiert im englischen Ahrefs-Original.</caption>

Die ersten 30 Prozent eines Textes erhielten demnach 44,2 Prozent aller untersuchten Zitationen. Auf den mittleren Bereich entfielen 31,1 Prozent, auf den letzten Bereich lediglich 24,7 Prozent.

Für deine Texte bedeutet das: Platziere Definitionen, zentrale Aussagen und eigene Daten möglichst weit oben. Statt die wichtigste Erkenntnis bis zum Schluss aufzusparen, solltest du direkt mit der Antwort beginnen.

Dieses Prinzip heißt Bottom Line Up Front (BLUF).

Wenn eine Zwischenüberschrift eine Frage stellt, sollte der erste Satz darunter möglichst schon die Antwort liefern. Du solltest die entscheidende Information nicht erst nach zwei einleitenden Absätzen nennen.

Diese Vorgehensweise kann auch beim Abruf von Informationen durch RAG-Systeme hilfreich sein, weil zentrale Aussagen so leichter in einzelnen Textabschnitten erkennbar sind.

Gleichzeitig profitieren auch deine Leser von diesem Vorgehen.

Eye-Tracking-Untersuchungen zeigen, dass Nutzer dem oberen Seitenbereich besonders viel Aufmerksamkeit schenken. Weiter unten werden Inhalte zunehmend überflogen. Steht die entscheidende Aussage erst im dritten Absatz, wird sie möglicherweise gar nicht wahrgenommen.

3. Optimiere deine Inhalte für Fan-out-Themen

KI-Systeme suchen bei komplexen Fragen häufig nach mehreren verwandten Themen. Wenn du mit deinen Inhalten bei diesen Teilanfragen gefunden werden möchtest, solltest du auch passende Unterthemen berücksichtigen.

Ein guter Ausgangspunkt sind die Bereiche „Ähnliche Fragen“ und „Ähnliche Suchanfragen“ bei Google. Dort findest du Fragen und Begriffe, die Nutzer im Zusammenhang mit deinem Hauptthema interessieren.

Auch der Bericht „Questions“ im Ahrefs Keywords Explorer hilft dir dabei, entsprechende Alternativen zu finden. Er zeigt verwandte Suchanfragen, aus denen du weitere Themen für deine Inhalte ableiten kannst.

Prüfe anschließend, welche dieser Fragen du auf deiner bestehenden Seite sinnvoll beantworten kannst. Umfangreichere Unterthemen eignen sich gegebenenfalls für einen eigenen Artikel. So deckst du nicht nur die ursprüngliche Suchanfrage ab, sondern erhöhst auch die Chance, bei thematisch passenden Fan-out-Anfragen als Quelle berücksichtigt zu werden.

4. Verbessere die Ladegeschwindigkeit deiner Seiten

Langsame Webseiten sind für jede Suchmaschine problematisch. Bei der KI-Suche können die Folgen allerdings noch gravierender sein.

SEO-Berater David McSweeney hat untersucht, wie ChatGPT Webseiten für seine Antworten abruft. Seinen Beobachtungen zufolge scheint ChatGPT beim Abruf von Quellen ein Zeitlimit von ungefähr zwei Sekunden zu nutzen. Reagiert dein Server zu langsam, kann das System den Abruf abbrechen. Selbst wenn die Verbindung rechtzeitig zustande kommt, wird möglicherweise nur ein Teil der Seite übertragen.

Entscheidend ist dabei unter anderem die Time to First Byte (TTFB). Diese Kennzahl beschreibt, wie lange es dauert, bis der Server das erste Byte seiner Antwort sendet.

McSweeney unterscheidet zwei Fälle:

Die Ladegeschwindigkeit kann somit darüber entscheiden, ob deine Inhalte überhaupt im Kontextfenster des Sprachmodells landen.

Die genannten Zeiten beruhen auf McSweeneys Untersuchung. Sie sind keine offiziell bestätigten, allgemeingültigen Grenzwerte für sämtliche KI-Systeme.

Mit Ahrefs Site Audit kannst du die TTFB deiner Webseiten untersuchen.

