Generative Engine Optimization (GEO): Der Praxis-Guide

Was ist Generative Engine Optimization?

Generative Engine Optimization (GEO) umfasst alle Maßnahmen, mit denen Inhalte und Marken in KI-generierten Antworten sichtbar werden — in Google AI Overviews, ChatGPT, Perplexity, Copilot oder Gemini. Während klassisches SEO auf Rankings in Ergebnislisten zielt, zielt GEO darauf, dass generative Systeme die eigenen Inhalte als Quelle auswählen, zitieren und die Marke empfehlen. Die Kurzdefinition steht im Lexikon-Eintrag GEO; geprägt wurde der Begriff 2023 durch die Forschungsarbeit „GEO: Generative Engine Optimization" (Aggarwal et al.).

Neben GEO kursieren die Begriffe AEO (Answer Engine Optimization), LLMO (Large Language Model Optimization) und AIO — sie meinen zu großen Teilen dieselbe Arbeit mit unterschiedlichen Schwerpunkten. Die saubere Abgrenzung inklusive Vergleichstabelle: AEO, GEO, LLMO oder SEO?

Warum GEO jetzt relevant wird

Drei Entwicklungen laufen zusammen — alle beobachtbar, keine erfordert Prognose-Glauben:

• Google baut die KI-Antwort in die Suche ein. AI Overviews sind seit Mai 2024 in den USA und seit März 2025 auch in Deutschland Teil der regulären Suche und werden auf immer mehr Anfragetypen ausgeweitet; mit dem AI Mode testet Google eine vollständig konversationelle Suche.
• KI-Assistenten werden zum Recherche-Einstieg. ChatGPT, Perplexity und Copilot beantworten Produkt- und Anbieterfragen direkt — inklusive konkreter Empfehlungen. Wer dort nicht vorkommt, verliert Sichtbarkeit in einem Kanal, den klassische Rank-Tracker gar nicht erfassen.
• Antworten ersetzen Klicks. Steht die Antwort bereits in der Suche, sinkt der Anteil der Klicks auf die Ergebnisse darunter („Zero-Click"). Die verbleibende Aufmerksamkeit konzentriert sich auf die Quellen, die in der Antwort genannt werden — genau um diese Plätze geht es bei GEO.

Wichtig für die Einordnung: Die klassische Google-Suche bleibt auf absehbare Zeit der größte Kanal. GEO ersetzt SEO nicht, sondern erweitert es um eine neue Ausspielfläche — und baut technisch sogar darauf auf.

Von Klicks zu Nennungen: das neue Erfolgsmodell

Die vielleicht wichtigste mentale Umstellung: Im klassischen SEO ist der Klick die Währung — jede Optimierung zielt letztlich auf den Besuch der eigenen Website. In der KI-Suche kommt eine zweite Währung dazu, die ohne Klick funktioniert: die Nennung. Wenn ein Assistent auf die Frage nach empfehlenswerten Anbietern drei Marken nennt, hat die genannte Marke gewonnen — auch wenn niemand auf einen Link klickt. Die Empfehlung wirkt wie ein Verzeichnis-Eintrag an prominentester Stelle: Sie prägt die Shortlist, mit der Interessenten in die weitere Recherche gehen.

Für die Strategie heißt das: Beide Währungen brauchen eigene Maßnahmen und eigene Messung. Für Klicks bleibt die Frage „ranken wir, und ist unser Snippet attraktiv?". Für Nennungen lautet sie „kennen die Systeme unsere Marke, und in welchen Antworten taucht sie auf?" — eine Frage, die klassische Rank-Tracker nicht beantworten und für die es eigene Beobachtung braucht (Mess-Methoden). Wer nur Klicks misst, sieht den KI-Kanal systematisch nicht: Der Besuch, der aus einer ChatGPT-Empfehlung entsteht, kommt oft erst Tage später — als Marken-Suche oder Direktaufruf.

