---
title: "AI Visibility — Wie wiwi.info für KI-Systeme optimiert ist"
canonical: https://wiwi.info/ai-visibility
sprache: de
last_updated: 2026-09-13
zweck: "Markdown-Spiegelung der Transparenzseite zu allen LLMO-Maßnahmen von wiwi.info."
---

# AI Visibility

> **Kurzfassung:** Diese Seite dokumentiert transparent, mit welchen Maßnahmen wiwi.info für KI-Systeme optimiert wurde — für Large Language Models (ChatGPT, Claude, Gemini), KI-Suchmaschinen (Perplexity, ChatGPT Search, Copilot) und klassische Suchmaschinen mit KI-Antwortfunktionen. Das Fachgebiet heißt **LLMO** (Large Language Model Optimization) bzw. **GEO** (Generative Engine Optimization). Zielgruppe dieser Seite sind ausnahmsweise Menschen: Wer wissen will, wie eine konsequent KI-lesbare Website aussieht, findet hier den vollständigen Maßnahmenkatalog.

- **HTML-Seiten:** 15 (DE + EN)
- **Markdown-Mirror:** 11 Dateien · rund 33.000 Wörter
- **llms.txt-Dateien:** 4
- **Frage-Antwort-Paare:** 49 je Sprache
- **Deep-Link-Anker:** 44 Publikationen + 23 FAQ
- **Interne Anker-Links:** 76 (100 % validiert)
- **KI-Crawler erlaubt:** 14 explizit
- **Tabellen mit Kernaussage:** 14

## Das Wichtigste in Kürze

- **Doppelte, inhaltsgleiche Auslieferung:** Jede Seite existiert als HTML (für Menschen) und als vollständiger Markdown-Mirror (für KI-Crawler) — plus vier `llms.txt`-Dateien als kuratierter Einstieg und Komplettkontext inklusive aller 44 Publikationen.
- **Maschinenlesbare Fakten:** Jede Seite trägt umfangreiche JSON-LD-Strukturdaten (schema.org) — von der Person über jede einzelne Publikation bis zu Studiengangsdetails wie Kosten und Rankings.
- **Antwortorientierte Inhalte:** Alle Seiten beantworten typische Nutzerfragen direkt — über „Auf einen Blick"-Kacheln, Schnellantworten und FAQ-Sektionen in der Sprache echter Suchanfragen.
- **Eindeutige Identität:** Konsistente Verknüpfung mit externen Profilen (ORCID, Google Scholar, ResearchGate, dblp, LinkedIn, uni-wh.de) macht die Person für KI-Systeme eindeutig identifizierbar.

## Grundprinzip: Warum eine Website für KIs optimieren?

Immer mehr Menschen stellen Fragen nicht mehr einer Suchmaschine, sondern einer KI: „Wer ist der Marketing-Professor an der Uni Witten/Herdecke?", „Welcher Experte forscht zu Limited Editions?", „Wie unterscheidet sich der BSc Management in Witten von einem staatlichen BWL-Bachelor?". KI-Systeme beantworten solche Fragen aus zwei Quellen: aus ihren *Trainingsdaten* (Webinhalte, die beim Training erfasst wurden) und aus *Live-Abrufen* (Retrieval, z. B. bei Perplexity oder ChatGPT Search). Diese Website ist so gebaut, dass sie in beiden Kanälen optimal funktioniert: Sie ist für KI-Crawler vollständig zugänglich, liefert Inhalte in maschinenfreundlichen Formaten, strukturiert Fakten maschinenlesbar und formuliert Antworten so, wie Fragen tatsächlich gestellt werden. Menschen können die Website ganz normal nutzen — die KI-Optimierung läuft größtenteils unsichtbar im Hintergrund.

