Zitationsgraphen KI: 23 von 223 Quellverweisen führen ins Leere. Was AI Agenten als Beleg akzeptieren

1. Einführung: Zitationsgraphen KI kurz erklärt

Eine Fußnote ist eine Straße mit Einbahnregelung. Sie führt von einem Text zu einem anderen, nie zurück. Legt man Millionen solcher Straßen übereinander, entsteht ein Stadtplan des Wissens. Genau diesen Plan werten KI-Systeme aus, wenn eine Frage zu groß für eine einzelne Seite ist. Sie folgen den Verweisen, sammeln unterwegs Belege ein und bauen daraus eine Antwort. Ihr Unternehmen ist auf diesem Plan entweder ein Knoten mit Zufahrten oder eine Sackgasse.

Zitationsgraphen sind Netze aus Dokumenten und ihren Quellenverweisen. Jeder Knoten steht für einen Text, jede Kante für einen Verweis von einem Text auf einen anderen. KI-Systeme nutzen solche Netze, um bei mehrteiligen Fragen von Fundstelle zu Fundstelle zu springen, Belege gegeneinander zu halten und daraus eine Antwort mit Quellenangaben zu bauen.

Was das für Sie heißt: Fasst ein Programm für einen Kunden Ihre Branche zusammen, liest es nicht eine Seite. Es springt über Verweise von Text zu Text. Kommt Ihr Haus dabei nirgends vor, taucht es in der Zusammenfassung nicht auf, auch wenn die eigene Seite gut gemacht ist. Sie verlieren die Anfrage, ohne je zu erfahren, dass es sie gab.

Der Rest dieses Beitrags zeigt, wie dieses Netz gebaut ist, was es misst und was nicht. Danach folgen fünf Schritte, mit denen Sie Ihre eigenen Seiten darin verankern. Wer zuerst verstehen möchte, wie Modelle zwischen Quellen sortieren, findet dazu einen eigenen Beitrag. Für die Praxis zählt vor allem eines: Nötig sind beide Richtungen, eingehende und ausgehende Verweise.

2. Warum AI Agenten bei komplexen Prompts dem Graphen folgen

Bei einer einfachen Frage reicht ein Treffer. Wer wissen will, wann ein Geschäft öffnet, bekommt eine Zeile und ist fertig. Bei einer mehrteiligen Frage funktioniert das nicht mehr. Eine Anfrage wie „Vergleiche die drei führenden Anbieter für Lagerlogistik im deutschsprachigen Raum und nenne die Belege“ verlangt Quellen aus verschiedenen Ecken, die zueinander passen müssen.

Genau dafür wurde der Graph gebaut. Ein Abrufsystem beginnt bei einem passenden Dokument, sieht nach, worauf dieses Dokument verweist, und zieht die Nachbarn mit hinein. So entsteht eine Umgebung statt eines Einzeltreffers. Das Verfahren heißt in der Forschung Graph Retrieval. Es ist der Grund, warum lange Antworten heute mehr Quellen tragen als früher.

Hu und Kollegen haben dazu einen Ansatz namens CG-RAG vorgestellt, der lexikalische und semantische Signale direkt in der Graphstruktur verbindet. Ihr System nutzt den Zitationsgraphen als Trägerstruktur für den Abruf, statt Dokumente einzeln zu bewerten (Hu u. a., arXiv). Für Sie ist daran nur ein Punkt wichtig: Nachbarschaft schlägt Einzelstellung. Ein Text mit Verweisen wird mitgezogen. Ein Text ohne Verweise bleibt liegen.

Zu unterscheiden ist der Zitationsgraph dabei vom Knowledge Graph (einem maschinenlesbaren Netz aus Dingen und ihren Beziehungen). Das eine verbindet Dokumente miteinander, das andere die Dinge dahinter: Unternehmen, Personen, Produkte. In der Praxis greifen beide Netze ineinander, sobald ein Dokument sauber einer Organisation zugeordnet ist.

Diese Logik ist nicht auf akademische Forschung beschränkt. Dieselbe Mechanik greift, wenn ChatGPT, Claude, Copilot, Gemini, Perplexity oder Grok eine Marktübersicht bauen. Die Kanten heißen dann Link, Erwähnung oder Quellenangabe, die Rechenlogik bleibt dieselbe. Ein Fachartikel, der drei belastbare Studien nennt und selbst von zwei Fachmedien genannt wird, hält fünf Kanten. Eine Landingpage ohne Verweise hält keine.

