Klarheit schlägt Lautstärke

In einem Princeton-Datensatz liegt ein Ergebnis, das ein Jahrhundert Marketing-Instinkt in den Ruhestand schicken sollte. Wenn eine generative Suchmaschine eine Antwort zusammensetzt, bevorzugt sie nicht die Quelle, die am lautesten ruft. Keyword-Stuffing, der älteste Trick der Lautstärke, bewegte die Sichtbarkeit rückwärts. Was die Sichtbarkeit einer Quelle hob, um bis zu 40 Prozent, war fast verlegen schlicht: Zitate, Statistiken, belegte Quellen. Material, das eine Maschine extrahieren, prüfen und zuordnen kann. Wir machen seit dem ersten Tag dieses Studios ein einziges Argument: Käufer fragen heute die Maschine, bevor sie irgendjemanden fragen, und die Maschine empfiehlt, was sie eindeutig auflösen kann. Das technische Feld entdeckt diese These immer wieder von seiner eigenen Seite her. Inzwischen zweimal. Begutachtet. Diese Akte legt die Belege vor.

Abschnitt EinsDie These, vor den Belegen

Zuerst die Unterscheidung, denn auf ihr ruht das gesamte Argument. Lautstärke ist alles, was eine Marke tut, um Aufmerksamkeit zu besetzen: Volumen, Frequenz, Adjektive, Keyword-Dichte, Superlative, Budget. Klarheit ist die Frage, ob eine Maschine, die deinen öffentlichen Fußabdruck liest, dich auflösen kann: welche Entität du bist, was genau du tust, für wen, mit welchen Belegen. Lautstärke richtet sich an einen Menschen, der vorbeiscrollt. Klarheit richtet sich an ein Modell, das mitten im Verfassen einer Antwort entscheiden muss, auf welche Quellen es sicher bauen und welche es zitieren kann.

Diese Entscheidung ist das ganze Spiel. Ein Modell, das eine Antwort synthetisiert, muss eine Handvoll Quellen aus vielen auswählen, deren Aussagen extrahieren und für das Ergebnis geradestehen. Mehrdeutigkeit ist an jeder Stelle teuer: eine Entität, die es nicht auflösen kann, Behauptungen, die es nicht prüfen kann, Text, den es nicht sauber zitieren kann. Unsere These macht zwei überprüfbare Vorhersagen. Erstens: Taktiken, die extrahierbare Substanz hinzufügen, sollten die Sichtbarkeit heben. Zweitens: Taktiken, die Rauschen hinzufügen, sollten scheitern, und umso härter scheitern, je mehr Wettbewerber sie übernehmen. Beide Vorhersagen sind inzwischen unabhängig bestätigt, von zwei Forschungsteams, in zwei verschiedenen Jahren, an zwei der ernsthaftesten Venues des Fachs.

Das Modell wählt nicht die Marke, die schreit. Es wählt die Marke, die es auflösen kann.

Abschnitt ZweiPrinceton, 2024: die Anatomie des Ausgewähltwerdens

Das erste Team, aus Princeton und Partnerinstituten, baute den Gründungs-Benchmark des Feldes und veröffentlichte ihn auf der KDD 2024. Es schickte 10.000 Anfragen, gezogen aus neun Quelldatensätzen über mehrere Domänen, durch generative Suchmaschinen und maß, wie sichtbar jede Quelle in den erzeugten Antworten war, gewichtet nicht nur danach, ob eine Quelle zitiert wurde, sondern wie prominent. Dann schrieben die Forscher Quellen systematisch mit verschiedenen Optimierungstaktiken um und maßen, was sich tatsächlich änderte.

Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan & Deshpande (IIT Delhi, Princeton University et al.), „GEO: Generative Engine Optimization", KDD 2024, DOI 10.1145/3637528.3671900 (arXiv:2311.09735).

