Kapitel 4: Technische Optimierung – Die Infrastruktur der Sichtbarkeit

Im LLMO-Zeitalter ist die Technik die Eintrittskarte zur Synthese. KI-Modelle arbeiten hochgradig ressourceneffizient. Wenn das Parsen Ihrer Website zu viel Rechenleistung kostet oder die Datenstruktur uneindeutig ist, wird die KI Ihre Inhalte schlichtweg ignorieren – völlig ungeachtet der inhaltlichen Qualität.

4.1 Das Bot-Management: Den Türstehern den Weg weisen

Früher gab es primär den Googlebot. Heute interagieren wir mit einer spezialisierten Armee von KI-Crawlern. Diese Bots haben eine andere Mission: Sie suchen nicht nach Links, um ein Ranking zu erstellen, sondern nach Informationseinheiten, um ein Modell zu trainieren oder eine RAG-Abfrage zu bedienen.

Die wichtigsten KI-Agenten im Überblick:

Strategische Steuerung via robots.txt

Blockieren ist im LLMO keine Lösung, sondern digitale Selbstisolation. Stattdessen nutzen wir die Granular Access Control.

# Best-Practice LLMO robots.txt

User-agent: GPTBot
Allow: /api/v1/product-specs/
Allow: /whitepapers/markdown/
Disallow: /marketing/ads/

User-agent: ClaudeBot
Allow: /technical-docs/
Disallow: /user-comments/

User-agent: *
Disallow: /admin/
Disallow: /intern/

Sitemap: https://llmo.andreasreisch.ch/sitemap.xml

4.2 Advanced Schema.org: Vom Rich Snippet zum Knowledge Graph

Schema.org (JSON-LD) ist die Muttersprache der KI. Während SEOs Schema nutzen, um “Sterne” in den Suchergebnissen zu bekommen, nutzen wir es im LLMO für das Entity-Anchoring. Wir müssen der KI explizit sagen, wer wir sind und worüber wir Expertise besitzen.

Die “Power-Tags” für LLMO:

1. knowsAbout: Verknüpfen Sie Ihre Marke oder Ihre Autoren mit spezifischen Wissens-Clustern (z. B. mittels Wikipedia-URLs).
2. mentions: Definieren Sie, auf welche externen Entitäten oder Studien sich Ihr Content bezieht. Dies erhöht den Trust-Score im Modell.
3. definedTerm: Wenn Sie proprietäre Fachbegriffe nutzen, definieren Sie diese im Code, damit die KI sie nicht “erraten” muss.
4. sameAs: Verknüpfen Sie Ihre Website mit Ihren Profilen auf LinkedIn, Wikidata und Branchenverzeichnissen, um eine konsistente Digitale Signatur zu erzeugen.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Andreas Reisch",
  "url": "https://andreasreisch.ch",
  "sameAs": [
    "https://www.linkedin.com/in/andreasreisch/",
    "https://www.wikidata.org/wiki/Q..."
  ],
  "knowsAbout": [
    "https://en.wikipedia.org/wiki/Search_engine_optimization",
    "https://en.wikipedia.org/wiki/Large_language_model"
  ]
}
</script>

4.3 Content-Architektur: Markdown vs. HTML vs. PDF

KI-Modelle wurden zu einem grossen Teil auf Code-Repositories (GitHub) und Dokumentationen trainiert. Das dort vorherrschende Format ist Markdown. Markdown ist für LLMs extrem leicht zu parsen, verbraucht weniger Tokens als HTML und behält dennoch eine klare Hierarchie bei.

Die “AI-Readiness-Layer” Architektur:

4.4 Rendering & Speed: Die JavaScript-Falle

Viele moderne Webseiten (React, Vue, Next.js) verlassen sich auf Client-Side Rendering (CSR). Das Problem: Viele KI-Crawler führen JavaScript nur eingeschränkt oder gar nicht aus, um Ressourcen zu sparen.

• Gefahr: Wenn Ihre wichtigsten Fakten erst nach dem Laden eines JS-Scripts erscheinen, ist Ihre Seite für die KI “leer”.
• Lösung: Setzen Sie konsequent auf Server-Side Rendering (SSR) oder Static Site Generation (SSG). Jedes Bit an Information muss im rohen HTML-Quelltext stehen, bevor das erste Skript geladen wird.

Typische Fehler & Mythen

• Mythos: “KI-Crawler können Bilder perfekt lesen.” → Realität: OCR ist fehleranfällig und teuer. Verlassen Sie sich niemals auf Infografiken ohne begleitenden Text.
• Fehler: Zu lange Ladezeiten. KI-Bots haben ein begrenztes Zeitbudget pro Seite. Wenn Ihre Seite 5 Sekunden lädt, bricht der Bot ab und nimmt die Daten Ihres schnelleren Konkurrenten.

LLMO-Unterstützung?

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

• Andreas Reisch
• seo@andreasreisch.com
• LinkedIn