Wie werde ich in ChatGPT zitiert? — 7 Faktoren mit Daten

Warum Citations > Klicks zählen

In klassischem SEO denken wir in Klicks. Position 1 = X Klicks, Position 2 = X/2 Klicks, und so weiter. In ChatGPT-Welt funktioniert das anders: Der User klickt selten — er liest die generierte Antwort und ist fertig. Was bleibt, ist die Citation: die Quelle, die ChatGPT im Antworttext oder in der Sources-Liste nennt.

Diese Citation ist kein Klick. Sie ist Erwähnung. Und Erwähnung ist die neue Währung, weil sie:

• Trust transferiert: Wer als Quelle zitiert wird, gilt für den User implizit als Authority — ohne dass er die Seite je besucht hat.
• Brand-Recall stiftet: 5x als Quelle gesehen = Name im Kopf. Wenn der User später ein Tool sucht, ist deine Brand verfügbar.
• Sekundäre Klicks generiert: Bei recherche-intensiven Queries klickt ca. ein Drittel der User auf 1–2 Citations, um zu verifizieren. Schätzung basiert auf SparkToro Zero-Click-Search-Daten 2024 (extrapoliert auf ChatGPT).
• Konversions-Funnel beschleunigt: Wer dich 3x in ChatGPT als Quelle sieht und dann googelt, ist warmer Lead — nicht Cold Traffic.

Wer 2026 noch in „Klicks von Google" denkt, optimiert für die Vergangenheit. Die neue Metrik heißt Citation Rate.

Das Princeton-GEO-Paper (2024)

Die wissenschaftliche Basis für „in ChatGPT zitiert werden" lieferte 2024 ein Team von Princeton, IIT Delhi und Georgia Tech: Aggarwal et al., „GEO: Generative Engine Optimization" (arxiv 2311.09735, finale Version 2024). Das Paper testet systematisch 9 Optimierungsstrategien gegen einen Benchmark-Datensatz (GEO-Bench) und misst, welche Strategien die Sichtbarkeit in generativen Suchmaschinen am stärksten erhöhen.

Die getesteten Strategien

1. Authoritative tone
2. Keyword stuffing
3. Statistics addition
4. Quotation addition
5. Citing sources
6. Easy-to-understand language
7. Fluency optimization
8. Unique words
9. Technical terms

Die zentralen Ergebnisse

Die drei Gewinner-Strategien — gemessen an „Subjective Impression" und „Position-adjusted Word Count" in der generierten Antwort:

• Citing Sources: bis zu +40% Sichtbarkeit
• Quotation Addition: bis zu +35% Sichtbarkeit
• Statistics Addition: bis zu +37% Sichtbarkeit

Was nicht funktioniert hat: Keyword Stuffing (negativ) und Fluency Optimization (neutral). Das ist die wichtigste Erkenntnis des Papers — alte Black-Hat-SEO-Tricks performen in LLMs nicht nur nicht, sie schaden aktiv. Generative Engines sind gegen typische SEO-Manipulation robuster als klassische Suche.

Die 7 Faktoren mit Daten

Aus dem Princeton-Paper plus 9 Monaten eigener Watchdog-Daten (SEOlyze trackt täglich ChatGPT-Citations für ~3000 DACH-Queries) destilliere ich diese 7 Faktoren. Reihenfolge nach Impact:

Faktor 1: Source-Diversity

Inhalte, die selbst auf 8+ unterschiedliche externe Quellen verlinken, werden ~2,1× häufiger zitiert als Texte ohne externe Citations (Watchdog-Daten Q4/25–Q1/26). Mechanismus: LLMs lesen viele Citations als „diese Seite synthetisiert" — was sie selbst tun. Du wirst als Meta-Quelle eingestuft.

Praktisch: In jedem Artikel 8–15 externe Verlinkungen auf diverse Quellen (Universitäten, Branchen-Standards, Studies, andere Tool-Anbieter). Nicht nur Wikipedia, nicht nur eigene Domain.

Faktor 2: Citable Claims (Numbers/Dates)

Vom Princeton-Paper bestätigt: Statistics addition ist einer der stärksten Hebel. Konkrete Zahlen, Daten, Prozente sind das, was LLMs am liebsten aus deinem Text herausziehen — weil sie als „Faktum" interpretierbar sind und in der generierten Antwort als hartes Element wirken.

Faustregel: Pro 1000 Wörter mindestens 8–12 konkrete numerische Claims. Nicht „viele Nutzer" — „300M Nutzer (OpenAI, Q1/2026)". Quelle dazu, wenn möglich.

Faktor 3: Q&A-Structure

H2 als Frage. Erster Satz nach H2: direkte Antwort. Kein Vorgeplänkel. Diese Struktur matcht das Frage-Antwort-Pattern, auf das LLMs trainiert wurden — sie extrahieren genau diese Snippets bevorzugt.

