Agentic Search: Leitfaden

TL;DR — Agentic Search ist eine KI, die sämtliche Recherchearbeit übernimmt, nicht nur eine einzelne Frage beantwortet. Statt einer schnellen Antwort startet sie Dutzende Suchvorgänge, liest die tatsächlichen Seiten und liefert manchmal erst nach einigen Minuten einen ausgearbeiteten Bericht. Denk an eine schnelle ChatGPT-Antwort im Vergleich zu ChatGPT Deep Research, das zehn Minuten verschwindet und mit einem Bericht zurückkommt. Praktisch wichtig: Manche Agenten surfen mit einem echten Chrome- Browser, daher kann robots.txt sie nicht stoppen.

Die drei Ebenen der Suche

„Agentic Search“ ist ein sich entwickelndes Produktmuster, keine einzelne standardisierte Ranking-Architektur. Evidence for this claim Deep-research products can perform multi-step web research and synthesize cited results. Scope: Documented product capabilities, not a universal definition or ranking architecture for agentic search. Confidence: high · Verified: 2026-07-14 OpenAI: Introducing deep research Dokumentierte Systeme können browsen, Inhalte zusammenfassen und mehrstufige Aktionen ausführen; ihr Verhalten variiert jedoch je nach Produkt und Release. Evidence for this claim The term agentic search covers an evolving set of vendor implementations whose tools and behavior can differ. Scope: Editorial synthesis from documented product behavior; implementations and releases may vary. Confidence: medium · Verified: 2026-07-14 OpenAI: Introducing deep research

Es hilft, sich die Suche als drei aufeinander aufbauende Ebenen vorzustellen:

1. Klassische Suche. Du gibst eine Anfrage ein, Google liefert eine Linkliste und du liest sie und entscheidest. Der Mensch erledigt die Arbeit.
2. AI Search. Du stellst eine Frage; die KI zieht Quellen heran und schreibt dir eine Antwort — etwa eine AI Overview, eine ChatGPT-Antwort oder eine Perplexity-Antwort. Die KI liest, du liest ihre Zusammenfassung.
3. Agentic Search. Du gibst der KI ein Ziel — „Vergleiche die besten Projektmanagement-Tools für eine Agentur mit zehn Personen und sag mir, welches ich wählen soll“ — und sie arbeitet selbstständig los. Sie plant die Aufgabe, führt viele Suchen aus, öffnet und liest echte Seiten, passt ihr Vorgehen an und erstellt am Ende einen Bericht oder führt sogar eine Aktion aus, etwa das Ausfüllen eines Formulars. Die Zwischenschritte siehst du möglicherweise nie.

Am einfachsten lässt sich die Beziehung so merken: Jede Agentic Search ist AI Search, aber nicht jede AI Search ist agentisch. Agentic Search ist der Teil, der selbstständig loszieht und eine Weile arbeitet.

Ein konkretes Beispiel

Dasselbe Produkt, zwei Modi:

• ChatGPT, normale Antwort: Du fragst etwas, und das System antwortet in wenigen Sekunden aus dem, was es bereits „weiß“, eventuell ergänzt um einen kurzen Web-Aufruf. Ein Durchlauf.
• ChatGPT Deep Research: Du stellst dieselbe Frage; das System kündigt eine längere Recherche an und verbringt Minuten mit Suchen, Lesen und dem Abgleich Dutzender Quellen, bevor es eine strukturierte Antwort mit Zitaten schreibt.

Der zweite Modus ist Agentic Search. Googles Gemini Deep Research und Perplexitys Deep Research arbeiten nach demselben Muster.

Warum SEOs das interessiert

Zwei Gründe:

• Diese Agenten lesen deine tatsächlichen Seiten gründlich. Ein klassischer Crawler überfliegt viele Seiten oberflächlich. Ein Agent kann fünf bis zehn Seiten sehr genau lesen und konkrete Aussagen daraus ziehen. Eine dieser wenigen Seiten zu sein, ist das neue Ziel.
• Du kannst sie nicht immer draußen halten. Die Varianten als „Recherche-Crawler“ (etwa Gemini) geben sich zu erkennen und befolgen robots.txt. Die Agentic-Browser- Varianten — ChatGPT Agent oder Googles Project Mariner — starten dagegen einen echten Chrome-Browser in der Cloud und sehen wie menschliche Besucher aus. Es gibt keinen Bot-Namen, den du blockieren kannst; robots.txt bewirkt dort nichts.

