Die sieben Ebenen
Die Methodik besteht aus sieben Ebenen. Sie sind keine voneinander unabhängigen Verbesserungen; jede baut auf der vorigen auf, und das Ganze leistet mehr als die Summe seiner Teile.
1. Semantisches HTML: das Skelett, das Maschinen lesen
Generische div- und span-Container tragen keine semantische Bedeutung; ein KI-System kann nicht erkennen, ob ein div Navigation, Hauptinhalt oder Fußbereich ist. Eine AI-First-Seite wird deshalb mit bedeutungstragenden HTML5-Elementen gebaut: Eigenständige Inhalte leben in article, thematische Gruppen in section, die Navigation in nav, der Kerninhalt in main.
In der Praxis
Jede Seite hat genau ein main und ein h1, und die Überschriftenhierarchie führt von H1 über H2 zu H3, ohne Ebenen zu überspringen. Diese Hierarchie ist ein Inhaltsverzeichnis für Maschinen: Die Engine liest aus den Überschriften, welcher Abschnitt was erklärt.
2. Schema.org: Entitätsdefinition in JSON-LD
Sichtbarer Inhalt erklärt dem Menschen; strukturierte Daten definieren für die Maschine. Jede Seite trägt Schema.org-Markup im JSON-LD-Format: Organization definiert das Unternehmen als Entität, Service verknüpft jedes Angebot mit seinem Anbieter, FAQPage liefert Frage-Antwort-Paare in zitierfähiger Form, BreadcrumbList verortet die Seite in der Hierarchie der Website.
In der Praxis
Ein Prinzip ist nicht verhandelbar: Das Schema stimmt mit dem sichtbaren Inhalt überein. Was auf der Seite nicht steht, wird auch nicht ins Schema geschrieben; Markup, das dem Sichtbaren widerspricht, schwächt das Vertrauenssignal, statt es zu stärken.
3. llms.txt: die maschinenlesbare Selbstbeschreibung der Website
robots.txt sagt einem Crawler, was er crawlen darf; llms.txt sagt ihm, was die Website ist. Diese Textdatei liegt im Root-Verzeichnis unter /llms.txt und ist eine kompakte, maschinenlesbare Selbstbeschreibung der Website, vorbereitet für KI-Systeme.
In der Praxis
Die Datei besteht aus vier Abschnitten: einer Definition des Unternehmens in einem Satz, einem kurzen Block über das Unternehmen, einer kommentierten Linkliste der wichtigsten Bereiche und Leistungen sowie den Kontaktdaten. Ziel ist, dass eine Engine den richtigen Rahmen aus einer Datei gewinnt, bevor sie die Website Seite für Seite durchläuft.
4. Bot-Optimierung: Türen bewusst öffnen
So gut der Inhalt auch ist: Eine Engine, deren Crawler die Seite nicht erreicht, kann sie nicht zitieren. In der robots.txt wird der Zugang für KI-Crawler wie GPTBot (ChatGPT), ClaudeBot (Claude) und Google-Extended (Gemini) bewusst definiert; die XML-Sitemap bleibt aktuell, wichtige Seiten sind von der Startseite aus mit wenigen Klicks erreichbar.
In der Praxis
Die zweite Bedingung ist Renderbarkeit: Inhalte verstecken sich nicht hinter JavaScript. Der Kerntext einer Seite kommt als fertiges HTML vom Server; Inhalte, die erst nach der JavaScript-Ausführung im Browser erscheinen, existieren für viele Bots schlicht nicht.
5. Performance: Core Web Vitals und serverseitige Generierung
Geschwindigkeit ist ein Qualitätssignal für Menschen und Maschinen. Die Methodik zielt auf die öffentlichen Schwellen der Core Web Vitals: LCP (Largest Contentful Paint) unter 2,5 Sekunden, INP (Interaction to Next Paint) unter 200 Millisekunden, CLS (Cumulative Layout Shift) unter 0,1. Diese Schwellen sind keine Erfindung von uns, sondern öffentliche Standardwerte.
In der Praxis
Seiten werden serverseitig gerendert (SSR) oder per Incremental Static Regeneration (ISR) vorbereitet; Bilder werden in modernen Formaten, in der richtigen Größe und mit reserviertem Platz ausgeliefert. So erreicht der Inhalt Besucher und Crawler ohne Wartezeit.
6. E-E-A-T: Erfahrung, Expertise, Autorität, Vertrauen
KI-Engines bewerten, wer die Quelle ist. Die Methodik macht E-E-A-T-Signale zum Teil der Struktur: Inhalte sind mit echten Autorenprofilen verknüpft, Erfahrung aus erster Hand wird beschrieben, und jede Aussage bleibt überprüfbar.
In der Praxis
Die Regel dieser Ebene prägt den Charakter der Methodik: Keine ungemessene Zahl wird geschrieben. Der Verzicht auf erfundene Prozentwerte, fiktive Kunden und Garantiesprache ist nicht nur eine ethische Entscheidung, sondern eine technische Notwendigkeit, denn eine nicht überprüfbare Aussage schwächt das Vertrauenssignal.