Wie generative Suchsysteme Quellen auswählen

Alle relevanten Systeme arbeiten nach demselben Grundprinzip: Retrieval-Augmented Generation (RAG). Das Sprachmodell beantwortet die Frage nicht allein aus seinem Trainingswissen, sondern ruft zunächst aktuelle Dokumente aus einem Suchindex ab und formuliert die Antwort auf deren Basis — mit Quellenlinks. Die Unterschiede liegen im Index:

System	Retrieval-Basis	Konsequenz für GEO
Google AI Overviews / AI Mode	Regulärer Google-Index und Ranking-Systeme	Google-Indexierung und klassische SEO-Signale sind Voraussetzung — Details zu AI Overviews
ChatGPT (Suche)	Suchindex (u. a. Bing) plus eigener Crawler (OAI-SearchBot)	Bing-Sichtbarkeit prüfen; OAI-SearchBot nicht blockieren
Perplexity	Eigener Web-Index (PerplexityBot), starke Quellen-Transparenz	Crawlbarkeit sicherstellen; zitierfähige Passagen zahlen direkt ein
Gemini / Copilot / Claude	Google- bzw. Bing-Suche, teils eigene Crawler	Dieselben Grundlagen wirken systemübergreifend

Daraus folgt die wichtigste GEO-Erkenntnis überhaupt: Ohne Suchmaschinen-Sichtbarkeit keine KI-Sichtbarkeit. Eine Seite, die weder Google noch Bing indexiert, kann von keinem dieser Systeme zitiert werden. Zusätzlich gilt: Weil die Systeme Anfragen in Teilfragen zerlegen, haben auch spezialisierte Inhalte eine Chance, die für die Hauptanfrage selbst nicht vorn ranken — sofern sie eine Teilfrage präzise beantworten.

Das GEO-Modell: drei Schichten

GEO lässt sich als Schichtenmodell organisieren — jede Schicht setzt die darunterliegende voraus:

1. Fundament: technische und inhaltliche Suchsichtbarkeit. Crawlbarkeit, Indexierung, hilfreiche Inhalte, saubere Informationsarchitektur. Das ist klassisches SEO und bleibt die Eintrittskarte.
2. Zitierbarkeit: Inhalte, die als Antwort funktionieren. Definitionen zuerst, Frage-Überschriften, eigenständige Passagen, echte Listen und Tabellen, Daten mit Quelle. Die acht Prinzipien im Detail: Content-Strukturen, die LLMs zitieren.
3. Entität: eine Marke, die Systeme kennen und einordnen können. Konsistente Unternehmensdaten im gesamten Netz, Autorenprofile, Erwähnungen in vertrauenswürdigen Drittquellen, strukturierte Daten und Präsenz im Knowledge Graph.

Handlungsfeld 1: Technische Zugänglichkeit für KI-Systeme

Die Basis-Checks sind schnell erledigt und werden trotzdem oft übersehen:

• KI-Crawler-Policy bewusst entscheiden. Die robots.txt sollte dokumentierte KI-Crawler gezielt behandeln: Such-Crawler wie OAI-SearchBot (ChatGPT-Suche) oder PerplexityBot zulassen, wenn KI-Sichtbarkeit das Ziel ist; über Trainings-Crawler wie GPTBot und den Steuerungs-Token Google-Extended (Gemini-Training) separat entscheiden. Achtung: Google-Extended zu blockieren entfernt eine Website nicht aus AI Overviews.
• Inhalte serverseitig ausliefern. Kerninhalte sollten ohne JavaScript-Ausführung im HTML stehen — nicht jeder KI-Crawler rendert JavaScript zuverlässig.
• Snippet-Steuerung prüfen. nosnippet, data-nosnippet und max-snippet begrenzen, was Google in KI-Antworten übernehmen darf — versehentlich gesetzt sind sie ein unsichtbarer Sichtbarkeits-Killer.
• llms.txt ergänzen. Die Markdown-Übersicht für Sprachmodelle ist ein vorgeschlagener Standard ohne offizielle Anbieter-Zusage, aber eine risikofreie Wette mit minimalem Aufwand: llms.txt — Standard, Aufbau und ein echtes Beispiel.

