Die 5 häufigsten Fehler bei der KI-Optimierung
Fast jedes Unternehmen, das wir bei Arawai auditieren, macht mindestens drei der folgenden fünf Fehler. Das ist kein Zufall: Die meisten SEO-Teams arbeiten mit Methoden, die in der Google-Welt entstanden sind und in einer Welt aus generativen Antworten schlicht unterdimensioniert sind. Dieser Artikel geht die fünf häufigsten Anti-Pattern durch. Für jeden erklären wir, worum es geht, warum er entsteht, woran man ihn erkennt und wie man ihn repariert.
Wichtig vorweg: Die Reihenfolge ist keine Priorisierung nach Schwere. Welcher Fehler in deinem konkreten Fall am teuersten ist, hängt von Branche, Reifegrad und Zielplattform ab. Ein B2B-SaaS-Anbieter verliert in der Regel mehr durch Fehler 4 (Wikipedia), ein lokaler Dienstleister mehr durch Fehler 2 (Schema). Lies alle fünf, der eigene blinde Fleck ist meistens ein anderer als vermutet.
Fehler 1: Für Keywords optimieren statt für Entitäten
Was der Fehler ist. Die Seite ist nach klassischer SEO-Logik auf Suchbegriffe ausgerichtet: „Filteranlage Pharma kaufen", „Zahnarzt Dresden Prophylaxe". Überall dort, wo ein LLM stattdessen eine klare Entität erwartet (etwa „Das Unternehmen X, Branche Filtration, spezialisiert auf Pharma-Validierung"), findet es nur diffuse Keyword-Cluster.
Warum er auftritt. Keyword-basierte Tools sind seit 15 Jahren die Grundlage jeder SEO-Strategie. Das Denken bleibt hängen, auch wenn das Medium wechselt.
Woran man ihn erkennt. Frag ChatGPT: „Was macht [dein Firmenname]?" Kommt eine präzise Ein-Satz-Antwort mit Branche, Kernleistung und geografischem Fokus? Oder eine vage Mischung aus Keywords? Letzteres ist das Symptom.
Wie man ihn löst. Etabliere eine Entitäten-Seite (typischerweise die Über-uns- oder Startseite), die in den ersten 200 Wörtern exakt definiert: Wer bist du, welche Klasse von Produkten bietest du an, welche Kundengruppe bedienst du, seit wann existierst du, wo sitzt du. Ergänze dies durch saubere Organization- und Person-Entitäten im JSON-LD. Keine Marketing-Superlative, sondern Fakten, die ein Modell 1:1 übernehmen kann.
Als Übung: Schreibe einen einzigen Satz, der dein Unternehmen so klar beschreibt, dass ein Außenstehender weiß, wen er an dich verweisen sollte. „Arawai ist eine SaaS-Plattform aus Dresden, die KI-Sichtbarkeit für B2B-Marken im DACH-Raum misst und optimiert." Dieser Satz muss exakt so auf deiner Startseite stehen. Nicht in einer Tagline, nicht als Marketing-Umschreibung, sondern als Aussage-Satz, den ein Modell extrahieren kann.
Fehler 2: Kein Schema-Markup, oder falsches
Was der Fehler ist. Auf der Seite steht kein JSON-LD, oder es steht dort veralteter microdata-Markup, oder, am häufigsten, ein kopiertes Snippet mit falschen oder leeren Feldern. Ein Modell, das dem Markup vertrauen sollte, findet inkonsistente Daten und ignoriert sie.
Warum er auftritt. Schema-Markup wird von vielen als Technik-Bonus wahrgenommen, nicht als strategischer Hebel. Content-Teams schreiben Texte; Entwicklerteams setzen vorhandene Snippets um. Niemand prüft die Richtigkeit.
Woran man ihn erkennt. Der Schema.org Validator und der Google Rich Results Test zeigen sofort, was vorhanden, was fehlerhaft und was leer ist. In 60 % der Fälle sehen wir dort mindestens eine Warnung auf der Startseite.
