Was ist GEO? Ge­ne­ra­ti­ve En­gi­ne Op­ti­miza­ti­on er­klärt (2026)

Die Su­che nach In­for­ma­tio­nen ver­än­dert sich grund­le­gend. Im­mer mehr Nut­zer wen­den sich di­rekt an KI-Sys­te­me und er­war­ten eine fer­ti­ge Ant­wort statt ei­ner Tref­fer­lis­te.

Für Mar­ken und Un­ter­neh­men be­deu­tet das neue Her­aus­for­de­run­gen: Sicht­bar­keit ent­steht nicht mehr nur über Ran­kings, son­dern dar­über, ob In­hal­te in KI-Ant­wor­ten be­rück­sich­tigt wer­den.

SEO bleibt wich­tig, reicht al­lein aber nicht mehr aus. Ge­nau hier setzt Ge­ne­ra­ti­ve En­gi­ne Op­ti­miza­ti­on (GEO) an.

Die­ser Gui­de zeigt, was GEO be­deu­tet, wie KI-Sys­te­me In­hal­te aus­wäh­len und wel­che He­bel ent­schei­dend sind, um in KI-Chats er­wähnt oder als Quel­le zi­tiert zu wer­den.

Was ist GEO?

GEO (Ge­ne­ra­ti­ve En­gi­ne Op­ti­miza­ti­on) be­zeich­net Stra­te­gien und Maß­nah­men, die dar­auf ab­zie­len, Mar­ken, Un­ter­neh­men und In­hal­te in den ge­ne­rier­ten Ant­wor­ten von KI-Sys­te­men wie ChatGPT, Ge­mi­ni, Per­ple­xi­ty oder Goog­le AI Over­views sicht­bar zu ma­chen.

Im Ge­gen­satz zur Such­ma­schi­nen­op­ti­mie­rung steht bei GEO nicht das klas­si­sche Ran­king in ei­ner Er­geb­nis­lis­te im Mit­tel­punkt, son­dern die di­rek­te Er­wäh­nung und Zi­tie­rung in­ner­halb der KI-Ant­wort selbst.

GEO ist eine Teil­dis­zi­plin von SEO, da vie­le klas­si­sche SEO-Maß­nah­men auch bei GEO die not­wen­di­ge Ba­sis zur Op­ti­mie­rung von Web­sites bil­den.

Men­ti­ons (Mar­ken­nen­nung) VS. Ci­ta­ti­ons (Quel­len­nen­nung)

GEO ver­folgt zwei un­ter­schied­li­che Zie­le. Ent­we­der wird eine Mar­ke in der Ant­wort na­ment­lich er­wähnt (Men­ti­on) oder In­hal­te der ei­ge­nen Web­site wer­den als Quel­le zi­tiert (Ci­ta­ti­on).

Men­ti­ons wir­ken vor al­lem auf die Mar­ken­wahr­neh­mung. Ci­ta­ti­ons po­si­tio­nie­ren In­hal­te als ver­läss­li­che Wis­sens­quel­le für KI-Sys­te­me.

War­um GEO

… und nicht wei­ter­hin ein­fach SEO?

SEO bleibt die Grund­la­ge für Sicht­bar­keit im Web. Al­lein reicht es je­doch nicht mehr aus. Wäh­rend klas­si­sche Such­ma­schi­nen Tref­fer­lis­ten aus­spie­len, lie­fern KI-Sys­te­me di­rekt for­mu­lier­te Ant­wor­ten. Ge­nau hier setzt GEO an.

Der zen­tra­le Un­ter­schied liegt nicht in der Tech­nik, son­dern im Ziel­sys­tem und im Er­geb­nis.

SEO op­ti­miert In­hal­te für klas­si­sche Such­ma­schi­nen. Ziel sind Ran­kings und Klicks auf Web­sei­ten. Die Op­ti­mie­rung ori­en­tiert sich an Key­words, Such­an­fra­gen so­wie Fak­to­ren wie Re­le­vanz, Au­to­ri­tät und tech­ni­scher Qua­li­tät.

GEO rich­tet sich an ge­ne­ra­ti­ve KI-Sys­te­me. Ziel sind Mar­ken­nen­nun­gen und Zi­tie­run­gen in­ner­halb von KI-Ant­wor­ten. Op­ti­miert wird nicht auf ein­zel­ne Key­words, son­dern auf na­tür­li­che Fra­gen, Prompts und In­hal­te, die für Groun­ding ge­eig­net sind. Ent­schei­dend sind Ver­ständ­lich­keit, kla­re Struk­tur und ver­trau­ens­wür­di­ge In­for­ma­tio­nen.

GEO oder SEO? In die­sem You­Tube-Vi­deo er­fährst du mehr über die Ge­mein­sam­kei­ten und Un­ter­schie­de:

Die Bran­che re­agiert be­reits auf die­sen Wan­del. Laut ei­ner Um­fra­ge von Search En­gi­ne Land wird GEO zu­neh­mend als ei­gen­stän­di­ge Dis­zi­plin ne­ben SEO wahr­ge­nom­men und ein­ge­setzt.

Im Kon­text von KI-Su­che und ge­ne­ra­ti­ven Sys­te­men ha­ben sich ver­schie­de­ne Be­grif­fe eta­bliert, die ähn­li­che Ziel­rich­tun­gen be­schrei­ben, aber un­ter­schied­lich fo­kus­siert sind:

• AIO (Ar­ti­fi­ci­al In­tel­li­gence Op­ti­miza­ti­on)
  Sam­mel­be­griff für die Op­ti­mie­rung von In­hal­ten und Sys­te­men für KI-An­wen­dun­gen ins­ge­samt.
• AEO (Ans­wer En­gi­ne Op­ti­miza­ti­on)
  Op­ti­mie­rung für Ant­wort­sys­te­me mit Fo­kus auf di­rek­te, kur­ze Ant­wor­ten auf kon­kre­te Fra­gen.
• KI-SEO / AI-SEO
  Un­schar­fer Be­griff, der klas­si­sche SEO-An­sät­ze mit KI-Be­zug be­schreibt, ohne kla­re Ab­gren­zung.
• GAIO (Ge­ne­ra­ti­ve AI Op­ti­miza­ti­on)
  Op­ti­mie­rung spe­zi­ell für ge­ne­ra­ti­ve KI-Sys­te­me, ähn­lich zu GEO, je­doch we­ni­ger eta­bliert.
• LLMO (Lar­ge Lan­guage Mo­del Op­ti­miza­ti­on)
  Fo­kus auf die An­pas­sung von In­hal­ten für Lar­ge Lan­guage Mo­dels selbst, un­ab­hän­gig vom Aus­ga­be­sys­tem.

Un­ab­hän­gig von der Be­griff­lich­keit gilt: SEO bleibt die Grund­la­ge von GEO.

GEO ist kei­ne Ab­lö­sung, son­dern eine Un­ter­dis­zi­plin, die klas­si­sche Such­ma­schi­nen­op­ti­mie­rung um die An­for­de­run­gen ge­ne­ra­ti­ver KI-Sys­te­me er­wei­tert.

Was ist ein LLM?

Ein LLM (Lar­ge Lan­guage Mo­del) ist ein gro­ßes KI-Sprach­mo­dell, das Tex­te ver­steht, ver­ar­bei­tet und ge­ne­riert. Bei­spie­le da­für sind Mo­del­le wie Ge­mi­ni oder GPT-5.2.

Sys­te­me wie ChatGPT oder Goog­le AI Mode sind kei­ne Mo­del­le selbst, son­dern so­ge­nann­te Ge­ne­ra­ti­ve En­gi­nes. Sie stel­len die Schnitt­stel­le dar, über die Nut­zer mit ei­nem LLM in­ter­agie­ren.

Das LLM ist das ei­gent­li­che KI-Mo­dell im Hin­ter­grund. ChatGPT oder Goog­le AI Mode ma­chen die­ses Mo­dell für Nut­zer be­dien­bar.

Das LLM ist der Mo­tor im Ba­ckend. Die Ge­ne­ra­ti­ve En­gi­ne ist die Ka­ros­se­rie und das Cock­pit im Front­end.

Wie funk­tio­niert ein LLM?

1. Prompt (Ein­ga­be)
   Der Pro­zess star­tet mit der An­fra­ge des Nut­zers. Der Prompt de­fi­niert, wel­che In­for­ma­tio­nen die KI lie­fern soll.
2. To­ke­ni­sie­rung (Über­set­zung)
   Die KI zer­legt den Text in klei­ne Ein­hei­ten, so­ge­nann­te To­kens. So wird mensch­li­che Spra­che in ein ma­the­ma­ti­sches For­mat über­setzt, das das Mo­dell ver­ar­bei­ten kann.
3. Ana­ly­se (Ver­ste­hen)
   Das neu­ro­na­le Netz­werk ana­ly­siert Be­deu­tung und Kon­text der To­kens. In die­sem Schritt er­kennt das Mo­dell, ob Fak­ten, Emp­feh­lun­gen oder krea­ti­ve In­hal­te ge­fragt sind.
4. Groun­ding-Check (Re­cher­che)
   Rei­chen die Trai­nings­da­ten nicht aus, grei­fen vie­le KI-Sys­te­me auf ex­ter­ne Quel­len oder Web­su­chen zu­rück. Groun­ding re­du­ziert Hal­lu­zi­na­tio­nen und er­mög­licht Quel­len­an­ga­ben. Für GEO ist die­ser Schritt ent­schei­dend, da ohne Groun­ding kei­ne Zi­tie­run­gen oder be­last­ba­ren Mar­ken­nen­nun­gen ent­ste­hen.
5. In­te­gra­ti­on (Kon­text-Up­date)
   Die ge­fun­de­nen In­hal­te wer­den in das Kon­text­fens­ter des Mo­dells ge­la­den. Sie bil­den die fak­ti­sche Grund­la­ge für die fol­gen­de Ant­wort.
6. Ge­ne­rie­rung (Next-To­ken-Pre­dic­tion)
   Das Mo­dell er­zeugt die Ant­wort Wort für Wort auf Ba­sis der ge­la­de­nen In­for­ma­tio­nen. In die­sem Schritt ent­schei­det sich, ob eine Mar­ke er­wähnt oder ein In­halt als Quel­le zi­tiert wird.

Ex­kurs: RAG – wie es funk­tio­niert

RAG steht für Re­trie­val Aug­men­ted Ge­ne­ra­ti­on und be­schreibt eine tech­ni­sche Me­tho­de, mit der KI-Sys­te­me ex­ter­ne In­for­ma­tio­nen ge­zielt in die Ant­wort­ge­ne­rie­rung ein­be­zie­hen.