Watchdog-Daten: Seiten mit ≥5 Q&A-strukturierten H2 werden ~2,4× häufiger zitiert. Effekt ist konsistent über ChatGPT, Perplexity und Google AIO.

Faktor 4: Brand-Entity

LLMs zitieren bevorzugt Quellen, deren Brand sie als Entity verifiziert haben. Das heißt: Wikipedia-Eintrag (oder zumindest -Mention), schema.org/Organization, konsistente Brand-Erwähnungen in Reuters/TechCrunch/Branchen-Medien.

Wenn dein Knowledge-Graph-Eintrag dünn ist, wirst du im LLM-Output durch generischere Quellen ersetzt. Mein Take: Brand-Entity-Building ist der unterschätzteste GEO-Hebel. Es ist langsam, mühsam, schwer messbar — aber ohne wirst du bei generischen Queries nie konsistent zitiert.

Faktor 5: Authority-Signale (E-E-A-T)

Author-Box mit echtem Namen, Foto, Credentials, LinkedIn. Reviewed-By bei YMYL. Last-Updated-Date sichtbar. Quellen-Verzeichnis am Artikelende. Das ist klassisches Google-E-E-A-T, aber für LLMs nochmal wichtiger — weil sie aktiv gegen unzuverlässige Quellen abgesichert sind (Trust-Layer in den Modellen).

Watchdog-Daten: Artikel mit verifiziertem Author-Schema werden ~1,7× häufiger zitiert als Artikel mit anonymer Verfasserschaft.

Faktor 6: schema.org-Markup

Article, Author, Organization als Mindest-Setup. FAQPage und HowTo für passende Sektionen. Pflicht 2026, kein Optional mehr. LLMs nutzen Schema explizit, um Content-Strukturen zu verstehen — Schema ist die maschinenlesbare Variante deines Author-Bio und Q&A-Struktur.

Faktor 7: Source-Freshness

Last-Updated-Datum < 90 Tage bei stabilen Themen, < 30 Tage bei volatilen (KI, SEO, Marketing). LLM-Indizes refreshen periodisch — wer als „aktuell" gilt, wird in Citations bevorzugt.

Eigene Domain prüfen

Konkrete 4-Schritte-Selbst-Audit, das du heute machen kannst:

Schritt 1: ChatGPT-Stichprobe

Liste deine 20 wichtigsten Queries (die, für die du in Google rankst). Frag ChatGPT jeweils und schau, ob du in den Citations auftauchst. Tabelle anlegen: Query | ChatGPT-zitiert? | Konkurrenten zitiert?

Wenn du bei < 30% deiner Top-Queries zitiert wirst, hast du ein systemisches Problem (nicht punktuell). Wenn bei > 60%, bist du in einer guten Position — Feinjustierung.

Schritt 2: Source-Diversity-Check

Öffne dein letztes Pillar-Stück. Wie viele externe Links sind drin? Wenn < 8, ergänze auf 8–15. Mix: Universitäten/Studien, Branchen-Standards, Wikipedia, Tool-Vergleiche, andere Specialists.

Schritt 3: Schema-Check

Plug deine URL in den Google Rich Results Test. Article + Author + Organization vorhanden? Wenn nein: das ist dein Quick-Win.

Schritt 4: Author-Box-Audit

Hat jeder Artikel eine sichtbare Author-Box mit Name, Foto, LinkedIn, Credentials? Wenn nicht, das ist die zweite Sache, die ich heute fixen würde. Klassisches E-E-A-T-Setup, aber für LLMs nochmal entscheidend.

Faktor	Quick-Check	Aufwand	Impact
Source-Diversity	≥ 8 externe Links pro Pillar-Artikel?	30 Min/Artikel	Hoch
Citable Claims	≥ 8 Zahlen pro 1000 Wörter?	1h/Artikel	Hoch
Q&A-Struktur	H2 als Frage formuliert?	15 Min/Artikel	Hoch
Brand-Entity	Knowledge Graph & Wikipedia-Mention?	3-12 Monate	Sehr hoch
E-E-A-T	Author-Box mit Schema, sichtbar?	2 Tage Setup	Mittel-hoch
schema.org	Rich Results Test ohne Fehler?	1 Tag Setup	Mittel
Freshness	Last-Updated sichtbar, < 90 Tage?	Laufend	Mittel

Weiterführend: Der Pillar-Guide Generative Engine Optimization mit allen 12 Hebeln und der Mess-Methodik, und der spezifische Guide für Perplexity-Sichtbarkeit, weil sich da einige Faktoren von ChatGPT unterscheiden. Plus: GEO vs. SEO im Detail.