SISTRIX-Studie zur Zitierwürdigkeit: llms.txt und Schema im Datencheck

Eine llms.txt im Hauptverzeichnis, die KI-Systeme anleitet, und ein paar Zeilen JSON-LD: Lohnen sich diese beiden Maßnahmen für die Zitierwürdigkeit? Die Daten, die jetzt aus dem DACH-Raum vorliegen, geben darauf eine differenzierte Antwort.

Definition: Zitierwürdigkeit beschreibt, wie wahrscheinlich eine Seite von einem KI-System wie ChatGPT oder Google AI Overviews als Quelle genannt wird. Sie lässt sich nicht direkt messen, sondern nur über beobachtbare Merkmale einer Seite und deren Zusammenhang mit tatsächlichen Zitaten schätzen. Dieser Beitrag liest dazu die Auswertungen von SISTRIX.

Ausgangslage: Welche GEO-Mythen geprüft wurden

SISTRIX hat gängige Annahmen zu GEO, also Generative Engine Optimization, mit Zitatdaten abgeglichen. Zwei davon: Lege eine llms.txt an, setze Schema-Markup, dann zitieren dich KI-Systeme. Autoren sind Johannes Beus, Julia Weißbach und das SISTRIX Content Team, veröffentlicht am 22.10.2026 (https://www.sistrix.de/news/geo-mythen-im-datencheck/).

Dieser Beitrag liest die SISTRIX-Daten wie einen fremden Versuchsbericht: Was wurde untersucht, wie belastbar ist es, was folgt daraus für deine Seite?

Vorgehen und Datenbasis: 96.418 Seiten aus dem DACH-Raum

Laut der Zusammenfassung von Markus Seyfferth bei Dr. Web (2026) umfasst die Datenbasis 96.418 Seiten aus Deutschland, Österreich und der Schweiz im zweiten Quartal 2026 (https://www.drweb.de/sistrix-studie-ki-zitate-struktur/). Perplexity, Claude und die Gemini-App sind darin nicht enthalten. Für diese drei Systeme sagt die Studie also nichts aus.

Wichtig für die Einordnung: Die Studie zeigt laut Dr. Web Zusammenhänge, keine bewiesenen Ursachen. Wenn Seiten mit einem Merkmal öfter zitiert werden, kann das am Merkmal liegen. Möglicherweise spielt aber auch eine Rolle, dass Seiten mit mehreren dieser Merkmale insgesamt besser aufgebaut sind. Das ist eine Vermutung von uns und nicht belegt.

Beobachtung 1: llms.txt zeigt keinen messbaren Effekt

SISTRIX schreibt zu llms.txt: “Ein Effekt auf AI-Citations ist Stand jetzt nicht messbar.” (https://www.sistrix.de/news/geo-mythen-im-datencheck/). Zitierte URLs stammen demnach nicht häufiger von Domains mit llms.txt, als es deren Anteil an allen untersuchten Domains erwarten ließe. Der Anteil unter den zitierten URLs liegt sogar leicht darunter.

Dazu passt die Aussage von Google in der Dokumentation: Für AI Overviews und AI Mode gibt es keine zusätzlichen Anforderungen und keine besonderen Optimierungen, es ist kein spezielles schema.org-Markup nötig, und man muss keine neuen maschinenlesbaren Dateien oder “AI text files” anlegen (https://developers.google.com/search/docs/appearance/ai-features).

Beobachtung 2: Schema-Markup wirkt je nach Typ unterschiedlich

Hier wird das Bild differenzierter. Die Studie nennt für verschiedene Schema-Typen folgende Faktoren (https://www.sistrix.de/news/geo-mythen-im-datencheck/):

Merkmal	Faktor laut SISTRIX	Bei AI Overviews
Article-Schema	1,6	2,0
FAQPage-Schema	1,5	nicht genannt
Product-Schema	0,8	0,5
Sichtbares Inhaltsverzeichnis mit Sprungmarken	1,7	nicht genannt

Ein Faktor über 1 bedeutet, dass Seiten mit dem Merkmal in den Daten öfter zitiert werden. Ein Faktor unter 1 bedeutet das Gegenteil. Product-Schema liegt mit 0,8 und 0,5 darunter. Das ist ein Hinweis, Schema nicht pauschal als Pluspunkt zu behandeln. Eine Ursache nennt die Studie nicht, und wir wollen keine konstruieren: Möglich ist, dass Produktseiten in KI-Antworten schlicht seltener als Quelle taugen.