Deep Research: Warum das Training allein nicht reicht

Ein Sprachmodell entsteht in mehreren Stufen. Zuerst laufen riesige Trainingsdaten durch, danach folgt überwachtes Fine-Tuning auf sauber aufbereiteten Beispielen, zuletzt RLHF, also verstärkendes Lernen aus menschlicher Rückmeldung. Aus diesem Prozess kommt Sprachfähigkeit, kein aktuelles Wissen über Ihre Branche.

Deshalb hängen heutige Systeme den Abruf davor. Erst wird gesucht, dann geantwortet. Genau an dieser Nahtstelle entscheidet der Graph mit, welche Dokumente überhaupt in das Reasoning des Modells gelangen. Ein Benchmark misst am Ende nur, wie gut das Zusammenspiel funktioniert hat. Sichtbar wird das Ergebnis dann in Google AI Overviews, in AI Mode und in den Snippets, die Assistenten aus fremden Seiten schneiden. Wen ein System dabei zitiert, hängt weniger am Text selbst als an seiner Lage im Netz.

Die Oberflächen unterscheiden sich dabei stärker als die Technik dahinter. In den AI Overviews und im AI Mode von Google stehen die Verweise am Rand der Antwort. ChatGPT und Claude setzen sie an den einzelnen Satz, Perplexity nummeriert sie durch, Copilot und Gemini mischen beide Formen. Für die AI Visibility einer Marke zählt deshalb keine einzelne Oberfläche, sondern die Summe über alle Engines hinweg.

AEO und KI Suche: Wo die Belege am Ende sichtbar werden

Die Arbeitsteilung hat einen Namen bekommen. Answer Engine Optimization, kurz AEO, meint die Arbeit an extrahierbaren Antworten für Antwortmaschinen. Beides zielt auf dasselbe: in den Index kommen, zitierfähig sein, weitergereicht werden. Die Engines unterscheiden sich darin, wie stark sie dabei auf Verweise setzen. Die Extraktion einer Passage gelingt nur, wenn diese Passage für sich allein steht. Das Rückbinden der Antwort an den Beleg heißt bei den Anbietern Grounding; eine so verankerte Ausgabe gilt als grounded. Ein GEO-Audit (die einmalige Bestandsaufnahme, welche Ihrer Seiten in KI-Antworten auftauchen) zeigt dabei recht schnell, wo Ihre Quellenspur heute endet.

3. Was der Graph misst und warum Zitieren nicht Zustimmen heißt

Die meisten Ratgeber zum Thema empfehlen dasselbe: Nennungen zählen, Zitationszahlen beobachten, Erwähnungsquote steigern. Das ist nicht falsch, greift aber zu kurz.

Unsere Position: Eine Kante im Zitationsgraphen trägt keine Bewertung. Sie sagt, dass ein Text auf einen anderen zeigt. Sie sagt nicht, ob er zustimmt, widerspricht oder nur nebenbei erwähnt. Ding und Kollegen formulieren das in ihrer Arbeit zum Claim Network unmissverständlich.

„Wissensgraphen über Korpora sich gegenseitig referenzierender Dokumente, also Fachartikel, Gerichtsentscheidungen oder Positionspapiere, kodieren die Topologie des Verweises, aber nicht seine Haltung.“
(„Knowledge graphs over corpora of inter-referencing documents – scholarly papers, legal opinions, policy briefs – encode the topology of reference but not its stance.“, Ding u. a.)

Die Gruppe hat deshalb jede Referenz als typisierte Aussage modelliert, mit Quelle, Ziel, Aussagetext und einer von vier Haltungsklassen. Aus 127 Arbeiten zur semantischen Segmentierung von 3D-Punktwolken entstand so ein Netz aus 8.260 typisierten Aussagen (Ding u. a., arXiv). Der Aufwand lohnt sich, weil die untypisierte Kante eine Frage offenlässt, die für Ihre Reputation zählt: Wird über Sie gut geredet oder nur geredet?

