Warum KI-Assistenten bekannte Marken empfehlen und nicht nach neuen suchen

Eine Marke, die ChatGPT bereits kennt, bevor es zu suchen beginnt, wird in 68,9 Prozent der Fälle zitiert. Eine Marke, die das Modell erst während der Suche entdeckt: in 2,1 Prozent. Das ist rund Faktor 33, und zwar zwischen Marken, deren Seiten in derselben Antwort abgerufen wurden.

Wer diese Zahl ernst nimmt, muss eine unbequeme Frage stellen: Was optimieren eigentlich all die Werkzeuge, Checklisten und Agenturleistungen, die gerade unter dem Etikett „KI-Sichtbarkeit" verkauft werden? Die Antwort, die sich aus zwei unabhängigen Untersuchungen ergibt: Sie optimieren fast ausschließlich die Suche. Das Vorwissen des Modells entsteht vorher, woanders, und es entscheidet mehr.

Auch wir haben diesen Unterschied bisher nicht klar genug gezogen. Dieser Artikel holt das nach.

Wie ein Assistent zu einer Antwort kommt

Um beide Stellen zu verstehen, muss man wissen, wie ein Assistent wie ChatGPT tatsächlich an Webinhalte gelangt. Eine technische Analyse des Abruf-Verhaltens hat das nachvollzogen, und das Ergebnis widerspricht der Alltagsvorstellung deutlich.

Die Vorstellung geht so: Der Nutzer stellt eine Frage, die KI durchsucht das Netz, liest die Treffer und antwortet. Tatsächlich arbeitet das System mit zwei getrennten Speichern. Der erste ist ein Suchindex aus Schnipseln, also Titel plus rund 200 Zeichen pro Seite. Der zweite ist ein Lese-Zwischenspeicher, in dem vollständige Seiten als Markdown liegen.

Die meiste Zeit reicht dem Modell der Schnipsel. Die Seite selbst wird laut der Analyse nur in etwa einem von achtzig Fällen geöffnet, und auch das nur im Denk-Modus. Rund 88 Prozent der gefundenen Adressen werden nie geöffnet. Was das Modell über eine Seite „weiß", ist also meistens: ihr Titel und zwei Sätze.

Und selbst der Zwischenspeicher ist träger, als man denkt. Er frischt erst nach 30 Minuten Inaktivität auf, die beobachtete Aufbewahrung liegt bei mehreren Monaten, in einem dokumentierten Fall über 90 Tage. 13 Prozent der Schnipsel im Index lagen mehr als einen Monat hinter dem letzten Crawl zurück. Wer heute seine Seite verbessert, redet also unter Umständen noch monatelang mit der alten Fassung.

Drei Bots, drei Aufgaben

„Ein KI-Bot war auf unserer Seite" ist deshalb eine fast leere Aussage. Die Analyse unterscheidet drei Bots mit drei verschiedenen Aufgaben: Einer sammelt Trainingsdaten für künftige Modelle. Einer baut den Suchindex. Und einer öffnet Seiten, während gerade eine Antwort entsteht. Welche Kennung zu welcher Aufgabe gehört, zeigt der öffentliche Bot-Katalog.

Nur der dritte hat mit einer laufenden Antwort zu tun. Die beiden anderen sind Investitionen in eine Zukunft, deren Auszahlung ungewiss ist. Der Trainings-Crawler zahlt in ein Modell ein, das es noch gar nicht gibt.

Wie sich das in der Praxis verteilt, haben wir auf unserer eigenen Domain gemessen. Über dreißig Tage haben wir jeden Bot-Abruf serverseitig festgehalten und nach dem Zweck des jeweiligen Bots aufgeteilt, nach derselben Dreiteilung, die die Analyse beschreibt.

5.879 Abrufe von KI-Crawlern. Davon 3.705 für das Training künftiger Modelle, 1.152 für den Aufbau eines Suchbestands, 1.022 für eine Lesung während einer laufenden Antwort. Das sind 63, 20 und 17 Prozent. Dazu kamen 84 Abrufe von Crawlern, die keine KI-Dienste sind, also Suchmaschinen, SEO-Werkzeuge und Vorschau-Bots.

Die absoluten Zahlen stehen hier neben den Prozenten, und das ist kein Schmuck. Ein Anteil trägt seine Grundgesamtheit nicht mit: „63 Prozent" klingt gleich, ob es 3.705 Abrufe sind oder zweiundzwanzig. Wer eine Verteilung ohne die Menge dahinter liest, kann nicht widersprechen.

Das ist eine einzelne Domain über einen Monat, kein Branchenschnitt. Aber die Aussage, die daraus gehört, ist deutlich: Wer die Bot-Abrufe auf seiner Seite pauschal als „KI-Sichtbarkeit" liest, misst zum größten Teil etwas anderes. Knapp zwei Drittel sind eine Einzahlung in ein Modell, das es noch nicht gibt. Nur etwa jeder sechste Abruf fand statt, während eine KI gerade jemandem geantwortet hat.

