ChatGPT-Quellenwechsel: Was GEO jetzt beachten muss

Die Frage, wie ChatGPT Quellen auswählt und zitiert, wird für SEO- und GEO-Teams immer wichtiger. Zwei aktuelle Analysen zeigen nun, dass sich die angezeigten Quellen verändern können, sobald das System intern zwischen verschiedenen Retrieval-Pipelines wechselt. Für Publisher, Marken und Inhouse-Teams bedeutet das: Sichtbarkeit in KI-Antworten lässt sich nicht mehr allein über klassische Rankings oder einzelne Zitations-Screenshots bewerten.

Was die Untersuchungen über ChatGPT-Suchen zeigen

Die Auswertungen von Chris Green und Suganthan Mohanadasan liefern einen seltenen Blick hinter die Oberfläche. Beide beobachteten interne Kennzeichnungen wie Labrador, Bright, Oxylabs und SERP. Diese Bezeichnungen erscheinen nicht in den sichtbaren Zitationskarten, beeinflussen aber, welche Dokumente überhaupt in den Auswahlprozess gelangen. Genau hier liegt der operative Kern für GEO: Nicht nur der fertige Antworttext zählt, sondern auch die vorgelagerte Quellen-Routing-Logik.

Green testete 1.000 Prompts mit bis zu zehn Wiederholungen und erfasste 9.946 abgeschlossene Suchläufe. Labrador dominierte in seinem Datensatz deutlich, während Bright, Oxylabs und SERP kleinere Anteile hatten. Entscheidender als die reine Verteilung ist jedoch die Schwankung: Bei einem relevanten Teil der Prompts wechselte die primäre Quelle zwischen den Durchläufen. Dadurch sank die Überschneidung bei URLs und Domains spürbar.

Warum Pipeline-Wechsel für die Sichtbarkeit kritisch sind

• Ein identischer Prompt kann unterschiedliche Quellenpfade auslösen.
• Zitationskarten bilden nicht alle intern genutzten Schritte ab.
• Messungen auf Basis einzelner Antworten unterschätzen die Varianz.
• Domain-Präsenz kann je nach Pipeline deutlich schwanken.

Mohanadasan analysierte Rohdaten aus ChatGPT-Netzwerkverkehr und dokumentierte ebenfalls die vier beobachteten Source-Labels. Zusätzlich zeigte seine Untersuchung, dass bestimmte Query-Typen häufiger über spezifische Datenpfade laufen. Besonders bei kommerziellen, lokalen und transaktionsnahen Anfragen verschiebt sich die Wahrscheinlichkeit, welche Quellen in den finalen Antwortprozess gelangen. Für Unternehmen heißt das, dass Content nicht nur thematisch, sondern auch retrieval-tauglich geplant werden muss.

Wenn ChatGPT die Websuche überspringt

Ein weiterer zentraler Befund betrifft die Klassifizierung vor der Suche. Einige Prompts wurden als textbasierter Use Case behandelt und ohne Webabruf beantwortet. In solchen Fällen kann eine Seite weder gecrawlt noch zitiert werden, selbst wenn sie inhaltlich stark wäre. Für die Bewertung von KI-Sichtbarkeit entsteht damit ein Blindspot: Fehlende Erwähnungen bedeuten nicht automatisch geringe Qualität, sondern können auf eine vorgelagerte Routing-Entscheidung zurückgehen.

Gleichzeitig verhielten sich komplexere „Thinking“-Anfragen anders. Dort wurden mehrere Suchzweige ausgelöst, inklusive site:-Abfragen, Preisprüfungen und ergänzender Vergleichssuchen. Das erweitert zwar den Suchraum, erhöht aber auch die Unvorhersehbarkeit. Seiten, die für den exakten User-Query optimiert sind, können dennoch außen vor bleiben, wenn ChatGPT intern umformulierte oder nachgelagerte Prüfpfade priorisiert.

Fetched, Cited, Mentioned: Drei Ebenen statt einer Kennzahl

Besonders praxisrelevant ist die Trennung zwischen „fetched“, „cited“ und „mentioned“. Eine URL kann in den Kontext geladen werden, ohne als Quelle sichtbar aufzutauchen. Eine Marke kann genannt werden, ohne den inhaltlichen Beleg für eine Aussage zu liefern. Und eine Quelle kann für eng begrenzte Fakten dienen, während übergeordnete Empfehlungen auf Drittquellen gestützt werden. Für Reporting und KPI-Design reicht daher eine einzige Metrik nicht aus.

• Fetched misst technische Zugänglichkeit und Abrufbarkeit.
• Cited misst sichtbare Belegfunktion im Antworttext.
• Mentioned misst Markenpräsenz ohne zwingenden Quellenstatus.

In den beschriebenen Beispielen wurden textreiche Quellen wie Foren häufiger als zitierfähig genutzt als medienlastige Treffer mit wenig extrahierbarem Text. Das unterstreicht eine bekannte, aber im GEO-Kontext oft unterschätzte Regel: Maschinenlesbarkeit entscheidet mit darüber, ob Inhalte vom System als belastbarer Nachweis verwendet werden. Wer entscheidende Informationen hinter schwer renderbaren Skripten versteckt, verliert unter Umständen Sichtbarkeit genau in dem Moment, in dem KI-Modelle Belege auswählen.

Konsequenzen für SEO- und GEO-Strategien

Aus den Ergebnissen lassen sich klare operative Prioritäten ableiten. Seiten mit sauberem HTML, klaren Faktenblöcken, konsistenten Produktdaten und gut erfassbaren Preis- oder Leistungsinformationen haben bessere Chancen, in mehreren Retrieval-Pfaden nutzbar zu sein. Gleichzeitig bleibt starke Drittquellen-Abdeckung wichtig, weil generative Systeme bei allgemeinen Empfehlungen häufig auf externe Einordnung zurückgreifen.

• Strukturierte, klar lesbare Inhalte reduzieren Auslegungsfehler.
• Fakten sollten direkt im HTML stehen, nicht nur in interaktiven Widgets.
• Vergleichs- und Kontextseiten stärken die semantische Einordnung.
• Monitoring muss Wiederholungen und Pipeline-Varianz berücksichtigen.
• GEO-Analysen sollten Prompt-Klassen getrennt auswerten.

Für Redaktionen und Marketing-Teams bedeutet das auch organisatorische Anpassungen. Statt nur auf klassische Sichtbarkeitsindices zu schauen, sollten Teams den Weg vom Abruf bis zur Zitation differenziert beobachten. Wer Inhalte systematisch für Lesbarkeit, Evidenzdichte und thematische Eindeutigkeit optimiert, verbessert nicht nur die Chance auf Erwähnungen, sondern auch die Wahrscheinlichkeit, als belastbare Quelle in KI-generierten Antworten berücksichtigt zu werden.