LLM Readability: Muss ich meinen Content jetzt für Maschinen umschreiben?

Seit einigen Monaten begegnet mir auf Konferenzen, in LinkedIn-Postings und in Agentur-Pitches ein Begriff, der so klingt, als hätte jemand einen neuen Rankingfaktor entdeckt: LLM Readability. Manchmal auch „LLM-Lesbarkeit“, gelegentlich „maschinelle Lesbarkeit“. Die Botschaft dahinter ist fast immer dieselbe: Sprachmodelle lesen anders als Menschen, deshalb müsse man Content anders schreiben – kürzere Absätze, Antwort zuerst, fragebasierte Überschriften, alles schön in zitierfähige Häppchen zerlegt. Wer das nicht tut, werde in ChatGPT, den AI Overviews und Perplexity schlicht nicht mehr zitiert.

Ich habe mir das genauer angesehen, weil ich für unser O’Reilly-Buch ohnehin tief in der GEO-Literatur stecke – und weil ich bei jedem Begriff, der binnen eines Jahres vom Blogpost zum kostenpflichtigen Score wird, reflexartig nach der Belegkette frage.

Das Ergebnis vorweg:

Der Begriff ist als Denkrahmen brauchbar, als Rankingversprechen ist er überzogen. Und die zentrale Handlungsempfehlung, die viele daraus ableiten – Content in maschinenfreundliche Mikro-Häppchen zerlegen –, ist ausgerechnet diejenige, der Google öffentlich und ungewöhnlich deutlich widerspricht.

Warum ich das so sehe, im Detail.

Erstens: Der Begriff meint zwei verschiedene Dinge

Bevor man über Evidenz streitet, muss man klären, worüber man redet. „LLM Readability“ wird nämlich für zwei völlig verschiedene Sachverhalte verwendet, und diese Vermischung ist die Quelle der meisten Missverständnisse:

Die Lesbarkeit von LLM-generierten Texten für Menschen. Also: Wie verständlich ist ein Text, den ein Modell geschrieben oder vereinfacht hat? Das ist ein etabliertes NLP-Forschungsfeld mit Humanratings, Lesbarkeitsformeln und spezialisierten Metriken. Hier gibt es echte, belastbare Wissenschaft.
Die „Lesbarkeit für LLMs“. Also: Wie gut kann ein generatives Suchsystem eine Seite abrufen, interpretieren, extrahieren und in einer Antwort referenzieren? Das ist die Bedeutung, die im GEO-Diskurs gemeint ist – und für die es keine standardisierte wissenschaftliche Definition und keinen validierten Score gibt.

Wer den Begriff hört und dabei an Flesch-Werte denkt, redet über Bedeutung 1. Wer ihn hört und an Zitierfähigkeit denkt, redet über Bedeutung 2. Die beiden haben empirisch deutlich weniger miteinander zu tun, als der gemeinsame Name suggeriert. Genau diese Doppeldeutigkeit macht den Begriff rhetorisch so wirksam: Er borgt sich die wissenschaftliche Seriosität der psycholinguistischen Lesbarkeitsforschung für eine Behauptung über Zitationsranking, die diese Forschung überhaupt nicht untersucht hat.

Zweitens: Woher der Begriff kommt

Geprägt hat ihn 2024 Olaf Kopp von Aufgesang. Und das muss man ihm ausdrücklich zugutehalten: Aufgesang deklariert das Konzept offen als Eigenentwicklung, nicht als wissenschaftlichen Fachbegriff. Kopp bezeichnet sich selbst als dessen Erfinder. Das ist redlicher als vieles, was mir sonst im GEO-Umfeld begegnet, wo Branchenhypothesen gerne im Duktus etablierter Wissenschaft vorgetragen werden.

Die Definition lautet sinngemäß: LLM-Lesbarkeit beschreibt, wie gut Inhalte von großen Sprachmodellen verarbeitet und verstanden werden können. Genannt werden Dimensionen wie Sprachqualität, Strukturierung, Chunk-Relevanz, Informationshierarchie (Antwort zuerst, im Sinne der Minto-Pyramide), Kontextmanagement und Konsistenz. Daraus abgeleitet gibt es konkrete Zielwerte – etwa Absätze unter 400 Zeichen und Gesamtlängen von 1.200 bis 1.500 Wörtern – sowie einen proprietären Score in Aufgesangs Toolsuite.

