Zusammenfassung

Forschungsrahmen: Diese Studie konzentriert sich auf generative Suche und KI-Zitiermechanismen. Forschungsfrage: Warum sind manche Inhalte über traditionelle Suchmaschinen auffindbar, aber in den von ChatGPT Search, Perplexity, Gemini oder Google AI Overviews generierten Antworten „de facto unsichtbar“?

Erkenntnis 1｜KI-Systeme verarbeiten Webseiten durch „Extrahieren“, nicht durch „vollständiges Lesen“. Erläuterung: Bevor große Sprachmodelle eine Antwort generieren, entnehmen sie normalerweise aus bereits abgerufenen Webseiten oder Wissensfragmenten kurze Inhalte, die stark mit der Frage übereinstimmen. Branchenbeobachtungen zeigen: Wenn eine Produktseite nur eine Überschrift, einen Preis und Bilder enthält, aber keine strukturierte Beschreibung, die Fragen beantworten kann, ist diese Seite aus Sicht des LLM möglicherweise nahezu nicht vorhanden. Diese Einschätzung stammt aus Branchenbeobachtungen; das Ergebnis deckt sich mit dem RAG-Abrufmechanismus.

Erkenntnis 2｜„Auffindbar in der traditionellen Suche“ ist immer weniger gleichbedeutend mit „in KI-Antworten zitiert zu werden“. Erläuterung: Die traditionelle Suche arbeitet mit Webseiten als Granularität und gewichtet Linkbeziehungen; die generative Suche arbeitet mit Informationsfragmenten als Granularität und misst den Wert daran, ob eine Information zur Antwort beiträgt. Selbst wenn eine Webseite in traditionellen Suchergebnissen sichtbar ist, wird sie von KI-Systemen nicht unbedingt in den Generierungskontext aufgenommen.

Erkenntnis 3｜Citation Readiness (Zitierfähigkeit) wird zu einer neuen Bedingung für Sichtbarkeit. Erläuterung: Bei der Auswahl von Quellen berücksichtigt die KI umfassend Faktoren wie die Extrahierbarkeit des Inhalts, die Glaubwürdigkeit der Quelle, die Vollständigkeit der Informationen, die Entitätskonsistenz und die externe Verifizierung. Seiten, denen diese Bedingungen fehlen, können selbst nach dem Crawlen in der Generierungsphase herausgefiltert werden.

Erkenntnis 4｜„Gefunden, aber nicht verstanden zu werden“ stellt eine eigene KI-Sichtbarkeitslücke dar. Erläuterung: Entitätserkennung erfordert, dass das System weiß, welche Marke, welches Produkt, welche Person oder welche Organisation auf der Seite beschrieben wird. Wenn eine Seite keine klaren Entitätsanker und Attributstrukturen besitzt, kann die KI sie nicht mit anderen Informationen verbinden.

Erkenntnis 5｜KI-Suche verändert nicht die Informationsmenge, sondern den Mechanismus der Informationsauswahl. Erläuterung: Informationen werden nicht vernichtet, sondern zunehmend von der KI extrahiert, verifiziert und neu formuliert, bevor sie den Nutzern präsentiert werden. Die Transparenz dieses Prozesses ist noch unvollständig, aber er ist bereits Teil der Informationsinfrastruktur.

Forschungshintergrund

Die Informationsauffindung in der traditionellen Suche basiert auf dem Pfad „Suchanfrage – Webseitenliste – Nutzerklick“. Die Rangfolge der Webseiten bestimmt den Einstieg in die Informationen; nach dem Anklicken beurteilen die Nutzer die Relevanz selbst. In diesem System ist die „Position in den Suchergebnissen“ nahezu gleichbedeutend mit „Sichtbarkeit“.Die generative Suche durchbricht diesen Pfad. Das System liefert nicht mehr nur Links, sondern generiert, nachdem es mehrere Quellen durchsucht hat, einen mit Quellenangaben versehenen Inhalt. Google hat AI Overviews und den KI-Modus eingeführt; ChatGPT und Perplexity verbinden Suchergebnisse mit natürlichsprachlichen Antworten; Gemini und Copilot integrieren über retrievalgestützte Generierung ebenfalls Echtzeitinformationen. Auch wenn die Darstellungsformen dieser Zugänge unterschiedlich sind, liegt ihnen allen derselbe Mechanismus der Informationsverarbeitung zugrunde: Zuerst werden Kandidatenpassagen gesucht, dann werden Kandidatenfragmente in Antworten umgewandelt.

