GEO — Generative Engine Optimization: Grundlagen, Strategien und Messung
Klassisches SEO optimiert für Suchmaschinen, die Links auflisten. GEO optimiert für KI-Systeme, die Antworten formulieren. Beide arbeiten mit denselben Inhalten — aber mit unterschiedlichen Gewichtungen und Mechanismen. Wer GEO versteht, weiß, warum manche Marken in ChatGPT oder Perplexity regelmäßig auftauchen und andere nicht existieren.
Was ist GEO?
GEO — Generative Engine Optimization — ist die Disziplin, Inhalte und Markensignale so zu gestalten, dass KI-gestützte Antwortgeneratoren sie als verlässliche Quelle heranziehen. Der Begriff wurde 2023 in einer akademischen Studie der Princeton University geprägt und hat sich seitdem als Sammelbegriff für alle Maßnahmen etabliert, die auf Sichtbarkeit in generativen KI-Systemen abzielen.
GEO ist nicht der Ersatz für SEO — es ist die Ergänzung. Beide setzen auf hochwertige Inhalte, strukturierte Daten und externe Autorität. GEO legt stärkeres Gewicht auf Zitierbarkeit, semantische Präzision und Markenkonsistenz über das gesamte digitale Ökosystem hinweg.
Wie GEO sich von klassischem SEO unterscheidet
Der Mechanismus: Fanout Queries statt Keyword-Matching
Wenn ein Nutzer ChatGPT, Perplexity oder Googles AI Overviews eine Frage stellt, reagiert das System nicht mit einem einfachen Keyword-Abgleich. Es zerlegt den Prompt intern in mehrere spezifische Suchanfragen — sogenannte Fanout Queries — und führt diese gegen einen Suchindex aus. Die Ergebnisse werden dann zu einer Antwort synthetisiert.
Das bedeutet: Wer für GEO optimiert, muss für Suchanfragen sichtbar sein, die kein Nutzer direkt eingegeben hat — sondern die ein KI-System selbst generiert hat. Diese Queries sind oft spezifischer, fachlicher und anders formuliert als typische Nutzereingaben.
Klicks sind nicht das Ziel
Klassisches SEO misst Erfolg primär über Klicks. GEO-Sichtbarkeit erzeugt keine messbaren Klicks — sie erzeugt Awareness. Eine Marke, die in ChatGPT als Empfehlung erscheint, bekommt keinen direkten Klick in der Analytics — aber einen nachgelagerten Branded Search, wenn der Nutzer die erwähnte Marke anschließend googelt. Wachsender Brand Traffic ohne erklärbaren Paid-Auslöser ist derzeit einer der verlässlichsten indirekten GEO-Indikatoren.
Ranking-Signale mit anderen Gewichtungen
Eine Ahrefs-Analyse von 75.000 Marken zeigt: Brand Mentions (also externe Erwähnungen der Marke) korrelieren mit KI-Sichtbarkeit stärker als Backlinks (Korrelation 0,664 vs. 0,218). Das ist ein fundamentaler Unterschied zu klassischem SEO, wo Backlinks seit Jahren das zentrale Rankingsignal sind. Für GEO gilt: Wer in seriösen Quellen erwähnt wird — verlinkt oder nicht — baut Sichtbarkeit in KI-Systemen auf.
Die vier GEO-Hebel
1. Topical Authority: thematische Tiefe als Grundlage
LLMs bevorzugen Quellen, die ein Thema erschöpfend abdecken. Eine Domain, die zu einem Themenfeld nur oberflächliche Inhalte hat, wird seltener als Quelle herangezogen als eine mit echter thematischer Tiefe. Der Aufbau von Topical Authority — durch thematisch breit und tief aufgestellte Inhalte, strukturiert über Pillar-Pages und Cluster-Seiten — ist damit gleichzeitig SEO- und GEO-Maßnahme.
2. Entitätserkennung: als Marke im Knowledge Graph präsent sein
KI-Systeme lernen aus dem öffentlichen Web und nutzen Googles Knowledge Graph als Faktenquelle. Marken, die als Entität erkannt werden — mit klarem Organization-Schema, Wikidata-Eintrag und konsistenten sameAs-Links — sind für KI-Systeme eindeutig identifizierbar und zuverlässig einem Themenfeld zuzuordnen. Marken ohne diese Signale werden von KI-Systemen entweder ignoriert oder falsch dargestellt.