Als Audit-Rahmen finde ich das nicht verkehrt. Diese Dimensionen sind sämtlich Dinge, über die man beim Content-Review sinnvoll nachdenkt. Mein Problem beginnt an einer anderen Stelle: bei der Frage, woher die konkreten Zahlen kommen und was sie bewirken sollen.

Drittens: Die Belegkette hält nicht, was sie verspricht

Das Konzept beruft sich auf Forschung und Patente – im Kern auf zwei Quellen. Ich habe beide gelesen.

Das GINGER-Paper (Łajewska & Balog, Universität Stavanger, arXiv:2503.18174) beschreibt eine modulare RAG-Pipeline, die Antworten aus sogenannten „information nuggets“ zusammensetzt. Das ist ein systeminternes Verfahren zur Antwortgenerierung aus bereits abgerufenen Dokumenten. Das Paper untersucht weder Absatzlängen noch Überschriftenformate noch Zitationsraten in Abhängigkeit vom Schreibstil. Es sagt nichts darüber, wie man Webseiten schreiben sollte.
Das Google-Patent US12158907B1 („Thematic Search“, erteilt am 3. Dezember 2024) ist ergiebiger. Es beschreibt tatsächlich passage-basierte Verarbeitung – ein Passage ist dort definiert als „a paragraph of a responsive document, e.g., as defined by one or more HTML elements“ – und eine Zusammenfassung pro Passage durch ein Sprachmodell. Damit ist die strukturelle Prämisse belegt: Ja, diese Systeme arbeiten auf Passage-Ebene. Nur: Die im Patent genannten Ranking-Signale sind Query-Relevanz, Qualität, Autorität, Popularität, Backlinks, Nutzererfahrung, Social Signals und Aktualität. Lesbarkeit taucht dort nicht auf.

Der Schluss von „das System zerlegt Dokumente in Passagen“ auf „also werden kurze Absätze und Answer-first-Formulierungen häufiger zitiert“ ist damit eine Inferenz, keine Ableitung. Sie ist plausibel. Sie ist nicht belegt. Und die spezifischen Schwellenwerte – warum 400 Zeichen und nicht 350 oder 600? – haben in den zitierten Dokumenten überhaupt keine Grundlage.

Das ist der Punkt, an dem ich als Wissenschaftler unruhig werde: Eine plausible Hypothese wird durch Verweis auf reale Forschung mit einer Autorität ausgestattet, die diese Forschung nicht hergibt.

Viertens: Was die kontrollierte Forschung tatsächlich zeigt

Und hier wird es interessant, denn die Evidenzlage hat sich in den letzten zwei Jahren erheblich gedreht – von optimistisch zu ernüchternd.

Etappe 1: Das GEO-Paper (KDD 2024)

Aggarwal et al. führten mit GEO-bench (10.000 Queries) neun Optimierungsmethoden gegen unveränderte Baseline-Inhalte ins Feld. Ergebnis: bis zu 40 % mehr Sichtbarkeit. Das ist die Zahl, die seither durch alle Präsentationen geistert.

Nur schaut kaum jemand nach, wodurch diese Gewinne entstanden. Die stärksten Effekte kamen aus dem Hinzufügen von Statistiken, Zitaten und Quellenangaben – also aus Substanz, nicht aus Formatierung. Reine Fluency- und Lesbarkeitsbearbeitungen lagen mit 15 bis 30 % deutlich darunter. Und die viel zitierte Kombination „Fluency + Statistics“ wurde aus Kostengründen nur an einem Subset von 200 Beispielen getestet.

Wichtiger noch ist die Messgröße: Das Paper misst überwiegend Position-Adjusted Word Count – also wie viele Wörter der generierten Antwort einer Quelle zuzurechnen sind – und ein von GPT‑3.5 vergebenes Subjective Impression. Das ist nicht dasselbe wie die kompetitive Wahrscheinlichkeit, als Quelle ausgewählt zu werden.

Etappe 2: C-SEO Bench (NeurIPS 2025)

Genau diese Gleichsetzung greift C-SEO Bench an. Über 1.900 Queries, mehr als 16.000 Dokumente, sechs Domänen – und diesmal wird explizit Citation Rank gemessen, nicht Wortanteil.

