Wie man Dokumentation schreibt und veröffentlicht, die GEO stärkt

Hinweis: Dieser Blogbeitrag wurde mithilfe von KI aus der Originalversion übersetzt und kann daher geringfügige Abweichungen enthalten. Einige der Links in diesem Beitrag führen zu Inhalten, die nur auf Englisch verfügbar sind.

Willkommen bei „GEO für Dokumentationsteams“, einer Artikelserie, in der wir erläutern, wie moderne Dokumentationsportale die Nutzererfahrung mit fortschrittlichen KI-Funktionen verbessern. Verpassen Sie nicht unsere weiteren Artikel darüber, warum Dokumentationsteams eine GEO-Strategie brauchen, eine Einführung in Antwortmaschinen, die Unterschiede zwischen SEO und GEO, die Vorteile und Herausforderungen von GEO, und wie sich Ergebnisse messen lassen.

Wenn Sie es bis hierher in unserer Generative-Engine-Optimization-Serie (GEO) geschafft haben, wissen Sie bereits, warum eine GEO-Strategie wichtig ist und welchen Mehrwert sie bietet. Jetzt stellt sich wahrscheinlich die Frage, welche konkreten Änderungen Ihr Content-Team vornehmen muss, um GEO-Best-Practices in die Praxis umzusetzen.

Für die KI-Extraktion zu schreiben bedeutet keine komplette Abkehr von bewährten Praktiken der technischen Redaktion. Vielmehr handelt es sich um eine Erweiterung dieser Praktiken, mit einigen gezielten Anpassungen, die den Unterschied ausmachen zwischen Inhalten, die KI selbstbewusst zitiert, und solchen, die sie übergeht.

Welche redaktionellen Praktiken machen Dokumentation KI-tauglich?

Es gibt mehrere Schreibpraktiken, die es KI-Tools erleichtern, technische Dokumentation zu finden und zu verstehen. Da sich Empfehlungen häufig ändern, haben wir die wichtigsten Maßnahmen zusammengestellt, die für GEO-Strategien unverzichtbar sind.

Überschriften als Fragen formulieren

Überschriften sollten als Fragen formuliert werden, solange sie natürlich klingen und den Lesefluss nicht stören. Wenn Redakteure Überschriften als Fragen strukturieren, hilft dies KI-Systemen dabei, Nutzeranfragen dem passenden Thema oder Abschnitt zuzuordnen. Auch für menschliche Leser, die schnell den gesuchten Abschnitt finden möchten, ist dies hilfreich.

Nach der Überschrift in Frageform müssen Redakteure innerhalb der ersten Sätze des Themas eine direkte Antwort liefern. Die zentrale Information sollte nicht hinter langen Einleitungen oder Vorbehalten versteckt werden. KI-Systeme suchen nach klaren, direkten Antworten – je schneller sie eine finden, desto wahrscheinlicher nutzen sie sie. Redakteure können danach unterstützenden Kontext für Leser hinzufügen, die sich durch den vollständigen Text arbeiten.

Produkt- und Feature-Namen verwenden

KI weiß nur, was ihr vorgegeben wird. Dokumentation, die konsistente, spezifische Namen für Produktlinien, Komponenten und Teile verwendet, schließt Wissenslücken, die generische Formulierungen offenlassen.

Vage Bezeichnungen wie „das Dashboard“ oder „der Switch“ zwingen die KI zum Raten und führen zu verwirrenden, KI-generierten Anweisungen. Die Verwendung spezifischer Namen in Anleitungen beseitigt diese Mehrdeutigkeit vollständig.

Details, Kontext und Beispiele hinzufügen

Die meisten Dokumentationen enthalten weniger Details, als für ein tiefgehendes KI-Verständnis nötig wären. Inhalte, die mit konkreten Details, Beispielen und Anwendungsfällen angereichert sind, werden durchgehend häufiger zitiert als breite, generische Texte.

Das Hinzufügen präziser Parameter, Dateitypen und Grenzwerte mag mehr Detail erscheinen, als nötig ist. Genau diese Genauigkeit ist jedoch das, worauf sich KI-Tools verlassen, um Informationen sicher zu überprüfen und zu zitieren. Zudem liefert diese Information auch menschlichen Lesern klare Einblicke.

Alternativtexte für Bilder und Diagramme einbinden

KI tut sich mit Bildinhalten schwerer als mit reinem Text, da bildlastige Formate bei der Umwandlung in reinen Text für die Verarbeitung häufig ihre Struktur verlieren. Beschreibende Alternativtexte lösen dieses Problem sowohl für die KI- als auch für die menschliche Zugänglichkeit. Ausführliche Alt-Texte machen die zentrale Aussage jedes Bildes für Systeme zugänglich, die das Bild selbst nicht „sehen“ können.

