Konkurrenzanalyse für KI-Sichtbarkeit: Warum ChatGPT sie zitiert

Wenn ein Wettbewerber in Perplexity oder ChatGPT als Quelle auftaucht und die eigene Seite fehlt, liegt das selten am Zufall. Oft lässt sich der Unterschied technisch erklären, auch wenn er sich nicht immer sofort beheben lässt.

Definition: Konkurrenzanalyse für KI-Sichtbarkeit (GEO) ist der systematische Vergleich, wie eigene und fremde Inhalte von KI-Suchsystemen wie ChatGPT, Perplexity, Google AI Overviews oder Gemini erkannt, verstanden und zitiert werden. Geprüft werden dabei keine klassischen Rankingpositionen, sondern strukturelle Signale: Indexierbarkeit, Schema-Markup, Snippet-Fähigkeit und die Klarheit der genannten Entitäten.

Warum KI-Systeme überhaupt Wettbewerber zitieren

Laut der Dokumentation von Google Search Central (Google for Developers) gibt es für generative KI-Funktionen keinen separaten Ranking-Algorithmus: Eine Seite muss zunächst regulär indexiert und snippet-fähig sein, um überhaupt zitiert werden zu können (https://developers.google.com/search/docs/fundamentals/ai-optimization-guide, 2026). Für die Konkurrenzanalyse heißt das: Bevor du fragst, warum ein Mitbewerber in AI Overviews oder ChatGPT genannt wird, lohnt der Blick auf die Grundlagen, die auch für klassisches Google-Ranking gelten. Indexierung, Ladezeit und eine saubere HTML-Struktur zählen dazu.

Derselbe Beitrag warnt ausdrücklich vor unnötigen Sonderaktionen: Spezielle KI-Steuerdateien wie llms.txt werden von der Google-Suche nicht genutzt, und Inhalte müssen nicht künstlich in kleine Häppchen zerlegt werden (https://developers.google.com/search/docs/fundamentals/ai-optimization-guide, 2026). Wer also vermutet, der Wettbewerber habe eine geheime GEO-Taktik entdeckt, sollte zunächst prüfen, ob es an Content-Qualität, Struktur oder Autorität der eigenen Seite liegt. Die Begriffe rund um dieses Feld sind ohnehin uneinheitlich. Manche sprechen von GEO, andere von GEAIO (Generative AI Optimization) oder AIO, gemeint ist im Kern dieselbe Frage nach KI-Sichtbarkeit.

Manuelles Prompt-Testing: schnell, aber lückenhaft

Die naheliegendste Methode: eigene und fremde Marke in typischen Kunden-Prompts bei ChatGPT, Perplexity und Claude eintippen und beobachten, wer genannt wird. Dafür ist kein Tool nötig, das Ergebnis liegt sofort vor, und man sieht direkt, wie die Antwort formuliert ist.

Bei Claude lässt sich dabei besonders genau nachvollziehen, was zitiert wurde. Laut der Dokumentation von Anthropic zum Web-Search-Tool liefert jede Quellenangabe automatisch URL, Titel und ein wörtliches Zitat von bis zu 150 Zeichen aus der zitierten Seite mit (https://platform.claude.com/docs/en/agents-and-tools/tool-use/web-search-tool, 2026). Damit zeigt sich exakt, welcher Satz beim Wettbewerber zitierfähig war, und das liefert einen konkreten Ansatzpunkt für die eigene Content-Struktur.

Der Nachteil: Antworten unterscheiden sich je Sitzung, Modellversion und Nutzerkontext. Eine einzelne Stichprobe erlaubt keine verlässliche Aussage über die Häufigkeit, mit der ein Wettbewerber tatsächlich zitiert wird, und bei vielen Prompts wird das Verfahren schnell unpraktikabel.

SERP- und Citation-Tracking-Tools: breiter Blick, wenig Tiefe

Die zweite Option: Tools, die AI-Overviews-Ergebnisse oder Perplexity-Antworten über viele Suchbegriffe hinweg automatisiert erfassen und protokollieren, welche Domains dort auftauchen. Wie sich AI-Overviews-Ergebnisse systematisch auswerten lassen, haben wir im Beitrag zur AI Overviews SERP-Analyse beschrieben.

Der Vorteil liegt in der Skalierung: Aus einzelnen Stichproben wird ein Verlauf über Zeit und Keyword-Set. Der Nachteil bleibt: Solche Tools zeigen, dass ein Wettbewerber zitiert wird, nicht warum. Fehlendes Schema-Markup, unklare Autorenangaben oder eine schlecht strukturierte Produktseite bleiben unsichtbar, solange nur die Trefferliste ausgewertet wird.

Regelbasierte Struktur-Analyse: geaio im Vergleich

Der dritte Weg prüft direkt die strukturellen Ursachen. geaio prüft exakt 45 Regeln in vier Kategorien, die nach außen als SEO, GEO, Entity und AI bezeichnet werden, und berechnet daraus einen gewichteten Overall Score samt konkreter Findings. Die vollständige Regelliste ist für registrierte Nutzer auf geaio.de/erklaert einsehbar, Registrierung und Analyse sind kostenlos.