Daraus folgt auch eine unbequeme Konsequenz für alle, die KI-Crawler pauschal aussperren: Der Trainings-Crawler ist genau der Kanal, über den die eigene Domain in das Vorwissen künftiger Modelle einzahlt. Wer ihn blockiert, verschwindet daraus nicht automatisch, denn das Vorwissen speist sich vor allem aus Erwähnungen auf fremden Domains. Aber er verzichtet auf den eigenen Beitrag dazu. Das kann eine legitime Entscheidung sein, etwa zum Schutz eigener Inhalte. Es sollte nur eine bewusste sein, keine Voreinstellung, die niemand hinterfragt hat.

Das Vorwissen: die Marken stehen fest, bevor gesucht wird

Jetzt zur zweiten Untersuchung, und zu dem Befund, der die Reihenfolge umdreht.

Ein Analyst hat die Netzwerkantworten aus über 60 ChatGPT-Gesprächen mitgeschnitten und ausgewertet, welche Suchanfragen das Modell selbst formuliert, bevor es Ergebnisse sieht. Der zentrale Befund: In 21 von 27 ersten Suchanfragen standen Markennamen, die der Nutzer nie genannt hatte. Getestet wurde das über 13 nicht miteinander verwandte Kategorien.

Das Modell fragt also nicht neutral „beste Espressomaschine unter 500 Euro" oder „beste Wärmepumpe für den Altbau" und schaut dann, was kommt. Es schreibt automatisch Markennamen in seine eigene Suchanfrage, Namen, die es aus seinem Training kennt. Anschließend sucht es gezielt auf den Seiten genau dieser Marken. Nach neuen Marken sucht es nicht, es prüft die, die es schon kennt.

Dieses Vorwissen liegt übrigens in keiner Datenbank, die jemand pflegen oder ergänzen könnte. Es ist beim Training in das Modell selbst eingegangen. Ändern kann es nur ein neues Training, und bis dahin bleibt es, wie es ist.

Und dieses Vorwissen entscheidet das Ergebnis. Von den 3.554 abgerufenen Seiten im Datensatz wurden nur 3,1 Prozent überhaupt zitiert. Innerhalb dieser Auswahl aber liegen Welten: die erwähnten 68,9 Prozent Zitierquote für Marken, die das Modell selbst in die Anfrage geschrieben hat, gegen 2,1 Prozent für Marken, die erst in den Suchergebnissen auftauchten.

Das ist die erste Stelle, an der über deine Marke entschieden wird. Sie liegt nicht auf deiner Website, sondern im Vorwissen des Modells, und dieses Vorwissen entsteht dort, wo der Trainings-Crawler liest: im offenen Netz, über lange Zeiträume. Die Empfehlung des Analysten ist entsprechend nüchtern: Erst prüfen, ob die eigene Marke in den ungefragten Suchanfragen des Modells auftaucht. Wenn nicht, hilft verdiente Erwähnung im offenen Netz mehr als jede technische Maßnahme auf der eigenen Seite.

Hier gehört ein Satz hin, den ein Anbieter von Mess-Werkzeugen ungern schreibt: Kein Werkzeug schreibt deine Marke in das Vorwissen eines Modells. Auch unseres nicht. Dorthin kommt eine Marke durch Erwähnungen, Tests, Fachbeiträge, Verzeichnisse und Gespräche im offenen Netz, durch Dinge, die man sich verdient und die Monate brauchen, weil auch der Weg vom Crawl ins nächste Modell Zeit kostet. Was ein Werkzeug leisten kann: sichtbar machen, ob das Modell deine Marke kennt. Nicht mehr.

Die Suche: was hilft, wenn das Modell deine Seite holt

Die zweite Stelle ist die Suche. Sie beginnt, wenn das Modell deine Seite tatsächlich holt, sei es als Schnipsel im Index oder als vollständige Fassung im Zwischenspeicher. Hier wirken die Maßnahmen, die üblicherweise unter „KI-Optimierung" laufen, und hier lassen sich aus beiden Untersuchungen konkrete Hebel ableiten.

Aus der Retrieval-Analyse: Weil das Modell meistens nur Titel und rund 200 Zeichen sieht, muss die Antwort auf die wahrscheinliche Nutzerfrage in genau diesem Fenster stehen. Eine Seite, deren Kernaussage erst nach Einleitung, Bühnenbild und drittem Absatz kommt, existiert für den Index praktisch ohne diese Aussage.

Aus der Vorwissen-Analyse: als erste Seite der eigenen Domain zu den relevanten Fragen erscheinen, sich nicht mit mehreren ähnlichen Seiten selbst Konkurrenz machen, und den antwortenden Satz weit oben in schlichtem HTML platzieren, nicht in Skript-generierten Elementen versteckt.