3. Zitierbare Inhalte: Answer-First und faktische Dichte
RAG-Systeme (Retrieval-Augmented Generation) extrahieren bevorzugt Abschnitte, die eine Frage direkt und präzise beantworten. Die praktische Konsequenz: Die wichtigste Information muss am Anfang stehen, Formulierungen müssen konkret und überprüfbar sein, und Inhalte sollten ohne zusätzlichen Kontext zitierfähig sein. Ausführliche Guides zu diesem Prinzip liefert der Artikel LLM-Citations aufbauen.
4. Brand Mentions: externe Bestätigung aufbauen
LLMs lernen aus dem gesamten öffentlichen Web — nicht nur aus der eigenen Website. Erwähnungen in Fachmedien, Branchenblogs, Studienpublikationen und Community-Plattformen (Reddit, LinkedIn, YouTube-Transkripte) sind die Trainingsgrundlage, auf der KI-Systeme ihr Bild einer Marke aufbauen. Auch unverlinkte Erwähnungen zählen: Googles Named-Entity-Recognition verknüpft Markennamen mit Themenfeldern unabhängig von Hyperlinks.
GEO-Sichtbarkeit messen
Direkte GEO-Messung ist noch ein junges Feld. Drei Ansätze sind aktuell praktikabel:
ucited.ai: Fanout-Monitoring
ucited.ai fängt die Fanout Queries ab, die LLMs für einen definierten Prompt intern ausführen, und prüft für jede Query, ob der Client gerankt oder erwähnt ist. Der GEO-Score zeigt den Anteil der Fanout Queries mit Sichtbarkeit — ein direkter Messwert für GEO-Performance. Der Export lässt sich in den GEO-Tab von SEO-Quick-Audit laden und dort visualisieren.
Branded Search als indirekter Proxy
Wächst das Branded Search-Volumen in der Google Search Console ohne erklärbaren Paid-Auslöser, ist das ein Indikator für wachsende Markenbekanntheit durch KI-Erwähnungen. Das Muster: KI-Antwort enthält Marke → Nutzer googelt Markennamen → Brand-Klick in der GSC. Die Brand-vs-Non-Brand-Analyse macht diesen Trend sichtbar.
Manuelle Stichproben
Regelmäßig prüfen, wie ChatGPT, Perplexity und Gemini auf die 5–10 wichtigsten Branchenfragen antworten: Wird die Marke erwähnt? In welchem Kontext? Als Empfehlung, als Alternative oder gar nicht? Diese qualitativen Einblicke ergänzen quantitative Messung und zeigen, ob das Positioning konsistent ist.
GEO und SEO: Was sich teilen, was sich unterscheidet
Gemeinsame Grundlage
- Inhaltliche Qualität und thematische Tiefe
- Strukturierte Daten (Schema.org, FAQPage, Article)
- Technische Crawlbarkeit und Indexierung
- E-E-A-T-Signale: Autorschaft, Expertise, Vertrauenswürdigkeit
- Externe Bestätigung durch Drittquellen
GEO-spezifische Gewichtungen
- Brand Mentions > Backlinks: Für LLM-Sichtbarkeit sind unverlinkte Erwähnungen in seriösen Quellen wichtiger als reine Linkanzahl.
- Answer-First-Struktur: RAG-Systeme extrahieren den ersten relevanten Absatz — nicht die beste Seite der Domain.
- Entitätserkennung: Ohne klare Entitätssignale (Organization-Schema, Wikidata) ist eine Marke für KI-Systeme nicht eindeutig identifizierbar.
- Fanout-Sichtbarkeit: Nicht für Nutzereingaben optimieren, sondern für die internen Suchanfragen, die LLMs generieren.
GEO-Einstieg: Wo anfangen?
Wer mit GEO startet, hat typischerweise drei Prioritäten:
- Entitätsfundament legen: Organization-Schema, Wikidata-Eintrag, sameAs-Links — einmalig, aber wirkungsvoll.
- Topical Authority prüfen: Wo hat die Domain bereits thematische Tiefe — und wo gibt es Lücken? SEO-Quick-Audit zeigt die Themencluster auf YoY-Basis und macht Wachstum und Rückgang sichtbar.
- Fanout-Sichtbarkeit messen: ucited.ai für die wichtigsten Branchenprompts einrichten und GEO-Score als Baseline setzen.