Ver­ein­facht läuft RAG in drei Schrit­ten ab:

1. Ab­ru­fen (Re­trie­val)
   Re­le­van­te In­hal­te wer­den aus ei­ner Wis­sens­ba­sis, Da­ten­bank oder aus dem Web ge­sucht.
2. Kon­text hin­zu­fü­gen
   Die ge­fun­de­nen In­for­ma­tio­nen wer­den dem Mo­dell als zu­sätz­li­cher Kon­text be­reit­ge­stellt und in das Kon­text­fens­ter ge­la­den.
3. Ge­ne­rie­ren
   Das LLM nutzt so­wohl sein in­ter­nes Wis­sen als auch die ex­ter­nen In­hal­te, um die fi­na­le Ant­wort zu for­mu­lie­ren.

Der zen­tra­le Nut­zen von RAG liegt im Groun­ding. Durch den Zu­griff auf über­prüf­ba­re Quel­len ent­ste­hen fak­ten­ba­sier­te Ant­wor­ten mit Quel­len­be­zug. Gleich­zei­tig wird das Ri­si­ko von Hal­lu­zi­na­tio­nen deut­lich re­du­ziert.

Ein LLM ohne RAG ge­ne­riert Ant­wor­ten aus­schließ­lich aus sei­nem Trai­nings­wis­sen. Ein LLM mit RAG ge­ne­riert Ant­wor­ten auf Ba­sis ex­ter­ner, ak­tu­el­ler Da­ten.

Ver­schie­de­ne Ar­ten von Ge­ne­ra­ti­ve En­gi­nes

Ge­ne­ra­ti­ve En­gi­nes un­ter­schei­den sich da­nach, wie sie In­for­ma­tio­nen be­zie­hen und wie Ant­wor­ten er­zeugt wer­den. Für GEO ist die­se Un­ter­schei­dung ent­schei­dend, da nicht je­des Sys­tem gleich mit Quel­len, Zi­tie­run­gen oder Mar­ken­nen­nung um­geht.

1. Chat­ba­sier­te Ge­ne­ra­ti­ve En­gi­nes
   Die­se Sys­te­me ge­ne­rie­ren Ant­wor­ten pri­mär auf Ba­sis des trai­nier­ten Mo­dell­wis­sens. Eine ex­ter­ne Su­che ist stan­dard­mä­ßig nicht ak­tiv. Bei­spie­le sind ChatGPT ohne Su­che oder Ge­mi­ni im Stan­dard-Chat­mo­dus.
2. Such­ba­sier­te Ge­ne­ra­ti­ve En­gi­nes
   Hier steht die Web­su­che im Vor­der­grund. Ant­wor­ten ba­sie­ren stark auf ex­ter­nen Quel­len und sind häu­fig mit Zi­tie­run­gen ver­se­hen. Ty­pi­sche Bei­spie­le sind Per­ple­xi­ty, Goog­le AI Over­views oder Goog­le AI Mode.

3. Hy­bri­de Ge­ne­ra­ti­ve En­gi­nes
   Die­se Sys­te­me kom­bi­nie­ren Mo­dell­wis­sen mit op­tio­na­ler oder au­to­ma­ti­scher Web­su­che. Je nach Prompt wer­den ex­ter­ne Quel­len ein­be­zo­gen. Dazu zäh­len ChatGPT mit ak­ti­vier­ter Su­che oder Ge­mi­ni mit Such­funk­ti­on.
4. Con­tent Ge­ne­ra­ti­ve En­gi­nes
   Der Fo­kus liegt auf der Er­stel­lung von Tex­ten oder vi­su­el­len In­hal­ten, nicht auf Re­cher­che oder Quel­len­an­ga­ben. Ty­pi­sche Ein­satz­be­rei­che sind Mar­ke­ting und De­sign. Bei­spie­le sind Jas­per, Copy.ai oder Ideo­gram.
5. Agen­ti­sche Ge­ne­ra­ti­ve En­gi­nes
   Die­se Sys­te­me ar­bei­ten nicht nur ant­wor­tend, son­dern füh­ren ei­gen­stän­dig Auf­ga­ben aus, pla­nen Schrit­te und nut­zen Werk­zeu­ge. Dazu zäh­len Au­toGPT oder Ope­nAI Agents.
6. Do­mä­nen­spe­zi­fi­sche Ge­ne­ra­ti­ve En­gi­nes
   Sie sind auf ein­zel­ne Fach­be­rei­che spe­zia­li­siert, etwa Me­di­zin oder Recht. Die Ant­wor­ten ba­sie­ren auf ku­ra­tier­ten, do­mä­nen­spe­zi­fi­schen Da­ten­quel­len.
7. Mul­ti­mo­da­le Ge­ne­ra­ti­ve En­gi­nes
   Die­se Sys­te­me ver­ar­bei­ten ne­ben Text auch Bil­der, Au­dio oder Vi­deo. Bei­spie­le sind ChatGPT Mul­ti­mo­dal oder Goog­le Ge­mi­ni Mul­ti­mo­dal.

Nut­zer­ver­hal­ten & klas­si­sche Such­ma­schi­nen im Ver­gleich

Laut ei­ner Er­he­bung des Bit­kom nutzt in­zwi­schen rund die Hälf­te der In­ter­net­nut­zer KI-Chats, um Fra­gen zu be­ant­wor­ten oder In­for­ma­tio­nen zu re­cher­chie­ren (Quel­le). Be­son­ders bei kom­ple­xen oder er­klä­rungs­be­dürf­ti­gen The­men grei­fen Nut­zer zu­neh­mend auf KI-Sys­te­me zu­rück, statt eine klas­si­sche Tref­fer­lis­te zu durch­su­chen.

Auch wei­te­re Stu­di­en zei­gen die­sen Wan­del deut­lich. KI-Chats wer­den nicht mehr nur für all­ge­mei­ne Wis­sens­fra­gen ge­nutzt, son­dern auch für sen­si­ble Be­rei­che wie Ge­sund­heits­fra­gen oder Kauf­ent­schei­dun­gen. Nut­zer er­war­ten da­bei eine so­for­ti­ge, ver­ständ­li­che Ant­wort, die In­for­ma­tio­nen zu­sam­men­fasst, ein­ord­net und Hand­lungs­emp­feh­lun­gen lie­fert (Quel­le).

Klas­si­sche Such­ma­schi­nen ver­lie­ren da­mit nicht ihre Be­deu­tung, ver­än­dern aber ihre Rol­le. Sie wer­den wei­ter­hin in­ten­siv ge­nutzt und blei­ben ein zen­tra­ler Zu­gang zu In­for­ma­tio­nen. Gleich­zei­tig die­nen sie im­mer häu­fi­ger als Da­ten- und Quel­len­ba­sis im Hin­ter­grund, wäh­rend die ei­gent­li­che In­ter­ak­ti­on über KI-Sys­te­me statt­fin­det.

Der Wan­del ist ver­gleich­bar mit der Me­di­en­nut­zung: Fern­se­hen, Ra­dio und Zei­tun­gen exis­tie­ren par­al­lel und er­fül­len un­ter­schied­li­che Zwe­cke. Für Un­ter­neh­men be­deu­tet das, dass Sicht­bar­keit nicht mehr aus­schließ­lich über Ran­kings ent­steht, son­dern zu­neh­mend dort, wo Ant­wor­ten ge­ne­riert und zu­sam­men­ge­fasst wer­den.

Markt­an­teil von ChatGPT & Co.

Nach Schät­zun­gen ver­ar­bei­tet Ope­nAI mit ChatGPT rund 2,63 Mil­li­ar­den Nach­rich­ten pro Tag (Quel­le Sis­trix). Da­mit ge­hört ChatGPT be­reits heu­te zu den meist­ge­nutz­ten di­gi­ta­len In­for­ma­ti­ons­sys­te­men welt­weit.

Ent­schei­dend für SEO und GEO ist je­doch nicht die rei­ne Nut­zung, son­dern der Search In­tent. Je nach Be­rech­nungs­mo­dell liegt der An­teil der An­fra­gen mit ech­tem Such- oder In­for­ma­ti­ons­in­ter­es­se zwi­schen 22 und 50 Pro­zent. Das be­deu­tet, dass ein er­heb­li­cher Teil der In­ter­ak­tio­nen funk­tio­nal mit klas­si­schen Such­an­fra­gen ver­gleich­bar ist.

Aus die­sen An­nah­men er­gibt sich ein täg­li­ches Vo­lu­men von etwa 0,57 bis 1,31 Mil­li­ar­den such­re­le­van­ter An­fra­gen. Da­mit er­reicht ChatGPT zwar noch nicht das Ni­veau von Goog­le, be­wegt sich aber be­reits in ei­ner Grö­ßen­ord­nung, die für Mar­ken und Un­ter­neh­men stra­te­gisch re­le­vant ist.

Par­al­lel dazu holt Goog­le Ge­mi­ni spür­bar auf. Ak­tu­el­le Nut­zungs­zah­len und Traf­fic-Ana­ly­sen zei­gen, dass Ge­mi­ni an Nut­zer­zah­len ge­winnt.

Zu­sam­men­ge­fasst lässt sich sa­gen:

• ChatGPT & Co. ver­än­dert den Zu­gang zu In­for­ma­tio­nen und im­mer mehr nut­zen es
• Die klas­si­sche Su­che wird wei­ter­hin in­ten­siv ge­nutzt von vie­len. Der or­ga­nic Traf­fic den Web­sites 2025 er­hal­ten ha­ben, ist, trotz KI-Such­ma­schi­nen, fast gleich ge­blie­ben (Quel­le)
• Web & KI: Eine Sym­bio­se ähn­lich der klas­si­schen Me­di­en­land­schaft (TV, Ra­dio, Zei­tun­gen)

So wirst du in AI Sear­ches ge­fun­den

Ei­nes vor­weg: Es gibt nicht das eine KI-Sys­tem! ChatGPT, Ge­mi­ni, Goog­le AI Mode, AI Over­views, Per­ple­xi­ty und wei­te­re Ge­ne­ra­ti­ve En­gi­nes funk­tio­nie­ren un­ter­schied­lich und lie­fern teils ab­wei­chen­de Er­geb­nis­se.

Ent­spre­chend reicht es nicht aus, In­hal­te auf ein ein­zel­nes Sys­tem aus­zu­rich­ten. GEO be­deu­tet, sys­tem­über­grei­fend zu op­ti­mie­ren.

Prompts

In der KI-Su­che ste­hen nicht mehr ein­zel­ne Key­words im Fo­kus, son­dern Prompts, also na­tür­lich for­mu­lier­te Fra­gen und An­wei­sun­gen.

Ent­schei­dend ist da­bei ein Grund­satz: Ohne Groun­ding kei­ne Ci­ta­ti­ons.