Das Ergebnis ist für die GEO-Branche unangenehm: Von 54 untersuchten Konstellationen aus Methode, Domäne und Task waren ganze drei statistisch signifikant besser. Für die reine QA-Aufgabe funktionierte keine einzige Methode. Was dagegen massiv wirkte: die Position eines Dokuments im Kontext. Ein Dokument an die erste Stelle zu bringen, brachte mehr als jede getestete Content-Optimierung.

Übersetzt: Retrieval schlägt Rewriting. Deutlich.

Etappe 3: „What Gets Cited“ (SIGIR 2026)

Das ist derzeit der methodisch sauberste Test, den wir haben: 252.000 Trials über sechs LLMs, 18 isoliert variierte Content-Faktoren, matched-pair-Design (zwei Quellen unterscheiden sich in genau einem Merkmal), anonymisierte Marken, gegenbalancierte Reihenfolge, konstant gehaltene Länge.

Das Fazit der Autoren im Abstract: Themenrelevanz und Listenposition sind die stärksten Treiber, explizite Preisangaben und aktuelle Zeitstempel helfen konsistent, Vollständigkeit und Trust-Signale bringen kleinere Zuwächse – und „formatting-only edits have little impact.“

Konkret: „Structured vs. dense“ ergab Odds Ratios zwischen etwa 0,78 und 1,68 ohne modellübergreifenden Konsens. „Organized vs. scattered“ ebenfalls schwach und uneinheitlich. Beide Formatierungsfaktoren landen in der Auswertung bei den Faktoren ohne konsistenten Effekt.

Das ist die derzeit stärkste direkte Evidenz gegen die Vorstellung, Überschriften, Listen oder besonders kleine Chunks erzeugten für sich genommen einen universellen Zitationsbonus.

Und die Studien, die das Gegenteil zeigen?

Die gibt es – aber sie sind rein korrelativ. Semrush hat 2026 rund 11.900 Prompts, über 300.000 KI-zitierte URLs und knapp 338.000 einzigartige URLs analysiert und gefunden: „Clarity and summarization“ war in der zitierten Gruppe um 32,83 % stärker ausgeprägt, Q&A-Format um 25,45 %, Section Structure um 22,91 %.

Klingt vielleicht überzeugend, ist aber kein A/B-Test. Die Positivgruppe waren KI-Zitationen, die Vergleichsgruppe Google-Top-20-Seiten. Diese Gruppen unterscheiden sich in Autorität, Contenttyp, Thema, Publisher-Qualität und einem Dutzend weiterer nicht kontrollierter Variablen. Semrush selbst warnt an einer Stelle explizit vor kausaler Interpretation, als ein Tone-Effekt überraschend negativ ausfiel – was ich anständig finde, aber in der Weiterverwertung durch Dritte regelmäßig untergeht.

Ähnlich gelagert: Ein häufig zitiertes englischsprachiges Experiment zur LLM Readability weist einen Unterschied von 23,3 Prozentpunkten bei Perplexity-Zitationen aus – bei p = 0,07. Also statistisch nicht signifikant, bei kleiner Stichprobe. Das ist ein Hinweis auf eine Forschungsrichtung, kein Beleg.

Die Faustregel, die ich mir dabei angewöhnt habe: 338.000 beobachtete URLs schlagen 252.000 kontrollierte Trials nicht. Stichprobengröße ersetzt kein Design.

Fünftens: Was die Plattformen selbst sagen

Hier wird es für die Chunking-These richtig unbequem. Im „Search Off the Record“-Podcast (veröffentlicht am 8. Januar 2026) sagte Danny Sullivan wörtlich:

„One of the things I keep seeing over and over … is that turn your content into bite-sized chunks, because LLMs like things that are really bite size, right? … So we don’t want you to do that. I was talking to some engineers about that. We don’t want you to do that. We really don’t.“

Das ist für Google-Verhältnisse eine bemerkenswert unmissverständliche Ansage. Sullivan räumte im selben Kontext auch mit der Vorstellung auf, Überschriften müssten „semantisch präzise für KI“ formuliert werden.

Googles offizielle Guidance zu generativen Search-Funktionen (Stand Mai bzw. Juli 2026) ergänzt: AI Overviews und AI Mode bauen auf den bestehenden Search-Ranking- und Qualitätssystemen auf; es gibt kein AI-spezifisches Schema, keine ideale Seitenlänge, keine Notwendigkeit, Seiten in „tiny pieces“ zu zerlegen – Google kann mehrere Themen auf einer Seite differenzieren –, und llms.txt wird von Google Search schlicht ignoriert.

