Ein Listicle auf Seite 2–3 bei Google, ohne Backlinks, ohne thematische Domain-Autorität und mit null organischen Klicks – und trotzdem seit Monaten Primärquelle bei ChatGPT. Was nach einem Fehler im System klingt, ist einer der ersten dokumentierten Fälle von Generative Engine Optimization (GEO) im DACH-Raum. Diese Case Study dokumentiert, was passiert ist, welche Daten dahinterstehen und was das für die Zukunft der Content-Sichtbarkeit bedeutet.
Unsichtbar bei Google, Primärquelle bei ChatGPT – so funktioniert Generative Engine Optimization
Das Paradox: Unsichtbar bei Google, Primärquelle bei ChatGPT
Nach klassischen SEO-Maßstäben dürfte dieser Artikel keine Rolle spielen. Die Google-Position liegt bei 20–22, also auf Seite 2–3 der Suchergebnisse. In zwölf Monaten hat der Artikel über 11.000 Impressionen in der Google Search Console generiert, aber exakt null Klicks für das Hauptkeyword. Die CTR liegt bei 0 Prozent. Das Backlink-Profil ist leer: kein einziger externer Link, URL Rating 0, keine verweisenden Domains.
Die Domain selbst rankt für völlig andere Themen und besitzt keinerlei thematische SEO-Autorität im betreffenden Bereich. Es fehlt eine H1-Überschrift, es gibt kein Schema Markup und nur ein einziges KI-generiertes Bild. Auch die gängigen KI-Sichtbarkeits-Tools zeigen durchweg null: Google AI Overview, Perplexity, Gemini und Copilot – keine einzige Erwähnung.
Und dennoch: ChatGPT zitiert genau diesen Artikel als Hauptquelle, wenn Nutzer nach den besten Alternativen in dieser Software-Kategorie fragen. Nicht als Randnotiz, sondern als Primärquelle an erster Stelle.
Die harten Zahlen: Warum dieser Artikel nach SEO-Maßstäben keine Rolle spielen dürfte
Die Datenlage ist eindeutig. Die folgende Tabelle zeigt die Keyword-Performance im Überblick:
| Keyword | Suchvolumen/Monat | Keyword Difficulty | Google-Position |
|---|---|---|---|
| Hauptkeyword (Singular) | 410 | 32 | Position 22 |
| Hauptkeyword (Plural) | 410 | 31 | Position 20 |
| Long-Tail-Variante | 30 | – | Deindexiert |
Die Google Search Console bestätigt das Bild über einen Zeitraum von zwölf Monaten:
| Suchbegriff | Impressionen | Klicks | CTR | Ø Position |
|---|---|---|---|---|
| Hauptkeyword (Singular) | 11.032 | 0 | 0 % | 17,14 |
| Hauptkeyword (Plural) | 6.209 | 0 | 0 % | 19,75 |
| „Alternative zu [Tool]“ | 4.456 | 2 | 0,04 % | – |
Die technischen Daten des Artikels unterstreichen die Ausgangslage: WordPress als CMS, ein Domain Rating von 62, aber ein URL Rating von null. Der organische Traffic liegt bei vier Besuchern pro Monat. Von den drei organischen Keywords befindet sich keines in den Top 3. Backlinks und verweisende Domains: jeweils null.
Was der Artikel stattdessen hat: Faktoren, die für LLMs zählen
Trotz aller fehlenden SEO-Signale besitzt der Artikel Eigenschaften, die offenbar für Large Language Models relevant sind – auch wenn sie für Google kaum eine Rolle spielen.
Der Artikel folgt einer klaren Listicle-Struktur mit einer sauberen H2/H3-Überschriften-Hierarchie. Jeder Listeneintrag folgt einem einheitlichen Format und ist maschinell gut parsebar. Der Titel liefert einen exakten Query-Match im Format „Die [X] besten Alternativen zu [Tool] im Vergleich“ – ein perfekter Query-Intent Match für typische LLM-Anfragen.