Erst wenn ein KI-Sys­tem auf ex­ter­ne Quel­len zu­greift, ent­ste­hen Zi­tie­run­gen. Ent­spre­chend soll­ten nur sol­che Prompts prio­ri­siert wer­den, die eine Men­ti­on oder eine Ci­ta­ti­on aus­lö­sen kön­nen.

Bei je­dem Prompt soll­te vor­ab klar sein, wel­ches Ziel ver­folgt wird.

1. Men­ti­ons: Soll die ei­ge­ne Mar­ke in der Ant­wort emp­foh­len oder ge­nannt wer­den, steht der Mar­ken­auf­bau im Vor­der­grund.
2. Ci­ta­ti­ons: Soll ein In­halt als Quel­le die­nen, ist man pri­mär Wis­sens­lie­fe­rant.

Bei­de Va­ri­an­ten kön­nen wert­voll sein, ver­fol­gen aber un­ter­schied­li­che Zie­le und wir­ken un­ter­schied­lich auf Leads. Für die Iden­ti­fi­ka­ti­on ge­eig­ne­ter Prompts eig­nen sich klas­si­sche SEO-Tools wei­ter­hin sehr gut. W-Fra­gen las­sen sich etwa über die Goog­le-Su­che:

oder Tools wie Sis­trix ana­ly­sie­ren:

Auch die Goog­le Search Con­so­le bie­tet mit Regex-Fil­tern eine ein­fa­che Mög­lich­keit, ty­pi­sche Fra­ge­for­mu­lie­run­gen zu iden­ti­fi­zie­ren, zum Bei­spiel:

^(wes­halb|wel­cher|wel­ches|wel­chen|wel­chem|was|war­um|wann|wo|wie|wel­che|wer|wie­so|wie­viel|wor­an|wo­mit|wo­durch|wes­sen|wo­von|wor­über|wor­aus|wo­hin|wo­her|ob|kann|dür­fen|müs­sen|habe|hat|ha­ben|seid)\b

Wich­tig ist je­doch, sich nicht nur auf W-Fra­gen zu kon­zen­trie­ren. Auch Prompts mit ver­glei­chen­dem oder trans­ak­tio­na­lem Cha­rak­ter kön­nen ge­zielt Ci­ta­ti­ons aus­lö­sen, etwa bei Bes­ten­lis­ten oder kon­kre­ten Kauf­emp­feh­lun­gen.

Bei­spie­le für sol­che Prompts sind:

• „Zei­ge mir güns­ti­ge Strand­schu­he“
• „Nen­ne mir die bes­te SEO-Agen­tur für den Raum Düs­sel­dorf“
• „Lis­te mir die fünf bes­ten Schim­mel­ent­fer­ner für das Bad auf“

Für GEO zählt da­her die ge­ziel­te Aus­wahl von Prompts mit ech­tem Such­in­ter­es­se und kla­rer Ziel­set­zung.

Zur sys­te­ma­ti­schen Ab­lei­tung ge­eig­ne­ter Prompts eig­nen sich auch spe­zia­li­sier­te Tools wie Als­o­As­ked. Sie hel­fen da­bei, kom­plet­te To­pic-Clus­ter ab­zu­de­cken und zu­sam­men­hän­gen­de Fra­ge­stel­lun­gen sicht­bar zu ma­chen, die Nut­zer in KI-Chats stel­len.

Que­ry Fan Out

Ein zen­tra­les Kon­zept in die­sem Zu­sam­men­hang ist der Que­ry Fan-out. Er be­schreibt den Mo­ment, in dem ein LLM ei­nen ein­zel­nen Nut­zer-Prompt in­tern in meh­re­re Such­an­fra­gen auf­teilt, um alle re­le­van­ten In­for­ma­tio­nen für eine um­fas­sen­de Ant­wort zu sam­meln. KI-Sys­te­me wie ChatGPT hel­fen da­mit in­di­rekt, sinn­vol­le Fol­ge­fra­gen zu iden­ti­fi­zie­ren.

Ein ver­ein­fach­tes Bei­spiel:

• Ein Nut­zer fragt: „Fin­de mir ein fa­mi­li­en­freund­li­ches Ho­tel auf Mal­lor­ca mit Rut­schen un­ter 400 Euro pro Tag.“

Die KI er­kennt meh­re­re In­for­ma­ti­ons­be­dürf­nis­se, etwa Ort, Ziel­grup­pe, Aus­stat­tung und Preis. Dar­aus ent­ste­hen im Hin­ter­grund meh­re­re Sub-Queries, zum Bei­spiel:

• „Bes­te Fa­mi­li­en­ho­tels Mal­lor­ca 2025“
• „Ho­tels Mal­lor­ca Was­ser­rut­schen Be­wer­tung“
• „Ho­tel­prei­se Mal­lor­ca Juli Durch­schnitt“
• „Si­cher­heit Kin­der­pools Mal­lor­ca Ho­tels“

Für GEO ist das ent­schei­dend. Es gibt kein ein­zel­nes Haupt­key­word mehr. Die KI sucht nicht nach ei­nem Be­griff, son­dern nach Ant­wor­ten auf Teil­aspek­te.

Die Tref­fer­flä­che er­höht sich nur dann, wenn In­hal­te die­se Sub-Queries kon­kret be­ant­wor­ten. Wer re­le­van­te Fol­ge­fra­gen nicht ab­deckt, wird im Groun­ding-Pro­zess sel­te­ner als Quel­le aus­ge­wählt.

Prompt-Ideen las­sen sich wei­ter­hin sehr gut mit klas­si­schen SEO-Tools wie Sis­trix oder Ah­refs ent­wi­ckeln und ana­ly­sie­ren.

Ent­schei­dend ist je­doch die Be­wer­tung da­hin­ter: Wir op­ti­mie­ren auf Prompts mit kla­rem Search In­tent, die ent­we­der eine Men­ti­on oder eine Ci­ta­ti­on aus­lö­sen kön­nen. Die­ser Search In­tent muss ge­trof­fen wer­den.

Con­tent für LLMs

Die Op­ti­mie­rung von In­hal­ten für GEO un­ter­schei­det sich in der Ba­sis nur un­we­sent­lich vom klas­si­schen SEO, ver­schiebt je­doch den Fo­kus: Wäh­rend SEO pri­mär für den mensch­li­chen Le­ser op­ti­miert, muss GEO-Con­tent zu­sätz­lich ex­tra­hier­bar für die Ma­schi­ne sein.

KI-Sys­te­me le­sen Tex­te nicht wie Men­schen von oben nach un­ten. Sie scan­nen nach Mus­tern, En­ti­tä­ten und Zu­sam­men­hän­gen. Er­folg­rei­cher Con­tent muss da­her so auf­be­rei­tet sein, dass Craw­ler re­le­van­te In­for­ma­tio­nen („Con­tent Chunks“) iso­lie­ren und neu zu­sam­men­set­zen kön­nen.

Struk­tur und „Con­tent Chunks“

KI-Mo­del­le be­vor­zu­gen In­hal­te, die mo­du­lar auf­ge­baut sind. Lan­ge Text­wüs­ten ohne Un­ter­bre­chung er­schwe­ren es dem Al­go­rith­mus, die ge­such­te Ant­wort prä­zi­se zu ex­tra­hie­ren.

• Kla­re Hier­ar­chien: Zwi­schen­über­schrif­ten (H2, H3) fun­gie­ren als An­ker­punk­te. Sie soll­ten idea­ler­wei­se so for­mu­liert sein, dass sie selbst als Such­an­fra­ge oder Prompt die­nen könn­ten (z. B. „Wie hoch sind die Kos­ten?“ statt „Prei­se“).
• Lis­ten und Ta­bel­len: Für Ver­glei­che, Pro­zess­schrit­te oder Da­ten­über­sich­ten sind struk­tu­rier­te For­ma­te wie Bul­let-Points oder HTML-Ta­bel­len wich­tig. KI-Sys­te­me kön­nen die­se For­ma­te deut­lich bes­ser ver­ar­bei­ten als Fließ­text und nut­zen sie be­vor­zugt für die di­rek­te Ant­wort­ge­ne­rie­rung.

In­for­ma­ti­ons­dich­te und fak­ti­sche Spra­che

Ein ent­schei­den­der Fak­tor für die Über­nah­me in KI-Ant­wor­ten ist die In­for­ma­ti­ons­dich­te. Mo­del­le wie GPT oder Ge­mi­ni fil­tern „Rau­schen“ her­aus.

• Fak­ti­sche Spra­che: Un­nö­ti­ge Füll­wör­ter und rein werb­li­che Ad­jek­ti­ve soll­ten ver­mie­den wer­den. Der Schreib­stil muss prä­zi­se, lo­gisch und in­for­ma­tiv sein.
• Ver­mei­dung von Thin Con­tent: In­hal­te ohne Sub­stanz ver­wir­ren nicht nur klas­si­sche Such­ma­schi­nen, son­dern auch KI-Craw­ler. Sie bie­ten kei­nen Mehr­wert für das Trai­ning oder das Groun­ding des Mo­dells und wer­den igno­riert.

Con­tent Fresh­ness und Ak­tua­li­tät

Be­son­ders bei such­ba­sier­ten Ge­ne­ra­ti­ve En­gi­nes (wie Per­ple­xi­ty oder Goog­le AI Over­views), die RAG-Tech­no­lo­gie nut­zen, ist Ak­tua­li­tät ein har­tes Ran­king-Kri­te­ri­um. Bei The­men, die sich dy­na­misch ent­wi­ckeln, be­vor­zu­gen die Sys­te­me die jüngs­te ver­läss­li­che Quel­le.

Ver­al­te­te In­for­ma­tio­nen er­hö­hen das Ri­si­ko von Hal­lu­zi­na­tio­nen (Falsch­aus­sa­gen der KI) und wer­den da­her im Aus­wahl­pro­zess oft aus­sor­tiert.

Con­tent-Stra­te­gie: Vom All­ge­mein­wis­sen zum Ex­per­ten-In­sight

Die Con­tent-Op­ti­mie­rung für GEO ver­folgt eine dop­pel­te Lo­gik: Wir wol­len Ci­ta­ti­ons er­zwin­gen (für Traf­fic) und Men­ti­ons si­chern (für das Bran­ding).

Traf­fic ent­steht pri­mär dort, wo wir eine Wis­sens­lü­cke (Data Gap) schlie­ßen. So­lan­ge eine KI eine Fra­ge aus ih­rem all­ge­mei­nen Trai­nings­wis­sen be­ant­wor­ten kann, wird sie kei­ne ex­ter­ne Quel­le ver­lin­ken. Um eine Ci­ta­ti­on zu er­hal­ten, müs­sen In­hal­te so ak­tu­ell oder spe­zi­fisch sein, dass sie das Mo­dell förm­lich zum Nach­schla­gen zwin­gen.