Du möchtest den vollständigen Überblick — jede Plattform, die User-Agent-Tabelle und die wirklich hilfreichen Inhaltssignale? Wechsle zum Tab Fortgeschritten.

TL;DR — Agentic Search ist die dritte Ebene der Suche (klassisch → AI Search → agentisch): ein System, das über Minuten eine mehrstufige Schleife ausführt — Planen → Suchen → Lesen → Bewerten → erneut suchen → zusammenfassen/handeln — und pro Sitzung 20 bis 160 oder mehr Anfragen stellen kann. Die Plattformen teilen sich für die Zugriffskontrolle in zwei Gruppen. Deklarierte Crawler (Gemini-Deep-Research, Claude-User) respektieren robots.txt. Agentische Browser (ChatGPT Agent, Project Mariner, Copilot Actions) starten echte Chrome-/Edge-VMs ohne deklarierten Bot-UA; robots.txt kann sie nicht erreichen. Hier helfen nur serverseitige Kontrollen oder der entstehende Web-Bot-Auth-RFC. Der Nutzen: KI-vermittelter Traffic konvertiert etwa 42 % besser als Nicht-KI-Traffic, und agentischer Traffic hat die höchste Kaufabsicht.

Agentic Search ist eine dritte Ebene, kein Ersatz

Aktuelle Anbieterbeschreibungen unterstützen mehrstufige Recherche und Tool-Nutzung, aber keinen universellen Ersatz für Retrieval oder Ranking. Evidence for this claim Deep-research products can perform multi-step web research and synthesize cited results. Scope: Documented product capabilities, not a universal definition or ranking architecture for agentic search. Confidence: high · Verified: 2026-07-14 OpenAI: Introducing deep research Die Pipeline-Diagramme hier sind Erklärmodelle, sofern sie nicht ausdrücklich von einem Anbieter dokumentiert sind. Evidence for this claim The term agentic search covers an evolving set of vendor implementations whose tools and behavior can differ. Scope: Editorial synthesis from documented product behavior; implementations and releases may vary. Confidence: medium · Verified: 2026-07-14 OpenAI: Introducing deep research

Das mentale Modell, auf das ich immer wieder zurückkomme:

• Klassische Suche liefert Links; der Mensch liest und entscheidet.
• AI Search (das GEO-/AEO-Ziel — AI Overviews, ChatGPT-Antworten, Perplexity) liefert eine aus abgerufenem Kontext erzeugte Antwort.
• Agentic Search zerlegt ein Ziel in Teilaufgaben, wählt eigene Tools, liest ganze Seiten, iteriert aus den Erkenntnissen und endet mit einem Bericht oder einer Aktion (Kauf, Buchung oder Formularübermittlung).

Semrush bringt die Beziehung prägnant auf den Punkt: “All agentic search is AI search. Not all agentic search is the same thing as AI search.” (Übersetzung) „Jede agentische Suche ist KI-Suche. Nicht jede agentische Suche ist dasselbe wie KI-Suche.“ Die kurze Fassung bleibt hängen: Jede Agentic Search ist AI Search; nicht jede AI Search ist agentisch. Nichts davon ersetzt klassisches SEO. Autorität, Indexierbarkeit und strukturierte Daten bleiben Voraussetzungen; agentische Optimierung ergänzt sie um Vollständigkeit, Maschinenlesbarkeit und klare Entitäten.

Wie agentische Systeme tatsächlich arbeiten

Der entscheidende Unterschied zu RAG oder einem einzelnen Retrieval-Aufruf ist, dass Retrieval mitten im Reasoning in einer Schleife stattfindet:

Firecrawl beschreibt es als Methode, bei welcher der Agent “decides when to search, formulates the query from context, reads actual page content from each result, and evaluates what it found before deciding whether to synthesize or search again.” (Übersetzung) „entscheidet, wann gesucht wird, formuliert die Anfrage aus dem Kontext, liest den tatsächlichen Seiteninhalt jedes Ergebnisses und bewertet die Erkenntnisse, bevor er entscheidet, ob er zusammenfasst oder erneut sucht.“ Daraus folgen praktische Konsequenzen:

• Echtzeit-Seitenabrufe statt vorindizierter Zusammenfassungen. Agenten rufen Live- Inhalte ab und lesen ganze Seiten. Aktualität und Verfügbarkeit zählen stärker als bei klassischer Suche; ein zwischengespeicherter Snapshot entspricht nicht ihrem Vorgehen.
• Iterative Umformulierung von Anfragen. Sind Ergebnisse veraltet oder am Thema vorbei, formuliert der Agent die Anfrage neu (etwa mit „2026“, wenn er veraltete Dokumentation findet) und sucht erneut.
• Tool-Verkettung. Eine Aufgabe kann Websuche, Codeausführung, Dateilesen und das Absenden eines Formulars kombinieren.