Die Kernzahl aus dem Abstract: Die richtigen Änderungen können die Sichtbarkeit „um bis zu 40 %" steigern. Und die Anatomie dieser Änderungen ist die eigentliche Geschichte. Zitate hinzuzufügen hob die Sichtbarkeit um rund 40 Prozent, die stärkste Einzeltaktik im Benchmark. Statistiken hoben sie um rund ein Drittel. Quellenangaben hoben sie um rund 28 Prozent; selbst schlichtes Redigieren auf Lesbarkeit, den Text leichter parsebar zu machen, half um rund 29 Prozent. Und Keyword-Stuffing, die Taktik, auf der eine ganze Industrie gebaut wurde, war negativ. Es machte Quellen weniger sichtbar, als gar nichts zu tun.

Abschnitt DreiNeurIPS 2025: die Tricks überleben den Kontakt nicht

Eine Studie ist ein Befund. Die zweite, von einem vollständig unabhängigen Team, ist das Muster. 2025 war das Feld bei „Conversational SEO" angekommen, einer Welle von Taktiken mit dem Versprechen, große Sprachmodelle dazu zu bringen, dein Produkt zu empfehlen: eingeschleuste Anweisungen, persuasive Umformulierungen, Formatierungstricks. Ein Team, das auf der NeurIPS 2025 publizierte, baute C-SEO Bench, um zu testen, ob irgendetwas davon funktioniert, über zwei Aufgaben mit je drei Domänen, und, entscheidend, in einem Mehr-Akteur-Protokoll, das simuliert, was passiert, wenn mehrere Wettbewerber denselben Trick gleichzeitig einsetzen.

Puerto, H., Gubri, M., Green, T., Oh, S. J., Yun, S., „C-SEO Bench: Does Conversational SEO Work?", NeurIPS 2025 Datasets & Benchmarks (arXiv:2506.11097).

Das Urteil ist für ein Benchmark-Paper ungewöhnlich deutlich. Die meisten aktuellen C-SEO-Methoden erwiesen sich als „weitgehend wirkungslos", und häufig als negativ, sie schadeten genau dem Ranking, das sie verbessern sollten. Was weiter funktionierte, war das Unglamouröse: klassisches SEO, die tatsächliche Relevanz der Quelle zu verbessern, damit sie sich ihren Platz im Kontext des Modells verdient. Der zweite Befund des Papers ist der, den wir in Stein rahmen würden: Je mehr Akteure dieselben C-SEO-Tricks übernehmen, desto kleiner werden die Gewinne insgesamt. Die Tricks sind verstopft. Jeder zusätzliche Anwender desselben Tricks schrumpft die Auszahlung für alle.

Lautstärke ist ein Nullsummenspiel. Klarheit verzinst sich.

Dieser Verstopfungsbefund verdient eine langsame Lektüre, denn er ist die ökonomische Signatur, die die beiden Strategien trennt. Ein Trick funktioniert, indem er eine feste Menge der Aufmerksamkeit des Modells an sich reißt; jeder Wettbewerber mit demselben Trick bietet also in derselben Auktion gegen dich. Das Gleichgewicht: Alle geben mehr aus, um exakt dort zu stehen, wo sie standen. Substanz verstopft nicht auf dieselbe Weise. Eine Quelle, die tatsächlich relevant, überprüfbar und sauber strukturiert ist, kämpft nicht um einen Platz; sie ist der Grund, warum es den Platz gibt. Das ist unsere Lesart, als unsere Lesart benannt. Der Benchmark hat die Verstopfung gemessen; die Interpretation ist die These dieser Akte.

