TL;DR
Wer seine Website für die KI-Suche optimieren will, braucht kein SEO-Wunder, sondern saubere Handwerksarbeit. Zwischen Februar und Mai 2026 habe ich sebastian-winkler.de systematisch für ChatGPT, Perplexity und Claude umgebaut: TL;DR-Blöcke, FAQ-Schema, eine offenere robots.txt, Bing Webmaster Tools, Person-Schema mit sameAs-Verknüpfungen und ein eigenes Tracking-Setup für LLM-Referrer in GA4. Hier ist, was funktioniert hat, was ich bewusst weggelassen habe – und warum klassisches SEO das Fundament für GEO (Generative Engine Optimization) bleibt.
Warum man heute die KI-Suche optimieren muss
Wenn jemand heute nach „Keynote Speaker für KI-Themen in der DACH-Region“ sucht, passiert das immer häufiger nicht mehr bei Google. Stattdessen wird ChatGPT gefragt, Perplexity gestartet oder Gemini konsultiert. Diese Systeme zitieren Quellen. Aber nur die, die sie verstehen, denen sie vertrauen und die sie sauber lesen können.
Das war für mich der Anlass, im Februar einen Sprint zu starten. Ziel: meine Website systematisch für diese neue Art von Suche anschlussfähig machen. Drei Monate später lässt sich das Ergebnis dokumentieren. Genau das möchte ich hier transparent machen, weil viele Unternehmer:innen vor derselben Frage stehen.
Was ich konkret gemacht habe, um die KI-Suche zu optimieren
1. Saubere Grundlagen: robots.txt, llms.txt, Sitemaps
Bevor man die KI-Suche optimieren kann, muss das Fundament stimmen. Ich habe zuerst geprüft, welche Crawler überhaupt auf meine Seite dürfen. Erkenntnis: Die Standard-WordPress-Konfiguration ist in dieser Frage erstaunlich konservativ.
Konkret habe ich die robots.txt erweitert. Zehn KI-Crawler sind explizit erlaubt: GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, PerplexityBot, Google-Extended, Applebot-Extended und drei weitere. Bytespider (TikTok/ByteDance) habe ich bewusst geblockt. Die Kosten-Nutzen-Rechnung dieses Crawlers ist für eine deutsche Speaker-Website schlicht negativ.
Die viel beworbene llms.txt-Datei habe ich nach einem Test wieder deaktiviert. Hintergrund: Yoast SEO erzeugte zwei kollidierende Versionen, die Datei wurde doppelt ausgegeben und vom Cache als HTML-Antwort eingefroren. Da llms.txt aktuell ohnehin von keinem produktiven LLM ausgewertet wird, war die saubere Entscheidung: aus, dokumentiert, später erneut prüfen.
2. Bing Webmaster Tools – der unterschätzte Hebel
Der wichtigste Einzel-Schritt war nicht auf meiner Seite. Sondern bei Microsoft. ChatGPT Search zieht je nach Studie zwischen 73 und 87 Prozent seiner Citations aus dem Bing-Index. Wer in Bing nicht sauber indexiert ist, taucht in ChatGPT-Antworten praktisch nicht auf. Egal wie gut die eigene Seite optimiert ist.
Über den Google-SSO-Import aus der Search Console war das in unter 30 Minuten erledigt: Bing Webmaster Tools eingerichtet, alle URLs übernommen, Indexierung angestoßen.
3. Person-Schema: aus „eine Seite“ wird „eine Entität“
LLMs denken nicht in Keywords. Sondern in Entitäten. Damit ein Modell „Sebastian Winkler“ als reale Person mit nachprüfbarer Identität versteht, braucht es strukturierte Daten. Konkret JSON-LD vom Typ Person mit sameAs-Verlinkungen zu LinkedIn, Wikipedia (sofern vorhanden), Crunchbase und allen relevanten Profilen.
Ich habe das Person-Schema um sameAs, jobTitle, worksFor, knowsAbout und alumniOf erweitert. Parallel dazu ein NAP-Konsistenz-Audit (Name, Address, Profession) über alle Plattformen. Schon kleine Abweichungen sabotieren die Entity-Auflösung. Mehr zum Hintergrund dieser Identitätsarbeit habe ich in „Der richtige Sebastian Winkler“ beschrieben.
4. Top-20-URLs handfest umbauen
Ich habe die 20 meistgelesenen URLs aus GA4 gezogen. Jede einzelne habe ich mit drei Bausteinen versehen.
Erstens: einen TL;DR-Block direkt unter der H1. 40 bis 80 Wörter. Eigenständig zitierbar. Genau das ist das Format, das LLMs als Zitat in ihre Antworten einbauen. Ein in sich geschlossener Absatz, der die Kernaussage des Artikels beantwortet. Ohne dass man den Rest gelesen haben muss.
Zweitens: einen FAQ-Block mit dem nativen Yoast-FAQ-Block (Yoast SEO Free 27.5, kein Premium nötig). Er generiert automatisch FAQ-Schema. FAQ-Schema ist nachweislich eines der Formate mit der höchsten Citation-Rate in der KI-Suche.