Wie viele Suchen pro Sitzung?

Das ist keine einzelne Anfrage. Das Volumen nach Plattform:

Googles SAGE-Recherche ergab, dass KI-Agenten durchschnittlich 4,9 Schritte pro Anfrage ausführen — sie suchen, vergleichen und bewerten mehrere Quellen, bevor sie ein Ergebnis liefern.

Die wichtigsten agentischen Plattformen

OpenAI — Deep Research und ChatGPT Agent. Deep Research (o3-deep-research / o4-mini-deep-research) ist dafür ausgelegt, “find, analyze, and synthesize hundreds of sources to create a comprehensive report at the level of a research analyst,” (Übersetzung) „Hunderte Quellen zu finden, zu analysieren und zu einem umfassenden Bericht auf dem Niveau eines Rechercheanalysten zu synthetisieren.“ OpenAI warnt, dass Anfragen “can take a long time.” (Übersetzung) „lange dauern können.“ ChatGPT Agent ist der Nachfolger von Operator — eine cloudgehostete Chromium-Instanz, die das echte Web durchsucht und etwa zehn parallele Aufgaben ausführen kann. Die Retrieval-Bots (OAI-SearchBot, ChatGPT-User) sind deklariert; der agentische Browser nicht.

Google — Gemini Deep Research und Project Mariner. Gemini Deep Research führt eine explizite Schleife “Plan → Search → Read → Iterate → Output” aus — (Übersetzung) „Planen → Suchen → Lesen → Iterieren → Ausgeben“. Google beschreibt sie so: “continuously refin[ing] its analysis, browsing the web by searching and finding interesting pieces of information then starting a new search based on what it’s learned, repeating this process multiple times before generating a comprehensive report.” (Übersetzung) „die Analyse fortlaufend verfeinern, das Web durchsuchen, interessante Informationen finden, auf Grundlage des Gelernten eine neue Suche starten, diesen Vorgang mehrmals wiederholen und anschließend einen umfassenden Bericht erzeugen.“ Der deklarierte User-Agent Gemini-Deep-Research respektiert robots.txt. Project Mariner ist der Browser-Automationsagent (bis zu zehn parallele Aufgaben); er läuft mit einem normalen Chrome-Fingerprint aus Cloud-VMs und ohne deklarierten Bot-UA.

Perplexity — Deep Research / Sonar. Perplexity “performs dozens of searches, reads hundreds of sources, and reasons through the material to autonomously deliver a comprehensive report” (Übersetzung) „führt Dutzende Suchen aus, liest Hunderte Quellen und verarbeitet das Material, um autonom einen umfassenden Bericht zu liefern“ — 20–50 Anfragen in 2–4 Minuten. Der deklarierte PerplexityBot gibt an, robots.txt zu respektieren. Im August 2025 berichtete Cloudflare, dass nicht deklarierte, Perplexity zugeschriebene Crawler trotz No-Crawl-Direktiven auf Inhalte zugriffen; Perplexity widersprach der Darstellung. Separat heißt es in der Perplexity-Dokumentation, dass Perplexity-User robots.txt im Allgemeinen ignoriert, weil dieser Abruf auf eine Nutzeranfrage zurückgeht.

Anthropic — Claude-Websuche und Computer Use. Claude-User (Echtzeitabrufe auf Nutzeranfrage) respektiert robots.txt. Wenn Claude im Computer-Use-Modus läuft, steuert es einen Standardbrowser und sendet keinen deklarierten Bot-UA — dasselbe Muster agentischer Browser wie bei Mariner und ChatGPT Agent.

Microsoft — Copilot und Copilot Actions. Die zugrunde liegende Websuche von Copilot verwendet Bingbot, der robots.txt respektiert. Copilot Actions (agentisches Browsen) verwendet einen Standard-Edge-/Chromium-UA ohne deklariertes Bot-Signal — auf UA-Ebene ist er von menschlichem Browsen nicht zu unterscheiden.

