Content Chunking für KI-SEO: Sichtbarkeit in AI-Suchen

Was ist Content Chunking?

Content Chunking bezeichnet die Unterteilung von Inhalten in kleine, eigenständige Textblöcke, die von KI-Systemen extrahiert und zitiert werden können.

Klassische Suchmaschinen indexieren Seiten als Ganzes. KI-Systeme wie ChatGPT oder Perplexity arbeiten anders: Sie zerlegen Dokumente in semantische Einheiten und greifen nur auf jene Passagen zurück, die zur jeweiligen Anfrage passen. Wie gut das funktioniert, hängt stark davon ab, wie klar und eigenständig die einzelnen Abschnitte formuliert sind.

SEO vs. GEO: Page-Level- vs. Passage-Level-Retrieval

Klassisches SEO bewertet eine Seite im Gesamtkontext: Hauptthema, Keyword-Dichte, Verlinkungsstruktur. KI-Systeme arbeiten stärker auf Passage-Ebene. Sie greifen gezielt auf einzelne Abschnitte zurück, unabhängig davon, wie stark die Seite insgesamt rankt.

Der Grundgedanke ist nicht neu. Google hat bereits im Februar 2021 mit dem Passage Ranking Update begonnen, einzelne Textpassagen innerhalb einer Seite unabhängig zu bewerten, um auch tief vergrabene Antworten zu finden.

Wichtig ist die Unterscheidung: Passage Ranking ist ein Ranking-Signal in der klassischen Google-Suche. Google indexiert weiterhin ganze Seiten und zieht Passagen nur als zusätzlichen Faktor heran. Das ist nicht dasselbe wie das Passage-Retrieval in generativen KI-Systemen, wo ein Modell einzelne Absätze aus vielen Quellen abruft und daraus eine neue Antwort formuliert. Verwandt, aber technisch zwei verschiedene Vorgänge. Wer seit 2021 gutes SEO gemacht hat, wird in den Kernprinzipien des Chunkings trotzdem wenig Neues finden.

Inhalte müssen heute beides abdecken: ein kohärentes Seitenkonzept für das klassische Ranking und klar abgegrenzte, eigenständig verständliche Abschnitte für die Sichtbarkeit in KI-Übersichten.

Wie die KI-Extraktion technisch funktioniert

Hinter der Extraktion steckt meist Retrieval-Augmented Generation (RAG): Das Sprachmodell ruft zur Laufzeit passende Textpassagen aus externen Quellen ab und nutzt sie als Faktenbasis für die Antwort. Ohne diesen Abruf greift das Modell nur auf statisches Vorwissen aus dem Training zurück. Für Chunking ist die Konsequenz simpel: Inhalte müssen in einem Format vorliegen, aus dem sich saubere, in sich geschlossene Passagen ziehen lassen. Wie RAG im Detail arbeitet, steht im Glossar zu RAG.

Die Anatomie eines guten Chunks

Ein guter Chunk ist eigenständig, stellt die wichtigste Information voran und enthält alle relevanten Belege im selben Absatz.

Länge und das Standalone-Prinzip

Feste Wortzahlen sind keine harte Regel. Als grobe Faustregel gilt: Für direkte Antworten auf spezifische Fragen reichen kurze Blöcke von etwa 40 bis 60 Wörtern, gut für Definitionen, schnelle Fakten oder Listen. Für komplexere Zusammenhänge sind längere Abschnitte sinnvoll. Untersuchungen zur optimalen Chunk-Größe in RAG-Systemen finden je nach Inhaltstyp und Frage unterschiedliche Sweet Spots, meist im Bereich einiger hundert Tokens. Der Kern daraus: Sehr kurze Fetzen und sehr lange Textwände haben beide Nachteile, die brauchbare Größe liegt dazwischen und hängt vom Inhalt ab.