Gehe dafür folgendermaßen vor:

Öffne in Site Audit den Bericht „Performance“.

Suche das Diagramm „Time to first byte distribution“.

Klicke auf den Bereich „Medium: 200–300 ms“, um mögliche Optimierungschancen zu finden.

Sortiere die Ergebnisse anschließend nach organischem Traffic. So kannst du Seiten mit viel organischem Traffic bei der Optimierung bevorzugt berücksichtigen.

Wenn dein Server zu langsam reagiert, wird eine Seite möglicherweise nie für eine KI-Antwort berücksichtigt.

Das Problem ist nicht immer sofort sichtbar. Schließlich kann ein Bot die Verbindung einfach beenden, bevor der Server seine Antwort vollständig übertragen hat.

SEO-Experte Jan-Willem Bobbink sucht deshalb in Serverlogs nach dem HTTP-Statuscode 499. Dieser Code bedeutet häufig, dass der Client die Verbindung geschlossen hat, bevor der Server seine Antwort vollständig senden konnte.

Ein solcher Eintrag kann auf ein Geschwindigkeitsproblem hindeuten, ist dafür allein aber noch kein Beweis. Mit dem Bericht „Status Codes“ in Ahrefs Bot Analytics kannst du prüfen, bei welchen Seiten solche Verbindungsabbrüche auftreten.

Ahrefs hat diese Daten auch für die eigene Website untersucht. Im betrachteten Monat erhielten 43,7 Prozent der untersuchten Seiten mindestens eine Anfrage von ChatGPT-User, die mit dem Statuscode 499 endete.

Nachdem Ahrefs die Daten auf Zugriffe von ChatGPT-User gefiltert hatte, zeigte sich: Die meisten 499-Meldungen betrafen den Blog. Auch einige Zugriffe auf die Preisseite waren betroffen.

Allerdings bedeutet ein 499-Statuscode nicht automatisch, dass deine Website zu langsam wäre.

Bei Bot-Zugriffen kommen zwei Erklärungen infrage:

Im zweiten Fall kann der Verbindungsabbruch sogar ein Zeichen für effizientes Crawling sein.

Um einen echten Ladezeitengpass zu erkennen, solltest du prüfen, ob mehrere unterschiedliche KI-Bots dieselbe URL vorzeitig verlassen.

Wenn beispielsweise GPTBot, ClaudeBot, der Crawler von Meta und der Bot von Manus dieselbe Seite abbrechen, spricht das eher für ein Problem mit der Website. Schließlich ist es weniger wahrscheinlich, dass vier voneinander unabhängige Systeme zufällig dieselbe URL aus unterschiedlichen bot-spezifischen Gründen verlassen.

Ahrefs zeigt dazu ein eigenes Beispiel: Bei der /blog/-Seite wurden 499-Statuscodes für Zugriffe von sieben verschiedenen KI-Bots registriert.

Solche übereinstimmenden Abbrüche können auf ein serverseitiges Problem hindeuten. Mögliche Ursachen sind aufwendig aufgebaute Seiten, clientseitiges JavaScript oder zusätzliche Skripte von Drittanbietern. Die Blogseite wäre deshalb ein Kandidat für eine genauere Ladezeitenanalyse.

Ein weiterer wichtiger Punkt: Der Statuscode 499 bezieht sich nicht nur auf die Zeit bis zum ersten Byte. Er kann auch entstehen, wenn die Übertragung der restlichen Seite zu lange dauert. Deshalb solltest du (neben der TTFB) auch die vollständige Ladezeit überprüfen.

Der Filter „Loading time“ in Ahrefs Site Audit liefert dafür einen hilfreichen Anhaltspunkt. Er berücksichtigt die Ladezeit des gesamten Dokuments.

Dabei gibt es allerdings eine Einschränkung: Der Ahrefs-Crawler verhält sich nicht zwangsläufig genauso wie die Bots von KI-Systemen. Er führt möglicherweise kein JavaScript aus, lädt andere Ressourcen oder wird von Schutzmechanismen anders behandelt.

