„Wir haben den Artikel umgeschrieben — und die KI nennt trotzdem die anderen”
Im Meeting sagt jemand: Lass uns den Beitrag mal für die KI überarbeiten.
Also überarbeitest du ihn. Zahlen rein, Quellen rein, Überschriften sortiert.
Einen Monat später stellst du der KI dieselbe Frage — und bekommst wieder deine Wettbewerber serviert.
Ging mir genauso. Und das Ärgerliche daran ist gar nicht der Fehlschlag. Ärgerlich ist, dass nichts davon falsch war. Die Seite ist ja tatsächlich besser als vorher.
Nur: Da gibt es eine Untersuchung, die mal mitverfolgt hat, was die KI zwischen deiner Frage und ihrer Antwort eigentlich treibt. Und danach sieht die Sache strukturell aus, nicht nach Qualitätsproblem.
Ein Team der ShanghaiTech University hat die Arbeit im Juli 2026 aktualisiert (zur Studie). Schauen wir uns das mal an.
Wie viele Seiten liest eine KI, bevor sie einen Namen nennt?
Eine KI mit Web-Zugriff antwortet nicht aus dem Gedächtnis. Sie sucht, öffnet eine Seite, folgt einem Link, öffnet die nächste. Und erst dann legt sie sich fest.
Ein heißt im Kern genau das: ein Modell, das selber losläuft und nachschaut. Sprich: Du optimierst nicht mehr für einen Leser, der auf deiner Seite landet, sondern für eine Maschine, die unterwegs Belege einsammelt.
Im Experiment durfte sie pro Frage fünfmal suchen und fünf Seiten abrufen.
Heißt, sie liest nicht eine Seite und entscheidet dann. Sie läuft eine Strecke ab und gleicht ab, was sie unterwegs aufsammelt. Und genau diese Strecke ist der Ort, an dem das Rennen läuft.
Ein erfundenes Produkt fest auf Platz fünf — und dann gemessen
Der Aufbau ist ein bisschen ungewöhnlich.
Die Forscher haben neun echte Suchtreffer genommen und die Seite eines erfundenen Produkts fest auf Platz fünf dazwischengeschoben.
Warum fest? Damit der Ranking-Effekt rausfällt und nur noch übrig bleibt, was nach dem Klick passiert.
Insgesamt 3.124 Kombinationen aus Frage und Produkt, mit echten Vergleichs- und Empfehlungsfragen.
Verändert wurde dann nur, was hinter diesem Platz steckte:
- eine einzelne Seite für sich allein (die Referenz)
- dieselbe Seite, aufpoliert mit drei bestehenden -Verfahren, also Content-Optimierung speziell für KI-Antworten
- sechs verschiedene Seitenarten, sprachlich angeglichen und untereinander verlinkt
Das letzte Setup nennt das Team TRACE. Die sechs Arten sind: offizielle Website, Bewertungen, ein Fachbeitrag, eine Nachricht, ein Forenthread und ein Social-Post. Davor noch eine leichte Einstiegsseite, die als Wegweiser auf die anderen sechs zeigt.
Sechs abgestimmte Auftritte: 67,2 % gegen 35,9 %
Und was kam raus? Der Anteil der Antworten, in denen die KI das Produkt als passende Option genannt hat:
- einzelne Seite: 35,9 %
- sechs abgestimmte Auftritte (TRACE): 67,2 %
In zwei weiteren Datensätzen ging es in dieselbe Richtung: 56,2 % → 71,9 % und 59,0 % → 73,9 %. Jeweils rund fünfzehn Punkte obendrauf.
Und jetzt kommt der spannende Teil.
Die drei klassischen GEO-Verfahren, die an einer einzelnen Seite arbeiten, wurden im selben Experiment mitgemessen: 35,9 %, 35,9 % und 28,1 %.
Gegen eine Referenz von 35,9 % ist das nichts, nichts und schlechter. Das Umschreiben aus dem Meeting, sauber in Zahlen.
Gewirkt hat nicht der Text, sondern der Weg
Was hat es dann gebracht? Das Team hat die Bedingungen nochmal aufgedröselt: gleiche Unterstützungsseiten, verändert wurde nur die Anordnung.
- verstreut, ohne Abstimmung: 75,0 %
- sprachlich angeglichen und untereinander verlinkt: 82,8 %
- zusätzlich die Einstiegsseite davor: 89,1 %
Wohlgemerkt: Diese Werte stammen aus anderen Bedingungen als die Tabelle oben, also nicht direkt nebeneinanderlegen. Worauf es ankommt, ist etwas anderes — dasselbe Material steigt Stufe für Stufe, allein durch die Anordnung.
Es kam keine einzige Information dazu. Verändert hat sich nur der Weg, den die KI beim Belegesammeln nimmt.
