Perplexity zitiert Ihre Marke 46-mal häufiger als ChatGPT – das fehlt Ihrer AEO-Strategie

In den Zitier-Audits, die ich für B2B-Kunden durchführe, überrascht sie eine Zahl zuverlässiger als jede andere: Perplexity nennt ihre Marke mit Quelle bis zu 46-mal häufiger als ChatGPT. Nicht ein bisschen häufiger. Um den Faktor 46. Wer beide Plattformen gleich behandelt, verbrennt Budget.

Das ist kein Randthema mehr. ChatGPT verarbeitet inzwischen rund 17,9 % aller digitalen Suchanfragen weltweit und ist damit die größte KI-native Suchoberfläche überhaupt. Perplexity spielt in einer anderen Größenordnung, aber mit 45 Millionen aktiven Nutzern und rund 780 Millionen Anfragen pro Monat (Mai 2025) ist es längst kein Nischenwerkzeug mehr – gerade unter Professionals und im B2B-Umfeld.

Und trotzdem verhalten sich beide beim Zitieren wie zwei verschiedene Universen. Die öffentlich belegbare Zahl zuerst: Nach dem Conductor-Benchmark liegt die Zitierrate von ChatGPT bei 0,7 %, die von Perplexity bei 13,8 % – ein Faktor von knapp 20. „Zitierrate“ meint hier den Anteil der KI-Antworten, die überhaupt eine Quell-URL enthalten.

Die Architektur erklärt fast alles

Der Unterschied liegt nicht am Zufall, sondern im Produktversprechen. Perplexity ist ein Suchprodukt. Die zentrale Zusage der Oberfläche ist die belegte Antwort – jede Antwort ist um Abruf und Inline-Quellenangabe herum gebaut. Zitieren ist bei Perplexity ein Feature.

ChatGPT ist ein Hybrid. Der Standardweg ist parametrisches Wissen aus dem Training – das Modell antwortet aus seinen Gewichten. Der Web-Abruf wird nur selektiv und uneinheitlich ausgelöst. Zitieren ist bei ChatGPT ein Nebeneffekt. Dieser eine Satz erklärt den Großteil der Lücke: Was bei der einen Plattform Kern ist, ist bei der anderen Beiwerk.

Die Zahlen aus dem Referral-Verkehr verschleiern das gern. Laut Conductor stammen im Schnitt 87,4 % des gesamten KI-Referral-Verkehrs von ChatGPT. ChatGPT dominiert also das Volumen – aber eben nicht die Zitierrate. Viel Verkehr, selten mit Quelle. Genau diese Trennung übersehen die meisten Strategien.

Drei strukturelle Gründe, warum ChatGPT so selten zitiert

Wenn Sie verstehen, warum ChatGPT so knauserig zitiert, verstehen Sie auch, warum ein neuer Blogbeitrag Ihre Sichtbarkeit dort kaum bewegt.

1. Parametrisches Gedächtnis zuerst. Das Modell antwortet aus dem Trainingswissen, bevor es überhaupt ins Web schaut. Ihre Marke existiert in der ChatGPT-Antwort primär als das, was das Modell über Sie gelernt hat – nicht als das, was heute auf Ihrer Website steht.
2. Der Abruf ist undurchsichtig. Nutzer erkennen nicht, wann ChatGPT Search aktiv ist und wann aus dem Training generiert wird. Und selbst wenn abgerufen wird, wird hart gefiltert: In einer Per-Engine-Analyse für 2026 landeten nur 15 % der zunächst abgerufenen Seiten in der finalen zitierten Antwort. ChatGPT ruft breit ab und zitiert schmal.
3. Markenpräsenz im Trainingskorpus schlägt jede Einzelseite. Ein neuer Beitrag bewegt eine ChatGPT-Markenerwähnung nicht. Was zählt, ist die Fläche, die Ihre Marke im Trainingsmaterial belegt – Konsens-Referenzen und etablierte redaktionelle Quellen. Dieselbe Analyse fasst es so zusammen: ChatGPT vertraut „Konsens-Referenzmaterial und etablierten redaktionellen Marken“, während Perplexity dem vertraut, „was Praktiker und Käufer öffentlich über Sie sagen“.