Eine kurze Ladezeit in Ahrefs Site Audit beweist deshalb nicht, dass ein KI-Bot deine Seite ebenfalls problemlos abrufen kann. Trotzdem handelt es sich hierbei um eine wichtige zusätzliche Kennzahl. Am aussagekräftigsten wird die Analyse, wenn du sie mit deinen Serverlogs und den tatsächlichen Bot-Zugriffen vergleichst.

5. Erstelle fundierte Inhalte mit relevanten Entitäten

Besonders häufig zitierte Inhalte weisen laut einer von Ahrefs angeführten Untersuchung eine vergleichsweise hohe Dichte an Entitäten auf. Laut einer Untersuchung von Kevin Indig liegt diese bei etwa 20,6 Prozent. Bei durchschnittlichen Inhalten beträgt sie dagegen nur fünf bis acht Prozent. (Entitäten sind „eindeutig benannte Dinge“. Dazu gehören beispielsweise Personen, Unternehmen, Marken, Produkte, Tools und Studien.)

„Ein SEO-Tool“ ist keine konkrete Entität. „Ahrefs“ dagegen schon.

Relevante Entitäten können deinem Text zusätzliche Anknüpfungspunkte für unterschiedliche Suchanfragen geben. Dadurch verbessern sich möglicherweise die Chancen, dass er auch bei thematisch verwandten Fragen berücksichtigt wird. Das bedeutet allerdings nicht, dass du möglichst viele Namen in deinen Text einbauen solltest.

Wahlloses Entity-Stuffing bringt dir keine zusätzlichen Zitationen. Entscheidend ist, dass die genannten Entitäten tatsächlich zur Suchanfrage und zum Inhalt passen.

Beim Query Fan-out nutzen KI-Systeme verwandte Begriffe und Formulierungen, um unterschiedliche Aspekte einer Anfrage abzudecken. Auf diese Weise ist das System dazu in der Lage, die Suchergebnisse genauer auf die ursprüngliche Nutzerabsicht abstimmen.

Angenommen, jemand fragt ChatGPT: „Welche sind die zehn besten Laufschuhe?“

Das KI-Modell könnte daraus unter anderem folgende Teilanfragen entwickeln:

Solche zusätzlichen Suchbegriffe können dem System helfen, verschiedene Aspekte der ursprünglichen Anfrage zu berücksichtigen und passende Quellen zu finden.

Was bedeutet das für deine Inhalte?

David McSweeney beschreibt den Unterschied sinngemäß so: Allgemeine Seiten, die viele Themen oberflächlich behandeln, können bei zahlreichen Suchanfragen einigermaßen gut abschneiden. Spezialisierte Seiten, die ein bestimmtes Thema ausführlich behandeln, haben dagegen bessere Chancen, bei genau diesem Thema als Quelle ausgewählt zu werden.

Wenn du häufiger zitiert werden möchtest, solltest du deine Inhalte deshalb auf konkrete und relevante Entitäten ausrichten.

Bei einer Ahrefs-Studie mit 1,4 Millionen ChatGPT-Prompts zeigte sich, dass die Titel zitierter Seiten den internen Fan-out-Anfragen von ChatGPT semantisch stärker ähnelten als die Titel nicht berücksichtigter Seiten.

Das bedeutet: Nicht nur der allgemeine Themenbezug zählt. Auch die konkreten Begriffe und Entitäten im Seitentitel können eine Rolle spielen.

Mit Ahrefs Brand Radar kannst du untersuchen, welche Fan-out-Anfragen hinter einem Prompt stehen. Anschließend vergleichst du die darin enthaltenen Entitäten mit deinem Seitentitel.

Eine einfache Möglichkeit besteht darin, bestehende Inhalte zu überprüfen und ungenaue Aussagen durch konkrete Informationen zu ersetzen.

Zum Beispiel:

So machst du deutlicher, auf welche Unternehmen, Untersuchungen oder Technologien sich deine Aussagen beziehen.