FAQs schreiben

Ein gut aufgebauter FAQ-Bereich spiegelt genau wider, wie Nutzer KI-Systeme anfragen: eine direkte Frage, gefolgt von einer direkten Antwort. Diese Struktur macht es Answer Engines leicht, eine dokumentierte Frage einer aktuellen Nutzeranfrage zuzuordnen und die Quelle mit Zuversicht zu zitieren. Teams sollten FAQs auf Basis der tatsächlichen Fragen ihrer Nutzer erstellen, statt den Bereich als Auffangbecken zu behandeln. So bedienen sie sowohl menschliche Leser, die Inhalte nach den benötigten Antworten durchsuchen, als auch die KI-Tools, die nahezu identische Nutzeranfragen beantworten.

Wie strukturiert man Dokumentation für KI?

Gute Sätze allein reichen nicht aus, wenn die umgebende Struktur die KI daran hindert, sie sauber zu extrahieren. Wie Inhalte organisiert und formatiert sind, entscheidet darüber, ob KI-Tools sie überhaupt verstehen können – unabhängig davon, wie gut sie geschrieben sind.

Granulare Themen erstellen

KI-Modelle sind auf gut strukturierte, in sich geschlossene Informationen angewiesen, um präzise Ergebnisse zu liefern. Redakteure sollten Inhalte in verdauliche Themen aufteilen statt in lange, lineare Dokumente – ein Prinzip, das in der technischen Redaktion seit Jahren als Best Practice gilt, nun aber unverzichtbar statt optional ist. Jedes Thema sollte für sich stehen können, seine Bedeutung behalten und der KI ein eindeutiges Fragment liefern, mit dem sie arbeiten kann. In der Praxis bedeutet dies, große Themen, die mehrere Sachverhalte abdecken, in kleinere aufzuteilen und verwandte kleine Themen unter übergeordneten Themenkarten (Maps) zu gruppieren, damit sie nicht zu isolierten, kontextarmen Fragmenten zersplittern.

Logische Überschriftenhierarchien etablieren

Logische, aufeinanderfolgende Überschriftenhierarchien (z. B. H1, H2, H3) ermöglichen es der KI, Ihrer Argumentation zu folgen und die Beziehungen zwischen Abschnitten zu verstehen – ähnlich wie ein menschlicher Leser, der ein Inhaltsverzeichnis überfliegt. Das Überspringen von Ebenen (z. B. H1, H2, H4) unterbricht diesen logischen Faden und zwingt die KI dazu, Beziehungen zwischen Abschnitten zu erraten.

Welche weiteren strukturellen Signale helfen der KI?

Es gibt mehrere weitere Praktiken, die das KI-Verständnis durchgehend verbessern:

• Reiche Semantik: Die Kennzeichnung von Inhaltselementen wie Warnhinweisen, Definitionen und Schritten gibt der KI expliziten Kontext über den Zweck jedes Abschnitts.
• Beschreibende Metadaten: Tags, die Zweck, Zielgruppe und Relevanz angeben, helfen der KI, ein Thema zu verstehen, ohne das gesamte Dokument zu lesen – vorausgesetzt, die Tags treffen eindeutig auf alle Inhalte innerhalb dieses Themas zu.
• Beschriftete Codeblöcke: Die Angabe der Programmiersprache bei jedem Codebeispiel hilft der KI, präzise, sprachspezifische Antworten zu liefern.
• Verknüpfte verwandte Themen: Querverweise zwischen verwandten Inhalten bilden ein Netz aus Verbindungen, das thematische Autorität signalisiert – ein Faktor, den KI-Modelle bei der Entscheidung, welchen Quellen sie vertrauen, mit einbeziehen.
• Konsistente Terminologie: Fachbegriffe einmal zu definieren und sie danach konsistent zu verwenden, reduziert Mehrdeutigkeit. Ein Begriff wie „RAM“ kann in den Kontexten Informatik, Ingenieurwesen oder Hardware Unterschiedliches bedeuten, und die KI benötigt eine explizite Einordnung.
• Schema-Markup: JSON-LD-Schema (FAQ, Article, HowTo, Review) ist für menschliche Leser unsichtbar, liefert KI-Systemen jedoch explizite, strukturierte Signale darüber, was Ihre Inhalte sind und wie sie zu kategorisieren sind.

Wie veröffentliche ich Inhalte für das KI-Verständnis?

Es gibt mehrere Stellschrauben, die Content-Verantwortliche selbst kontrollieren können und die sich auf das KI-Verständnis auswirken. Die richtigen Formate und technischen Spezifikationen erleichtern es KI-Tools – und machen es überhaupt erst möglich – Dokumentation zu finden und zu verarbeiten.

