Content-Strukturen, die LLMs zitieren: 8 Prinzipien mit Beispielen

Warum Struktur über Zitierbarkeit entscheidet

Ob AI Overview, ChatGPT Search oder Perplexity: Die Systeme arbeiten nach dem Retrieval-Prinzip — sie zerlegen Anfragen in Teilfragen, holen passende Textpassagen aus Index oder Web und bauen daraus eine Antwort (Retrieval-Augmented Generation). Ausgewählt wird die Passage, die eine Teilfrage am direktesten, verständlichsten und vertrauenswürdigsten beantwortet. Ein fachlich brillanter Text, dessen Kernaussage sich über fünf Absätze verteilt, verliert dabei gegen einen mittelmäßigen, der die Antwort in einem sauberen Absatz liefert. Die Forschung zum Thema (die GEO-Studie von Aggarwal et al., 2023) bestätigt die Richtung: Ergänzte Zitate, Quellenangaben und Statistiken erhöhten dort die Sichtbarkeit von Inhalten in generierten Antworten messbar.

Prinzip 1: Die Antwort zuerst, dann die Herleitung

Jeder Abschnitt beginnt mit der Kernaussage in ein bis zwei Sätzen — danach folgen Kontext, Begründung, Nuancen. Journalisten kennen das als „umgekehrte Pyramide". Für Definitionsfragen heißt das konkret: Der erste Satz nach der Überschrift „Was ist X?" definiert X vollständig und eigenständig. Unser Lexikon setzt genau deshalb auf Definitionskästen mit einer Kurzdefinition von unter 50 Wörtern am Seitenanfang.

Prinzip 2: Überschriften als Fragen oder klare Aussagen

Retrieval-Systeme nutzen Überschriften, um Passagen Teilfragen zuzuordnen. Eine H2 wie „Wie funktioniert llms.txt?" matcht die Nutzerfrage direkt; „Unsere Gedanken dazu" matcht nichts. Faustregel: Jede H2/H3 sollte auch als Suchanfrage oder Prompt funktionieren — das diszipliniert nebenbei die inhaltliche Gliederung.

Prinzip 3: Eigenständige Passagen (Chunk-Denken)

Verarbeitungssysteme zerlegen Seiten in Abschnitte („Chunks"). Ein Absatz, der nur mit dem Kontext der halben Seite verständlich ist („wie oben gezeigt, ist der zweite Ansatz besser"), ist als Zitat unbrauchbar. Besser: Jeder Absatz nennt sein Subjekt beim Namen und trägt seine Kernaussage in sich. Das wirkt beim Schreiben leicht redundant — genau diese kontrollierte Redundanz macht Passagen extrahierbar.

Prinzip 4: Listen und Tabellen für Vergleiche und Aufzählungen

Aufzählungen, Schritt-Anleitungen und Vergleiche gehören in <ul>/<ol>-Listen und Tabellen statt in Fließtext. Sie sind für Modelle eindeutig zu parsen und werden sowohl in Featured Snippets als auch in KI-Antworten bevorzugt übernommen. Wichtig: echtes HTML-Markup verwenden — eine „Tabelle" aus Bindestrichen in einem Absatz ist maschinell keine.

Prinzip 5: Daten immer mit Quelle und Datum

Konkrete Zahlen machen Aussagen zitierfähig — aber nur mit nachvollziehbarer Herkunft. Jede Statistik braucht Quelle und Zeitbezug („laut Studie X von 2024"), sonst ist sie für vertrauensgewichtete Systeme wertlos und für Leser irreführend. Die härteste Regel dabei: keine Zahl erfinden und keine „ungefähren" Werte aus dem Gedächtnis zitieren. Wo keine belastbare Quelle existiert, ist die qualitative Aussage die bessere — auch das ein Grundsatz, nach dem dieser Guide selbst geschrieben ist.

Prinzip 6: Entitäten konsistent benennen

Modelle verknüpfen Aussagen mit Entitäten — Marken, Personen, Produkten. Wechselnde Schreibweisen und Pronomen-Ketten erschweren das. Praktisch: den vollen Namen pro Abschnitt mindestens einmal ausschreiben, Produktnamen einheitlich halten, Autorenprofile und Über-uns-Seiten pflegen und die eigenen Unternehmensdaten überall im Netz konsistent halten (Website, Verzeichnisse, Wikipedia/Wikidata, LinkedIn). Das zahlt auf den Knowledge Graph und die E-E-A-T-Bewertung ein.

Prinzip 7: Strukturierte Daten ergänzen die Struktur

Strukturierte Daten (Schema.org als JSON-LD) machen explizit, was ein Inhalt ist: Artikel, FAQ, Anleitung, Produkt, Organisation. Sie sind kein dokumentierter „GEO-Rankingfaktor", senken aber die Interpretationskosten für jede Maschine, die die Seite verarbeitet — und speisen den Knowledge Graph, aus dem sich auch KI-Systeme bedienen. Sinnvoller Standard je Wissensseite: Article/TechArticle, FAQPage für echte FAQ-Abschnitte und BreadcrumbList, jeweils als eigenes Script-Tag.

Prinzip 8: Aktualität sichtbar machen

KI-Suchsysteme bevorzugen bei zeitsensitiven Themen aktuelle Quellen. Ein sichtbares, ehrliches „Zuletzt aktualisiert"-Datum (plus dateModified im Schema) hilft — aber nur, wenn es echte inhaltliche Pflege abbildet. Das Datum ohne Inhaltspflege hochzusetzen ist Cloaking light und fliegt bei der ersten inhaltlichen Prüfung auf.

Checkliste: Ist diese Seite zitierfähig?

• Beantwortet der erste Absatz jedes Abschnitts die Frage der Überschrift direkt?
• Funktioniert jede H2 als eigenständige Suchanfrage?
• Ist jeder Absatz ohne den Rest der Seite verständlich?
• Sind Vergleiche und Anleitungen als echte Listen/Tabellen ausgezeichnet?
• Hat jede Zahl Quelle und Datum?
• Sind Marke, Autor und Produktnamen konsistent geschrieben?
• Sind Article-/FAQ-/Breadcrumb-Schema als JSON-LD hinterlegt?
• Stimmt das Aktualisierungsdatum mit dem Inhalt überein?

Ob die so optimierten Inhalte tatsächlich in KI-Antworten ankommen, zeigt das Monitoring — Methoden dafür unter KI-Sichtbarkeit messen, den schnellen Marken-Check gibt es unter /ki-sichtbarkeit/. Die Einordnung ins Gesamtbild liefert der GEO-Praxis-Guide.