Wie man ihn löst. Mindestens folgende Entitäten sauber implementieren:
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"@id": "https://arawai.de/#org",
"name": "Arawai",
"url": "https://arawai.de",
"description": "GEO-Plattform für den DACH-Markt.",
"foundingDate": "2025",
"sameAs": [
"https://de.wikipedia.org/wiki/Arawai",
"https://www.wikidata.org/wiki/Q0000000"
]
}
</script>
Wichtig ist das @id-Feld: Es gibt der Entität eine stabile ID, über die andere Entitäten (Person, Produkt, Artikel) auf sie verweisen können. Das erzeugt den vernetzten Graphen, den LLMs bevorzugen. Und sameAs ist der direkteste Kanal, um deine Marke an externe Wissensknoten (Wikipedia, Wikidata, offizielle Social-Profile) anzudocken. Behandle dieses Feld nicht als Pflichtfeld, sondern als strategisches Asset.
Fehler 3: Keine llms.txt und keine LLM-Regeln in der robots.txt
Was der Fehler ist. Die Domain enthält keine llms.txt, und robots.txt blockiert entweder alle AI-Bots pauschal oder keinen einzigen. Beide Extreme sind problematisch: Alles blockieren bedeutet, im Trainings-Data-Stream nicht mehr aufzutauchen; nichts regeln bedeutet, keine bewusste Strategie zu fahren.
Warum er auftritt. llms.txt ist ein junger Standard (vorgeschlagen 2024), viele CMS-Systeme unterstützen ihn noch nicht nativ. Und der Reflex, AI-Bots mit User-agent: GPTBot\nDisallow: / auszusperren, stammt aus einer Copyright-Panik-Phase, in der Teams mehr reagiert als gedacht haben.
Woran man ihn erkennt. Rufe https://deine-domain.de/llms.txt und https://deine-domain.de/robots.txt auf. Ergebnis: 404 oder keine explizite Bot-Nennung? → Fehler vorhanden.
Wie man ihn löst. Eine minimale llms.txt sieht so aus:
# Arawai
> GEO-Plattform für den deutschsprachigen Raum.
> Misst KI-Sichtbarkeit über ChatGPT, Claude, Gemini und Perplexity.
## Kernseiten
- [Startseite](https://arawai.de): Produktüberblick
- [Features](https://arawai.de/features): Funktionsumfang
- [Preise](https://arawai.de/preise): Pakete und Konditionen
## Über uns
- Hauptsitz: Dresden, Deutschland
- Branche: SaaS, Marketing-Technologie
- Gegründet: 2025
Die robots.txt sollte explizit Stellung beziehen: AI-Bots erlauben, die Inhalte liefern sollen, und nur gezielt jene blockieren, die du nicht unterstützen willst (z. B. Bots ohne Attribution-Regel). Pauschal alle AI-Bots auszusperren, ist eine strategische Entscheidung gegen Sichtbarkeit, keine Sicherheitsmaßnahme. Wer diese Entscheidung trifft, sollte sie dokumentieren und regelmäßig hinterfragen. Sonst wird aus einem Reflex eine dauerhafte Blockade, ohne dass jemand im Team die Verantwortung dafür übernommen hat.
Fehler 4: Nicht in Wikipedia oder Wikidata auffindbar
Was der Fehler ist. Kein Wikipedia-Eintrag, kein Wikidata-Datensatz, weder für das Unternehmen, noch für die Gründer, Kernprodukte oder die Marke. Weil viele LLMs Wikipedia als Referenz-Quelle überdurchschnittlich stark gewichten, fehlt damit ein zentraler Anker im Weltbild des Modells.
Warum er auftritt. Viele Unternehmen halten Wikipedia für unnahbar oder für ein PR-Projekt. Außerdem erlauben die Relevanzkriterien der deutschen Wikipedia nicht jedes Unternehmen. Wikidata dagegen ist deutlich offener, wird aber von vielen Teams schlicht übersehen.
Woran man ihn erkennt. Suche auf de.wikipedia.org und www.wikidata.org gezielt nach deinem Firmennamen, deinen Gründern, deinem Produkt. Kein Treffer = keine Verankerung.
Wie man ihn löst. Zwei Stufen:
- Wikidata zuerst. Einen sauberen Datensatz zu Unternehmen und Gründern anlegen, mit korrekten Properties (P31 = „ist ein(e) Unternehmen"), P17 (Land), P571 (Gründungsdatum), P856 (offizielle Website). Jede Property sollte eine Quelle (P854) haben, sonst wird der Eintrag instabil.