Abschnitt VierJede Mechanik läuft auf Lesbarkeit hinaus

Legt man die beiden Studien nebeneinander, kollabiert jede wirksame Mechanik in drei Eigenschaften. Entitätsauflösung: Die Maschine muss bestimmen können, welches Ding du bist, ein Name, eine Identität, über jede Oberfläche hinweg, die sie liest. Konsistenz: Aussagen, die über Quellen hinweg übereinstimmen, erhöhen das Vertrauen; Widersprüche senken es, und eine Quelle mit niedrigem Vertrauen ist ein Risiko, um das das Modell herumfährt. Extrahierbare Herkunft: Zitate, Statistiken, Quellenangaben, die Einheiten, die ein Modell heben, prüfen und zuordnen kann. Und genau das ist die Liste, die Princeton an der Spitze seines Benchmarks fand.

Nun die Umkehrung. Eine Marke, die laut, aber nicht lesbar ist, schwer an Adjektiven, leicht an prüfbaren Aussagen, widersprüchlich über ihre Oberflächen hinweg, wird von der Maschine nicht abgelehnt. Es passiert etwas Leiseres: Sie wird herausgemittelt. Ihre unüberprüfbaren Selbstbeschreibungen lösen sich in der Hintergrundstatistik ihrer Kategorie auf, und das Modell beschreibt sie, wenn überhaupt, in derselben generischen Sprache wie jeden austauschbaren Wettbewerber. Die laute Marke verliert nicht die Debatte. Sie betritt sie nie.

Abschnitt FünfWas diese Studien dir nicht sagen können

Das ehrliche Gegengewicht, denn unsere eigene Regel ist, Unsicherheit im Text zu benennen. Beide Ergebnisse sind kontrollierte Benchmarks, keine Marktmessungen: feste Anfragesets, simulierte Wettbewerbssituationen, Sichtbarkeitsmetriken statt Umsatz. Ein Sichtbarkeitsgewinn von 40 Prozent in einem Benchmark ist kein Versprechen von 40 Prozent mehr Kunden; das Mehr-Akteur-Protokoll ist eine Simulation von Wettbewerb, nicht Wettbewerb. Und die Engines selbst ändern sich laufend, jede konkrete Zahl hat also ein Haltbarkeitsdatum.

Länger haltbar ist die Richtung, denn sie ist das eine, worin die beiden Teams, und die zugrunde liegende Mechanik, übereinstimmen. Modelle belohnen, was sie extrahieren, prüfen und zuordnen können. Sie bestrafen oder ignorieren, was sie nicht können. Jede künftige Engine, die Quellen auswählen und für eine Antwort geradestehen muss, steht vor derselben Beschränkung. Auf Klarheit zu setzen ist keine Wette auf einen Benchmark. Es ist eine Wette auf die Geometrie des Problems.

Zum SchlussLesbar, oder herausgemittelt

Der rote Faden durch alles, was wir veröffentlichen, ist eine einzige Behauptung: Maschinen können nur auf das reagieren, was sie klar lesen können, außerhalb deines Unternehmens, auf den Oberflächen, auf denen Käufer heute ihre Fragen stellen, und zunehmend innerhalb, wo deine eigenen Agenten die Arbeit tun. Das Feld der KI-Sichtbarkeit kommt bei dieser Behauptung immer wieder von der technischen Seite an, Taktik für Taktik, Benchmark für Benchmark. Princeton hat gezeigt, was Klarheit wert ist: bis zu 40 Prozent. NeurIPS hat gezeigt, was Lautstärke wert ist: wenig, oft weniger als nichts, und jedes Mal weniger, wenn ein Wettbewerber dich kopiert.

Eine Marke, die für die Maschine klar ist, wird ausgewählt. Eine Marke, die nur laut ist, wird herausgemittelt. Das ist nicht unser Slogan in neuen Worten; es ist das gemessene Verhalten der Systeme, die jetzt zwischen dir und deinem nächsten Kunden sitzen. Die unglamouröse Arbeit, eine auflösbare Identität, konsistente Aussagen, prüfbare Belege, zitierfähige Substanz, ist die ganze Strategie. Das war sie immer; jetzt ist sie begutachtet.

Wenn du wissen möchtest, wie lesbar deine Marke für die Maschinen bereits ist: Der Signal Index misst es, oder schreib uns.