Für beide Längen gilt das Standalone-Prinzip: Jeder Abschnitt muss isoliert verständlich sein. Ein einfacher Test: Wenn ein KI-System genau diesen Absatz extrahiert und als alleinige Antwort präsentiert, versteht der Leser die Kernaussage sofort? Vage Verweise wie „wie oben bereits erwähnt" oder „dieser Ansatz" machen einen Chunk beim Abruf durch RAG-Systeme unbrauchbar.

Front-Loading (BLUF)

Das Bottom Line Up Front (BLUF)-Prinzip ist simpel: Die wichtigste Information gehört in den ersten Satz. Nicht ans Ende, nicht in die Mitte.

Statt: „Es gibt viele Meinungen darüber, ob Produkt Y gut ist..." Besser: „Produkt Y eignet sich für Anwendungsfall X, weil..."

Lange Einleitungen, die erst im dritten Absatz zum Punkt kommen, werden bei der KI-Extraktion schlicht übergangen.

Strukturierte Formate

Sprachmodelle verarbeiten Text in Tokens. Langer Fließtext verbraucht davon viele, ohne proportional mehr Information zu liefern. Bullet-Points, nummerierte Listen und HTML-Tabellen sind kompakter und werden von KI-Systemen häufiger zitiert. Laut einer kommerziellen Analyse von The Digital Bloom (2025) erzielen Listicles und Vergleiche mit 32,5 Prozent die höchste Zitationsrate aller Content-Formate. Die Zahl stammt aus einem einzelnen Anbieter-Report, taugt also als Indiz, nicht als gesicherter Fakt.

Konkrete Fakten

Adjektive wie „weltklasse", „innovativ" oder „branchenführend" liefern einer KI keine verwertbaren Informationen. Sprachmodelle suchen nach belegbaren Fakten. Das ist inzwischen auch untersucht: Laut der Princeton-Studie zu Generative Engine Optimization steigert das Einbinden von Statistiken die Sichtbarkeit einer Quelle in KI-Antworten um rund 26 Prozent, das Einbinden von Zitaten um rund 28 Prozent (Aggarwal et al., 2024).

Statt: „Unser Tool ist führend in der Branche" Besser: „Das Tool reduziert den manuellen Arbeitsaufwand laut internen Daten um 30 Prozent"

Was das maschinelle Auslesen stört

Laut Microsoft sind das die häufigsten Formatierungsprobleme:

• Dekorative Symbole: Übermäßige Emojis, Pfeile, Sterne oder Zeichenketten wie „!!!" lenken Algorithmen vom Inhalt ab.
• Überladene Sätze: Ein Gedanke pro Satz. Viele Einschübe und Kommata verschlechtern die maschinelle Lesbarkeit.
• Daten in Bildern oder PDFs: Eine Preistabelle als PNG oder technische Spezifikationen im PDF werden von KI-Systemen oft nicht erfasst. Kritische Informationen müssen im HTML-Text stehen.

Chunking-Beispiele

Beispiel 1: Produktbeschreibung

KI-Systeme haben Schwierigkeiten, spezifische Vorteile aus langen Textblöcken zu extrahieren.

Schlecht:

„Unser neuer Geschirrspüler ist wirklich innovativ und perfekt für offene Küchen geeignet. Er ist extrem leise und stört nicht beim Fernsehen. Außerdem ist er sehr umweltfreundlich, was durch offizielle Zertifikate bestätigt wird, und er lässt sich bequem mit Smart-Home-Geräten steuern."

Besser:

„Dieser Geschirrspüler eignet sich für offene Küchen. Die drei wichtigsten Eigenschaften:

• 42 dB Geräuschpegel (vergleichbare Modelle: 48 bis 52 dB)
• Energy-Star-Zertifizierung
• Kompatibel mit Amazon Alexa und Google Home"

Beispiel 2: Preisgestaltung

Schlecht:

„Wir bieten branchenführende Software zu erschwinglichen Preisen, die gut in das Budget kleiner Unternehmen passt."

Besser:

„Die Software kostet 49 Euro pro Monat und beinhaltet Lizenzen für bis zu 10 Nutzer."

