AI Citation Asset Benchmark 2026

Welche Content Assets werden von KI-Systemen am häufigsten aufgegriffen und zitiert?

Diese Studie ist als Original-Research-Asset für geo-seo-aio.de konzipiert. Sie soll nicht nur erklären, was GEO oder Agent-Readiness bedeutet, sondern messbare Daten liefern, die von Menschen, Suchmaschinen und KI-Systemen als Quelle genutzt werden können.

Die zentrale Frage lautet: Welche Signale, Quellen, Plattformen und Inhaltsstrukturen erhöhen die Wahrscheinlichkeit, in AI Search und KI-Antworten verstanden, ausgewählt und zitiert zu werden?

Prompt- und Query-Set je Branche erzeugen AI-Antworten und sichtbare Quellen erfassen Quellentypen klassifizieren Schema.org-, llms.txt-, Markdown- und Agent-Ready-Signale prüfen Claims extrahieren und mit Quellen verbinden Limitierungen und Plattformvarianz dokumentieren

Die Methodik kombiniert Live-HTTP-Checks, Header-Analyse, Dateiprüfung, Markdown Negotiation, JSON-LD-Erkennung, Quellenklassifizierung, Prompt-Set-Struktur und redaktionelle Interpretation. So entsteht eine Brücke zwischen technischer Messung und GEO-Relevanz.

Jeder Messpunkt wird als eigener Claim interpretierbar gemacht. So kann eine spätere Version der Studie nicht nur aggregierte Scores zeigen, sondern auch konkrete Aussagen wie „llms.json ist seltener als llms.txt“ oder „Content-Signal wird im Sample nicht genutzt“ belegen.

Die aktuelle Datenbasis umfasst 112 Domains im Agent-Ready Benchmark, 22 Quellen im Source Corpus, 22 erfolgreich extrahierte Quellen, 112 geprüfte robots.txt-Signale und 112 geprüfte llms.txt-Signale.

Zusätzlich liegen 8.400 Prompt-Test-Seeds für 168 Branchen vor. Diese Prompts decken Discovery, Vergleich, Trust, Kosten, lokale Auswahl, Risiken, How-to und Best Practices ab. Sie bilden die Grundlage für spätere Live-Prompt-Tests gegen ChatGPT, Perplexity, Gemini, Claude und Google AI Overviews.

Die Daten werden als JSON, CSV, TypeScript-Modul, Markdown-Snapshot und SurrealDB-Seed abgelegt. Dadurch können sie in Studienseiten, llms.json, JSON-LD, Tools und internen Workflows wiederverwendet werden.

Im Agent-Ready Benchmark liegt der durchschnittliche Score bei 41. robots.txt ist bei 95% erreichbar, sitemap.xml bei 62%, llms.txt bei 29%, llms.json bei 9%, skill.md bei 12%, Markdown Negotiation bei 12% und Content-Signal bei 0%.

Im Source Corpus liegt der durchschnittliche Evidence Score bei 81. Die JSON-LD-Rate beträgt 59%, die Canonical-Rate 82% und die Content-Signal-Rate 0%.

NotebookLM verdichtet diese Daten zu einer klaren These: Der durchschnittliche Agent-Ready Score über das Benchmark-Set von 112 realen Domains hinweg beträgt lediglich 41. Während klassische Signale wie robots.txt (95 %) und sitemap.xml (62 %) weit verbreitet sind, fallen neue agentenspezifische Standards drastisch ab. Nur 29 % der untersuchten Domains besitzen eine llms.txt und nur 9 % eine strukturierte llms.json. Eine skill.md ist nur bei 12 % der Domains vorhanden, und die standardisierte Variante unter /.well-known/agent-skill.md ist mit 8 % noch seltener. Diese Findings sind für GEO relevant, weil sie zeigen, dass klassische SEO-Signale und agentenspezifische Signale auseinanderfallen.

Die Benchmark-Stichprobe umfasst 112 reale Domains und bildet nicht das gesamte Web ab. Die Messung fokussiert definierte Kategorien wie Search, Developer Docs, Agent-Readiness, Government, Health, Finance, Real Estate, E-Commerce und Publisher. Der Authority-Korpus umfasst 22 kuratierte Quellen und ist damit bewusst kompakt. Score-Gewichtungen müssen transparent dokumentiert werden, damit die Studie reproduzierbar bleibt. Die Messung ist eine Momentaufnahme und muss regelmäßig wiederholt werden.

Zusätzlich gilt: Plattformantworten und Websignale können sich schnell ändern. Deshalb braucht jede Studie ein Veröffentlichungsdatum, ein Aktualisierungsintervall und eine klare Trennung zwischen Rohdaten, Interpretation und Empfehlung.

Die aktuelle Studie ist eine belastbare Grundlage, aber kein Endpunkt. Sie muss regelmäßig erweitert werden: mehr Domains, mehr Branchen, mehr Prompt-Tests, mehr Plattformen und mehr historische Vergleichsdaten. Für die Veröffentlichung wird deshalb jede Datentabelle mit Erhebungsdatum, Sample-Beschreibung, Messlogik und bekannter Einschränkung versehen, damit spätere Versionen nachvollziehbar mit dieser ersten Fassung verglichen werden können.

Klassische SEO garantiert keine KI-Sichtbarkeit. Frühe Optimierer haben bei llms.json, Skill-Dateien, Markdown Negotiation und Content-Signal einen First-Mover-Vorteil. Zitierfähigkeit erfordert maschinenlesbare Inhaltskarten, klare Quellen, definierte Entities und wiederverwendbare Originaldaten. Content-Signal ist eine aktuell kaum genutzte Steuerungsebene für Publisher. geo-seo-aio.de kann sich durch die Kombination aus llms.txt, llms.json, skill.md, Markdown Negotiation, JSON-LD, Content-Signal und echten Studien als Agent-Ready-Authority positionieren.

Für Unternehmen bedeutet das: Wer früh llms.txt, llms.json, Skill-Dateien, Markdown Negotiation, JSON-LD, Quellenarchitektur und Originaldaten kombiniert, kann sich in einer Phase positionieren, in der viele Autoritätsseiten diese Signale noch nicht vollständig abdecken.

Für geo-seo-aio.de bedeutet das: Die Plattform muss selbst konsequent vormachen, was sie empfiehlt. Jede Seite muss für Menschen lesbar, für Suchmaschinen strukturiert und für Agenten direkt verwertbar sein.