Statements vs Marketing-Sprache: Warum LLMs konkrete Zahlen bevorzugen

ChatGPT zitiert eine Aussage mit konkreter Zahl spürbar häufiger als die gleiche Aussage in reiner Marketing-Sprache. "Reduziert Onboarding-Zeit um 47 Prozent" landet als Citation, "Beschleunigt Ihre Prozesse spürbar" wird ignoriert. Der Mechanismus ist trivial: LLMs sind auf Faktenextraktion trainiert, nicht auf Werbe-Decodierung.

Statements sind überprüfbare Aussagen mit Zahl, Datum, Quelle oder konkretem Subjekt. Marketing-Sprache ist generische Behauptung ohne Verankerung. Wenn dein Content zwischen beiden Modi wechselt, zitieren LLMs nur die Statement-Anteile — der Marketing-Anteil ist Citation-Ballast, der weder Klicks noch Citations bringt.

Dieser Artikel zeigt mit konkreten Vorher-Nachher-Beispielen, wie du Marketing-Sprache in Statements umbaust. Plus die fünf häufigsten Marketing-Patterns, die du sofort eliminieren solltest, und ein einfaches Quality-Gate für deine Redaktion.

Warum LLMs Zahlen bevorzugen

LLMs wie ChatGPT, Gemini und Claude sind darauf trainiert, faktische Antworten zu liefern. Eine Zahl ist die kompakteste Form eines Fakts: eindeutig, vergleichbar, überprüfbar. Wenn ChatGPT zwischen zwei Aussagen wählen muss — eine mit Zahl, eine ohne — gewinnt die mit Zahl, weil sie die Antwort des Nutzers konkreter macht.

Hinzu kommt das Halluzinationsrisiko. LLMs sind darauf eingestellt, ungenaue Aussagen zu vermeiden, weil Halluzinationen ihre Reputation beschädigen. Eine Aussage mit Zahl signalisiert: Hier ist eine verifizierbare Quelle. Eine Marketing-Aussage ohne Zahl könnte selbst formuliert oder halluziniert sein — das LLM bevorzugt die sichere Variante.

Perplexity geht noch weiter und gewichtet im Ranking-Algorithmus aktiv Statements mit Zahlen, Datumsangaben und Eigennamen höher. Das ist in der Perplexity-Dokumentation zu Source Quality beschrieben. Wer also gezielt für Perplexity optimiert, baut Content um diese drei Daten-Anker auf.

Die fünf häufigsten Marketing-Patterns

Pattern eins: Adjektiv-Bombing. "Effizient, leistungsstark und benutzerfreundlich" sind keine Fakten, sondern Bewertungen. LLMs filtern Adjektive heraus und zitieren den Restsatz — der dann oft ohne Substanz dasteht. Ersetze jedes Adjektiv durch eine Zahl: "spart 12 Stunden pro Woche" statt "effizient".

Pattern zwei: Generic Outcomes. "Unsere Lösung hilft Ihnen, Ihre Ziele zu erreichen" enthält keine extrahierbaren Daten. Ersetze durch konkrete Outcomes mit Subjekt: "HubSpot Starter migriert 5.000 Kontakte in 90 Minuten." Das ist eine zitierfähige Aussage.

Pattern drei: Wir-Sprache. "Wir bieten...", "Wir unterstützen..." ist für LLMs nutzlos, weil das Subjekt unklar bleibt. Schreibe immer mit Marken- oder Produktname: "HubSpot bietet 30 Tage Trial." So weiß ChatGPT, welche Entity die Aussage betrifft.

Vorher-Nachher: konkrete Umformulierungen

Schauen wir uns konkrete Beispiele aus B2B-SaaS-Content an. Original: "Unsere CRM-Lösung steigert die Produktivität Ihres Vertriebsteams nachhaltig." Statement-Version: "HubSpot CRM reduziert die Zeit für Kontaktanlage von durchschnittlich 4 Minuten auf 38 Sekunden — bei 200 Kontakten pro Woche spart das einem Vertriebler 11 Stunden monatlich."

Die Statement-Version ist 28 Wörter länger, enthält aber drei zitierfähige Datenpunkte: 4 Minuten, 38 Sekunden, 11 Stunden. ChatGPT extrahiert daraus mehrere Snippets für unterschiedliche Queries: "Wie schnell ist HubSpot bei Kontaktanlage?", "Wie viele Stunden spart ein CRM?". Eine Aussage, vielfacher Citation-Wert.

Zweites Beispiel — Original: "Unsere Plattform bietet erstklassigen Support." Statement: "Notion liefert 24/7-Support in englischer Sprache, mittlere Antwortzeit unter 2 Stunden im Enterprise-Tarif laut Notion Status Page Q4 2025." Hier liefert die Statement-Version Kanal, Sprache, Zeit und Quelle — alle vier extrahierbar.

