Du rankst seit Monaten stabil bei Google, die Bing-Sichtbarkeit stimmt auch, und trotzdem taucht Deine Seite in ChatGPT-Antworten einfach nicht auf. Kein Einzelfall: Nach Zahlen von Profound überlappen sich ChatGPT- und Google-Ergebnisse aktuell nur zu 33 %, mit Bing sind es gerade mal 8 %. Wer seine GEO-Strategie (Generative Engine Optimization) bisher auf Bing-Sichtbarkeit aufgebaut hat, optimiert damit für die kleinere Hälfte des Problems.
Inhaltsverzeichnis
- Blindflug mit Kompass – warum Bing-Sichtbarkeit nicht mehr reicht
- Der Verräter im Datenstrom – result_source und die vier Pipelines
- Kein Goldfisch-Gedächtnis – Labrador ist eine ganze Indexfamilie
- Der Labrador-Fingerabdruck – so erkennst Du einen Treffer aus dem eigenen Index
- Zwei Ausgaben derselben Zeitung – Free und Paid sehen ein anderes Web
- Schwarz auf weiß – Stellenanzeigen und eine Aussage unter Eid
- Die Mathematik hinter der Auswahl – RRF und warum Breite gewinnt
- Was jetzt zu tun ist
TL;DR
ChatGPT hat einen eigenen Suchindex. Intern Labrador genannt, seit 2023 aufgebaut, und er beantwortet im kostenlosen Modus die meisten Anfragen.
Labrador ist keine Datenbank, sondern eine Indexfamilie. Web, PDF, News, arXiv, Shopping und mehr, jeweils eigens zugeschnitten.
Free und Paid sehen fast ein anderes Web. Im kostenlosen Think-Modus stammen 74,7 % der Ergebnisse aus Labrador, im bezahlten Thinking-Modus nur 24,7 %.
Die Ranking-Logik dahinter heißt RRF. Wer thematisch breit aufgestellt ist, schlägt Einzeltreffer auf Platz 1 mathematisch nachweisbar.
1. Blindflug mit Kompass – warum Bing-Sichtbarkeit nicht mehr reicht
Bisher galt eine einfache Gleichung: gute Rankings bei Google und Bing gleich gute Sichtbarkeit in ChatGPT. Bequem, aber offenbar überholt. Die Überlappungszahlen von Profound (33 % mit Google, 8 % mit Bing) passen nicht mehr zu dieser Annahme.
Neue Recherchen von Peec AI und der Agentur Resoneo liefern die Erklärung: OpenAI betreibt sehr wahrscheinlich seit Jahren einen eigenen Suchindex mit dem internen Namen Labrador. Wie man diesem Index auf die Spur kam, zeigt das nächste Kapitel.
2. Der Verräter im Datenstrom – result_source und die vier Pipelines
Zwischen dem 21. Mai und dem 21. Juli 2026 zeigte ein Feld namens result_source direkt in ChatGPTs Server-Side-Events, welche Pipeline jedes Suchergebnis geliefert hatte. Nur vier Werte tauchten auf: labrador, bright, oxylabs, serp. Die letzten drei stehen für externe Scraping-Anbieter, die Google-Ergebnisse abgreifen. Labrador ist OpenAIs eigener Index.
Um den 21. Juli verschwand das Feld aus dem Stream, über Nacht, bei jedem beobachteten Account. Seither identifiziert die Agentur RESONEO die Pipeline über Formatierungssignaturen wie Snippet-Länge und Titel-Form, mit einem Klassifikator, der zu rund 98 % korrekt liegt. Die Datenbasis dahinter ist ordentlich: 1.200 bis 1.249 ausgewertete ChatGPT-Antworten, 88.000 Suchergebnisse, 26.900 Einzelseiten, erfasst per Chrome-Extension im Juli 2026.
