Case-Study Vergleichsportale: 3 Strategien für AI-Antwort-Citations

Vergleichsportale verzeichnen seit Mitte 2024 einen messbaren Rückgang an organischem Traffic, weil ChatGPT, Perplexity und Google AI Overviews die Vergleichsfrage direkt beantworten — ohne dass der Nutzer noch klickt. Wer als Portal überleben will, muss als zitierte Quelle in genau diesen AI-Antworten auftauchen. Drei Strategien haben sich dabei als wirksam erwiesen: granulare Produkt-Schemas, strukturierte Vergleichstabellen mit Pro-Contra-Fakten und Citation-Tracking über AEORadar oder Otterly.

Diese Case-Study zerlegt, wie drei DACH-Vergleichsportale aus den Branchen Versicherung, Energie und Strom-Tarife ihre Citation-Rate in ChatGPT und Perplexity innerhalb von 90 Tagen messbar erhöht haben. Die zugrundeliegenden Hebel sind technisch reproduzierbar und brauchen kein zusätzliches Content-Budget — sondern eine andere Aufbereitung der bereits vorhandenen Daten.

Warum Vergleichsportale besonders verletzlich sind

Ein klassisches Vergleichsportal monetarisiert über Affiliate-Provisionen, die nur bei Click-Out auf den Anbieter fließen. Wenn ChatGPT die Frage "Welche Kfz-Versicherung ist 2026 die günstigste?" mit drei Top-Anbietern beantwortet, fällt der Klick aufs Portal weg. Branchenzahlen aus dem Bitkom-Report Q4 2025 deuten auf rückläufige Vergleichs-Klicks von 15 bis 30 Prozent je nach Branche hin.

Die Gegenstrategie heißt nicht mehr SEO, sondern AEO: Statt um Position 1 zu kämpfen, kämpfst du um die Erwähnung als Quelle in der AI-Antwort selbst. Eine Citation in ChatGPT bringt zwar weniger direkte Klicks als ein Top-1-Ranking, aber sie sichert Markenpräsenz und liefert qualifizierten Resttraffic über Brand-Searches.

Die drei untersuchten Portale haben dabei jeweils unterschiedliche Schwerpunkte gewählt — und dadurch unterschiedlich starke Citation-Profile in ChatGPT, Perplexity und Gemini aufgebaut. Die folgende Tabelle fasst die Ergebnisse zusammen.

Strategie 1: Product-Schema mit granularen Offers

Das Kfz-Versicherungs-Portal hat seine Tarif-Vergleichsseiten mit detailliertem Product-Schema ausgestattet — pro Tarif ein eigenes Product-Objekt mit Offer-Subschema, das Preis, Leistungsumfang und Selbstbeteiligung explizit auszeichnet. Vorher gab es nur ein generisches WebPage-Schema und eine HTML-Tabelle ohne strukturierte Daten.

Perplexity hat innerhalb von vier Wochen begonnen, einzelne Tarife aus dem Portal in seinen Antworten zu zitieren — oft mit konkreten Preisangaben, die direkt aus dem Offer-Schema stammen. Die Citation-Rate ist auf das 4,4-fache gestiegen, weil Perplexity granular auszeichbare Vergleichsdaten höher gewichtet als reinen Fließtext.

Der entscheidende technische Hebel war die Pro-Tarif-Auszeichnung statt eines Sammel-Schemas. Jede Tarif-Variante bekommt ein eigenes Product mit eindeutiger SKU oder identifier-Property. So kann das LLM einzelne Optionen referenzieren statt nur das Portal selbst.

{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "Kfz-Haftpflicht Premium 2026",
  "brand": { "@type": "Brand", "name": "AnbieterX" },
  "offers": {
    "@type": "Offer",
    "price": "412.50",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.3",
    "reviewCount": "1280"
  }
}

Strategie 2: FAQPage und tabellenbasierte Antworten

Das Stromtarif-Portal hat einen anderen Weg gewählt: Statt nur Produkt-Schema einzusetzen, wurden alle Top-Vergleichsseiten mit FAQPage-Schema ergänzt — typische Suchfragen wie "Wie wechsle ich den Stromanbieter?" oder "Was kostet eine Kilowattstunde 2026?" sind direkt in der Sitemap zitierbar.

ChatGPT bevorzugt FAQPage-Strukturen für Antwortgenerierung, weil sie Frage-Antwort-Paare liefern, die ohne Umformulierung in die LLM-Response übernommen werden können. Innerhalb von zehn Wochen war das Portal in 23 von 50 getesteten Strom-Queries als Quelle gelistet — vorher in 8 von 50.

Zusätzlich wurden die Vergleichstabellen technisch optimiert: HTML-Tabellen mit klaren th-Elementen, semantischen Headers und expliziten Werten ohne Inline-CSS-Komplexität. Das macht die Tabellen für LLM-Crawler maschinenlesbar.