Die zweite Lücke ist noch praktischer. Eine Kante kann ins Leere führen. Onweller und Kollegen haben 14 geschlossene und offene Sprachmodelle daraufhin geprüft, ob die Belege in ihren Recherche-Berichten halten. Das Ergebnis fällt auseinander.

„Große Sprachmodelle betreiben Deep-Research-Agenten, die Informationen aus Hunderten von Webquellen zu belegten Berichten verdichten, doch diese Belege lassen sich nicht verlässlich überprüfen.“
(„Large language models (LLMs) power deep research agents that synthesize information from hundreds of web sources into cited reports, yet these citations cannot be reliably verified.“, Onweller u. a.)

In Zahlen: Die Links funktionierten bei den stärksten Modellen zu über 94 Prozent, die thematische Passung lag über 80 Prozent, die faktische Deckung der Aussagen aber nur zwischen 39 und 77 Prozent. Je tiefer die Recherche ging, desto schlechter wurde es. Von 2 auf 150 Werkzeugaufrufe fiel die Faktenprüfung im Mittel um rund 42 Prozent (Onweller u. a., arXiv).

Daraus folgt eine andere Reihenfolge, als der Wettbewerb sie vorschlägt. Die Zahl der Nennungen ist die schwächere Kennzahl. Die stärkere ist die Prüfbarkeit der zitierten Stelle. Zeigt ein Agent auf Ihre Seite, muss der Satz, auf den er zeigt, dort auch wirklich stehen. Sonst kippt die Aussage bei der nächsten Prüfung, und mit ihr Ihre Erwähnung.

Wo die Fehler entstehen, hat die Gruppe um Hirsch am System AI-Q nachgemessen und eine vierteilige Taxonomie aufgestellt: Halluzination, nicht zitierte Abhängigkeit von der Eingabe, nicht zitierte Ausgabe und unzureichende Belege. 84,7 Prozent der Fehler im Endbericht stammten vom zusammenführenden Agenten, 31 Prozent davon waren Halluzinationen. Zwei einfache Eingriffe hoben die Citation Recall um 5 Prozentpunkte (Hirsch u. a., arXiv).

„Zitate sind der wichtigste Mechanismus, um die Verlässlichkeit dieser Berichte zu bewerten, doch heutige Deep-Research-Systeme erreichen eine schwache Zitat-Trefferquote.“
(„Citations are the primary mechanism for evaluating the faithfulness of these reports, yet current DR systems exhibit poor citation recall.“, Hirsch u. a.)

Für die Synthese heißt das: Der letzte Arbeitsschritt ist der fehleranfälligste. Das gilt in der Enterprise-Suche genauso wie bei klinischen Leitlinien, wo eine falsch zugeordnete Aussage teuer wird. Am besten prüft man deshalb nicht nur, ob man zitiert wird, sondern auch, wofür. In der Enterprise-Suche eines Konzerns ist der Effekt derselbe wie im offenen Web. Und in der AI Search zitieren Modelle bevorzugt, was sich gegenlesen lässt.

4. Voraussetzungen: Was Ihre Inhalte mitbringen müssen

Bevor Sie an Kanten arbeiten, muss der Knoten selbst stabil sein. Drei Dinge gehören dazu, und keines davon ist teuer.

• Eine stabile Adresse. Jede Aussage, auf die jemand zeigen soll, braucht eine Adresse, die in zwei Jahren noch dieselbe ist. Umzüge ohne Weiterleitung kappen alle eingehenden Kanten auf einmal.
• Ein prüfbarer Satz. Die Aussage steht wörtlich auf der Seite, nicht als Andeutung in einer Grafik. Was nur im Bild steht, kann ein Abrufsystem nicht gegenlesen.
• Eine erkennbare Herkunft. Autor, Stand und Organisation sind sichtbar und zusätzlich als strukturierte Daten hinterlegt, etwa im Article-Schema. Ohne das bleibt der Knoten anonym, und anonyme Knoten werden seltener weitergereicht.

Der dritte Punkt hängt eng damit zusammen, als Entität erkannt werden. Die Zuordnung ist der Scharnierpunkt zwischen den beiden Netzen aus Abschnitt 2. Steht am Dokument, wer es veröffentlicht hat, wandert der Verweis vom Text auf die Organisation weiter. Fehlt diese Angabe, endet die Spur beim anonymen Dokument. Im Article-Schema genügen dafür drei Felder: Autor, Datum und herausgebende Organisation.