Beispiel 3: Q&A-Format

Direkte Frage-Antwort-Blöcke spiegeln wider, wie Menschen KI-Systeme nutzen. Sprachmodelle können diese Formate direkt in ihre Antworten übernehmen.

Schlecht:

„Wenn man sich fragt, wie laut das Gerät im Betrieb ist, kann man beruhigt sein, da Messungen gezeigt haben, dass es mit 42 Dezibel deutlich unter dem Marktdurchschnitt liegt."

Besser:

Wie laut ist der Geschirrspüler? Er arbeitet mit 42 dB. Vergleichsmodelle liegen bei 48 bis 52 dB.

Beispiel 4: Gutes Chunking vs. übertriebenes Zerhacken

Chunking bedeutet nicht, jeden Satz in einen eigenen Absatz zu zwingen.

Übertrieben:

„Chunking ist wichtig.

Chunking hilft der KI.

Auch Menschen finden Chunking gut.

Man sollte Chunking nutzen."

(Das Problem sollte hier klar sein: Bei dieser Art übertriebenem Chunking käme es notwendigerweise zur Produktion von Keyword-Spam. Und den sieht Google bekanntlich nicht so gern.)

Sinnvoll:

„Gut portionierte Inhalte kommen KI-Systemen zugute, wenn jeder Abschnitt einem inhaltlichen Zusammenhang folgt. Mechanisch zerstückelte Satzfetzen tun das Gegenteil. Zwischenüberschriften und Absätze von 150 bis 250 Wörtern schaffen in der Praxis die richtige Balance."

Chunking-Methoden

Frage-Antwort-Chunking

Die direkteste Methode: Eine Nutzeranfrage als Überschrift formulieren, der darunterliegende Absatz beantwortet sie präzise. Diese Struktur passt gut zum Suchverhalten in KI-Systemen, wo Menschen oft vollständige Sätze eingeben.

Beispiel:

Für welche Teamgrößen ist die Software geeignet? Die Software ist für Teams zwischen 5 und 500 Personen ausgelegt. Ab 50 Nutzern stehen dedizierte Onboarding-Manager und erweiterte Admin-Funktionen zur Verfügung.

Themen-Chunking

Komplexe Sachverhalte werden in klar abgegrenzte Teilbereiche unterteilt. Jeder Abschnitt deckt einen spezifischen Aspekt ab. Bei einem Softwareartikel könnten das Preisgestaltung, Integrationen und Zielgruppen sein. So kann ein Sprachmodell bei einer Teilfrage den passenden Block zitieren, ohne den Rest der Seite einzubeziehen.

Beispiel: Statt einem langen Absatz über „unsere Software" gibt es separate Blöcke für Preise, Integrationen und Support, jeder für sich verständlich.

Problem-Lösungs-Chunking

Ein konkretes Problem wird benannt, die Lösung folgt direkt im selben Absatz. Gut geeignet für Anleitungen und Support-Inhalte, weil viele Menschen KI-Systeme primär zur Lösung spezifischer Probleme nutzen.

Beispiel:

Problem: Marketingteams verlieren Zeit mit manueller Kampagnenplanung. Lösung: Software XY automatisiert die Planung mit Drag-and-Drop-Workflows und reduziert den manuellen Aufwand laut Kundendaten um durchschnittlich 30 Prozent.

Definition-Erklärung-Beispiel-Chunking

Ein Begriff wird im ersten Satz definiert, im zweiten vertieft und mit einem Praxisbeispiel abgeschlossen. Diese Dreiteilung liefert einem Sprachmodell eine vollständige Informationseinheit in einem kompakten Block.

Hinweis für B2B: Reine Definitionen von Allgemeinwissen bringen kaum Zitationschancen. Mehrwert entsteht durch tiefergehende Erklärungen mit proprietären Daten oder konkreten Praxisbeispielen aus eigener Branchenerfahrung.

Wann sollte man überhaupt chunken?

