Was ist GEO (Generative Engine Optimization)?

GEO geht von einer anderen Prämisse aus als SEO: Es gibt keine Ergebnisseite zu gewinnen, sondern eine Antwort, die ein Modell im Moment der Anfrage aus mehreren kombinierten Quellen erzeugt. Um zu verstehen, wie eine Marke in diese Antwort gelangt, müssen zwei unabhängige Mechanismen getrennt betrachtet werden.

Der erste ist das Wissen, das das Modell bereits aus seinem Training mitbringt. Ein LLM wird mit einem riesigen Textkorpus trainiert, Artikeln, Foren, Dokumentation, Büchern, Webseiten, und passt dabei Millionen interner Parameter an, um vorherzusagen, welches Wort mit höherer Wahrscheinlichkeit auf ein anderes folgt. Eine Marke, die während des Trainings häufig in Quellen auftaucht, die das Modell als zuverlässig behandelt hat, Referenzmedien, Wikipedia, von anderen zitierte Fachdokumentation, ist in diesen Parametern besser repräsentiert. Das bedeutet nicht, dass sich das Modell an eine Tatsache erinnert wie ein Mensch, sondern dass es bei einer verwandten Frage statistisch wahrscheinlicher ist, dass es diese Marke nennt, ohne im Moment der Antwort irgendeine Quelle abzufragen.

Der zweite Mechanismus ist der, den Perplexity, Bing Chat oder Copilot nutzen, und in geringerem Maß Google mit AI Overviews: der Abruf von Informationen in Echtzeit, oder RAG (Retrieval-Augmented Generation). Bevor das Modell den Text erzeugt, sucht das System, ruft relevante Fragmente ab und nutzt sie als Kontext. Das erklärt, warum manche KI-Antworten Links und konkrete Zitate enthalten: Das Modell zeigt, woher es die jeweilige Angabe für diese Anfrage bezogen hat.

In beiden Fällen gibt es einen entscheidenden Zwischenschritt: die Quellenauswahl. Das System wählt eine Teilmenge nach wahrgenommener Autorität, Aktualität, semantischer Relevanz und, zunehmend, danach, ob ein erkennbarer Autor oder eine Organisation dahintersteht. Erst danach kommt die Generierung: Das Modell fasst diese Information in einem neuen Text zusammen, kopiert oder verlinkt nicht wörtlich. Für eine Marke bedeutet das: In der Antwort aufzutauchen hängt davon ab, zwei aufeinanderfolgende Filter zu überstehen, nicht nur gut bei Google platziert zu sein.

Der Begriff GEO entstand nicht als Marketingtrend, sondern als Titel eines wissenschaftlichen Papers. Am 16. November 2023 veröffentlichten Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan und Ameet Deshpande, mit Verbindungen zu Princeton, Georgia Tech und dem Allen Institute for AI, das Paper «GEO: Generative Engine Optimization» (arXiv:2311.09735), später auf der Konferenz KDD 2024 vorgestellt. Das Paper definierte einen Benchmark aus tausenden Anfragen, um die Sichtbarkeit einer Marke in generierten Antworten zu messen, und zeigte in einem kontrollierten Experiment, dass sich diese Sichtbarkeit gezielt verschieben lässt.

Das Paper erschien zu einem bestimmten Zeitpunkt. Google hatte die Search Generative Experience (SGE) auf der Google I/O am 10. Mai 2023 vorgestellt, eine experimentelle Ebene, nur über Search Labs verfügbar. Das änderte sich am 14. Mai 2024, ebenfalls auf der Google I/O, als Google die Beta beendete, sie in AI Overviews umbenannte und sie standardmäßig in den USA anzeigte.

Seitdem ist jede Plattform einen eigenen Weg gegangen. Google integriert AI Overviews direkt in die Suche und bietet mit AI Mode eine vollständige Konversationserfahrung. Perplexity wurde von Anfang an als Antwortmaschine mit sichtbaren Zitaten in jedem Ergebnis gebaut. ChatGPT erhielt Web-Navigation zusätzlich zu seinem trainierten Wissen, und Microsoft übertrug denselben Ansatz auf Copilot, gestützt auf Bing. GEO ist damit keine Technik mehr für eine einzelne Suchmaschine: Heute ist es eine Disziplin, die für jede Engine einzeln bearbeitet werden muss, weil jede unterschiedlich entscheidet, welche Quellen sie abruft und wie sie zitiert.

