Wie verarbeitet ein LLM Inhalte?

Eine klassische Suchmaschine bewertet und listet. Ein LLM antwortet und nutzt dafür Quellen. Es arbeitet über zwei Kanäle: einerseits mit den Trainingsdaten des Modells, andererseits mit Echtzeitabrufen, die oft als RAG (Retrieval-Augmented Generation) bezeichnet werden. Diesen Ansatz nutzen beispielsweise Perplexity sowie die Browser- und Suchmodi von ChatGPT.

Wenn Sie in beiden Kanälen präsent sind, also in Trainingsdaten vorkommen und von aktuellen Crawlern gefunden werden, steigt die Chance auf eine Nennung. Fehlen Sie in den Trainingsdaten und ist Ihre Website für Crawler schlecht strukturiert, bleiben nur klassische Suchergebnisse. Deren Anteil an der Entdeckung neuer Inhalte wird kleiner.

Struktur: LLMs möchten nicht raten

LLMs kommen mit klar gegliederten Inhalten und eindeutiger Hierarchie deutlich besser zurecht. Das klingt zunächst wie klassische SEO-Beratung und ist es größtenteils auch. Einige Unterschiede gibt es dennoch.

Die Überschriftenstruktur sollte konsistent sein: H1 für den Titel, H2 für Hauptabschnitte und H3 für Unterabschnitte. Überschriften sollten nicht nur dekorativ verwendet werden, und die Seite sollte kein einziger unstrukturierter Textblock sein. Eine KI muss einen Absatz aus dem Kontext lösen können, ohne dass er seine Bedeutung verliert.

Listen, Vergleichstabellen und nummerierte Schritte sind für LLMs besonders hilfreich. Sie liefern klar erkennbare Datenpunkte, die sich leichter verarbeiten und verlässlich in einer Antwort zitieren lassen.

llms.txt: noch wenig genutzt, aber einen Blick wert

Ein relativ neuer und zunehmend diskutierter Vorschlag ist llms.txt. Betrachten Sie die Datei als KI-freundliche Inhaltskarte. Sie liegt als einfache Markdown-Datei im Stammverzeichnis der Website und fasst zusammen, worum es auf der Seite geht, welche Unterseiten wichtig sind und wo zentrale Dokumente zu finden sind.

Sie geben dem LLM damit eine Karte, statt es die Struktur aus rohem HTML ableiten zu lassen. Das Format ist minimal: eine H1-Überschrift, eine kurze Zusammenfassung und Links mit knappen Beschreibungen.

Bei WordPress unterstützt Yoast SEO bereits die automatische Generierung. In anderen Systemen wird die Datei meist manuell erstellt, was bei vielen Websites höchstens ein bis zwei Stunden dauert.

Schema Markup: Inhalte auch maschinenlesbar machen

Strukturierte Daten von Schema.org auf JSON-LD-Basis werden für LLM-Optimierung besonders wertvoll. Das Schema erklärt der KI, dass es sich um einen Blogbeitrag, eine FAQ-Seite oder ein Unternehmensprofil handelt. Es liefert Kontext, den das Modell sonst selbst erschließen müsste.

Besonders nützlich sind Autoreninformationen, Veröffentlichungs- und Aktualisierungsdaten sowie Beziehungen zwischen Entitäten. Wer hat den Artikel geschrieben? Wann wurde er veröffentlicht und aktualisiert? Zu welcher Organisation gehört der Inhalt? All das beeinflusst, wie vertrauenswürdig ein Modell die Quelle einschätzt.

Als Mindestumfang empfehlen sich Article- oder BlogPosting-Schema für Beiträge, Organization-Schema für Unternehmensseiten und FAQ-Schema für häufig gestellte Fragen.

Glaubwürdigkeit: E-E-A-T im KI-Kontext

Googles E-E-A-T-Modell (Experience, Expertise, Authoritativeness, Trustworthiness) gilt auch für LLMs, wenn auch in anderer Form. Wenn eine KI Quellen auswählt, berücksichtigt sie, ob Inhalte mit anderen verlässlichen Quellen übereinstimmen und ob erkennbare Fachkompetenz dahintersteht.

Autorenprofile, Quellenangaben und Veröffentlichungen in Fachmedien stärken die KI-Sichtbarkeit. Nicht weil ein LLM Backlinks exakt wie eine klassische Suchmaschine misst, sondern weil Sie in Trainingsdaten und aktuellen Quellen als vertrauenswürdige Entität erscheinen.

Inhalte zu aktualisieren ist nicht optional

RAG-basierte Systeme berücksichtigen, wann Inhalte zuletzt aktualisiert wurden. Ein zwei Jahre alter und nie gepflegter Artikel erscheint seltener in einer aktuellen KI-Antwort als eine kürzlich überprüfte Quelle.

Das bedeutet nicht, dass alles monatlich neu geschrieben werden muss. Wichtige Seiten sollten jedoch vierteljährlich geprüft werden: Gibt es veraltete Angaben, defekte Links oder fehlende Aspekte? Das Feld dateModified im Schema Markup signalisiert diese Pflege an Crawler.

Technische Grundlagen

Einige Punkte bleiben selbst bei hervorragenden Inhalten unverzichtbar:

  • robots.txt: Prüfen Sie, ob KI-Crawler versehentlich blockiert werden. Bei OpenAI ist OAI-SearchBot für die Sichtbarkeit in der ChatGPT-Suche relevant, während GPTBot mit Modelltraining zusammenhängt. Google nutzt Google-Extended als eigenes robots.txt-Token, Anthropic trennt Bots für Training, Suchindexierung und nutzergesteuerte Abrufe.
  • JavaScript-Rendering: Viele KI-Crawler führen JavaScript nur eingeschränkt oder gar nicht aus. Bei stark JS-basierten Websites wie React- oder Next.js-SPAs sind serverseitiges Rendering oder statischer Export sicherer als ausschließlich clientseitiges Rendering.
  • Sitemap: Halten Sie die sitemap.xml aktuell. Sie ist besonders wichtig für Systeme, die auf Suchindizes und Crawlerdaten zurückgreifen.
  • Meta Description: Lassen Sie sie nicht leer. Für KI-Crawler ist sie eine frühe Zusammenfassung mit hoher Signalwirkung und kann beeinflussen, ob ein Modell den Inhalt genauer prüft.

Das Wesentliche

Klassische SEO verschwindet nicht. Daneben entsteht jedoch eine neue Ebene, die zunehmend GEO (Generative Engine Optimization) oder AEO (Answer Engine Optimization) genannt wird.

Die gute Nachricht: Beide Bereiche überschneiden sich stark. Was für Google gut ist, hilft in der Regel auch LLMs. Zusätzliche Schritte wie llms.txt, präziseres Schema Markup und eine regelmäßige Aktualisierungsstrategie sind keine riesigen Investitionen, schaffen aber einen deutlichen Vorsprung gegenüber Unternehmen, die das Thema noch ignorieren.

Die Frage lautet also nicht SEO oder LLM SEO. Entscheidend ist, ob Ihre Inhalte verständlich, strukturiert, glaubwürdig und maschinenlesbar sind. Wenn nicht, können Sie im KI-Zeitalter leicht unsichtbar werden.