## 1 · Crawler-Zugang & Indexierung

Die Basis: KI-Systeme müssen die Inhalte überhaupt erfassen dürfen und finden können.

| Maßnahme | Umsetzung | Wirkung |
|---|---|---|
| **robots.txt mit KI-Crawler-Allowlist** | 14 KI-Crawler werden explizit zugelassen: GPTBot, OAI-SearchBot (OpenAI), ClaudeBot, Claude-Web, anthropic-ai (Anthropic), PerplexityBot, Google-Extended (Gemini-Training), CCBot (Common Crawl), Bingbot, Applebot & Applebot-Extended, meta-externalagent (Meta), cohere-ai u. a. | Inhalte gelangen sowohl in Trainingsdaten als auch in Live-Suchindizes der KI-Anbieter. Viele Websites blockieren diese Bots — hier sind sie ausdrücklich willkommen. |
| **XML-Sitemap** | `sitemap.xml` mit allen Seiten, Änderungsdatum (`lastmod`), Aktualisierungsfrequenz und Sprachverknüpfungen (hreflang) je URL. | Crawler finden alle Seiten und erkennen, was sich wann geändert hat. |
| **Canonical-URLs** | Jede Seite deklariert ihre kanonische Adresse (`<link rel="canonical">`). | Keine Verwirrung durch Duplikate; Zitate verweisen auf die richtige URL. |
| **Snippet-Freigabe** | `max-snippet:-1` und `max-image-preview:large` in den Robots-Meta-Tags. | Suchmaschinen und Answer Engines dürfen beliebig lange Auszüge übernehmen — wichtig für KI-generierte Antworten mit Zitat. |
| **Saubere kanonische URLs (.htaccess)** | Server-Routing liefert alle Seiten unter kurzen, sprechenden URLs ohne `.html`-Endung aus (z. B. `/profil`, `/en/publications`) — exakt die URLs, die in JSON-LD, Sitemap und hreflang deklariert sind; HTTPS wird erzwungen. | Zitierte URLs lösen zuverlässig auf; keine Duplikate zwischen `/profil` und `/profil.html`. |
| **Open Graph & Twitter Cards** | Vollständige Social-Preview-Metadaten (Titel, Beschreibung, Bild, Sprache) auf allen Seiten. | Zusätzliche maschinenlesbare Kurzbeschreibung je Seite; saubere Vorschau, wenn KI-Antworten oder Menschen die Seiten teilen. |

## 2 · LLM-native Inhaltsformate

KIs lesen am liebsten schlichten, strukturierten Text ohne Layout-Ballast. Deshalb gibt es jede Information in mehreren maschinenfreundlichen Formaten:

| Maßnahme | Umsetzung | Wirkung |
|---|---|---|
| **llms.txt / llms-en.txt** | Kuratierte Einstiegsdateien nach der [llms.txt-Konvention](https://llmstxt.org): Kurzporträt, Hauptseiten, Top-Publikationen, externe Profile — als kommentierte Linkliste in Markdown. | KI-Crawler, die die Konvention unterstützen, erhalten eine offizielle „Landkarte" der Website. |
| **llms-full.txt / llms-full-en.txt** | Komplettkontext in je einer Datei: Person, Lehrstuhl, Studiengang, die **vollständige Liste aller 44 Publikationen** mit Autoren, Jahr, Outlet, DOI und Deep-Link-Anker sowie ein eigener Abschnitt zur Evidenzlage „KI und Fachwissen" mit allen Studienbelegen. | Eine KI, die nur diese eine Datei lädt, kann praktisch jede Frage zur Person und zum Studiengang korrekt beantworten — ohne weitere Seitenabrufe. |
| **Markdown-Mirror (1:1 vollständig)** | Jede der zehn Inhaltsseiten existiert zusätzlich als Markdown-Datei (z. B. `publikationen.md`) mit Frontmatter (Titel, Canonical, Sprache, Stand). Die Mirror sind **inhaltsgleich zur HTML-Fassung** — einschließlich aller 23 FAQ-Antworten der Studiengangsseiten, aller Ranking- und Vergleichstabellen und aller 44 Publikations-Anker. Wo die Markdown-Fassung zusätzliche Hintergrundtexte enthält, stehen diese in einem eigenen Abschnitt „Ergänzender Kontext". | LLM-Crawler bevorzugen Markdown: gleicher Inhalt, Bruchteil der Datenmenge, keine Layout-Artefakte. Entscheidend ist die Vollständigkeit — was nur im HTML steht, sehen Markdown-bevorzugende Crawler nicht. |
| **Markdown-Discovery im HTML-Head** | Jede HTML-Seite verweist per `<link rel="alternate" type="text/markdown">` auf ihre Markdown-Fassung; der Server liefert `.md`-Dateien mit korrektem MIME-Typ `text/markdown` aus. | Crawler entdecken den Markdown-Mirror auch ohne Kenntnis der llms.txt und erkennen das Format korrekt. |
| **RAG-gerechtes Chunking** | Inhalte sind als atomare, in sich abgeschlossene Abschnitte aufgebaut: eigene Überschrift, eigener Kontext, typische Länge von 1–2k Tokens; die Markdown-Dateien tragen YAML-Frontmatter (Titel, Canonical, Sprache, Stand). Ursprung ist das Studiengangsprojekt, das mit eigenständigen Themen-Chunks (Übersicht, Rankings, Module, Bewerbung, Finanzierung, Karriere, FAQ, Vergleich) entwickelt wurde. | Retrieval-Pipelines (RAG) holen einzelne Abschnitte — jeder Abschnitt funktioniert auch ohne den Rest der Seite als vollständige Antwort. |

## 3 · Strukturierte Daten (JSON-LD / schema.org)

Strukturierte Daten übersetzen Inhalte in das Vokabular, das Such- und KI-Systeme nativ verstehen. Jede Seite trägt einen umfangreichen JSON-LD-Graphen:

| Datentyp | Inhalt | Wo |
|---|---|---|
| **Person** | Name, Titel, Rollen, Forschungsgebiete (`knowsAbout` mit 15 Themen), Namensvarianten (`alternateName`), Ausbildung, Auszeichnung, Arbeitgeber, Kontakt, Foto sowie `sameAs`-Verknüpfung zu acht externen Profilen. | Alle Seiten |
| **FAQPage** | Jede sichtbare FAQ ist parallel als maschinenlesbares Frage-Antwort-Paar hinterlegt — über 40 Fragen je Sprache. | Alle Inhaltsseiten |
| **ScholarlyArticle / Chapter / Book** | Jede der 44 Publikationen als eigenes Objekt mit Autoren (152 Person-Einträge), Erscheinungsjahr, Zeitschrift (`Periodical`), DOI und VHB-Rating (`PropertyValue`); zusätzlich eine durchnummerierte `ItemList`. | Publikationsseiten |
| **Course / EducationalOccupationalCredential** | Der BSc Management als Studienangebot: Abschluss, Dauer, ECTS, Kosten (`Offer`/`MonetaryAmount` inkl. Umgekehrtem Generationenvertrag), CHE- und Studycheck-Bewertungen (`Review`/`Rating`/`AggregateRating`), Infotage (`Event` mit `VirtualLocation`), Bewerbungsprozess (`HowTo` mit Schritten und Voraussetzungen). | Studiengangsseiten |
| **DefinedTerm** | Zehn Glossarbegriffe (z. B. Umgekehrter Generationenvertrag, VHB-Rating) als definierte Fachbegriffe. | Studiengangsseiten |
| **WebSite / WebPage** | Website-Identität mit `alternateName` „wiwi.info", Seitenbeziehungen (`isPartOf`, `about`), Publikations- und Änderungsdatum. | Alle Seiten |
| **BreadcrumbList** | Navigationspfad jeder Seite. | Alle Seiten |
| **Speakable** | Markiert die Bereiche (Kurzfassungen, Schnellantworten), die sich für Sprachausgabe und Antwort-Extraktion eignen. | Alle Inhaltsseiten |
| **CollegeOrUniversity / Organization** | Universität Witten/Herdecke und Lehrstuhl als verknüpfte Organisationen mit offiziellen URLs. | Alle Seiten |