Sichtbar/er werden bei Google & Social Media?
In einem kostenlosen Strategiegespräch für datenbasiertes Online-Marketing, decken wir Ihre ungenutzten Potenziale auf, überprüfen ggf. vorhandene Anzeigenkonten, schauen uns das SEO-Ranking und die Sichtbarkeit an und prüfen was zu Ihrem Budget die passende Strategie ist und welche aktiven Maßnahmen zu mehr Anfragen oder Verkäufen führen.
✅ Mehr Sichtbarkeit & Wahrnehmung durch gezielte Platzierung
✅ Mehr Besucher > Interessenten > Kunden > Umsatz
✅ Mit SEA skalierbar Zielgruppe ansprechen
✅ Mit SEO nachhaltig agieren und wachsen
🫵 Maximale Erfolge mit unserer Hybrid-Strategie
💪 Mehr als 15 Jahre Erfahrung branchenübergreifend in über 1.000+ Projekten nachweisbar!
Inhaltlich setzt der Artikel auf reinen Fließtext in natürlicher Sprache. Keine Listen, keine Tabellen, sondern beschreibende Absätze pro Tool. Dieses Format eignet sich offenbar besonders gut für die natürliche Sprachverarbeitung von LLMs. Hinzu kommt, dass es sich um muttersprachlichen deutschen Content für den DACH-Markt handelt – eine Nische mit deutlich weniger Konkurrenz als englischsprachige Inhalte.
Zwei weitere Faktoren: Die Domain verfügt mit einem Rating von 62 über ein gewisses Grundvertrauen, auch wenn die thematische Autorität fehlt. Und der Artikel wird regelmäßig aktualisiert und gepflegt.
Das Experiment: Änderung am Listicle, Reaktion bei ChatGPT in 3 Stunden
Um die Hypothese zu testen, ob ChatGPT diesen Artikel aktiv als Quelle nutzt, wurde ein kontrolliertes Experiment durchgeführt. Die Logik: Wenn der Artikel tatsächlich als Quelle dient, sollten inhaltliche Änderungen sich direkt in den ChatGPT-Antworten widerspiegeln – unabhängig vom Google-Ranking.
| Zeitpunkt | Aktion | Ergebnis |
|---|---|---|
| August 2025 | Listicle geht online | Position auf Seite 2–3 bei Google, kein organischer Traffic |
| Januar 2026 | Baseline-Abfrage bei ChatGPT 5.2 | Artikel wird als sekundäre Quelle zitiert |
| 4. Februar 2026, 11:43 Uhr | Tool B von Position 6–7 auf Platz 1 verschoben | – |
| 4. Februar 2026, ca. 14:45 Uhr | Erneute ChatGPT-Abfrage | Tool B auf Platz 1, Artikel als Primärquelle |
Zusätzlich zur Positionsänderung wurden drei minimale Anpassungen vorgenommen: eine Link-Änderung, eine erweiterte Überschrift und ein fett formatierter Satz. Die Reaktionszeit zwischen Änderung und Übernahme betrug circa drei Stunden.
Vorher vs. Nachher: So veränderte sich die ChatGPT-Antwort
Der direkte Vergleich zeigt die Auswirkung der Umstrukturierung:
| Platz | Vor der Änderung (Januar 2026) | Quelle | Nach der Änderung (4. Feb. 2026) | Quelle |
|---|---|---|---|---|
| 1 | Tool X | Externe Quelle | Tool B | Unser Artikel |
| 2 | Tool B | Externe Quelle | Tool X | Externe Quelle |
| 3 | Tool A | Externe Quelle | Tool A | Externe Quelle |
| 4 | Tool D | Externe Quelle | Tool Y (neu) | Externe Quelle |
| 5 | Tool C | Unser Artikel | Tool C | Unser Artikel |
Unser Artikel war damit für zwei von fünf Empfehlungen die zitierte Quelle und bestimmte die Reihenfolge der ChatGPT-Antwort.