Praktisch heißt das: Legen Sie fest, welche Seite für welche Aussage zuständig ist. Eine Aussage, ein Ort. Verteilt sich derselbe Sachverhalt über fünf Seiten, verteilen sich auch die eingehenden Verweise, und keiner der fünf Knoten wird stark. Das ist dieselbe Disziplin, die auch bei drei Wörter pro Aussage hilft: klar benennen, wer was tut.

5. Schritt für Schritt: Beiträge und Paper im Quellennetz verankern

Die folgenden fünf Schritte lassen sich in wenigen Wochen abarbeiten. Nötig ist dafür kein kostenpflichtiges Tool, sondern Disziplin in der Redaktion. Am besten legt man den Ablauf als festen Workflow in der Redaktionsplanung ab und verzahnt ihn mit den bestehenden Workflows der Qualitätssicherung.

Schritt 1: Den eigenen Bestand auf ausgehende Verweise prüfen

Gehen Sie Ihre wichtigsten Fachbeiträge durch und zählen Sie, wie viele externe Quellen jeder Beitrag nennt. Ziel sind drei bis sechs belastbare Verweise je Beitrag, direkt am Satz mit der Zahl. Beiträge ohne einen einzigen Verweis sind im Netz Blätter ohne Zweige. Ein Verweis auf eine Originalveröffentlichung wiegt dabei schwerer als fünf auf Zusammenfassungen.

Schritt 2: Jede Zahl an ihre Primärquelle binden

Suchen Sie zu jeder Zahl in Ihren Texten das Original: die Study, die Amtsstatistik, die Herstellerdokumentation. Verlinken Sie dorthin, nicht auf den Artikel, der die Zahl weitererzählt. Notieren Sie Stand und Abrufdatum im Text. So bleibt die Kante auch dann brauchbar, wenn sich der Wert später ändert. Diese Arbeit ist stumpf und zahlt sich trotzdem am stärksten aus.

Schritt 3: Aussagen extrahierbar formulieren

Schreiben Sie die Kernaussage als eigenständigen Satz an den Anfang des Abschnitts, ohne Rückbezug auf den vorherigen Absatz. Ein Agent schneidet Ihre Seite in Stücke und liest sie einzeln. Was nur im Zusammenhang funktioniert, verliert beim Schneiden seinen Sinn. Tabellarisch aufbereitete Werte helfen zusätzlich, weil Systeme sie sauber extrahieren können.

Schritt 4: Eingehende Kanten aufbauen

Ausgehende Verweise setzen Sie selbst, eingehende müssen Sie verdienen. Dafür gibt es drei verlässliche Wege: eigene Daten veröffentlichen, die andere zitieren wollen; in Fachmedien und Verbandspublikationen vorkommen; und in offenen Datenbeständen sauber hinterlegt sein, allen voran Wikidata (der frei bearbeitbaren Datenbank hinter vielen Wissenskarten). Internationale Pressemitteilungen sind der planbarste dieser Wege, weil sie Erwähnungen in Medien erzeugen, die KI-Systeme ohnehin abrufen.

Schritt 5: Die eigene Spur regelmäßig gegenprüfen

Stellen Sie einen festen Fragenkatalog zusammen und geben Sie ihn einmal im Quartal manuell in mehrere KI-Assistenten ein. Notieren Sie, welche Quellen genannt werden und ob Ihre Seite darunter ist. Prüfen Sie zusätzlich, ob die zitierte Stelle die Aussage wirklich trägt. Mehrere Durchläufe je Frage sind nötig, weil dieselbe Frage nicht jedes Mal dieselbe Antwort ergibt.

6. Tools und Datenquellen für den Zitationsgraphen

Wer den Graphen einmal selbst sehen will, braucht dafür keinen Zugang zu einem Rechenzentrum. Die großen Bestände liegen als Open Data bereit. Die folgende Übersicht nennt Funktionen und Preise der wichtigsten Tools in der gebotenen Kürze. Spezialisierte Werkzeuge für die Literaturrecherche setzen fast alle auf diesen Beständen auf.