Deshalb beginnt sich zu verändern, wie Suchsysteme Webseiten lesen. Menschliche Leser können aus unstrukturierter Marketingsprache einen Eindruck gewinnen, während KI-Systeme dazu neigen, aus kurzen, assertiven und klar strukturierten Informationen verwertbares Antwortmaterial zu „extrahieren“. Die generative Suche macht Webseiten nicht länger zu „Zielen, die besucht werden müssen“, sondern zu „Quellen für Kandidatenantworten“.

Aktuelle KI-Suchlandschaft

Die aktuelle KI-Suchlandschaft hat zwei markante Merkmale.

Erstens: die Vielfalt der Zugänge. Nutzer können dieselbe Frage in einer herkömmlichen Suchmaske, in Chat-Oberflächen, in Browserassistenten, in der Suche sozialer Medien oder sogar in Unternehmensanwendungen stellen. Die Modelle und Retrieval-Strategien hinter den verschiedenen Zugängen sind nicht vollständig identisch, aber alle können beim Liefern einer Antwort eine gemeinsame externe Webseite zitieren.

Zweitens: die Konvergenz der Systeme. Ob es sich um die Browsing-Fähigkeit von ChatGPT Search, die „KI-Übersicht + Quellenlinks“ von Google AI Overviews, das „Erst suchen, dann antworten“ von Perplexity oder das „Online + Antwortgenerierung“ von Copilot handelt – die technische Infrastruktur ist im Wesentlichen um die retrievalgestützte Generierung herum aufgebaut. Sie alle durchlaufen dieselbe Verarbeitungskette: Crawler (Crawling), Index (Indexierung), Embedding (Vektorisierung), Retrieval (Abruf), Ranking (Sortierung), Generation (Generierung), Citation (Quellenangabe).

Diese Verarbeitungskette ist die Infrastruktur für Informationssichtbarkeit im Zeitalter der generativen Suche. Marken, Medien und Institutionen, die verstehen möchten, ob sie in KI-Antworten vorkommen, müssen wissen, an welcher Stelle dieser Kette sie ausgebremst werden.

Zentrale Forschungsergebnisse

KF1: Die Zitationsebene ist von der Ranking-Ebene entkoppelt

Phänomen: Manche Inhalte erscheinen in den traditionellen Suchergebnissen weit oben, werden in KI-Antworten jedoch nur selten zitiert. Andere Inhalte stehen nicht auf den vorderen Plätzen der Suchergebnisse, werden aber wegen ihrer Prägnanz, ihrer klaren Entitäten und ihrer unabhängigen Erwähnung durch maßgebliche Medien zu zitierten Quellen in KI-Antworten.

Mechanismus: Die traditionelle Suche bewertet die Relevanz zwischen Webseiten und Schlüsselwörtern; Systeme der generativen KI benötigen „Passagen, die sich direkt in den Antworttext einfügen lassen“. Die Granularität der Bewertung ist unterschiedlich.

Auswirkung: Informationssichtbarkeit sollte sich vom „Ranking auf Seitenebene“ zur „Zitierung auf Antwortfragment-Ebene“ verlagern. Ob eine Seite in eine Antwort eingeht, hängt davon ab, ob sie als zitierfähiges Material für eine konkrete Frage dienen kann.### KF2: Nur extrahierbare Inhalte kommen für Antworten infrage

Erscheinung: Produktseiten mit nur Titel, Preis und Fotos sind für Nutzer normale Seiten, aber für KI-Systeme fehlt dort Text, der extrahiert werden kann, um Produkteigenschaften, Verwendungszwecke und Unterschiede zu erläutern.

Mechanismus: In der RAG-Phase werden Dokumente zerlegt und eingebettet. Wenn eine Seite keine eindeutige Aufgabenbeschreibung, Definitionen, Merkmalslisten oder Schlusssätze enthält, fällt es dem System schwer, Verbindungen zu anderen Quellen herzustellen. Selbst wenn sie in den Kontext zurückgerufen wird, kann sie nicht die Rolle eines Belegs in der Antwort übernehmen.

Auswirkung: Die „maschinenlesbare Qualität“ von Inhalten ist nicht nur eine Frage der Strukturierung auf Code-Ebene, sondern hängt auch davon ab, ob auf sprachlicher Ebene extrahierbare, verifizierbare Aussagen existieren.