Konkret heißt das: Für ChatGPT arbeiten Sie an Ihrer Entität und Ihrer Präsenz in trainingsnahen Quellen. Für Perplexity arbeiten Sie an abrufbaren, gut strukturierten Seiten. Zwei getrennte Baustellen.

Der DACH-Effekt: zwei Nachteile, die sich multiplizieren

Für deutschsprachige Marken kommt ein struktureller Zusatznachteil dazu – und er trifft ausgerechnet die Plattform, die ohnehin selten zitiert.

Deutschsprachige Quellen sind in den Trainingskorpora großer Sprachmodelle statistisch unterrepräsentiert. Selbst eigens mehrsprachig gebaute Modelle verteilen den Löwenanteil ihrer Trainingstokens auf Englisch: In einer Analyse zu europäischen Modellen entfielen 50 % der ersten und 32,5 % der weiteren Trainingsphasen auf Englisch, während keine einzelne nicht-englische Sprache – Deutsch eingeschlossen – über 6 % pro Phase kam. Führende Open-Source-Modelle behandeln Mehrsprachigkeit ausdrücklich als nachrangig gegenüber englischzentriertem Training.

Für eine rein deutschsprachig arbeitende B2B-Marke stapeln sich damit zwei Effekte übereinander: die ohnehin niedrige ChatGPT-Zitierbasis – in meinen Audits liegt sie für solche Marken bei etwa 0,59 % – und obendrauf der Sprach-Malus im Trainingsmaterial. In den Audits, die ich durchführe, sind rein deutschsprachige DACH-Kunden in der Markenschicht von ChatGPT praktisch unsichtbar. Nicht schlecht platziert – schlicht nicht vorhanden.

Der Ausweg ist kein Sprachwechsel, sondern das gezielte Setzen englischsprachiger Signale, die den Malus teilweise ausgleichen: Erwähnungen in englischsprachigen Fach- und Pressequellen, ein englischer Wikidata-Eintrag, eine saubere sameAs-Kette zu international lesbaren Profilen. Diese Signale sitzen in genau der Sprache, in der das Trainingsmaterial dicht ist – und heben Ihre Entität dort an, wo Deutsch allein nicht durchdringt.

Fünf Hebel, um für Perplexity zu optimieren

Perplexity belohnt abrufbare, klar strukturierte, aktuelle Inhalte mit sauberer Quellenlage. Diese fünf Maßnahmen zahlen direkt darauf ein.

1. Antwort zuerst. Eröffnen Sie jeden Artikel mit einem direkten, deklarativen Satz, der die wahrscheinliche Frage sofort auflöst – bevor Sie ausholen. Perplexity extrahiert Antworten, keine Einleitungen.
2. Quellen explizit ausweisen. Der Crawler gewichtet Seiten, die auf Primärdaten verweisen. Wer eigene Zahlen belegt und externe Studien sauber verlinkt, signalisiert Autorität – und wird als zitierfähig erkannt.
3. Bing-Indexierung priorisieren. Perplexity leitet Echtzeit-Anfragen über die Bing-Search-API; das Modell wurde von Anfang an mit der Bing-Suchschleife trainiert. Ohne Bing-Index keine Perplexity-Zitierfähigkeit. Erste Handlung: In den Bing Webmaster Tools anmelden und die Crawl-Abdeckung prüfen.
4. dateModified im JSON-LD. Perplexity legt einen Aktualitätsfilter an; undatierte Seiten gelten als potenziell veraltet. Ein gepflegtes dateModified ist wenig Aufwand und entscheidet oft über Sichtbarkeit.
5. Eigenständige Definitionen. Klare, für sich stehende Definitionsabsätze werden als Snippet-Kandidaten extrahiert. Ein Satz, der ohne Kontext funktioniert, wird eher zitiert als ein verschachtelter Absatz.