Der Un­ter­schied liegt in der Spe­zi­fi­tät:

• Ein ge­ne­ri­scher Ar­ti­kel („Was ist eine PV-An­la­ge?“) bie­tet kei­nen In­for­ma­ti­on Gain. Das Mo­dell kennt die Ant­wort be­reits und wird die Quel­le igno­rie­ren.
• Ein „Preis­ver­gleich von PV-Spei­chern 2026“ hin­ge­gen lie­fert ex­klu­si­ve Da­ten, die das Mo­dell nicht ken­nen kann. Um die Fra­ge kor­rekt zu be­ant­wor­ten, muss die KI die Quel­le auf­ru­fen und zi­tie­ren.
• Das­sel­be Prin­zip gilt für kom­ple­xe Be­ra­tungs­si­tua­tio­nen. Nut­zer stel­len KIs oft sehr gra­nu­la­re Fra­gen, wie etwa: „Wel­cher Desk­top-PC un­ter 1.500 € ist am bes­ten für 4K-Auf­lö­sun­gen ge­eig­net?“ Con­tent muss ex­akt die­se Sze­na­ri­en ab­de­cken. Wer hier nur all­ge­mei­ne Hard­ware-Tipps lie­fert, fällt durch das Ras­ter.

An­ders ver­hält es sich bei Men­ti­ons (Mar­ken­nen­nun­gen). Bei di­rek­ten Emp­feh­lungs­fra­gen („Wel­che SEO-Agen­tur ist emp­feh­lens­wert?“) zählt nicht die Neu­heit der In­for­ma­ti­on, son­dern die Mar­ken­au­to­ri­tät in den Trai­nings­da­ten. Hier ist das stra­te­gi­sche Ziel, dass die KI die ei­ge­ne Mar­ke als De-fac­to-Stan­dard ab­spei­chert und als ers­te Emp­feh­lung nennt.

Que­ry Fan-out: Die An­ti­zi­pa­ti­on der Fol­ge­fra­ge

Wenn KI-Mo­del­le eine kom­ple­xe An­fra­ge be­ar­bei­ten, zer­le­gen sie die­se in­tern in meh­re­re Un­ter­fra­gen (Que­ry Fan-out). Eine GEO-Stra­te­gie muss die­se „im­pli­zi­ten Fra­gen“ vor­aus­ah­nen. Wer über ein The­ma schreibt, muss auch die an­gren­zen­den Aspek­te ab­de­cken:

• „Was pas­siert, wenn…?“
• „Wie un­ter­schei­det sich X von Y?“ Nur wer das ge­sam­te The­men­feld ab­deckt, wird als au­to­ri­tä­re Quel­le für die syn­the­ti­sier­te Ant­wort her­an­ge­zo­gen.

Pro­blem­lö­sung statt Theo­rie

Nut­zer ver­wen­den KI-Sys­te­me zu­neh­mend als per­sön­li­che As­sis­ten­ten. Sie su­chen kei­ne De­fi­ni­tio­nen, son­dern Lö­sun­gen.

Ge­ne­ri­sche Glos­sar-Ar­ti­kel und Stan­dard-De­fi­ni­tio­nen bie­ten hier kei­nen Mehr­wert und wer­den von den Al­go­rith­men igno­riert. Was im KI-Zeit­al­ter zählt, ist ech­te Ex­per­ti­se. Tief­grei­fen­des Fach­wis­sen und va­li­dier­te mensch­li­che Er­fah­rung (Hu­man Ex­pe­ri­ence) sind die ein­zi­gen Fak­to­ren, die eine KI nicht si­mu­lie­ren kann.

In­hal­te müs­sen da­her weg von der Theo­rie und hin zur kon­kre­ten Pro­blem­lö­sung (An­lei­tun­gen, Case Stu­dies, Hand­lungs­emp­feh­lun­gen).

Die In­for­ma­ti­ons­ar­chi­tek­tur: Das „In­ver­ted Py­ra­mid“-Sys­tem

Da­mit In­hal­te von ei­ner KI nicht nur ge­le­sen, son­dern als die Ant­wort er­kannt wer­den, muss die Struk­tur der In­for­ma­ti­ons­ver­mitt­lung ver­ein­facht wer­den.

Hier­bei hat sich das aus dem Jour­na­lis­mus be­kann­te „Prin­zip der um­ge­kehr­ten Py­ra­mi­de“ (In­ver­ted Py­ra­mid) als sinn­voll für GEO er­wie­sen.

LLMs su­chen nach der De­fi­ni­ti­on und der Kern-Ant­wort an der pro­mi­nen­tes­ten Stel­le.

• Die Ant­wort zu­erst: Das wich­tigs­te Fa­zit oder die di­rek­te Ant­wort auf den Prompt ge­hört an den An­fang des Ab­sat­zes.
• Ein­fa­che Spra­che: Kom­ple­xe Schach­tel­sät­ze er­schwe­ren das Par­sing. Eine kla­re Sub­jekt-Prä­di­kat-Ob­jekt-Struk­tur er­höht die Wahr­schein­lich­keit ei­ner kor­rek­ten Ex­trak­ti­on.
• Lo­gi­sche Ver­tie­fung: Erst nach der Kern-Ant­wort fol­gen De­tails, Hin­ter­grund­in­for­ma­tio­nen und Nu­an­cen.

Wer sei­ne In­hal­te so struk­tu­riert, lie­fert der KI den per­fek­ten „Bau­kas­ten“ für die Ant­wort­ge­ne­rie­rung.

Con­tent Chunks und FAQs

FAQs eig­nen sich ide­al für GEO. Da KI-Mo­del­le kom­ple­xe An­fra­gen in Teil­aspek­te zer­le­gen (Que­ry Fan-out), lie­fern FAQs die pas­sen­den, gra­nu­la­ren Ant­wor­ten („Con­tent Chunks“). Jede Fra­ge-Ant­wort-Kom­bi­na­ti­on ist ein in sich ge­schlos­se­nes Da­ten­pa­ket, das von der KI ex­tra­hiert wer­den kann.

Der zen­tra­le Er­folgs­fak­tor für GEO lässt sich auf ei­nen Satz re­du­zie­ren:

In­hal­te müs­sen so spe­zi­fisch und hoch­wer­tig sein, dass KI-En­gi­nes sie als pri­mä­re Quel­le re­fe­ren­zie­ren müs­sen.

So­lan­ge ein Mo­dell eine Fra­ge aus sei­nem all­ge­mei­nen Trai­nings­wis­sen be­ant­wor­ten kann, wird es kei­ne ex­ter­ne Quel­le ver­lin­ken. Erst wenn In­hal­te eine In­for­ma­ti­ons­lü­cke schlie­ßen, ent­steht die Not­wen­dig­keit ei­ner Zi­ta­ti­on.

War­nung vor rei­nem KI-Con­tent

Der aus­schließ­li­che Ein­satz von KI zur Tex­terstel­lung ver­hin­dert meist Sicht­bar­keit in KI-Ant­wor­ten. Da Sprach­mo­del­le auf Wahr­schein­lich­kei­ten ba­sie­ren, ge­ne­rie­ren sie den Durch­schnitt al­ler Trai­nings­da­ten. Wer KI-Tex­te ver­öf­fent­licht, bie­tet kei­nen Mehr­wert und wird nicht zum Mei­nungs­füh­rer. Men­ti­ons und Ci­ta­ti­ons er­hal­ten nur In­hal­te mit mensch­li­cher Ex­per­ti­se, ech­ten Da­ten und kla­rer Hal­tung.

Tech­nik: In­de­xier­bar­keit als Fun­da­ment

Was der Craw­ler nicht le­sen kann, exis­tiert für das Mo­dell nicht. Da es (noch) kei­ne „ChatGPT Search Con­so­le“ gibt, fehlt das di­rek­te Feed­back über In­de­xie­rungs­pro­ble­me.

• Vol­ler Fo­kus auf In­de­xier­bar­keit
  Die klas­si­sche SEO-Hy­gie­ne ist für GEO un­ver­zicht­bar. Title-Tags, Meta-De­scrip­ti­ons und Sche­ma-Da­ten lie­fern den KIs den nö­ti­gen Kon­text, um In­hal­te kor­rekt ein­zu­ord­nen. Re­gel­mä­ßi­ge Über­prü­fun­gen mit Craw­ling-Tools sind Pflicht, um si­cher­zu­stel­len, dass Bots den In­halt er­fas­sen kön­nen.
• Kei­ne In­hal­te hin­ter Ja­va­Script ver­ste­cken
  LLM-Craw­ler (wie der GPT­Bot) ren­dern Web­sites oft schlech­ter als der Google­bot. In­hal­te müs­sen im HTML-Quell­code als rei­ner Text vor­lie­gen. Web­sites, die stark auf Cli­ent-Side-Ren­de­ring set­zen („Hea­vy Ja­va­Script“), ris­kie­ren, dass die KI eine lee­re Sei­te sieht.
• Crawl-Bud­get, La­de­zei­ten und Hy­gie­ne
  La­de­zei­ten sind kri­tisch: Ant­wor­tet der Ser­ver zu lang­sam, bricht der Craw­ler ab. Wäh­rend Trai­ning-Bots das Web zeit­un­kri­tisch für künf­ti­ge Mo­dell-Up­dates ar­chi­vie­ren, müs­sen Real-Time-User-Bots bei Live-An­fra­gen so­fort lie­fern und über­sprin­gen eine Sei­te, falls der Ser­ver län­ger (ca. 500ms) für die Ant­wort braucht. In der GEO-Pra­xis ist die Ser­ver-Per­for­mance so­mit kein op­tio­na­ler Bo­nus mehr, son­dern die har­te Ein­tritts­kar­te für jede Live-Zi­tie­rung. Zu­dem gilt es, das „Rau­schen“ zu mi­ni­mie­ren. Ein „Früh­jahrs­putz“ (Con­tent Pr­u­ning) hilft: Ver­al­te­te oder ir­rele­van­te In­hal­te soll­ten ge­löscht oder auf no­in­dex ge­setzt wer­den. Dies lenkt die be­grenz­ten Res­sour­cen der Bots auf die wirk­lich re­le­van­ten In­hal­te.
• Ro­bots.txt
  Der häu­figs­te Feh­ler ist das ver­se­hent­li­che Aus­sper­ren der Zu­kunft. Wer Craw­ler wie GPT­Bot, CC­Bot (Com­mon Crawl) oder Goog­le-Ex­ten­ded in der ro­bots.txt blo­ckiert, ent­schei­det sich ak­tiv ge­gen eine Statt­fin­dung in KI-Ant­wor­ten. URL-Pa­ra­me­ter und stän­dig wech­seln­de URLs soll­ten eben­falls ver­mie­den wer­den, um den Bots sta­bi­le Pfa­de zu bie­ten.