- Wikipedia zweitrangig. Relevanz prüfen, Belege sammeln (Fachpresse, Bücher, unabhängige Reviews), erst dann einen Artikel-Entwurf einreichen. Selbst wenn der Artikel nicht akzeptiert wird, hast du die Quellenlage dokumentiert und kannst in den nächsten Monaten wieder einreichen. Wichtig: Schreibe nicht den Artikel über dich selbst. Freie Autoren, mit sauberer Belege-Liste ausgestattet, schreiben bessere und akzeptierbare Artikel, weil sie nicht am „Conflict of Interest"-Kriterium scheitern.
Wikipedia- und Wikidata-Arbeit ist selten ein One-Shot-Projekt. Typischerweise sind es drei bis sechs Monate, bis ein Unternehmen zum ersten Mal einen stabilen Wikidata-Eintrag hat, und weitere sechs bis zwölf Monate, bis ein Wikipedia-Artikel sich etabliert hat. Wer heute anfängt, ist also nicht morgen sichtbar, aber in einem Jahr deutlich sichtbarer als der Wettbewerb, der nicht angefangen hat.
Fehler 5: Keine FAQ- oder Q&A-Struktur
Was der Fehler ist. Die Seite beantwortet Fragen nur in Fließtext, ohne erkennbares Frage-Antwort-Schema. Ein LLM liest einen Absatz, muss aber die Frage „Welche Branchen bedient Arawai?" selbst aus dem Kontext ableiten. Das senkt die Wahrscheinlichkeit, dass der Inhalt als Zitat übernommen wird.
Warum er auftritt. FAQ-Sektionen galten in klassischem SEO lange als „dünner Content" und wurden von vielen Teams reduziert oder aufgegeben. In einer Welt, in der Modelle fragebasiert antworten, ist das ein Eigentor.
Woran man ihn erkennt. Gibt es auf den wichtigsten Seiten eine FAQ-Sektion mit sauberen FAQPage-JSON-LD? Wenn nein, oder wenn die FAQ aus drei Marketing-Fragen besteht, die niemand stellt, dann ist der Fehler da.
Wie man ihn löst. Sammle die 8–12 realen Fragen, die deine Sales-Teams, dein Support oder deine Community tatsächlich hören. Nicht „Warum sollte ich Arawai wählen?" (Marketing), sondern „Funktioniert Arawai auch für englischsprachige Domains?" oder „Wie oft wird ein Scan aktualisiert?". Antworten in 2–4 Sätzen, faktisch, ohne Superlative. Implementiere die FAQ auch technisch mit FAQPage-Schema, damit das Modell sofort das Frage-Antwort-Paar erkennt.
Ein oft übersehener Bonus: Gut strukturierte FAQs sind zugleich exzellente Content-Assets für Sales. Dein Vertrieb kann Antworten direkt zitieren, dein Support kann auf dieselben Textbausteine zurückgreifen. Die Arbeit, die du in echte FAQs steckst, verzinst sich also doppelt: in der GEO-Sichtbarkeit und in der internen Effizienz.
Was du in der nächsten Woche tun kannst
Diese fünf Fehler erklären in unseren Audits etwa 70–80 % der Sichtbarkeits-Lücken, die wir finden. Die gute Nachricht: Fehler 1, 3 und 5 lassen sich in ein bis zwei Wochen abstellen, Fehler 2 in wenigen Tagen. Fehler 4 ist der einzige, der einen langen Atem braucht, dafür wirkt er dann umso nachhaltiger.
Ein pragmatischer Plan für die nächsten vier Wochen: In Woche eins Schema-Audit und Markup-Konsolidierung (Fehler 2). In Woche zwei llms.txt und robots.txt sauber aufsetzen (Fehler 3). In Woche drei die Startseite entitäten-zentriert umschreiben (Fehler 1) und die 10 wichtigsten realen Fragen als FAQ implementieren (Fehler 5). Ab Woche vier parallel zum Tagesgeschäft: Wikidata-Eintrag vorbereiten, Belege für Wikipedia sammeln (Fehler 4). Nach diesen vier Wochen hast du die Hälfte der typischen Sichtbarkeits-Lücke geschlossen, die wir in Erst-Audits finden.
Wenn du wissen willst, wie dein Unternehmen gerade im Modell ankommt und welche der fünf Fehler bei dir am schwersten wiegen, teste Arawai auf unserer Startseite oder schau dir die Features an. Der erste Check ist kostenlos und dauert keine zehn Minuten. Du bekommst eine konkrete Priorisierung, welche der fünf Fehler bei dir den größten Hebel hat, und einen Startpunkt, der sich in der Praxis bewährt hat.