Wann man chunken sollte und wann nicht, das ist unserer Meinung nach die am häufigsten übersehene Frage im ganzen Chunking-Diskurs. Unsere Einschätzung:

Wenig Sinn macht Chunking bei allgemeinen Definitionen und Erklärungen zu Standardthemen. Für Basiswissen greift ein Sprachmodell auf seinen Trainingskorpus zurück. Eine externe Quelle wird dafür kaum zitiert.

Sinnvoll ist Chunking bei Informationen, die das eigene Angebot spezifisch beschreiben, Dinge, die ein Modell aus Vorwissen nicht kennt. Genau dort will man in KI-Antworten auftauchen, weil es um Qualifizierung geht.

Ein Beispiel: Es bringt wenig, wenn ein LLM eine Seite zitiert, weil dort erklärt wird, was ein Schuh ist. Wertvoll ist es, wenn das Modell genau dieses Produkt empfiehlt, wenn jemand fragt: „Welcher Schuh ist gut für Konzerte, weil man lange stehen muss?"

Empfohlener Workflow: Einen Text zunächst wie gewohnt schreiben. Anschließend identifizieren, welche Passagen echte Chunking-Kandidaten sind: Stellen mit spezifischen Produktvorteilen, konkreten Zahlen oder proprietären Insights. Diese Stellen dann gezielt überarbeiten.

Bestandsinhalte vs. neue Inhalte

Wer Chunking konsequent umsetzen will, steht schnell vor der Frage: Fange ich mit neuen Artikeln an, oder überarbeite ich, was schon online ist?

Die kurze Antwort: Bestandsinhalte zuerst. Neue Seiten brauchen Zeit, um Autorität aufzubauen und gecrawlt zu werden. Bestehende Seiten haben diesen Schritt bereits hinter sich. Wer dort gezielt die richtigen Passagen überarbeitet, erzielt in der Regel schneller Wirkung.

Für die Priorisierung helfen drei Kriterien:

• Rankingposition: Seiten, die bereits auf Seite 1 oder 2 ranken, haben die nötige Grundautorität. Hier lohnt sich Chunking, weil KI-Systeme bevorzugt auf Quellen zurückgreifen, die auch klassisch sichtbar sind.
• Thematische Relevanz: Inhalte zu Themen, bei denen das eigene Angebot eine echte Differenzierung bietet. Generische Ratgeberseiten ohne Produktbezug sind weniger interessant.
• Informationstiefe: Seiten mit proprietären Daten, konkreten Fallbeispielen oder spezifischen Produktdetails sind bessere Chunking-Kandidaten als allgemeine Übersichtsartikel.

Neue Inhalte hingegen sollten von Anfang an nach Chunking-Prinzipien geschrieben werden, insbesondere wenn sie gezielt für Themen gedacht sind, bei denen man in KI-Antworten auftauchen will. Hier ist der Aufwand geringer, weil kein Text umgebaut werden muss.

Content-Aktualität

Laut dem AI Citation Report von The Digital Bloom (2025), einer kommerziellen Analyse, zielen 65 Prozent der KI-Crawler-Hits auf Inhalte, die innerhalb des letzten Jahres veröffentlicht oder aktualisiert wurden. Die Zahl stammt aus einem einzelnen Anbieter-Report. Die Richtung deckt sich aber mit der Alltagsbeobachtung, dass Aktualität die Crawling-Frequenz und Zitationswahrscheinlichkeit beeinflusst.

Das hat konkrete Konsequenzen für den Umgang mit Bestandsinhalten. Eine Seite, die vor drei Jahren gut geschrieben wurde, verliert schleichend an Sichtbarkeit in KI-Systemen, wenn sie seitdem nicht angefasst wurde. Das gilt besonders für Inhalte zu Themen, bei denen sich Marktbedingungen, Preise oder Produktdetails verändert haben.

Was bei einer Aktualisierung zählt: Nicht jede kosmetische Überarbeitung signalisiert einem Crawler relevante Änderungen. Sinnvoll sind Aktualisierungen, die echten inhaltlichen Mehrwert hinzufügen: neue Zahlen, ein aktualisiertes Beispiel, ein neuer Abschnitt zu einer Entwicklung, die seit der Erstveröffentlichung eingetreten ist. Ein einfaches Aktualisierungsdatum ohne inhaltliche Änderung hilft wenig.