Wichtig für die faire Lesart: Google lehnt nicht gute Struktur ab. Klare Absätze, sinnvolle Abschnitte und Überschriften werden ausdrücklich empfohlen. Abgelehnt wird das Fragmentieren für Maschinen. Das ist ein feiner, aber entscheidender Unterschied.

Bei OpenAI ist die Dokumentation vor allem eine Zugangsfrage: Wer OAI-SearchBot aussperrt, erscheint regulär nicht in ChatGPT-Search-Antworten. Trainingszugriff über GPTBot ist davon unabhängig steuerbar. Für den Atlas-Agenten empfiehlt OpenAI ARIA-konforme Accessibility – das ist Agent-Kompatibilität, kein Zitationssignal. Microsoft geht in seinen Publisher-Empfehlungen weiter und rät zu Klarheit, Struktur, Evidenz und Aktualität, nennt dafür aber keine kontrollierten Effektgrößen. Autoritativ als Best Practice, nicht gleichwertig mit einem 252.000-Trial-Experiment.

Sechstens: Der deutschsprachige Sonderfall

Ein Aspekt, der im Diskurs fast völlig fehlt: Praktisch die gesamte belastbare GEO-Evidenz ist englischsprachig. C-SEO Bench arbeitet ausschließlich mit englischem Content und warnt explizit vor unkritischer Übertragung auf andere Sprachen. Robuste deutschsprachige Citation-Benchmarks existieren nicht.

Für die Lesbarkeitsseite gibt es immerhin eine Studie, die ich sehr instruktiv finde: Miftaroski et al. haben 2026 in JMIR AI 60 deutsche medizinische Texte mit vier LLMs vereinfachen lassen. Drei der vier Systeme verbesserten Flesch- und Wiener-Sachtextformel-Werte signifikant – im Mittel allerdings nur moderat, und das angestrebte Niveau wurde oft nicht erreicht. Gleichzeitig fanden die Autoren in einzelnen vereinfachten Texten falsche und aus dem Kontext gelöste Aussagen und empfehlen ausdrücklich fachliche Kontrolle.

Das ist die Warnung, die ich am ernstesten nehme: Leichter lesbar kann sachlich schlechter bedeuten. Wer Lesbarkeitswerte zum Optimierungsziel macht, ohne Faktentreue zu prüfen, verbessert eine Kennzahl und verschlechtert das Produkt.

Dazu passt ein Befund aus EMNLP 2025: Bei Plain-Language-Summaries korrelierten sechs von acht klassischen Lesbarkeitsmetriken mit menschlichen Urteilen schwächer als r = 0,3. Der beste sprachmodellbasierte Bewerter kam auf etwa r = 0,56. Flesch, Flesch-Kincaid und Wiener Sachtextformel sind nützliche Diagnosewerte – aber sie sind keine Qualitätsmetriken. Sie messen Oberfläche: Satzlänge, Wortlänge, Silbenzahl. Nicht Verständnis.

Handlungsempfehlungen – mit Einordnung

Jetzt der praktische Teil. Ich halte nichts von Listen, in denen alles gleich wichtig aussieht. Deshalb steht bei jedem Punkt dabei, wie stark die Evidenz ist und was ich selbst davon halte.

1. Retrieval zuerst. Immer.

Was: Crawlbarkeit, Indexierung, Rendering, technische Sauberkeit, klassische Relevanz und Rankingstärke.

Evidenz: stark. C-SEO Bench zeigt, dass Kontextposition jede getestete Content-Optimierung schlägt. Google bestätigt, dass generative Features auf dem Core-Ranking aufsetzen.

Meine Einordnung:

Das ist der langweiligste und mit Abstand wichtigste Punkt. Eine Seite, die nicht abgerufen wird, kann nicht zitiert werden – egal wie „LLM-lesbar“ sie ist. Ich sehe in der Praxis regelmäßig Teams, die Absatzlängen optimieren, während ihre Seite hinter einem JavaScript-Rendering-Problem oder einer schwachen internen Verlinkung verschwindet. Das ist, als würde man die Schriftart auf einem Plakat optimieren, das im Keller hängt. Wer nur eine Sache aus diesem Artikel mitnimmt: Das hier ist die Sache.

