Funktionsweise
1 · CRAWLING
KI-Bots wie GPTBot oder ClaudeBot rufen Ihre Seiten ab – sofern robots.txt sie zulässt und Inhalte ohne JavaScript lesbar sind.
2 · CHUNKING
Der Text wird in Abschnitte zerlegt. Saubere Überschriftenhierarchie und geschlossene Absätze entscheiden, ob Chunks Sinn ergeben.
3 · EMBEDDING
Jeder Chunk wird als Bedeutungsvektor gespeichert. Präzise, eindeutige Sprache erzeugt präzise Vektoren – vage Sprache verwässert sie.
4 · RETRIEVAL
Zur Nutzerfrage werden die passendsten Chunks abgerufen. Hier konkurriert Ihre Passage direkt mit jeder anderen Quelle im Index.
5 · GENERIERUNG
Das Modell formuliert die Antwort aus den abgerufenen Chunks – und zitiert die Quellen, denen es am meisten vertraut.
Jede Stufe hat eigene Fehlerquellen – und jede lässt sich gezielt optimieren. Genau das unterscheidet LLM Optimierung von klassischem technischem SEO: Es reicht nicht, gecrawlt zu werden. Ihre Inhalte müssen als Chunks überleben, als Vektoren gefunden und als Quelle ausgewählt werden.
Maßnahmen
Bewusste robots.txt-Regeln für GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot und Google-Extended statt zufälliger Blockaden. Dazu eine kuratierte llms.txt, die KI-Systemen die wichtigsten Seiten und deren Zweck maschinenlesbar erschließt, sowie eine saubere XML-Sitemap als gemeinsames Fundament.
Wir bauen Inhalte in zitierfähige Passagen um: Kernaussage zuerst, ein Gedanke pro Absatz, 40 bis 120 Wörter, keine kontextabhängigen Verweise. Überschriften formulieren die Frage, die der Abschnitt beantwortet. So bleibt jeder Chunk auch isoliert verständlich – die Voraussetzung, um im Retrieval zu bestehen.
Viele KI-Crawler rendern kein JavaScript: Kerninhalte müssen im initialen HTML stehen. Wir prüfen Renderbarkeit, beschleunigen Auslieferung und ergänzen Schema.org-Markup, das Aussagen maschinenlesbar macht – eng verzahnt mit der Entity Optimierung.
Ein fester Prompt-Katalog wird monatlich gegen ChatGPT, Perplexity, Gemini, Copilot und Google AI Overview getestet. Gemessen werden Zitierquote, Nennungsposition, Sentiment und Share of Voice gegen Wettbewerber. So sehen Sie, welche Maßnahmen wirken – und wo nachgesteuert werden muss.
LLM Optimierung wirkt am stärksten auf Inhalten, die strategisch richtig gewählt sind: Welche Themen und Passagen priorisiert werden, legen Topical Map und GEO Strategie fest – den Ausgangsbefund liefert der GEO Audit.
Die Ausrichtung von Inhalten und Technik auf den Verarbeitungsprozess großer Sprachmodelle: Crawling durch KI-Bots, Chunking, Embedding, Retrieval und Antwortgenerierung. Ziel ist, dass die eigenen Passagen gefunden, korrekt verstanden und zitiert werden.
Eine Textdatei im Root-Verzeichnis, die KI-Systemen einen kuratierten Überblick über die wichtigsten Inhalte gibt – vergleichbar mit einer Sitemap für Sprachmodelle. Ein junger Standard, der wenig Aufwand kostet und die Auffindbarkeit zentraler Seiten für KI-Crawler verbessert.
Wer zitiert werden will, muss die relevanten Bots zulassen: GPTBot und OAI-SearchBot, ClaudeBot, PerplexityBot und Google-Extended. Eine Blockade schützt Inhalte kaum, entfernt die Marke aber zuverlässig aus generativen Antworten. Die Entscheidung sollte bewusst pro Bot getroffen werden.
Ein Absatz von etwa 40 bis 120 Wörtern, der eine Teilfrage vollständig und in sich geschlossen beantwortet: Kernaussage zuerst, dann Beleg, ein Gedanke pro Absatz, ohne Verweise wie „wie oben beschrieben". Was isoliert nicht verständlich ist, wird nicht zitiert.
Im kostenlosen Erstgespräch prüfen wir, ob KI-Crawler Ihre Inhalte überhaupt erreichen und verwerten können.
Erstgespräch vereinbaren