Wissenschaftliche Grundlage

Begutachtete Forschung

Peer-Review und arXiv-Preprints mit dokumentierter Methodik. Diese Studien tragen die kausalen Kernaussagen und die jüngsten Gewichtsanpassungen.

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2023). GEO: Generative engine optimization (arXiv:2311.09735). arXiv. https://arxiv.org/abs/2311.09735

   Kausales Experiment (KDD 2024), rund 10.000 AnfragenGrundlegende kausale Belege des Tools: Statistiken steigern die KI-Sichtbarkeit um 32 bis 41 Prozent, attribuierte Expertenzitate um 41 Prozent, Quellen-Belege um bis zu 115 Prozent. Trägt die hohen Gewichte für Faktendichte, Zitate und Quellen-Belege.

2. Zhang, K., He, X., & Yao, J. (2026). From citation selection to citation absorption: A measurement framework for generative engine optimization across AI search platforms (arXiv:2604.25707). arXiv. https://arxiv.org/abs/2604.25707

   Korrelativ, 602 Prompts, Selektion-vs.-Absorption-FrameworkBelegt den Einfluss einzelner Inhaltsgenres: Definitionen plus 57 Prozent, Vergleiche plus 55 Prozent, Schrittanleitungen plus 41 Prozent. Reines Frage-Antwort-Format zeigt minus 5,74 Prozent. Begründet die neue Dimension Schrittanleitungen und die ehrlichere Gewichtung des FAQ-Formats.

3. Yu, J., Yang, M., Ding, Y., & Sato, H. (2026). Structural feature engineering for generative engine optimization: How content structure shapes citation behavior (arXiv:2603.29979). arXiv. https://arxiv.org/abs/2603.29979

   Kausales Experiment über sechs EnginesKoordinierte Schrittstruktur steigert die Zitationsrate um 17,3 Prozent. Optimale Absatzlänge 100 bis 300 Wörter, darunter fragmentiert der Inhalt (minus 23 Prozent), darüber sinkt die Aufmerksamkeit im Mittelteil (minus 31 Prozent). Begründet das korrigierte Chunk-Band und die Dimension Schrittanleitungen.

4. Vishwakarma, R., Kumar, S., & Jamidar, R. (2026). What gets cited: Competitive GEO in AI answer engines (arXiv:2605.25517). Proceedings of SIGIR '26 (angenommen, im Erscheinen); Preprint: arXiv. https://arxiv.org/abs/2605.25517

   Kausales Experiment, 252.000 kontrollierte Zwei-Dokument-Trials über sechs KI-ModelleIdentifiziert vier einstimmige kausale Gatekeeper der Zitationswahl: topische Relevanz, Listenposition, aktueller Zeitstempel und (bei Kaufanfragen) Preisangabe. Begründet die Anhebung des Aktualitäts-Gewichts auf 1,3. Zeigt zugleich, dass isolierte Formatierungs-Edits die Zitationswahl nicht heben, was die koordinierte Optimierungsstrategie des Tools stützt.

5. Pfrommer, S., Bai, Y., Gautam, T., & Sojoudi, S. (2024). Ranking manipulation for conversational search engines. Proceedings of EMNLP 2024, 9523-9552. https://aclanthology.org/2024.emnlp-main.534/

   Experimentell (begutachtet, EMNLP 2024 Main)Belegt, dass KI-Systeme sich deutlich darin unterscheiden, wie stark sie Inhalt, Namen und Kontextposition gewichten. Stützt das Monitoring über mehrere Engines statt einer einzigen und die ehrliche Kennzeichnung modellabhängiger Ergebnisse.

6. Kumar, A., & Palkhouski, L. (2025). AI answer engine citation behavior: An empirical analysis of the GEO-16 framework (arXiv:2509.10762). arXiv. https://arxiv.org/abs/2509.10762

   Beobachtend, 1.100 URLs, 16-Säulen-FrameworkMetadaten, Aktualität, semantisches HTML und strukturierte Daten sind die stärksten Zitations-Korrelate. Ab Gesamtqualität 0,70 und mindestens 12 von 16 Säulen liegt die Zitationsrate bei rund 78 Prozent. Rechtfertigt die Anhebung des Metadaten-Gewichts auf 1,0.

