GEO erklärt: Wie Unternehmen in KI-Antworten sichtbar werden

Generative Engine Optimization, abgekürzt GEO, beschreibt die Arbeit daran, dass die Inhalte eines Unternehmens von KI-Antwortsystemen gefunden, verstanden und beim Formulieren einer Antwort herangezogen werden. Die Abgrenzung zur Suchmaschinenoptimierung ist einfach. SEO zielt darauf, dass ein Mensch in einer Trefferliste auf einen Link klickt. GEO zielt darauf, dass ein Sprachmodell einen Inhalt als Grundlage für seine Antwort verwendet.

Der Begriff ist jung. Er ist in der Fachdiskussion der vergangenen Jahre entstanden, daneben kursieren Bezeichnungen wie AI Search Optimization für dasselbe Anliegen. GEO ist kein Standard und kein von einem Anbieter definiertes Verfahren. Weder OpenAI noch Google, Microsoft, Perplexity oder Anthropic veröffentlichen eine Liste von Kriterien, nach denen ihre Systeme Quellen auswählen. Wer Ihnen einen dokumentierten GEO-Rankingfaktor verkauft, beschreibt etwas, das öffentlich nicht existiert.

Gesichert ist dagegen der Rahmen, in dem sich das Thema bewegt. KI-Antwortsysteme erzeugen ihre Antworten nicht allein aus sich heraus. Sie greifen auf Webinhalte zu und weisen einen Teil davon sichtbar als Quelle aus. Beobachten lässt sich das in Perplexity, in den Google AI-Übersichten, in ChatGPT mit aktivierter Websuche, in Microsoft Copilot und in Claude. Ebenso gesichert ist, dass die Betreiber Crawler mit eigenen, dokumentierten User-Agents einsetzen und dass strukturierte Daten maschinenlesbaren Kontext liefern. Alles darüber hinaus ist Auslegung.

Der auffälligste Unterschied ist die Form des Ergebnisses. Eine klassische Suche liefert eine Liste. Die KI-Antwort liefert einen formulierten Text, in dem einige wenige Quellen genannt werden. Für Anbieter verändert das die Ausgangslage grundlegend.

Hinzu kommt der Dialog. Nutzer stellen Rückfragen und lassen vergleichen. Die zweite und dritte Frage bauen auf der ersten Antwort auf und damit auf den dort verwendeten Quellen. Wer in der ersten Antwort fehlt, ist an der weiteren Unterhaltung meist nicht mehr beteiligt.

Für die Praxis lohnt es, zwei Wege zu unterscheiden. Der erste sind die Trainingsdaten. Ein Modell wird auf einem großen Textbestand trainiert, der zu einem bestimmten Zeitpunkt endet. Was danach entstanden ist, kennt das Modell aus sich heraus nicht. Auf diesen Bestand hat ein einzelnes Unternehmen kurzfristig keinen Einfluss. Er wird nicht laufend fortgeschrieben. Erst beim nächsten Training entsteht er neu.

Der zweite Weg ist der Abruf zur Laufzeit. Das System sucht während der Beantwortung im Web oder in einem Suchindex, liest einige Seiten und formuliert daraus seine Antwort. Perplexity arbeitet grundsätzlich so, ChatGPT und Claude tun es mit aktivierter Websuche, Microsoft Copilot stützt sich auf den Bing-Index, und die Google AI-Übersichten entstehen im Umfeld der regulären Google-Suche. Dass diese Abrufe stattfinden, ist nicht spekulativ. Man sieht die Quellenangaben in der Antwort und die Zugriffe im eigenen Server-Log.

Der Unterschied ist für Unternehmen deshalb wichtig, weil nur der zweite Weg kurzfristig beeinflussbar ist. Eine im letzten Quartal überarbeitete Leistungsseite, geänderte Öffnungszeiten oder ein neuer Standort können über den Live-Abruf in eine Antwort gelangen, während sie im Trainingswissen des Modells noch lange nicht vorkommen. Umgekehrt können veraltete Angaben, die irgendwo im Netz stehen geblieben sind, weiterhin auftauchen.

Ab hier verlassen wir gesichertes Gelände. Das sollte man beim Lesen jeder GEO-Empfehlung im Kopf behalten. Kein Anbieter dokumentiert, wie seine Systeme Quellen gewichten. Was folgt, ist eine begründete Einschätzung aus zwei Richtungen. Sie stützt sich darauf, was bei der Beobachtung vieler Antworten auffällt, und auf Bekanntes aus der Suchmaschinenoptimierung, das sich plausibel übertragen lässt. Es sind Arbeitshypothesen, keine Regeln.

