SEO für KI: LLMO erklärt

Wenn heute jemand wissen will, welche GEO-Agentur in der Schweiz taugt, tippt er das oft nicht mehr bei Google ein. Er fragt ChatGPT. Und ChatGPT antwortet mit einer Handvoll Namen, nicht mit zehn blauen Links. Genau hier setzt LLMO an: Large Language Model Optimization, also die Arbeit daran, dass ein KI-System Ihre Inhalte versteht, ihnen traut und Sie in seiner Antwort als Quelle nennt. Der Begriff ist eine Fortschreibung von SEO, für eine Welt, in der immer mehr Leute ihre erste Antwort von einem Assistenten holen statt von einer Suchergebnisseite.

Der Unterschied klingt akademisch, ist aber praktisch. SEO kämpft um eine Position im Ranking. LLMO kämpft um die Zitation in einer generierten Antwort. Die klassische Ergebnisseite mit zehn organischen Treffern ist 2026 nicht mehr der Normalfall: Zero-Click-Suchen liegen bei rund 68 Prozent, AI Overviews erscheinen auf über 20 Prozent der Google-Suchen. Eine KI-Antwort führt dafür meist nur eine kurze Quellenliste. Die Sichtbarkeit wird enger, aber der genannte Link wird deutlich häufiger geklickt. Wer drin ist, gewinnt viel. Wer draussen ist, taucht gar nicht erst auf.

Zwei weitere Dinge verschieben sich. Ein LLM denkt in Konzepten, nicht in Keywords. Es verbindet "KI-Sichtbarkeit" mit "Erwähnung in ChatGPT-Antworten", auch wenn der exakte Begriff nirgends im Text steht. Und Autorität baut sich anders auf: Backlinks bleiben ein Google-Signal, aber für die Zitation zählen fachliche Tiefe, Aktualität und Korrektheit mehr als die reine Zahl eingehender Links. Kurz, inhaltliche Substanz schlägt Linkmasse.

Die fünf Säulen der LLMO

Aus der Praxis lassen sich fünf Hebel benennen, die tatsächlich ziehen.

Die erste ist strukturierte Datenlage. Maschinenlesbare Formate helfen einem Modell, Ihre Inhalte schnell zu erfassen: Schema.org-Markup für Artikel, Organisation und Produkt, JSON-LD für die semantischen Beziehungen dahinter, saubere Markdown-Gliederung, dazu eine llms.txt als Überblick über Ihre wichtigsten Seiten. Die llms.txt ist ein Vorschlag von Jeremy Howard aus dem September 2024, kein ratifizierter Standard, gewinnt aber an Verbreitung; Aufbau und Grenzen stehen in unserem Guide zur llms.txt. Ein Punkt wird dabei gern übersehen: Markup muss dem sichtbaren Inhalt entsprechen. Googles Structured-Data-Richtlinie verbietet, Inhalte auszuzeichnen, die der Leser nicht sieht. Eine FAQ im Schema braucht also eine echte FAQ auf der Seite.

Die zweite Säule ist Klarheit. LLMs bewerten Marketing-Hyperbeln als weniger verlässlich. "Wir analysieren KI-Antworten über vier Systeme und zählen, wie oft Ihre Marke genannt wird" ist zitierfähig. "Entdecken Sie die transformative Kraft unserer revolutionären AI-Insights" ist Lärm, den das Modell wegfiltert. Schreiben Sie explizit und faktisch, dann werden Sie verstanden.

Die dritte ist Konsistenz über Quellen. Wenn Website, Blog, LinkedIn und GitHub dieselbe Kernbotschaft tragen, steigt die Wahrscheinlichkeit, zitiert zu werden. Das ist erfahrungsbasiert, kein Naturgesetz: Konsens-Ansätze sind in der Forschung real, aber umstritten, weil korrelierte Modellfehler die Sicherheit überschätzen können (arXiv, Consensus is Not Verification). Trotzdem hilft es, wenn Ihre Aussagen über mehrere Orte hinweg zusammenpassen statt sich zu widersprechen.