Open Access und Open Data: Woher die Bestände kommen

Der Unterschied zwischen offenen und geschlossenen Beständen ist für die Praxis erheblich. Web of Science ist ein kostenpflichtiges Tool mit sehr sauberer Kuratierung. OpenAlex und Semantic Scholar sind als Open Data frei abrufbar und liefern denselben Kantentyp in größerem Umfang. Semantic Scholar allein nennt 214 Millionen Paper und 2,49 Milliarden Zitationsverknüpfungen (Semantic Scholar).

Wie belastbar solche offenen Bestände sind, zeigt eine Arbeit von Samarek und Martinek. Die beiden haben über OpenAlex ein Graphmodell mit sieben Knoten- und sieben Kantentypen aufgesetzt und daraus drei Detektoren für auffällige Publikationsmuster gebaut. Ein Signal erreichte auf einem institutionellen Datensatz einen AUC-Wert von 0,70, und zwar in Minuten auf gewöhnlicher Hardware (Samarek und Martinek, arXiv). Der Methodenteil liest sich nüchtern, die Methodik ist nachbaubar.

Für die eigene Marke ist der interessanteste Zugang nicht die akademische Forschung, sondern Wikidata. Der Bestand lässt sich per SPARQL abfragen, einer Abfragesprache für Linked Data, und viele KI-Systeme greifen darauf zurück. Wer dort sauber eingetragen ist, liefert dem Netz einen festen Ankerpunkt. Data Mining im großen Stil ist dafür nicht nötig; ein einzelnes Paper oder ein gepflegter Eintrag genügt als Anfang. Wie sich solche Einträge über die Zeit verändern, behandelt der Beitrag zu Wissensnetze, die sich fortschreiben ausführlicher.

An den Stack lassen sich diese Bestände auch selbst anbinden. Agenten-Werkzeuge wie Claude Code oder Gemini CLI sprechen die Programmierschnittstellen direkt an, und ein kleines Open-Source-Skript reicht, um aggregiert auszuwerten, wer in Ihrem Themenfeld wen zitiert. In der Fachliteratur steht dafür die Kurzform mit et al., also Erstautor plus Sammelbezeichnung für die übrigen.

Anbieterseitig ist die Entwicklung eindeutig. OpenAI, Google und Anthropic bauen die Belegpflicht in die Systeme selbst ein. Anthropic beschreibt in der Dokumentation zur Citations-Funktion, dass die Programmierschnittstelle die Belege auswertet und die zitierte Passage direkt aus dem Dokument entnimmt.

„In den Auswertungen von Anthropic zitiert die Citations-Funktion deutlich häufiger die relevantesten Stellen aus Dokumenten als rein prompt-basierte Ansätze.“
(„In Anthropic’s evaluations, the citations feature is significantly more likely to cite the most relevant quotes from documents than purely prompt-based approaches.“, Anthropic)

Verwandte Artikel: Wie Nachbarschaftslisten entstehen

Wie alt dieses Prinzip ist, zeigt ein Blick in die Medizin. PubMed berechnet zu jedem Eintrag vorab eine Liste eng verwandter Arbeiten und hält sie unter einer eigenen Schaltfläche bereit.

„Die Abstract-Seite einer Fundstelle enthält Links zu PubMed-Einträgen für ähnliche Artikel.“
(„The abstract page for a citation includes links to PubMed citations for similar articles.“, PubMed)

Genau dieses Muster nutzen KI-Systeme heute in großem Maßstab. Wer in technischen Themenfeldern zitiert werden will, sollte deshalb nachsehen, ob die eigene Arbeit über solche Nachbarschaftslisten überhaupt erreichbar ist. Ein Paper ohne eingehende Verweise bleibt in dieser Liste unsichtbar.

Der Trend läuft also weg vom freien Nacherzählen und hin zur belegten Stelle. Das ist gut für alle, die sauber arbeiten. Und es erhöht den Druck auf Seiten, deren Aussagen sich nicht gegenlesen lassen.

7. Häufige Fehler und wie Sie sie vermeiden

In unseren Tests tauchen immer wieder dieselben fünf Muster auf. Keines davon ist aufwendig zu beheben.

