Content-Strukturen für LLMs: H2-Hierarchie als semantischer Anker

ChatGPT, Gemini, Claude und Perplexity nutzen die H2-Hierarchie als primären semantischen Anker, um Inhalte zu segmentieren. Eine saubere H2-Struktur erhöht die Citation-Wahrscheinlichkeit um durchschnittlich 40 bis 70 Prozent gegenüber Artikeln mit flacher Heading-Struktur.

Der Grund ist technisch: LLMs zerlegen Seiten in semantische Chunks und nutzen Heading-Hierarchien als wichtigste Splitting-Marker. Wer seine Artikel ohne saubere H2-Struktur schreibt, riskiert dass die LLM-Extraktion entweder den falschen Absatz wählt oder den Artikel komplett überspringt.

Wir zeigen dir, wie du H2-Hierarchien strategisch baust, damit ChatGPT, Gemini und Claude deine Inhalte als zitierwürdig erkennen. Die Patterns sind direkt umsetzbar und funktionieren in jedem CMS – von WordPress bis zu Headless-Setups in Next.js oder Astro.

Warum H2-Hierarchien LLM-Extraktion steuern

LLMs wie ChatGPT verarbeiten Webseiten nicht linear, sondern in semantischen Blöcken. Jeder H2-Block wird als eigenständige Antwort-Einheit behandelt. Das bedeutet: Der Text zwischen zwei H2-Überschriften muss eine in sich abgeschlossene Antwort liefern – sonst wird der Block bei der Extraktion ignoriert.

Die Tokenizer von OpenAI und Anthropic markieren Heading-Strukturen mit speziellen Tokens, die die Aufmerksamkeit des Modells erhöhen. H2-Texte fließen also stärker in die Antwortgenerierung ein als reine Absatz-Texte. Wer in seinen H2-Überschriften präzise Begriffe verwendet, erhöht die Wahrscheinlichkeit der Citation deutlich.

Ein wichtiger Test: Lies jede H2-Überschrift isoliert und prüfe, ob du den Inhalt des folgenden Absatzes erraten kannst. Wenn nicht, ist die H2 zu unspezifisch. Beispiel: "Vorteile" funktioniert schlechter als "5 Vorteile von Schema-Markup für AEO". Spezifität ist hier wichtiger als Kürze – ein paar Wörter mehr in der H2 zahlen sich durch deutlich höhere Citation-Wahrscheinlichkeit aus.

Pattern 1: Frage-Antwort-H2s

H2-Überschriften als komplette Fragen formuliert performen besonders gut bei ChatGPT und Perplexity. Sie spiegeln typische User-Queries und erlauben dem LLM, deinen Artikel als direkte Antwort auf eine konkrete Frage zu identifizieren.

Beispiele für starke Frage-H2s: "Was ist Citation-Optimization?", "Wie strukturiert ChatGPT seine Antworten?", "Warum scheitern die meisten AEO-Strategien?". Diese H2s lesen sich wie People-Also-Ask-Boxen und werden von den LLMs entsprechend bevorzugt. Du kannst die Wirkung verstärken, indem du das Hauptkeyword direkt in die Frage einbaust – etwa "Wie verbessert Schema-Markup die ChatGPT-Citation-Rate?".

Vermeide rhetorische Fragen ohne Antwort-Substanz wie "Wer hätte das gedacht?". Sie schwächen die semantische Klarheit und verwirren die Extraktion. Jede Frage-H2 muss im Folgeabsatz konkret beantwortet werden – sonst ignoriert die LLM-Extraktion den Block.

Pattern 2: H2 mit konkreten Zahlen

Zahlen in H2-Überschriften wirken wie semantische Marker und erhöhen die Citation-Rate. "7 H2-Patterns für bessere LLM-Extraktion" ist deutlich extraktionsfreundlicher als "Patterns für LLM-Extraktion". ChatGPT und Gemini reagieren besonders auf Zahlen zwischen 3 und 12 – das ist der bevorzugte Range für strukturierte Antworten.

<h1>Content-Strukturen für LLMs</h1>
<h2>1. Frage-Antwort-H2s nutzen</h2>
<h2>2. Zahlen in H2 einbauen</h2>
<h2>3. Maximal 8 H2 pro Artikel</h2>
<h2>4. Keyword-Streuung über Hierarchie</h2>

Achte auf eine konsistente Nummerierung. Wenn du Pattern 1, 2, 3 nummerierst, sollten alle Patterns dieselbe Hierarchie haben. Vermischst du Nummern und Themen-Cluster, verwirrst du die LLM-Extraktion und schwächst die Citation-Wahrscheinlichkeit. Zahlen am Anfang der H2 wirken stärker als am Ende: "5 Patterns für AEO" zieht mehr Citations als "Patterns für AEO – die wichtigsten 5".