Vier Erkenntnisse, die das Verständnis von Content-Sichtbarkeit verändern
Aus diesem Experiment lassen sich vier zentrale Erkenntnisse ableiten.
Erkenntnis 1: LLM-Zitierungen funktionieren unabhängig vom Google-Ranking. Eine Position jenseits von 20 bei Google kann trotzdem bedeuten, Primärquelle bei ChatGPT zu sein. Die klassische SERP-Position ist kein Indikator für LLM-Sichtbarkeit. Wer sich ausschließlich auf Google-Rankings konzentriert, übersieht einen wachsenden Kanal.
Erkenntnis 2: Content-Änderungen wirken in circa drei Stunden. Änderungen an der Listicle-Reihenfolge spiegelten sich innerhalb von etwa drei Stunden in den ChatGPT-Antworten wider. Das ist ein Grad an Einfluss, den selbst Top-Rankings bei Google selten erreichen. Die Geschwindigkeit deutet darauf hin, dass der LLM-Crawler den Artikel aktiv und regelmäßig abruft.
Erkenntnis 3: Struktur schlägt klassische SEO-Signale. Fließtext-Listicles funktionieren – trotz fehlender Tabellen, Bullet-Points, H1-Überschrift, Schema Markup, Backlinks und thematischer Domain-Autorität. Für LLMs scheint die semantische Qualität und Maschinenlesbarkeit des Inhalts wichtiger zu sein als die klassischen Ranking-Faktoren.
Erkenntnis 4: GEO ist eine eigenständige Disziplin. Generative Engine Optimization folgt anderen Regeln als traditionelles SEO. Semantische Relevanz, Content-Struktur und Maschinenlesbarkeit ersetzen Backlinks und Domain Authority als entscheidende Faktoren.
Traditionelles SEO vs. GEO: Die neuen Ranking-Faktoren
Was bei Google zählt, ist bei LLMs oft irrelevant – und umgekehrt. Der Paradigmenwechsel lässt sich an konkreten Faktoren festmachen:
| Faktor | Traditionelles SEO | GEO (Generative Engine Optimization) |
|---|---|---|
| Autorität | Backlinks & Domain Authority | Content-Struktur & Informationsdichte |
| Keywords | Keyword-Dichte | Semantische Vollständigkeit |
| Technik | PageSpeed & Core Web Vitals | Maschinenlesbarkeit |
| Relevanz | SERP-Position | Query-Intent Match |
| Domain | Topical Authority | Einzelartikel-Qualität |
| User-Signale | CTR & Verweildauer | Irrelevant |
| Strukturierte Daten | Schema Markup | Saubere Überschriften-Hierarchie |
Das bedeutet nicht, dass traditionelles SEO überflüssig wird. Es bedeutet, dass eine zusätzliche Disziplin entsteht, die eigene Regeln hat und eigenständig betrachtet werden muss.
So optimieren Sie Ihren Content für LLM-Sichtbarkeit
Basierend auf den Beobachtungen dieser Case Study lassen sich vier konkrete Maßnahmen ableiten, um die Chancen auf LLM-Zitierungen zu erhöhen.
Listicle-Struktur für LLMs optimieren. Verwenden Sie eine klare Überschriften-Hierarchie mit H2- und H3-Tags. Halten Sie ein einheitliches Format pro Listeneintrag ein. Setzen Sie auf Fließtext mit natürlicher Sprache – Bullet-Points sind nicht zwingend erforderlich. Gestalten Sie jedes Tool oder Thema als eigenen Abschnitt mit einem beschreibenden Absatz.
Title-Tags für LLMs schreiben. Nutzen Sie exakte Query-Matches im Titel. Zahlen wie „7 beste“ oder „Top 5″ erhöhen die Wahrscheinlichkeit eines Query-Intent-Fits. Formulieren Sie klare Inhaltsversprechen in der Meta-Description. Der Titel entscheidet maßgeblich darüber, ob ein LLM den Artikel als relevante Quelle erkennt.