Ein Rechenbeispiel (hypothetisch): Läge der Entity-Score der eigenen Seite bei 45 von 100 Punkten und der eines Wettbewerbers bei 80, würde das in diesem Modell auf fehlende sameAs-Verknüpfungen oder unvollständiges Organization-Schema hindeuten, ohne dass daraus automatisch eine Kausalität für die tatsächliche Zitierhäufigkeit in ChatGPT folgt. Die technische Grundlage für solche Entity-Signale ist Schema.org, das sich selbst als gemeinschaftlich getragenes Vokabular für strukturierte Daten beschreibt und seit 2015 als W3C Community Group organisiert ist, getragen unter anderem von Google, Microsoft und Yahoo (https://schema.org/docs/about.html, 2015).

Der Nachteil dieses Ansatzes: Ein hoher Score belegt strukturelle Sauberkeit, nicht automatisch eine höhere Zitierhäufigkeit im konkreten Prompt. Deshalb lohnt sich die Kombination mit Ansatz eins: geaio erzeugt aus jedem Analyseergebnis vier Prompt-Typen für Claude, GPT und Gemini, darunter einen für kritische Probleme und einen für Quick Wins, die sich direkt in den jeweiligen KI-Systemen gegen die eigene und die Wettbewerber-URL testen lassen. Mehr zum Aufbau der Bewertung steht im Beitrag geaio-Score erklärt, zur praktischen Anwendung im direkten Vergleich in der geaio Konkurrenzanalyse.

Ansatz	Aufwand	Zeigt Ursachen?	Skalierbar
Manuelles Prompt-Testing	gering je Test, hoch bei vielen Prompts	teilweise, bei Claude über Zitat-Ausschnitt sichtbar	nein
SERP-/Citation-Tracking	mittel, laufendes Tool-Setup nötig	nein, nur Häufigkeit über Zeit	ja
Regelbasierte Struktur-Analyse (geaio)	gering, Analyse automatisiert	ja, über Scores und Findings je Regel	ja

Empfehlung: Für den Einstieg liefert die regelbasierte Analyse den schnellsten Überblick über strukturelle Lücken gegenüber der Konkurrenz. Wer daraus konkrete Änderungen ableitet, sollte sie anschließend per manuellem Prompt-Test in den Zielmodellen gegenprüfen, statt sich allein auf den Score zu verlassen.

Was die Analyse am Ende zeigen muss: konkrete Handlungsempfehlungen

Ein Score-Unterschied allein hilft niemandem weiter, wenn er nicht in konkrete Schritte übersetzt wird. Schon die regelbasierte Analyse zeigt nur die halbe Wahrheit: Ein hoher Score belegt strukturelle Sauberkeit, nicht automatisch eine höhere Zitierhäufigkeit in ChatGPT oder Perplexity. Wie stark einzelne Signale die Zitierentscheidung eines Modells tatsächlich beeinflussen, ist unserer Einschätzung nach nicht abschließend belegt. Der Soll-Ist-Vergleich zwischen eigener Seite und Wettbewerber zeigt deshalb vor allem, wo strukturelle Lücken liegen, nicht ob deren Schließung die Zitierhäufigkeit tatsächlich erhöht.

Was bleibt: SEO, GEO und KI-Suche verlangen nach unterschiedlichen Diagnosewerkzeugen, aber nach demselben Prinzip. Erst die Struktur der eigenen Seite mit der des Wettbewerbers vergleichen, dann die auffälligsten Lücken schließen, dann erneut in den Modellen gegenprüfen. Wer nur auf einen einzelnen Prompt-Test oder eine einzelne Zahl schaut, verwechselt ein Symptom mit der Ursache.

Häufig gestellte Fragen

Reicht ein gutes Google-Ranking, um auch in ChatGPT oder AI Overviews zu erscheinen? Nicht zwangsläufig, aber es ist die Voraussetzung. Laut Google Search Central muss eine Seite zunächst regulär indexiert und snippet-fähig sein, bevor sie überhaupt für generative Antworten infrage kommt (https://developers.google.com/search/docs/fundamentals/ai-optimization-guide, 2026). Ein gutes Ranking allein garantiert die Zitierung in KI-Antworten aber nicht.

Wie finde ich heraus, ob ein Wettbewerber öfter in KI-Antworten genannt wird als ich? Am schnellsten über eine Kombination aus manuellem Prompt-Test in ChatGPT, Perplexity und Claude sowie einer regelbasierten Strukturanalyse beider Domains. Der Prompt-Test zeigt den aktuellen Zustand, die Strukturanalyse liefert die mögliche technische Erklärung dafür.

Welche Rolle spielt Schema-Markup bei der Konkurrenzanalyse? Eine wichtige, weil es die Grundlage für klar erkennbare Entitäten liefert. Schema.org ist ein seit 2015 als W3C Community Group organisiertes, gemeinsam von Google, Microsoft und weiteren Anbietern getragenes Vokabular für strukturierte Daten (https://schema.org/docs/about.html, 2015). Die Entity-Kategorie von geaio bildet genau solche strukturellen Signale ab, wie sie auch im Rechenbeispiel weiter oben eine Rolle spielen.

Lässt sich die Zitierhäufigkeit eines Wettbewerbers dauerhaft messen? Wir gehen davon aus, dass es dafür bislang keine standardisierte, einheitlich anerkannte Kennzahl gibt. Tracking-Tools erfassen Momentaufnahmen aus AI Overviews oder Perplexity, Modellantworten können sich aber von Sitzung zu Sitzung unterscheiden. Für eine belastbare Aussage braucht es wiederholte Stichproben statt eines einzelnen Tests.