User-Agents und die robots.txt-Lücke

Das ist der Teil, der viele Menschen verwirrt; hier ist die gesamte Landschaft in einer Tabelle:

Die entscheidenden Kategorien: Trainingscrawler und Suchindex-Bots respektieren robots.txt; nutzerinitiierte Abrufe unterscheiden sich (OpenAI hat die Position von ChatGPT-User im Dezember 2025 stillschweigend unklarer gemacht); agentische Browser ignorieren die Datei konstruktionsbedingt.

Der entscheidende Haken: Agentische Browser lassen sich nicht per robots.txt blockieren

robots.txt ist eine Direktive für Crawler. Agentische Browser — ChatGPT Agent, Project Mariner, Copilot Actions und Claude im Computer-Use-Modus — starten echte Chrome- oder Edge-Instanzen in Cloud-VMs. Sie treten als Standardbrowser auf, geben keine Bot-Identität an und werden als Browser-Proxies statt als Crawler behandelt. Daher:

• Du kannst Trainingscrawler (GPTBot, ClaudeBot) und Suchindex-Bots (OAI-SearchBot, Claude-SearchBot) in robots.txt blockieren.
• Du kannst die agentischen Browser dort nicht blockieren. Sie lesen die Datei schlicht nicht.

Was gegen die Schicht agentischer Browser funktioniert, sind nur serverseitige Kontrollen (IP-Bereichsregeln, Ratenbegrenzung, Bot-Management am Edge) und der entstehende Web Bot Auth RFC zur kryptografischen Agentenprüfung. ChatGPT Agent ist hier bereits ein frühes Signal: Es sendet eine mit ed25519 signierte HTTP-Message- Signature Signature-Agent: "https://chatgpt.com", die einzige verlässliche serverseitige Kennung dafür (in einer einfachen Analyse erscheint ein direkter Besuch als “direct/(none)” oder als “Bing/organic”, wenn der Agent dich über die Bing-Suche gefunden hat).

Eine Folgerung sollte ausdrücklich genannt werden: Das Blockieren von GPTBot verhindert nicht, dass ChatGPT deine Seiten in Echtzeit liest. GPTBot ist der Trainingscrawler. Deep Research und ChatGPT Agent greifen über völlig andere Mechanismen auf deine Inhalte zu.

Welche Inhaltssignale für agentische KI zählen

Agenten lesen vollständige Seiten und bewerten Vollständigkeit, Zitierbarkeit, Konsistenz und Maschinenlesbarkeit. Aus der Recherche ergibt sich, was tatsächlich hilft:

• Umfassende Seiten zu einem Thema. Agenten arbeiten gründlich, aber fokussiert — sie lesen möglicherweise fünf bis zehn Seiten intensiv, statt Hunderte zu überfliegen. Eine Seite, die ein Thema und die daraus entstehenden Unterfragen vollständig beantwortet, ist nützlicher als fünf dünne Seiten. ALM Corp fasst es so: “Structure gives agents stable extraction points — a page with clear headings, labeled sections and consistent formatting is easier to quote accurately.” (Übersetzung) „Struktur gibt Agenten stabile Extraktionspunkte — eine Seite mit klaren Überschriften, beschrifteten Abschnitten und konsistenter Formatierung lässt sich leichter korrekt zitieren.“
• Gut belegte, autoritative und maschinenlesbare Inhalte. Agenten gleichen Aussagen mit Quellen und Wissensdatenbanken Dritter ab. Externe Zitate helfen, ihre Vertrauensschwelle zu erreichen. Das passt zu meiner Untersuchung von AI Overviews: Erwähnungen auf stark verlinkten Seiten korrelieren mit ~0,70 (Spearman) mit KI-Sichtbarkeit — das stärkste Einzelsignal in dieser Studie und vermutlich auch ein Signal, auf das agentisches Retrieval setzt.
• Strukturierte Daten. JSON-LD ist für ein Zitat nicht zwingend, verbessert aber die Extraktionsgenauigkeit — in einem zitierten Test stieg GPT-4 bei strukturierten Daten von 16 % auf 54 % korrekter Antworten.
• Geschwindigkeit. BrightEdge-Daten zeigen, dass ChatGPT-Agenten langsame Websites sofort verlassen. Sie haben weniger Geduld als Googlebot; damit reicht die Core-Web- Vitals-Disziplin in den agentischen Kontext hinein. Inhalte müssen außerdem ohne JavaScript-Ausführung erreichbar sein.
• Klarheit von Geltungsbereich und Zielkonflikten. Seiten, die sagen, für wen eine Lösung gedacht ist, für wen nicht und welche Kompromisse gelten, helfen einem Agenten beim Erstellen einer Shortlist mehr als Inhalte, die allen gefallen wollen.