2. Crawler-Zugang bewusst steuern

Was: OAI-SearchBot für ChatGPT-Search zulassen, GPTBot separat entscheiden. Meta-ExternalAgent, Bing-Crawler und die übrigen prüfen. Robots.txt und WAF-Regeln gegeneinander abgleichen.

Evidenz: stark (offizielle Plattformdokumentation).

Meine Einordnung:

Das ist keine Optimierung, sondern eine Ja/Nein-Weiche – und ich finde erstaunlich oft, dass sie versehentlich auf „Nein“ steht. Meist nicht in der robots.txt, sondern in einer Bot-Protection-Regel, von der das SEO-Team nichts weiß. Aufwand: eine Stunde. Hebel: binär. Das ist das beste Aufwand-Nutzen-Verhältnis in diesem ganzen Themenfeld.

3. Genau die Informationsaufgabe beantworten, nach der gefragt wird

Was: Topische Passung zwischen Query-Intent und Passage.

Evidenz: stark. Themenrelevanz ist im SIGIR-Experiment einer der beiden dominanten Faktoren.

Meine Einordnung:

Klingt trivial, ist es nicht. Der häufigste Fehler ist nicht mangelnde Struktur, sondern dass eine Seite ein Thema umkreist, statt eine Frage zu beantworten. Ein Text über „Vorteile von Wärmepumpen“ beantwortet nicht die Frage „Lohnt sich eine Wärmepumpe im Altbau von 1960 ohne Fußbodenheizung?“. Wenn ich einen einzigen Content-Hebel wählen müsste, wäre es dieser – und er hat nichts mit Formatierung zu tun.

4. Entscheidungsrelevante Fakten vollständig liefern

Was: Preise, Spezifikationen, Bedingungen, Einschränkungen, Zahlen. Also die Angaben, ohne die niemand entscheiden kann.

Evidenz: stark im Commerce-Kontext, moderat verallgemeinert. Im SIGIR-Experiment hatten explizite Preisangaben und Spezifikationen substanzielle, modellübergreifend konsistente Effekte.

Meine Einordnung:

Das ist der unterschätzteste Punkt der Liste. Viele B2B-Seiten verstecken Preise („Preis auf Anfrage“), viele Ratgeber weichen konkreten Zahlen aus. Ein Modell, das zwischen zwei Quellen wählt, greift zu der, die die Frage tatsächlich beantwortet. Ich vermute – ausdrücklich als Hypothese –, dass dieser Faktor in vielen deutschen B2B-Vertikalen mehr Unterschied macht als alles, was unter „LLM Readability“ firmiert. Nebeneffekt: Es hilft auch Menschen.

5. Aussagen mit echter Evidenz unterfüttern

Was: Primärquellen, eigene Daten, nachvollziehbare Belege, konkrete Zahlen.

Evidenz: moderat bis stark. Sowohl das GEO-Paper (Statistiken, Zitate, Quellen als stärkste Interventionen) als auch SIGIR („evidence vs. no evidence“) finden hier positive Effekte.

Meine Einordnung:

Wichtig – aber mit einer Warnung, die ich nicht deutlich genug aussprechen kann. Die verbreitete Fehllesart des GEO-Papers lautet „einfach mehr Statistiken einbauen“. Das Paper zeigt Vorteile für relevante, echte Belege, nicht für erfundene Zahlen. Wer anfängt, Prozentwerte zu erfinden, um einen Proxy zu bedienen, betreibt Content-Betrug und riskiert seine Reputation für einen Effekt, der bei breiter Adoption ohnehin verschwindet. Eigene Daten sind hier der ehrlichste und zugleich verteidigungsfähigste Weg: Sie lassen sich nicht kopieren.

6. Aktualität pflegen – dort, wo sie zählt

Was: Echte inhaltliche Aktualisierung, korrekte Datumsangaben, IndexNow.

Evidenz: moderat bis stark, vertikalenabhängig. „Recent vs. old“ war im SIGIR-Experiment ein starker Faktor; Bing empfiehlt Freshness-Signale explizit.

Meine Einordnung:

Zustimmung mit einer Einschränkung, die mir wichtig ist: Gemeint ist inhaltliche Aktualität, nicht das Umschreiben des Datums im Frontmatter. Letzteres ist ein Trick, ersteres ist Arbeit. Und die Relevanz variiert extrem: Bei „Steuerfreibetrag 2026“ ist Aktualität alles, bei „Wie funktioniert ein Otto-Motor“ nahezu nichts. Wer alles quartalsweise „aktualisiert“, verbrennt Ressourcen.

