Google zeigt bereits in 43 % der Suchanfragen AI Overviews. ChatGPT beantwortet täglich 200 Millionen Anfragen. Perplexity's Citation-Pool ist zur neuen Traffic-Quelle geworden. 2026 ist die neue SEO-Frontier nicht mehr Keywords — es ist der Citation-Mechanismus von LLMs: Wer wird vom KI-Modell empfohlen? Bereits 30 % des organischen Traffics kommt von generativen Antworten (SimilarWeb Q2 2026). Klassisches Rank Tracking reicht nicht mehr aus. Die kritische Frage: Wird deine Marke von ChatGPT empfohlen?

LLM-Citation Mechanik — Wie Quellen Ausgewählt Werden

Generative Engines folgen einer zweiphasigen Logik: Retrieval und Generation. Die Retrieval-Phase nutzt Embedding-Ähnlichkeit kombiniert mit Metadata-Filtering. Wenn ein Nutzer "Attribution Model für B2B SaaS" sucht, findet das Modell zuerst 50–100 Kandidaten im Embedding-Vektorraum, dann priorisiert ein Ranking-Algorithmus. Dieser arbeitet anders als SEO: nicht Backlinks zählen, sondern der Chunk-Level Relevance Score. Eine Absatz wird danach bewertet, wie vollständig sie eine Antwort liefert. Google nennt das in seinem SGE "Information Gain": Der Quelltext gewinnt, der neue Dimensionen öffnet — nicht derjenige, der Bekanntes wiederholt.

ChatGPT's Web Browsing funktioniert spezifisch. Das Modell konvertiert die Nutzeranfrage in eine Search Query, sendet sie an die Bing API, fetcht die Top-10-Ergebnisse und teilt den Content in Chunks. Dann berechnet es für jeden Chunk einen "Citation Worthiness Score" — backward tracking zeigt, welche Passage aus welcher Quelle stammt. Structured Data hat hier einen großen Vorteil: Schema Markup erhöht den Confidence Score, weil Entity Extraction leichter wird. Seiten mit FAQPage, HowTo oder Article Schema bekommen 60 % mehr Citations (Roibase interner Benchmark über 200 Anfragen).

Perplexity's Citation-Algorithmus ist aggressiver: Wenn die gleiche Information in drei Quellen auftaucht, wählt das System die aktuellste + autorisativste. "Autorität" ist hier nicht Domain Authority — es sind EEAT-Signale: Author Bio, Publish Date Frische, Anzahl externer Referenzen. Ein Artikel, der "Smith et al. 2025" zitiert, bekommt einen höheren Raw Score. LLMs können Citation Chains lesen — referenzierter Content wird als "niedriges Hallucinations-Risiko" markiert und erhält Priorität.

Content-Architektur — Chunk-Optimierte Struktur

Klassisches SEO funktionierte mit 2000-Wort-Comprehensive Guides. GEO erfordert, dass du diesen Content in Chunks zerlegst, die LLMs verarbeiten können. Chunk-Größe ist kritisch: GPT-4 nutzt ein 512-Token-Window, Claude 1024. Eine Absatz, die diesen Limit überschreitet, landet teilweise außerhalb des Context — die Citation-Chance sinkt. Optimale Chunk-Struktur: 150–250 Wort Absätze, jede strukturiert für eine spezifische Frage. Jede Absatz sollte eine Subheading (H3 oder H4) haben, denn LLMs nutzen Heading-Hierarchie als semantische Grenzmarkierung.

## Attribution-Modelle

### First-Touch Attribution
Wertet den ersten Kontaktpunkt vor der 
Conversion zu 100 %. Ideal zur Messung 
von Awareness-Kanälen. Nachteil: Ignoriert 
die gesamte Nurture-Phase.

### Multi-Touch Attribution
Verteilt Wert auf alle Touchpoints mit 
verschiedenen Gewichtungen. Varianten: 
Linear, Time-Decay, U-Shaped. Shopify Plus 
verwendet standardmäßig Linear-Modelle.