Warum sich der Aufwand lohnt: Conversion-Qualität

Die Traffic-Zahlen sind klein, aber die Qualität ist es nicht. Seit März 2026 konvertiert KI-vermittelter Traffic etwa 42 % besser als Nicht-KI-Traffic, und Traffic aus der KI-Suche konvertiert mit ungefähr 14,2 % gegenüber 2,8 % bei Google. Agentischer Traffic ist eine Teilmenge des KI-Traffics — und mit hoher Wahrscheinlichkeit die kaufbereiteste Schicht, weil ein Agent einen Nutzer erst auf deine Seite führt, nachdem er sie stellvertretend gegen Alternativen bewertet hat. Zu den wenigen Seiten zu gehören, die ein Agent liest, und die eine Seite zu sein, die er empfiehlt, ist daher überproportional wertvoll.

Wie du darüber nachdenken solltest: SEO → GEO → ASO

Betrachte agentische Optimierung als dritte Ebene auf den ersten beiden, nicht als Ersatz. Die Grundlagen ändern sich nicht — Autorität, Indexierbarkeit und strukturierte Daten. Neu hinzu kommen umfassende Ressourcen zu einzelnen Themen, konsequente Maschinenlesbarkeit, klare Entitäten, externe Zitate und die Erkenntnis, dass robots.txt keine vollständige Geschichte der Zugriffskontrolle mehr ist. Sieh dir den Tab Checklisten für die konkrete Umsetzung an.

KI-Zusammenfassung

Eine komprimierte Fassung des Abschnitts für Fortgeschrittene:

• Agentic Search ist die dritte Ebene der Suche: klassisch (Links) → AI Search (eine Antwort) → agentisch (autonome mehrstufige Recherche/Aktion). “All agentic search is AI search. Not all AI search is agentic.” (Übersetzung) „Jede agentische Suche ist KI-Suche. Nicht jede KI-Suche ist agentisch.“
• Sie läuft als Schleife, nicht als einzelne Anfrage: Planen → Suchen → Lesen → Bewerten → erneut suchen → zusammenfassen/handeln. Gemini Deep Research stellt etwa 80–160 Anfragen pro Sitzung, Perplexity 20–50; Googles SAGE ermittelte durchschnittlich 4,9 Schritte pro Anfrage.
• Zwei Kontrollgruppen. Deklarierte Crawler (Gemini-Deep-Research, Claude-User) respektieren robots.txt. Agentische Browser (ChatGPT Agent, Project Mariner, Copilot Actions) führen echte Chrome-/Edge-VMs ohne deklarierten Bot-UA aus; robots.txt kann sie nicht blockieren.
• Der Haken: Nur serverseitige Kontrollen oder der entstehende Web-Bot-Auth-RFC stoppen agentische Browser. Der ed25519-Signature-Agent-Header des ChatGPT Agent ist seine einzige verlässliche serverseitige ID. GPTBot zu blockieren ≠ ChatGPT am Lesen zu hindern.
• Cloudflare und Perplexity streiten über den Vorgang. Cloudflare berichtete, dass es Perplexity zugeschriebene, nicht deklarierte Crawler ohne Crawl-Direktiven sah; Perplexity wies den Vorwurf zurück. Behandle das als berichteten Streit, nicht als abschließend geklärten Befund.
• Was hilft: umfassende Themenseiten, externe Zitate (~0,70 Spearman mit KI-Sichtbarkeit), strukturierte Daten, Geschwindigkeit (Agenten verlassen langsame Seiten) und klarer Geltungsbereich.
• Warum das wichtig ist: KI-vermittelter Traffic konvertiert etwa 42 % besser; AI Search etwa 14,2 % gegenüber 2,8 % bei Google. Agentischer Traffic hat die höchste Kaufabsicht.

Offizielle Dokumentation

Primärquellen-Dokumentation der Plattformanbieter.

OpenAI

• Deep-Research-Leitfaden — die Modelle o3-deep-research / o4-mini-deep-research, Hintergrundausführung und Toolzugriff.
• OpenAI-Bots und Crawler — vollständige User-Agent-Zeichenfolgen für GPTBot, OAI-SearchBot und ChatGPT-User.
• ChatGPT Agent vorgestellt — der Nachfolger von Operator als agentischer Browser.

