Generative Engine Optimization (GEO)
Definition: Generative Engine Optimization
Generative Engine Optimization bezeichnet die gezielte Aufbereitung von Unternehmensinformationen und Inhalten mit dem Ziel, in den Antworten generativer KI-Systeme (Large Language Models) wie ChatGPT, Perplexity oder Gemini als Anbieter genannt zu werden. Der Begriff wird in der Praxis häufig synonym mit AI SEO oder LLMO verwendet; im deutschsprachigen Raum hat sich zusätzlich KI-Sichtbarkeit als Oberbegriff für das messbare Ergebnis etabliert.
Der zentrale Unterschied zur klassischen Suchmaschinenoptimierung: Eine Suchmaschine liefert eine Ergebnisliste mit zehn Plätzen. Ein Sprachmodell nennt in seiner Antwort in der Regel drei bis fünf Anbieter in einem einzigen Fließtext, eingebettet statt aufgelistet. Einen vierten Platz oder eine zweite Seite gibt es nicht.
Woher stammt der Begriff?
Der Begriff wurde 2023 in der Forschungsarbeit „GEO: Generative Engine Optimization" von Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan und Ameet Deshpande eingeführt (Princeton University, Georgia Tech und IIT Delhi). Die Arbeit erschien zunächst als Preprint und wurde 2024 auf der ACM-SIGKDD-Konferenz vorgestellt, einer der renommiertesten Konferenzen für Data Mining und Knowledge Discovery.
Die Forschungsgruppe testete neun unterschiedliche Anpassungen an Web-Inhalten und maß deren Wirkung auf die Nennungshäufigkeit in KI-generierten Antworten. Ein Ergebnis sticht heraus: Klassisches Keyword-Stuffing schnitt schlechter ab als unveränderte Ausgangsinhalte. Am stärksten wirkten dagegen Zitate aus glaubwürdigen Quellen, konkrete Statistiken mit Kontext und explizit benannte Quellenangaben — die Effekte fielen je nach Themenfeld unterschiedlich stark aus.
GEO und SEO: Verwandte Disziplinen, unterschiedliche Logik
GEO und SEO teilen sich eine Grundannahme: Sichtbarkeit entsteht nicht zufällig, sondern durch Signale, die ein System als relevant und vertrauenswürdig einstuft. Die Mechanik dahinter unterscheidet sich jedoch deutlich.
- SEO optimiert für Ranking-Algorithmen, die Webseiten anhand von Keywords, Backlinks und technischen Faktoren in eine Reihenfolge bringen. Der Nutzer sieht eine Liste und wählt selbst aus.
- GEO optimiert für Sprachmodelle, die Inhalte aus mehreren Quellen zusammenfassen und die Auswahl bereits selbst treffen. Der Nutzer sieht das Ergebnis dieser Auswahl, nicht den Auswahlprozess.
Ein Unternehmen kann bei Google auf Position eins stehen und in KI-Antworten dennoch unerwähnt bleiben, weil beide Systeme unterschiedliche Signale gewichten.
Die drei Bausteine von GEO
Content-Signale Klare, aktuelle und faktenbasierte Inhalte, die Fragen unterschiedlicher Zielgruppen direkt beantworten. Definitionssätze, konkrete Zahlen mit Kontext und eindeutige Aussagen ohne Verweis auf vorherige Absätze werden von Modellen bevorzugt extrahiert.
Externe Autoritätssignale Erwähnungen in Fachmedien, Verzeichnissen, Studien und auf Bewertungsplattformen. Sprachmodelle stützen ihre Antworten überwiegend auf Drittquellen, nicht auf Selbstauskunft der eigenen Website.
Technische Zitierfähigkeit Saubere Struktur mit klarer Überschriftenhierarchie, in sich abgeschlossenen Absätzen und maschinenlesbaren Daten (etwa Schema.org-Markup). Diese Ebene entscheidet, ob ein Modell einen Inhalt technisch überhaupt zuverlässig extrahieren kann.
Wie lässt sich GEO messen?
Sprachmodelle antworten nicht deterministisch — dieselbe Frage kann bei wiederholter Abfrage unterschiedliche Ergebnisse liefern. Messbar ist daher nicht die einzelne Antwort, sondern die Häufigkeit einer Nennung über standardisierte, wiederholte Abfragen hinweg, vergleichbar mit der Auswertung wiederkehrender Ereignisse in einem Process Mining-Ansatz: Nicht das einzelne Ereignis zählt, sondern das Muster über viele Wiederholungen.
Ein Praxisbeispiel aus dem lokalen Dienstleistungsbereich: Ein Rohr- und Kanalservice mit Standorten in Bremen, Hannover und Berlin steigerte seinen Share of Voice in KI-Antworten innerhalb von sechs Wochen von 37 auf 58 Prozent, nachdem bestehende Inhaltsseiten inhaltlich und technisch überarbeitet wurden — ohne neue Website. Entscheidend für die Messung war dabei dieselbe Disziplin wie bei jeder datengestützten Prozessanalyse: eindeutige Erfassungskriterien und vollständige, konsistente Ausgangsdaten, wie sie auch in der Prozessdokumentation gefordert werden.
Für welche Unternehmen ist GEO relevant?
Besonders relevant ist GEO für Unternehmen mit erklärungsbedürftigen Leistungen und mehreren Entscheidern im Kaufprozess, etwa im B2B-Software- und Dienstleistungsumfeld: Hier prüfen unterschiedliche Rollen — fachlich, technisch, kaufmännisch — jeweils eigene Fragen, und ein KI-System kann diese Rollen mit unterschiedlichen Anbietersets beantworten. Aber auch lokal tätige Dienstleister mit vielen vergleichbaren Wettbewerbern profitieren, sobald Interessenten KI-Systeme statt klassischer Suche zur Vorauswahl nutzen.
UNYKA misst diese Sichtbarkeit mit dem eigens entwickelten Tool citbl entlang eines Buying-Center-Ansatzes: Statt einzelner Stichproben werden für jede relevante Rolle im Entscheidungsprozess – etwa Einkauf, Technik, IT, Compliance und Geschäftsführung – eigene Prompt-Sets über mehrere KI-Systeme hinweg ausgewertet. So lässt sich nachvollziehen, in welchen Phasen der Buying Journey ein Unternehmen in generativen Antworten tatsächlich sichtbar ist – und wo nicht.
Fazit
Generative Engine Optimization ist keine Erweiterung von SEO um ein neues Kürzel, sondern eine eigene Disziplin mit eigener Mechanik: Sprachmodelle wählen aus und fassen zusammen, statt zu verlisten. Wer verstehen will, ob und wie ein Unternehmen in KI-Antworten vorkommt, braucht dafür eine eigene, wiederholbare Messmethodik — und die Bereitschaft, Sichtbarkeit über Quellen aufzubauen, die außerhalb der eigenen Website liegen.
Siehe auch:
Quellen und Einzelnachweise:
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. (2023/2024): GEO: Generative Engine Optimization. Preprint 2023, vorgestellt auf der 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024). arXiv:2311.09735
- Praxisdaten: eigene Erhebung, citbl by UNYKA (siehe Praxisbeispiel im Text)
Weblinks:
- unyka.de/antworten/ki-sichtbarkeit — Grundlagenseite zu KI-Sichtbarkeit
- citbl.com — Tool zur Messung von KI-Sichtbarkeit
Wissensdatenbank-Partner und Autoren:
Autoren:
- Nikolai Gogoll (unyka.de/nikolai-gogoll, LinkedIn) — Gründer und Geschäftsführer, UNYKA