Dark Opportunity Pattern — warum Google-Top-10-Pages bei ChatGPT trotzdem nicht zitiert werden

Es gibt ein Phänomen, das die ganze SEO-Branche seit Wochen beschäftigt: Pages, die in Google sauber auf Platz 1 ranken, tauchen in ChatGPT-, Claude- oder Perplexity-Antworten zur exakt gleichen Frage nicht auf. Was lange wie Pech oder Black-Box-Verhalten aussah, hat seit dem Gemini-3.5-Flash-Rollout im Mai 2026 einen Namen und einen Mechanismus: Dark Opportunity Pattern.

TL;DR

Die Überlappung zwischen Google-Top-Rankings und Quellen, die AI-Suchsysteme zitieren, ist binnen einem Jahr von 70 % auf unter 20 % kollabiert (5WPR, Mai 2026). 81 % der von ChatGPT empfohlenen SaaS-Brands ranken nicht in den Google-Top-10 für dieselbe Query. Ursache: AI Mode auf Gemini 3.5 Flash arbeitet zweistufig — Retrieval-Pool und Citation-Selection. Ein gutes Google-Ranking bringt dich in den Pool, aber nicht in die Antwort. Gegenmittel: Content nicht als Page denken, sondern als Atomic Content Units — extrahierbare Sinn-Einheiten mit Zahl, Quelle, Datum.

Was die Daten sagen

Studie	Stichprobe	Kernzahl
5W Public Relations · GEO vs. SEO: 2026 Venn Diagram	Branchen-übergreifende Analyse	Overlap Google-Top ↔ AI-Citations: von 70 % auf <20 % in 12 Monaten
150-SaaS-Brand-Analyse (Mirror via PR-Release)	150 SaaS-Unternehmen, gleiche Query in Google + ChatGPT	81 % der ChatGPT-empfohlenen Brands ranken nicht in den Google-Top-10
Authority Tech / Per-Engine Audit	680 Mio. Citations	Nur 11 % der zitierten Domains überlappen zwischen ChatGPT und Perplexity
BrightEdge / SQ Magazine	Google-Such-Queries-Tracking	AI Overviews triggern auf ~48 % aller Queries — von 34,5 % im Dezember 2025

Vier voneinander unabhängige Daten-Sets, dieselbe Richtung. Das ist keine Schwankung, das ist eine strukturelle Verschiebung des Retrieval-Layers.

Der Mechanismus — warum klassisches SEO durchrutscht

Seit dem 19. Mai 2026 läuft Google AI Mode global mit Gemini 3.5 Flash als Default-Modell. Die Retrieval-Logik hat sich damit in zwei klar trennbare Schritte aufgespalten:

Schritt 1 — Retrieval-Pool. Das Modell pullt Pages aus den klassischen Such-Indizes. Hier zählt traditionelles Ranking: Top-10-Pages sind im Pool dabei.

Schritt 2 — Citation-Selection. Innerhalb des Pools entscheidet ein zweites Bewertungs-Layer (in der Branchen-Analytik “L3-Signals” genannt), welche Pages als Citation in die generierte Antwort einfließen. Bewertet wird nicht Linkprofil oder On-Page-Optimierung, sondern: Ist die Aussage atomar? Mit Zahl, Datum, klarer Quelle belegbar? Lässt sie sich als isolierter Antwort-Baustein wiederverwenden?

Und genau hier fallen klassische SEO-optimierte Pages durch. Sie ranken, sie kommen in den Pool, sie liefern aber keine atomar extrahierbaren Antwort-Bausteine. Fließtext-Marketing-Copy ist für Menschen lesbar — für die Citation-Selection unsichtbar.

Definition · Dark Opportunity Pattern Eine Page mit hohen Google-Impressionen, niedriger CTR (sub-1 %) und null AI-Citations. Sie ist im SERP-Layer sichtbar — und im AI-Antwortsystem unsichtbar. Branchenüblicher Diagnose-Indikator: LayerScore < 50 bei nachweisbarem Traffic.

Atomic Content Units — was sie sind, was sie nicht sind

Der Gegenbegriff zu Dark-Opportunity-Pages ist eine Page, die aus Atomic Content Units (ACUs) aufgebaut ist. Eine ACU erfüllt vier Eigenschaften:

1. Eine klare Kernaussage. Kein “wir glauben, möglicherweise” — sondern “X ist Y”.
2. Mindestens eine Zahl, ein Datum oder ein konkreter Fakt.
3. Eine Quellenangabe — eigene Studie/Beobachtung oder verlinkte Drittquelle.
4. Strukturell isolierbar — als Box, Absatz oder Tabellenzeile, die ein LLM kopieren kann, ohne den Rest der Page mitziehen zu müssen.

Was klassischer Marketing-Text macht, ist das Gegenteil: lange flüssige Absätze, in denen die Substanz auf vier Sätze verteilt liegt, die sich gegenseitig brauchen. Genau das ist für die Citation-Selection unbrauchbar.

Was Kisemo daraus macht

Im Parameter-Set ist citation-hooks als experimentell geführt. Mit der Dark-Opportunity-Diagnose bekommt der Parameter eine konkretere Operationalisierung: Wir prüfen künftig nicht nur “gibt es Citation-Hooks?”, sondern “wie viele ACUs hat die Page pro 1.000 Wörter, und sind sie isolierbar gerendert?”

Konkret eingeplant fürs Q3-2026-Review:

• ACU-Audit-Typ neu definieren — strukturelle Erkennung über DOM-Selektoren (Boxen, Tabellen, Definitionslisten mit datierten Quellenverweisen).
• LayerScore-Approximation aus den uns verfügbaren Signalen, sobald die externen Studien-Datensätze öffentlich validierbar sind.
• Status-Promotion von citation-hooks zu etabliert, wenn das Daten-Bild bis September stabil bleibt.

Quick-Audit · drei Schritte für deine eigenen Money-Pages

1. Inventur. Geh durch deine fünf Top-Money-Pages (Service, Hub, FAQ). Zähle pro Page, wie viele ACUs nach obiger Definition drinstecken. Unter drei = Dark-Opportunity-Verdacht.
2. Anreichern, nicht ersetzen. Pro Verdachtspage mindestens drei ACUs ergänzen — eine eigene Beobachtung aus Kundenarbeit, eine externe Studie mit Zahl/Datum/Link, eine Vergleichstabelle. Der bestehende Fließtext bleibt für menschliche Leser.
3. Ehrlich timestampen. Erst wenn mindestens 20 % des Body-Texts wirklich neu sind, dateModified setzen. Fake-Freshness schadet (siehe vorherige Ausgabe zur 13-Wochen-Regel).

Vertiefung

Wer die ausführliche Praxis-Variante mit konkreten Beispielen und Cross-Plattform-Mess-Aufbau will, liest bei iLembke weiter: Dark Opportunity Pattern — Vertiefungsartikel von Ingo Lembke (~7 Min Lesezeit).

— Lembke & Tegtmeier GbR