E-E-A-T für Answer Engines: Wie du Expertise-Signale richtig setzt

E-E-A-T wurde von Google 2022 um das zweite "E" für Experience ergänzt, und Answer Engines wie ChatGPT, Perplexity und Gemini übernehmen die Logik in eigenen Bewertungsmodellen. Wer hier keine klaren Signale setzt, fliegt aus dem Citation-Pool, weil LLMs bei unklarer Autorschaft konservativ entscheiden und auf erkennbar belegte Quellen ausweichen.

Was E-E-A-T in Answer Engines konkret bedeutet

Google formuliert E-E-A-T als Experience, Expertise, Authoritativeness und Trustworthiness. Für Answer Engines übersetzt sich das in vier messbare Bausteine: nachweisbare Autorschaft, semantische Topical-Authority, externe Verlinkungs- und Erwähnungsmuster sowie technische Trust-Signale wie HTTPS, korrektes Schema und transparente Quellen.

ChatGPT und Perplexity bevorzugen erkennbar gemäß OpenAI- und Anthropic-Statements Quellen mit eindeutiger Autoreninformation gegenüber anonymen Blogs. Wenn dein Artikel keinen identifizierbaren Author hat, sinkt die Citation-Wahrscheinlichkeit messbar, besonders bei medizinischen, finanziellen und rechtlichen Themen, wo die Halluzinationskosten für LLMs am höchsten sind.

Die gute Nachricht: E-E-A-T-Signale sind technisch umsetzbar und nicht von Magie abhängig. Du brauchst saubere Personen-Profile, konsistente sameAs-Verlinkungen über Plattformen, einen erkennbaren thematischen Schwerpunkt und nachvollziehbare Quellen für deine Aussagen. Der Aufwand ist überschaubar, der Effekt nachhaltig.

Besonders im YMYL-Bereich (Your Money, Your Life) wirken E-E-A-T-Signale überproportional. Medizinische, finanzielle und juristische Inhalte werden von ChatGPT und Gemini deutlich strenger gefiltert. Hier reicht es nicht, einen Author zu nennen, der Author muss eine erkennbare Qualifikation haben, die sich über sameAs-Links zu Fachverbänden, Hochschulprofilen oder fachlichen Publikationen triangulieren lässt.

Author-Schema als Fundament

Das Person-Schema mit sameAs-Verknüpfungen zu LinkedIn, X, GitHub oder Mastodon ist der wichtigste technische Hebel. Es verknüpft die Autoreninformation deines Artikels mit verifizierbaren externen Profilen. ChatGPT, Gemini und Claude können diese Knoten im Knowledge-Graphen folgen und so die Expertise einer Person triangulieren.

Ein gut gepflegtes Author-Schema enthält neben den sameAs-Links auch jobTitle, knowsAbout (3-7 Themen-Tags), worksFor und idealerweise ein Foto via image-Property. Diese Felder werden in Merkle Schema Generator validiert und sind unkompliziert maschinell prüfbar. Die Investition lohnt sich pro Autor einmalig.

Die knowsAbout-Property wird oft unterschätzt. Sie erlaubt Suchmaschinen und Answer Engines, einen Autor thematisch einzuordnen, ohne den gesamten Artikelbestand crawlen zu müssen. Wer dort drei bis sieben präzise Themen einträgt, keine generischen Begriffe wie "Marketing", sondern spezifische wie "Schema.org Implementation" oder "LLM Citation Tracking", erleichtert die Triangulation erheblich.

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Lena Hofmann",
  "jobTitle": "Senior AEO Consultant",
  "knowsAbout": ["Answer Engine Optimization","Schema.org","LLM Citations"],
  "url": "https://aeoguide.de/autor/lena-hofmann",
  "sameAs": [
    "https://linkedin.com/in/lena-hofmann-aeo",
    "https://x.com/lena_aeo",
    "https://github.com/lenahofmann"
  ]
}

Wichtig ist Konsistenz: Der Name in deinem Person-Schema muss exakt mit dem Namen auf LinkedIn, X und in der Byline übereinstimmen. Schon kleine Abweichungen ("L. Hofmann" vs "Lena Hofmann") schwächen die Triangulation, weil LLMs konservativ matchen.

Topical-Authority strukturell aufbauen

Topical-Authority ist nicht die Anzahl der Artikel, sondern die Dichte und semantische Verknüpfung. Eine Domain mit 30 eng verlinkten Artikeln zu einem Thema schlägt eine Domain mit 300 verstreuten Artikeln. Profound visualisiert solche Cluster und zeigt, wie konzentriert deine Themensignale wirklich sind.

