Ich habe ein Experiment gemacht, das ich so nicht geplant hatte. Ich habe AnythingLLM als RAG-System über alle meine 490+ Blogartikel auf digitalhandwerk.rocks aufgebaut. Ziel war eine persönliche Wissensdatenbank, mit der ich schneller auf eigene Inhalte zugreifen kann. Was ich dabei gelernt habe, hat meine gesamte Content-Strategie verändert: Nicht alle Artikel sind gleich gut retrievable. Manche werden vom KI-System präzise zitiert, inklusive konkreter Aussagen und Quellenangabe. Andere werden ignoriert, obwohl sie thematisch passen und technisch sauber optimiert sind.
Der Unterschied liegt nicht an Keywords. Er liegt nicht an der Textlänge oder der Anzahl interner Links. Er liegt daran, ob ein Artikel eine konkrete, eigenständige Aussage enthält, die ein KI-System extrahieren und als Antwort verwenden kann. Oder ob er aus dem besteht, was Fachleute gerade „Bland Tax“ nennen: austauschbarem Inhalt, der von KI-Systemen als Rohmaterial verwertet wird, ohne jemals als Quelle genannt zu werden.
Das Experiment war zufällig. Die Erkenntnis daraus ist es nicht. Und sie betrifft nicht nur meine eigene Plattform, sondern jeden, der Content produziert und darauf angewiesen ist, dass KI-Systeme ihn als zitierfähige Quelle einstufen.
Ich schreibe das nicht als Warnung von außen. Ich schreibe es als jemand, der gerade mitten in der Überarbeitung seiner eigenen Inhalte steckt und versteht, warum ein Großteil davon das Problem hat.
Was die Bland Tax ist, und warum sie kein Algorithmus-Penalty ist
Der Begriff kommt aus der englischsprachigen SEO-Community. Er beschreibt eine stille, unsichtbare Strafe für Durchschnittlichkeit in KI-gestützten Suchumgebungen. Keine Benachrichtigung, kein Dashboard-Hinweis, kein Rückgang, den du einem Update zuordnen kannst. Dein Content wird einfach nicht mehr zitiert.
KI-Systeme wie Google AI Overviews, Perplexity oder ChatGPT Search funktionieren anders als klassische Suchmaschinen. Sie erstellen keine Rangliste, die du siehst. Sie synthetisieren eine direkte Antwort aus mehreren Quellen und attribuieren dabei das Originäre, also Inhalte mit einem klaren, nicht-generischen Einblick. Austauschbarer Content wird zusammengefasst und paraphrasiert, ohne dass dein Name oder deine URL auftaucht.
Das ist mehr als ein Sichtbarkeitsproblem. Wenn dein Inhalt generisch genug ist, wirst du zur kostenlosen Trainingsgrundlage für Sprachmodelle, ohne jemals als Quelle zu erscheinen. Googles Danny Sullivan hat 2026 bestätigt, was ich in meiner eigenen RAG-Beobachtung sehe: Generischer Content ist in KI-Suchergebnissen unsichtbar. Gefragt ist einzigartige Expertise, kein thematische Abdeckung.
Was ich in meinen eigenen 490+ Artikeln beobachte
Ich habe AnythingLLM nicht mit fremden Inhalten gefüttert. Ich habe es mit meinen eigenen Artikeln der letzten Jahre gefüttert. Und wenn ich das System nach bestimmten Themen frage, zeigt sich ein klares Muster.
Die Artikel, die das System präzise zitiert und aus denen es konkrete Antworten generiert, haben fast immer dieselbe Struktur: Sie beginnen mit einer klaren These oder einer konkreten Beobachtung. Sie enthalten mindestens einen Einblick, der aus eigener Praxis stammt, einen Kundeneinsatz, einen Testergebnis, eine persönliche Einschätzung mit Begründung. Und sie nehmen eine erkennbare Haltung ein, auch wenn diese angreifbar ist.
Die Artikel, die das System ignoriert oder nur vage paraphrasiert, ohne Quellenangabe? Die lesen sich gut. Sie sind korrekt formatiert. Sie haben vernünftige Keywords. Aber sie beantworten keine spezifische Frage. Sie erklären ein Thema „ausgewogen“, ohne Position zu beziehen. Und ihre Kernaussage taucht erst in Absatz 5 oder 6 auf, zu spät für ein KI-System, das scannt, nicht liest.
Konkret: Ich habe einen Artikel über lokale LLMs aus 2024, der zum Zeitpunkt der Veröffentlichung gut performt hat. Er erklärt, was das Tool X ist, wie man es installiert, und man damit umgeht. Vollständig. Korrekt. Aber das System zitiert ihn kaum, weil er keine eigenständige Position enthält. Kein „Ich empfehle X für DSGVO-sensible Workflows, weil ich Y gemacht habe und Z dabei herausgekommen ist.“ Nur eine strukturierte Beschreibung. Gut für damals. Zu generisch für heute.