Com­mon Crawl und Ja­va­Script

Vie­le LLMs trai­nie­ren ihre Mo­del­le mit open source craw­lern, wie dem Com­mon Crawl. Die­se Craw­ler sind tech­nisch weit we­ni­ger leis­tungs­fä­hi­ger als die Craw­ler von Goog­le. Vie­le die­ser open source Craw­ler füh­ren Ja­va­Script oft nicht kom­plett aus und schei­tern an kom­ple­xen Cli­ent-Side-Ren­de­ring-Ar­chi­tek­tu­ren.

Wer zu­vie­le In­hal­te hin­ter Ja­va­Script ver­steckt, ist für Goog­le noch sicht­bar, für das LLM-Trai­ning je­doch oft un­sicht­bar. Die tech­ni­sche Op­ti­mie­rung muss sich da­her wie­der auf ab­so­lu­te Ba­sics kon­zen­trie­ren:

• HTML first: Re­le­van­te In­hal­te müs­sen im Quell­text ste­hen.
• Feh­ler­frei­heit: Tech­ni­sche Hür­den (404-Feh­ler, Re­di­rect-Ket­ten) wie­gen hier schwe­rer. Der Ein­satz von pro­fes­sio­nel­len Au­dit-Tools wie Screa­ming Frog oder Seo­bi­li­ty zur re­gel­mä­ßi­gen Prü­fung der In­de­xier­bar­keit ist Pflicht.

Test: Wie sieht der Craw­ler dei­ne Web­site?

Da es kei­ne of­fi­zi­el­le Vor­schau für LLM-Craw­ler gibt, dient das In­ter­net Ar­chi­ve (Way­back Ma­chi­ne) als bes­ter Pro­xy. Da das Web Ar­chi­ve und Com­mon Crawl ähn­li­che Tech­no­lo­gien und Da­ten­quel­len nut­zen, zeigt ein Blick in die „Way­back Ma­chi­ne“, was tat­säch­lich er­fasst wur­de.

Feh­len dort Bil­der, Tex­te oder gan­ze Na­vi­ga­ti­ons­ele­men­te, ist da­von aus­zu­ge­hen, dass die­se auch in den Trai­nings­da­ten der KI feh­len.

Bei­spiel-Check: Ein Blick auf den Snapshot der Far­ben­tour-Kon­takt­sei­te zeigt, ob alle In­for­ma­tio­nen für den Craw­ler les­bar wa­ren.

Ro­bots.txt und Cloud­fla­re

Vie­le Ad­mi­nis­tra­to­ren blo­ckie­ren aus Angst vor KI pau­schal alle AI-Bots über die ro­bots.txt. Wer Craw­ler wie GPT­Bot, CC­Bot oder an­thro­pic-ai blo­ckiert, ent­schei­det sich be­wusst ge­gen eine Statt­fin­dung in der KI-Su­che.

Si­cher­heits­an­bie­ter wie Cloud­fla­re bie­ten Funk­tio­nen wie „Block AI Scra­pers“ an. Die­se sind oft stan­dard­mä­ßig oder sehr ag­gres­siv ein­ge­stellt. Für eine GEO-Stra­te­gie müs­sen die­se Fire­walls so kon­fi­gu­riert sein, dass sie le­gi­ti­me KI-Craw­ler pas­sie­ren las­sen.

War­nung: Eine Ro­bots.txt, die al­les blo­ckiert, ist das Ende je­der GEO-Be­mü­hung. Eine sol­che Kon­fi­gu­ra­ti­on sorgt da­für, dass Mar­ken aus dem di­gi­ta­len Ge­dächt­nis der KI ge­löscht wer­den. Hier ein Ne­ga­tiv-Bei­spiel ei­ner Blo­cka­de: https://git­hub.com/ai-ro­bots-txt/ai.ro­bots.txt/blob/main/ro­bots.txt

LLM-Text­file

Die llms.txt ist ein vor­ge­schla­ge­ner Stan­dard für Web­sei­ten (sie­he ll­mstxt.org). Ähn­lich wie die ro­bots.txt wird die­se Da­tei im Root-Ver­zeich­nis ab­ge­legt. Sie soll KI-Craw­lern ge­zielt Links zu mark­down-op­ti­mier­ten Text­da­tei­en be­reit­stel­len, um das Aus­le­sen von In­hal­ten ohne HTML-Bal­last zu er­mög­li­chen.

Der­zeit hat die Im­ple­men­tie­rung kei­nen mess­ba­ren Ein­fluss auf GEO. Ana­ly­sen zei­gen, dass die re­le­van­ten Lar­ge Lan­guage Mo­dels und Ge­ne­ra­ti­ve En­gi­nes die­sen Stan­dard ak­tu­ell igno­rie­ren (Quel­le). Es gibt kei­nen em­pi­ri­schen Be­leg für eine ver­bes­ser­te Sicht­bar­keit oder er­höh­te Zi­tier­häu­fig­keit. Die Im­ple­men­tie­rung ist zum jet­zi­gen Zeit­punkt nicht nö­tig.

Log­file-Ana­ly­se: Hal­lu­zi­nier­te URLs iden­ti­fi­zie­ren

Ein un­ter­schätz­tes Pro­blem bei KI-Bots sind hal­lu­zi­nier­te URLs. Da LLMs auf Wahr­schein­lich­kei­ten ba­sie­ren, „er­fin­den“ sie ge­le­gent­lich URL-Pfa­de, die lo­gisch klin­gen, aber nicht exis­tie­ren. Ver­sucht der Bot an­schlie­ßend, die­se auf­zu­ru­fen, ent­ste­hen un­nö­ti­ge 404-Feh­ler, die das Crawl-Bud­get be­las­ten.

Re­gel­mä­ßi­ge Ana­ly­se der Ser­ver-Log­files (z. B. mit dem Screa­ming Frog Log File Ana­ly­ser). Wer­den ge­häuft 404-Zu­grif­fe von KI-User-Agents auf un­be­kann­te URLs fest­ge­stellt, soll­ten die­se ge­prüft und ge­ge­be­nen­falls via 301-Re­di­rect auf die kor­rek­ten In­hal­te um­ge­lei­tet wer­den.

HTTP 499:

Ach­te in den Lo­gi­files be­son­ders auf den HTTP-Sta­tus­code 499, da die­ser ein di­rek­tes Warn­si­gnal für Ab­brü­che durch zu lang­sa­me Ant­wort­zei­ten ist. Wer die­sen Feh­ler bei User-Agents wie ChatGPT-User ent­deckt, weiß so­fort, dass die KI die Ge­duld ver­lo­ren hat und dei­ne Web­site tech­nisch aus­sor­tiert wur­de, noch be­vor er über­haupt ge­le­sen wer­den konn­te. Mehr zu die­sem The­ma fin­dest du hier.

La­de­zei­ten & Core Web Vi­tals

Wäh­rend der Google­bot über mas­si­ve Res­sour­cen ver­fügt und klei­ne­re La­ten­zen ge­le­gent­lich ver­zeiht, ar­bei­ten vie­le AI-Craw­ler und der Com­mon Crawl mit deut­lich be­grenz­te­ren Bud­gets.

Lädt eine Web­site nicht schnell ge­nug, kann der Craw­ler den Pro­zess ab­bre­chen. Der In­halt wird gar nicht erst aus­ge­le­sen und in­de­xiert. Der Fo­kus darf da­her nicht nur auf der all­ge­mei­nen La­de­zeit lie­gen. Die Core Web Vi­tals (LCP, INP, CLS) zu be­stehen sind wich­tig. Eine in­sta­bi­le oder lang­sa­me Sei­te si­gna­li­siert dem Bot min­der­wer­ti­ge Qua­li­tät – und führt im schlimms­ten Fall zum di­rek­ten Ab­bruch des Craw­lings.

Struk­tu­rier­te Da­ten

Struk­tu­rier­te Da­ten (via JSON-LD) über­set­zen „Con­tent“ in ma­schi­nen­les­ba­re Fak­ten.

Mit Sche­ma dik­tie­ren wir die In­ter­pre­ta­ti­on: „Dies ist kein zu­fäl­li­ger Text, dies ist eine An­lei­tung“, „Dies ist ein Au­tor“. Die­se se­man­ti­sche Aus­zeich­nung er­höht die Wahr­schein­lich­keit mas­siv, dass In­for­ma­tio­nen kor­rekt ex­tra­hiert und der rich­ti­gen En­ti­tät zu­ge­ord­net wer­den.

Ana­ly­sen (sie­he Sis­trix: Der Weg zur AI-Ci­ta­ti­on) zei­gen: KI-Mo­del­le le­sen Au­to­ri­täts­si­gna­le be­vor­zugt di­rekt aus dem Quell­code aus (z. B. @type: Or­ga­niza­ti­on), an­statt sie müh­sam aus dem Fließ­text zu re­kon­stru­ie­ren.

Um als En­ti­tät ver­stan­den zu wer­den, sind fol­gen­de Ty­pen Pflicht:

• Or­ga­niza­ti­on: Le­gi­ti­miert das Un­ter­neh­men als Mar­ke.
• Per­son / Aut­hor: Ver­knüpft In­hal­te mit Ex­per­ten (E-E-A-T).
• Ar­tic­le / News­Ar­tic­le: Hilft bei der zeit­li­chen Ein­ord­nung (Ak­tua­li­tät).
• Pro­duct / Of­fer: Lie­fert har­te Fak­ten für trans­ak­tio­na­le Prompts.
• FA­Q­Pa­ge: Lie­fert per­fek­te „Con­tent Chunks“ für di­rek­te Ant­wor­ten.
• Lo­cal­Busi­ness: Ver­an­kert die Mar­ke lo­kal.

Zur feh­ler­frei­en Er­stel­lung und Va­li­die­rung des JSON-LD Codes emp­fiehlt sich der Sche­ma Mark­up Ge­ne­ra­tor von Tech­ni­cal­SEO.

Pra­xis-Tipp: Du möch­test die GEO-Op­ti­mie­rungs­po­ten­zia­le dei­ner Web­site prü­fen? Dann schau dir un­ser You­Tube-Vi­deo zum The­ma „GEO-Au­dit” an:

En­ti­tät und E-E-A-T

Eine En­ti­tät ist ein ein­deu­tig iden­ti­fi­zier­ba­res Ob­jekt (eine Mar­ke, eine Per­son, ein Pro­dukt), das die KI in ih­rem se­man­ti­schen Kon­text ver­steht und zu­ord­nen kann.