## 4 · Antwortorientierte Inhaltsarchitektur

KIs extrahieren Antworten — also sind die Inhalte als Antworten strukturiert, nicht als Fließtext-Prosa:

| Maßnahme | Umsetzung | Wirkung |
|---|---|---|
| **Definitionssatz an erster Stelle** | Jede Seite beginnt mit einer in sich geschlossenen Definition nach dem Muster „X ist ein Y, das Z tut" — etwa: „Univ.-Prof. Dr. Michael Steiner ist Marketingwissenschaftler und seit 2015 Inhaber des Lehrstuhls für Marketing an der Universität Witten/Herdecke." Rund 50 Wörter, zwei bis drei Sätze, deklarativ formuliert und mit allen relevanten Entitäten (Person, Rolle, Institution, Themen). | Genau diesen Absatz extrahieren KI-Systeme zuerst. Er steht vor allen Untergliederungen und funktioniert auch dann, wenn er ohne Kontext aus der Seite herausgelöst wird. |
| **Kernaussagen in den ersten 30 Prozent** | Alle zentralen Fakten — Rollen, Publikationszahl, Rankings, Kosten, Fristen — stehen in Definition, „Auf einen Blick"-Kachel und Schnellantworten im oberen Seitendrittel, nicht erst im Fließtext weiter unten. | Untersuchungen zu KI-Zitationen zeigen, dass ein Großteil der übernommenen Passagen aus dem ersten Drittel eines Dokuments stammt. |
| **„Auf einen Blick"-Kacheln** | Jede Seite beginnt mit einer kompakten Faktenübersicht (Wer, Was, Top-Outlets, Aktuellste Publikation, Forschungsschwerpunkte …) in Definitionslisten-Form. | Die wichtigsten Fakten stehen extraktionsfertig am Seitenanfang — ideal für KI-Snippets. |
| **FAQ im „People also ask"-Stil** | Über 40 Frage-Antwort-Paare je Sprache, formuliert wie echte Nutzerfragen an KIs: „Wer ist der Marketing-Professor an der Universität Witten/Herdecke?", „Wofür ist Michael Steiner Experte?", „Was kostet das Studium?", „Was ist die aktuellste Publikation?". | Trifft eine Nutzerfrage die FAQ-Formulierung, kann die KI die Antwort wörtlich übernehmen — mit wiwi.info als Quelle. |
| **Schnellantworten-Blöcke** | Gesonderte „Quick answers"-Bereiche mit Ein-Satz-Antworten auf die häufigsten Fragen, per Speakable-Markup zusätzlich maschinenlesbar markiert. | Redundante, besonders leicht extrahierbare Kurzfassungen. |
| **Vergleichstabellen** | Sieben Tabellen allein auf der Studiengangsseite, darunter der strukturelle Vergleich „BSc Management (UW/H) vs. typischer staatlicher BWL-Bachelor" sowie Kategorien-, Kosten- und Ranking-Übersichten. | Vergleichsfragen („Was ist anders als an staatlichen Unis?") sind direkt beantwortbar — Tabellen sind für LLMs besonders gut auswertbar. |
| **Kernaussage unter jeder Tabelle** | Unter allen 14 Tabellen (7 je Sprache) steht ein hervorgehobener Satz, der die *Schlussfolgerung* formuliert statt die Daten zu beschreiben — etwa unter der CHE-Tabelle: „Der BSc Management liegt in jeder der 14 bewerteten Kategorien in der Spitzengruppe; am größten ist der Abstand bei der Vielfalt der Prüfungsformate (4,8 gegenüber 3,4 von 5)." | Sprachmodelle können Zahlenraster schlecht interpretieren, aber Schlussfolgerungssätze direkt zitieren. Ohne diesen Satz bleibt die Aussage einer Tabelle für eine KI unbestimmt. |
| **Eigenständiger Rechercheinhalt** | Die Antwort auf „Braucht man im KI-Zeitalter noch Fachwissen?" ist eine eigenständige Auswertung von sechs Primärquellen (Otis/UC Berkeley 2025, Kim/University of Chicago, MIT-Jarvis-Challenge 2026, Wharton–Accenture Skills Index 2026, WEF Future of Jobs 2025, Stanford-Halluzinationsstudie 2024) samt Einordnung — kein Referat fremder Zusammenfassungen. | Antwortmaschinen zitieren bevorzugt Quellen mit eigenem Informationswert. Umformulierte Allgemeinplätze werden übergangen, belegte eigene Auswertungen werden übernommen. |