Handlungsfeld 2: Zitierfähige Inhalte

Generative Systeme zitieren Passagen, keine Websites. Ein Abschnitt wird ausgewählt, wenn er eine Teilfrage direkt, verständlich und vertrauenswürdig beantwortet — aus dem Kontext gelöst. Die Kurzfassung der Prinzipien:

• Antwort zuerst: Kernaussage in den ersten ein, zwei Sätzen jedes Abschnitts, Herleitung danach.
• Überschriften als Fragen: Jede H2 sollte als Suchanfrage oder Prompt funktionieren.
• Eigenständige Absätze: jede Passage ohne den Rest der Seite verständlich (Chunk-Denken).
• Echte Listen und Tabellen für Vergleiche, Schritte und Aufzählungen.
• Daten nur mit Quelle und Datum — und keine einzige erfundene Zahl.

Die empirische Stütze dafür liefert die GEO-Studie (Aggarwal et al., 2023): In deren Experimenten erhöhten ergänzte Zitate, Quellenangaben und Statistiken die Sichtbarkeit von Inhalten in generierten Antworten messbar, während bloßes Keyword-Stuffing wirkungslos blieb. Alle acht Prinzipien mit Beispielen und Checkliste: Content-Strukturen, die LLMs zitieren.

Handlungsfeld 3: Entität und Autorität

KI-Systeme empfehlen Marken, nicht URLs. Ob eine Marke genannt wird, hängt davon ab, was die Systeme über sie „wissen" — aus dem Training und aus dem Retrieval-Korpus. Daran lässt sich arbeiten:

• Konsistente Fakten überall: Name, Leistungsspektrum, Standort und Kernaussagen sollten auf der eigenen Website, in Verzeichnissen, auf LinkedIn und in Wikipedia/Wikidata übereinstimmen. Widersprüchliche Angaben verwässern die Entität.
• Präsenz in zitierten Quellen: Generative Systeme greifen bevorzugt auf etablierte Fachmedien, Verzeichnisse und Vergleichsplattformen zu. Erwähnungen und Profile dort wirken doppelt — als Empfehlungsquelle und als Trainingssignal.
• E-E-A-T sichtbar machen: Autorenprofile mit nachprüfbarer Expertise, transparente Über-uns-Seiten, Quellenangaben. Googles Qualitätsrahmen gilt für KI-Antworten genauso wie für klassische Ergebnisse.
• Topical Authority aufbauen: Ein Themenfeld vollständig und vernetzt abdecken (Pillar + Cluster, wie dieser Guide) statt isolierter Einzelartikel.

Handlungsfeld 4: Strukturierte Daten

Strukturierte Daten (Schema.org als JSON-LD) sind kein dokumentierter „KI-Rankingfaktor", aber sie machen maschinenlesbar, was ein Inhalt ist und von wem er stammt — und sie speisen den Knowledge Graph, aus dem sich auch generative Systeme bedienen. Sinnvoller Standard für Wissensinhalte: Article/TechArticle mit Autor und Datum, FAQPage für echte FAQ-Abschnitte, BreadcrumbList für die Einordnung, Organization mit konsistenten Unternehmensdaten — jeweils als eigenes Script-Tag.

GEO für verschiedene Website-Typen

Die Prinzipien sind universell, die Schwerpunkte nicht. Vier typische Ausgangslagen:

• B2B-Anbieter und Dienstleister: KI-Assistenten beantworten Anbieterfragen („Welche Tools/Anbieter für X?") bevorzugt aus Vergleichs- und Verzeichnisquellen. Wichtigster Hebel ist deshalb die Präsenz in genau diesen Quellen — vollständige, konsistente Profile in relevanten Verzeichnissen und Bewertungsplattformen — plus eigene Seiten, die die Kategorie erklären statt nur das eigene Produkt zu bewerben. Dazu kommt die Entitäten-Hygiene: Ein Assistent, der widersprüchliche Angaben zu Leistungsspektrum oder Standort findet, empfiehlt im Zweifel den Wettbewerber mit dem klareren Profil.
• Online-Shops: Produktdaten sind das Kapital. Maschinenlesbare Produktinformationen (Product-Schema mit Preis, Verfügbarkeit, Bewertungen), eindeutige Produktnamen und kaufberatende Inhalte („Worauf achten bei…?") geben generativen Systemen das Material für Empfehlungen. Kategorieseiten mit echter Beratungssubstanz schlagen reine Produktgrids.
• Publisher und Wissensseiten: Hier konkurriert jede Seite direkt mit der KI-Antwort selbst. Zitierfähige Struktur ist Pflicht, reicht aber nicht — verteidigungsfähig sind Inhalte, die ein Sprachmodell nicht selbst erzeugen kann: eigene Daten, Erhebungen, Erfahrungsberichte, Interviews, aktuelle Recherche. Generische „Was ist X?"-Artikel ohne eigenen Mehrwert verlieren zuerst.
• Lokale Anbieter: KI-Antworten zu lokalen Anfragen speisen sich stark aus Karten- und Profildaten. Gepflegte Unternehmensprofile (Google Business Profile, Branchenverzeichnisse), konsistente NAP-Daten (Name, Adresse, Telefon) und echte Bewertungen wiegen hier schwerer als Content-Volumen — die Grundlagen aus dem Local SEO übertragen sich fast eins zu eins.

Werkzeuge für den GEO-Workflow

Ein funktionierender GEO-Workflow braucht keine exotische Toolchain — er kombiniert vorhandene Werkzeuge neu:

• Suchkonsolen: Google Search Console (AI-Overview-Effekte zeigen sich dort als CTR-/Impressions-Verschiebungen) und Bing Webmaster Tools — Letztere werden oft vergessen, obwohl die ChatGPT-Suche auf Bing-Infrastruktur aufsetzt.
• KI-Sichtbarkeits-Monitoring: Tools, die reale KI-Antworten systematisch auswerten. Für den DACH-Raum liefert die SISTRIX-AI-Datenbank die Grundlage — kostenlos abfragbar über den OMKI KI-Sichtbarkeits-Check.
• Webanalyse: ein eigenes Segment bzw. ein eigener Channel für KI-Referrer (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com), damit KI-Traffic nicht in „Referral Sonstige" verschwindet.
• Logfile-Zugriff: beliebiges Log-Tooling, das User-Agents aggregiert — es beantwortet die Vorfrage, ob KI-Crawler die wichtigen Bereiche überhaupt abrufen (siehe Mess-Methoden).
• Validatoren: der Schema-Markup-Validator und der Rich-Results-Test für strukturierte Daten; ein einfacher „JavaScript aus"-Test im Browser für die Frage, ob Kerninhalte serverseitig ankommen.

Häufige GEO-Fehler

1. KI-Crawler pauschal blockieren — oft aus einer Trainings-Debatte heraus entschieden, mit dem Nebeneffekt, dass auch die Such-Crawler ausgesperrt sind, die Antworten mit Quellenlinks speisen.
2. GEO als Ersatz für SEO behandeln und die Index-Grundlagen vernachlässigen, aus denen alle generativen Systeme schöpfen.
3. Auf Spekulations-Checklisten optimieren („die 37 ChatGPT-Rankingfaktoren") statt auf die dokumentierten Funktionsprinzipien.
4. Zahlen erfinden oder aufhübschen, um „zitierfähiger" zu wirken — vertrauensgewichtete Systeme und kritische Leser strafen genau das ab.
5. Einmal messen statt kontinuierlich: KI-Antworten schwanken; ohne konstantes Prompt-Set und Zeitreihe ist jede Einzelmessung Rauschen.
6. Die eigene Kategorie-Seite vergessen: Wer nur das eigene Produkt beschreibt, aber nirgends erklärt, wie die Kategorie funktioniert und worauf Käufer achten sollten, liefert Assistenten keinen zitierbaren Beratungs-Kontext.

KI-Sichtbarkeit messen

Für KI-Antworten gibt es keine offizielle Konsole — messbar ist die eigene Sichtbarkeit trotzdem, über vier kombinierbare Ansätze: ein festes Prompt-Set regelmäßig abfragen (Share of Model), KI-Referral-Traffic in der Webanalyse segmentieren, KI-Crawler in den Server-Logs beobachten und CTR-Verschiebungen in der Search Console lesen. Methoden, Grenzen und ein KPI-Set: ChatGPT- und Perplexity-Sichtbarkeit messen.