7. Für Menschen klar schreiben und gliedern – aber nicht für Maschinen zerstückeln

Was: Verständliche Sprache, sinnvolle Überschriften, logische Gliederung. Keine künstliche Fragmentierung.

Evidenz: stark für den Menschennutzen, schwach bis moderat für Zitationen. Human-Readability-Forschung ist solide; der direkte Formatierungseffekt auf Citation Ranking ist inkonsistent; Google lehnt Mikro-Chunking explizit ab.

Meine Einordnung:

Hier liegt der eigentliche Kern der Debatte, deshalb ausführlicher. Ich halte gute Struktur für richtig – aber aus den richtigen Gründen. Sie hilft Leserinnen und Lesern, sie hilft der Barrierefreiheit, sie hilft beim Scannen, sie hilft der Wartbarkeit. Das sind sieben von zehn Argumenten. Das achte Argument – „damit LLMs mich zitieren“ – ist das schwächste und wird am lautesten vorgetragen.

Praktisch heißt das: Wenn Sie ohnehin gut strukturieren, ändern Sie nichts. Wenn Sie noch nicht gut strukturieren, tun Sie es – für Ihre Leser. Aber zerlegen Sie keinen zusammenhängenden Gedankengang in 300-Zeichen-Blöcke, weil ein Score das verlangt. Sie ruinieren damit die Lesbarkeit für Menschen, um einen Effekt zu erzielen, den die beste verfügbare Studie nicht findet und den Google ausdrücklich nicht will. Das ist die schlechteste aller Wetten: garantierter Schaden gegen unbelegten Nutzen.

8. FAQ- und Q&A-Formate nur einsetzen, wenn sie passen

Evidenz: schwach als GEO-Hack, plausibel als UX-Muster. Semrush findet Korrelation; kontrollierte Evidenz für einen universellen Formatbonus fehlt; Google verlangt kein spezielles Format.

Meine Einordnung:

Wenn Ihre Nutzer tatsächlich in Fragen denken, ist ein FAQ-Block richtig. Wenn Sie einen FAQ-Block anbauen, in dem Fragen stehen, die nie jemand gestellt hat, produzieren Sie Füllmaterial. Ich sehe seit einem Jahr Seiten, an deren Ende ein trauriger Q&A-Anhang klebt, der offensichtlich für eine Maschine geschrieben wurde. Das erkennt man als Mensch sofort – und ich wäre nicht überrascht, wenn Qualitätsklassifizierer es auch erkennen.

9. Schema.org nutzen – für das, wofür es gedacht ist

Evidenz: stark gegen die „AI-Schema-Hack“-These. Google stellt ausdrücklich klar, dass für generative Features kein spezielles Structured Data nötig ist.

Meine Einordnung:

Schema bleibt sinnvoll für Rich Results, Entitätsklärung und Datenkonsistenz. Es ist kein KI-Schalter. Wer neue Schema-Typen ausrollt mit der Begründung „für die KI“, sollte den Business Case nochmal rechnen.

10. `llms.txt` nicht als Google-Maßnahme budgetieren

Evidenz: stark. Google Search ignoriert die Datei. John Mueller hat sie als spekulativ eingeordnet.

Meine Einordnung:

Die Datei anzulegen kostet zwanzig Minuten und schadet nicht. Sie als Rankingmaßnahme zu verkaufen oder ein Projekt dafür aufzusetzen, ist dagegen nicht evidenzbasiert. Falls andere Systeme das Format künftig nutzen, ist die Datei schnell erstellt. Sie ist eine billige Option, kein Hebel.

11. Deutsche Lesbarkeit messen – aber mit zweiter Instanz

Was: Wiener Sachtextformel oder Flesch-DE als Guardrail, ergänzt um eine semantische Prüfung.

Evidenz: moderat.

Meine Einordnung:

Formeln sind Rauchmelder, keine Brandschutzgutachten. Sie zeigen zuverlässig an, wenn Sätze entgleisen. Sie sagen nichts über Kohärenz, Vorwissensannahmen oder fachliche Korrektheit. Ein LLM-as-a-Judge kann als skalierbarer Zweitprüfer dienen, muss aber gegen menschliche Urteile kalibriert werden – und darf nie die einzige Instanz sein.