7. Liu, Z., & Xu, P. (2026). Think before writing: Feature-level multi-objective optimization for generative citation visibility (arXiv:2604.19113). arXiv. https://arxiv.org/abs/2604.19113

   Kausal, Replikation der Princeton-StudieBestätigt Statistiken und Quellen-Belege als stärkste Hebel, zeigt aber: isolierte Einzeledits wirken unzuverlässig, teils negativ. Deshalb erzeugt der Content-Fix jetzt koordinierte Vorschläge (Kernaussage vorn, Zahl mit Quelle, Schrittfolge).

Großzahlige Feld- und Anbieterstudien

Sehr große Stichproben aus der Praxis (Millionen bis Milliarden Zitationen und Abrufe). Anbieter haben teils ein kommerzielles Interesse, daher werden diese Quellen nur dort tragend eingesetzt, wo die Methodik offenliegt und mehrere Quellen in dieselbe Richtung zeigen.

1. Indig, K. (2025). The science of how AI picks its sources. Growth Memo. https://www.growth-memo.com/p/the-science-of-how-ai-picks-its-sources

   Feldstudie, 1,2 Mio. KI-Antworten44,2 Prozent aller ChatGPT-Zitate stammen aus den ersten 30 Prozent des Textes, 78,4 Prozent der fragebezogenen Zitate aus Überschriften. Begründet die hohe Gewichtung von Antwort-zuerst und fragenorientierten Überschriften.

2. Ahrefs. (2025). New study: AI assistants prefer to cite "fresher" content (17 million citations analyzed). Ahrefs. https://ahrefs.com/blog/do-ai-assistants-prefer-to-cite-fresh-content/

   Feldstudie, 17 Mio. ZitationenKI-zitierter Inhalt ist im Schnitt 25,7 Prozent frischer als klassische Top-10-Treffer. Stützt die Kategorie Aktualität und die Freshness-Signale im Report.

3. Ahrefs. (2026). We tracked 1,885 pages adding schema. AI citations didn't budge. Ahrefs. https://ahrefs.com/blog/schema-ai-citations/

   Kausal (Differenz-von-Differenzen), 1.885 vs. 4.000 SeitenNeu hinzugefügtes JSON-LD bringt keinen Zitations-Schub (AI Mode plus 2,4 Prozent, ChatGPT plus 2,2 Prozent, beide nicht signifikant). Strukturierte Daten bleiben Hygiene-Faktor: Gewicht deshalb auf 0,6 gesenkt.

4. Ahrefs. (2026). We analyzed 137K sites: 97% of llms.txt files never get read. Ahrefs. https://ahrefs.com/blog/llmstxt-study/

   Feld-/Logstudie, 137.210 Domains97 Prozent aller llms.txt werden nie abgerufen, kein KI-Bot fragt proaktiv an. Rechtfertigt das niedrige llms.txt-Gewicht von 0,2 und die ehrliche Kennzeichnung im Report.

5. SE Ranking. (2026). LLMs.txt: Why brands rely on it and why it doesn't work. SE Ranking. https://seranking.com/blog/llms-txt/

   Feldstudie, 300.000 Domains, XGBoostUnabhängige Replikation: kein signifikanter Zusammenhang zwischen llms.txt und Zitationen. Ohne die llms.txt-Variable wurde das Vorhersagemodell sogar genauer. Deckt sich mit der Ahrefs-Logstudie.

6. Vercel, & MERJ. (2024). The rise of the AI crawler. Vercel. https://vercel.com/blog/the-rise-of-the-ai-crawler

   Feldstudie, über 500 Mio. Crawler-AbrufeKein großer KI-Crawler führt JavaScript aus (Ausnahme Gemini über die Googlebot-Infrastruktur). Begründet die harte Bewertung clientseitig gerenderter Inhalte in der Kategorie Zugang.

7. Profound. (2026). AI platform citation patterns: How ChatGPT, Google AI Overviews, and Perplexity source information. Profound. https://www.tryprofound.com/blog/ai-platform-citation-patterns

   Feldstudie, über 4 Mrd. ZitationenReddit und Wikipedia dominieren als zitierte Quellen. Bewusst nicht als Dimension übernommen, weil es sich um Off-Page-Signale handelt, die eine On-Page-Analyse nicht messen kann. Dokumentiert die Grenze des Tools.