Zwei Nebenbefunde aus der Retrieval-Analyse sind für die Erfolgsmessung wichtig. Erstens: 95 Prozent der in Antworten angezeigten Links tragen eine Herkunftskennung, aber ausgerechnet die Seiten, die das Modell selbst geöffnet und gelesen hat, tragen sie nicht. Wer nur Referrer-Parameter auswertet, übersieht also systematisch die tiefste Form der Nutzung. Zweitens: Die Anweisung „nicht indexieren" verhinderte in der Beobachtung des Autors die Aufnahme nicht. Was auf der Seite steht, muss damit rechnen, gelesen zu werden, Regeldatei hin oder her.

Was das nicht ist

Bevor daraus ein Fahrplan wird, das Kleingedruckte, und zwar hier, nicht in einer Fußnote.

Beide Untersuchungen sind Messungen einzelner Fachleute. Keine ist von OpenAI bestätigt. Beide beschreiben einen Stand, der sich ohne Ankündigung ändern kann, denn Systeme dieser Art werden laufend umgebaut. Beide betreffen ChatGPT; für andere Assistenten ist die Übertragung eine Annahme, kein Befund. Und die beiden Untersuchungen stützen einander im Bild, sind aber keine unabhängige Wiederholung derselben Messung. Dasselbe gilt für unsere eigene Bot-Verteilung: eine Beobachtung, die zum selben Bild passt, keine Bestätigung.

Wer auf dieser Grundlage sein Marketing-Budget umbaut, sollte das wissen. Wer auf dieser Grundlage gar nichts tut, ignoriert allerdings die derzeit besten verfügbaren Daten.

Der Fahrplan

Geordnet nach Aufwand, vom kleinsten zum größten.

1. Prüfen, ob das Modell deine Marke kennt. Stelle einem Assistenten die Fragen, die deine Kunden stellen würden, und sieh nach, ob deine Marke in den Suchanfragen auftaucht, die das Modell von sich aus formuliert. Taucht sie auf, gehörst du bereits zum Vorwissen. Taucht sie nicht auf, ist jede Seitenoptimierung ein Einsatz an der falschen Stelle.

2. Die eigene Bot-Statistik richtig lesen. Trenne die Abrufe nach Zweck: Training, Index, Live-Lesung. Und achte darauf, welche Ereignisse deine Auswertung überhaupt zählt: Ein Bot kann deine Seite direkt crawlen, sie über deine Sitemap finden oder von einem Assistenten mitten in einer Antwort geholt werden. Wer nur einen dieser Wege zählt, bekommt eine Verteilung, die vollständig aussieht und es nicht ist. Genau diese Auswertung liefert Agentic Reach von Klariton, es ist dieselbe Methode, mit der die Zahlen weiter oben in diesem Artikel entstanden sind.

3. Die Antwort nach oben ziehen. Pro relevanter Frage eine Seite, der antwortende Satz in den ersten 200 Zeichen, in schlichtem HTML. Das ist Handwerk, kein Projekt.

4. Dubletten auflösen. Mehrere ähnliche Seiten zur selben Frage konkurrieren miteinander um denselben Platz. Eine klare Seite pro Frage schlägt fünf halbe.

5. Erwähnungen im offenen Netz verdienen. Fachbeiträge, unabhängige Tests, Branchenverzeichnisse, echte Kundenstimmen auf fremden Domains. Das ist der einzige bekannte Weg in das Vorwissen eines Modells, und der langsamste Punkt auf dieser Liste, weil zwischen Erwähnung, Crawl und nächstem Modell Monate liegen können.

6. In Antworten messen, nicht in Klicks. Ob deine Inhalte in KI-Antworten ankommen, zeigt sich in den Antworten selbst: Wird die Information aufgegriffen, bleibt die Quelle erhalten, ändert sich die Empfehlung? Genau diese Messung bauen wir bei Klariton, für die Seite der Suche, und mit der ausdrücklichen Ansage, dass das Vorwissen eines Modells woanders entsteht.

Die kurze Fassung des ganzen Artikels: Gefunden wird, wer seine Seiten richtig baut. Empfohlen wird, wen das Modell schon kennt. Wer beides für dasselbe hält, kauft Werkzeuge für eine Entscheidung, die längst gefallen ist.

Stand: 16. August 2026. Grundlage sind zwei unabhängige Einzelmessungen zum Abruf- und Suchverhalten von ChatGPT sowie eine eigene Auswertung von 5.963 Bot-Abrufen über dreißig Tage auf klariton.com, davon 5.879 von KI-Diensten. Gezählt werden vier Messpunkte: der direkte Crawl, die Nutzung durch einen Assistenten, der Sitemap-Abruf und der Seitenabruf. Eine Zwischenfassung dieses Artikels nannte 92 Abrufe und keine einzige Antwort-Lesung; diese Zahl stammte aus einer Abfrage, die nur einen der vier Messpunkte zählte, und war damit falsch. Wir schreiben es dazu, weil ein Artikel über ungeprüfte Zahlen schlecht beraten wäre, seine eigene Korrektur zu verschweigen.