ChatGPT SEO: Was wirklich zählt

Von Manfred Mayer Rieger · Veröffentlicht 10. September 2026

Wer ChatGPT nach dem besten Steuerberater in München fragt, bekommt keine zehn blauen Links. Das Modell schreibt drei Sätze und nennt darin zwei Kanzleien. Eine zweite Seite zum Weiterblättern gibt es nicht – die Auswahl ist bereits getroffen, unsichtbar, bevor die Antwort erscheint.

Genau darum geht es bei SEO für ChatGPT: nicht um neue Tricks für ein altes Ranking-Spiel, sondern um eine andere Art der Auswahl, zusammengesetzt aus Teilen, die sich nicht im selben Takt aktualisieren.

Was ist ChatGPT SEO?

ChatGPT SEO bedeutet, Inhalte so zu strukturieren, dass die Retrieval- und Bewertungsschritte des Modells eine Seite finden, ihr vertrauen und eine Aussage sauber daraus übernehmen können – statt für einen Algorithmus zu schreiben, der Keyword-Relevanz über zehn Ergebnisse hinweg bewertet. Wer “bester Steuerberater München” in ChatGPT eintippt, bekommt eine kurze Liste, eingebettet in Fließtext, zusammengestellt aus den Quellen, die das Modell sowohl gefunden als auch für vertrauenswürdig genug befunden hat, um sie zu nennen. Fehlt diese Nennung, ist der Kontakt verloren – anders als bei Google gibt es keine elfte Seite, auf die man notfalls verweisen könnte. Wie ein Modell eine Seite überhaupt liest, unterscheidet sich dabei grundlegend von einer klassischen Suchmaschine – Details dazu im KI-SEO-Ratgeber.

Nutzt ChatGPT dieselben Rankingsignale wie Google?

Nein, und der Unterschied beginnt damit, was “ChatGPT” beim Antworten überhaupt tut. OpenAIs eigene Crawler-Dokumentation beschreibt drei getrennte Crawler mit drei getrennten Aufgaben. GPTBot sammelt Seiten, die in ein künftiges Training einfließen können – er speist das eingefrorene, parametrische Gedächtnis des Modells, das sich nur ändert, wenn eine neue Version trainiert wird. OAI-SearchBot baut den Index auf, den ChatGPTs Suchfunktion in Echtzeit abfragt, ähnlich wie der Crawler einer klassischen Suchmaschine arbeitet. ChatGPT-User ruft eine Seite direkt ab, wenn jemand das Modell bittet, einen bestimmten Link zu öffnen – ein Stellvertreter für einen Klick, kein eigenständiges Crawling.

Eine Website kann den einen erlauben und den anderen blockieren, und die beiden Entscheidungen bewirken Unterschiedliches. Wer GPTBot blockiert, verhindert, dass künftige Modellversionen das Unternehmen neu lernen – was das aktuelle Modell bereits weiß, bleibt davon unberührt. Wer OAI-SearchBot blockiert, verschwindet aus dem, was ChatGPT gerade nachschlagen und zitieren kann, selbst wenn das Modell den Namen aus dem Training noch kennt. Google nutzt einen Signalsatz über einen Crawler. ChatGPT betreibt zwei getrennte Systeme mit zwei getrennten Takten, und eine Seite kann im einen gut stehen und im anderen unsichtbar sein.

Welche Inhaltsstruktur bevorzugt ChatGPT?

Forschende der Princeton University und des IIT Delhi haben das nicht vermutet, sondern gemessen. Ihre 2024 veröffentlichte Studie zu generativer Suchmaschinenoptimierung prüfte, welche Änderungen an einer Seite deren Position in KI-generierten Antworten tatsächlich verbesserten, und fand: Zitate, wörtliche Übernahmen und Statistiken im Quelltext steigerten die Sichtbarkeit um rund 30 bis 40 Prozent – mehr als jede getestete Formulierungs- oder Keyword-Änderung (arXiv:2311.09735). Bessere Lesbarkeit half ebenfalls, allerdings deutlich schwächer, und Keyword-Stuffing gehörte zu keiner der wirksamen Strategien.

Das gilt auch auf Satzebene: kurze, in sich geschlossene Passagen, die eine Tatsache klar benennen, sind das, was ein Modell sauber übernehmen und korrekt zuordnen kann. Eine Seite aus vagen Adjektiven und langen Schachtelsätzen bietet nichts, was sich sauber herauslösen lässt – egal, wie gut diese Seite anderswo rankt.