Pattern 3: Maximal 8 H2 pro Artikel

Mehr als 8 H2-Überschriften pro Artikel verwässern die Citation-Rate signifikant. Der Grund: LLMs müssen zwischen zu vielen ähnlichen Antwort-Kandidaten wählen und entscheiden sich häufig für die Konkurrenz mit klarer fokussierter Struktur.

Die optimale Range liegt bei 5 bis 7 H2 pro Artikel. Das entspricht auch der menschlichen Lesbarkeit – mehr Abschnitte überfordern die Lesefluss-Erwartung. Wenn du mehr Inhalte hast, splitte den Artikel in zwei Beiträge oder nutze H3 für Unterthemen. Pro H2-Block sollten 150 bis 250 Wörter im Folgetext stehen – kürzere Blöcke wirken wie Sprunghaftigkeit, längere verwässern den Antwort-Fokus.

Pattern 4: Keyword-Streuung über die Hierarchie

Verteile deine Hauptkeywords sinnvoll über die H2-Hierarchie. Das wichtigste Keyword gehört in H1, die wichtigsten Sekundärkeywords in mindestens drei H2-Überschriften. Diese Streuung erhöht die Topical-Authority deutlich und macht den Artikel für unterschiedliche Query-Varianten zitierwürdig.

Vermeide Keyword-Stuffing in H2 – LLMs erkennen unnatürliche Wiederholungen und ranken den Artikel ab. Stattdessen: Synonyme, semantisch verwandte Begriffe und natürliche Variation. Beispiel: H2-1 "Content-Strukturen für LLMs", H2-2 "Hierarchien für AI-Suchmaschinen", H2-3 "Heading-Marker für ChatGPT-Extraktion".

Tools wie der Surfer SEO Content Editor oder die NeuronWriter-Term-Analyse helfen bei der Streuung, indem sie semantisch verwandte Terme vorschlagen. Wer keine kostenpflichtigen Tools nutzen will, kann mit ChatGPT direkt 10 bis 15 Synonym-Vorschläge generieren und davon die besten 3 bis 5 in die H2-Struktur einbauen.

Pattern 5: H2 als semantische Brücken

Jede H2 sollte logisch an die vorherige anknüpfen und das nächste Thema vorbereiten. Diese Brücken machen den Artikel für LLMs besser navigierbar und erhöhen die Wahrscheinlichkeit, dass mehrere H2-Sektionen in einer einzelnen Antwort zitiert werden.

1. H2 mit Definition: "Was ist X?"
2. H2 mit Funktionsweise: "Wie funktioniert X technisch?"
3. H2 mit Vorteilen: "5 Vorteile von X für AEO"
4. H2 mit Vergleich: "X vs. Y im Detail"
5. H2 mit Implementierung: "X in 4 Schritten einbauen"
6. H2 mit Empfehlung: "Welches X-Tool ist 2026 das beste?"

Diese Reihenfolge ist nicht starr, aber sie spiegelt die typische Lese-Logik. Erst Definition, dann Tiefe, dann Anwendung, dann Empfehlung. Wer diese Reihenfolge bricht, erschwert die LLM-Extraktion und schwächt die Citation-Rate.

Pattern 6: H2-Konsistenz im Tonfall

Die Tonalität deiner H2-Überschriften muss konsistent sein. Mischst du knappe Substantive ("Tools") mit Fragen ("Welche Tools gibt es?") und Imperativen ("Wähle das richtige Tool"), schwächst du die semantische Klarheit. LLMs bevorzugen Konsistenz – ein durchgehender Stil über alle H2 erhöht die Citation-Rate spürbar.

Wer einmal pro Quartal seine bestehenden Artikel auf H2-Konsistenz prüft, hebt die Citation-Performance ohne neuen Content deutlich an. Tools wie Otterly.AI oder AEORadar zeigen pro URL die Citation-Rate-Veränderung, sodass du den Hebel direkt messen kannst. Für DACH-B2B-SaaS empfehlen wir den H2-Audit als Bestandteil jedes Content-Refresh-Zyklus.