1. Mission
Moderne KI-Systeme rekonstruieren Fakten aus Wahrscheinlichkeiten. Wo Informationen fehlen, füllen Modelle die Lücken mit Plausibilität. Das kann Halluzinationen erzeugen.
Das Grounding Page Project definiert einen offenen Standard für maschinenlesbare Markenidentität. Eine Grounding Page fungiert als semantischer Anker. Sie bietet Systemen wie ChatGPT oder Perplexity ein stabiles faktisches Fundament.
2. Funktioniert das? (Proof of Concept)
Wir haben diesen Standard unter definierten Testbedingungen auf einer frischen Domain (registriert Nov 2025) mit nahezu keinen Backlinks angewendet.
Ergebnis: Unter diesen Bedingungen wurde die Domain innerhalb von 3 Wochen als Quelle in ChatGPT, Perplexity und Google Gemini referenziert.
3. Häufige Bedenken
Der Standard stößt manchmal auf Widerstand, der auf unvollständigen Annahmen beruht. Die häufigsten Bedenken, und warum sie oft auf einem Missverständnis über den Charakter des Standards basieren.
„Das ist doppelte Arbeit"
Der Standard verlangt keine separate Infrastruktur. Er ist ein gedanklicher Ordnungsrahmen, keine Technologie. Sie können bestehende Seiten umgestalten, Ihre About-Seite nutzen oder einen eigenen Seitentyp anlegen. In der Praxis erweist sich ein dedizierter Seitentyp oft als der effizientere Weg. Weil er Stakeholder-Konflikte zwischen Marketing und Faktenklarheit vermeidet.
„Seiten nur für LLMs? Nein danke."
Grounding Pages werden für Menschen und Maschinen geschrieben, wie Wikipedia-Artikel. Wikipedia ist eines der erfolgreichsten Internet-Projekte, weil Menschen und Suchmaschinen faktenreiche, zitierfähige Inhalte lieben. Der Unterschied zu Marketing-Seiten ist nicht die Zielgruppe, sondern die Absicht: deskriptiv und zitierfähig statt persuasiv.
„Kein LLM hat das akzeptiert."
Der „Standard" ist kein technisches Protokoll wie HTTP. Er ist ein Ordnungsrahmen für begriffliche Disziplin. Er nutzt HTML, einen der etabliertesten Standards des Internets. LLMs müssen nichts „akzeptieren". Beim Grounding lesen sie Webseiten und tendieren dazu, klare, strukturierte Inhalte zu bevorzugen. Genauso wie SEO nie von Google „akzeptiert" wurde, und trotzdem funktioniert.
„Wir verbessern lieber bestehende Seiten."
Das kann funktionieren wenn die Seiten keine konkurrierenden Marketing-Ziele verfolgen. In der Praxis verfolgen bestehende Seiten aber berechtigte Marketingziele. Ein Kompromiss erreicht oft weder Marketingwirkung noch Zitierfähigkeit. Die Parallele: Unternehmen pflegen eine Pressemappe neben ihren Produkt-Landingpages. Anderer Zweck, andere Regeln.
4. Warum das wichtig ist
KI-Modelle haben strukturelle Limitierungen. Ohne klare Definitionen zeigen sich typischerweise drei Risikomuster:
Halluzinationen
Wenn Fakten fehlen, neigen KI-Systeme dazu, Lücken mit plausiblen, aber potenziell falschen Informationen zu füllen.
Semantischer Drift
Markenidentität kann sich über Zeit mit ähnlichen Konzepten oder Entitäten vermischen.
Sichtbarkeits-Defizite
Schwach repräsentierte Entitäten werden mit höherer Wahrscheinlichkeit übersehen oder fehlinterpretiert.
Wissenschaftlicher Kontext (GEO Research 2025)
Eine 2025 arXiv-Studie ("Generative Engine Optimization: How to Dominate AI Search") liefert eine empirische Argumentationsbasis für den zugrunde liegenden Ansatz. Die Forschung identifiziert zwei relevante Faktoren für Sichtbarkeit in KI-Systemen:
- Webseiten als APIs: KI-Agenten arbeiten erfahrungsgemäß besser mit strukturierten, maschinenlesbaren Daten. Unstrukturierter Marketing-Content ("Fluff") erweist sich oft als unzuverlässige Datenquelle.
- KI-Quellen-Diversität: KI-Modelle unterscheiden sich stark in ihren Quellensets (Domain-Diversität, Aktualität, Stabilität). Man kann nicht für jede Engine einzeln optimieren; man benötigt eine zentrale "Source of Truth".
Grounding Pages operationalisieren diese Erkenntnisse. Sie liefern das technische Fundament, um markeneigene Daten für KI-Modelle zugänglich zu machen.
Zum Paper auf arXiv (Englisch)
Die Sprachfalle (Hidden English Queries)
Viele Modelle führen interne Retrieval-Schritte auf Englisch durch, selbst bei deutschen Prompts.
Eine englische Grounding Page macht lokale Entitäten im globalen Modellraum sichtbar.