Das ist das eigentliche Problem. Nicht fehlendes SEO. Nicht fehlende Links. Sondern fehlende Substanz im Sinne von: Was weiß der Autor hier, das ich nicht woanders finde?
Wie KI-Systeme Inhalte auswählen, kurz und ohne Ausweichen
KI-gestützte Suche nutzt ein Verfahren namens Retrieval-Augmented Generation (RAG). Das Modell ruft in Echtzeit relevante Dokumente ab und synthetisiert daraus eine neue Antwort. Kein Ranking, das du beeinflussen kannst. Nur die Frage: Ist dieser Inhalt zitierfähig oder nicht?
Die Kriterien dafür unterscheiden sich fundamental von klassischem SEO. Ein KI-System scannt Absätze auf extrahierbare Einblicke. Es sucht nach Sätzen, die eigenständig verständlich sind, die eine konkrete Information enthalten und die nicht austauschbar klingen. Ein Satz wie „Personalisierung ist wichtig im E-Mail-Marketing“ verschwindet im Rauschen. Ein Satz wie „Bei einem meiner Kunden aus der Eventbranche hat ein personalisierter Nurture-Workflow die Antwortquote auf Anfragen von 12 auf 31 Prozent erhöht“ wird zitiert.
Der Unterschied ist keine Frage der Textqualität. Es ist eine Frage der Quellenqualität. KI-Systeme bevorzugen Inhalte, die etwas wissen, das andere nicht wissen. Inhalte, die eine reale Erfahrung oder eine klare Position hinter sich haben. Alles andere ist Füllmaterial, das ohne Attribution in den großen Brei aus „auch jemand hat das geschrieben“ fließt.
Was das in der Praxis heißt: Fast ein Drittel aller digitalen Marketing-Verantwortlichen nennt Generative Engine Optimization (GEO) mittlerweile als ihre wichtigste Priorität für 2026. Vor zwei Jahren war dieser Begriff noch nicht in den meisten Strategiepapieren. Die Branche hat begriffen, dass das alte Playbook nicht mehr reicht. Die Frage ist, ob die Inhalte bereits so gebaut sind, dass sie davon profitieren.
Das klingt nach einer höheren Anforderung als früher. Das ist es auch.
Warum gut optimierter Content trotzdem scheitert
Ich spreche mit Kunden, die seit Monaten oder Jahren regelmäßig publizieren. Saubere Struktur, ordentliche Meta-Tags, konsistente Themen. Und trotzdem tauchen sie in KI-generierten Antworten nicht auf.
Das Problem ist meistens dasselbe: Der Content war von Anfang an für Suchmaschinen-Rankings optimiert, nicht für Retrieval. Das sind zwei unterschiedliche Anforderungen. Für ein klassisches Ranking reicht es, ein Thema vollständig und korrekt abzudecken. Für KI-Retrieval braucht es eine Aussage, die das System direkt als Antwort verwenden kann.
Ein klassischer journalistischer Aufbau, bei dem der Argumentationsbogen am Ende in einer Schlussfolgerung mündet, funktioniert für KI-Retrieval aktiv schlecht. Die Kernaussage kommt zu spät. Das System hat den Absatz schon übersprungen. Dieselbe Information, in Satz 1 bis 3 formuliert und danach durch Details unterstützt, wird dagegen extrahiert.
Das erklärt auch, warum kürzere, direktere Texte von kleineren Websites manchmal in KI-Antworten auftauchen, während lange, aufwendig recherchierte Artikel großer Redaktionen ignoriert werden. Nicht weil die kleinen Texte besser sind. Sondern weil sie die Antwort früher liefern.
Ich sehe das in meinem eigenen Archiv sehr konkret. Ein Artikel aus 2023 über Prompt Engineering, der damals gut gerankt hat, wird von AnythingLLM kaum herangezogen. Er ist strukturiert nach dem Muster: Einleitung, Kontext, Erklärung, Beispiele, Zusammenfassung. Die eigentliche Aussage, nämlich welche Prompt-Technik in welchem Kontext wirklich funktioniert, steckt in den Beispielen, also in der zweiten Hälfte des Textes. Ein neuerer Artikel über denselben Themenbereich, bei dem ich von Anfang an mit einer konkreten Beobachtung aus einem Kundenprojekt eingestiegen bin, wird präzise zitiert. Gleiche Qualität. Anderer Aufbau. Grundlegend anderes Retrieval-Verhalten.
