- 01.Nur 5 bis 10 % der Zitationen in modernen LLMs stammen von der Website der Marke selbst.
- 02.Wikipedia, Reddit, YouTube-Transkripte und renommierte Branchenmedien dominieren über 85 % der generierten Antwortbegründungen.
- 03.Wer Content ausschließlich auf der eigenen Domain publiziert, optimiert für eine aussterbende Suchmaschinenwelt.
In einer umfangreichen Forschungsreihe hat das DOXA Intelligence Lab das Zitationsverhalten der marktführenden generativen Such- und Sprachmodelle analysiert. Die zentrale Frage: Woher nehmen LLMs ihre Beweisführung, wenn sie eine Marke empfehlen oder verwerfen?
Das 85/15-Dilemma der klassischen Unternehmenskommunikation
Die Ergebnisse stellen bisherige Marketingbudgets auf den Kopf. Während 90% der Budgets in die Pflege und Bewerbung der eigenen Website fließen, machen First-Party-Domains im generativen Retrieval kaum 10% der berücksichtigten Quellen aus.
| Quellentyp | Anteil an LLM-Zitationen | Relevanz für GEO |
|---|---|---|
| Unabhängige Branchenfachmedien & Fachstudien | 38 % | Kritisch für Credibility & Trust |
| Community-Plattformen (Reddit, StackOverflow, Foren) | 27 % | Primärquelle für ungeschminktes Sentiment |
| Enzyklopädien & strukturierte Repositories (Wikidata) | 20 % | Fundament für Entity-Resolution |
| Unternehmenseigene Websites (First-Party) | 8 % | Rechtliche Basisdaten & Kontaktdaten |
| Sonstige | 7 % | News-Aggregatoren & Blogs |
Warum LLMs First-Party-Content diskontieren
Sprachmodelle sind trainiert darauf, Marketing-Jargon und unbegründete Eigenlobsprüche ('Wir sind der führende Anbieter für X') als wenig informativ zu gewichten. Wenn dieselbe Aussage jedoch in einem Testbericht eines unabhängigen Fachportals oder in einer peer-reviewed Studie erscheint, steigt das neuronale Gewicht exponentiell.
Verschieben Sie Ihre Content-Strategie von reinen Blogbeiträgen auf Ihrer Homepage hin zu Co-Publikationen, Zitationsaufbau auf autoritativen Drittseiten und strukturierter Wikipedia/Wikidata-Präsenz.
Faton analysiert Trainingskorpora, Retrieval-Augmented Generation (RAG) Pipelines und Zitationsnetzwerke großer Sprachmodelle.