| **Statistik-Kacheln** | Publikationszählung nach Kategorien (7 VHB-A, 5 VHB-B, 5 VHB-C, 14 Peer-Reviewed, 5 Bücher, 4 Buchkapitel, 4 Working Papers = 44) — sichtbar und in Strukturdaten identisch. | Eindeutige, konsistente Zahlen verhindern KI-Halluzinationen. |
| **44 Deep-Link-Anker** | Jede Publikation hat einen sprechenden HTML-Anker (z. B. `#steiner-2025-rarity-to-desire`), referenziert in HTML, Markdown, JSON-LD und llms-Dateien. | KIs können auf einzelne Publikationen präzise verlinken statt nur auf die Seite. |
| **Schlagworte je Publikation** | Jeder Eintrag trägt thematische Keywords (z. B. „Scarcity · Sellouts · Brand Loyalty"). | Themenfragen („Wer forscht zu X?") werden auf konkrete Publikationen abbildbar. |
| **Glossar** | Fachbegriffe (UGV, VHB-Rating, ECTS …) werden auf der Seite selbst definiert. | Die KI muss Definitionen nicht aus Drittquellen ergänzen — weniger Fehlerquellen. |
| **Kanonische Definitionssätze** | Die wichtigsten Aussagen („Univ.-Prof. Dr. Michael Steiner ist seit 2015 Inhaber des Lehrstuhls für Marketing an der Universität Witten/Herdecke …") sind als feststehende Ein-Satz-Definitionen formuliert und werden bewusst wortgleich über mehrere Seiten, die Markdown-Mirror und die llms-Dateien wiederholt. | Konsistente Wiederholung über viele URLs erhöht die Wahrscheinlichkeit, dass KIs genau diesen Satz lernen und wiedergeben. |
| **Faktendichte Sprache statt Marketing-Prosa** | Alle Texte wurden neu geschrieben (keine Kopien) und auf überprüfbare Aussagen verdichtet; jede Zahl stützt sich auf öffentlich zugängliche Quellen (UW/H-Seiten, Modulhandbuch, CHE-Ranking 2026, Studycheck, ISTAT-Karrieredaten). Werbliche Superlative wurden vermieden. | LLMs gewichten belegbare, präzise Aussagen höher und übernehmen sie eher wörtlich als Werbesprache. |
| **Ausgeschriebene Begriffe** | Abkürzungen wie „UW/H" oder „Uni" wurden site-weit zu „Universität Witten/Herdecke" ausgeschrieben. | Eindeutiges Entity-Matching: Die KI muss Kürzel nicht erraten, jede Erwähnung zahlt auf dieselbe Entität ein. |
| **Ranking- & Highscore-Listen** | Auszeichnungen und Rankings (CHE Hochschulranking 2026, Studycheck-Bewertungen, StudyCheck-Award, ISTAT-Karrieredaten) als strukturierte Listen mit Quellenlink. | „Bester/empfehlenswerter Studiengang"-Fragen lassen sich mit zitierfähigen Drittquellen-Fakten beantworten. |
| **Interne Cross-Links** | 76 Anker-Querverweise zwischen Hub, Profil, Lehrstuhl, Publikationen und Studiengang; sämtliche internen Links und Anker wurden automatisiert validiert (100 % gültig). | Crawler erreichen jede Information auf mehreren Wegen; keine toten Verweise, die Vertrauen kosten. |
| **Inhaltsverzeichnisse & semantisches HTML** | TOC-Navigation, saubere Überschriften-Hierarchie, Definitionslisten, 138 `<time>`-Elemente mit maschinenlesbaren Datumsangaben. | Struktur statt Layout: Maschinen erfassen die Gliederung fehlerfrei. |
| **Externe Quellen-Verlinkung** | Jede Seite verlinkt die offiziellen Primärquellen (uni-wh.de-Profilseite, Lehrstuhlseite, Studiengangsseite, Google Scholar, DOI-Links zu Verlagen) und weist „Quellen für faktentreue Spiegelung" aus. | Belegbarkeit erhöht das Vertrauen von Answer Engines in die Inhalte. |