Die vierte Säule ist Faktendichte. Modelle ziehen konkrete Fakten leichter heraus als Abstraktionen. Eine Prozentzahl mit Studienangabe schlägt "die meisten Käufer". Fünf benannte Schritte schlagen "mehrere Massnahmen". Ein Name mit Metrik und Kontext schlägt das vage "zum Beispiel". Jede konkrete Zahl ist ein Datenpunkt, den die KI zitieren kann.

Die fünfte ist Aktualität. Modelle mit Web-Zugriff bevorzugen frische Inhalte. Eine Seite mit Stand 2020 wird abgewertet. Setzen Sie das Publikationsdatum sichtbar, aktualisieren Sie zentrale Seiten mindestens quartalsweise, halten Sie Evergreen-Inhalte lebendig. Wie diese fünf Säulen konkret auf eine Website kommen, zeigt der Praxis-Beitrag mit neun konkreten Massnahmen für ChatGPT.

Was das je nach Seitentyp heisst

Nicht jede Seite spielt dieselbe Rolle. Ein Blog-Artikel profitiert von klarer Gliederung, weil das Modell H2- und H3-Strukturen als Inhaltsverzeichnis liest und pro Abschnitt eine Kernaussage extrahiert; eine kurze Zusammenfassung oben gibt ihm schnelle Orientierung. Eine Produktseite lebt von Vergleichbarkeit, also von Spezifikationen und einordnenden Zahlen. Und eine Unternehmensseite ist für ein LLM vor allem ein Vertrauenssignal: eine Positionierung in zwei, drei Sätzen, messbare Kennzahlen, Team-Bios mit echter Expertise, klare Angaben zu Gründungsjahr und Sitz. Das alles stärkt die Quellenautorität.

Ob es wirkt, misst man selbst

Standardisierte LLMO-Tools stehen erst am Anfang. Den Kern kann aber jeder selbst prüfen: relevante Fragen regelmässig über ChatGPT, Perplexity, Claude und Gemini stellen, dokumentieren, ob die eigene Firma genannt wird, und das gegen die Wettbewerber halten. Welche fünf Kennzahlen dabei zählen und welche DIY-Tests taugen, steht im Beitrag zu den fünf Metriken der KI-Sichtbarkeit. Der operative Ablauf einer sauberen Messung steht in der Schritt-für-Schritt-Anleitung zum Prompt-Audit.

Warum das für Schweizer KMU eine Chance ist

Der interessanteste Teil zum Schluss. Für Schweizer KMU liegt der Hebel in dünn besetzten Nischen. CH-spezifische Begriffe, lokale Branchen und der Schweizer Rechtsrahmen sind in KI-Antworten oft schwach belegt, weil international ausgerichtete Inhalte dominieren. Wer als Schweizer Anbieter diese Lücken mit präzisen, aktuellen Inhalten füllt, wird mangels Alternativen eher zitiert. Der DSG-Rahmen ist so ein Anker, den viele generische Quellen gar nicht abdecken; wie sich das nutzen lässt, vertieft der Beitrag zu KI-Sichtbarkeit für Schweizer KMU im DSG-Rahmen.

Wo anfangen? Ermitteln Sie diese Woche eine Baseline, also wie die vier grossen Systeme heute über Sie sprechen. Legen Sie eine llms.txt an. Prüfen Sie Ihre wichtigsten Texte gegen die fünf Säulen. Erweitern Sie Ihr Schema.org. Und setzen Sie eine regelmässige Messung auf. Ein professionelles GEO-Audit zeigt Ihnen strukturiert, wo Sie heute stehen und welcher Hebel bei Ihnen zuerst greift. Technisches wie Schema und llms.txt wirkt oft in ein, zwei Wochen; inhaltliche Verschiebungen brauchen eher Wochen bis Monate, weil die Systeme unterschiedlich schnell nachziehen.