3. Kein Goldfisch-Gedächtnis – Labrador ist eine ganze Indexfamilie
Labrador ist keine einzelne Datenbank, sondern eine Familie getrennter, auf Inhaltstypen zugeschnittener Indizes: Web, PDF, YouTube, News (nach Alter gestaffelt), arXiv, Wikipedia, lokale Ergebnisse, Finanzen mit eigenem PDF-Index, Recht, Medizin, Shopping und Bilder. Gespeichert wird pro Dokument dasselbe wie bei Google auch: vollständiger Seiteninhalt, Crawl-Datum, Veröffentlichungsdatum.
labrador fungiert dabei als Orchestrator. Es liefert nicht nur Web-Treffer, sondern auch News, arXiv, Reddit und YouTube-Ergebnisse. Shopping und lokale Ergebnisse laufen komplett getrennt: Shopping über eigene Merchant-Feeds, lokale Treffer über Yelp, TripAdvisor und interne Pipes mit Google Maps als Linkziel. Beide Bereiche berühren die klassische Websuche nie.
4. Der Labrador-Fingerabdruck – so erkennst Du einen Treffer aus dem eigenen Index
Fünf Muster verraten, ob ein Ergebnis aus Labrador stammt oder aus klassischem Scraping.
Die Titellänge. Bing kappt Titel bei 75 Zeichen, 24 % der Labrador-Titel liegen darüber, der längste erfasste Titel war 289 Zeichen lang.
Das eingefrorene Snippet. Rund 200 Zeichen, an der H1 verankert, beim Indexieren einmal geschnitten und danach unverändert ausgeliefert, ganz gleich was Du fragst. Bei RESONEO enthielten 83,6 % der Snippets die H1, median 51 Zeichen lang.
Der Abgleich mit Bing. Nur 1,5 % der Labrador-URLs tauchen in Bings Top 20 derselben Suchanfragen auf, kein einziges Snippet war identisch.
Der Lockdown-Modus. In diesem Modus ohne Live-Browsing lieferte ChatGPT in Tests aktuelle Inhalte großer SEO-Publisher direkt aus dem Cache, ohne die Seiten live abzurufen.
Die Serverlogs. OAI-SearchBot, der Suchcrawler, war in Testlogs kaum sichtbar, obwohl der Index weiter Ergebnisse lieferte. Welcher Robot Labrador tatsächlich befüllt, ist bis heute offen.
5. Zwei Ausgaben derselben Zeitung – Free und Paid sehen ein anderes Web
Hier wird es für die eigene Priorisierung spannend: Free Think bezieht 74,7 % seiner Ergebnisse aus Labrador, nur 3,1 % aus klassisch gescraptem Google. Paid Thinking ist fast das Spiegelbild, 75,3 % gescraptes Google, 24,7 % Labrador. Über 90 % der ChatGPT-Nutzer sind im kostenlosen Tarif unterwegs, kostenlos heißt Instant, Instant heißt Labrador.
Der Grund ist wirtschaftlich, nicht technisch. Im Instant-Modus wird in 93 % der Antworten gar keine Seite live geöffnet. Im Thinking-Modus dagegen kommen teure Tools zum Einsatz: gescraptes Google via bright (75 % der Suchergebnisse) und echte Live-Seitenaufrufe. Die Trichterzahlen zeigen, wie viel dabei auf der Strecke bleibt: Von 61.332 eingespeisten URLs wurden 5.032 zur Leitquelle einer Zitation, nur 759 tatsächlich geöffnet. Eine geöffnete Seite wird zu 74 % zitiert, eine nur abgerufene, nie geöffnete zu gerade mal 7 %.