Google

• Gemini-Deep-Research-API-Dokumentation — Anfragezahlen, Dauerlimits und Hintergrundausführung.
• Deep Research in Gemini ausprobieren — Googles Beschreibung der Recherche-Schleife in Alltagssprache.

Anthropic

• Claude-Computer-Use-Tool — wie Claude im agentischen Modus einen Browser oder Desktop steuert.

Perplexity

• Sonar Deep Research — das API-Modell hinter Deep Research.
• Perplexity-Crawler — PerplexityBot vs. Perplexity-User und deren dokumentiertes robots.txt-Verhalten.

Microsoft

• Bing Webmaster Tools — Bingbot bildet die Grundlage für Copilots Websuche; die Crawler-Steuerung liegt hier.

Zitate aus den Quellen

Wörtliche Aussagen von Plattformanbietern und Forschern, die ihr Verhalten dokumentieren.

Google — die Gemini-Deep-Research-Schleife

• “Over the course of a few minutes, Gemini continuously refines its analysis, browsing the web by searching and finding interesting pieces of information then starting a new search based on what it’s learned, repeating this process multiple times before generating a comprehensive report.” (Übersetzung) „Über einige Minuten verfeinert Gemini seine Analyse fortlaufend, durchsucht das Web, findet interessante Informationen, startet auf Grundlage des Gelernten eine neue Suche, wiederholt diesen Vorgang mehrmals und erstellt anschließend einen umfassenden Bericht.“ — Google Blog. Quelle

OpenAI — wofür Deep Research gedacht ist

• Deep-Research-Modelle “find, analyze, and synthesize hundreds of sources to create a comprehensive report at the level of a research analyst.” (Übersetzung) „finden, analysieren und synthetisieren Hunderte Quellen, um einen umfassenden Bericht auf dem Niveau eines Rechercheanalysten zu erstellen.“ [unverified] — eine Paraphrase der Positionierung von OpenAI; prüfe den Wortlaut in der Live-Dokumentation. Quelle

Perplexity — wie Deep Research funktioniert

• “Perplexity performs dozens of searches, reads hundreds of sources, and reasons through the material to autonomously deliver a comprehensive report.” (Übersetzung) „Perplexity führt Dutzende Suchen aus, liest Hunderte Quellen und verarbeitet das Material, um autonom einen umfassenden Bericht zu liefern.“ — Perplexity Blog. Quelle

Cloudflare — Perplexitys verdeckte Crawler

• “Both their declared and undeclared crawlers were attempting to access the content for scraping contrary to the web crawling norms as outlined in RFC 9309.” (Übersetzung) „Sowohl die deklarierten als auch die nicht deklarierten Crawler versuchten, auf die Inhalte zum Scraping zuzugreifen, entgegen den in RFC 9309 beschriebenen Regeln für Web-Crawling.“ — Cloudflare. Quelle

Firecrawl — Agentic Search erklärt

• Agentic Search ist eine Methode, bei welcher der Agent “decides when to search, formulates the query from context, reads actual page content from each result, and evaluates what it found before deciding whether to synthesize or search again.” (Übersetzung) „entscheidet, wann gesucht wird, formuliert die Anfrage aus dem Kontext, liest den tatsächlichen Seiteninhalt jedes Ergebnisses und bewertet die Erkenntnisse, bevor er entscheidet, ob er zusammenfasst oder erneut sucht.“ — Firecrawl Blog. Quelle

ALM Corp — was Agenten belohnen

• “Structure gives agents stable extraction points — a page with clear headings, labeled sections and consistent formatting is easier to quote accurately.” (Übersetzung) „Struktur gibt Agenten stabile Extraktionspunkte — eine Seite mit klaren Überschriften, beschrifteten Abschnitten und konsistenter Formatierung lässt sich leichter korrekt zitieren.“ — ALM Corp. Quelle

Semrush — die Ebenenunterscheidung

• “All agentic search is AI search. Not all AI search is agentic.” (Übersetzung) „Agentische Suche gehört stets zur KI-Suche. Doch KI-Suche ist nicht immer agentisch.“ [unverified] — Paraphrase der Einordnung von Semrush; prüfe den exakten Wortlaut im Live-Beitrag. Quelle