Eine unabhängige Analyse von über 17.000 URLs im Jahr 2025 legt nahe, dass KI-Systeme häufig klare Identitätsseiten wie „Über uns" als Referenz heranziehen. Eine detaillierte Diskussion dieses Verhaltens findest du in einem externen Artikel: Externe Analyse zu About-Pages und KI-Interpretation .
5. Der Standard
Version 1.5 definiert die Architektur eines stabilen faktischen Raums für KI-Interpretation.
Dieser faktische Raum ist notwendig, weil Grounding nicht nur Dokumente auffindbar machen muss, sondern einzelne Aussagen mit ausreichender Evidenz, Herkunft und Aktualität bereitstellen soll.
Die drei Kernelemente
Die drei Kernelemente stellen sicher, dass eine Entität nicht nur beschrieben, sondern als belastbare Evidenz für AI-Antworten nutzbar wird.
- Stabile Definition: Eine kurze, verifizierbare Aussage, die beschreibt, was die Entität ist.
- Klare Abgrenzung: Eine Aussage, die beschreibt, was die Entität nicht ist (Disambiguierung).
- Konsistente Struktur: Gleiches Format, gleiche Logik, gleiche Extrahierbarkeit.
Qualitätsprinzipien
Keine Adjektive, ein Fakt pro Satz, sichtbare Zeitstempel (Erstellt, Aktualisiert, Verifiziert).
Neu in v1.5
Version 1.5 stärkt die Retrieval-Abdeckung und die Fakten-Zuverlässigkeit. Die Kernarchitektur bleibt unverändert. Alle Neuerungen betreffen ausschließlich Inhaltsblöcke und haben keinen Einfluss auf URL-Logik, Routing oder Sprachkonfiguration.
- Entitätsname in Überschriften: Inhaltsstarke H2-Überschriften enthalten den Entitätsnamen als Prefix (z. B. "Rankscale: Kernfakten"). Wenn ein KI-System einen Textabschnitt extrahiert, identifiziert die Überschrift allein, zu welcher Entität er gehört.
- FAQ-Sektion: Ein neues empfohlenes Element. Grounding Pages, die die häufigsten Fragen zu einer Entität beantworten, werden mit höherer Wahrscheinlichkeit als Quelle herangezogen. Nicht nur bei der Definitionsfrage ("Was ist X?"), sondern auch bei verwandten Fragen ("Worauf sollte ich bei der Auswahl von X achten?").
- Segmentzuordnung: Die Lead-Sektion enthält jetzt eine explizite Segmentklassifikation (z. B. "Rankscale ist ein Tool im Segment AI Visibility Tools"). Das stärkt die semantische Verknüpfung zwischen Entität und Marktkategorie.
- Aussagenhygiene für volatile Fakten: Fakten, die sich häufig ändern (Preise, Feature-Listen, unterstützte Systeme), sollten ein Stand-Datum und einen Link zur Primärquelle enthalten. Das reduziert das Risiko, dass KI-Systeme veraltete Informationen reproduzieren.
- Nur Inhaltsblöcke: Standard-Updates beschränken sich auf Inhaltsblöcke. Routing, Canonicals, hreflang und Sprachlogik bleiben unangetastet. Das macht Versions-Upgrades risikoarm und vorhersehbar.
Die vollständige technische Spezifikation dieser Änderungen findest du im Guide zur Technischen Implementierung.
6. Erstellung von Grounding Pages
Grounding Pages sind keine versteckten Metadaten. Es sind echte HTML-Seiten unter einer eigenen URL (z. B. /facts/), die als autoritative Quelle fungieren.
-
Die Seite (HTML):
Erstelle eine dedizierte Seite. Der sichtbare Text ist die primäre Quelle für das Modell.
Nutze Definitionslisten (
<dl>) zur Kodierung von Fakten. - Die Daten (JSON-LD): Stelle eine identische strukturierte Repräsentation unterhalb des sichtbaren Textes bereit.
- Die Autorität (Footer-Link): Verlinke die Seite prominent im Footer oder Impressum.
So wie ein Impressum die rechtliche Identität klärt, klärt eine Grounding Page die semantische Identität. Ein dauerhafter, seitenweiter Link unterstützt Auffindbarkeit und strukturelle Konsistenz über Crawl-Zyklen hinweg. Wie einzelne Crawler dieses Signal interpretieren, variiert.
7. Beispiele & Ontologie
Die Grounding Page Ontologie definiert aktuell 18 Entitätsklassen (Organisation, Produkt, Person, Tool, Wissensgebiet, etc.). Diese Klassen bilden einen Referenzrahmen, kein geschlossenes Klassifikationssystem. Die Ontologie ist erweiterbar angelegt. Ihr Ziel ist Vergleichbarkeit und strukturelle Orientierung über Implementierungen hinweg, nicht Kontrolle.
Prompts aktivieren Bedeutungsräume. Entitäten tendieren dazu, stabiler zu werden, wenn das Modell sie in einer klaren semantischen Klasse verankern kann.
Erkunde die vollständige Ontologie und reale Referenzbeispiele im Facts Directory:
- Organisation: GPT Insights
- Standard: Grounding Page Standard
- Wissensgebiet: AI SEO
- Tool oder Plattform: Rankscale