6. Schwarz auf weiß – Stellenanzeigen und eine Aussage unter Eid
Dass der eigene Index kein Zufallsfund ist, sondern ein bewusstes, mehrjähriges Projekt, zeigen zwei Belege abseits der Server-Logs. Die Stellenanzeige „Engineering Manager, Online Data Systems“ beschreibt ein Team, das die zentralen Index-Dienste hinter ChatGPT baut, im Exabyte-Maßstab. Eine zweite Anzeige, „Software Engineer, Foundations Search“, sucht Entwickler für Indexierungssysteme, Retrieval-Pipelines und Dense-, Sparse- und Hybrid-Verfahren. Sparse-Repräsentation ist die Sprache von TF-IDF und BM25, zusammen mit Dense Embeddings ergibt das genau den Aufbau für Reciprocal Rank Fusion, dazu gleich mehr.
Auch juristisch gibt es Rückendeckung: Laut übereinstimmenden Berichten zur Aussage von Nick Turley (bei OpenAI für ChatGPT verantwortlich) im Google-Kartellverfahren gab es erhebliche Qualitätsprobleme mit Suchdaten von Nicht-Google-Partnern, und Google lehnte eine engere Zusammenarbeit ab. OpenAI baute daraufhin ab 2023 einen eigenen Index auf, mit dem Ziel, bis Jahresende 80 % aller Anfragen daraus zu beantworten. Selbst mit vollem Zugriff auf den Google-Index, so dieselbe Aussage, würde es mindestens fünf Jahre dauern, nur um zu klären, ob 100 % überhaupt erreichbar sind.
7. Die Mathematik hinter der Auswahl – RRF und warum Breite gewinnt
Reciprocal Rank Fusion, kurz RRF, ist die Formel dahinter: Score = 1 / (60 + Rangposition). Läuft ein System mehrere Teilanfragen zu einer Frage und findet dieselbe Seite in verschiedenen Positionen, werden die Scores addiert. Im ChatGPT-Code fand sich dazu der Beleg: rrf_alpha: 1, rrf_input_threshold: 0, ranking_model: null, ein klarer Hinweis auf Standard-RRF.
Der Punkt dahinter: LLMs stellen bei einer Frage nicht eine, sondern mehrere Teilanfragen (Query Fan-Out) und verschmelzen die Ergebnisse. Eine Modellrechnung macht das greifbar: 30 verwandte Seiten auf Durchschnittsposition 6 erzielen einen rund 60-fach höheren RRF-Score als eine Einzelseite, die nur für eine Anfrage auf Platz 1 steht. Themencluster sind bei RRF also keine nette Content-Idee, sondern mathematisch im Vorteil.
8. Was jetzt zu tun ist
Sichtbarkeit in Google und Bing allein reicht als Messgröße für ChatGPT nicht mehr aus. Ein paar konkrete Stellschrauben:
Bing-Sichtbarkeit nicht als Proxy behandeln. Was in Auswertungen wie Bing aussieht, kann über Microsofts eigene Grounding-Plattform Web IQ laufen.
Titel als eigenständige, ungekürzte Sätze formulieren. Sie erreichen Labrador komplett, eine Kürzung auf 55 oder 60 Zeichen kostet dort Potenzial.
Die ersten 200 Zeichen nach der H1 zählen doppelt. Im Instant-Modus ist das der einzige Fließtext, den das Modell überhaupt sieht.
Technische Grenzen im Blick behalten. Unter 4 MB bleiben, auch ohne JavaScript lesbar sein, informative Alt-Texte weit oben platzieren.
Bei Produkten und lokaler Relevanz gezielt investieren. Merchant-Feeds sowie Einträge bei Yelp und TripAdvisor entscheiden dort, nicht die klassische Websuche.
Vertical-Indizes mitdenken. Ein PDF, ein sauber transkribiertes YouTube-Video oder ein gepflegter Wikipedia-Eintrag laufen über andere Wege in den Bestand als eine gewöhnliche Ratgeberseite.
Wrap-up
Labrador ist (noch) keine Google-Alternative, dafür fehlen Reichweite und Reife. Aber der Index wächst wöchentlich weiter, und wer seine GEO-Arbeit heute nur an Bing ausrichtet, optimiert für ein System, das bei den meisten ChatGPT-Nutzern gar nicht mehr die Hauptrolle spielt.
