GEO nach SEO. Was kann in der KI-Suche tatsächlich optimiert werden?

Der GEO-Markt bezeichnet oft jedes wünschenswerte Ergebnis als „Optimierung“: Auswahl der Quellen, Zitation, Markenintegration, vorteilhafte Darstellung und sogar Empfehlung. Dies ist ein Kategoriefehler.

Eine Marke kann ihre Website, Zugangsbedingungen, Informationsarchitektur, Inhalte, Ansprüche und einige der an externe Plattformen übermittelten Daten ändern. Sie kann jedoch kein Retrieval-System anweisen, ein bestimmtes Dokument auszuwählen. Sie kann keine Zitation erzwingen oder bestimmen, wie ein Modell seine Quellen synthetisieren wird. Auch die endgültige Empfehlung liegt nicht in ihrer Kontrolle.

Ein reifer Ansatz zur Generative Engine Optimisation (GEO) erfordert daher drei unterschiedliche Handlungsmodi:

• direkte Optimierung kontrollierter Ressourcen und Bedingungen;

• indirekte Beeinflussung, wie Informationen ausgewählt und verwendet werden;

• Überwachung von Ergebnissen, die außerhalb der Kontrolle der Marke liegen.

Einfacher ausgedrückt:

GEO ist nicht die Optimierung der Antwort eines Modells. Es ist die Optimierung kontrollierter Bedingungen, ein Versuch, Zwischenprozesse zu beeinflussen, und die Messung einer Darstellung, die die Marke nicht kontrolliert.

„Nach SEO“ bedeutet nicht „ohne SEO“

Das Wort „nach“ deutet nicht darauf hin, dass GEO SEO ersetzt. Es bezieht sich auf die späteren Phasen des Informationsflusses – den Punkt, an dem ein verfügbares Dokument abgerufen, ausgewählt, verwendet und in eine Antwort umgewandelt werden kann.

Für die generativen Funktionen von Google Search bleiben die grundlegenden Anforderungen von SEO eine Eintrittsbedingung. Google erklärt, dass AI Overviews und AI Mode seine Kernqualitäts- und Rankingsysteme, Retrieval-Augmented Generation (RAG) und Query-Fan-Out nutzen. Eine Seite muss indexiert und berechtigt sein, mit einem Snippet angezeigt zu werden, aber das Erfüllen dieser Bedingungen garantiert nicht das Crawlen, die Indizierung oder die Präsentation.

Nicht jedes System erreicht Informationen über denselben Weg.

OpenAI unterscheidet den automatisierten OAI-SearchBot von ChatGPT-User, der möglicherweise aufgrund einer Benutzeraktion eine Seite besucht. Anthropic weist Claude-SearchBot und Claude-User separate Rollen zu. Perplexity unterscheidet ebenfalls zwischen PerplexityBot und Perplexity-User, wobei die benutzerinitiierte Abfrage möglicherweise unter anderen Regeln als die automatisierte Indizierung funktioniert.

Der Umfang dieses Artikels

Im gesamten Artikel wird der Begriff generatives Suchsystem als Oberbegriff verwendet. Er impliziert nicht, dass jedes Produkt dieselbe Architektur hat.

Die Sequenz:

Zugriff → Abruf → Quellenauswahl → Zitation → Absorption → Synthese → Darstellung → Empfehlung

ist ein analytisches Modell. In einem bestimmten System können einige Phasen iterativ, parallel, verborgen oder nicht vorhanden sein.

Was sollte GEO bedeuten?

Drei konkurrierende Definitionen können in der akademischen Forschung und im Branchendiskurs identifiziert werden.

Die ursprüngliche Studie „GEO: Generative Engine Optimization“ definierte GEO als ein Black-Box-Optimierungsframework, das darauf abzielt, die Sichtbarkeit von Inhalten innerhalb von generativen Engine-Antworten zu erhöhen. Die Forscher modifizierten Dokumente und maßen Änderungen in ihrer Sichtbarkeit. Das berichtete Ergebnis von „bis zu 40%“ bezog sich auf einen spezifischen Benchmark, seine eigenen Sichtbarkeitsmetriken und eine kontrollierte Forschungsumgebung – es ist kein Benchmark für aktuelle Produktionssysteme.

Aus der Perspektive von Google sind Answer Engine Optimisation (AEO) und GEO branchenspezifische Begriffe, die sich auf die Sichtbarkeit in KI-Sucherlebnissen beziehen, aber die Optimierung für AI Overviews und AI Mode bleibt Teil der Google-Suchoptimierung. Google verlangt keine llms.txt, spezielle Markup, künstliches Chunking oder einen separaten Schreibstil für KI-Systeme.

Beide Definitionen sind nützlich, bieten jedoch keine ausreichend neutrale Definition der Disziplin.

Eine operationale Definition

Generative Engine Optimisation ist die evidenzbasierte Praxis, kontrollierbare Informationsressourcen und Zugangsbedingungen zu modifizieren, um bessere Bedingungen für generative Suchsysteme zu schaffen, um Informationen zu finden, auszuwählen, zu verwenden und genau darzustellen – während Ergebnisse gemessen werden, die außerhalb der direkten Kontrolle der Marke liegen.