Den schnellsten Einstieg liefert der kostenlose OMKI KI-Sichtbarkeits-Check: Markennamen eingeben, und das Tool zeigt auf Basis der SISTRIX-AI-Datenbank, in welchen realen KI-Antworten die Marke im DACH-Raum vorkommt — mit den konkreten Prompts, Textstellen und dem Wettbewerbsvergleich.

GEO in 90 Tagen: eine priorisierte Checkliste

1. Ist-Stand erheben: Marken-Check unter /ki-sichtbarkeit/, Prompt-Set (20–50 Fragen) definieren, Nullmessung dokumentieren.
2. Technik-Audit: robots.txt-Policy für KI-Crawler festlegen, Snippet-Steuerungen prüfen, Indexierungsstatus in Google und Bing kontrollieren.
3. Kerninhalte restrukturieren: die 10–20 wichtigsten Seiten nach den Zitierbarkeits-Prinzipien überarbeiten — Definitionskästen, Frage-H2s, FAQ-Abschnitte.
4. Schema nachrüsten: Article/FAQ/Breadcrumb/Organization als JSON-LD auf den Kernseiten.
5. Entität aufräumen: Unternehmensdaten in Verzeichnissen und Profilen vereinheitlichen, Autorenseiten anlegen.
6. llms.txt ausliefern — automatisch generiert, siehe Anleitung.
7. Monatlich messen: Prompt-Set erneut abfragen, KI-Referrals und Crawler-Logs auswerten, Maßnahmen nachschärfen.

GEO und SEO gemeinsam planen

Organisatorisch bewährt es sich, GEO nicht als Parallelprojekt aufzusetzen, sondern als zusätzliche Abnahme-Ebene im bestehenden Content- und SEO-Prozess: Jede neue oder überarbeitete Seite durchläuft neben den klassischen Checks (Keyword-Fokus, Suchintention, interne Verlinkung) auch die Zitierbarkeits-Checkliste — Antwort zuerst, Frage-Überschriften, FAQ-Abschnitt, Schema. Das kostet pro Seite wenig und verhindert, dass GEO als einmalige „Optimierungskampagne" verpufft.

Bei der Priorisierung helfen zwei Fragen: Erstens — welche unserer Themen beantworten KI-Systeme bereits heute? (Stichprobe mit dem eigenen Prompt-Set; dort ist der Handlungsdruck am höchsten.) Zweitens — wo haben wir Inhalte, die eine Teilfrage besser beantworten als die aktuell zitierten Quellen? Dort ist die Chance am größten, denn generative Systeme zitieren auch Spezialisten jenseits der Top-Rankings. Aus beiden Antworten entsteht eine Prioritätenliste, die sich mit dem normalen Redaktionsplan verzahnen lässt.

Grenzen und Mythen

Zum seriösen Umgang mit GEO gehört, die Grenzen zu benennen:

• Niemand kann Nennungen garantieren. Generative Antworten sind nicht-deterministisch; wer feste „Platzierungen in ChatGPT" verspricht, verspricht etwas, das technisch nicht zusagbar ist.
• „Rankingfaktoren"-Listen für KI-Antworten sind Spekulation. Belegt sind die Funktionsprinzipien (Retrieval aus Suchindizes, Snippet-Steuerung, E-E-A-T-Rahmen) und einzelne Studienergebnisse — nicht mehr.
• KI-Antwort-Plätze sind nicht kaufbar. Es gibt Anzeigen im Umfeld von KI-Antworten, aber keine buchbaren Zitate.
• GEO ist kein Ersatz für Substanz. Strukturtricks machen dünne Inhalte nicht zitierfähig — Systeme wählen Quellen, die Fragen tatsächlich beantworten.

Das Feld entwickelt sich schnell weiter — auf der OMKI Konferenz diskutieren Praktiker jedes Jahr den aktuellen Stand von KI und Marketing, und dieser Guide wird fortlaufend aktualisiert.