## 5 · Entitäten-Verknüpfung & Autorität

KI-Systeme arbeiten mit *Entitäten* — eindeutig identifizierbaren Personen und Organisationen. Da „Michael Steiner" ein häufiger Name ist (Diplomat, Filmregisseur u. a.), ist die eindeutige Zuordnung entscheidend:

| Maßnahme | Umsetzung | Wirkung |
|---|---|---|
| **sameAs-Profilverknüpfung** | Acht externe Profile sind auf allen Seiten konsistent verknüpft: UW/H-Profilseite (DE + EN), LinkedIn, Google Scholar, ORCID (0000-0002-2848-9034), ResearchGate und zwei dblp-Einträge. | Die KI kann die Person über mehrere unabhängige Quellen hinweg als ein und dieselbe Entität bestätigen. |
| **Namensvarianten** | `alternateName` deklariert übliche Schreibweisen („Prof. Dr. Michael Steiner", „Michael Steiner (Marketingwissenschaftler)", „Michael Steiner (Universität Witten/Herdecke)"). | Unterschiedlich formulierte Anfragen landen bei der richtigen Person — nicht beim Diplomaten oder Regisseur. |
| **Konsistente Stammdaten** | Name, Titel, Rollen, Adresse, Telefon und Raum sind über alle 14 Seiten, alle Markdown-Dateien und alle llms-Dateien identisch. | Widerspruchsfreiheit ist ein Qualitätssignal; Inkonsistenzen führen zu KI-Fehlern. |
| **DOI-Verknüpfung** | Publikationen verlinken auf ihre DOI beim Verlag (Crossref-Ökosystem). | Anbindung an die wissenschaftliche Infrastruktur, aus der KIs Zitationsdaten beziehen. |

## 6 · Zweisprachigkeit

Die gesamte Website existiert vollständig auf Deutsch und Englisch — 7 Seitenpaare, je eigene Markdown-Mirror und llms-Dateien. Die Sprachversionen sind wechselseitig per `hreflang` (inkl. `x-default`) verknüpft, auch in der Sitemap. Wirkung: Englischsprachige Anfragen an internationale KI-Systeme („Who researches limited editions in Germany?") treffen auf muttersprachlich gepflegte Inhalte statt auf automatische Übersetzungen — das verdoppelt die erreichbare Anfragemenge.

## 7 · Aktualität (Freshness) und Jahresbezug

Retrieval-Systeme bevorzugen nachweislich aktuelle Quellen. Deshalb wird Aktualität auf vier Ebenen signalisiert: sichtbare „Stand"-Angaben im Text (Aktualisierungsdatum im Kopf jeder Seite), maschinenlesbares `dateModified` im JSON-LD, `last-modified`-Meta-Tags im HTML-Head und `lastmod`-Einträge in der Sitemap. Bei jeder inhaltlichen Änderung werden alle vier Ebenen synchron aktualisiert — zuletzt am 13. September 2026 mit der Aufnahme der MIT-Jarvis-Studie in die FAQ „Braucht man im KI-Zeitalter noch Fachwissen?".