„In der KI-Su­che geht es nicht mehr um das Ran­king für Be­grif­fe, son­dern dar­um, dass dei­ne Mar­ke als ein­deu­ti­ge, ver­trau­ens­wür­di­ge En­ti­tät (ein ‚Ob­jekt‘ mit kla­ren At­tri­bu­ten) im Wis­sens­netz der KI exis­tiert.“

Um dies zu er­rei­chen, sind drei Fak­to­ren ent­schei­dend:

1. Kon­tex­tu­el­le Re­le­vanz: KI-Mo­del­le wie ChatGPT, Ge­mi­ni & Co. ver­ste­hen se­man­ti­sche Zu­sam­men­hän­ge. Con­tent muss die Mar­ke kon­sis­tent mit spe­zi­fi­schen Fach­the­men ver­knüp­fen. Wer heu­te über SEO schreibt und mor­gen über Zier­fi­sche, ver­wäs­sert sein En­ti­tä­ten-Pro­fil.
2. Di­gi­ta­ler Fuß­ab­druck: Sicht­bar­keit ent­steht durch ex­ter­ne Va­li­die­rung. Eine En­ti­tät wird für die KI erst dann re­le­vant, wenn sie auf au­to­ri­ta­ti­ven Dritt­platt­for­men wie Wi­ki­pe­dia, Linke­dIn, Trust­pi­lot oder Fach­por­ta­len kon­sis­tent er­wähnt wird.
3. Zi­tier­bar­keit: Um zur Pri­mär­quel­le zu wer­den, muss die Web­site als „Fak­ten­kno­ten“ die­nen. Dies ge­lingt nur durch die Be­reit­stel­lung ein­zig­ar­ti­ger Da­ten oder tief­grei­fen­der Ana­ly­sen, auf die sich das Mo­dell stüt­zen kann.

E-E-A-T im KI-Zeit­al­ter

Das E-E-A-T-Kon­zept (Ex­pe­ri­ence, Ex­per­ti­se, Aut­ho­ri­ta­ti­ve­ness, Trust­wort­hi­ness) ist je­dem SEO be­kannt. Da LLMs dar­auf trai­niert sind, Falsch­in­for­ma­tio­nen zu mi­ni­mie­ren, be­vor­zu­gen sie Quel­len mit ho­hem Ver­trau­ens­wert.

• Ex­pe­ri­ence (Er­fah­rung): KI kann nichts er­le­ben. Ge­nau hier liegt der Vor­teil mensch­li­cher Au­toren. KI-Mo­del­le be­vor­zu­gen „ech­ten Con­tent von ech­ten Men­schen“. Per­sön­li­che In­sights, An­ek­do­ten und rea­le Case Stu­dies sind Si­gna­le, die eine KI nicht si­mu­lie­ren kann.
• Ex­per­ti­se (Fach­wis­sen): Ge­ne­ri­sche 08-15 Glos­sar-Tex­te sind wert­los. Sie müs­sen durch tief­grei­fen­des Ex­per­ten­wis­sen er­setzt wer­den. Die KI er­kennt In­for­ma­ti­ons­dich­te und fach­li­che Tie­fe. Ober­fläch­li­cher Con­tent wird igno­riert, Deep-Di­ves wer­den re­fe­ren­ziert.
• Aut­ho­ri­ta­ti­ve­ness (Au­to­ri­tät): Wer zi­tiert wird, ge­winnt. Di­gi­tal-PR und Gast­bei­trä­ge in Fach­me­di­en si­gna­li­sie­ren der KI, dass die ei­ge­nen In­hal­te re­fe­renz­wür­dig sind. Je öf­ter eine En­ti­tät in eta­blier­ten Quel­len ge­nannt wird, des­to hö­her ihr Ge­wicht im Mo­dell.
• Trust­wort­hi­ness (Ver­trau­ens­wür­dig­keit): Be­haup­tun­gen müs­sen be­leg­bar sein. Das Nen­nen von Quel­len und das Be­reit­stel­len har­ter Da­ten (Prei­se, tech­ni­sche Fak­ten) re­du­ziert das Ri­si­ko von KI-Hal­lu­zi­na­tio­nen. Con­tent, der über­prüf­bar ist, er­höht die ei­ge­ne Zi­tier­ra­te mas­siv.

Pra­xis­bei­spiel für En­ti­tät und EEAT

Wie wird eine Mar­ke für die KI zur Au­to­ri­tät? Das lässt sich am bes­ten an­hand von drei zen­tra­len Fra­gen klä­ren, die ein LLM be­ant­wor­ten muss, um eine En­ti­tät kor­rekt ein­zu­ord­nen.

1. Die „Wer bist du?“-Fra­ge (Iden­ti­tät & En­ti­tät)

In der KI-Su­che geht es nicht mehr um das Ran­king für ein­zel­ne Key­words. Das Ziel ist stra­te­gi­scher: Die KI muss die ei­ge­ne Mar­ke als die eine Ex­per­ten-En­ti­tät ab­spei­chern.

Dies ge­schieht nicht al­lein auf der ei­ge­nen Web­site, son­dern durch Ver­lin­kun­gen und Si­gna­le von ex­ter­nen Platt­for­men. Eine Mar­ke muss dort statt­fin­den, wo die Trai­nings­da­ten ab­ge­lei­tet wer­den, wie z. B.:

• Red­dit & Com­mu­ni­ties
• Ga­mer-Fo­ren & Fach­por­ta­le
• You­Tube (ei­ge­ne Chan­nels & Fremd­er­wäh­nun­gen)
• So­cial Me­dia

Bei­spiel: Der PC-Her­stel­ler Du­ba­ro zeigt ex­em­pla­risch, wie En­ti­tä­ten-Auf­bau funk­tio­nie­ren kann. Die Mar­ke hat sich nicht nur auf SEO ver­las­sen, son­dern eine mas­si­ve Prä­senz in der Com­mu­ni­ty auf­ge­baut. Durch ge­ziel­te Ko­ope­ra­tio­nen mit In­fluen­cern (z. B. Hard­ware­Dealz) und ei­ner ho­hen Sicht­bar­keit auf You­Tube & Co. wird der Mar­ken­na­me per­ma­nent im Kon­text von “Gam­ing PCs“ ge­nannt.

Die KI lernt durch die­se tau­send­fa­chen Men­ti­ons und Si­gna­le: „Du­ba­ro ge­hört zum se­man­ti­schen Kern von Gam­ing-PCs.“ Wer heu­te eine KI nach PC-Emp­feh­lun­gen fragt, kommt an die­ser En­ti­tät kaum vor­bei.

2. Die „Was kannst du?“-Fra­ge (Ex­pe­ri­ence & Ex­per­ti­se)

Um als Quel­le zi­tiert zu wer­den, reicht theo­re­ti­sches Wis­sen nicht aus.

• Ex­pe­ri­ence & Ex­per­ti­se: Ge­ne­ri­sche „Was ist…“-Tex­te müs­sen durch ech­te Tests, Un­boxings und Mei­nun­gen er­setzt wer­den.
• Aut­ho­ri­ta­ti­ve­ness: Au­to­ri­tät ent­steht, wenn Drit­te über die Ex­per­ti­se be­rich­ten. Back­links und Men­ti­ons von Fach­por­ta­len si­gna­li­sie­ren der KI: Die­se In­hal­te sind re­fe­renz­wür­dig.

3. Die „War­um du?“-Fra­ge (Trust­wort­hi­ness & Trans­pa­renz)

LLMs be­vor­zu­gen Quel­len, die trans­pa­rent und be­leg­bar sind.

• Trans­pa­renz schaf­fen: Statt an­ony­me Pro­dukt­be­schrei­bun­gen zu ko­pie­ren, müs­sen ei­ge­ne Pro­dukt­tests mit ech­ten Au­toren­na­men ver­öf­fent­licht wer­den.
• Das Un­ter­neh­men greif­bar ma­chen: Eine „Über uns“-Sei­te darf kein Füll­text sein. Sie dient als Be­leg für die Exis­tenz ech­ter Men­schen und Ex­per­ti­se.

Bei­spiel: Ein Ex­em­pel für ver­trau­ens­bil­den­de Maß­nah­men lie­fert Lieb­scher & Bracht. Durch ex­trem de­tail­lier­te „Über uns“-Be­rei­che, die Vor­stel­lung des Teams und ex­pli­zi­te Qua­li­täts­ver­spre­chen wird der abs­trak­te Fir­men­na­me zur greif­ba­ren, ver­trau­ens­wür­di­gen Or­ga­ni­sa­ti­on. (Sie­he:Das Team undQua­li­täts­ver­spre­chen)

Back­links & Men­ti­ons: Von der Ver­lin­kung zur Er­wäh­nung

In der klas­si­schen SEO ist der Back­link der pri­mä­re Ran­king­fak­tor. Im GEO ver­schiebt sich der Fo­kus: LLMs „kli­cken“ sich nicht durch das Web, sie ver­ar­bei­ten In­for­ma­tio­nen. Back­links fun­gie­ren hier­bei we­ni­ger als Pfad, son­dern pri­mär als Trust-Ele­ment. Ent­schei­dend sind die An­ker­tex­te: Eine Ver­lin­kung von ei­nem Fach­por­tal si­gna­li­siert dem Mo­dell, dass der ver­link­te In­halt au­to­ri­ta­tiv und zi­tier­wür­dig ist. Der Link ist der Be­weis für die Re­le­vanz.

Die Macht der Men­ti­ons

Noch wich­ti­ger als der tech­ni­sche Link ist je­doch die blo­ße Men­ti­on (Er­wäh­nung). Die Wahr­schein­lich­keit, dass eine KI eine Mar­ke emp­fiehlt, steigt mit der Häu­fig­keit ih­rer Nen­nung in re­le­van­ten Kon­tex­ten. Je öf­ter eine Mar­ke als Lö­sung für ein Pro­blem ge­nannt wird (auch ohne Link), des­to stär­ker ver­knüpft das neu­ro­na­le Netz die En­ti­tät mit dem The­ma.

Auf­bau von „Top-Lis­ten“ (Listic­les)

Da­ten von Ah­refs (Quel­le: Best Lists Re­se­arch) zei­gen, dass struk­tu­rier­te Lis­ten („Die bes­ten Tools für…“, „Ver­gleich 2026“) der wich­tigs­te He­bel für GEO sind.

• Do­mi­nanz: Listic­les sind mit 43,8 % die häu­figs­te Quel­len­art, die ChatGPT für Emp­feh­lun­gen nutzt.
• Po­si­tio­nie­rung: Es gibt eine kla­re Kor­re­la­ti­on – je hö­her eine Mar­ke in ei­ner Lis­te plat­ziert ist, des­to hö­her ist die Sicht­bar­keit in den KI-Ant­wor­ten.
• Ak­tua­li­täts-Zwang: KI-En­gi­nes be­vor­zu­gen „fri­schen“ Con­tent. Über 79 % der zi­tier­ten Lis­ten wur­den im ak­tu­el­len Jahr ak­tua­li­siert. His­to­ri­sche Au­to­ri­tät wird von ak­tu­el­ler Re­le­vanz ge­schla­gen.