Für die Praxis: Wer eine Liste von Chunking-Kandidaten aus dem Bestand aufbaut, sollte das Veröffentlichungsdatum als zusätzliches Kriterium berücksichtigen. Eine gut strukturierte Seite mit veralteten Daten ist ein schlechterer Zitationskandidat als eine, die beides bietet.

UX und Lesbarkeit

Das menschliche Gehirn liest Webseiten nicht linear. Studien der NN/Group zeigen, dass Nutzer Inhalte im F-Muster überfliegen, bevor sie über die Relevanz eines Textes entscheiden.

Dahinter steckt ein kognitives Grundprinzip: Das Arbeitsgedächtnis kann laut Millers Law nur fünf bis neun Informationseinheiten gleichzeitig verarbeiten. Gut strukturierte Texte mit klaren Absätzen, Bullet-Points und Weißraum reduzieren die Lesebelastung. Auf Smartphones kommt der Mobile-First-Faktor hinzu: Klassische Textblöcke wirken auf kleinen Bildschirmen schnell wie eine Textwand.

Die Anforderungen für gute Lesbarkeit und die Anforderungen für KI-taugliche Formatierung überlappen sich stark. Klare Überschriften, hervorgehobene Fakten und logische Listen helfen beiden. Genau dieser Punkt ist später in der Kontroverse entscheidend.

Chunking im SEO-Kontext

Chunking steht nicht für sich, sondern greift in mehrere GEO-Bausteine hinein. Die wichtigsten kurz eingeordnet, mit Verweis auf die jeweilige Vertiefung:

Query Fan-Out

Bei komplexen Fragen zerlegt ein KI-System die Anfrage intern in mehrere Teilfragen, sucht dazu parallel und baut aus den Treffern eine Antwort. Gut abgegrenzte Abschnitte auf einer Seite erhöhen die Chance, dass das System für jede Teilfrage den passenden Block findet. Wie dieser Mechanismus funktioniert, steht im Glossar zu Query Fan-Out.
 

### E-E-A-T und Autorenexpertise

Gut formatierte Chunks allein reichen nicht. Fehlt einer Website die Grundautorität, wird sie trotz sauberer Formatierung oft ignoriert. Welche Signale für Erfahrung, Expertise, Autorität und Vertrauen zählen und wie man sie aufbaut, steht im Glossar zu E-E-A-T.

Schema-Markup

Wer FAQ-Blöcke, Produktdaten oder Anleitungen korrekt mit JSON-LD auszeichnet, gibt Suchmaschinen und Answer Engines eine zweite, maschinenlesbare Bestätigung der Inhalte. Welche Schema-Typen für KI-Sichtbarkeit wirklich etwas bringen und wie das JSON-LD konkret aussieht, steht unter Schema Markup für KI-SEO.

Semantische Entitäten

Suchmaschinen bewerten Beziehungen zwischen Entitäten: Marken, Personen, Konzepte, Orte. Abschnitte, die relevante Entitäten und semantische Felder natürlich abdecken, stärken die topische Autorität einer Seite. Warum Entitätskonsistenz über Plattformen hinweg wichtiger ist als viele vermuten und was die „Disconnected Entity Hypothesis" für B2B-Websites bedeutet, ordnet unser Artikel zu Entity SEO für KI-SEO ein.

Die Kontroverse: Googles Warnung vor Chunking

Viele Marketer versuchen, die Sichtbarkeit in KI-Übersichten zu erhöhen, indem sie Texte aggressiv aufbrechen. Das verleitet dazu, die gesamte Content-Strategie auf maschinelle Präferenzen auszurichten.

