Was ist GEO? Generative Engine Optimization einfach erklärt

In diesem Artikel

Generative Engine Optimization, kurz GEO, bezeichnet die gezielte Arbeit daran, ob und wie eine Quelle, ein Unternehmen, eine Marke oder ein Produkt in generierten KI-Antworten erscheint. GEO kann beeinflussen, ob eine Marke genannt, wie sie beschrieben und welche Quelle zitiert wird. Garantieren lässt sich nichts davon.

In der Begriffswelt von aclipp gilt: GEO ist die Arbeit. KI-Sichtbarkeit ist das beobachtete Ergebnis. Diese Trennung verhindert, dass eine Maßnahme schon als Erfolg verkauft wird, bevor jemand ihre Wirkung gemessen hat.

Was bedeutet GEO?

GEO steht für Generative Engine Optimization. Der Begriff umfasst Content-, Suchmaschinen-, Kommunikations- und Messarbeit für generative Antwortsysteme wie Google AI Overviews und AI Mode, ChatGPT Search, Microsoft Copilot oder Perplexity.

Eine praktische Definition lautet:

Generative Engine Optimization bezeichnet die Arbeit daran, ob und wie eine Quelle oder Marke in generierten Antworten gefunden, ausgewählt, dargestellt und zitiert wird, sowie die Messung dieser Ergebnisse.

GEO besteht also nicht nur aus dem Überarbeiten einer Webseite. Ein generatives System muss relevante Informationen zunächst erreichen können. Danach kann es eine Seite abrufen, eine Passage auswählen, sie mit weiteren Quellen verbinden und daraus eine Antwort formulieren. In jeder dieser Stufen kann eine Marke aus dem Ergebnis fallen.

GEO bedeutet nicht, Texte für Maschinen statt für Menschen zu schreiben. Gute GEO-Arbeit führt meist zu klareren Fakten, besseren Belegen, verlässlicheren Quellen und weniger Widersprüchen. Davon profitieren auch menschliche Leserinnen und Leser.

Woher kommt der Begriff GEO?

Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan und Ameet Deshpande führten GEO als Forschungsansatz in "GEO: Generative Engine Optimization" ein. Die erste Fassung erschien im November 2023 auf arXiv. 2024 folgte eine begutachtete Veröffentlichung auf der KDD-Konferenz.

Das Paper untersucht ein neues Problem für Herausgeber von Webinhalten. Klassische Suchmaschinen zeigen geordnete Trefferlisten. Generative Systeme formulieren dagegen eine Antwort aus mehreren Quellen. Eine Quelle kann ausführlich zitiert, nur am Ende verlinkt, ohne sichtbaren Verweis verarbeitet oder ganz ausgelassen werden. Eine einzelne Rankingposition bildet diese Unterschiede nicht ab.

Die Forschenden entwickelten deshalb Sichtbarkeitsmetriken für generierte Antworten und testeten neun Arten, Quelltexte umzuschreiben. In ihrem kontrollierten Versuchsaufbau erhöhten passende Zitate, Statistiken oder Quellenverweise die Präsenz der ausgewählten Quelle bei einer ihrer Metriken um etwa 30 bis 40 Prozent.

Diese Ergebnisse werden oft zu groß ausgelegt. Für den Versuch standen die fünf besten Google-Treffer bereits fest. Das Team überarbeitete jeweils eine dieser Quellen und maß anschließend deren Anteil an der generierten Antwort. Auch der Perplexity-Test arbeitete mit hochgeladenen Quelldateien und nicht mit einer freien Websuche.

Die Studie belegt nicht, dass eine zusätzliche Statistik auf einer echten Webseite automatisch 40 Prozent mehr KI-Zitate, Traffic oder Umsatz bringt. Sie zeigt, dass Formulierung und Belege beeinflussen können, wie ausführlich ein bereits bereitgestellter Text in eine Antwort eingeht. Das ist ein wichtiger Befund, aber keine allgemeine Rankingformel.

Wie finden und verarbeiten generative Systeme Informationen?

Es gibt keinen einheitlichen Ablauf für alle Anbieter. Manche Antworten greifen auf eine aktuelle Websuche zurück. Andere stammen überwiegend aus dem Trainingswissen des Modells. Bei suchgestützten Antworten lassen sich vier typische Stufen unterscheiden.

1. Zugriff und Entdeckung

Das System oder sein Suchpartner muss wissen, dass eine Seite existiert, und auf sie zugreifen dürfen. Google entdeckt Seiten über Links und Sitemaps. OpenAI empfiehlt Herausgebern, OAI-SearchBot zuzulassen, wenn ihre Inhalte in Zusammenfassungen und Ausschnitten von ChatGPT Search vorkommen sollen. Der Zugriff macht eine Seite lediglich auffindbar. Er garantiert keine Auswahl.

