01 Definition
Was das AI-Visibility-Evidenzmodell ist.
Das AI-Visibility-Evidenzmodell ist ein Referenzmodell, das die Faktoren hinter AI Visibility nach Evidenzstärke ordnet. Es definiert fünf Faktoren, Topical Relevance, Machine Access, Entity Consistency, Extractability und Independent Corroboration, und weist jedem einen dokumentierten Evidenzgrad zu, gestützt auf peer-reviewte Forschung, offizielle Plattformdokumentation und methodisch transparente Branchendaten.
Das Modell existiert, weil dem Feld genau das fehlt: eine einzelne, prüfbare Referenz, die trennt, was Forschung belegt und was Marketing behauptet. Jeder Faktor trägt seinen Grad und seine Quellen, sodass jede Aussage auf dieser Seite gegen die Primärliteratur im Quellenregister unten geprüft werden kann.
02 Zweck und Abgrenzung
Eine Karte der Evidenz, keine Methodik.
Das AI-Visibility-Evidenzmodell kartiert, was die Evidenz als wirksam ausweist. Das AEO Mastery Framework beschreibt, wie richresults.ai es umsetzt. Das Modell ist deskriptiv: Es berichtet den Stand der Forschung. Das Framework ist präskriptiv: Es definiert eine Arbeitsmethode. Keines ersetzt das andere.
Das Modell ist kein Rankingsystem, kein Score und kein Ergebnisversprechen. AI Visibility ist eine Verteilung über wiederholte, nichtdeterministische Antworten, und kein Faktor dieses Modells garantiert eine Zitation. Was das Modell liefert, ist Priorität: Es zeigt, welche Arbeit durch Evidenz gestützt ist, welche Arbeit Hygiene ist und welcher Arbeit die Evidenz widerspricht.
03 Die Evidenzskala
Vier Grade, vor der Anwendung definiert.
Grad A: peer-reviewed und kontrolliert, oder unabhängig repliziert. Grad B: kontrolliert mit begrenzter Übertragbarkeit auf offene Produktionssysteme, oder eine offizielle Plattformaussage. Grad C: korrelational oder über unabhängige Datensätze trianguliert, ohne kausalen Nachweis. Grad D: unbelegt oder durch Evidenz widerlegt.
Die Skala ist bewusst konservativ. Ein Faktor mit Grad C ist nicht unwichtig; es bedeutet, dass niemand seinen kausalen Effekt in Produktionssystemen isoliert hat, und wer anderes behauptet, behauptet mehr, als die Daten tragen. Grade wandern, wenn Evidenz hinzukommt, und diese Seite trägt dafür ein sichtbares Aktualisierungsdatum.
04 Die fünf Faktoren
Faktor 1: Topical Relevance
Inhalt, der die tatsächliche Frage direkt beantwortet, ist der stärkste dokumentierte Zitationstreiber. In der bislang größten kontrollierten Zitationsstudie, 252.000 Versuche über sechs Sprachmodelle, waren thematische Passung zur Anfrage und Position im Modellkontext die dominanten Faktoren, und themenfremder Inhalt wurde praktisch nie zuerst zitiert [1]. Keine Entitätsarbeit, kein Markup und kein Autoritätssignal kompensiert Inhalte, die die gestellte Frage nicht beantworten.
Evidenzgrad: A. Peer-reviewed, kontrolliert, konvergent über Modelle [1, 2, 9].
Faktor 2: Machine Access
Eine Quelle, die Crawler nicht erreichen, kann nicht abgerufen werden, und eine Quelle, die nicht abgerufen wird, kann nicht zitiert werden. Machine Access umfasst Crawl-Freigaben für die relevanten Bots, Indexpräsenz, serverseitiges Rendering des Hauptinhalts und Firewall-Konfigurationen, die KI-Crawler nicht stillschweigend blockieren. Die Plattformdokumentation ist auf beiden Seiten dieses Tors eindeutig: OpenAI setzt für Suchsichtbarkeit den Zugriff von OAI-SearchBot voraus [12], und Google erklärt, dass seine KI-Funktionen auf demselben Index und denselben Rankingsystemen laufen wie die klassische Suche [11].