Google hat sich dazu klar positioniert. Danny Sullivan sagte im Search Off The Record Podcast:

„One of the things I keep seeing over and over in some of the advice... is that turn your content into bite-sized chunks, because LLMs like things that are really bite size, right? So we don't want you to do that. [...] We really don't want people to have to be crafting anything for Search specifically. That's never been where we've been at." (Danny Sullivan)

Sullivan ergänzte, dass sich Systeme weiterentwickeln und solche Taktiken langfristig nicht tragen:

„The systems improve, probably the way the systems always try to improve, to reward content written for humans. All that stuff that you did to please this LLM system that may or may not have worked, may not carry through for the long term." (Danny Sullivan)

Inzwischen steht das nicht mehr nur in einem Podcast, sondern in Googles offizieller Leitlinie zur Optimierung für KI-Features. Dort sagt Google direkt, dass Chunking für das Verständnis durch die eigenen generativen Systeme nicht nötig ist:

„Chunking" content: There's no requirement to break your content into tiny pieces for AI to better understand it. Google systems are able to understand the nuance of multiple topics on a page and show the relevant piece to users. However, sometimes shorter (or longer!) pages can work well depending on your audience and subject matter. There's no ideal page length, and in the end, make pages for your audience, not just for generative AI search. (Google Search Central, 2026)

Aus der SEO-Community kommt ein ähnlicher Ton. Tom Critchlow etwa:

„I think 'content chunking' is a terrible phrase and doing it 'for SEO' is probably a bad idea. But making your content easier to read and consume? Definitely worth doing and has been best practice for a long time." (Tom Critchlow @ LinkedIn)

Critchlow hat das gemessen: Seiten, die nach einem „Smart Brevity"-Ansatz mit besseren Zwischenüberschriften und klarerer Struktur überarbeitet wurden, fanden 80 Prozent der Nutzer leichter lesbar und 83 Prozent nützlicher.

SEO-Expertin Lily Ray fragte in einer weiteren LinkedIn-Diskussion, ob sich KI-freundliches Schreiben überhaupt wesentlich von guter UX-Praxis unterscheide. Dan Petrovic (DEJAN) antwortete:

„No. There's nothing new a good SEO has to do than what a good SEO did before. Good structure, topical units clustered together and so on. [...] My approach is to promote concise and information rich writing style that conveys the message and intent as clearly as possible in as few words as possible while maintaining natural reading flow." (Dan Petrovic)

Kurz zusammengefasst: Chunking als Mittel zur besseren Lesbarkeit hat seinen Wert. Chunking als Mittel, um Algorithmen zu überlisten, wird langfristig bestraft. Der Unterschied liegt in der Absicht.

Grounding Pages: Ein verwandtes Konzept

Im Zuge der Chunking-Debatte taucht ein weiteres Konzept auf: die Grounding Page, eine dedizierte Seite mit allen wesentlichen Fakten zu einem Unternehmen, Produkt oder einer Person. 

Der Haken: Eine Grounding Page löst nichts, wenn die Marke im Rest des Webs inkonsistent oder kaum sichtbar ist. Generative KI-Systeme gewichten externe, unabhängige Erwähnungen stärker als selbst deklarierte Fakten. Warum Grounding Pages deshalb so oft enttäuschen und was B2B-Unternehmen stattdessen tun sollten, ordnet unser Artikel zu Entity SEO für KI-SEO ein.

Vor- und Nachteile von Chunking

Vorteile

• Zitationswahrscheinlichkeit: Klar extrahierbare Textblöcke erhöhen die Chance, in KI-Antworten aufzutauchen.
• Lesbarkeit: Strukturierte Inhalte kommen auf mobilen Endgeräten besonders zugute.
• Content-Recycling: Kompakte Informationsblöcke lassen sich gut für Social-Media-Beiträge, Newsletter oder Lernkarten weiterverwenden.
• Schreibdisziplin: Die Anforderung, jeden Absatz standalone zu formulieren, zwingt zu präzisem Denken.

Risiken bei falscher Anwendung

• Verlust des Leseflusses: Mechanisch zerhackte Texte verlieren Tonalität und Glaubwürdigkeit.
• Überoptimierung: Texte, die ausschließlich für Algorithmen geschrieben wurden, wirken unnatürlich.
• Algorithmische Risiken: Systeme, die heute auf stark fragmentierte Inhalte reagieren, können ihre Bewertung anpassen. Google hat davor explizit gewarnt.