7. Messung: Baseline und Differenz
Die letzte Ebene steht vom ersten Tag an: Vor dem Livegang wird eine Baseline des Ist-Zustands gemessen. Die Search Console liefert Sichtbarkeit und Klicks, GA4 liefert Traffic-Quellen und Nutzerverhalten, und der AI Authority Score hält den Startwert der Markensichtbarkeit in den vier Engines fest (ChatGPT, Gemini, Claude, DeepSeek).
In der Praxis
Nach dem Livegang werden dieselben Metriken mit derselben Methode weiterverfolgt, und die Differenz wird berichtet. Gesprochen wird nicht über das Gefühl, die Website sei besser geworden, sondern über gemessene Veränderung gegenüber der Baseline; was Messung und was Prognose ist, wird in jedem Bericht getrennt gekennzeichnet.
Die Methodik in der Praxis: wie eine Seite entsteht
Damit die Ebenen nicht abstrakt bleiben: Eine neue Leistungsseite erreicht die Veröffentlichung über diesen Ablauf.
- 1
Inhaltsmodell
Zuerst werden die Fragen gesammelt, die die Seite beantworten soll; aus ihnen entsteht die Überschriftenhierarchie. Die Sprache der Zielgruppe und ihre Suchbegriffe erscheinen wörtlich in den Überschriften.
- 2
Schema
Passend zum Seitentyp wird Schema.org-Markup ergänzt: Service und FAQPage für eine Leistungsseite, Article und BreadcrumbList für Ratgeberinhalte. Das Schema wird Zeile für Zeile mit dem sichtbaren Inhalt abgeglichen.
- 3
Interne Verlinkung
Die Seite wird in die Hierarchie eingebunden: Sie erhält einen Link von der übergeordneten Leistungsseite und verlinkt auf verwandte Inhalte in Blog und Wissensdatenbank. Keine Seite geht als Waise live.
- 4
Checkliste vor dem Livegang
Vor der Veröffentlichung läuft die Checkliste: ein h1, gültiges JSON-LD, vollständige Meta-Felder, Eintrag in robots.txt und Sitemap, Messung der Core Web Vitals, Test der Renderbarkeit.
- 5
Messung
Die Seite geht mit gemessener Baseline live; die Daten aus Search Console, GA4 und AI Authority Score werden verfolgt, und die Differenz speist die nächsten Inhaltsentscheidungen.
Häufige Fragen
Für welche Projekte eignet sich die AI-First-Methodik?
Für jedes Projekt, das über seine Inhalte gefunden werden will: neue Websites, Relaunches von Unternehmensauftritten und E-Commerce eingeschlossen. Überall dort, wo Suche und Zitierfähigkeit zählen, sind die Ebenen dieselben; nur ihre Gewichtung ändert sich. Bei einer kleinen Präsenzseite sind Schema und llms.txt ein vergleichsweise schmaler Baustein; bei einer inhaltsstarken Plattform rücken Messung und Inhaltsmodell nach vorn.
Lässt sich die Methodik schrittweise auf eine bestehende Website anwenden?
Ja. Am leichtesten arbeitet die Methodik in einem Neuaufbau, aber die Ebenen lassen sich Schritt für Schritt auf eine bestehende Website übertragen. Die typische Reihenfolge: zuerst die Baseline-Messung, dann risikoarme Ergänzungen wie robots.txt und llms.txt, danach das Schema-Markup, zuletzt Änderungen auf Template-Ebene für semantische Struktur und Performance. Jeder Schritt schafft für sich Wert, und über den nächsten entscheidet die Messung.
Mit welchen Frameworks arbeiten Sie?
Die Werkzeugwahl folgt dem Bedarf. Technische Voraussetzung der Methodik ist ein moderner Stack, der serverseitiges Rendering (SSR) oder Incremental Static Regeneration (ISR) beherrscht; Next.js, mit dem auch diese Website gebaut ist, erfüllt das gut, ist aber nicht die einzige richtige Antwort. Kann Ihre bestehende Infrastruktur renderbares HTML liefern, lässt sich die Methodik auch darauf anwenden.
Wird llms.txt wirklich gelesen?
Die ehrliche Antwort: Das Verhalten der Crawler entwickelt sich weiter, und wie oft eine Engine die Datei liest, unterscheidet sich je nach Anbieter. llms.txt ist trotz dieser Unsicherheit eine vernünftige Investition: Die Kosten sind niedrig, ein Nachteil entsteht nicht, und die Datei ist ein Signal, das sich zunehmend standardisiert. Wir sind lieber die Seite, deren Datei bereitliegt, als unvorbereitet zu sein, wenn Engines sie konsequent lesen.
Wann werden Ergebnisse sichtbar?
Wir nennen keine feste Frist, denn das Ergebnis hängt von Branche, Wettbewerb, Inhaltsvolumen und Ausgangslage ab. Stattdessen wird vor dem Livegang eine Baseline gemessen, und dieselben Metriken werden danach regelmäßig verfolgt: Sichtbarkeit in der Search Console, Traffic in GA4 und Markensichtbarkeit in den vier Engines. Gesprochen wird nicht über eine Schätzung, sondern über die gemessene Differenz zur Baseline.