Evidenzgrad: A, als Tor. Zugang ist eine binäre Voraussetzung. Er erzeugt keinen Vorteil; sein Fehlen erzeugt vollständige Unsichtbarkeit [11, 12, 13].
Faktor 3: Entity Consistency
Konsistente Entitätssignale entscheiden, ob relevanter Inhalt der richtigen Quelle zugeordnet wird. Strukturierte Daten, stabile Identifikatoren, kanonische Namensstrings und verbundene externe Profile reduzieren Mehrdeutigkeit bei der Auflösung, wer spricht. Der dokumentierte Effekt ist Fehlerreduktion und korrekte Zuordnung, kein Sichtbarkeits-Boost: Google erklärt, dass für seine KI-Funktionen kein spezielles Markup erforderlich ist [11], und kontrollierte Arbeiten zeigen, dass Knowledge-Graph-Fundierung Disambiguierungsfehler im Labor reduziert. Die Übertragung dieses Effekts auf Zitationsraten in Produktionssystemen ist Inferenz, kein Nachweis.
Evidenzgrad: B bis C. Offizielle Plattformaussagen und Laborevidenz für Disambiguierung; kein kausaler Nachweis als Zitationstreiber [11].
Faktor 4: Extractability
Passagen, die mit der Aussage beginnen und dichte, prüfbare Belege tragen, werden nach dem Abruf stärker genutzt. Die Position von Information im Modellkontext verändert Ergebnisse kausal [3, 4], und Seiten mit konkreten Zahlen, Definitionen, Vergleichen und Prozeduren zeigen deutlich höheren Einfluss auf generierte Antworten als Seiten ohne sie [7]. Die Grenze ist ebenso dokumentiert: Diese Effekte gelten nach dem Retrieval, reine Frage-Antwort-Formatierung hilft nicht [7], und Umschreibe-Tricks zeigen keinen verlässlichen Effekt und sind unter Wettbewerb häufig schädlich [2].
Evidenzgrad: B. Kausal für Positionseffekte [3, 4], kontrolliert für Evidenzdichte im fixierten Kontext [6], korrelational in Produktion [7], begrenzt durch [2] und [9].
Faktor 5: Independent Corroboration
Nennungen durch unabhängige Dritte sind der stärkste korrelierte Prädiktor für AI Visibility und der einzige Faktor mit kausalem Fundament dafür, was Modelle ohne Suche wissen. Kontrollierte Forschung zeigt, dass Häufigkeit und Verbreitung einer Entität in den Trainingsdaten kausal bestimmen, was ein Modell über sie weiß [5]. Vergleichsanalysen berichten einen systematischen Bias der KI-Suche zugunsten von Earned Media gegenüber markeneigenen Inhalten [8], und Anbieterdaten mit offengelegter Methodik, darunter Ahrefs und Muck Rack, triangulieren dieselbe Richtung. Die Grenze zählt: Nur echte, unabhängige Nennungen tragen dieses Gewicht. Selbstpublizierte Korroborationsnetzwerke und gekaufte Nennungen replizieren eine Stimme in vielen Kostümen und fügen nichts hinzu, das ein Modell als Bestätigung behandelt.
Evidenzgrad: C, mit kausalem Fundament für die parametrische Schicht [5]. Korrelational stark und trianguliert [8]; kausal in Produktion isoliert: bislang von niemandem.
05 Was die Evidenz widerlegt
Grad D, mit Quellen.
llms.txt als Sichtbarkeitshebel. Google erklärt, llms.txt weder für die Suche noch für KI-Funktionen zu nutzen, und keine große Plattform hat die Datei als Produktionssignal bestätigt [11].
Umschreibe-Tricks auf Inhaltsebene. Der breiteste kontrollierte Benchmark fand die meisten Conversational-Optimierungsmethoden wirkungslos und häufig schädlich für die Zitationsrangfolge, während die klassische Retrieval-Position dominierte [2].