12. Jedes Readability-Rewrite auf Faktentreue prüfen

Evidenz: stark als QA-Empfehlung. Die deutsche JMIR-Studie beobachtete bei vereinfachten Fachtexten sachliche Fehler und Kontextverluste.

Meine Einordnung:

Das ist der Punkt, bei dem ich am wenigsten Kompromisse mache. Wer ein Modell Texte vereinfachen lässt, braucht einen Claim-Diff: Welche Aussagen sind verschwunden, welche haben sich verändert, welche Einschränkung wurde weggekürzt? In Fachdomänen – Medizin, Recht, Finanzen, Technik – ist ein leicht lesbarer falscher Satz schlimmer als ein schwer lesbarer richtiger. Und die Vereinfachung frisst Einschränkungen zuerst, weil Nebensätze mit „sofern“, „außer“ und „in der Regel“ genau die Konstruktionen sind, die Lesbarkeitsformeln bestrafen.

13. Kennzahlen sauber trennen

Was: Citation Rate, Citation Rank, Mention Share, Referral-Traffic und Conversion getrennt erfassen.

Evidenz: stark. C-SEO Bench zeigt, dass Wortanteil und Zitationspräferenz auseinanderfallen. Bing weist ausdrücklich darauf hin, dass seine Citation Counts nichts über Platzierung aussagen.

Meine Einordnung:

Der häufigste Messfehler im GEO-Reporting ist, aus „wir wurden erwähnt“ auf „wir wurden bevorzugt“ zu schließen. Das sind verschiedene Dinge, und der Unterschied entscheidet darüber, ob eine Maßnahme funktioniert hat. Dazu kommt: Ein Promptpanel, das zwischen zwei Messungen verändert wird, misst gar nichts. Erst das Panel einfrieren, dann optimieren.

14. Testen statt glauben

Was: Kontrollierte Experimente statt Vorher-Nachher-Beobachtung. Ein Faktor pro Test, Reihenfolge randomisieren, mehrfach über mehrere Modelle wiederholen, Faktentreue mitmessen.

Evidenz: stark als Methodik.

Meine Einordnung:

Niemand muss 252.000 Trials fahren. Aber das Prinzip ist übertragbar und billiger, als die meisten denken: eine Handvoll Seiten, zwei Varianten mit gleicher Faktendichte und Länge, ein festes Promptset, wiederholte Messung über zwei bis drei Engines. Wer das ein Quartal lang diszipliniert macht, weiß für die eigene Vertikale und die eigene Sprache mehr als jede allgemeine Best-Practice-Liste – meine eingeschlossen. Und angesichts der dünnen deutschsprachigen Evidenzlage ist das für den deutschen Markt derzeit fast die einzige seriöse Erkenntnisquelle.

15. Und der Punkt, der auf keiner LLM-Readability-Liste steht

Mehrere unabhängige Beobachtungsstudien aus 2026 deuten in dieselbe Richtung: Der weit überwiegende Teil der KI-Zitationen entfällt nicht auf die eigene Website, sondern auf Drittquellen – Fachmedien, Vergleichsportale, Foren, Verzeichnisse. Eine Ahrefs-Analyse fand, dass Marken-Erwähnungen im Web deutlich stärker mit KI-Sichtbarkeit korrelieren als Backlinks.

Evidenz: schwach bis moderat – das sind Korrelationen, keine Experimente, und ich verkaufe sie ausdrücklich nicht als mehr.

Meine Einordnung:

Trotzdem halte ich das für die strategisch wichtigste offene Frage. Wenn die eigene Domain nur einen kleinen Teil des Zitationsraums ausmacht, dann ist die Optimierung der eigenen Absatzlängen eine Optimierung an der falschen Stelle. Digitale PR, Präsenz in relevanten Drittquellen, konsistente Entitätsdaten und schlicht: eine Marke sein, über die geschrieben wird – das dürfte mehr bewegen als jeder Score. Das ist unbequem, weil es teurer und langsamer ist als ein Content-Refactoring. Aber es ist wahrscheinlich richtig.

Fazit: Der Rahmen taugt, das Versprechen nicht

Ich habe kein Problem mit dem Begriff „LLM Readability“ als Denk- und Auditrahmen. Die Dimensionen, die darunter versammelt werden, sind sinnvolle Prüfpunkte, und Aufgesang deklariert offen, dass es sich um ein eigenes Konzept handelt. Das ist mehr Transparenz, als viele Anbieter aufbringen.