Technische Fallstricke

Versteckte Inhalte

Crawler interagieren in der Regel nicht aktiv mit Seitenelementen. Inhalte in aufklappbaren Akkordeons oder verborgenen Tabs werden oft ignoriert. Wesentliche Antworten, die erst durch einen Klick sichtbar werden, fehlen damit in der maschinellen Bewertung.

Daten in Bildern und PDFs

Preistabellen als PNG oder technische Spezifikationen im PDF sind für RAG-Systeme schwer auswertbar. Eine echte HTML-Tabelle macht tabellarische Daten maschinenlesbar.

Interpunktion und Formatierung

Klare Interpunktion hilft Algorithmen, Satzgrenzen und Informationsblöcke zu erkennen. Übermäßige Ausrufezeichen, grafische Pfeile oder lange Sonderzeichenfolgen stören den maschinellen Leseprozess.

Praxis-Tipps

1. Selektiv vorgehen: Nicht den gesamten Text überarbeiten, sondern gezielt Passagen mit proprietären Fakten, konkreten Produktvorteilen und einzigartigen Praxisbeispielen identifizieren.
2. BLUF umsetzen: Die wichtigste Aussage kommt in den ersten Satz. Details und Erklärungen folgen danach.
3. Belege im selben Absatz: Quellenangaben, Zitate und Statistiken müssen im gleichen Textabschnitt stehen wie die dazugehörige Aussage.
4. HTML-Formate nutzen: Aufzählungen im Fließtext durch Bullet-Points und HTML-Tabellen ersetzen.
5. Standalone-Test machen: Vor der Veröffentlichung einen Absatz isoliert lesen. Ergibt er ohne Kontext Sinn? Falls nicht, überarbeiten.
6. Keine versteckten Inhalte: Kerninformationen müssen sofort im sichtbaren Bereich der Seite ladbar sein.
7. Lesefluss erhalten: Strukturierende Elemente behutsam einsetzen. Thematische Kohärenz wird besser bewertet als künstlich zerstückelte Texte.
8. Schema-Markup einsetzen: JSON-LD-Auszeichnungen für FAQs, Produkte und Anleitungen ergänzen die maschinenlesbare Signalwirkung.

Zusammenfassung

Mit dem Aufstieg generativer KI-Systeme ist die Qualität einzelner Absätze wichtiger geworden: Sie entscheidet darüber, ob ein Inhalt in synthetisierten Antworten erscheint oder nicht.

Die Kernprinzipien sind bekannt: eigenständige Textblöcke, wichtigste Information zuerst, konkrete Fakten, saubere HTML-Strukturen. Wer Inhalte damit für menschliche Leser besser verständlich macht, verbessert gleichzeitig seine KI-Sichtbarkeit.

Wer hingegen Algorithmen durch mechanisches Zerstückeln zu überlisten versucht, riskiert genau das, wovor Danny Sullivan warnt: dass eine Taktik, die heute noch funktioniert, morgen bestraft wird.

Quellen

• Google Search Central: Optimizing your website for generative AI features on Google Search
• Aggarwal et al. (Princeton): GEO: Generative Engine Optimization
• Microsoft Ads: Optimizing your content for inclusion in AI search answers
• The Digital Bloom: 2025 AI Citation & LLM Visibility Report (kommerzieller Report)
• Wu et al.: What Generative Search Engines Like and How to Optimize Web Content Cooperatively
• Google Blog: Search On: Passage Ranking
• Tom Critchlow auf LinkedIn: Kommentar zur Google-Warnung vor Chunking
• Lily Ray & Dan Petrovic auf LinkedIn: Diskussion zu GEO-Taktiken
• NN/Group: F-Shaped Pattern For Reading Web Content
• Laws of UX: Miller's Law
• Danny Sullivan im Search Off The Record Podcast