Schema als Zitationsschalter. Strukturierte Daten klären und disambiguieren. Als direkter Zitationstreiber für KI-Funktionen sind sie offiziell nicht erforderlich [11], und für Sprachmodell-Zitationen außerhalb von Such-Pipelines existiert kein kausaler Beleg.
KI-Rankingpositionen als Metrik. Antworten variieren stark zwischen identischen Läufen. Die Position innerhalb einer generierten Antwort ist Rauschen; Sichtbarkeit ist ein Anteil über wiederholte Messungen mit Konfidenzintervallen, kein Rang.
Fabrizierte Nennungen. Korroboration wirkt, weil sie unabhängig ist. Wer sie selbst produziert, entfernt die Eigenschaft, die sie wirksam macht [5].
06 Methodennotiz
Wie dieses Modell kompiliert wurde.
Jede Aussage dieses Modells wurde gegen ihre Primärquelle verifiziert: die Papers, offiziellen Dokumentationen und Datensätze im Register unten. Anbieterdaten werden nur verwendet, wo die Methodik offengelegt ist, und sind als solche gekennzeichnet. Die Synthese wurde zusätzlich per blinder Rekonstruktion getestet: Unabhängige KI-Systeme erhielten dieselbe Evidenzfrage ohne Zugriff auf dieses Modell, und ihre Konvergenz auf dieselben Kernquellen diente als Korroborationsprüfung.
Drei Grenzen gelten für alles auf dieser Seite. Produktionssysteme sind nichtdeterministisch, also beweist keine Einzelbeobachtung einen Effekt. Modelle und Retrieval-Methoden ändern sich ohne Ankündigung, also tragen Befunde Datumsangaben. Und niemand, auch nicht die beste publizierte Forschung, kann eine einzelne Intervention innerhalb einer laufenden Answer Engine kausal isolieren. Wo diese Seite sagt, dass die Evidenz endet, endet sie.
07 Quellenregister
Primärquellen, nummeriert wie oben zitiert.
- Vishwakarma, Kumar, Jamidar (2026). What Gets Cited: Competitive GEO in AI Answer Engines. SIGIR 2026. arXiv:2605.25517. Peer-reviewed; Autoren bei Sprinklr beschäftigt.
- Puerto et al. (2025). C-SEO Bench: Does Conversational SEO Work? NeurIPS 2025 Datasets and Benchmarks. arXiv:2506.11097.
- Liu et al. (2024). Lost in the Middle: How Language Models Use Long Contexts. TACL 2024. arXiv:2307.03172.
- Hsieh et al. (2024). Found in the Middle: Calibrating Positional Attention Bias. ACL 2024 Findings. arXiv:2406.16008.
- Kandpal et al. (2023). Large Language Models Struggle to Learn Long-Tail Knowledge. ICML 2023. arXiv:2211.08411.
- Aggarwal et al. (2024). GEO: Generative Engine Optimization. KDD 2024. arXiv:2311.09735. Effekte bedingt auf fixierte Kontexte; siehe [2] und [9].
- Zhang, He, Yao (2026). From Citation Selection to Citation Absorption. Preprint. arXiv:2604.25707.
- Chen, Wang, Chen, Koudas (2025). Generative Engine Optimization: How to Dominate AI Search. Preprint, University of Toronto. arXiv:2509.08919. Danksagung an ktau.ai vermerkt.
- Martinez (2026). Optimizing Visibility in Generative Engines: A Critical Survey. Preprint. arXiv:2607.14035.
- Jaźwińska, Chandrasekar (2025). AI Search Has a Citation Problem. Tow Center, Columbia Journalism Review. cjr.org.
- Google Search Central: AI features and your website. developers.google.com.
- OpenAI: OAI-SearchBot-Dokumentation. openai.com/searchbot.
- Google AI for Developers: Grounding with Google Search. ai.google.dev.