Drittens: eine Author-Byline mit Schema-Markup für author, datePublished und dateModified. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) ist auch für LLMs ein zentraler Filter. Studien sprechen davon, dass 96 Prozent aller AI-Citations an Quellen mit starken E-E-A-T-Signalen gehen.
5. Listicle „Top KI-Keynote-Speaker DACH 2026″
Ein bewusst strategischer Beitrag. Listicles, Vergleichstabellen und „Best of“-Artikel werden in AI-Antworten überproportional zitiert. Sie liefern die Struktur, die LLMs für ihre Antworten brauchen. Ich habe also einen Beitrag geschrieben, der die DACH-Keynote-Speaker-Szene rund um KI-Themen sortiert. Mit Methodik-Sektion, Quellenangaben und nachvollziehbaren Auswahlkriterien.
6. Author-Bio, Earned Media, TL;DR auf allen relevanten Seiten
Im letzten Schritt habe ich eine Author-Bio-Box am Ende jedes Beitrags automatisiert (via WPCode-Snippet). Auf der Keynote-Seite ist außerdem eine vollständige „Earned Media“-Liste mit 49 dokumentierten Bühnen entstanden. Das sind Trust-Signale, die LLMs explizit lesen. Wer tiefer in das Thema KI-Souveränität einsteigen will, findet weitere Gedanken in „LLM-Souveränität“.
7. Messung: LLM-Referrer-Tracking in GA4
Bringt das alles eigentlich was? Um das messbar zu machen, habe ich ein Custom-Event in Google Analytics 4 eingerichtet. Sobald jemand von chatgpt.com, perplexity.ai, claude.ai, gemini.google.com, copilot.microsoft.com oder bing.com auf meine Seite kommt, feuert ein llm_referrer-Event mit der Quell-Domain.
Wichtige Einschränkung – und das gehört zur ehrlichen Darstellung dazu: Viele LLM-Antworten setzen rel=“noreferrer“ auf ausgehende Links. Oder strippen den Referrer aus anderen Gründen. Das Tracking erfasst also nur einen Teil der real entstehenden Klicks. Realistische Größenordnung in den ersten Wochen: einige wenige Events. Nicht hunderte. Der eigentliche Indikator bleibt: steigender Direct-Traffic ohne klassische Quelle. Plus stichprobenartige Tests in ChatGPT und Perplexity, ob die Seite bei relevanten Fragen tatsächlich zitiert wird.
Was ich bewusst nicht gemacht habe
Nicht alles aus dem GEO-Lehrbuch macht in jeder Situation Sinn. Bewusst weggelassen habe ich:
- Server-Log-Analyse auf AI-Bot-Hits: erfordert Hoster-Zugang, den ich für eine Einzelperson-Website nicht eskalieren wollte. Cost/Benefit aktuell negativ.
- Wikipedia-Eintrag über mich selbst: handwerklich heikel. Interessenkonflikt. Hohe Löschwahrscheinlichkeit. Sollte organisch entstehen.
- Aggressives Forum-Seeding auf Reddit und Quora: Spam-Risiko, Reputationsschaden bei plumper Ausführung. Stattdessen: punktuelle, fachlich substanzielle Beiträge.
- Komplette Theme-Umbauten zugunsten cleanerer Markup-Strukturen: zu invasiv, zu fehleranfällig, zu wenig Zusatzwirkung gegenüber gezielten Block-Anpassungen.
Was ich beim KI-Suche optimieren gelernt habe
Erstens: „GEO“ ist zu 80 Prozent gutes klassisches SEO plus saubere strukturierte Daten. Wer schon ordentlich SEO betreibt, hat nicht 20 Prozent zusätzlich zu tun. Sondern eher gezielt nachzuschärfen.
Zweitens: Bing ist unterschätzt. Wer ChatGPT-Citations will, muss Bing pflegen.
Drittens: TL;DR-Blöcke sind das Format mit dem besten Wirkung-pro-Aufwand-Verhältnis. 40 bis 80 Wörter, die in sich stehen können. Und LLMs zitieren genau diese Absätze.
Viertens: Messung ist hart. Es gibt noch keinen sauberen End-to-End-Tracking-Standard für AI-Traffic. Wer ein Dashboard mit „präzisen“ AI-Traffic-Zahlen verspricht, verkauft eine Illusion. Was funktioniert: Trends beobachten, Stichproben machen, vierteljährlich nachjustieren.
Wie es weitergeht
In vier Wochen, also Mitte Juni, mache ich ein Re-Audit. Ich werde das Bing AI Performance Dashboard prüfen, GA4 auf llm_referrer-Events checken, eine Stichprobe in ChatGPT und Perplexity zu meinen Kern-Themen ziehen und die Top-20 in der Google Search Console gegen den heutigen Stand vergleichen.
Wenn dich interessiert, wie ich Software ohne klassisches Programmieren baue, findest du das übrigens in „Claude Code: Wie ich Software baue, ohne zu programmieren“. Und wenn du Fragen zu einem der hier beschriebenen Schritte zur KI-Suche optimieren hast: gerne per LinkedIn-Nachricht.