Die wirksamsten Praktiken im GEO ersetzen SEO nicht, sie erweitern es in eine andere Richtung. Zitierbarer Inhalt ist die Basis: KI-Systeme zitieren konkrete Fragmente, keine ganzen Absätze, weshalb ein Text in kurzen Abschnitten, mit überprüfbaren Daten und im Frage-Antwort-Format bessere Chancen hat, ausgewählt zu werden.

Thematische Autorität (Topical Authority) wiegt im GEO schwerer als im klassischen SEO, weil ein generatives Modell keine isolierte URL bewertet, sondern ob eine Marke ein Thema mit genügend Tiefe abdeckt, um als verlässliche Quelle zu gelten. Ein einzelner gut optimierter Artikel bringt weniger als ein Set an Inhalten, das das Thema aus mehreren verwandten Blickwinkeln abdeckt.

Schema Markup (FAQPage, HowTo, Article) hilft einem Crawler oder Retrieval-System, die Struktur des Inhalts zu verstehen, ohne sie aus dem sichtbaren HTML interpretieren zu müssen, was die Fehlerquote beim Extrahieren eines Fragments senkt. Digital PR, Erwähnungen in Referenzmedien und auf Wikipedia, bleibt relevant, weil diese Quellen im Training und bei der Quellenauswahl meist stärker wiegen als eine Erwähnung im eigenen Blog.

Es gibt außerdem einen aufkommenden Standard, llms.txt, vorgeschlagen von Jeremy Howard (Answer.AI) am 3. September 2024: eine Datei im Root der Domain, die den wichtigsten Inhalt der Seite zusammenfasst. Vorsicht ist angebracht: Kein großer KI-Anbieter, weder OpenAI noch Google noch Anthropic, hat offiziell bestätigt, ihn zum Crawlen zu nutzen, weshalb er heute ein ergänzendes Signal ist, keine Sichtbarkeitsgarantie.

Am Ende schließt die Beobachtung den Kreis: Ohne zu messen, welche Modelle eine Marke erwähnen, an welcher Position und in welchem Kontext, ist jede Inhaltsänderung eine Wette ins Blaue. Werkzeuge wie der AI Visibility Tracker machen aus dieser Frage einen wiederholbaren Wert. Im Hintergrund bleibt E-E-A-T wichtig, Erfahrung, Expertise, Autorität und Vertrauenswürdigkeit, dieselben Kriterien, die Google zur Inhaltsbewertung nutzt.

• Jeden Abschnitt als vollständigen, eigenständigen Gedanken strukturieren, abrufbar als unabhängiges Fragment, ohne vom vorherigen Absatz abzuhängen.
• Konkrete, überprüfbare Daten ergänzen, eigene Zahlen, Datumsangaben, Primärquellen, statt allgemeiner Behauptungen.
• Inhalt mit Schema.org auszeichnen (FAQPage, HowTo, Article), damit die Struktur über das visuelle Design hinaus explizit ist.
• Seiten, die zitiert werden sollen, für KI-Crawler zugänglich halten (GPTBot, PerplexityBot, Google-Extended).
• Erwähnungen in Medien und auf Wikipedia über Digital PR anstreben: Diese Quellen wiegen mehr als eigener Inhalt.
• Inhalt mit sichtbarem Erstellungs- und Aktualisierungsdatum veröffentlichen, weil ein RAG-System Informationen bevorzugt, die es als aktuell verifizieren kann.
• Markensichtbarkeit pro Modell (ChatGPT, Gemini, Perplexity, Copilot) regelmäßig messen, nicht als einmalige Prüfung.

• GEO als Kopie von SEO unter anderem Namen behandeln, obwohl es tatsächlich darum konkurriert, innerhalb eines generierten Textes zitiert zu werden, nicht um eine Position in einer Liste.
• KI-Crawler in robots.txt blockieren und gleichzeitig erwarten, in den Antworten genau dieser Modelle zu erscheinen.
• Sich allein auf llms.txt als Sichtbarkeitsstrategie verlassen, ohne thematische Autorität oder Digital PR aufzubauen, obwohl kein großer Anbieter die Nutzung bestätigt hat.
• Inhalt ohne sichtbares Datum oder erkennbaren Autor veröffentlichen, was es einem Modell erschwert, ihn als aktuelle, verlässliche Quelle zu behandeln.
• Erfolg nur am KI-Referral-Traffic messen und dabei Erwähnungen ohne Link ignorieren, die häufigste Form, in der eine Marke in diesen Antworten auftaucht.
• Ergebnisse innerhalb weniger Wochen erwarten: Modelle aktualisieren trainiertes Wissen und abgerufene Quellen in Zyklen, die die Marke nicht kontrolliert, weshalb der Effekt nicht sofort eintritt.