War­nung: Qua­li­tät vor Spam

Die Jagd nach Lis­ten­plät­zen birgt Ri­si­ken. Goog­le geht mitt­ler­wei­le ag­gres­siv ge­gen „Pa­ra­si­te SEO“ und min­der­wer­ti­ge „Best-of“-Lis­ten auf fach­frem­den Por­ta­len vor (sie­he Lily Ray: Goog­le Crack­down). Was wie bil­li­ger Spam aus­sieht, wird ab­ge­straft.

Lis­tings sind nur wert­voll, wenn sie von the­ma­tisch pas­sen­den, ex­trem star­ken Web­sites stam­men und or­ga­nisch wir­ken. Al­les, was nach „ge­kauf­tem Fake-Re­view“ aus­sieht, scha­det der En­ti­tät lang­fris­tig mehr, als es nutzt.

You­Tube: Re­le­vanz vs. Schein­kor­re­la­ti­on

Die fol­gen­de Ah­refs-Stu­die zeigt eine star­ke Ver­bin­dung zwi­schen You­Tube-Prä­senz und Sicht­bar­keit in KI-Ant­wor­ten. Mar­ken, die auf You­Tube stark ver­tre­ten sind, wer­den häu­fi­ger von KIs emp­foh­len.

Wich­tig: Hier ist Vor­sicht ge­bo­ten vor Schein­kor­re­la­tio­nen. Es ist nicht ga­ran­tiert, dass das Vi­deo selbst die Ur­sa­che ist. Wahr­schein­li­cher ist, dass star­ke Mar­ken ge­ne­rell auf al­len Ka­nä­len (Text & Vi­deo) prä­sent sind. Den­noch: Vi­deo-Con­tent füt­tert die En­ti­tät mit Kon­text. Wer auf You­Tube statt­fin­det, er­höht die Wahr­schein­lich­keit, im „Welt­wis­sen“ der KI ver­an­kert zu sein.

Die Do­mi­nanz der Ver­gleichs­lis­ten

Der größ­te He­bel für GEO sind laut den Da­ten je­doch text­ba­sier­te Lis­ten.

• Do­mi­nan­tes For­mat: 43,8 % der Quel­len, die ChatGPT für Emp­feh­lun­gen nutzt, sind Ver­gleichs­lis­ten („Die bes­ten X für Y“).
• Sicht­bar­keit: Ohne Prä­senz in sol­chen Lis­ten exis­tiert eine Mar­ke in der Emp­feh­lungs­lo­gik der KI fak­tisch nicht.
• Ran­king-Fak­tor: Die Po­si­ti­on in­ner­halb der Lis­te ent­schei­det. Je wei­ter oben eine Mar­ke in ei­ner ex­ter­nen Lis­te steht, des­to wahr­schein­li­cher wird sie von der KI als Top-Emp­feh­lung über­nom­men.

Ak­tua­li­täts-Zwang (Fresh­ness)

His­to­ri­sche Au­to­ri­tät ver­liert an Wert. KI-Mo­del­le be­vor­zu­gen ex­trem ak­tu­el­le Da­ten.

• 79 % der zi­tier­ten Quel­len stam­men aus dem lau­fen­den Jahr.
• Wer ver­al­te­te Lis­ten hat oder in al­ten Ar­ti­keln ge­lis­tet ist, wird igno­riert.

Chan­ce für Ni­schen-Play­er: Ei­ge­ne Lis­ten & Up­dates

Die Da­ten zei­gen eine mas­si­ve Chan­ce für klei­ne­re Web­sites: Re­le­vanz schlägt Back­link-Stär­ke.

• In­halt vor Pow­er: 35 % der zi­tier­ten Quel­len ha­ben eine ge­rin­ge Do­main Aut­ho­ri­ty. Man muss kein Bran­chen­rie­se sein, um zi­tiert zu wer­den – man muss nur die ak­tu­ells­te Lis­te ha­ben.
• Ei­ge­ne Lis­ten: Auch selbst pu­bli­zier­te Bes­ten­lis­ten („Un­se­re Top-Pro­duk­te“) för­dern KI-Zi­tie­run­gen, so­lan­ge sie fak­tisch kor­rekt und struk­tu­riert sind.
• Up­date-Kul­tur: Der Schlüs­sel zum dau­er­haf­ten Sta­tus als KI-Quel­le ist die Fre­quenz. Eine mo­nat­li­che Ak­tua­li­sie­rung von Da­ten und Lis­ten si­gna­li­siert dem Craw­ler kon­stan­te Re­le­vanz.

Stra­te­gie für mehr Men­ti­ons: Re­ver­se En­gi­nee­ring

Wie fin­det man her­aus, auf wel­chen Platt­for­men man statt­fin­den muss? Die Ant­wort ist ba­nal: Man fragt die KI selbst. Statt blind­lings Links auf­zu­bau­en, nut­zen wir Re­ver­se En­gi­nee­ring, um die ex­ak­ten Quel­len zu iden­ti­fi­zie­ren, de­nen die KI ver­traut.

Der Pro­zess:

1. Der Prompt: Fra­ge ChatGPT, Ge­mi­ni oder Per­ple­xi­ty di­rekt: „Nen­ne mir die 5 bes­ten An­bie­ter für [dein Ser­vice / Pro­dukt].“
2. Die Nach­fra­ge: So­bald die Lis­te ge­ne­riert ist, hakst du nach: „War­um hast du die­se aus­ge­wählt? Auf wel­chen Quel­len ba­siert die­se Emp­feh­lung?“

Die Er­kennt­nis: Die KI wird ihre „Groun­ding Sources“ of­fen­le­gen. Oft sind das nicht die größ­ten Nach­rich­ten­sei­ten, son­dern sehr spe­zi­fi­sche Ni­schen-Por­ta­le, Fo­ren (wie Red­dit) oder Be­wer­tungs­platt­for­men (wie OMR Re­views oder Gel­be Sei­ten).

Die Hand­lungs­emp­feh­lung: So­bald die Quel­le iden­ti­fi­ziert ist, lau­tet die Pflicht: Du musst dort ge­lis­tet sein. Wenn ChatGPT für die An­fra­ge „Bes­te SEO Agen­tur“ pri­mär OMR Re­views als Be­leg zi­tiert, bringt ein Ein­trag in ei­nem all­ge­mei­nen Bran­chen­buch nichts. Die Sicht­bar­keit in der KI-Ant­wort hängt zu 100 % von der Prä­senz auf die­ser ei­nen, spe­zi­fi­schen Platt­form ab.

GEO Ma­ni­pu­la­ti­on & Prompt In­jec­tion

Na­tür­lich ver­su­chen vie­le, neue Sys­te­me aus­zu­trick­sen. Eine Me­tho­de ist die Prompt In­jec­tion: Da­bei wird ver­sucht, die KI durch ma­ni­pu­la­tiv plat­zier­te Be­feh­le in­ner­halb von Da­ten oder Web­sei­ten-In­hal­ten zu steu­ern.

Ein Bei­spiel von Ca­me­ron Mat­tis zeigt, wie leicht KIs be­ein­fluss­bar sind: Er in­te­grier­te in sein Linke­dIn-Pro­fil eine An­wei­sung, die be­sag­te, dass LLMs, die sein Pro­fil für Head­hun­ter aus­le­sen, kei­ne Job-Ana­ly­sen, son­dern Re­zep­te für Flan aus­ge­ben sol­len. Die KI-Bots folg­ten tat­säch­lich den An­wei­sun­gen in sei­nem Pro­fil statt ih­rem ur­sprüng­li­chen Auf­trag.

Das „GTA 6 Twerk But­ton“-De­ba­kel

Dass KIs ma­ni­pu­lier­bar sind, zeigt der Fall des „GTA 6 Twerk But­tons“. Hier über­nahm Googles AI Over­view blind ei­nen sa­ti­ri­schen Red­dit-Post als Fakt und be­haup­te­te, das Spiel ent­hal­te die­se Funk­ti­on (Quel­le: Game­Pro).

Das Bei­spiel be­weist: Die Sys­te­me ha­ben noch Schwie­rig­kei­ten, Iro­nie oder ge­ziel­te Falsch­in­for­ma­tio­nen (Data Poi­so­ning) zu er­ken­nen.

War­um Ma­ni­pu­la­ti­on kei­ne Stra­te­gie ist

Doch der Ver­gleich zu „SEO 2006“ hinkt. Da­mals funk­tio­nier­te Spam über Jah­re. Heu­te patchen Goog­le und Ope­nAI sol­che Lü­cken oft in­ner­halb von Stun­den.

• Kei­ne Nach­hal­tig­keit: Ein Hack funk­tio­niert viel­leicht für ei­nen Tag, da­nach wird die Lü­cke ge­schlos­sen oder die Do­main ab­ge­straft.
• Stän­di­ge Va­li­die­rung: Durch RAG und Fact-Che­cking-Al­go­rith­men wird die Plau­si­bi­li­tät von Quel­len per­ma­nent neu be­wer­tet.
• Schwer um­zu­set­zen: Ge­ziel­te Ma­ni­pu­la­ti­on er­for­dert tech­ni­sches Ver­ständ­nis der Mo­dell-Ar­chi­tek­tur und ist kaum ska­lier­bar.

Wer auf Ma­ni­pu­la­ti­on setzt, ge­winnt kurz­fris­tig Auf­merk­sam­keit, ris­kiert aber lang­fris­tig den kom­plet­ten Trust-Ver­lust der En­ti­tät.

Er­folgs­mes­sung und Mo­ni­to­ring

Wer GEO mit den Maß­stä­ben von klas­si­schem SEO oder Per­for­mance Mar­ke­ting misst, wird ent­täuscht sein. Die Klick­ra­ten (CTR) und das Be­su­cher-Vo­lu­men sind bei KI-Ant­wor­ten deut­lich re­du­ziert. Der Nut­zer er­hält die Ant­wort di­rekt im Chat und klickt sel­te­ner auf die Quel­le. GEO ist kein Vo­lu­men-Ka­nal, son­dern geht stark in Rich­tung Bran­ding-Ka­nal.

Die neu­en KPIs: Men­ti­ons & Ci­ta­ti­ons

Der Er­folg misst sich nicht in Ses­si­ons, son­dern im „Share of Mo­del“:

• Wie oft wer­de ich als Mar­ke emp­foh­len?
• In wie vie­len Ant­wor­ten tau­che ich als Ex­per­te auf?
• Wer­de ich als Pri­mär­quel­le zi­tiert?