Mit der Natural Language API von Google kannst du untersuchen, welche Entitäten Google in deinem Text erkennt. Die kostenlose Demoversion zeigt dir die erkannten Entitäten und die Kategorie, der Google deinen Inhalt zuordnet. Bei der vollständigen API-Nutzung kannst du zusätzlich den sogenannten Salience-Wert auswerten. Er gibt an, wie wichtig eine Entität für den jeweiligen Text ist.

Du kannst damit deine eigene Seite und eine gut rankende Seite zum gleichen Keyword vergleichen.

Achte dabei auf folgende Punkte:

Alternativ kannst du deinen Entwurf mit dem Ahrefs AI Content Helper überprüfen.

Das Tool vergleicht deine Inhalte mit gut rankenden Seiten für dein Zielkeyword. Dabei zeigt es dir, welche Themen die anderen Seiten behandeln und welche Aspekte in deinem Text fehlen. So kannst du Lücken erkennen, die möglicherweise verhindern, dass deine Inhalte bei bestimmten Fan-out-Anfragen berücksichtigt werden.

6. Biete einen echten Informationsgewinn

Relevante Entitäten können dazu beitragen, dass KI-Systeme deine Inhalte abrufen. Zuvor stellt sich allerdings eine andere Frage: Braucht das KI-System deine Inhalte überhaupt, um eine Antwort zu erstellen?

Ein bekannter Systemprompt von Claude deutet darauf hin, dass der KI-Assistent bei bestimmten Anfragen bewusst auf eine externe Suche verzichtet. Darin wird eine Anweisung namens never_search beschrieben. Sie betrifft Fragen zu Informationen, die als zeitlos oder weitgehend unveränderlich gelten.

Bei solchen Fragen kann Claude auf sein Trainingswissen zurückgreifen, ohne zusätzliche Webseiten aufzurufen oder zu zitieren.

Growth Advisor Gaetano DiNardi vermutet, dass andere große Sprachmodelle nach einem ähnlichen Prinzip arbeiten. Seiner Einschätzung nach bieten Webseiten, die ausschließlich allgemein bekanntes Wissen wiedergeben, kaum einen zusätzlichen Nutzen für die KI-Suche.

Dahinter steckt das Prinzip des Information Gain, also des Informationsgewinns.

Viele grundlegende Informationen und häufig wiederholte Aussagen zu einem Thema können bereits im Trainingswissen eines Sprachmodells enthalten sein. Inhalte, die darüber hinaus keine zusätzlichen Erkenntnisse liefern, bieten dem Modell bei einer externen Recherche entsprechend wenig neuen Informationswert.

Dazu gehören beispielsweise:

Solche Inhalte können für eine KI-Antwort einen zusätzlichen Nutzen bieten.

Der ehemalige OpenAI-Forscher Karthik Narasimhan hat gemeinsam mit Forschenden der Princeton University untersucht, welche Maßnahmen die Sichtbarkeit in generativen Suchsystemen verbessern können. Die Ergebnisse wurden in einer wissenschaftlichen Studie zu Generative Engine Optimization veröffentlicht.

In den untersuchten generativen Suchsystemen konnten bestimmte Optimierungsmaßnahmen die gemessene Sichtbarkeit um bis zu 40 Prozent verbessern.

Die folgende Tabelle zeigt die Ergebnisse.

Die Werte zeigen, dass die bloße Wiederholung von Keywords keine geeignete Strategie ist. Konkrete Belege und zusätzliche Informationen schnitten in dieser Untersuchung besser ab.

Allerdings handelt es sich um Ergebnisse einer einzelnen Studie. Sie sollten nicht als Erfolgsversprechen für jede Website oder jedes KI-System verstanden werden.

Kevin Indig stellte außerdem fest, dass Datumsangaben und Zahlen zu den Entitätstypen gehören, die besonders stark mit ChatGPT-Zitationen zusammenhängen.

Eine weitere Untersuchung stammt von SEO-Experte Eric Lancheres. Er analysierte 150 rankende Webseiten. Dabei erwies sich die Anzahl einzigartiger Datenpunkte in seiner Untersuchung als der stärkste Prädiktor für die Platzierung.

