Generative Engine Optimization (GEO) bezeichnet alle Maßnahmen, die die Wahrscheinlichkeit erhöhen, dass eine Marke, ein Produkt oder ein Inhalt in Antworten von KI-Systemen wie ChatGPT, Gemini, Claude, Perplexity oder Googles AI Overviews erwähnt, als Quelle zitiert und korrekt beschrieben wird. Während klassisches SEO um eine Position in einer Linkliste konkurriert, konkurriert GEO um einen Platz innerhalb einer einzigen, synthetisierten Antwort. Diese Verschiebung verändert, was Sie optimieren, wie Sie messen und was Sie seriös versprechen können.
Das Wichtigste in Kürze
- Der Begriff stammt aus einer Forschungsarbeit von Aggarwal et al. (Princeton, Georgia Tech, Allen Institute for AI, IIT Delhi) aus dem Jahr 2023, die 2024 auf der KDD veröffentlicht wurde.
- In dieser Studie erhöhten überprüfbare Statistiken, Zitate und Quellenangaben die Sichtbarkeit von Inhalten in generierten Antworten; Keyword-Stuffing half dagegen nicht.
- KI-Assistenten schöpfen aus zwei Quellen: aus dem, was das Modell im Training gelernt hat, und aus dem, was es live aus dem Web abruft. GEO muss beides adressieren.
- Erfolg ist kein Ranking. Er bemisst sich daran, wie oft, wie prominent und wie korrekt Sie über viele Stichproben-Antworten hinweg erscheinen.
- Niemand kann eine Platzierung garantieren: Antworten variieren je nach Durchlauf, Modell und Markt. Messungen müssen deshalb wiederholt und statistisch sauber sein.
Woher stammt der Begriff „GEO“?
Eingeführt wurde der Begriff im Paper GEO: Generative Engine Optimization (arXiv:2311.09735). Die Autoren definieren eine „generative Engine“ als System, das Informationen aus mehreren Quellen abruft und mithilfe eines großen Sprachmodells zu einer einzigen Antwort verdichtet, häufig mit Quellenverweisen im Text. Da Nutzer womöglich nie auf einen Link klicken, argumentieren die Autoren, dass Inhalteanbieter Sichtbarkeit neu denken müssen.
Um diese These zu prüfen, entwickelte das Team GEO-bench, einen Benchmark mit vielfältigen Nutzeranfragen aus unterschiedlichen Themenbereichen. Gemessen wurde Sichtbarkeit mit Metriken, die sowohl berücksichtigen, wie viel der Antwort einer Quelle zugeschrieben wird, als auch, wie früh diese Quelle erscheint. Das Ergebnis: Bestimmte inhaltliche Anpassungen konnten die Sichtbarkeit in Antworten generativer Engines um bis zu 40 % steigern. Am wirksamsten waren das Ergänzen von Verweisen auf glaubwürdige Quellen, das Einfügen relevanter Zitate und das Hinzufügen von Statistiken. Klassische Taktiken wie Keyword-Stuffing schnitten schwach ab.
Zwei Einschränkungen sind wichtig. Erstens hing die Wirksamkeit vom Themenfeld ab: Was bei Geschichtsfragen funktionierte, wirkte bei juristischen oder meinungsbezogenen Anfragen nicht in gleicher Weise. Zweitens liefen die Experimente auf bestimmten Systemen zu einem bestimmten Zeitpunkt. Modelle und Retrieval-Pipelines ändern sich häufig. Die Studie ist daher eher ein Beleg für eine Richtung (belegreicher, gut referenzierter Text setzt sich tendenziell durch) als ein feststehendes Rezept.
Wie entscheiden generative Engines, was sie antworten?
Die meisten KI-Assistenten kombinieren zwei Mechanismen.
Parametrisches Wissen
Große Sprachmodelle verdichten Muster aus ihren Trainingsdaten in ihren Gewichten. Wurde Ihre Marke vor dem Trainingsstichtag eines Modells breit und konsistent im offenen Web diskutiert, „kennt“ das Modell sie womöglich auch ohne Websuche. Dieses Gedächtnis können Sie nicht direkt bearbeiten; Sie können künftige Trainingsdaten nur beeinflussen, indem Sie in seriösen, häufig referenzierten Quellen präsent sind.