Die folgenden Schritte sind nach steigendem Aufwand geordnet. Sie sind auch dann sinnvoll, wenn sich das Feld anders entwickelt als erwartet, weil keiner davon ausschließlich auf KI-Systeme einzahlt. So gehen wir auch in unserer eigenen Arbeit an der KI-Sichtbarkeit vor.

Der erste Schritt kostet eine halbe Stunde. Prüfen Sie in Ihrer robots.txt, ob die bekannten KI-Crawler Zugriff haben. Das ist eine bewusste Entscheidung. Manche Unternehmen wollen ihre Inhalte ausdrücklich nicht im Training sehen. Wer aber in Antworten vorkommen möchte, sollte den Zugriff nicht versehentlich sperren.

Der zweite Schritt ist Fleißarbeit. Vereinheitlichen Sie Ihre Unternehmensangaben überall dort, wo sie im Netz stehen. Gleiche Schreibweise, gleiche Adresse, gleiche Leistungsbeschreibung. Danach folgt die inhaltliche Arbeit. Formulieren Sie die Fragen aus, die Ihre Kunden im Erstgespräch tatsächlich stellen, und beantworten Sie sie auf der Website in klaren Abschnitten. Nennen Sie dabei Zahlen, Zeiträume und Einschränkungen, wo Sie welche haben.

Aufwendiger sind die letzten beiden Punkte. Strukturierte Daten nach Schema.org geben Maschinen einen ausdrücklichen Hinweis darauf, was auf einer Seite steht. Also Organisation, Standort, Leistung, Frage und Antwort. Dass sie maschinenlesbaren Kontext liefern, ist gesichert. Ob und wie generative Systeme sie auswerten, nicht. Und schließlich Erwähnungen außerhalb der eigenen Website. Das ist die langsamste Maßnahme und die einzige, die sich nicht durch Technik abkürzen lässt.

Die Messung bleibt vorerst unbefriedigend. Es gibt keine Search Console für KI-Antworten und keine Statistik darüber, in wie vielen Antworten ein Unternehmen genannt wurde. Auch nicht, warum. Wer Ihnen eine exakte GEO-Sichtbarkeitskennzahl präsentiert, hat sie selbst konstruiert.

Was bleibt, sind drei brauchbare Behelfe. Erstens manuelle Stichproben. Legen Sie eine feste Liste von zehn bis zwanzig Fragen an, wie Kunden sie formulieren würden. Stellen Sie diese in regelmäßigem Abstand in denselben Systemen und dokumentieren Sie Datum, System, exakte Frage und den Wortlaut der Antwort samt genannter Quellen. Erst über mehrere Monate entsteht daraus ein Bild. Eine einzelne Abfrage sagt wegen der Schwankungen wenig aus.

Zweitens die Server-Logs. Dort sind Zugriffe von KI-Crawlern anhand ihrer User-Agents erkennbar, etwa GPTBot oder PerplexityBot. Eine saubere Trennung gelingt allerdings nicht überall, weil Google und Microsoft ihre KI-Funktionen weitgehend auf bestehende Crawler und Indizes stützen. Drittens die Zugriffszahlen. In der Webanalyse tauchen Verweise von den Oberflächen der KI-Anbieter als eigene Quelle auf. Diese Zahlen sind belastbar, aber systematisch niedrig, weil viele Antworten ohne Klick enden. Wie sich Fragen in ChatGPT praktisch stellen und auswerten lassen, zeigen wir in einem eigenen Beitrag zur Praxis.

GEO ist kein Ersatz für Suchmaschinenoptimierung. Beide Wege stützen sich auf dieselben Grundlagen. Erreichbare Seiten, saubere Struktur, verständliche Inhalte. Was für Menschen in der Suche nicht auffindbar ist, wird auch für ein Sprachmodell kaum zur Quelle. Die Arbeit an Rankings und Seitenqualität läuft deshalb parallel weiter, solange ein erheblicher Teil der Nutzer klassisch sucht.

GEO ist auch kein Trick. Versuche, Systeme mit versteckten Textpassagen oder eingebauten Anweisungen zu beeinflussen, sind aus Sicht der Anbieter Manipulation, technisch leicht erkennbar und im Zweifel schädlich. Und schließlich ist GEO keine Garantie. Niemand kann zusagen, dass ein Unternehmen in einer KI-Antwort erscheint. Man kann die Voraussetzungen dafür schaffen, dass es überhaupt in Frage kommt. Die Entscheidung trifft ein System, dessen Auswahlkriterien nicht veröffentlicht sind und sich mit jeder Modellversion ändern können.