Für deine Content-Strategie bedeutet das: Veröffentliche nicht nur Zusammenfassungen bereits bekannter Informationen. Eigene Daten, konkrete Beispiele und nachvollziehbare neue Erkenntnisse können deinen Inhalten einen Mehrwert geben.

Bei Retrieval-Augmented Generation geht es nicht nur darum, dass die KI deine Seite findet. Sie muss darin auch Informationen entdecken, die ihre Antwort tatsächlich verbessern.

7. Verwende eine Frage-Antwort-Struktur

In der Untersuchung von Kevin Indig wurden Inhalte mit einer Frage-Antwort-Struktur etwa doppelt so häufig von ChatGPT zitiert wie Inhalte ohne diese Struktur. Bei entsprechend strukturierten Inhalten lag der Anteil der Zitationen mit Frage-Antwort-Struktur bei 18 Prozent. Bei Inhalten ohne Frage-Antwort-Struktur waren es lediglich 8,9 Prozent.

Auch hier zeigt sich, wie wichtig das bereits erwähnte BLUF-Prinzip ist: Die wichtigste Information gehört an den Anfang. KI-Systeme versuchen, die Frage eines Nutzers einem Textabschnitt zuzuordnen, der sie möglichst genau beantwortet.

Wenn du eine Frage als Zwischenüberschrift verwendest und direkt darunter eine klare Antwort gibst, erleichterst du diesen Abgleich.

Der SEO-Experte Suganthan Mohanadasan weist darauf hin, dass sich KI-Zitationen auf konkrete Aussagen beziehen. Eine Webseite wird also nicht allein deshalb zitiert, weil sie sich mit dem richtigen Thema beschäftigt. Sie muss auch eine bestimmte Aussage in der KI-Antwort überzeugend belegen können.

Eine Frage-Antwort-Struktur hilft ChatGPT und anderen KI-Systemen, solche eindeutigen Übereinstimmungen zu erkennen.

Mohanadasan hat außerdem beobachtet, dass ChatGPT Suchergebnisse nach Domains zusammenführt, um doppelte Quellen zu vermeiden. Deshalb sind 20 oberflächliche Seiten auf deiner Website nicht automatisch mit 20 Chancen auf eine Zitation gleichzusetzen.

Laut Mohanadasans Untersuchung versucht ChatGPT, besonders passende Seiten für die ursprüngliche Nutzerfrage und die zusätzlichen Fan-out-Anfragen auszuwählen.

Platziere deine stärkste Antwort deshalb auf der relevantesten Seite. Verteile sie nicht auf zahlreiche kurze Beiträge, die jeweils nur einen Teil der Frage beantworten.

Nicht jede Webseite, die ein KI-System abruft, wird anschließend auch als Quelle genannt. Der SEO-Experte Eli Schwartz weist darauf hin, dass ein Großteil der betrachteten Seiten bereits ausscheidet, bevor die KI ihre endgültige Antwort formuliert.

Mit Ahrefs Brand Radar kannst du untersuchen, ob das auch deine Inhalte betrifft. Verwende dafür im entsprechenden Bericht den Filter „Found but not cited“ („Gefunden, aber nicht zitiert“). Damit kannst du KI-Antworten identifizieren, bei denen ChatGPT deine Seite zwar als mögliche Quelle berücksichtigt, letztlich aber nicht zitiert hat.

Vergleiche anschließend deine Inhalte mit den tatsächlich zitierten Seiten. Achte insbesondere darauf, welche konkreten Fragen die anderen Seiten beantworten und wie deutlich sie ihre wichtigsten Aussagen formulieren.

So kannst du gezielt nachbessern, statt deine Inhalte nur allgemein zu erweitern.

8. Halte deine Inhalte aktuell

RAG-Systeme bevorzugen häufig aktuelle Inhalte. Ahrefs hat dazu 17 Millionen KI-Zitationen untersucht. Das Ergebnis: KI-Assistenten zitieren im Durchschnitt aktuellere Inhalte als klassische Suchmaschinen. Die von KI-Systemen zitierten URLs waren im Mittel 25,7 Prozent aktueller als die URLs in den regulären organischen Suchergebnissen.