Retrieval und Grounding
Wenn ein Assistent im Web sucht (ChatGPT-Suche, Perplexity, Gemini, Google AI Overviews und AI Mode), ruft er Dokumente ab, wählt Passagen aus und formuliert darauf gestützt eine Antwort, oft mit Links. Hier zählt die Crawlbarkeit. OpenAI dokumentiert beispielsweise getrennte Crawler: OAI-SearchBot für die Anzeige von Websites in der ChatGPT-Suche und GPTBot für das Modelltraining, die sich jeweils separat über die robots.txt steuern lassen. Google erklärt, dass es für AI Overviews und AI Mode keine zusätzlichen technischen Anforderungen gibt: Eine Seite muss indexiert und berechtigt sein, in der Suche mit Snippet zu erscheinen; es gelten die üblichen SEO-Best-Practices.
Auch das Retrieval ist probabilistisch. Dieselbe Frage kann bei zwei Durchläufen unterschiedliche Quellen und unterschiedliche Marken hervorbringen. Ein einzelner Screenshot beweist deshalb sehr wenig.
GEO vs. SEO: Was ändert sich tatsächlich?
GEO ersetzt SEO nicht, sondern baut darauf auf. Viele generierte Antworten stützen sich auf Seiten, die bereits gut ranken. Die Erfolgseinheit ist jedoch eine andere. Ausführlich vergleichen wir beides im Beitrag GEO vs. SEO; hier die Kurzfassung:
| Dimension | SEO | GEO |
|---|---|---|
| Ergebnis | Rangliste von Links | Eine synthetisierte Antwort, teils mit Quellen |
| Erfolgseinheit | Position, Klicks | Erwähnung, Zitierung, Korrektheit der Beschreibung |
| Zentrale Signale | Relevanz, Links, technische Qualität | Extrahierbare Passagen, Belege, Bestätigung durch Dritte, klare Entität |
| Stabilität | Relativ stabile Rankings | Antworten variieren je Durchlauf, Modell und Sprache |
| Messung | Rank-Tracker, Search Console | Wiederholte Stichproben echter Fragen über mehrere Assistenten |
Verwandte Begriffe wie AEO und LLMO überschneiden sich stark mit GEO; wenn die Terminologie verwirrt, hilft unser Überblick zu AEO, GEO und LLMO.
Was umfasst GEO in der Praxis?
Ein typisches GEO-Programm sieht so aus:
- Fragenset festlegen. Sammeln Sie die echten Fragen, die Käufer in jedem Markt und jeder Sprache stellen, etwa „bestes CRM für kleine Bauunternehmen“ oder „ist Produkt X für empfindliche Haut geeignet“. Diese Fragen, nicht einzelne Keywords, verfolgen Sie später.
- Abrufbarkeit sicherstellen. Prüfen Sie, dass die robots.txt die für Sie relevanten Such-Crawler nicht blockiert, dass zentrale Seiten indexiert sind und dass wichtiger Text als HTML vorliegt und nicht nur in Bildern oder Skripten.
- Antwortorientierte, zitierfähige Passagen schreiben. Stellen Sie an den Anfang jeder Seite eine klare, für sich verständliche Antwort und liefern Sie Details danach. Kurze Definitionen, Vergleichstabellen und konkrete Zahlen lassen sich von Modellen leicht übernehmen. Mehr dazu in unserem Leitfaden zu Inhalten, die KI zitiert.
- Belege ergänzen. Verweisen Sie auf Primärquellen, nennen Sie Daten mit Datum und ordnen Sie Zitate eindeutig zu. Genau diese Strategiefamilie schnitt in der ursprünglichen GEO-Studie am besten ab.
- Bestätigung durch Dritte gewinnen. Assistenten greifen häufig auf Testberichte, Vergleichsartikel, Foren und Presseberichte zurück, nicht nur auf Ihre eigene Website. Unsere Analyse welche Quellen KI zitiert zeigt, warum Präsenz außerhalb der eigenen Domain zählt.
- Entität konsistent halten. Verwenden Sie auf Website, Profilen und in Verzeichnissen denselben Markennamen, dieselbe Kategoriebeschreibung und dieselben Kernfakten, damit Modelle Sie nicht mit anderen verwechseln.
- Messen, eine Sache ändern, erneut messen. Behandeln Sie Änderungen als Experimente und vergleichen Sie nur Gleiches mit Gleichem.