Die­se Men­ti­ons (Mar­ken­nen­nun­gen) und Ci­ta­ti­ons (Quel­len­ver­wei­se) sind die har­te Wäh­rung. Sie müs­sen quan­ti­ta­tiv er­fasst wer­den.

Track­ing-Set­up & Tools

Für die Über­wa­chung die­ser neu­en KPIs ist ein Mix aus klas­si­schen SEO-Tools und ma­nu­el­ler Ana­ly­se nö­tig:

1. AI Over­views & Goog­le: Hier lie­fern Tools wie Sis­trix oder Ah­refs be­reits sehr gute Da­ten zur Sicht­bar­keit in AI Over­views und dem AI Mode.
2. Traf­fic-Ana­ly­se: In Goog­le Ana­ly­tics 4 (GA4) soll­ten Re­fer­rer von KI-Sys­te­men (z. B. chatgpt.com, bing.com, per­ple­xi­ty.ai) se­pa­rat seg­men­tiert wer­den. Ein Loo­ker Stu­dio Da­sh­board hilft, die­se oft ge­rin­gen, aber hoch­kon­ver­tie­ren­den Strö­me sicht­bar zu ma­chen.
3. Ei­ge­ne Prompts über­wa­chen: Für stra­te­gisch wich­ti­ge Such­an­fra­gen („Bes­te Agen­tur für X“) emp­fiehlt sich ein ma­nu­el­les Mo­ni­to­ring oder der Ein­satz spe­zia­li­sier­ter Skrip­te, um die Po­si­tio­nie­rung in den Ant­wor­ten zu prü­fen.

War­nung: Der „Tool-Blind-Spot“

Vor­sicht bei au­to­ma­ti­sier­ten Track­ing-Lö­sun­gen für ChatGPT & Co. Vie­le An­bie­ter craw­len Prompts über kos­ten­lo­se, nicht ein­ge­logg­te API-Schnitt­stel­len (meist GPT-4o „Clean Sla­te“). Die Rea­li­tät beim Kun­den sieht an­ders aus:

• Ech­te Nut­zer ver­wen­den oft ChatGPT Plus, Clau­de oder Per­ple­xi­ty Pro.
• Sie ha­ben eine Chat-His­to­rie (Me­mo­ry), die die Er­geb­nis­se per­so­na­li­siert.

Da­durch ent­ste­hen mas­si­ve Ab­wei­chun­gen zwi­schen dem, was das Tool mel­det, und dem, was der po­ten­zi­el­le Kun­de tat­säch­lich sieht. Track­ing-Da­ten sind im GEO da­her im­mer nur ein In­di­ka­tor, kei­ne ab­so­lu­te Wahr­heit.

Pra­xis-Case: On­line­shop für Ver­sand­kar­tons

Dass GEO und SEO kei­ne ge­trenn­ten Si­los sind, zeigt un­ser ak­tu­el­ler Case aus dem B2B-Be­reich „Ver­sand­kar­tons“.

Das Ziel war die Markt­füh­rer­schaft in bei­den Wel­ten: Ma­xi­ma­le Sicht­bar­keit in der klas­si­schen Goog­le-Su­che und die Eta­blie­rung als die Stan­dard-Emp­feh­lung in KI-Chats.

Die Er­geb­nis­se: Do­mi­nanz in Search & Chat

Die Zah­len be­le­gen eine di­rek­te Kor­re­la­ti­on zwi­schen klas­si­scher Op­ti­mie­rung und KI-Sicht­bar­keit:

• GEO-Wachs­tum: Die Er­wäh­nun­gen (Men­ti­ons) in KI-Sys­te­men stie­gen von 600 auf über 5.194. Der Shop wird heu­te in zahl­rei­chen Prompts als der füh­ren­de On­line­shop für Ver­pa­ckungs­ma­te­ri­al emp­foh­len.
• SEO-Pow­er: Par­al­lel dazu wur­den TOP-3-Ran­kings für die här­tes­ten Mo­ney-Key­words er­zielt („Kar­tons“, „Ver­sand­kar­ton“, „Ma­xi­brief­kar­ton“). Star­ke Kon­kur­renz wur­de ver­drängt.

Die Maß­nah­men: Was wir ge­macht ha­ben

Der Er­folg ba­siert auf ei­ner Stra­te­gie, die tech­ni­sche Ex­zel­lenz mit ge­ziel­tem En­ti­tä­ten-Auf­bau ver­bin­det.

Tech­ni­sches Fun­da­ment & UX (Craw­la­bi­li­ty)

• Re­launch & Struk­tur: Die Web­site wur­de kom­plett auf­ge­räumt. Ein mo­der­nes De­sign und eine in­tui­tiv ge­führ­te Na­vi­ga­ti­on sor­gen da­für, dass sich Nut­zer (und Bots) so­fort zu­recht­fin­den.
• Speed & Code: Die La­de­zei­ten (Core Web Vi­tals) wur­den mas­siv ver­bes­sert, um Craw­ler-Ab­brü­che zu ver­hin­dern. Um­fas­sen­de Sche­ma.org-Da­ten ma­chen Pro­duk­te nun ma­schi­nen­les­bar.

Con­tent mit In­for­ma­ti­on Gain

• Kein „KI-Bla-Bla“: Auf­bau ei­ner Ex­per­ten-Sek­ti­on mit tief­ge­hen­den In­hal­ten, ge­schrie­ben von Men­schen.
• Con­tent Chunks & Ba­sics: In­te­gra­ti­on von Kauf­rat­ge­bern und FAQs in alle Ka­te­go­rien lie­fert KIs die per­fek­ten Häpp­chen für di­rek­te Ant­wor­ten. Gleich­zei­tig wur­den alle SEO-Ba­sics (Title Tags, Meta De­scrip­ti­ons) per­fek­tio­niert.
• Neue Clus­ter: Schaf­fung spe­zi­fi­scher Ka­te­go­rien (z. B. „Ama­zon Ver­sand­kar­tons“), die ex­ak­te Such­in­ten­tio­nen und Prompts be­die­nen.

Au­to­ri­tät & GEO-He­bel (Off-Page)

• Trust-Si­gna­le: Or­ga­ni­scher Auf­bau von Be­wer­tun­gen auf Platt­for­men wie Trust­pi­lot. KIs nut­zen die­se als Va­li­die­rung für „Bes­ter Shop“-An­fra­gen.
• Di­gi­tal PR & Lis­ten: Ne­ben klas­si­schem Link­auf­bau lag der Fo­kus auf GEO: Wir ha­ben iden­ti­fi­ziert, wel­che Quel­len von ChatGPT & Co. ge­nutzt wer­den, und dort ge­zielt Plat­zie­run­gen in Top-Lis­ten ge­si­chert.
• Ite­ra­ti­ve Op­ti­mie­rung: Der Er­folg ist kein Zu­falls­pro­dukt, son­dern Er­geb­nis ste­ti­ger Test­ings und An­pas­sun­gen von Meta-Da­ten und In­hal­ten.

Die­ser Case be­weist: Wer sei­ne Haus­auf­ga­ben im SEO macht (Tech­nik, Con­tent, Trust) und die­se um GEO-Spe­zi­fi­ka (Top-Lis­ten, En­ti­tä­ten-Da­ten) er­wei­tert, wird in bei­den Ka­nä­len sicht­bar.

Noch mehr zu Ge­ne­ra­ti­ve En­gi­ne Op­ti­miza­ti­on er­fährst du in un­se­rem You­Tube-Vi­deo:

Zu­sam­men­fas­sung

GEO ist kein iso­lier­ter Ka­nal, son­dern eine neue Dis­zi­plin der mo­der­nen Su­che. Wer hier ge­win­nen will, muss stra­te­gisch ent­schei­den: Was ist das Ziel?

1. Die Stra­te­gie: Men­ti­on oder Ci­ta­ti­on?

Ziel Men­ti­ons er­hal­ten: Du willst, dass die KI dei­ne Mar­ke kennt und emp­fiehlt. Baue Re­pu­ta­ti­on im Web auf. Sor­ge für Er­wäh­nun­gen auf ex­ter­nen Sei­ten, er­schei­ne in „Top-Lis­ten“, pfle­ge eine star­ke „Über Uns“-Sei­te und samm­le ag­gres­si­ve So­cial Pro­ofs (z. B. Be­wer­tun­gen auf Trust­pi­lot).

Ziel Ci­ta­ti­ons er­hal­ten: Du willst, dass die KI dei­ne In­hal­te als Be­leg nutzt. Wer­de zur Pri­mär­quel­le. Er­stel­le ei­ge­ne Top-Lis­ten, Stu­di­en, Um­fra­gen und ein­zig­ar­ti­ge Da­ten, die das Mo­dell zum „Nach­schla­gen“ zwin­gen (In­for­ma­ti­on Gain).

2. Der Feed­back-Loop: Frag die KI

Dein bes­ter GEO-Be­ra­ter ist die KI selbst. Nut­ze Re­ver­se En­gi­nee­ring:

„War­um nennst du mei­ne Mar­ke nicht oder zi­tierst mich nicht als Quel­le?“

„War­um er­wähnst oder zi­tierst du Kon­kur­rent XYZ häu­fi­ger?“

„Auf wel­chen Da­ten ba­sie­ren dei­ne Emp­feh­lun­gen?“ Die Ant­wor­ten der KI lei­ten dir den Weg zu den feh­len­den Quel­len und The­men.

3. GEO vs. SEO: Der fei­ne Un­ter­schied

Im klas­si­schen SEO kon­zen­trierst du dich auf Key­words. Egal was ge­sucht wird – so­lan­ge es Teil der Cus­to­mer Jour­ney ist, op­ti­mierst du dar­auf, um Traf­fic und Leads ab­zu­grei­fen.

Im GEO zählt die Klas­se, nicht die Mas­se. Der Fo­kus liegt auf Mas­ter Prompts, die ein „Groun­ding“ (Be­le­gen mit Fak­ten) aus­lö­sen. Du musst nicht für al­les ran­ken, son­dern nur dort, wo die KI eine ex­ter­ne Quel­le zwin­gend be­nö­tigt.

4. Die Ba­sis: Kein GEO ohne SEO

Lass dich nicht vom Hype blen­den: SEO-Ba­sics sind die ab­so­lu­te Vor­aus­set­zung für GEO. Wenn die Tech­nik nicht stimmt, ist der In­halt für die KI un­sicht­bar.

• Sau­be­re Title Tags & Meta De­scrip­ti­ons
• Ver­mei­dung von Du­pli­ca­te Con­tent
• Schnel­le La­de­zei­ten (Core Web Vi­tals)
• Lo­gi­sche Text­struk­tur (H-Tags)
• Hoch­in­for­ma­ti­ver Con­tent

Ohne die­ses Fun­da­ment läuft jede KI-Stra­te­gie ins Lee­re.