Beim Inhaltsverzeichnis lohnt der Blick besonders: Mit 1,7 hat es in der mittleren Spalte den höchsten Faktor. Wie das technisch aussieht, beschreiben wir unter Inhaltsverzeichnis-Schema für KI-Modelle.

Beobachtung 3: Zitate sind eine Momentaufnahme

In einer weiteren Untersuchung hat SISTRIX (Autor: Johannes Beus, 2026) 82.619 Prompts und 1.548.213 Snapshots über 17 Wochen ausgewertet. Im Google AI Mode wird demnach ein erheblicher Teil der Quellen von Woche zu Woche ausgetauscht, bei ChatGPT Search fällt die Fluktuation noch höher aus (https://www.sistrix.de/news/ai-citation-drift-wie-stabil-sind-quellen-in-ai-suchergebnissen/).

Aus unserer Sicht spricht das dafür, Zitate als Momentaufnahme zu lesen. Wie unterschiedlich die Quellen zwischen den Engines ausfallen, zeigt auch unser Beitrag zur Slate-Studie zur KI-Suche.

Einordnung: Was die Daten tragen und was offen bleibt

Seiten mit vielen der geprüften Merkmale werden laut Dr. Web etwa 2,1-mal so oft als Quelle genannt wie Vergleichsseiten (https://www.drweb.de/sistrix-studie-ki-zitate-struktur/). Wie genau dieser Wert zustande kommt und ob er für einzelne Merkmale gilt, wissen wir nicht, deshalb lesen wir ihn nur als grobe Größenordnung für Seiten mit vielen Merkmalen.

Unsere Einordnung, ausdrücklich als Meinung: Das sichtbare Inhaltsverzeichnis zeigt in der Tabelle oben den höchsten Faktor. Wir halten deshalb eine klare Gliederung für sinnvoller als eine einzelne Zusatzdatei. Das ist eine Schlussfolgerung aus den zitierten Werten und kein eigener Messbefund.

Offen bleibt vieles:

• Die Studie deckt Perplexity, Claude und die Gemini-App nicht ab.
• Zusammenhang ist keine Ursache, und die Zahlen stammen aus einem Quartal.
• Belegt ist das nicht.

Wenn du die Struktur deiner Seiten prüfen willst, beginne aus unserer Sicht bei einer klaren Überschriftenhierarchie und einem sichtbaren Inhaltsverzeichnis, bevor du dich um Zusatzdateien kümmerst. Zur Frage, welche Textform sich besser eignet, lies Listenformat vs. Fließtext.

Häufig gestellte Fragen

Bringt llms.txt etwas für Zitate in ChatGPT? SISTRIX schreibt, ein Effekt auf AI-Citations sei Stand jetzt nicht messbar. Zitierte URLs stammen nicht häufiger von Domains mit llms.txt, als es deren Anteil an allen Domains erwarten ließe. Als Hebel ist die Datei in den Daten nicht erkennbar.

Lohnt sich Schema-Markup für AI Overviews? Google schreibt in der Dokumentation, dass für AI Overviews und AI Mode kein spezielles schema.org-Markup nötig ist. SISTRIX nennt für Article-Schema bei AI Overviews den Faktor 2,0, für Product-Schema den Faktor 0,5. Der Typ macht in den Daten also einen Unterschied. Ob er die Ursache ist, belegt die Studie nicht.

Gilt die SISTRIX-Studie auch für Perplexity und Claude? Nein. Laut Dr. Web sind Perplexity, Claude und die Gemini-App nicht in der Datenbasis enthalten. Die Ergebnisse beziehen sich auf die untersuchten Systeme und auf Seiten aus Deutschland, Österreich und der Schweiz.

Wie stabil sind KI-Zitate über die Zeit? Laut SISTRIX (2026) wird im Google AI Mode wöchentlich ein erheblicher Teil der Quellen ausgetauscht, bei ChatGPT Search fällt der Wechsel noch stärker aus. Zitate sind damit eine Momentaufnahme.