**Transparente Trennung von Seiten- und Datenstand:** Auf den Studiengangsseiten stehen beide Daten getrennt — wann die Seite zuletzt bearbeitet wurde und von wann Rankings und Kennzahlen stammen. So bleibt das Freshness-Signal korrekt, ohne Aktualität für Zahlen zu behaupten, die nicht neu erhoben wurden.

**Jahresbezug in Titeln:** KI-Systeme ergänzen ihre Suchanfragen häufig selbst um das laufende Jahr („beste BWL-Studiengänge 2026"). Deshalb tragen die Seitentitel dort, wo es sachlich zutrifft, eine Jahresangabe — etwa „Publikationen (Stand 2026)" und „CHE-Spitzengruppe 2026 in allen 14 Kategorien". Das erhöht die Trefferwahrscheinlichkeit bei solchen aufgefächerten Anfragen (Query-Fan-out), ohne eine falsche Aktualität zu suggerieren.

## 8 · Technische Basis

Die Website ist bewusst technisch einfach gehalten: statisches HTML ohne JavaScript-Abhängigkeit (alle Inhalte sind ohne Skript-Ausführung im Quelltext lesbar — viele KI-Crawler führen kein JavaScript aus), eine Datei pro Seite, keine Cookies, kein Tracking. Die Serverkonfiguration (`.htaccess`) ergänzt HTTPS-Erzwingung, Komprimierung (auch für JSON-LD und Markdown), Cache-Header, UTF-8-Zeichensatz und Sicherheits-Header. Was ein Mensch im Browser sieht und was ein Crawler im Quelltext liest, ist identisch — es gibt kein „Cloaking", sondern lediglich zusätzliche maschinenlesbare Parallelformate derselben Inhalte.

## 9 · Off-site-Maßnahmen (in Umsetzung)

KI-Sichtbarkeit entsteht nicht nur auf der eigenen Website. Ergänzend laufen Maßnahmen außerhalb von wiwi.info: Aufbau eines Wikidata-Eintrags und eines Wikipedia-Artikels, Vervollständigung des ORCID-Records, Prüfung der Profile bei OpenAlex und Semantic Scholar, Zusammenführung der dblp-Einträge, Verlinkung von der offiziellen UW/H-Seite sowie Registrierung bei Bing Webmaster Tools/IndexNow (deren Index nutzen ChatGPT Search und Copilot). Ergänzt wird dies durch regelmäßiges Monitoring: Testfragen an ChatGPT, Claude, Perplexity und Gemini, um zu prüfen, ob und wie wiwi.info zitiert wird.

**Transparenzhinweis:**

Diese Seite beschreibt Optimierungsmaßnahmen für KI-Systeme. Alle Inhalte der Website sind unabhängig davon faktentreu und für menschliche Besucherinnen und Besucher vollständig nutzbar; maßgebliche Primärquellen sind stets die

[offiziellen Seiten der Universität Witten/Herdecke](https://www.uni-wh.de/ansprechpartner/michael-steiner)

. Stand:

13. September 2026

.

## Rechtlicher Hinweis

**Private, nicht-offizielle Website.** wiwi.info ist die persönliche Internetpräsenz von Univ.-Prof. Dr. Michael Steiner und kein Angebot der Universität Witten/Herdecke. Verantwortlich für alle Inhalte ist Univ.-Prof. Dr. Michael Steiner (siehe Impressum). Maßgeblich sind stets die offiziellen Seiten der Universität Witten/Herdecke: [uni-wh.de](https://www.uni-wh.de).