• Tote Verweise stehen lassen. In unserer Stichprobe lieferten 23 von 223 externen Verweisen kein gültiges Dokument. Ein Verweis auf eine verschwundene Seite ist wie eine Telefonnummer auf einer zehn Jahre alten Visitenkarte.
• Nur auf sich selbst verweisen. Interne Verlinkung ordnet die eigene Seite, baut aber keine Brücke nach außen. Ohne ausgehende Kanten bleibt der Knoten isoliert.
• Zahlen ohne Herkunft nennen. Eine Prozentangabe ohne Quelle kann ein System weder prüfen noch weiterreichen. Im Zweifel wird sie ignoriert.
• Die Aussage im Bild verstecken. Text in einer Grafik bleibt für ein Abrufsystem meist unsichtbar. Die Kernaussage gehört zusätzlich in den Fließtext.
• Erwähnungen mit Zustimmung verwechseln. Eine Nennung in einem kritischen Beitrag ist eine Kante wie jede andere. Lesen Sie nach, in welchem Ton über Sie geschrieben wird, bevor Sie die Zahl feiern.

Der erste Punkt verdient eine Zwischenbemerkung zur eigenen Erhebung. Von den 155 auswertbaren Inhaltsseiten trugen 97 keinen einzigen externen Quellverweis. Eine frühere Auswertung aus demselben Monat kam auf einen niedrigeren Anteil; dort lag ein anderer Auswahlweg mit deutlich größerem Umfang zugrunde, weshalb sich die beiden Zahlen nicht direkt vergleichen lassen. Beide zeigen dasselbe Muster: Der überwiegende Teil deutscher Fachinhalte zitiert niemanden. Gerade für KMU ist das eine gut erreichbare Lücke.

Eine Empfehlung zum Schluss dieses Abschnitts: Behandeln Sie die Quellenpflege wie die Buchhaltung. Einmal im Quartal alle ausgehenden Links prüfen, tote ersetzen, neue Belege nachtragen. Das dauert eine Stunde und hält Ihre Kanten am Leben.

8. Fazit

Zitationsgraphen entscheiden nicht allein darüber, wer in einer KI-Antwort vorkommt. Sie bestimmen aber, welche Dokumente ein System bei einer komplexen Frage überhaupt in die engere Wahl nimmt. Wer im Netz keine Kanten hält, wird nicht mitgezogen.

Die gute Nachricht steckt in den Zahlen. Die Bestände sind offen, die Mechanik ist bekannt, und der Wettbewerb arbeitet überwiegend nicht daran. Drei bis sechs geprüfte Quellen je Fachbeitrag, eine stabile Adresse je Aussage und ein Satz, der wirklich dort steht, wo der Verweis hinzeigt: mehr braucht der Anfang nicht. Klassische Keywords bleiben daneben wichtig, tragen aber keine Kante. Und wer selbst sauber zitiert, wird mit einiger Wahrscheinlichkeit eher zitiert.

Wer heute in AI Overviews auftaucht, hat das meist nicht mit einem einzelnen Text geschafft, sondern mit einer Spur aus Verweisen.

Das Ziel: Ihre Seite soll nicht nur gefunden, sondern weitergereicht werden. Dafür muss sie im Netz hängen, nicht daneben.

9. Anhang: Checkliste für den nächsten Fachbeitrag

• Jede Zahl trägt einen Verweis auf die Primärquelle, direkt am Satz.
• Drei bis sechs externe Quellen je Beitrag, davon mindestens eine Originalveröffentlichung.
• Alle ausgehenden Verweise einmal im Quartal auf Erreichbarkeit geprüft.
• Kernaussage als eigenständiger Satz am Abschnittsanfang, ohne Rückbezug.
• Autor, Stand und Organisation sichtbar und strukturiert hinterlegt.
• Eine Aussage, eine Adresse: keine Dopplung über mehrere Seiten.
• Fester Fragenkatalog für die Gegenprüfung in mehreren KI-Assistenten hinterlegt.
• Wikidata-Eintrag der Organisation vorhanden und aktuell.

Hinweis: Die genannten Messwerte stammen aus den verlinkten Veröffentlichungen und wurden am 28.09.2026 gegen die Originalquellen geprüft. Die Angaben zur eigenen Erhebung beziehen sich auf 155 auswertbare deutsche Inhaltsseiten, die im September abgerufen wurden. Es handelt sich um eine Stichprobe und nicht um eine repräsentative Untersuchung. KI-Systeme antworten nicht deterministisch, weshalb sich Wirkungen auf die Sichtbarkeit nur über wiederholte Messungen einschätzen lassen.