Das ist kein Einzelfall. Es ist das Muster.
Was Entity Authority damit zu tun hat, und warum das für EPU wichtig ist
KI-Systeme kartieren nicht nur Inhalte. Sie kartieren Entitäten und deren Beziehungen zueinander. Das bedeutet: Ein System erkennt, ob eine Person oder eine Marke konsistent als Autorität zu einem bestimmten Thema auftritt, über mehrere Kanäle, über längere Zeit, mit erkennbarer Positionierung.
Ein zentrales Signal dabei ist Marken-Nachfrage: Suchen Menschen aktiv nach dir oder deiner Plattform? Wenn nicht, sucht KI auch nicht. Das klingt nach einem Henne-Ei-Problem, ist es aber nicht. Es bedeutet, dass Konsistenz der Positionierung über Kanäle hinweg, also eigener Content, LinkedIn, externe Erwähnungen, Fachgespräche, ein akkumuliertes Signal aufbaut, das KI-Systeme als Authority einstufen.
Was das konkret heißt: Derselbe Kern-Insight auf dem Blog veröffentlichen, auf LinkedIn teilen, in einem Gespräch referenzieren, in einem externen Gastartikel erwähnen. Das ergibt zusammen ein Signal, das ein KI-System mehrfach empfängt und als belastbar einstuft. Ein einzelner Blogartikel allein, so gut er auch ist, reicht für dieses Signal nicht aus.
Hier ist der Punkt, der mich persönlich am meisten überrascht hat: Für EPU und kleine Unternehmen ist das eine strukturelle Chance, keine Benachteiligung. Wer seit Jahren industriell Content produziert hat, zwanzig ähnliche Artikel pro Monat zu ähnlichen Themen, sitzt auf einem Berg von Material, das ein KI-System als austauschbar einstuft. Das lässt sich mit mehr Produktion nicht reparieren. Mehr Gleichförmiges ergibt mehr Gleichförmiges.
Wer als Einzelperson oder kleines Team arbeitet, hat dagegen etwas, das kein Content-Skalierungssystem replizieren kann: eine konkrete Perspektive aus echter Praxis. Meine 35 Jahre in der Kommunikationsbranche, die Workflows, die ich für Kunden aufbaue und wieder verwerfe, die Beobachtungen aus echten Projekten, das ist originär. Das ist nicht austauschbar. Das ist genau das, was KI-Systeme als zitierfähig einstufen.
Ich sage das nicht, weil es für EPU schmeichelhaft klingt. Ich sage es, weil es die Logik des Systems ist. Und weil ich denke, dass die meisten kleinen Anbieter diesen Vorteil noch nicht nutzen, einfach weil sie ihn nicht als Vorteil erkannt haben.
Retrievability statt Visibility: Der eigentliche Shift
Ich möchte hier eine Unterscheidung einführen, die das Problem besser beschreibt als der Begriff SEO.
Visibility war das Ziel von klassischem SEO: auf der Ergebnisseite erscheinen, damit jemand klickt. Retrievability ist das Ziel in einer KI-gestützten Suchwelt: als Quelle herangezogen werden, wenn ein KI-System eine Antwort synthetisiert. Die beiden Ziele sind verwandt, aber nicht identisch. Du kannst auf Position 2 in Google ranken und in keiner einzigen KI-generierten Antwort auftauchen.
Was Retrievability fördert, ist nicht kompliziert, aber es erfordert eine andere Denkweise beim Schreiben. Konkrete Antworten auf konkrete Fragen, früh im Text. Eigenständig verständliche Absätze, die nicht vom Rest des Artikels abhängen. Spezifische Daten oder Einblicke, die nicht durch einen anderen Artikel ersetzt werden können. Und eine Position, die klar erkennbar ist, auch wenn sie nicht alle teilen.
Ein weiterer Punkt, der in vielen Diskussionen über GEO (Generative Engine Optimization) (warum ich den Begriff sonst eigentlich nicht verwende lest ihr gleich) untergeht: KI-Systeme ziehen nicht deinen gesamten Artikel heran. Sie ziehen Abschnitte. Das bedeutet, dass ein einzelner starker Absatz in einem sonst schwachen Artikel retrievable sein kann. Und umgekehrt: Ein langer, hochwertiger Artikel mit einer schwachen ersten Hälfte wird trotzdem ignoriert, weil das System beim Scannen abbricht, bevor es zum guten Teil kommt.