Passend dazu die Belege für Perplexitys Quellenlogik: In einer Yext-Auswertung von mehr als 6,8 Millionen Zitaten über 1,6 Millionen Antworten stammten 24 % der Perplexity-Zitate aus Nischenquellen – der höchste Anteil aller untersuchten Modelle. Branchenverzeichnisse und Fachpublikationen bewegen bei Perplexity also spürbar den Zeiger.

Fünf Hebel, um für ChatGPT zu optimieren

Bei ChatGPT arbeiten Sie an Ihrer Entität und an trainingsnahen Signalen. Einzelseiten-Optimierung greift hier kaum.

1. Organization-JSON-LD mit sameAs. Verknüpfen Sie Ihr Google-Unternehmensprofil, LinkedIn, den Wikidata-Eintrag und relevante Branchenverzeichnisse. Organization-Schema sagt jedem Modell, wer Sie sind, bevor es ein Wort Ihres Textes liest. Fehlt sameAs, fällt das Modell auf Inferenz zurück – und genau dort beginnt die Ungenauigkeit.
2. Wikidata-Stub anlegen. Ein minimaler Eintrag mit Firmenname, Gründungsdatum, Branche, Sitz und offizieller Website ist das trainingsnahe Signal mit dem höchsten Hebel, das einem KMU überhaupt zur Verfügung steht. Kein gemessenes Wunder, aber die logische Konsequenz aus der Art, wie Modelle Entitäten auflösen.
3. Erwähnungen durch Dritte verdienen. Berichterstattung in Quellen mit hohem Trainingsgewicht – Fachpublikationen, Branchenverzeichnisse, Partnerseiten. Das ist die Fläche, die ChatGPT im Training aufnimmt.
4. OAI-SearchBot erlauben, GPTBot bei Bedarf sperren. OpenAI betreibt zwei getrennte Crawler: GPTBot sammelt Trainingsdaten und gibt keinen Verkehr zurück; OAI-SearchBot betreibt ChatGPT Search und zitiert Sie mit Link. Über die robots.txt steuern Sie beide unabhängig – so schützen Sie sich vor freiem Training, ohne Ihre Zitierfähigkeit in der KI-Suche zu opfern.
5. Thematische Tiefe aufbauen. Der Abrufmodus von ChatGPT springt an, wenn das parametrische Wissen nicht ausreicht. Ein dichtes, intern verlinktes Cluster zu einem eng gefassten Thema erhöht genau diese Abrufwahrscheinlichkeit.

Der Trugschluss der Einzelstrategie

Der teuerste Fehler ist die Annahme, eine gute Maßnahme wirke überall. Sie wirkt nicht überall. Sie wirkt gezielt.

Ein Beispiel aus einem meiner Projekte: FAQPage-Schema hob die Perplexity-Zitierrate eines Kunden binnen 90 Tagen von 4 % auf 11 %. Auf die ChatGPT-Markenerinnerung wirkte dieselbe Maßnahme: gar nicht. Umgekehrt hat der Aufbau einer Wikidata-Entität samt sameAs-Graph die ChatGPT-Erwähnungsfrequenz verbessert – und die Perplexity-Zitate flach gelassen.

Das ist keine Anekdote, sondern Struktur. In einer Per-Engine-Analyse für 2026 tauchten nur 11 % der zitierten Domains in beiden Systemen auf; 37,4 % wurden ausschließlich von ChatGPT zitiert, 51,6 % ausschließlich von Perplexity. ChatGPT bezieht 47,9 % seines Top-10-Quellenanteils aus Wikipedia, Perplexity 46,7 % aus Reddit. Zwei Plattformen, zwei Inhalts-Ökosysteme.

Wer für die eine Plattform optimiert, ohne die andere mitzudenken, macht keinen inhaltlichen Fehler – er macht einen Budgetfehler.