Nutzt ChatGPT beim Browsen Echtzeit-Signale oder Trainingsdaten?

Beides, und welches davon eine bestimmte Frage beantwortet, hängt von der Frage ab. Etwas, das ChatGPT sofort aus dem Gedächtnis beantworten kann – “was ist ein Canonical-Tag” – stammt aus dem eingefrorenen Trainingsstand, gesammelt von GPTBot und festgeschrieben zum Zeitpunkt des letzten Trainings. Wer heute eine Seite korrigiert, ändert diese konkrete Antwort erst, wenn ein künftiges Modell mit der korrigierten Version trainiert wird – zu einem Zeitpunkt, den OpenAI nicht veröffentlicht.

Eine Anfrage, die ChatGPTs Suchfunktion auslöst – häufig alles Zeitkritische, Lokale oder als aktuelle Recherche formulierte – greift stattdessen auf den OAI-SearchBot-Index zu, der tatsächlich die Live-Suchergebnisse speist statt das Training. Wie oft dieser Index selbst aktualisiert wird, veröffentlicht OpenAI nicht; die eigene Dokumentation bestätigt lediglich, dass eine robots.txt-Änderung dort binnen etwa eines Tages wirksam wird – ein vollständiges Neutraining dagegen folgt einem Veröffentlichungsrhythmus, der in Monaten gemessen wird, nicht in Tagen. Der genaue Takt bleibt offen, aber es sind strukturell zwei unterschiedliche Geschwindigkeiten, und eine Korrektur, die einen Live-Index erreicht, ist fast per Definition die schnellere der beiden.

Diese Trennung erklärt eine Beschwerde, die sonst wie ein Fehler wirkt: Ein Unternehmen korrigiert seine Website, und ChatGPT beschreibt es trotzdem weiter falsch. Die Korrektur mag längst im schnellen Suchindex angekommen sein, während die veraltete Beschreibung die ganze Zeit aus dem langsamen, trainierten Gedächtnis stammt – zwei verschiedene Speicher dessen, “was ChatGPT weiß”, die sich in zwei verschiedenen Geschwindigkeiten reparieren lassen, ohne dass sich der zweite erzwingen ließe.

Wie prüfen Sie, ob ChatGPT Ihr Unternehmen bereits kennt?

Zwei unterschiedliche Fragen, und sie brauchen zwei unterschiedliche Tests. Die erste ist Wiedererkennung: Gefragt “was ist [Unternehmen]” ohne weiteren Kontext – weiß ein Modell etwas Konkretes darüber, oder weicht es aus und beschreibt, was die Wörter im Namen normalerweise bedeuten, statt das Unternehmen selbst? Die zweite ist Empfehlung: Gefragt “bester [Kategorie] in [Ort]” ohne den Unternehmensnamen zu nennen – schlägt ein Modell es von sich aus vor? Ein Unternehmen kann bei der ersten Frage gut abschneiden und bei der zweiten trotzdem nicht vorkommen – Wiedererkennung und Empfehlung sind getrennte Ergebnisse, und nur eines davon bringt tatsächlich Kundschaft.

Beide Tests sind aufwendig, wenn man sie sauber durchführen will: mehrere Modelle, mehrere Formulierungen je Frage, mehrere Stichproben je Formulierung – denn eine einzelne, deterministische Antwort verbirgt genau die Schwankung von Durchlauf zu Durchlauf, die hier eigentlich gemessen werden soll. Genau dieser Aufwand ist der Grund, warum ein kostenloses Audit keinen der beiden Tests durchführt. Es nutzt einen einzigen, günstigen Modelldurchlauf, der die Seite selbst liest und eine Verständlichkeits-Momentaufnahme liefert – wie klar das Angebot formuliert ist, in welcher Kategorie eine Kundin suchen würde –, ohne ein Modell danach zu fragen, was es über die Marke bereits zu wissen glaubt. Wiedererkennungs- und Empfehlungstests, mehrfach über mehrere Modelle hinweg gemessen statt einmalig abgefragt und für bare Münze genommen, gehören zum kostenpflichtigen Deep Scan.

Eine Website, die für beide Crawler optimiert und für Zitierbarkeit strukturiert ist, kann einem bereits falsch trainierten Modell trotzdem keine Korrektur aufzwingen. Sie kann nur dafür sorgen, dass die nächste Version, wann immer sie kommt, etwas Besseres vorfindet, aus dem sie lernen kann.