Masse oder Substanz: Wonach KI-Antwortsysteme ihre Quellen auswählen

„Content velocity“ heißt das Versprechen der Stunde: Wer schneller und in größerer Menge veröffentlicht, wird von ChatGPT, Perplexity und Gemini häufiger zitiert. Spezialisierte Agenturen nennen sogar die Dosis, mehr als 20 optimierte Artikel im Monat, während Anbieter mit vier bis acht Beiträgen angeblich nicht mithalten (Discovered Labs, 2026).

Der Redaktionskalender als Zitationsmaschine. Nur hält diese Rechnung der Prüfung nicht stand.

Wer wissen will, ob sich Sichtbarkeit in KI-Suche über Volumen oder über die Substanz einzelner Quellen gewinnen lässt, findet im Marktgeschrei viele Behauptungen und wenig Beleg. Ich habe die Forschungslage zur Quellenauswahl in KI-Antwortsystemen sichten und jede Studie gegen ihre Primärquelle prüfen lassen. Dieser Beitrag zeigt, was messbar wirkt, wo das Mengen-Argument bricht und welche drei Konsequenzen sich daraus für Ihre Content-Strategie ergeben.

Wonach KI-Systeme ihre Quellen messbar auswählen

Beginnen wir mit dem, was sich belegen lässt. Ein kontrolliertes Benchmark von Forschern aus Princeton und dem IIT Delhi (Generative Engine Optimization, KDD 2024) hebt die Sichtbarkeit in generativen Antworten um 22 bis 41 Prozent, sobald ein Text gezielt optimiert wird. Wirksam sind Zitate, Statistiken und Quellenangaben. Keyword-Stuffing wirkt nicht. Der Effekt ist an Inhalten gemessen, die bereits im Kontext des Systems liegen. Über die Frage, ob eine Seite überhaupt gefunden wird, sagt er nichts.

Eine vergleichende Analyse mehrerer KI-Suchsysteme (Chen et al., 2025) findet einen systematischen Zug zu autoritativen Drittquellen und großen Marken. Marken-eigener Content und Social-Media-Beiträge ziehen den Kürzeren. Wie stark dieser Effekt in realen Systemen ausfällt, ist schwer festzunageln. Die Richtung gilt als robust.

Und die Mechanik dahinter ist ernüchternd bodenständig. Eine mechanistische Analyse der Zitationslogik im Retrieval (van Dort & Heuss, ECIR 2026) zeigt, dass Systeme beim Zitieren oft auf flache Heuristiken zurückgreifen, vor allem auf den Abgleich von Entitäten zwischen Frage und Dokument. Ein Inline-Zitat kann eine Illusion von Belegtheit erzeugen, ohne dass die Maschine die Quelle je tief geprüft hätte. Woran ein KI-System sein Vertrauen praktisch festmacht, lässt sich damit auf drei Signale eindampfen:

• Autorität von außen. Was Dritte über Sie schreiben, wiegt schwerer als das, was Sie über sich selbst schreiben.
• Belegdichte. Zitate, Zahlen und benannte Quellen im Text sind die Signale, die nachweislich ziehen.
• Strukturelle Passung. Der Text beantwortet erkennbar genau die Frage, die gestellt wurde, und macht die Entitäten sichtbar, nach denen das System sucht.

Warum der Mengen-Hebel unbelegt bleibt

Nun der Punkt, an dem das Volumen-Versprechen kippt: Ich habe im geprüften Studienkorpus nach einer einzigen Arbeit gesucht, die Menge oder Publikationsfrequenz als eigene Größe gegen die Zitationswahrscheinlichkeit testet. Es gibt sie nicht. Der bislang gründlichste kritische Überblick über das Feld (Martinez, GEO-Survey 2026, 45 Studien) hält fest, dass kein Verfahren einen stabilen, plattformübergreifenden Effekt zeigt. Für den Hebel „mehr publizieren“ existiert schlicht keine Evidenz.

