ChatGPT und andere KI-Suchen werden für Marken zu einer neuen Discovery-Fläche. Eine garantierte Methode, um dort empfohlen zu werden, gibt es allerdings nicht: OpenAI weist ausdrücklich darauf hin, dass Suchergebnisse nach mehreren Faktoren gerankt werden und eine Platzierung nicht garantiert ist.
Trotzdem können Unternehmen einige konkrete Grundlagen schaffen. Dazu gehören vor allem crawlbare Webseiten, originäre Inhalte mit eigener Erfahrung und Daten sowie Seiten, die einzelne Nutzerfragen klar beantworten.
1. Technisch sicherstellen, dass ChatGPT die Website finden kann
Der wichtigste technische Punkt ist überraschend banal: Die Seite muss für den Such-Crawler erreichbar sein. OpenAI nennt dafür den OAI-SearchBot. Wer ihn in der robots.txt, im CDN oder durch Bot-Schutz versehentlich blockiert, erschwert die Aufnahme eigener Inhalte in ChatGPT-Suchergebnisse.
OpenAI empfiehlt Publishern deshalb, OAI-SearchBot zuzulassen. Technikteams sollten zusätzlich prüfen, ob Firewall-, WAF- oder CDN-Regeln automatisierte Zugriffe blockieren. Eine Freigabe macht eine Website lediglich auffindbar – sie ist keine Ranking-Garantie.
Für Marketing-Teams lohnt sich deshalb ein kurzer Technik-Check:
- Ist OAI-SearchBot in der robots.txt erlaubt?
- Liefern wichtige Landingpages ohne Login oder unnötige JavaScript-Hürden verwertbaren Inhalt?
- Blockieren Cloudflare oder andere Schutzsysteme legitime Crawler?
- Sind Sitemap, Canonicals und Indexierungsregeln sauber gepflegt?
2. Inhalte veröffentlichen, die nicht austauschbar sind
Der aktuell wichtigste Content-Hebel ist weniger „für KI schreiben“ als etwas veröffentlichen, das eine KI nicht beliebig selbst erzeugen kann. Im aktuellen Social-Media-Examiner-Interview empfiehlt AI-Stratege Liron Segev deshalb vor allem eigene Daten, konkrete Erfahrungen, Fallbeispiele und spezifische Ergebnisse.
Das ist auch für Social- und Creator-Marketing relevant. Ein generischer Artikel wie „10 Tipps für bessere Reels“ konkurriert mit tausenden ähnlichen Seiten. Ein Beitrag mit eigenen Kampagnendaten, nachvollziehbarer Methodik oder einem detaillierten Creator-Case liefert dagegen zusätzliche Information, auf die ein Suchsystem verweisen kann.
Diese Verschiebung zeigt sich bereits im Creator-Marketing: Briefings berücksichtigen zunehmend auch Sichtbarkeit in KI-Suchen, nicht nur Reichweite auf der Plattform selbst.
3. Einzelne Fragen klar und eigenständig beantworten
Für AI Visibility müssen Inhalte nicht künstlich nach Maschinen klingen. Hilfreich ist aber eine Struktur, aus der einzelne Antworten ohne langen Kontext verständlich bleiben.
Praktisch bedeutet das:
- konkrete Zwischenüberschriften statt vager Kapitelüberschriften,
- die Kernantwort früh im Abschnitt,
- Zahlen immer mit Quelle und Kontext,
- klare Begriffe statt unnötiger Marketing-Sprache,
- einzelne Abschnitte so schreiben, dass sie auch isoliert verständlich sind.
Das ist kein neues SEO-Geheimnis, sondern gutes Informationsdesign. Es hilft Menschen beim Scannen einer Seite und macht zugleich relevante Passagen leichter auffindbar.