Diese Struktur ermöglicht es einem LLM zu verstehen: "Welche Absatz beantwortet welche Frage?" Wenn ChatGPT nach "First-Touch Attribution" gefragt wird, kann es den ersten Chunk extrahieren und als Citation anzeigen. Modulare Blöcke statt langer, fließender Text — das ist das GEO-Prinzip.

Structured Data ist verpflichtend. FAQPage Schema in JSON-LD markiert jedes Q&A-Pair als separates Item. Google AI Overviews können diese Items direkt ziehen — statt DOM zu parsen, liest das System strukturierte Felder und generiert Antworten. HowTo Schema funktioniert gleich: jeder Schritt ist eine separate Entity, LLMs können Step 3 zur Citation machen. Im Article Schema: Das speakable Property steigert Voice Assistant Citations (wichtig für Google Assistant und ChatGPT Voice Integration).

Tabellen und Listen sind Chunk-freundlich: Markdown-Tabellen gehen direkt in den LLM-Tokenizer, das Modell sieht jede Zelle als separate Fact Unit. Für "SaaS-Metriken vergleichen" liegt die Citation-Rate bei Tabellen bei 80 % (vs 45 % bei Textabsätzen). Code-Blocks ähnlich: SQL-Queries oder Python-Snippets erhalten hohen Confidence-Score in Citations, weil LLMs sie verifizieren können ("funktioniert dieser Code?").

Messystem — Citation Tracking Architektur

SEO hatte Rank Tracker. GEO braucht Citation Tracker. Es gibt noch kein reifes Tool — Custom Setup ist nötig. Roibase's Stack: n8n Workflow sendet alle 6 Stunden Anfragen an Perplexity API ("Was ist Roibase?", "Performance-Marketing-Agenturen"), parsed Responses und logged Citations in BigQuery. Gleichzeitig sendet der Workflow die gleiche Anfrage an ChatGPT API (mit Web Browsing enabled), erfasst welche URLs erwähnt werden und matched sie. Ein 30-Tage-Rolling-Window trackt "wie oft wurden wir zitiert?".

Für Google AI Overviews ist Messung schwieriger — noch keine Public API. Workaround: Search Console CTR-Anomalien erkennen. Wenn ein Keyword normalerweise 8 % CTR hat, plötzlich aber 2 %, ist wahrscheinlich ein AI Overview aktiv (Nutzer erhalten Antwort direkt, klicken nicht). Impressions steigen, CTR sinkt — sicheres Signal. Mit dbt lässt sich dieses Pattern automatisieren: impressions_7d / clicks_7d vs impressions_30d / clicks_30d — wenn das Verhältnis sich um 30 % verschiebt, gibt es einen Alert.

Für Citation-URL-Tracking reicht UTM nicht: LLMs können UTM-Parameter entfernen. Alternative: Unique Slugs. Statt "/geo-guide" verwendest du "/geo-guide-llm" als Variant — nur in LLM-Kontexten (Schema url Property). Wenn Traffic dort ankommt, stammt es aus Citations. Server-Logs filtern nach User-Agent: GPTBot, ChatGPT-User, PerplexityBot. Damit analysierst du Origin-Traffic.

Trade-Off — Chunk-Granularität vs Topic-Tiefe

Chunk-Optimierung für GEO gefährdet Umfang. 250-Wort-Module, die unabhängig wirken, schaffen den Eindruck von "Oberflächlichkeit". Google braucht noch immer Topical Authority — ein 5000-Wort Deep-Dive performt gut in klassischem SEO, und dieser Zusammenhang darf beim Chunking nicht verloren gehen. Lösung: Hub-and-Spoke-Modell. Die Hauptseite bleibt umfassend (2000+ Wörter), jede H2 wird auf eine Child Page ausgelagert (500 Wörter, chunk-optimiert), die Hauptseite verlinkt intern. LLMs können die Hauptseite als "Overview", Child Pages als "Deep Answer" zitieren.