2. Umformulierung und Abruf

Die Formulierung eines Prompts muss nicht der späteren Suchanfrage entsprechen. Google beschreibt ein Verfahren namens Query Fan-out. Dabei erzeugt das System mehrere verwandte Suchanfragen, um verschiedene Teile einer Frage abzudecken. Auch ChatGPT Search kann laut OpenAI einen Prompt in mehrere gezielte Anfragen umformulieren.

Anschließend ruft das System passende Seiten oder Passagen ab. Solide Suchmaschinenoptimierung bleibt deshalb wichtig. Viele generative Produkte greifen auf Suchindizes, eigene Crawler oder externe Suchpartner zurück.

Den vollständigen Ablauf erklärt Wie KI-Antworten Quellen finden und zitieren.

3. Auswahl und Formulierung

Das Modell wählt Informationen aus den abgerufenen Inhalten und verbindet sie zu einer Antwort. Ein Absatz kann sich auf mehrere Quellen stützen. Eine Marke kann genannt werden, ohne dass ihre eigene Webseite erscheint. Ebenso kann ein Medienbericht zitiert werden, der mehrere Unternehmen vergleicht.

4. Darstellung und Zitate

Die fertige Antwort kann eine Marke nennen, auslassen, empfehlen, kritisieren oder falsch darstellen. Verlinkte Quellen belegen einzelne Aussagen. Ihre Reihenfolge entspricht aber keinem klassischen Suchmaschinenranking. Eine Seite kann nur einen Nebensatz stützen, obwohl ihr Link weit oben erscheint.

Welches Problem löst GEO?

SEO-Reports beantworten Fragen zu Suchimpressionen, Positionen, Klicks, Sitzungen und Conversions. Für die Entdeckung innerhalb einer KI-Antwort reichen diese Daten nicht aus.

GEO ergänzt deshalb weitere Fragen:

• Erscheint die Marke bei relevanten Fragen ohne Markennennung im Prompt?
• Ist die Beschreibung korrekt und aktuell?
• Welche Wettbewerber erscheinen stattdessen?
• Auf welche Quellen stützt sich die Antwort?
• Werden eigene Inhalte, Earned Media, Bewertungen oder öffentliche Quellen zitiert?
• Gibt die Antwort wichtige Kernbotschaften korrekt wieder?

Diese Fragen sind besonders relevant, wenn bereits die Antwort eine Entscheidung beeinflusst. Wer Software vergleicht, einen Arbeitgeber prüft, die Reputation eines Unternehmens einschätzt oder eine Auswahlliste für Dienstleister erstellt, bekommt möglicherweise genügend Informationen, ohne eine Webseite zu besuchen.

Was gehört zu GEO?

GEO ist kein einzelner technischer Kniff. Es verbindet Aufgaben, die in Unternehmen häufig bei verschiedenen Teams liegen.

Für suchgestützte Systeme bildet technisches SEO die Grundlage. Google erklärt ausdrücklich, dass seine generativen Suchfunktionen auf den bestehenden Ranking- und Qualitätssystemen der Google-Suche aufbauen. Laut Google gibt es dafür weder ein spezielles GEO-Schema noch eine Pflicht für llms.txt, winzige Textblöcke oder eigens für KI umgeschriebene Inhalte.

Gleichzeitig zählt das gesamte Informationsumfeld. Die AMEC GEO Principles unterscheiden vorgelagerte Reputation, Such- und Content-Bereitschaft sowie die beobachteten KI-Ausgaben. Für Kommunikationsteams ist dieses Modell nützlich, weil KI-Antworten auf Medienberichten, Bewertungen, Expertenstimmen, öffentlichen Daten und eigenen Unternehmensseiten beruhen können.

Ein einfaches GEO-Beispiel

Nehmen wir ein fiktives Unternehmen für PR-Software. Es beobachtet die Frage: "Welche PR-Analytics-Plattformen verbinden Medienbeobachtung mit KI-Sichtbarkeit?"

In der Ausgangsmessung nennen die Antworten vier Wettbewerber, aber nicht das Unternehmen. Die meisten Zitate führen zu Softwareverzeichnissen und Fachmedien. Die eigene Webseite ist erreichbar, doch ihre Produktseite beschreibt KI-Sichtbarkeit nur mit allgemeinen Werbeaussagen und erklärt die Funktion nicht konkret.

Eine sinnvolle GEO-Reaktion wäre:

1. mehrere Ausgangsantworten bei den relevanten Anbietern zu speichern;
2. die zitierten Seiten und die damit belegten Aussagen zu prüfen;
3. allgemeine Produkttexte durch konkrete, überprüfbare Funktionen und aktuelle Dokumentation zu ersetzen;
4. widersprüchliche Beschreibungen auf eigenen Seiten und seriösen Drittprofilen zu korrigieren;
5. Journalistinnen, Journalisten und Fachmedien belastbare Daten oder Expertise für relevante Berichte anzubieten;
6. denselben Prompt-Satz erneut zu testen und Veränderungen über längere Zeit zu beobachten.