Zur Einordnung des Schema-Hebels insgesamt: FAQPage-Markup erzeugt die höchste Zitierwahrscheinlichkeit unter den Schema-Typen; Seiten damit erscheinen 3,2-mal häufiger in Google AI Overviews als Seiten ohne. Und nur rund 12,4 % aller Websites nutzen überhaupt strukturierte Daten. Wer früh sauber auszeichnet, verschafft sich einen echten Vorsprung – plattformübergreifend.

Pro Plattform messen: der Drei-Metriken-Stack

Was man nicht getrennt misst, kann man nicht getrennt steuern. Ich arbeite mit drei Metriken – jede pro Plattform, jede monatlich.

1. Plattformspezifischer Zitieranteil. Ziehen Sie pro Plattform monatlich eine Stichprobe von 20–30 Marken- und Kategorie-Anfragen. Notieren Sie für jede: zitiert, erwähnt oder abwesend. Diese drei Zustände sind die Grundlage von allem Weiteren.
2. Marken-Erwähnungsrate. Präsenz ohne Zitat – der Normalfall bei ChatGPT – ist trotzdem messbar und trotzdem relevant. Eine Marke, die genannt, aber nicht verlinkt wird, ist im Modell präsent; das ist ein Zwischenschritt, kein Nullwert.
3. Antworttyp-Signatur. Wird Ihre Marke als Beispiel genannt, als Quelle zitiert oder als Empfehlung ausgesprochen? Jeder Typ hat andere inhaltliche Konsequenzen – „Beispiel“ verlangt andere Inhalte als „Empfehlung“.

Für kleine Stichproben reicht eine Tabelle und Disziplin. Wer laufend und plattformübergreifend verfolgen will, wie ChatGPT, Claude, Perplexity, Gemini und die Google AI Overviews die eigene Marke und den Wettbewerb beschreiben, ist mit einem Tracker besser bedient – wir haben Cited genau dafür gebaut: Es misst diese Zitierungen in Echtzeit und leitet daraus konkrete To-dos ab.

Budget verteilen: nicht 50/50

Die naheliegende Aufteilung – halbe-halbe – ist falsch. Beide Plattformen belohnen unterschiedliche Signale in unterschiedlicher Effizienz, und das gehört ins Budget.

Rechnen wir grob. Pro veröffentlichtem Inhalt hat Perplexity die deutlich höhere Zitier-Hebelwirkung – bei der Zitierrate liegt der Faktor gegenüber ChatGPT bei rund 20. Ein einzelner guter Artikel bewegt bei Perplexity also viel. ChatGPT dagegen hat das größere Anfragevolumen, aber der Hebel liegt dort nicht in der Einzelseite, sondern in Entität und trainingsnahen Signalen – ein langsamerer, struktureller Aufbau.

Meine Faustregel aus den Audits: ungefähr 60 % des Aufwands in die Entitäts- und trainingsnahen Signale (die ChatGPT-Schicht) und 40 % in abrufoptimierte Inhalte (die Perplexity-Schicht). Kein 50/50, aber auch keine Einspurstrategie. Die genaue Gewichtung hängt davon ab, wo Ihre Domain heute schwächer steht – und genau das lässt sich messen, bevor man Geld ausgibt.

Die zitierfähige Schlusszeile

Halten wir die 46 fest, sauber und zitierbar: Perplexity nennt Ihre Marke in engen B2B-Nischen ein Vielfaches häufiger als ChatGPT, weil die eine Plattform das Zitieren als Feature führt und die andere als Nebeneffekt.

Eine plattformagnostische AEO-Strategie ist keine Strategie. Perplexity und ChatGPT arbeiten nach grundverschiedenen Zitier-Ökonomien – und die Marken, die 2026 in der KI-Suche gewinnen, sind die, die aufgehört haben, beide als dasselbe Problem zu behandeln.

Wenn Sie wissen wollen, welche Plattformschicht für Ihre Domain die schwächste ist – die Entitätsschicht für ChatGPT oder die Abrufschicht für Perplexity – prüfen wir das im KI-Sichtbarkeits-Audit. Pauschalpreis, konkreter Befund, umsetzbare To-dos statt Pauschalratschläge.