10 Gates, 1 schwaches reicht: Das Straight-C-Prinzip erklärt, warum Crawl-Probleme alle anderen Optimierungen zunichte machen – und wie du die Pipeline diagnostizierst.
„Crawlen, indexieren, ranken" war das richtige Modell für eine Suchmaschine von 1998. Es ist seit langer Zeit nicht mehr das richtige Modell – und in der KI-Suche 2026 ist es gefährlich unvollständig. AI-Suchsysteme arbeiten mit 10 Stufen, nicht 3. Wer für drei optimiert, optimiert für ein Modell, das die Suchmaschinen längst nicht mehr verwenden.
Das 10-Gate-Framework ist das bisher klarste diagnostische Modell für AI-Such-Sichtbarkeit: eine sequenzielle Pipeline, bei der jede Stufe als Filter wirkt – und das schwächste Gate das Ergebnis des gesamten Systems begrenzt.
Vertiefung: Bings Grounding-Index · AI-Crawler-Blocking · SEO langfristig in der KI-Suche
Das 10-Gate-Framework beschreibt die AI-Such-Pipeline als multiplikatives System mit 10 sequenziellen Filtern: Discovered, Selected, Crawled, Rendered, Indexed, Annotated, Recruited, Grounded, Displayed, Won. Jedes Gate ist eine Fehlerquelle mit eigener Diagnose. Das „Straight C"-Prinzip ist der Kern: In einem multiplikativen System setzt das schwächste Gate die Obergrenze für das gesamte System. Die höchste Hebelwirkung liegt immer beim schlechtesten Gate, nicht beim besten.
Praktische Konsequenz: Wer ein F-Gate auf C verbessert, erzielt mehr Gewinn als wer ein A-Gate auf A+ verbessert. Außen-nach-innen-Optimierung – Infrastructure Gates zuerst, dann Competitive Gates.
Das klassische SEO-Modell kollabiert 5 eigenständige Infrastructure-Prozesse unter „crawlen und indexieren" und 5 eigenständige Competitive-Prozesse unter „ranken und anzeigen". Das war eine nützliche Vereinfachung für 1998. Für AI-Suchsysteme 2026 ist es eine gefährliche Vereinfachung.
Die zentrale Kritik: Die SEO-Branche optimiert ein 4-Zimmer-Haus, das in Wirklichkeit 10 Zimmer hat. Die Zimmer, die sie nie betritt, sind genau die, in denen die Leitungen am stärksten lecken.
Merksatz: Crawl, Index, Rank war das richtige Modell für eine Suchmaschine von 1998. Es ist seit langer Zeit nicht mehr das richtige Modell. Marken, die noch für drei Schritte optimieren, während die Systeme auf 10 laufen, optimieren für ein Modell, das die Engines nicht mehr verwenden.
Das ist kontraintuitiv. SEO-Teams tendieren dazu, bei ohnehin starken Bereichen weiterzuarbeiten – weil dort die Diagnose einfacher ist und Fortschritt messbar erscheint. Das Straight-C-Prinzip zeigt: Das ist die falsche Priorität.
| Gate | Beispiel-Grade | Hebelwirkung |
|---|---|---|
| Discovered | A | Gering – bereits stark |
| Selected | A | Gering – bereits stark |
| Crawled | F | Maximal – Systemdeckel |
| Rendered | D | Hoch – nächste Priorität |
| Indexed → Won | A | Gering solange Crawl F ist |
Das Beispiel macht es klar: Wenn Crawled ein F-Grade hat, ist es vollkommen irrelevant, wie gut Indexed, Annotated oder Won optimiert sind. Der F-Grade zieht das gesamte System nach unten. Das F zuerst fixen, dann das D – das ist die Optimierungsreihenfolge.
Die ersten fünf Gates sind Infrastructure Gates: technische Voraussetzungen, über die Bots und Crawler Zugang zu Content bekommen. Sie entscheiden, ob Content überhaupt in den Wettbewerb eintreten kann.
Der erste Filter: Weiß der Crawler, dass die URL existiert? Sitemaps, IndexNow-Submissions und eingehende Links sind die Mechanismen. Ohne Entdeckung passiert nichts weiter. Diagnose: Sitemap-Genauigkeit prüfen, IndexNow-Submissions überprüfen, Orphan-Pages identifizieren.
Gefundene URLs werden priorisiert: Welche sind es wert, gecrawlt zu werden? Das System entscheidet auf Basis von wahrgenommenem Wert und Entity-Signalen. Niedrige Pagerank-Signale, dünner Content und fehlende interne Verlinkung führen dazu, dass URLs de-priorisiert werden. Diagnose: Crawl-Budget-Analyse, interne Link-Struktur prüfen.
Der Bot ruft den Content ab. Server-Performance, Redirect-Ketten, robots.txt-Direktiven und Platform-Level-Blocks (z.B. bei Managed WordPress) bestimmen Erfolg oder Misserfolg. HTTP 429 und 403 sind stille Killer. Diagnose: curl mit AI-User-Agents testen, Server-Logs auf 4xx/5xx für Crawler-User-Agents prüfen.