Optionale technische Ergänzungen wie eine llms.txt-Datei können einzelnen Tools das Lesen Ihrer Website erleichtern, sind aber bislang ein Community-Vorschlag und kein etablierter Standard. Die Faktenlage wägen wir in Was ist llms.txt? ab.
Wie misst man den Erfolg von GEO?
Weil Antworten variieren, muss Messung auf Stichproben statt auf Anekdoten beruhen. Die Kernmetrik ist die Erwähnungsrate: der Anteil gültiger Antworten, die Ihre Marke nennen. „Gültig“ ist entscheidend. Bricht ein Assistent mit einem Timeout ab oder verweigert er die Antwort, wird dieser Durchlauf aus dem Nenner herausgenommen und nicht als Nichterwähnung gezählt.
Beispiel (hypothetisch): Ein Unternehmen stellt vier Assistenten 50 Käuferfragen, insgesamt 200 Durchläufe. Acht Durchläufe scheitern, es bleiben 192 gültige Antworten. Die Marke erscheint in 58 davon; die Erwähnungsrate liegt also bei 58 ÷ 192 ≈ 30 %. Ein Wettbewerber, gemessen an denselben 192 Antworten, erscheint in 84 (≈ 44 %). Aussagekräftig ist dieser Vergleich nur, weil beide Marken auf derselben Stichprobe beruhen.
Über die Erwähnung hinaus sollten Sie Zitierungen (welche URLs der Assistent verlinkt), Position und Tonalität der Nennung sowie die sachliche Korrektheit verfolgen. Stichprobenbildung, Konfidenz und typische Fehler behandeln wir ausführlich in KI-Sichtbarkeit messen. Werkzeuge wie GeoDog automatisieren diesen Prozess: Sie stellen echte Fragen in einem gewählten Markt und einer gewählten Sprache, speichern jede Antwort samt Quellen und berichten Erwähnungsrate sowie einen Wettbewerbsvergleich auf derselben Stichprobe. Wie die Nenner gebildet werden, erläutert unsere Methodik.
Grenzen und verbreitete Mythen rund um GEO
- „Wir garantieren, dass Sie empfohlen werden.“ Das kann niemand. Modelle ändern sich, das Retrieval schwankt, und die Anbieter veröffentlichen keine Ranking-Regeln für Antworten.
- „Es gibt einen offiziellen GEO-Score.“ Keiner der großen KI-Anbieter veröffentlicht einen. Jeder Score ist ein Konstrukt des jeweiligen Anbieters; fragen Sie nach der Berechnung.
- „GEO ist nur SEO mit neuem Namen.“ Für abrufbasierte Antworten teilweise richtig, doch parametrisches Wissen, Reputation außerhalb der eigenen Website und Variabilität auf Antwortebene sind echte, eigenständige Probleme.
- „Mehr Keywords helfen.“ Die Originalstudie fand Keyword-Stuffing wirkungslos, und es kann die Lesbarkeit beeinträchtigen.
Assistenten können sich zudem über Sie irren. Monitoring bedeutet deshalb auch, fehlerhafte Beschreibungen zu erkennen, nicht nur Erwähnungen zu zählen. Wie Assistenten konkret Empfehlungen bilden, lesen Sie in Wie ChatGPT Marken empfiehlt.
Häufige Fragen
Ersetzt GEO die Suchmaschinenoptimierung?
Nein. Solides SEO bleibt das Fundament, weil sich viele KI-Antworten auf indexierte, gut rankende Seiten stützen. GEO ergänzt Ziele und Messgrößen, die SEO-Tools nicht abdecken, etwa Erwähnungsraten innerhalb generierter Antworten.
Wie schnell zeigt GEO Wirkung?
Abrufbasierte Antworten können neue oder aktualisierte Seiten widerspiegeln, sobald diese gecrawlt und indexiert sind, was Tage bis Wochen dauern kann. Der Einfluss auf das eingebaute Wissen eines Modells hängt von künftigen Trainingszyklen ab und ist deutlich langsamer und weniger vorhersehbar.
Haben kleine Marken in KI-Antworten eine Chance?
Oft ja, vor allem bei spezifischen Nischenfragen, bei denen eine klare, gut belegte Seite die beste verfügbare Quelle ist.