Eine generative Maschine kann nicht zitieren, was sie nicht erkennt. Bevor das Modell entscheidet, ob es dich erwähnt, braucht es etwas Grundlegenderes: zu wissen, wer du bist und zu welcher Kategorie du gehörst. Das löst du nicht mit einem besseren Absatz —das ist die Textform—; das löst du, indem du deine Markenentität baust, die mentale Karte, die die Maschine von dir hat und mit dem abgleicht, was überall über dich gesagt wird. Ohne klare Entität ordnet dich das Modell deiner Kategorie nicht zu: Es weiß, dass eine Firma mit deinem Namen existiert, aber nicht, dass du «die bist, die X macht». Dieser Leitfaden handelt von den Signalen, die diese Entität festigen.
Was eine Markenentität ist (und warum ein LLM in Entitäten denkt, nicht in Keywords)
Eine Entität ist ein Knoten: ein Name mit einer Kategorie und einer Handvoll Beziehungen drumherum —was du machst, wo du bist, wer dich leitet, welcher Branche man dich zuordnet—. Suchmaschinen denken seit Jahren so mit dem Knowledge Graph, und generative Modelle erben dieselbe Logik: Sie denken nicht in losen Keywords, sie denken in Entitäten und ihren Verbindungen. Fragt jemand nach deiner Kategorie, zieht das Modell die Entitäten, die es ihr zugeordnet hat. Bist du eine davon, kannst du erscheinen; wenn nicht, existierst du für diese Frage nicht, so gut du auch schreibst.
Hier der Fehler, den fast alle machen: Sie optimieren den Text, bevor sie als Entität existieren. Sie feilen am Snippet, setzen das Keyword an die richtige Stelle, zeichnen den Artikel aus —und das Modell weiß immer noch nicht, dass du die Firma bist, die das macht, weil niemand den Knoten gebaut hat. Zuerst muss die Maschine wissen, dass du existierst und worum es geht; dann streiten wir, ob dein Absatz zitierbar ist. Die Reihenfolge zählt.
Wikidata und Wikipedia: die Karte, die die Maschine wirklich liest
Wikidata ist die strukturierte, maschinenlesbare Schicht, die Googles Knowledge Graph speist und damit einen guten Teil dessen, was Modelle über die Welt wissen. Ein Wikidata-Eintrag sind saubere Daten auf dem Tablett: deine Kategorie, deine Branche, dein Gründungsdatum, dein Sitz, deine offizielle Seite und deine Links zu anderen Profilen. Wikipedia ist ihr redaktionelles Gesicht —der Fließtext-Artikel— und wiegt schwer bei dem, was ein Modell über eine Marke annimmt, verlangt aber echte Relevanz: unabhängige Berichterstattung Dritter, die den Artikel rechtfertigt.
- Wikidata zuerst, wenn du kannst. Ein korrekter Eintrag —Kategorie, Branche, Gründung, offizielle Links— gibt dem Modell einen strukturierten Anker dafür, wer du bist, ohne dass es deine Seite deuten muss.
- Wikipedia nur mit echter Relevanz. Erzwinge keinen Artikel, den man löscht: Fehlt externe Berichterstattung, verdien sie dir zuerst. Ein gelöschter Artikel ist schlimmer als keiner.
- Konsistenz mit dem Rest. Wikidatas Daten müssen mit deiner Seite und deinen Profilen übereinstimmen. Ein Eintrag, der deiner eigenen Seite widerspricht, sät den Zweifel, den du beseitigen wolltest.
sameAs: die Kabel, die deine Profile zu einer Identität verbinden
Deine Identität liegt verstreut: die Website, das LinkedIn, der Firmeneintrag, das Wikidata, das Profil des Gründers. Für ein Modell können das fünf getrennte Dinge sein, wenn niemand ihm sagt, dass es dasselbe ist. sameAs ist die Schema-Eigenschaft, mit der du das erklärst: «all diese Profile bin ich». Sie steckt in deinem Organization-Markup und bündelt all diese losen Verweise zu einem stärkeren Knoten, statt deine Autorität in Stücken zu lassen, die die Maschine womöglich nicht zusammenführt.
| Typischer sameAs-Link | Was er dem Modell bestätigt |
|---|---|
| Dein Wikidata-Eintrag | Dass deine Seite und der strukturierte Knoten, den die Maschine kennt, dieselbe Entität sind |
| Firmen-LinkedIn | Nachprüfbare Aktivität, Branche und Größe außerhalb deiner eigenen Domain |
| Branchenprofile und Verzeichnisse | Konsistente Präsenz in den Quellen, wo das Modell dich erwartet |
| Profil des Gründers oder Sprechers | Die Person-Entität-Verbindung, die Autorität und E-E-A-T stärkt |
Es ist eines der billigsten Entitätssignale und eines der ertragreichsten: Du schreibst nichts Neues, du erklärst nur, was schon existiert, in einer Form, die die Maschine zusammenführen kann. Verlinke nur Profile, die du kontrollierst oder die unzweifelhaft deine sind; ein sameAs auf etwas, das du nicht bist, ist Rauschen, das dich Punkte kostet.
