Fotos, Videos, Untertitel: Was bei KI-Antworten tatsächlich ankommt

Ein Erklärvideo auf der Startseite wirkt beeindruckend – aber liefert es auch Material, das ChatGPT oder Perplexity in einer Antwort zitieren können? Die Antwort ist differenzierter, als die meisten Ratgeber vermuten lassen: Nicht das Medium selbst zählt, sondern wie viel maschinenlesbarer Text daraus entsteht. Dieser Artikel vergleicht Bild, Video und Transkript direkt und nennt für vier typische Ausgangslagen eine konkrete Empfehlung.

Warum KI-Systeme Text bevorzugen, egal welches Medium dahintersteckt

Sprachmodelle wie ChatGPT oder Gemini lesen keine Bilder und hören keine Videos im eigentlichen Sinn – sie verarbeiten Text, der aus diesen Medien extrahiert oder um sie herum platziert wurde. Für Bilder bedeutet das laut Google: Die Suchmaschine zieht Informationen zum Bildinhalt vor allem aus dem umgebenden Seiteninhalt, aus Bildunterschriften und Bildtiteln – der Dateiname selbst liefert nach Googles eigener Einschätzung nur „very light clues", also sehr schwache Hinweise auf das Thema (Google Search Central). Wer ein Bild also nur „IMG_2024.jpg" nennt und auf eine Caption verzichtet, hat praktisch keine Chance, dass ein KI-System daraus etwas Konkretes ableitet.

Bei Videos ist die Hürde noch höher: Google kann ein Video erst dann für die Indexierung berücksichtigen, wenn die zugehörige Watch-Page selbst bereits gut in der Suche performt – der Indexierungsstatus der Seite ist also Voraussetzung, nicht Ergebnis (Google Search Central). Ein Video ohne begleitenden Text, ohne Transkript und auf einer schwach rankenden Unterseite bleibt für generative KI-Systeme praktisch unsichtbar, so beeindruckend es inhaltlich auch sein mag.

Der direkte Vergleich: Bild, Video und Transkript im Praxistest

Die folgende Tabelle fasst zusammen, was jedes Medium für KI-Antworten tatsächlich beiträgt – und was technisch zwingend dazugehört, damit der Beitrag überhaupt ankommt.

Das Muster ist eindeutig: Je mehr durchsuchbarer Text entsteht, desto höher die Chance auf eine Zitierung. Das deckt sich mit der Auswertung von 96.418 Seiten aus Deutschland, Österreich und der Schweiz, bei der Seiten mit Inhaltsverzeichnis 1,7-mal, mit Article-Schema 1,6-mal und mit FAQ-Schema 1,5-mal so häufig zitiert wurden wie Seiten ohne diese Strukturelemente (Sistrix-Studie, zitiert nach max-online.at, 2026). Struktur schlägt Medium.

Klare Empfehlung nach Ausgangslage

Nicht jedes Unternehmen startet bei null. Die folgenden vier Situationen kommen in der Beratungspraxis am häufigsten vor:

• Ausgangslage „Nur Fotos vorhanden": Investieren Sie zuerst in aussagekräftige Bildunterschriften mit Ort, Leistung und Kontext statt in neue Fotos. Eine Caption wie „Dachsanierung in Leipzig, Schieferdeckung, Juli 2026" liefert mehr maschinenlesbaren Mehrwert als ein professionelles, aber unbeschriftetes Foto.
• Ausgangslage „Erklärvideos vorhanden, kein Transkript": Ergänzen Sie ein vollständiges Transkript über die schema.org-Property „transcript", die für AudioObject und VideoObject definiert ist (Schema.org). Das ist der mit Abstand günstigste Hebel, weil die Produktionskosten für das Video bereits angefallen sind.
• Ausgangslage „Podcast oder Webinar-Reihe": Verschriftlichen Sie jede Folge als eigene Textseite statt nur als Audiodatei zu verlinken. Prüfen Sie dabei mit dem Perplexity als Diagnosewerkzeug, ob einzelne Episoden bereits auftauchen, bevor Sie die gesamte Reihe verschriftlichen.
• Ausgangslage „Start bei null": Beginnen Sie mit Text, nicht mit Video. Ein gut strukturierter Fachartikel mit Inhaltsverzeichnis und FAQ-Bereich ist schneller zitierfähig als ein aufwendig produziertes Video ohne begleitenden Text – siehe dazu auch den Leitfaden Generative Engine Optimization.