Diese Definition schließt ein:

• direkte Kontrolle der Antwort;

• Training oder Feinabstimmung des Modells eines Anbieters;

• jede SEO- oder PR-Aktivität;

• nur Überwachung;

• Gewährleistung einer Erwähnung, Zitation oder Empfehlung.

GEO, AEO, LLMO und KI-Sichtbarkeit

Diese Begriffe beschreiben sich überschneidende, aber unterschiedliche Objekte.

KI-Sichtbarkeit ist ein Messbereich, kein Synonym für GEO.

Eine Marke kann häufig erwähnt werden, aber ungenau beschrieben sein. Sie kann Zitationen erhalten, ohne empfohlen zu werden. Sie kann konstant als Informationsquelle erscheinen, jedoch nicht als Anbieter der relevanten Lösung.

Die GEO-Kontrolloberfläche

Die GEO-Kontrolloberfläche, vorgeschlagen von Brand Semantics, organisiert Aktivitäten entsprechend dem Maß an Handlungsmacht, das der Marke zur Verfügung steht.

Das Modell legt nicht fest, dass jedes Element ausschließlich einer Kategorie angehört. Zitation ist beispielsweise ein Prozess, den eine Marke zu beeinflussen versuchen kann, und ein Ergebnis, das sie beobachten muss.

Die Klassifizierung beschreibt den angemessenen Managementmodus, nicht nur die Position des Elements innerhalb einer Pipeline.

Was Marken direkt optimieren können

Direkte Optimierung ist möglich, wenn eine Marke das Objekt des Eingriffs kontrolliert und überprüfen kann, dass die Änderung umgesetzt wurde.

Technischer Zugang ist kontrollierbar; Integration nicht

In Google Search kann eine Marke kontrollieren, ob ihre Seiten technisch für Crawling, Indizierung und Snippet-Präsentation verfügbar sind. Sie kann jedoch nicht garantieren, dass Google eine Seite indiziert oder sie innerhalb einer generativen Funktion anzeigt.

Die gleiche Unterscheidung gilt für andere Plattformen:

• OAI-SearchBot unterstützt die Integration von Seiten in ChatGPT-Suchfunktionen, während GPTBot sich auf Inhalte bezieht, die möglicherweise in der Modellentwicklung verwendet werden. Die Kontrollen sind unabhängig.

• Claude-SearchBot unterstützt die Indizierung, die darauf abzielt, die Qualität, Relevanz und Genauigkeit von Claudes Suchergebnissen zu verbessern, während Claude-User den von Benutzern initiierten Abruf bearbeitet.

• PerplexityBot unterstützt Suchoberflächen, während Perplexity-User möglicherweise eine Seite als Antwort auf eine Benutzeranfrage besucht. Perplexity gibt an, dass letzterer in der Regel robots.txt ignoriert, da der Abruf benutzerinitiiert ist.

Es gibt daher keine einzelne Entscheidung „AI erlauben“ oder „AI blockieren“. Automatisierte Indizierung, Abruf auf Anfrage, Modellentwicklung und Regeln der Web Application Firewall (WAF) müssen separat betrachtet werden.

Inhalte, Ansprüche und strukturierte Daten

Eine Marke kann Folgendes verbessern:

• die Präzision ihrer Definitionen;

• die Transparenz ihrer Methodik;

• die Qualität ihrer Daten;

• die Klarheit ihrer Quellen;

• die Struktur ihres Arguments;

• die Aktualität ihrer Informationen;

• die Unterscheidung zwischen Fakten, Interpretationen und Einschränkungen;

• die Konsistenz von Namen, Produkten und Kategorien.

Dies impliziert nicht die Existenz eines universellen Schreibstils, der eine Zitation garantiert.

Google empfiehlt nützliche, unverwechselbare und nicht commoditisierte Inhalte, lehnt jedoch die Notwendigkeit eines speziellen Schreibstils für generative Suche, eine ideale Dokumentlänge oder die künstliche Aufteilung von Inhalten in kurze Fragmente ab.

Strukturierte Daten sind ebenfalls ein kontrollierbares Element. Sie können Google Search helfen, sichtbare Inhalte zu verstehen und die Berechtigung für bestimmte Rich Results zu bestimmen, aber eine technisch korrekte Implementierung garantiert nicht, dass diese Ergebnisse angezeigt werden. Strukturierte Daten müssen Informationen widerspiegeln, die dem Benutzer zur Verfügung stehen.

Das detaillierte Design von Entitäts-, Anspruchs- und Quellenkarten wird in Brand Semantics Infrastructure: Wie man KI-Suche dazu bringt, Ihre Marke korrekt zu verstehen behandelt. Hier sind diese Elemente als kontrollierbare Eingaben wichtig – nicht als Garantie für die endgültige Darstellung.

Was nur beeinflusst werden kann

Eine Marke kann bessere Bedingungen für Abruf, Quellenauswahl und genaue Synthese schaffen, aber sie kontrolliert diese Entscheidungen nicht.

