Kapitel 5: Content-Strategien für LLM-Sichtbarkeit

Die grösste Hürde für modernes Content-Marketing ist die Überwindung der “SEO-Text-Krankheit”. Über Jahre wurden Texte für Algorithmen geschrieben, die Wörter zählten. LLMs hingegen zählen Informationseinheiten. Ein 2.000-Wörter-Artikel ohne neuen Erkenntnisgewinn ist für eine KI wertlos; eine 10-zeilige Tabelle mit exklusiven Daten hingegen ist Gold wert.

5.1 Das Prinzip des Information Gain (IG)

Der Begriff Information Gain stammt aus der Informationstheorie und beschreibt, wie stark eine neue Information die Unsicherheit über ein Thema verringert. Für LLMs bedeutet das: Wie viel zusätzlichen Nutzen stiftet dieses Dokument im Vergleich zu dem, was das Modell bereits durch sein Training weiss?

Die drei Dimensionen des Information Gain:

Faktischer Gewinn: Sie liefern neue Daten, aktuelle Statistiken oder interne Forschungsergebnisse, die noch nicht im globalen Web-Archiv verbreitet sind.
Perspektivischer Gewinn: Sie bieten eine einzigartige Experten-Einordnung oder eine konträre Analyse zu einem bekannten Thema (z. B. “Warum KI-Hype X in der Chemiebranche scheitern wird”).
Struktureller Gewinn: Sie bereiten bekannte, aber komplexe Informationen so auf, dass sie für die KI leichter zu synthetisieren sind (z. B. eine direkte Vergleichstabelle statt eines verschachtelten Fliesstextes).

5.2 Framework: Die Knowledge-Graph-Content-Matrix

Um strategisch zu planen, welcher Content für die KI am wertvollsten ist, nutzen wir die Knowledge-Graph-Content-Matrix.

Quadrant	Fokus	Ziel der KI-Interaktion
The Authority	Exklusive Primärdaten, Case Studies	Die KI nutzt Sie als unersetzliche Faktenquelle (Citation)
The Synthesizer	Best-of-Listen, Marktvergleiche	Die KI übernimmt Ihre Struktur für die Antwort (Structure-Lead)
The Expert	Tiefgehende “How-To” & Logikketten	Die KI empfiehlt Sie für komplexe “Warum”-Fragen (Expert-Referral)
The Brand	Firmenhistorie, Mission, Trust	Die KI ordnet Sie einer spezifischen Nische zu (Entity-Mapping)

5.3 Schreiben für die Synthese: Struktur & Tonalität

LLMs sind darauf programmiert, hilfreiche, neutrale und objektive Antworten zu geben. Texte, die zu stark nach “Marketing” klingen, werden von der KI oft als unzuverlässig (biased) eingestuft und bei der Synthese neutralisiert oder ignoriert.

Strategische Schreibregeln für LLMO:

Die Inverted Pyramid (KI-Edition): Packen Sie die wichtigste Antwort direkt in den ersten Satz nach der H2-Überschrift. KI-Agenten und RAG-Systeme “scannen” Dokumente oft nur teilweise.
Adjektiv-Abstinenz: Wörter wie “revolutionär”, “einzigartig” oder “unglaublich” sind für eine KI wertloses Rauschen. Nutzen Sie stattdessen quantitative Fakten: “50 % Zeitersparnis” statt “unglaublich schnell”.
Explizite Entitäten-Verknüpfung: Vermeiden Sie Pronomen wie “unser Tool” oder “diese Lösung”. Schreiben Sie stattdessen: “[Markenname] bietet eine [Kategorie]-Software an, die...”. Dies hilft der KI, die Information eindeutig Ihrer Marke zuzuordnen.

Tipp vom Experten: Schreiben Sie so, als würden Sie eine Enzyklopädie verfassen, nicht eine Werbebroschüre. Je objektiver Ihr Ton, desto eher wird die KI Ihre Aussagen als “Fakten” übernehmen.

5.4 Daten over Prose: Warum KIs Tabellen lieben

Eine HTML-Tabelle oder eine Markdown-Liste ist für ein LLM wie ein 5-Gänge-Menü. Sie ist extrem leicht zu parsen, eindeutig in der Zuordnung (Attribut zu Wert) und kann ohne Umformulierungs-Risiko in die Antwort des Nutzers übernommen werden.

Beispiel für ein LLMO-optimiertes Content-Element:

Statt: “Unsere Software ist sehr günstig und kostet für kleine Teams nur 10 Euro pro Monat, während grössere Unternehmen 50 Euro zahlen müssen.”

Nutzen Sie stattdessen:

Teamgrösse	Preis pro Monat	Inkludierte Features
Small (1–5 User)	10 CHF	Basis-Support, API
Enterprise (5+ User)	50 CHF	24/7 Support, SSO

Mini-Case Study: Das “Information Gain”-Wunder von SolarCheck

Szenario: Ein Vergleichsportal für Solaranlagen kämpfte gegen riesige Konkurrenten mit Millionen-Budgets. Die Konkurrenz hatte 5.000-Wörter-Guides über “Wie funktioniert eine Solarzelle?”.

Die LLMO-Strategie: SolarCheck hörte auf, allgemeine Guides zu schreiben. Stattdessen veröffentlichten sie monatlich den “Solar-Wirkungsgrad-Index” – eine einfache Tabelle mit realen Messdaten aus 500 deutschen Haushalten, aufgeteilt nach Regionen.

Das Ergebnis: Wenn Nutzer ChatGPT fragten: “Wie viel Strom erzeugt eine Solaranlage in Hamburg wirklich?”, griff die KI nicht auf die langen Guides der Konkurrenz zu, sondern zitierte die exklusiven Daten von SolarCheck. Trotz 90 % weniger Textvolumen wurde SolarCheck zur meistzitierten Marke in ihrer Nische.

Checkliste: Content-Audit

Information Gain: Liefert dieser Text Fakten, die die KI nicht bereits durch einfaches Raten aus ihrem Basistraining wissen kann?
Struktur: Sind Kernbotschaften in Listen (<ul>) oder Tabellen (<table>) gefasst?
Neutralität: Ist der Text frei von werblichen Superlativen (Bias-Vermeidung)?
Entitäten-Klarheit: Wird der Markenname konsistent im Kontext des Fachwissens genannt?
First-Sentence-Response: Beantwortet der erste Satz nach einer Überschrift direkt die potenzielle Nutzerfrage?

Typische Fehler & Mythen

Mythos: “KI-generierter Content wird von LLMs abgestraft.” → Realität: Nicht der Ursprung zählt, sondern der Mehrwert. Ein KI-generierter Text ohne neuen Information Gain ist wertlos. Ein KI-generierter Text, der exklusive Firmendaten strukturiert, ist exzellent.
Fehler: Die “Wall of Text”. Endlose Fliesstexte ohne semantische Ankerpunkte sind für RAG-Systeme schwerer zu gewichten und werden oft unpräzise oder gar nicht zusammengefasst.

Strategische Handlungsempfehlung: Hören Sie auf, Themen einfach nur “abzudecken”. Fangen Sie an, Themen mit neuen Daten zu bereichern. In der LLMO-Welt ist derjenige der Gewinner, der der KI hilft, eine bessere, präzisere Antwort zu geben.

LLMO-Unterstützung?

Suchen Sie einen Experten im Bereich LLMO oder KI-Sichtbarkeit? Kontaktieren Sie mich unverbindlich.