Neue Retrieval-Beobachtung: ChatGPT scheint Seiten abschnittsweise auszuwählen
Ein aktueller Fund aus der GEO-Szene liefert dazu erstmals einen ungewöhnlich detaillierten Blick auf den laufenden Retrieval-Prozess. Metehan Yeşilyurt von Peec AI berichtet am 8. September 2026, in den Server-Sent Events von ChatGPT eine umfangreiche Debug-Darstellung der Websuche beobachtet zu haben. OpenAI hat diese Darstellung bislang nicht öffentlich dokumentiert oder die daraus abgeleiteten Details bestätigt. Die folgenden Punkte sind deshalb Beobachtungen eines externen Researchers und kein offizielles Ranking-Dokument.
Bei einem Testprompt zu den „besten AI-Visibility-Tools“ habe ChatGPT laut Yeşilyurt fünf Suchrunden ausgeführt, 18 unterschiedliche Suchanfragen formuliert, 50 Engine-Aufrufe ausgelöst, 228 Ergebnisse eingesammelt und 223 URLs zur weiteren Verarbeitung abgerufen. In der fertigen Antwort erschienen davon lediglich 16 Quellen.
Noch interessanter für Publisher ist die beobachtete Verarbeitung einzelner Seiten. Laut Yeşilyurt wird der Seiteninhalt nicht als vollständiges HTML an das Antwortmodell weitergereicht, sondern zunächst in eine Markdown-ähnliche Textdarstellung überführt. Das beobachtete Format ähnele stark dem Python-Tool `html2text`, allerdings offenbar nicht als unveränderte Standardimplementierung. Dieser gerenderte Text werde anschließend in Blöcke von ungefähr 170 Wörtern geteilt und bewertet. Pro Quelle gelangten in seinen Stichproben meist nur ein bis drei ausgewählte Blöcke in den finalen Kontext.
Das würde erklären, warum eigenständig verständliche Abschnitte wichtiger sein können als eine perfekte Gesamtkomposition der Seite. Eine wichtige Zahl, Einschränkung oder Kernaussage sollte möglichst im selben Abschnitt stehen wie die Frage, die sie beantwortet. Informationen, die erst mehrere Bildschirmseiten später erklärt werden, können bei chunkbasierter Auswahl leichter voneinander getrennt werden.
Yeşilyurt berichtet außerdem, dass im beobachteten Stream unter anderem folgende Informationen mitgeführt wurden:
- umgeschriebene Suchanfragen und die jeweils verwendeten Such-/Retrieval-Engines,
- Scores für einzelne Suchergebnisse und einzelne Textblöcke,
- eine Entscheidung, ob ein Ergebnis überhaupt vollständig abgerufen werden soll,
- Crawl- und Veröffentlichungsdaten,
- eine weitere Sortierung von Domains vor der Antwortgenerierung,
- sowie ein festgelegtes Wortbudget für einzelne Quellen.
Auch Metadaten scheinen eine Rolle zu spielen. In Yeşilyurts Stichproben wurden rohe `meta_tags` mit den Ergebnissen transportiert, während ein separates `og_data`-Objekt leer blieb. Daraus lässt sich noch nicht ableiten, welche Meta-Tags tatsächlich Ranking-Einfluss haben. Es spricht aber gegen die Vorstellung, dass ChatGPT ausschließlich den sichtbaren Fließtext einer Seite verarbeitet.
Was diese Beobachtung für AI Visibility bedeuten könnte
Falls sich das Verhalten über weitere Tests bestätigt, ergeben sich daraus einige praktische Konsequenzen:
- Eine Nutzerfrage kann viele versteckte Suchanfragen erzeugen. Inhalte sollten deshalb nicht nur eine exakte Formulierung treffen, sondern angrenzende Begriffe und Entscheidungsfragen sinnvoll mit abdecken.
- Gefunden werden ist nicht dasselbe wie zitiert werden. Im beschriebenen Test wurden mehr als 200 URLs verarbeitet, aber nur 16 Quellen sichtbar zitiert.
- Abschnitte konkurrieren miteinander. Eine gute Seite kann insgesamt relevant sein, während nur ein einzelner Block den Auswahlprozess gewinnt oder verliert.
- Kernaussagen sollten lokal verständlich sein. Überschrift, Aussage, Zahl, Einschränkung und Quelle gehören möglichst nah zusammen.