Gecrawlter Content muss korrekt gerendert werden. JavaScript-abhängige Inhalte, die erst nach Rendering sichtbar werden, können für Bots unsichtbar sein. Core Web Vitals und Rendering-Performance beeinflussen, wie vollständig der Inhalt verarbeitet wird. Diagnose: Google Search Console URL-Inspection, Rendering-Vergleich (gecrawlt vs. gerendert).
Auch nach erfolgreichem Crawl ist Indexierung nicht garantiert. Thin Content, Duplicate Content, noindex-Tags und fehlende Qualitätssignale können Seiten aus dem Index halten. Diagnose: Search Console Coverage-Report, indexierte vs. crawled Seiten vergleichen.
Die letzten fünf Gates sind Competitive Gates: inhaltliche und semantische Faktoren, die darüber entscheiden, ob Content in AI-Antworten erscheint und empfohlen wird.
Indexierter Content wird semantisch annotiert: Entitäten erkannt, Kontext verstanden, Relevanzfaktoren zugewiesen. Schema.org-Markup, klare Entity-Definitionen und strukturierte Daten erleichtern diesen Prozess. Diagnose: Schema-Validierung, Google Rich Results Test, Structured Data Report.
LLMs rekrutieren Content-Muster für Training-Daten und Grounding-Retrieval (den Konzept-Graphen). Hochwertige, häufig zitierte Inhalte mit starken Marken-Signalen werden bevorzugt rekrutiert. Das ist der direkte Zusammenhang zu Brand Authority und Earned Media. Diagnose: Citation-Tracking in LLM-Trackern, Brand-Mention-Monitoring.
Bei einer aktuellen Suchanfrage wird das Grounding-System aktiviert: Es ruft aktuelle Fakten aus indexierten Quellen ab. Faktentreue, klare Attribution, Freshness und Widerspruchsfreiheit entscheiden, ob die Quelle für die Antwort-Generierung verwendet wird – oder ob Abstention erfolgt. Diagnose: Bing Webmaster Tools AI Performance Dashboard, Grounding Queries analysieren.
Gegrounded Content erscheint in der generierten Antwort – als Inline-Citation, als Suggested Angle, als Subscription-Highlight oder in einem anderen Display-Format. Wie und wo die Quelle erscheint, beeinflusst die Klick-Wahrscheinlichkeit. Diagnose: LLM-Tracker Framing-Analyse, Inline-Citation-Monitoring.
Das finale Gate: Der Nutzer klickt, konvertiert oder führt eine Aktion aus. Hier wird Sichtbarkeit zu messbarem Ergebnis. Die Metrik ist nicht mehr nur Traffic, sondern Citations, Conversions und downstream Entity Confidence-Signale, die zurück in frühere Gates fließen. Diagnose: Merchant Center UCP-Conversions, LLM-Citation-Attributions, GA4 AI-Referral-Traffic.
Der zentrale methodische Punkt: Außen-nach-innen. Infrastructure Gates zuerst diagnostizieren, Competitive Gates danach. Wer innen (bei Annotated, Recruited, Grounded) optimiert, während außen (bei Crawled, Rendered) F-Grades vorhanden sind, verschwendet Ressourcen.
| Gate | Diagnose-Tool | Kritisches Signal |
|---|---|---|
| Discovered | Sitemap + IndexNow-Log | Fehlende URLs in Sitemap |
| Selected | Log-Analyse, Crawl-Budget-Report | Wichtige Seiten selten gecrawlt |
| Crawled | curl -A 'GPTBot', Server-Logs | HTTP 429 oder 403 für AI-User-Agents |
| Rendered | GSC URL-Inspection, Render-Diff | Wichtiger Content fehlt post-Rendering |
| Indexed | GSC Coverage Report | Crawled but not indexed |
| Annotated | Rich Results Test, Schema Validator | Kein oder fehlerhaftes Schema |
| Recruited | LLM-Tracker, Brand-Monitoring | Keine Mentions in AI-Trainingsdaten |
| Grounded | Bing WMT AI Performance | Keine Grounding Queries für eigene URLs |
| Displayed | LLM-Tracker Framing | Supporting-Mention statt Leader-Framing |
| Won | GA4 AI-Referral, Merchant Center | Kein AI-Traffic oder Conversion-Blind-Spot |
Wer mit dem Won-Gate anfängt und Conversion-Tracking optimiert, ohne zu prüfen, ob Crawled ein F-Grade hat, repariert das falsche Zimmer. Außen-nach-innen bedeutet: Discovered → Selected → Crawled zuerst. Wenn dort alles grün ist, erst dann zu Annotated und Recruited vorarbeiten.
Das 10-Gate-Framework ist keine neue Theorie. Es ist eine präzise Beschreibung dessen, was AI-Suchsysteme bereits tun. Was neu ist: die Sprache, die es möglich macht, jeden Schritt separat zu diagnostizieren und die Prioritäten nach Hebelwirkung zu setzen – nicht nach Bequemlichkeit.
.webp)
.webp)
.webp)