Dateiformate wählen, die für KI am besten funktionieren

KI-Systemen ist ein schönes Design egal. Sie benötigen lediglich klar strukturierte Inhalte, um Text einfach verarbeiten zu können.

Markdown und JSON eignen sich von Natur aus gut, da sie die Inhaltshierarchie explizit deutlich machen. Sie nutzen Überschriften, um Themengrenzen zu definieren, Listen, um einzelne Ideen zu trennen, und konsistente Verschachtelung, um verwandte Konzepte darzustellen. Strukturierte Front Matter, etwa YAML- oder JSON-Metadaten am Anfang einer Datei, verstärkt diesen Effekt zusätzlich. Sie gibt der KI direkte Signale zu Thema, Version, Autor und verwandten Inhalten. Dies liefert den dringend benötigten Kontext, um KI-Verwirrung oder Annahmen zu vermeiden.

Welche Formate können für KI Probleme verursachen?

Andere Formate erzeugen für KI eher Reibungsverluste als ein vollständiges Scheitern. Diese Reibung führt häufig zu fehlendem Kontext, gebrochenen Strukturen und missverstandenen Zusammenhängen. Komplexe PDFs und Infografiken beispielsweise sind oft auf visuelle Layouts angewiesen, um Bedeutung zu vermitteln. KI tut sich schwer, mehrspaltigen Text, Fußnoten und frei platzierte Objekte zu lesen, da die Reihenfolge beim Umwandeln in reinen Text durcheinandergerät.

Eine robots.txt-Datei einbinden

Eine robots.txt-Datei zu verwenden ist eine Grundvoraussetzung, keine Optimierung. Ihre robots.txt-Datei sollte bekannten KI-Crawlern (z. B. GPTBot, ChatGPT-User, OAI-SearchBot und ClaudeBot) explizit den Zugriff erlauben, um diesen Systemen mitzuteilen, welche Pfade sie abrufen dürfen. Um es klarzustellen: Dies führt nicht dazu, dass die KI Ihre Inhalte besser versteht oder ihnen mehr vertraut. Blockiert Ihre Datei jedoch KI-User-Agents, können Tools wie ChatGPT, Claude und Gemini Ihre Dokumentation schlicht nicht durchsuchen oder zitieren.

Eine llms.txt-Datei in Betracht ziehen

Eine llms.txt-Datei ist eine reine Textdatei im Root-Verzeichnis Ihrer Domain, die Ihre Dokumentation in Markdown mit kurzen Beschreibungen auflistet. Die Einbindung solcher Dateien gewinnt an Beliebtheit, doch unter Fachleuten herrscht insgesamt noch Uneinigkeit. Befürworter argumentieren, dass sie KI-Agenten helfe, relevante Inhalte schnell zu identifizieren, ohne die gesamte Website zu crawlen. Kritiker weisen zugleich darauf hin, dass es keinen bestätigten Beleg dafür gibt, dass LLMs diese Dateien tatsächlich crawlen, und manche Experten betonen, dass llms.txt eher ein grober Überblick als ein Discovery-Protokoll ist.

Da GEO nach wie vor eine sich entwickelnde Disziplin ist, empfehlen wir, llms.txt als kostengünstige, risikoarme – aber potenziell lohnende – Ergänzung zu betrachten, statt als garantierten Hebel.

Ihre Sitemap pflegen

Wenn Sie bereits eine sitemap.xml für SEO pflegen, haben Sie diesen Schritt bereits abgedeckt. Dieselbe Datei dient sowohl traditionellen Suchmaschinen als auch KI-Crawlern und hilft ihnen, Ihre Inhalte systematisch zu entdecken.

Fazit

Nutzer werden sich mit ihren Fragen an KI-Answer-Engines wenden – unabhängig davon, ob Ihre Inhalte darauf vorbereitet sind oder nicht. Es ist wichtiger, jetzt zu beginnen, selbst wenn Sie zunächst nur einzelne Schritte umsetzen können. Zum Glück entsprechen viele dieser Empfehlungen bereits bewährten Schreibpraktiken für Dokumentationsteams, sodass viele Teams für die Umsetzung dieser neuen Strategie nicht bei null anfangen müssen. Setzen Sie die Reise in unserer Serie „GEO für Dokumentationsteams“ mit dem Artikel „Wie man die Ergebnisse der eigenen GEO-Strategie misst“ fort.

GEO-Leitfaden für Dokumentations-teams (auf Englisch)

Erfahren Sie, wie Sie KI-Antwort-Engines dazu bringen können, Ihre Dokumentation zu finden, zu verstehen und in ihren Antworten auf Nutzerfragen zu verwenden.

Mein Exemplar sichern