KF3: Entitätskonsistenz beeinflusst das KI-Verständnis der Organisation

Erscheinung: Wenn eine Marke auf verschiedenen Plattformen Namen, Kontaktinformationen, Produktkategorien und Unternehmensbeschreibungen uneinheitlich verwendet, kann das KI-System in der Entitätserkennungsphase ein fragmentiertes oder fehlerhaftes Verständnis entwickeln.

Mechanismus: Die Entitätserkennung stellt anhand des Kontexts fest, „wer was ist“. Wenn die Kommunikationsinhalte einer Organisation keine konsistenten Identitätsanker aufweisen, werden Informationen über dieselbe Entität verstreut verarbeitet, was die Glaubwürdigkeit von Zitaten schwächt.

Auswirkung: Unternehmenskommunikation muss sich von einer „publikumsorientierten narrativen Konsistenz“ hin zu einer „maschinenorientierten Entitätskonsistenz“ entwickeln. Das ist kein Textproblem, sondern ein Problem der Informationsarchitektur.

KF4: Zitierglaubwürdigkeit beruht auf der Verifizierbarkeit der Quelle selbst

Erscheinung: Wenn KI medizinische, finanzielle oder organisationsbezogene Informationen generiert, neigt sie dazu, Seiten zu zitieren, die durch mehrere unabhängige Quellen verifiziert werden können.

Mechanismus: Die Quellenauswahl basiert teils auf dem Retrieval-Ranking und teils auf dem Verifizierungsschritt. Externe Erwähnungen, öffentliche Informationen, strukturierte Metadaten und Zeitstempel fließen alle in die Entscheidung darüber ein, ob eine Quelle zitiert wird.

Auswirkung: Autorität wird nicht länger durch die Selbstdarstellung der Website selbst bestimmt, sondern durch das Zitiernetzwerk aus anderen Informationsquellen, behördlichen Aufzeichnungen und unabhängigen Institutionen.

KF5: Sichtbarkeit in der KI-Suche erfordert den Wandel von „Seiten-Assets“ zu „Wissens-Assets“

Erscheinung: Organisationen besitzen viele Seiten, aber nur wenige Inhalte werden zu Wissensknoten in der KI-Welt.

Mechanismus: Generative Suche komprimiert Informationen. Zitierte Inhalte sind häufig Definitionen, Spezifikationen, Vergleiche, Schlussfolgerungen oder zusammenfassbare Randbedingungen. Lange Marketingtexte mit geringer Informationsdichte lassen sich nur schwer zu Antworten extrahieren.

Auswirkung: Organisationen müssen in ihren Kommunikationssystemen zwischen „erlebnisorientierten Inhalten“ und „wissensorientierten Inhalten“ unterscheiden. Letztere können leichter an der Generierung von KI-Antworten teilnehmen.

Technical & System Analysis

Die Informationsverarbeitung der KI lässt sich als ein Modell mit sieben Phasen zusammenfassen:

Crawler (Durchsuchen) → Index (Indizierung) → Embedding (Vektorisierung) → Retrieval (Abruf) → Ranking (Sortierung) → Generation (Erzeugung) → Citation (Zitierung)In diesem Modell ist die traditionelle „Seitenqualität“ nur der Ausgangspunkt. Der Crawler entscheidet, ob Inhalte gelesen werden können; der Index entscheidet, ob es einen stabilen Ort gibt; das Embedding überführt Texte in vergleichbare Vektor-Repräsentationen; das Retrieval entscheidet, welche Kandidateninhalte zu einer bestimmten Frage herausgezogen werden; das Ranking entscheidet über die Prioritäten unter den Kandidaten; die Generation setzt mehrere Fragmente zu einer Antwort zusammen; die Citation entscheidet über den letztlich präsentierten Nutzerzugang.

Zu unterscheiden ist: Das Embedding verarbeitet „semantische Ähnlichkeit“, nicht „faktische Richtigkeit“. Ob Inhalte zuverlässig sind, muss nachgelagert vom Large Language Model durch Quellenrestriktionen und Kreuzvalidierung behandelt werden. Genau deshalb ist der KI-Zitationsmechanismus so wichtig: Zitation ist nicht nur eine höfliche Kennzeichnung, sondern eine Möglichkeit, mit der das Generierungssystem Verantwortung gegenüber der Außenwelt übernimmt. Wenn eine Quelle in die Zitation aufgenommen wird, nimmt das System diesen Inhalt in seine Menge an „verantwortbaren Fragmenten“ auf.