Checkliste zur Optimierung für agentische Suche

Ein praktischer Durchgang, damit Agenten deine Inhalte finden, lesen, ihnen vertrauen und sie zitieren können — und damit du erkennst, ob das tatsächlich geschieht:

• Umfassende Seiten zu einem Thema. Für jedes wichtige Thema gibt es eine Seite, die es vollständig beantwortet (einschließlich der aufgeworfenen Unterfragen), statt mehrere dünne Seiten. Agenten lesen gründlich, nicht breit.
• Belegte Quellen und externe Autorität. Aussagen sind zurechenbar; du wirst auf stark verlinkten, autoritativen Seiten Dritter erwähnt — dem stärksten von mir gemessenen Signal für KI-Sichtbarkeit.
• Strukturierte Daten vorhanden. JSON-LD (Organization, FAQPage, Product usw.), damit Agenten Fakten ohne Raten korrekt extrahieren.
• Klarer Geltungsbereich und klare Zielkonflikte. Seiten nennen, für wen eine Lösung gedacht ist, für wen sie nicht gedacht ist und welche Kompromisse gelten.
• Ohne JavaScript erreichbar und schnell. Kerninhalte stehen im Roh-HTML; Seiten laden schnell, denn Agenten verlassen langsame Websites schneller als Googlebot.
• Serverseitige Zugriffskontrollen, nicht nur robots.txt. Wenn du Zugriff begrenzen musst, nutze IP-Bereichsregeln oder Bot-Management am Edge — Agentic Browser ignorieren robots.txt.
• robots.txt für deklarierte Bots korrekt setzen. Entscheide je nach Strategie zwischen Training (GPTBot, ClaudeBot), Retrieval (OAI-SearchBot, Claude-SearchBot) und Deep Research (Gemini-Deep-Research).
• Agentische Crawler in Serverlogs beobachten. Achte auf deklarierte Deep- Research-UAs und den Signature-Agent-Header (die einzige verlässliche ID des ChatGPT Agent); direkte Agentenbesuche können in Analytics als „direct/(none)“ erscheinen.

Agentische KI-User-Agents — Spickzettel

Die Ein-Satz-Regel: Deklarierte Crawler und Such-Bots respektieren robots.txt; agentische Browser (echte Chrome-/Edge-VMs) nicht — blockiere sie serverseitig oder über Web Bot Auth.

Fehler bei agentischer Suche

Annehmen, dass robots.txt jeden Agenten kontrolliert

Einige agentische Systeme browsen über gewöhnliche Browser-Infrastruktur statt über eine deklarierte Crawler-Identität. Nutze robots-Regeln für Bots, die sie beachten, aber betrachte die Datei nicht als sichere Zugriffskontrolle.

Nur für One-Shot-Antworten gestalten

Agenten können vergleichen, erneut aufrufen, filtern und vollständige mehrstufige Aufgaben ausführen. Halte Navigation, Formulare, Zustände, Preise, Richtlinien und Entitätsbeziehungen explizit genug, damit sie einen längeren Ablauf überstehen.

Kritische Fakten hinter fragilen Interaktionen verstecken

Ein Agent kann Informationen nicht zuverlässig verwenden, wenn sie erst nach einer unzugänglichen Geste, einem Canvas-Zustand oder einer undokumentierten Client-Aktion erscheinen. Bewahre semantisches HTML, stabile URLs, klare Bezeichnungen und serverseitig überprüfbare Ergebnisse.

Das Framework: Entdecken, Verstehen, Handeln, Überprüfen

1. Entdecken: Wichtige Seiten und Fähigkeiten haben stabile Links oder dokumentierte maschinenlesbare Einstiegspunkte.
2. Verstehen: Entitäten, Einschränkungen, Preise, Richtlinien und nächste Schritte sind in semantischem Inhalt klar benannt.
3. Handeln: Formulare und Abläufe haben eindeutige Bezeichnungen, vorhersehbare Bedienelemente und behebbare Fehlerzustände.
4. Überprüfen: Eine abgeschlossene Aktion erzeugt eine dauerhafte Bestätigung, die Nutzer oder Agent vor dem Fortfahren einsehen können.

Verwende das Framework, um den vollständigen Aufgabenablauf zu prüfen. Eine Seite kann leicht abzurufen sein und trotzdem scheitern, wenn ein Agent handeln oder das Ergebnis bestätigen soll.