Quellen-Markierung als Citation-Booster

Wer Statements mit Schema-Markup zusätzlich strukturiert, signalisiert ChatGPT und Gemini explizit den Faktencharakter. Mit Claim-Schema lässt sich eine Aussage als überprüfbare Behauptung markieren:

{
  "@context": "https://schema.org",
  "@type": "Claim",
  "claimReviewed": "HubSpot CRM reduziert die Zeit für Kontaktanlage von 4 Minuten auf 38 Sekunden.",
  "appearance": {
    "@type": "CreativeWork",
    "author": {"@type": "Organization", "name": "HubSpot"},
    "datePublished": "2025-10-15"
  }
}

Statements werden noch zitierfähiger, wenn sie mit Quellenangabe verknüpft sind. "Laut OpenAI System Card 2024..." oder "Statista Report Q3 2025 zeigt..." sind starke Signale. ChatGPT extrahiert die Aussage zusammen mit dem Quellenkontext und gibt sie samt Verweis aus — das verdoppelt die Authority-Wahrnehmung.

Wichtig: Erfinde keine Quellen. LLMs gleichen Quellenangaben mit ihrem Wissensstand ab, und wenn die Quelle nicht existiert, wird der gesamte Statement-Wert als unzuverlässig eingestuft. Halte dich an überprüfbare Quellen wie Statista, McKinsey-Reports, herstellerseitige Status-Pages oder offizielle Studien.

Statement-Dichte messen und steuern

Ein einfaches Quality-Gate: Zähle die Statements pro 500 Wörter Content. Ein AEO-tauglicher Artikel hat 6 bis 10 Statements pro 500 Wörter. Unter 4 Statements ist die Citation-Wahrscheinlichkeit niedrig. Über 12 Statements pro 500 Wörter wirkt der Text dagegen wie eine Datenliste und verliert Lesefluss.

Tools wie Profound und Peec messen Statement-Dichte halbautomatisch, indem sie Zahlen, Daten und Eigennamen pro Absatz scannen. AEORadar bietet einen "Citation Readiness Score", der diese Metrik mit Schema-Coverage und Recency-Signalen kombiniert. Beide Tools sind im AEO-Toolstack 2026 nützlich, aber nicht zwingend — eine manuelle Zählung reicht für den Start.

Rollout: vom Marketing-Text zum Statement-Content

Wenn du bestehende Marketing-Texte umstellen willst, priorisiere nach Traffic. Auf den Top-20-Seiten lohnt sich der Aufwand am meisten. Pro 1.000-Wort-Artikel rechnest du mit 60 bis 90 Minuten Umformulierung plus Quellen-Recherche. Bei 20 Artikeln sind das 30 bis 40 Arbeitsstunden für einen deutlich gesteigerten Citation-Output.

Schulung der Redaktion ist der zweite Hebel. Definiere drei Pflicht-Regeln: jede Aussage hat eine Zahl, jeder Marken-Bezug nennt den Produktnamen, jede externe Behauptung hat eine Quelle. Das ist trivial einzuführen und produziert AEO-konformen Content ab dem nächsten Publish.

1. Adjektive durch Zahlen ersetzen, jedes "schnell" wird zu "X Minuten"
2. Wir-Sprache vermeiden, immer Produkt- oder Markennamen verwenden
3. Generic Outcomes durch konkrete Subjekt-Verb-Objekt-Statements ersetzen
4. Externe Behauptungen mit überprüfbarer Quellenangabe verknüpfen
5. Statement-Dichte pro 500 Wörter messen, Ziel sind 6 bis 10 Statements
6. Vor Publish Quality-Gate: Zahl + Einheit + Zeitbezug auf jeder Behauptung

Praktisch heißt das: Zahlen schlagen Adjektive immer

Statements mit konkreten Zahlen sind das Herzstück AEO-tauglichen Contents. Wer Marketing-Sprache systematisch durch verifizierbare Aussagen ersetzt, wird in ChatGPT, Gemini und Perplexity spürbar häufiger zitiert — der Effekt ist über Branchen, Sprachen und Content-Typen hinweg robust beobachtbar, das genaue Ausmaß variiert. Der Effekt ist robust über Branchen, Sprachen und Content-Typen.

Konkrete nächste Schritte: Audit deiner Top-20-Seiten auf Statement-Dichte, Refactor mit Zahlen-Quellen-Verknüpfung, redaktionelle Schulung auf die drei Pflicht-Regeln. Tools für die Umsetzung: AEORadar oder Profound für das Citation-Tracking, Statista oder eigene Status-Pages als Quellen. Wer diesen Stack diszipliniert fährt, hat einen verlässlichen Hebel, der unabhängig von Schema-Änderungen oder Algorithmus-Updates funktioniert — weil Fakten immer extrahierbar bleiben.