Eine einzelne verbesserte Antwort beweist noch nicht, dass eine bestimmte Änderung dafür verantwortlich war. Anbieter, Quellen, Modellversionen und Formulierungen wechseln. Aussagekräftiger wird das Ergebnis, wenn sich ein Muster über mehrere Messungen wiederholt und mit Besuchen, Conversions, Befragungen oder anderen Kommunikationszielen verbunden werden kann.

Wie lässt sich GEO messen?

Am Anfang steht eine feste Bibliothek echter Fragen von Kundschaft, Medien, Bewerbenden, Investoren oder anderen relevanten Gruppen. Dokumentiert Anbieter, Produkt, Land, Sprache, Prompt, Datum und wichtige Einstellungen. Wiederholt die Messung, denn eine einzelne KI-Antwort ist kein stabiles Ranking.

Geeignete GEO-Kennzahlen sind:

• Mention Rate: der Anteil relevanter Antworten, in denen die Marke vorkommt.
• Prominenz: an welcher Stelle und in welchem Umfang die Marke erscheint.
• Citation Rate: der Anteil der Antworten, die eine ausgewählte Domain oder Seite zitieren.
• Quellenmix: welche eigenen, redaktionellen, institutionellen, Bewertungs- oder Community-Quellen die Antworten stützen.
• Botschaftsgenauigkeit: ob die Antwort wichtige Fakten und Kernbotschaften korrekt wiedergibt.
• Darstellung: ob die Marke positiv, neutral, negativ oder irreführend beschrieben wird.
• Referral-Ergebnisse: Sitzungen, aktive Sitzungen, Conversions oder unterstützte Conversions aus KI-Plattformen, soweit sie messbar sind.

Fasst nicht alle Anbieter und Fragen zu einem unerklärten Gesamtwert zusammen. ChatGPT, Google, Copilot und Perplexity stellen unterschiedliche Daten bereit und erzeugen unterschiedliche Antworten. Der AMEC-Leitfaden zur GEO-Messung behandelt beobachtete KI-Antworten als richtungsweisende Evidenz. Kein einzelner Wert, kein Tool und kein Prompt-Satz belegt die gesamte KI-Sichtbarkeit oder Kommunikationswirkung.

GEO, AEO und LLMO

Für Sichtbarkeit in KI-gestützter Suche sind mehrere, stark überlappende Begriffe im Umlauf.

Es gibt keinen allgemein anerkannten Standard, der diese Begriffe scharf voneinander trennt. Google behandelt AEO und GEO innerhalb der eigenen generativen Suchfunktionen als Teil von SEO. Über mehrere Anbieter hinweg ist GEO trotzdem ein brauchbarer Oberbegriff, weil er die generierte Antwort als Messobjekt benennt.

Was kann GEO nicht versprechen?

Kein seriöser GEO-Anbieter kann eine Nennung, ein Zitat, eine Empfehlung oder einen festen Wortlaut garantieren. Generative Systeme sind proprietär und ändern sich laufend. Ihre Antworten hängen von Frage, Anbieter, Modell, Standort, Sprache, Kontext und Zeitpunkt ab.

GEO belegt außerdem nicht, dass ein Mensch die Antwort gesehen, ihr vertraut oder danach gehandelt hat. Sichtbarkeit ist zunächst ein beobachtetes Ergebnis. Für Geschäftswirkung braucht es zusätzliche Daten, etwa Referral-Conversions, Befragungen zu Bekanntheit oder Vertrauen, qualifizierte Leads oder Verkaufszahlen.

Das Ziel sollte nicht darin bestehen, das Web mit nahezu gleichen Seiten oder künstlichen Erwähnungen zu fluten. Sinnvolle GEO-Arbeit macht korrekte, nützliche, aktuelle und überprüfbare Informationen leichter auffindbar und schwerer missverständlich.

Wo sollten Unternehmen anfangen?

Beginnt mit dem vorhandenen SEO-Fundament. Macht wichtige Informationen zugänglich, veröffentlicht belastbare eigene Erkenntnisse und beseitigt Widersprüche in verlässlichen Quellen. Erstellt danach eine feste Prompt-Ausgangsmessung und beobachtet Nennungen, Zitate, Darstellung und Genauigkeit über Zeit.

Die Abgrenzung beider Disziplinen erklärt GEO vs. SEO: Was ist der Unterschied?. Das Messmodell beschreibt Was ist AI Visibility?. Wie aclipp Marken und Quellen in KI-Antworten beobachtet, seht ihr unter KI-Sichtbarkeit.