Namens- und NAP-Konsistenz: das billigste Signal, das fast niemand pflegt
NAP ist Name, Adresse und Telefon, das Trio, das lokales SEO seit Jahren überwacht und das die KI als Beweis erbt, dass du eine solide Entität bist. Die Idee ist langweilig einfach: derselbe Name, dieselbe Tätigkeit und dieselben Daten, überall identisch. Stimmen sie Wort für Wort auf deiner Seite, deinen Profilen und in Verzeichnissen überein, liest dich das Modell als konsistente Entität. Sagt jeder Ort etwas leicht anderes, bist du schwer zu vertrauendes Rauschen.
- Ein einziger kanonischer Name. Leg fest, wie du heißt —mit oder ohne Rechtsform, mit oder ohne Slogan— und nutze ihn überall gleich. Varianten fragmentieren deine Entität.
- Explizite Kategorie und Branche. Nimm nicht an, es werde erschlossen: sag es. «X-Firma für Y» in deinem Markup, deiner Bio und deinem Eintrag, immer gleich.
- Daten, die sich nicht widersprechen. Gründung, Sitz, Seite und Kontakt stimmig zwischen deiner Seite, Wikidata und deinen Profilen. Ein einziger Widerspruch genügt, um Zweifel zu säen.
Disambiguierung: wenn du dir einen Namen mit etwas anderem teilst
Heißt deine Marke wie eine andere Firma, ein gängiges Wort oder ein Ort, hast du ein Zusatzproblem: Das Modell verwechselt dich vielleicht mit dem Namensvetter und schreibt dir zu, was du nicht bist. Disambiguierung heißt, ihm so viele trennende Signale zu geben, dass die Wahl deines Knotens die einfache ist. Explizite Kategorie und Branche, Standort, Gründung, die Leute, die dich leiten, und Erwähnungen Dritter, die dich in deinem Kontext beschreiben: jedes ist ein Hinweis, der deine Entität von der des Namensvetters wegzieht.
Die Taktik ist, konsistenten Kontext zu häufen, bis «diese Firma» nur eine sein kann. Je spezifischer und wiederholter das Signalpaket —dieselbe Branche, derselbe Ort, dieselben Leute in allen Quellen— desto weniger Spielraum hat die Maschine, dich zu verwechseln. Einen Namen zu teilen ist lösbar, aber nur, wenn du die Entität mit Absicht baust, statt zu warten, bis das Modell richtig rät.
Die Markenentitäts-Checkliste, damit die KI dich deiner Kategorie zuordnet
Auf eine Ansicht eingedampft, ist das, was deine Entität für eine generative Maschine festigt. Es ist keine Note, die man rankt: Es ist das Signalpaket, das der Maschine sagt, wer du bist und wozu du gehörst, damit sie dich abrufen kann, wenn es soweit ist.
| Entitätssignal | Was es löst | Konkrete Handlung |
|---|---|---|
| Explizite Kategorie | Dass die KI weiß, worum es geht | Erkläre Branche und Tätigkeit in Markup, Bio und Eintrag, immer gleich |
| Wikidata / Wikipedia | Ein maschinenlesbarer Anker | Korrekter Wikidata-Eintrag; Wikipedia nur mit echter Relevanz |
| sameAs | Eine Identität, keine Stücke | Verlinke deine offiziellen Profile aus deinem Organization-Markup |
| NAP-Konsistenz | Eine vertrauenswürdige Entität, kein Rauschen | Gleicher Name und identische Daten auf Seite, Profilen und Verzeichnissen |
| Disambiguierung | Nicht mit dem Namensvetter verwechselt werden | Häufe spezifischen, wiederholten Kontext in allen Quellen |
Wenn du diese Arbeit lieber auf deinen Seiten laufen lässt —deine Entität festigen, das Markup bauen, die Signale säen, die ein LLM als Identität liest— macht die GEO-Optimierung die Handarbeit, und die GEO-Überwachung misst, ob das Modell dich deiner Kategorie zuzuordnen beginnt.