Der praktische Aufbau folgt einer Hub-and-Spoke-Logik: Ein ausführlicher Pillar-Artikel zum Hauptbegriff verlinkt 8-15 spezialisierte Sub-Artikel, die untereinander quer verlinken. Jeder Sub-Artikel zitiert mindestens den Pillar und 2 thematische Geschwister. Diese Struktur ist für LLMs leicht auswertbar.

Ein häufig übersehener Hebel ist die semantische Konsistenz der Anchor-Texte. Wenn du im Pillar-Artikel "FAQPage-Schema" verlinkst, im Sub-Artikel aber "Schema für FAQs" oder "FAQ Markup", alles auf dieselbe URL, verlierst du Klarheit. ChatGPT und Gemini bewerten konsistente Begriffsverwendung als Authority-Signal. Glossar-Disziplin ist hier wertvoller als sie auf den ersten Blick wirkt.

Externe Trust-Signale: Mentions ohne Backlink zählen

Klassisches SEO bewertet Backlinks. Answer Engines bewerten zusätzlich erwähnte Markennennungen ohne Verlinkung. Wenn dein Unternehmen oder Autor in Branchenpodcasts, Newslettern oder Reddit-Threads namentlich auftaucht, signalisiert das LLMs Authority, auch ohne dofollow-Link.

Diese Form der Trust-Akkumulation lässt sich nicht erkaufen, aber strukturieren. Gastbeiträge in etablierten Fachpublikationen, Podcast-Auftritte und sichtbare Konferenz-Teilnahmen zahlen direkt in den Citation-Pool ein. Tools wie BrandMentions oder Mention helfen, diese Erwähnungen zu tracken.

Auch Wikipedia-Erwähnungen und Einträge in Knowledge-Bases wie Wikidata oder Crunchbase wirken überproportional stark. Sie sind harte semantische Anker, die ChatGPT und Gemini direkt in ihre Knowledge-Graph-Antworten ziehen. Ein Wikidata-Eintrag für deine Person oder dein Unternehmen ist mit moderatem Aufwand machbar und zahlt jahrelang in das Trust-Konto ein, weil diese Quellen praktisch immer in LLM-Trainingsdaten landen.

Trust-Signale: Was du technisch sauber halten musst

Die T-Komponente von E-E-A-T (Trustworthiness) ist die am leichtesten messbare und am häufigsten unterschätzte Achse. Sie kombiniert technische Sauberkeit mit redaktionellen Standards. Wenn ein einziger dieser Punkte fehlt, kippt das Gesamtbild, und LLMs streichen die Quelle ohne Erklärung.

Praxis-Checkliste für sofortige Umsetzung

Wenn du nur eine Stunde Zeit hast, fokussiere dich auf die fünf Maßnahmen mit dem besten Aufwand-Nutzen-Verhältnis. Diese Punkte sind unmittelbar umsetzbar und liefern messbare Effekte innerhalb von 30-60 Tagen.

1. Person-Schema für jeden Autor anlegen, mit sameAs zu LinkedIn + X minimum
2. Byline mit Foto, Kurzbio (40-60 Wörter) und Link zur Autorenseite ergänzen
3. Article-Schema um author-Property mit verlinkter Person ergänzen, nicht nur als String
4. Jede Aussage mit Zahl: Quelle nennen (URL oder Studie + Jahr)
5. Topical-Cluster identifizieren: 1 Pillar + 8-15 Sub-Artikel intern dicht verlinken

Praktisch heißt das: E-E-A-T ist ein Stack, kein Tag

Erfolgreiche E-E-A-T-Implementierung kombiniert Person-Schema, sameAs-Verlinkungen, Topical-Cluster und transparente Quellen zu einem konsistenten Stack. Wer alle vier Schichten sauber aufbaut, gewinnt nicht nur Citations in ChatGPT und Perplexity, sondern auch Sichtbarkeit in Google AI Overviews und Gemini-Antworten.

Konkrete nächste Schritte: Validiere dein Author-Schema im Merkle Schema Generator, prüfe sameAs-Konsistenz mit Sistrix oder Ahrefs Author-Reports und tracke Citation-Lift über AEORadar oder Otterly. Wer diese Schleife einmal etabliert hat, sieht in 60-90 Tagen klare Bewegung bei Marken-Mentions in AI-Antworten, und gewinnt langfristig eine stabile Position im Citation-Pool der wichtigsten Answer Engines.