Ich überarbeite gerade meine stärksten Artikel nach diesem Prinzip. Nicht alle 490+, das wäre unrealistisch. Aber die 20 bis 30 Texte zu Themen, auf denen ich als Ansprechpartner positioniert sein will. Die Veränderung ist nicht dramatisch im Umfang, aber präzise in der Wirkung: Der Kern steht vorne. Die Haltung ist klar. Und das, was ich aus eigener Erfahrung weiß, ist nicht versteckt, sondern der Ausgangspunkt.
Warum ich SEO anders buchstabiere
SEO heißt für mich: Search Everywhere Optimization. Sichtbarkeit überall dort aufbauen, wo Menschen heute suchen und Antworten bekommen. Das ist nicht mehr nur Google. Das ist ChatGPT, Perplexity, Google AI Overviews, LinkedIn-Suche, YouTube, App Stores, Sprachassistenten und die KI-gestützten Zusammenfassungen, die sich gerade in fast jede Suchoberfläche einbauen.
Die Fachcommunity hat für Teile davon neue Abkürzungen eingeführt: GEO für Generative Engine Optimization, AEO für Answer Engine Optimization. Ich verstehe, warum. Der Impuls, neue Phänomene mit neuen Namen zu versehen, ist legitim. Aber ich halte diese Begriffe für zu eng gefasst, weil sie jeweils nur einen Kanal oder eine Technologie adressieren, nicht das übergeordnete Ziel.
Das übergeordnete Ziel lautet: Als relevante Quelle wahrgenommen werden, egal auf welchem System jemand sucht.
Dafür brauche ich keine neue Abkürzung. Ich brauche ein breiteres Verständnis von SEO. Eines, das klassische technische Grundlagen (crawlbare Seite, saubere Struktur, Ladezeiten) mit inhaltlicher Autorität (konkrete Expertise, erkennbare Haltung, zitierfähige Aussagen) und kanalübergreifender Konsistenz (derselbe Kern-Insight auf Blog, LinkedIn, in Interviews, in externen Erwähnungen) zusammendenkt.
Was sich verändert hat, ist nicht das Ziel. Verändert haben sich die Systeme, die darüber entscheiden, wer sichtbar ist. Früher war das primär Googles Ranking-Algorithmus. Heute sind es mehrere parallele Systeme gleichzeitig, von denen viele auf Large Language Models basieren und Inhalte nach anderen Kriterien auswählen als klassische Suchmaschinen.
Search Everywhere Optimization bedeutet für mich: Inhalte so bauen, dass sie auf allen relevanten Systemen als zitierfähig gelten. Das schließt klassisches SEO ein, geht aber darüber hinaus. Und es beginnt nicht mit Technologie, sondern mit der Frage: Was weiß ich über dieses Thema, das jemand anderes nicht wissen kann?
Wer das beantwortet und den Inhalt entsprechend strukturiert, ist auf dem richtigen Weg. Egal, wie die nächste Abkürzung heißt.
Was du jetzt konkret änderst
Eine einzige Frage entscheidet, ob ein Artikel Bland Tax zahlt oder nicht: „Was weiß ich über dieses Thema, das jemand anderes nicht wissen kann?“ Wenn die Antwort leer ist, schreib den Artikel nicht. Mach zuerst den Test, das Gespräch, das Experiment. Dann schreib darüber.
Wenn die Antwort vorhanden ist, gilt: Diese Antwort gehört in Satz 1 bis 3. Nicht als Teaser, nicht als Ankündigung, sondern als vollständige, eigenständige Aussage. Alles danach ist Unterstützung und Kontext.
Und dann die Haltung. KI-Systeme bevorzugen Inhalte mit einer erkennbaren Position. „Einerseits… andererseits… es kommt drauf an“ ist das Format von jemandem, der nichts falsch machen will. Das ist menschlich verständlich, aber für KI-Retrieval wertlos. Wer nichts riskiert, wird nicht zitiert. Das klingt nach einer Marketing-Formel. Es ist aber schlicht die Logik dahinter: Ein System, das eine Antwort synthetisiert, sucht nach Quellen, die tatsächlich eine Aussage machen. Keine Aussage, keine Quelle.
Für mich persönlich hat das eine konkrete Konsequenz: Ich produziere weniger, dafür mit mehr Substanz. Nicht mehr zwanzig Artikel über verwandte Themen, die alle dieselbe Oberfläche abdecken. Sondern zehn Artikel, bei denen ich vor dem Schreiben sicher sein kann, dass ich etwas einbringe, das nicht austauschbar ist. Das ist eine Verschärfung der Content-Arbeit, keine Vereinfachung. Aber es ist die einzige Richtung, die in einer Suchwelt, in der KI entscheidet, wer als Quelle gilt, noch Sinn ergibt.
Du kannst warten, bis das in der SEO-Branche Konsens ist. Oder du fängst jetzt an.