Außerdem stellte Ahrefs fest, dass ChatGPT und Perplexity ihre Zitationen tendenziell von neueren zu älteren Quellen anordnen.

Auch technische Untersuchungen deuten darauf hin, dass Aktualität beim Abruf eine Rolle spielt. Metehan Yeşilyurt entdeckte in einer ChatGPT-Konfiguration die Einstellung use_freshness_scoring_profile: true.

Diese Einstellung deutet darauf hin, dass das System bei der Bewertung möglicher Quellen ein Aktualitätskriterium berücksichtigen kann.

Für deine Content-Strategie bedeutet das: Überprüfe wichtige Seiten regelmäßig und aktualisiere veraltete Informationen.

Dabei helfen dir beispielsweise folgende Maßnahmen:

Auch kleinere, inhaltlich sinnvolle Aktualisierungen können dazu beitragen, dass eine Seite als aktuell erkannt wird. Das bloße Ändern des Datums ohne neue Informationen bietet dagegen keine Vorteile.

Im Zusammenhang mit Retrieval-Augmented Generation gilt es, eine wichtige Einschränkung zu beachten: KI-Systeme rufen nicht immer die aktuelle Live-Version einer Webseite ab. Stattdessen verwenden sie teilweise Inhalte, die bereits im Suchindex zwischengespeichert wurden.

Wenn du deinen Artikel gestern aktualisiert hast, kann es deshalb passieren, dass ein KI-Assistent heute noch auf eine ältere Version zurückgreift. Eine Aktualisierung führt also nicht zwangsläufig sofort zu neuen oder veränderten KI-Zitationen.

Plane deshalb ausreichend Zeit ein, bevor du die Wirkung deiner Änderungen beurteilst.

Deine Inhalte für Retrieval-Augmented Generation (RAG) zu optimieren, ist wichtig. Allerdings solltest du auch überprüfen, ob deine Maßnahmen tatsächlich Wirkung zeigen.

Mit Ahrefs Brand Radar kannst du beobachten, wie sichtbar deine Marke in den KI-Antworten ist.

Einen zusätzlichen Überblick über häufig zitierte Quellen bietet unsere Auswertung der Top 50 der meistzitierten Websites bei ChatGPT in Deutschland.

Das Tool hilft dir dabei, herauszufinden, welche KI-Systeme deine Inhalte zitieren und bei welchen Themen du noch Verbesserungspotenzial hast.

Die folgenden fünf Anwendungsmöglichkeiten zeigen dir, wie du deine Sichtbarkeit bei RAG gezielt untersuchen kannst.

1. Ermittle deine aktuelle Sichtbarkeit

Bevor du deine Inhalte optimierst, solltest du wissen, wie sichtbar deine Marke bereits ist. Suche in Brand Radar nach deinem Markennamen. So erkennst du, wie häufig deine Marke bei relevanten Themen in den KI-Antworten erscheint und welche Plattformen deine Website zitieren.

Wird deine Marke nur selten oder überhaupt nicht erwähnt, untersuche, welche anderen Unternehmen stattdessen als Quellen auftauchen. Damit erhältst du eine Ausgangsbasis, an der du spätere Veränderungen messen kannst.

2. Finde heraus, welche KI-Plattformen dich zitieren

Nicht jedes KI-System sucht sich seine Quellen auf dieselbe Weise aus. Stattdessen nutzen die verschiedenen Plattformen unterschiedliche Abrufverfahren. Dabei können sie Aktualität, Autorität und Inhaltsstruktur unterschiedlich gewichten.

Mit der Plattformübersicht in Brand Radar kannst du erkennen, wo deine Website bereits sichtbar ist und wo noch Luft nach oben ist.

So wäre es zum Beispiel möglich, dass Google AI Mode deine Website regelmäßig zitiert, während du bei Perplexity kaum vorkommst.

Wenn deine Inhalte auf einer KI-Plattform deutlich seltener zitiert werden als auf anderen, kann dies an den unterschiedlichen Verfahren zur Suche und Auswahl von Quellen liegen.