Freshness-Herausforderung: LLMs priorisieren neuere Publish Dates — 2024er-Content bekommt 2026 40 % weniger Citations (Roibase Benchmark). Aber monatliches Rewriting ist nicht nachhaltig. Lösung: Modulares Update. Behalte den Kern evergreen, füge am Ende ein "2026 Update" H2 hinzu mit neuen Daten/Tools/Methodologien. LLMs erkennen inkrementelle Updates, die modifiedAt Metadata steigt — das reicht für Freshness-Score. 20 % Content-Refresh statt komplettes Rewrite.

Attribution-Komplexität: Ein Nutzer sieht deine Marke in ChatGPT, googelt dann "Roibase" und kommt auf die Website. Wo wird der Credit zugeordnet? Sieht aus wie Direct Traffic, aber die Quelle war LLM-Citation. First-Party Data Architektur löst das: Wenn document.referrer leer ist, aber sessionStorage ein "LLM interaction" Flag hat (z. B. von ChatGPT Embedding), wird das einer Custom Dimension für Attribution zugeordnet. Dieser Data-Point erstellt in der CDP ein "AI-Assisted Discovery" Segment.

Operative Integration — GEO Workflow Automation

Citation Tracking kann nicht manuell erfolgen — API Calls, Parsing, Logging und Alerting müssen automatisiert sein. Roibase's GEO Operationen nutzen n8n + Claude + BigQuery Stack. Workflow: Jeden Morgen 09:00 Uhr triggert n8n, pullt die Ziel-Keyword-Liste aus Google Sheets (50 Keywords), macht Perplexity API Calls für jedes Keyword, schickt die Response zu Claude ("Erwähnt die Antwort roibase.com.tr?"), binäre Classification, wenn ja: INSERT in BigQuery geo_citations Tabelle. Wenn ein Keyword letzte Woche zitiert wurde aber diese Woche nicht, geht ein Slack Alert raus — Content Refresh nötig.

Schema Deployment Automation: Ein Webhook von der CMS triggert n8n, wenn ein neuer Artikel erstellt wird. Claude liest den Article Body und generiert FAQPage Schema automatisch (konvertiert Headings zu Q&A Pairs), schreibt das Schema ins CMS Custom Field, und bei Publish ist das Schema im Head enthalten. Kein manuelles JSON-LD Schreiben nötig — Fehlerrate sinkt um 90 %.

Competitive Citation Monitoring: Der gleiche Workflow monitort auch Konkurrenten. Wenn "Performance-Marketing-Agenturen" gesucht wird, trackt das System: Welche Konkurrenten zitiert Perplexity? Diese Daten landen in competitor_citations Tabelle. Ein wöchentliches Dashboard zeigt die Trends. Wenn ein Konkurrent von 15 % auf 25 % steigt, reverse-engineerst du dessen Content-Strategie und adaptierst sie.

Das Nächste — Erste Schritte

Um GEO-Traffic in 6 Monaten von 10 % auf 25 % zu steigern: (1) Deine Top 20 Landing Pages chunk-optimieren — ein 3000-Wort Guide wird 6 Child Pages + Hub Page. (2) FAQPage + Article Schema auf jeder Page, inklusive speakable Markup. (3) Citation Tracking Stack aufbauen — Perplexity + ChatGPT API Queries automatisieren, BigQuery logging. (4) CTR Anomaly Detection Model in Search Console bauen, AI Overview Impact messen. (5) 30-Tage Freshness Update Cycle starten — modulare Refreshes, modifiedAt updaten. Der Citation-Wettbewerb hat begonnen. Early Mover erhalten 60 % des Citation-Pools (Power Law Distribution). Spätere landen in der "auch erwähnt"-Kategorie.