Abruf und Quellenauswahl

Potenzielle Eingriffe umfassen:

• technische Zugänglichkeit;

• semantische Übereinstimmung zwischen dem Dokument und der Abfrage;

• klare Terminologie;

• die Präsenz relevanter Ansprüche;

• aktuelle Daten;

• Verfügbarkeit in der Sprache des Benutzers;

• externe Quellen, die wichtige Informationen bestätigen.

Der vollständige Kandidatensatz, alle Hilfsabfragen und die von der Plattform angewendeten Gewichtungen bleiben jedoch unbekannt. Abruf und Quellenauswahl sind daher Bereiche des Einflusses und teilweise nicht beobachtbare Prozesse.

Das Fehlen einer sichtbaren Zitation bedeutet nicht, dass eine Quelle keine Rolle beim Abruf oder der Generierung gespielt hat. Ohne Zugang zu den internen Protokollen der Plattform bleibt ein Teil des Prozesses nicht beobachtbar. Eine spezifische unsichtbare Quelle sollte nicht ohne zusätzliche Beweise dafür verantwortlich gemacht werden, eine Antwort geformt zu haben.

Zitation und Absorption sind nicht dasselbe

Eine Marke kann ein Dokument verbessern, aber sie kann keine Zitationsrate auf der Seite umsetzen.

Zitationsrate ist ein Ergebnis, kein Optimierungsobjekt.

Die Studie „Von der Zitationsauswahl zur Zitationsabsorption“ unterscheidet zwischen:

• Zitationsauswahl – die Auswahl und Präsentation einer Quelle;

• Zitationsabsorption – der Einfluss der zitierten Seite auf die Sprache, Fakten, Beweise oder Struktur der Antwort.

Innerhalb des analysierten Datensatzes waren die Breite und Tiefe des Einflusses der Zitation nicht gleichwertig. Die Studie stellte auch fest, dass Seiten mit größerem beobachteten Einfluss eher gut strukturiert, semantisch abgestimmt und reich an extrahierbaren Beweisen waren. Dies sind beschreibende Beziehungen, nicht der Beweis, dass eine einzige strukturelle Änderung zu höherer Absorption führen wird. Die Veröffentlichung ist ein Preprint.

Eine vollständige Methodik zur Unterscheidung zwischen Zitation und Absorption erfordert eine separate Analyse. Für die Zwecke dieses Modells ist die relevante Unterscheidung:

• Struktur und Beweise sind kontrollierbare Eingaben;

• Zitationsauswahl und Absorption sind Bereiche des Einflusses;

• Zitationsrate und Anspruchsabsorption sind beobachtbare Ergebnisse.

Externe Quellen

Digitale PR, Verlegerbeziehungen und die Korrektur externer Quellen können GEO unterstützen, aber nicht jede Erwähnung ist ein GEO-Eingriff.

Eine externe Veröffentlichung wird Teil eines GEO-Programms, wenn sie:

1. einen definierten Anspruch oder eine Entitätsbeziehung unterstützt;

2. eine spezifische Quellenlücke anspricht;

3. mit einer expliziten Einfluss-Hypothese verbunden ist;

4. anschließend auf Auswahl, Zitation oder Repräsentation überwacht wird.

Die Marke kontrolliert ihre eigenen Daten, Forschungen und Outreach. Sie kontrolliert nicht die redaktionelle Entscheidung des Verlegers oder die nachfolgende Auswahl der Veröffentlichung durch das System.

Eine vollständige Analyse von eigenen, verdienten und Drittquellen gehört woanders in den Inhaltscluster. Dieser Artikel klassifiziert sie nur nach dem verfügbaren Kontrollniveau.

Rahmung und Empfehlung

Eine Marke kann:

• ihre Kategorie klar definieren;

• relevante Anwendungsfälle und Einschränkungen erklären;

• Vergleiche basierend auf expliziten Kriterien veröffentlichen;

• ungenaue Informationen korrigieren;

• Konsistenz zwischen ihrem Angebot, Publikum und dem Problem, das sie löst, aufbauen.

Sie kann jedoch nicht bestimmen, ob ein System sie als erste Empfehlung, eine von mehreren Optionen, eine Nischenlösung oder eine Marke präsentiert, die im Szenario irrelevant ist.

Empfehlungsrate, Antwortrelevanz und Rahmung sind beobachtbare Ergebnisse. Zu behaupten, dass eine Marke „Empfehlungen optimieren“ kann, weist ihr ein Maß an Kontrolle zu, das sie nicht besitzt.

Beispiel: Ein Asset, vier Handlungsebenen

Angenommen, ein Anbieter von B2B-Software veröffentlicht seinen eigenen Bericht, der Methoden zur Messung der Prozesseffizienz vergleicht.

Das Beispiel zeigt, warum eine Erhöhung der Zitationsrate nicht als „Implementierung von Zitationen“ beschrieben werden sollte. Die Marke hat einen Bericht veröffentlicht, ihr Quellenumfeld verbessert oder die Verfügbarkeit erhöht. Zitation ist ein nachgelagertes Ergebnis.

Was primär überwacht werden sollte

KI-Sichtbarkeit ist keine einzelne Kennzahl.