- Meta-Daten sauber zu pflegen bleibt sinnvoll, auch wenn aus der Beobachtung keine belastbare Gewichtung einzelner Tags abgeleitet werden kann.
Der wichtigste Vorbehalt: Das ist eine Momentaufnahme eines beobachteten Produktionssystems. Retrieval-Pipelines, Modelle und interne Schwellenwerte können sich jederzeit ändern. Die Daten eignen sich deshalb besser, um robuste Content-Prinzipien zu begründen als neue „170-Wörter-Ranking-Hacks“ zu erfinden.
Auch bestehende Inhalte müssen deshalb nicht im Archiv verschwinden. Bei Plattformformaten wie Newslettern kann eine saubere Überarbeitung zusätzliche Auffindbarkeit schaffen. Dazu passt unser Guide dazu, wie sich ältere LinkedIn-Newsletter weiter optimieren lassen.
4. Fragen aus Support, Sales und Community als Themenquelle nutzen
Statt nur Keyword-Listen abzuarbeiten, empfiehlt Segev, echte Kundenfragen aus Support-Tickets, Sales-Gesprächen und Community-Kommentaren zu sammeln. Für Marken ist das besonders nützlich, weil diese Fragen häufig näher an realen Entscheidungsproblemen liegen als generische Suchbegriffe.
Ein SaaS-Anbieter sollte beispielsweise nicht nur erklären, was sein Produkt kann. Relevanter sind auch Fragen wie: Für welche Teamgröße lohnt es sich? Welche Daten werden benötigt? Welche Integrationen fehlen? Was kostet der Wechsel? Welche Fehler treten in der Praxis auf?
So entsteht ein Themencluster entlang der tatsächlichen Customer Journey statt nur rund um den Produktnamen.
5. AI Visibility messen – aber nicht mit einer einzigen Kennzahl
OpenAI erklärt in seinem Publisher-FAQ, dass ChatGPT Referral-Links mit dem Parameter utm_source=chatgpt.com versieht. Damit lässt sich eingehender Traffic aus ChatGPT in Analytics besser erkennen.
Das reicht als alleinige Kennzahl aber nicht aus. Marken sollten zusätzlich beobachten, bei welchen Fragen sie überhaupt in KI-Antworten auftauchen, welche Seiten zitiert werden und ob daraus qualifizierte Besuche oder Conversions entstehen. Die neue Retrieval-Beobachtung unterstreicht zusätzlich, dass auch Fetches und ausgewählte Textblöcke von sichtbaren Zitationen getrennt betrachtet werden sollten, sofern entsprechende Messdaten überhaupt verfügbar sind.
Wie bei Social Media gilt: Sichtbarkeit ohne ein passendes Geschäftsziel ist nur begrenzt aussagekräftig. Einen Rahmen dafür findest du in unserem Überblick zu Social-Media-Zielen und KPIs.
Was Marketer daraus mitnehmen sollten
AI Visibility ist 2026 kein Ersatz für SEO, PR oder Social Media. Sie erweitert vielmehr die Zahl der Oberflächen, auf denen eine Marke entdeckt werden kann. Wer technisch crawlbar ist, originäre Informationen veröffentlicht und Kundenfragen präzise beantwortet, schafft bessere Voraussetzungen für diese neue Form der Suche.
Die aktuell beobachteten Retrieval-Daten passen zu diesem Bild: ChatGPT scheint eine Anfrage in zahlreiche Suchpfade aufzufächern, viele Quellen zu prüfen und daraus nur kleine Ausschnitte für die Antwort auszuwählen. Das erhöht den Wert von klar strukturierten, eigenständig verständlichen Abschnitten – garantiert aber weiterhin keine Empfehlung oder Zitation.
Wichtig bleibt die Grenze zwischen Optimierung und Versprechen: Niemand kann eine ChatGPT-Empfehlung garantieren. OpenAI selbst sagt ausdrücklich, dass die Platzierung von mehreren Faktoren abhängt.