Wenn eine Seite bei Google gut rankt, bei Bing aber nicht, würdest du zunächst nach Bing-spezifischen Ursachen suchen. Dazu gehören beispielsweise Unterschiede bei der Bewertung von Links, Entitäten oder der Indexierung.

Das bedeutet nicht automatisch, dass die Seite insgesamt qualitativ schlecht wäre. Dasselbe Prinzip gilt für deine Sichtbarkeit in KI-Systemen.

3. Untersuche, welche Suchanfragen Zitationen bringen

Wenn du weißt, bei welchen Anfragen deine Website zitiert wird, erkennst du, welche Inhalte bereits funktionieren. Gleichzeitig kannst du verwandte Suchanfragen entdecken, bei denen deine Marke noch nicht auftaucht.

Durch Query Fan-out kann deine Website auch über Teilanfragen gefunden werden, die du bei deiner Content-Planung nicht berücksichtigt hast. Dass sie anschließend in der KI-Antwort zitiert wird, ist allerdings nicht garantiert.

Die Datenbank von Brand Radar enthält Millionen bereits erfasster Suchanfragen.

Mit ihrer Hilfe kannst du neue Themen und Content-Möglichkeiten entdecken, die dir bei einer herkömmlichen Keyword-Recherche möglicherweise entgangen wären.

4. Überprüfe, ob deine Optimierungen zu mehr Zitationen führen

Wenn du deine Inhalte für RAG überarbeitet hast, solltest du anschließend ihre Entwicklung beobachten. Vielleicht hast du wichtige Aussagen nach dem BLUF-Prinzip an den Anfang gestellt. Oder du hast zusätzliche Fan-out-Themen, Statistiken und konkrete Beispiele ergänzt.

Mit Brand Radar kannst du in den folgenden Wochen beobachten, ob deine Website nach den Änderungen häufiger zitiert wird.

Daraus entsteht ein wiederholbarer Ablauf:

Optimieren → Veröffentlichen → Messen → Nachbessern

Dieses Vorgehen kennst du bereits aus der klassischen Suchmaschinenoptimierung.

Dort beobachtest du, wie sich deine Rankings nach Änderungen entwickeln. Bei der KI-Suche überprüfst du zusätzlich, ob deine Inhalte häufiger als Quellen erscheinen.

5. Vergleiche deine Sichtbarkeit mit der Konkurrenz

Mit Brand Radar kannst du außerdem untersuchen, welche Wettbewerber bei deinen wichtigsten Themen besonders häufig von KI-Systemen zitiert werden. Sieh dir anschließend an, wie deren meistzitierte Seiten aufgebaut sind und welche Informationen sie enthalten.

Dafür kannst du in Brand Radar die Berichte „AI Responses“ oder „Cited Pages“ verwenden.

Filtere beispielsweise nach KI-Antworten, in denen deine Marke nicht erwähnt wird. Untersuche anschließend, welche Wettbewerber dort stattdessen auftauchen und welche Webseiten als Quellen zitiert werden.

So erkennst du, bei welchen Themen deine Marke in den untersuchten KI-Antworten bislang nicht vorkommt, während Wettbewerber bereits sichtbar sind.

Welche Fragen beantworten sie besonders gut? Welche konkreten Informationen bieten sie? Wie strukturieren sie ihre wichtigsten Aussagen?

Mit diesen Erkenntnissen kannst du deine eigenen Inhalte gezielt verbessern und bestehende Lücken schließen.

Retrieval-Augmented Generation ermöglicht es KI-Systemen, zusätzliche Informationen aus externen Quellen abzurufen und für ihre Antworten zu nutzen. Bei der Auswahl geeigneter Inhalte können unter anderem die technische Zugänglichkeit, die Ladegeschwindigkeit und die Übereinstimmung mit der Suchanfrage eine Rolle spielen.

Mit Ahrefs Brand Radar kannst du überprüfen, ob deine Inhalte in ChatGPT, Perplexity, Google AI Overviews und anderen KI-Systemen zitiert werden, die deine Zielgruppe verwendet.