Aber das hält die Branche natürlich nicht auf. Der Rat, einfach mehr zu produzieren, hat einen unschlagbaren Vorteil: Er lässt sich verkaufen, ohne dass jemand ihn beweisen müsste. Ein Redaktionsplan voller austauschbarer Beiträge sieht nach Strategie aus. Näher betrachtet ist er ein Karussell. Es dreht sich, es macht Musik, und am Ende steht man dort, wo man losgelaufen ist, nur das einem übel geworden ist. Genau so wie den Rezipienten.

Die ehrliche Grenze, in beide Richtungen

Wer jetzt die Substanz-Karte zückt und Garantien verkauft, überzieht in die andere Richtung. Derselbe Survey bremst auch die Substanz-Euphorie. Dass eine Seite überhaupt in den Kontext eines Systems gelangt, ist selten belegt. Manche Optimierungen senken den Abruf sogar, berichtet werden rund 16 Prozent. Ein dauerhafter Effekt auf Klicks oder Conversions ist so gut wie nie nachgewiesen.

Das ist die unbequeme Wahrheit, die weder Mengen- noch Substanz-Verkäufer gern aussprechen. Es gibt in KI-Antwortsystemen bislang keinen Hebel, der über alle Plattformen hinweg verlässlich zieht. Wer Ihnen Garantien verspricht, verkauft Gewissheit, die die Forschung nicht deckt.

Was das für Ihre Content-Strategie bedeutet

Aus einer dünnen Beleglage folgt kein Rezept mit Sternchen-Garantie. Es folgt eine Richtung, und die ist erfreulich handfest. Investieren Sie in wenige Assets, die drei Bedingungen erfüllen, statt in ein Volumen, das keine davon sicher erreicht.

Meine Empfehlung: Bauen Sie Inhalte, die auffindbar, vollständig belegt und so geschrieben sind, dass Menschen sie gern lesen. Die Signale, die einen Fachtext für Leser überzeugend machen, sind dieselben, an denen auch die Maschine ihr Vertrauen festmacht.

Konkret heißt das für die Praxis:

1. Autorität einkaufen, wo sie zählt. Eine Erwähnung in einer glaubwürdigen Drittquelle wirkt stärker als der zehnte eigene Beitrag zum selben Thema. Earned Media ist das Tor, nicht die eigene Blogfrequenz.
2. Jede Aussage belegen. Zahlen mit Fundstelle, Behauptungen mit Quelle. Was die Studienlage als wirksames Signal ausweist, ist zugleich das Kennzeichen sauberer Redaktionsarbeit.
3. Für Menschen schreiben, nicht für einen unbekannten Algorithmus. Ein Text, der die tatsächliche Frage klar und lesbar beantwortet, trifft die flachen Heuristiken der Systeme besser als jeder für Maschinen verbogene Satz.

Weniger, aber belegt und auffindbar schlägt viel, aber generisch. Das ist die einzige Lesart, die die aktuelle Forschung hergibt.

Fazit

Die verführerische Gleichung „mehr Content = mehr Sichtbarkeit“ bleibt eine Behauptung ohne Beleg. Von wegen „viel hilft viel“! Was die Studienlage stützt, ist unbequemer und ehrlicher: KI-Systeme zitieren Quellen, denen sie trauen. Vertrauen wächst aus Substanz. Nicht aus bloßer Frequenz.

Quellen

• Aggarwal et al., „GEO: Generative Engine Optimization“, KDD 2024. arxiv.org/abs/2311.09735
• Chen et al., „Generative Engine Optimization: How to Dominate AI Search“, 2025. arxiv.org/abs/2509.08919
• Martinez, „A Critical Survey of Generative Engine Optimization“, 2026. arxiv.org/abs/2607.14035
• van Dort & Heuss, „How Do LLMs Cite? A Mechanistic Interpretation of Attribution in RAG“, ECIR 2026. arxiv.org/abs/2606.28358
• Discovered Labs (Liam Dunne), „Best Omniscient Digital Alternative for Daily Content Production & AI Citations“, 2026. discoveredlabs.com

Diesen Beitrag ordnet der Themenüberblick zur KI-Sichtbarkeit in den größeren Zusammenhang ein und führt die weiteren Beiträge als Lesepfad zusammen.