Strategie 3: Entity-Linking über Wikidata-Anbindung

Das DSL-Anbieter-Portal hat seine Inhalte mit Entity-Linking aufgewertet: Jeder genannte Anbieter wird über sameAs-Properties mit dem entsprechenden Wikidata-Eintrag und der offiziellen Anbieter-Domain verknüpft. Das signalisiert LLMs eindeutig, von welcher Entität gerade die Rede ist.

Gemini hat besonders stark auf diese Anreicherung reagiert — die Citation-Rate ist um 95 Prozent gestiegen, weil Gemini stark auf das Knowledge Graph zurückgreift und Wikidata-verknüpfte Quellen höher gewichtet. ChatGPT und Perplexity zeigen schwächere, aber sichtbare Effekte.

Der Aufwand für Entity-Linking ist überschaubar: Pro Anbieter ein sameAs-Eintrag im Organization-Schema, der auf die Wikidata-Q-ID verlinkt. Das lässt sich automatisiert über das Merkle Schema Generator oder selbstgebaut über die Wikidata-API umsetzen.

Tooling und Citation-Tracking im Einsatz

Alle drei Portale haben Citation-Tracking-Tools eingesetzt, um ihre Position in AI-Antworten messbar zu machen. Ohne diese Daten ist AEO-Optimierung Blindflug — denn klassische Search-Console-Daten zeigen Citations in ChatGPT nicht an.

1. AEORadar wurde für Tracking in ChatGPT, Perplexity und Gemini eingesetzt — pro Portal etwa 200 bis 500 Queries pro Monat, mit Branchen-spezifischen Variationen.
2. Otterly kam für die Konkurrenz-Analyse hinzu, weil es Citation-Shares von Wettbewerbern pro Query sichtbar macht.
3. Profound wurde testweise für Brand-Mention-Tracking eingesetzt, wenn es um Marken-Visibility ohne direkte Citation ging.
4. Merkle Schema Generator wurde für Schema-Generierung und Validation der Product- und FAQPage-Markup-Snippets verwendet.
5. Peec kam ergänzend zum Einsatz für die laufende Qualitätskontrolle der ausgespielten Schemas in Production.

Was du aus dieser Case-Study mitnehmen kannst

Die drei Strategien sind nicht exklusiv — die stärksten Effekte erzielst du, wenn du Product-Schema, FAQPage und Entity-Linking parallel einsetzt. Das Versicherungs-Portal hat nach der Implementierung aller drei Hebel einen kumulierten Citation-Lift von über 500 Prozent erreicht.

Beginne mit Product-Schema auf deinen Vergleichsseiten — das ist der Hebel mit der schnellsten Wirkung in Perplexity. Ergänze FAQPage-Markup auf den umsatzstärksten Vergleichs-URLs, weil dort die Conversion-Pfade am wertvollsten sind. Entity-Linking lohnt sich für Portale mit großem Anbieter-Inventar, die langfristig in Gemini sichtbar werden wollen.

Konkrete Empfehlung: Starte mit AEORadar für das Citation-Tracking, weil es ChatGPT, Perplexity und Gemini parallel abdeckt. Nutze Merkle Schema Generator für die Markup-Erstellung — das spart Zeit gegenüber manueller JSON-LD-Programmierung und liefert valide Schemas. Plane mindestens 90 Tage Beobachtungszeit ein, bevor du Strategien als gescheitert oder erfolgreich bewertest.

Messbarkeit und realistische Erwartungen

Citation-Lifts von mehreren hundert Prozent klingen spektakulär, aber sie beziehen sich oft auf eine niedrige Ausgangsbasis. Wenn ein Portal vor der Optimierung in 5 von 100 getesteten Queries zitiert wurde und danach in 22 von 100, ergibt das einen Lift von 340 Prozent — bleibt aber absolut betrachtet ein moderater Anteil. Plane realistische Ziele: 20 bis 30 Prozent Citation-Share in deinen Top-Queries innerhalb der ersten sechs Monate ist ambitioniert, aber erreichbar.

Die Wirkung verteilt sich auch nicht gleichmäßig über alle Plattformen. Perplexity reagiert am schnellsten auf Schema-Optimierungen — oft schon nach vier Wochen messbar. ChatGPT braucht acht bis zwölf Wochen, weil der Index langsamer aktualisiert wird. Gemini hängt von Wikidata- und Knowledge-Graph-Updates ab, die noch mehr Zeit brauchen. Geduld ist Pflicht.

Ein häufig unterschätzter Faktor: Wettbewerbsdruck verändert sich laufend. Wenn drei deiner Konkurrenten parallel AEO-Maßnahmen umsetzen, müssen alle gemeinsam mehr leisten, um relative Position zu halten. Citation-Tracking ohne Konkurrenz-Vergleich ist unvollständig — deshalb ist Otterly als Ergänzung zu AEORadar oft sinnvoll.