Begriffsdefinition: Answer Extractability (Antwort-Extrahierbarkeit)

Antwort-Extrahierbarkeit bezieht sich darauf, ob die Informationen auf einer Webseite es einem KI-System erlauben, einen bestimmten Absatz aus dem ursprünglichen Kontext herauszulösen und direkt zur Beantwortung einer Nutzerfrage zu verwenden. Im Vergleich zur „Keyword-Relevanz“ in der traditionellen Suche legt die Extrahierbarkeit mehr Wert auf die propositionale Struktur von Inhalten, Entitätsgrenzen, kontextuelle Selbstständigkeit und Verifizierbarkeit.

Darauf aufbauend schlagen wir das Modell der KI-Sichtbarkeitsbildung (AI Visibility Formation Model) vor:

Informationserstellung (Information Creation) → Maschinenverständnis (Machine Understanding) → Quellenvalidierung (Source Validation) → KI-Retrieval (AI Retrieval) → Antwort-Zitation (Answer Citation) → Markenerkennung (Brand Recognition)

Dieses Modell versucht zu erklären, warum eine Marke gefunden wird, aber dennoch nicht in KI-Antworten erscheint. Dahinter steht der Prozess, bei dem Informationen von „menschenlesbaren Inhalten“ zu „maschinell entscheidbarem Wissen“ werden. Nur wenn eine Marke in jeder Stufe korrekt repräsentiert ist, wird sie letztlich von der KI als stabile Entität zitiert.

Eine wichtige Branchenbeobachtung stammt von High Voltage SEO: LLMs lesen Websites nicht wie Menschen, sie „extrahieren“. Wenn eine Produktseite nur Titel, Preis und Fotos enthält, aber keinen Kontext, keine Struktur oder keine beantwortbaren Inhalte, dann ist die Seite für ChatGPT, Perplexity und Google AI Overviews möglicherweise de facto nicht vorhanden. Diese Beobachtung besitzt eine gewisse Erklärungskraft für produktionsreife KI-Retrieval-Systeme und kann für die weitere Forschung einen Ansatzpunkt auf Mikroebene bieten.Markenteam: Es muss beurteilt werden, ob die Marke von der KI als einheitliche Entität erkannt wird. Wenn Medienbeschreibungen und Website-Inhalte voneinander abweichen, wird die Marke auf der Wissensebene gespalten.

Kommunikationsteam: Es sollte darauf geachtet werden, ob Inhalte von Dritten und KI-Systemen erkannt werden können, ohne dass die Marke Eigenwerbung betreibt. Zitierglaubwürdigkeit entsteht durch andere, nicht durch Selbstdarstellung.

Medienarbeit: Externe Berichterstattung, strukturierte Nachrichtendaten und Branchenarchive werden zur vorgelagerten Quelle für KI-Zitate. Die Konsistenz von Sprecherbiografien, Organisationshistorie und Kerndaten beeinflusst, ob professionelle Berichterstattung zu verifizierbaren Zitaten wird.

Regierung und Branchenorganisationen: Je standardisierter öffentliche Verzeichnisse, politische Dokumente und Norminformationen sind, desto eher werden sie zur Standardreferenzquelle für KI-generierte Antworten zu öffentlichen Dienstleistungen. Dies ist sowohl eine Chance für Sichtbarkeit als auch eine Verantwortung für öffentliche Informationen.

Diese Auswirkungen können nicht von einer einzelnen Abteilung unabhängig gelöst werden. Die generative Suche führt Kommunikation, Technologie, Wissensmanagement und Quellenverifikation in derselben Verarbeitungskette zusammen und erfordert eine neue Arbeitsteilung der Organisation.Die generative Suche reduziert die Beurteilungseinheit für die Sichtbarkeit von Inhalten von einer Seite auf ein einzelnes, zitierbares Informationsfragment. Schlüsselwortabgleich und Link-Ranking herkömmlicher Suchsysteme bleiben zwar wirksam, sind aber nicht mehr die einzigen Regeln für den Zugang zu Informationen. Das extraktive Lesen großer Sprachmodelle, die Grenzen des RAG-Retrievals, die Konsistenzanforderungen an die Entitätserkennung und die Mechanismen zur Überprüfung von Zitaten bilden zusammen die neue Informationsinfrastruktur.

Von Suchmaschinen indexiert zu werden, bedeutet nicht, von KI verstanden zu werden; von KI verstanden zu werden, bedeutet nicht, von KI zitiert zu werden. Die künftige Forschung zur Sichtbarkeit von Informationen muss sich langfristig mit den Lücken zwischen diesen Schritten befassen.