Tools für agentenzugängliche Sucherlebnisse

• SEO MCP Server — ein begrenztes, schreibgeschütztes Beispiel dafür, veröffentlichte SEO-Inhalte und Prüfungen direkt für Agenten bereitzustellen.
• robots.txt-Tester — deklarierte Crawler-Regeln prüfen und die maßgebliche Direktive ermitteln; dabei beachten, dass gewöhnliche browserbasierte Agenten möglicherweise keine kontrollierbare Crawler-Identität ausweisen.
• Browser-Entwicklertools — semantische Namen, Fokusreihenfolge, Netzwerkanfragen, Fehlerzustände und dauerhafte Abschluss-Signale über die Aufgabe hinweg prüfen.
• Serverlogs — dokumentierte Bots, gewöhnliche Browser und unbekannte Clients unterscheiden, ohne zu behaupten, jede Anfrage identifiziere einen Agenten oder seinen Zweck.

Teste dich selbst: Agentische Suche

Ressourcen, die deine Zeit wert sind

Offizielle Plattformdokumentation

• OpenAI Deep Research und OpenAI-Bots.
• Google Gemini Deep Research API und der Ankündigungsblog.
• Anthropic Claude Computer Use.
• Perplexity Sonar Deep Research und Perplexity-Crawler.

Meine verwandten Beiträge

• Was wir über die Optimierung für LLM-Suche tatsächlich wissen — die Korrelationsstudie hinter dem ~0,70-Spearman-Wert für Erwähnungen auf autoritativen Seiten.
• Die neuen Web-Crawler: KI-Bots holen zu Suchmaschinen-Bots auf — die sich wandelnde Crawler-Landschaft.

Von anderen

• Cloudflare: Perplexity nutzt verdeckte, nicht deklarierte Crawler — Cloudflares Vorwurf und technische Darstellung; Perplexity widerspricht.
• Simon Willison: Der User-Agent des ChatGPT Agent — das Detail zu Signature-Agent und ed25519.
• Firecrawl: Was ist Agentic Search? — die technische Anatomie der Schleife.
• Semrush: Agentic Search und ALM Corp: Das agentische Web erklärt — strategische Einordnung.
• No Hacks: Die KI-User-Agent-Landschaft 2026 und SEJ: Liste der KI-Crawler-User-Agents.
• BrightEdge: Agentische KI-Aktivität verdoppelt sich — SEO-Strategie anpassen — Daten zur Verdopplung der ChatGPT-Agent-Aktivität zwischen Juli und August 2025 und dazu, dass Agenten langsame Seiten schneller verlassen als Googlebot.
• Seer Interactive: Woran erkennst du den Besuch des OpenAI-Operator-Agenten? — praktischer Leitfaden zum Erkennen und Messen agentischer Browserbesuche in Analytics.
• Cloudflare: Von Googlebot zu GPTBot — wer deine Website 2025 crawlt — Crawl-Volumendaten zu deklarierten KI-Bots und klassischen Such-Crawlern.
• Navoto: Agentic-Search-Optimierung — Leitfaden für KI-Sichtbarkeit 2026 — praktisches ASO-Framework für die Ebenen SEO → GEO → ASO und Inhaltssignale.

Zitierfähige Statistiken

• KI-vermittelter Traffic konvertiert etwa 42 % besser als Nicht-KI-Traffic (März 2026) — ein Hinweis darauf, dass sich agentische Sichtbarkeit lohnt. Quelle
• KI-Suche konvertiert mit etwa 14,2 % gegenüber rund 2,8 % bei Google — agentischer Traffic ist die kaufbereiteste Teilmenge des KI-Traffics. Quelle
• Gemini Deep Research: ~80 Anfragen pro Sitzung (Standard), ~160 (Max) — der Umfang einer einzelnen agentischen Recherche. Quelle
• Perplexity Deep Research: 20–50 Anfragen pro Sitzung, 2–4 Minuten — ebenfalls ein mehrstufiger, aber leichterer Ablauf. Quelle
• ~0,70 Spearman-Korrelation zwischen Erwähnungen auf stark verlinkten Seiten und KI-Sichtbarkeit (Google AI Overviews) — meine Messung und vermutlich ein ähnliches Muster für Vertrauenssignale agentischer Systeme. Quelle
• Agentischer KI-Traffic wuchs in den ersten acht Monaten 2025 um 1 300 %; allein die Aktivität des ChatGPT Agenten verdoppelte sich zwischen Juli und August 2025 — die am schnellsten wachsende Schicht des KI-vermittelten Traffics. Quelle

Änderungsprotokoll