Mein Problem ist die Verwandlung, die der Begriff auf dem Weg vom Blogpost zur Agenturfolie durchmacht: aus einer Hypothese wird ein Faktor, aus einem Faktor ein Score, aus einem Score ein Versprechen. Und spätestens beim Versprechen bricht die Belegkette.

Die belastbarste Formulierung, die die aktuelle Evidenz hergibt, wäre ungefähr diese:

LLM Readability ist die Eigenschaft eines Inhalts, für seine menschliche Zielgruppe verständlich zu bleiben und zugleich so relevant, vollständig, eindeutig, faktisch belastbar und technisch zugänglich zu sein, dass Retrieval- und generative Systeme seine Informationen zuverlässig auswählen und attribuieren können.

Was die Forschung dagegen nicht stützt, ist die griffige Formel, die man derzeit überall hört:

Kurze Sätze + viele Überschriften + FAQs + kleine Chunks + llms.txt = mehr KI-Zitationen.

Die sinnvolle Prioritätenfolge für 2026 sieht aus meiner Sicht so aus:

Abrufbar → relevant → vollständig → belegt → korrekt → verständlich → messbar.

Menschliche Verständlichkeit steht dort bewusst weit hinten – nicht weil sie unwichtig wäre, sondern weil sie ein Selbstzweck ist und keine Rankingmaßnahme. Sie ist der Grund, warum man überhaupt schreibt. Sie als KI-Hack zu verkaufen, wertet sie eher ab.

Um die Ausgangsfrage zu beantworten: Nein, Sie müssen Ihren Content nicht für Maschinen umschreiben. Sie müssen ihn abrufbar machen, auf die tatsächliche Frage ausrichten, vollständig und belegt halten – und dann so gut schreiben, dass Menschen ihn gerne lesen. Dass das im Wesentlichen die Antwort ist, die man auch vor drei Jahren gegeben hätte, ist kein Zeichen von Denkfaulheit. Es ist das, was übrig bleibt, wenn man die Studien tatsächlich liest.

Quellen

Kontrollierte Studien

Aggarwal, P. et al. (2024): GEO: Generative Engine Optimization. KDD ’24. arXiv:2311.09735
C-SEO Bench (2025): NeurIPS 2025, Datasets & Benchmarks Track
Vishwakarma, Kumar, Jamidar (2026): What Gets Cited: Competitive GEO in AI Answer Engines. SIGIR ’26. arXiv:2605.25517, DOI: 10.1145/3805712.3808445
Trott, S. & Rivière, P. (2024): Zero-Shot-Readability-Bewertung durch LLMs. TSAR/ACL Workshop
Cachola, I. et al. (2025): Evaluation von Readability-Metriken für Plain-Language-Summaries. EMNLP 2025
Miftaroski, A. et al. (2026): Vereinfachung deutscher medizinischer Texte durch LLMs. JMIR AI
Maddela, M. et al. (2023): LENS: A Learnable Evaluation Metric for Text Simplification. ACL 2023

Begriffsquellen

Kopp, O. / Aufgesang: „Was ist LLM-Readability?“ (aufgesang.de, 21.02.2026, akt. 17.04.2026)
Kopp, O.: „LLM Readability & Chunk Relevance“ (kopp-online-marketing.com)
Łajewska, W. & Balog, K. (2025): GINGER: Grounded Information Nugget-Based Generation of Responses. arXiv:2503.18174
Google LLC: Patent US12158907B1, „Thematic Search“, erteilt 03.12.2024

Plattformquellen

Google Search Central: Guidance zu generativen Features in Google Search (2026)
Google „Search Off the Record“, Folge vom 08.01.2026 (Sullivan/Mueller)
OpenAI: Crawler-Dokumentation (GPTBot, OAI-SearchBot, ChatGPT-User)
Microsoft Bing Webmaster Guidelines / AI Performance Report (Public Preview seit 02/2026)

Beobachtungsstudien (korrelativ)

Semrush: AI-Zitationsanalyse 2026
Ahrefs: Korrelationsanalyse Brand Mentions vs. Backlinks (2025)
Moz, Muck Rack: Herkunftsanalysen von KI-Zitationen (2026)