Und beim Zuschalten der Einstiegsseite stieg konkret eins: wie oft die KI internen Links folgt. Gibst du ihr einen Wegweiser, geht sie in die Tiefe. Gibst du ihr keinen, liest sie halt eine Seite und ist fertig.
Wie viel Gewicht diese Studie tragen kann
Hier bremse ich mich mal selber.
Es ist ein Preprint, also ohne Begutachtung durch Fachkollegen. Das Experiment lief in einer kontrollierten Umgebung, nicht im offenen Web.
Das Produkt war erfunden, und getestet wurde einzig GPT-5.1. Wie schwer es überhaupt ist, diesen fünften Platz zu bekommen, steckt in der Bewertung gar nicht drin.
Und die Autoren schreiben selbst in ihrer Ethik-Erklärung, dass sie von einer Anwendung auf reale Systeme und das offene Web abraten. Den Code veröffentlichen sie auch nicht vollständig.
Nochmal: Was man hier mitnimmt, ist kein Trick. Es ist der Mechanismus — wie ein KI-Agent Belege einsammelt, bevor er antwortet.
Die brauchbare Lesart lautet also nicht „bauen wir uns mal ein paar Auftritte”. Sie lautet: „Liegen die Auftritte, die es über uns längst gibt, eigentlich verstreut herum?”
Prüf das Bündel, nicht die Seite
Ob eine KI dich nennt, entscheidet sich nicht an der Qualität einer einzelnen Seite. Es entscheidet sich daran, ob es Auftritte verschiedener Art über dich gibt — und ob die dieselben Fakten in denselben Worten erzählen.
Und ganz ehrlich, neu ist die Anforderung nicht. Website-Text, Referenzkunden, der Eintrag im Vergleichsportal, der Vortrag, der Thread in der Community: Das existiert doch meistens schon. Nur der Firmenname, die Kategoriebeschreibung und der Einzeiler zum Geschäft wackeln eben von Auftritt zu Auftritt ein bisschen. Für die KI ist genau dieses Wackeln das, was den Abgleich kaputtmacht. Andersrum gelesen: Da liegt noch Wirkung rum, ohne dass du irgendwas Neues erfinden musst.
In dieselbe Richtung ging es hier schon zweimal. Der Beitrag über die drei Signale, die deine KI-Sichtbarkeit um 40 % heben betraf das Innere einer Seite; der über die Frage, woher ChatGPT die Firmennamen nimmt betraf die Auftritte außerhalb deiner Kontrolle. Die neue Arbeit sagt: Das sind keine zwei getrennten Projekte, sondern ein Bündel.
Also: Schreib die Auftritte, die über dich reden, nach Art sortiert auf und bring die Fakten zur Deckung. Und danach miss nach, ob dein Name jetzt öfter fällt als vorher — sonst hast du aufgeräumt und weißt nichts.
Bevor du einen siebten Auftritt baust, gleich lieber einen der verstreuten an.
Quellen
- Hengwei Ye, Jiasheng Mao, Zhenhan Guan, Zheng Tian (ShanghaiTech University), „EcoGEO: Trajectory-Aware Evidence Ecosystems for Web-Enabled LLM Search Agents”, arXiv:2605.12887v2, 1. Juli 2026, arxiv.org (Ausgangspunkt ist, dass KI-Agenten mit Web-Zugriff ihre Empfehlung über einen mehrstufigen Weg treffen — suchen, Links folgen, mehrere Seiten abgleichen. Die Arbeit verschiebt die Optimierungseinheit deshalb von der einzelnen Seite hin zu einem „Informationsumfeld, in dem mehrere Seiten einander stützen”. Die Seite eines erfundenen Zielprodukts wurde fest auf Platz fünf zwischen neun echte Suchtreffer gesetzt, ausgewertet wurden 3.124 Paare aus Anfrage und Produkt. Mit einer einzelnen Seite wurde das Produkt in 35,9 % der Antworten empfohlen, mit TRACE — sechs sprachlich angeglichene und untereinander verlinkte Auftrittsarten: offizielle Website, Bewertungen, Fachbeitrag, Nachricht, Forum, Social — in 67,2 %. In zwei weiteren Datensätzen 56,2 %→71,9 % und 59,0 %→73,9 %. Die drei seitenbezogenen GEO-Verfahren übertrafen die Einzelseite nicht (C-SEO 35,9 % / E-GEO 35,9 % / AutoGEO 28,1 %). In einem Kontrollexperiment unter anderen Bedingungen: 75,0 % unkoordiniert → 82,8 % koordiniert → 89,1 % mit zusätzlicher Einstiegsseite (SafeSearch). Vorbehalte: nicht begutachtetes Preprint, kontrollierte Umgebung, erfundenes Produkt, allein GPT-5.1 getestet; die Schwierigkeit, die Platzierung überhaupt zu erreichen, ist nicht Teil der Bewertung. Die Autoren halten in ihrer Ethik-Erklärung fest, dass sie von einer Anwendung auf reale Systeme und das offene Web abraten.)