Szenario: Transkript nachrüsten statt neues Video drehen

Ein Beispiel zur Veranschaulichung, keine reale Firma: Ein Dienstleistungsbetrieb hat vor zwei Jahren fünf Erklärvideos produziert, jeweils drei bis fünf Minuten lang, ohne Transkript. Die Videos liegen auf einer Unterseite, die in Google grundsätzlich indexiert ist. Rechenweg für den Nachrüstungsaufwand: Bei durchschnittlich 120 gesprochenen Wörtern pro Minute und vier Minuten Länge entstehen pro Video rund 480 Wörter Text. Für fünf Videos sind das etwa 2.400 Wörter – vergleichbar mit zwei bis drei ausführlichen Blogartikeln, aber ohne neue Dreharbeiten. Wird dieser Text als strukturiertes Transkript über die schema.org-Property „transcript" hinterlegt (Schema.org), entsteht maschinenlesbarer Inhalt, der zuvor nur als Tonspur existierte. Der Aufwand liegt bei der Transkription und der technischen Einbindung, nicht bei neuer Produktion.

Technische Stolperfallen, die den Effekt zunichtemachen

Selbst ein vorhandenes Transkript bringt nichts, wenn die technische Basis fehlt. Drei Punkte werden in der Praxis regelmäßig übersehen:

• Die Videodatei selbst – etwa eine M3U8-Streaming-URL – darf nicht per noindex oder robots.txt blockiert sein, sonst kann Google sie trotz vorhandenem Transkript nicht erreichen (Google Search Central).
• Bei Inhalten hinter einer Paywall ist strukturiertes Paywall-Markup notwendig, damit das Video trotz Zugriffsbeschränkung indexiert werden kann (Google Search Central).
• Thumbnail-URLs sollten dauerhaft stabil bleiben – häufige Wechsel der Bild-URL können die Indexierung verhindern, ebenso wie bei normalen Bildern eine konsistente URL für zuverlässiges Caching sorgt (Google Search Central).

Wichtig für die Erwartungshaltung: Für das Erscheinen in AI Overviews oder im AI Mode sind laut Google keine neuen maschinenlesbaren Dateien, keine speziellen KI-Textdateien und kein eigenes schema.org-Set notwendig (Google Search Central). Das bedeutet im Umkehrschluss: Die oben genannten Standard-Maßnahmen für Bild- und Video-SEO sind auch für KI-Sichtbarkeit die richtige Grundlage – es gibt keinen separaten „GEO-Trick", der diese Basis ersetzt.

Einschätzung

Einschaetzung: Die Fixierung auf das „richtige" Medium lenkt oft vom eigentlichen Hebel ab. Weder ein teures Video noch ein professionelles Fotoshooting erhöht die Zitierwahrscheinlichkeit automatisch – entscheidend ist, wie viel strukturierter, durchsuchbarer Text am Ende aus dem Material entsteht. Für die meisten kleinen und mittleren Unternehmen in Deutschland dürfte die Transkription bestehender Videos derzeit der wirtschaftlich sinnvollste Schritt sein, weil die Produktionskosten bereits versunken sind und nur die Verschriftlichung fehlt. Unternehmen, die noch gar keine Videos besitzen, sollten nicht zuerst in Videoproduktion investieren, sondern in strukturierten Text – Video kann später ergänzt werden, wenn die Textbasis steht.

Häufige Fragen