Regelmäßige Updates durchführen. Pflegen Sie Ihre Listicles aktiv und dokumentieren Sie Änderungen. Beobachten Sie die Reaktionszeit – in unserem Fall lag sie bei circa drei Stunden. Aktualitätssignale sind ein potenzieller Faktor für LLM-Crawler.
LLM-Monitoring etablieren. Führen Sie regelmäßige ChatGPT-Abfragen für Ihre Ziel-Keywords durch. Dokumentieren Sie Quellenangaben und tracken Sie Wettbewerber-Zitierungen. Beachten Sie dabei: Gängige SEO-Tools erfassen ChatGPT-Zitierungen aktuell nicht korrekt. Manuelle Überprüfung ist derzeit noch unverzichtbar.
Warum wird ausgerechnet dieser Artikel zitiert? Fünf Hypothesen
Eine abschließende Erklärung gibt es noch nicht – aber starke Indizien, die weitere Untersuchungen rechtfertigen.
Hypothese 1: Semantische Relevanz schlägt Ranking. LLMs bewerten Content nach semantischer Übereinstimmung mit der Anfrage, nicht nach SERP-Position. Der exakte Title-Match und die klare Struktur schaffen einen starken Query-Intent-Fit, der für die Quellenauswahl entscheidender sein könnte als jedes klassische SEO-Signal.
Hypothese 2: Fließtext mit klarer Hierarchie wird bevorzugt. Artikel mit H2/H3-Überschriften und natürlichem Fließtext sind für LLMs offenbar besonders gut parsebar. Tabellen und Bullet-Points sind nicht zwingend erforderlich – möglicherweise sogar hinderlich für die Art, wie LLMs Informationen extrahieren.
Hypothese 3: Thematische Autorität ist für LLMs irrelevant. Die Domain rankt für völlig andere Themen und hat keinerlei thematische Autorität im betreffenden Bereich. LLMs scheinen einzelne Artikel unabhängig vom Domain-Kontext zu bewerten – ein fundamentaler Unterschied zu Google.
Hypothese 4: Unbekannter Faktor in hochkompetitiver Nische. Die Nische ist keineswegs unterversorgt. Alle großen Websites der Branche haben vergleichbare Artikel veröffentlicht. Diese werden aber nicht als Primärquelle zitiert. Der entscheidende Differenzierungsfaktor bleibt unklar.
Hypothese 5: Crawl-Timing und frühe Indexierung. Der LLM-Crawler hat den Artikel möglicherweise zu einem günstigen Zeitpunkt indexiert. Seitdem könnte die Position „verteidigt“ werden – ähnlich einem First-Mover-Advantage im LLM-Index.
Limitationen dieser Studie
Transparenz ist uns wichtig, deshalb dokumentieren wir offen die Einschränkungen dieser Case Study. Es handelt sich um einen Einzelfall ohne statistische Signifikanz. Es gibt keine Kontrollgruppe. ChatGPT-Antworten können bei gleicher Anfrage variieren. Die gemessene Verzögerung von drei Stunden könnte Zufall sein. Wir haben keinen Zugang zu Crawler-Logs und können den genauen Indexierungszeitpunkt nicht bestimmen.
Konkrete URLs, Domainnamen und Tool-Bezeichnungen wurden aus Datenschutz- und Wettbewerbsgründen anonymisiert. Bei berechtigtem Interesse können vollständige Daten, Original-Screenshots und WordPress Revision-Logs nach direkter Kontaktaufnahme eingesehen werden.
Diese Case Study ist keine abschließende Antwort auf die Frage, wie LLMs ihre Quellen auswählen. Sie ist eine Einladung zur Diskussion – und ein erster dokumentierter Beleg dafür, dass Generative Engine Optimization im DACH-Raum funktioniert und messbare Ergebnisse liefert. Wenn Sie wissen möchten, wie Ihr Content bei ChatGPT und anderen LLMs abschneidet, analysieren wir Ihre LLM-Sichtbarkeit und entwickeln eine GEO-Strategie, die Sie zur zitierten Quelle macht.
