GEO (Generative Engine Optimization): Definition und Maßnahmen

Beispiel aus der Praxis

GEO steht hier für Generative Engine Optimization, also die Optimierung für KI-Suchen. Mit Geografie oder lokaler Suche hat der Begriff nichts zu tun.

Zwei Projekte von Ozan Orhan zeigen die beiden Seiten von GEO: messen und Inhalte bereitstellen.

Die AI Visibility Monitoring Platform beantwortet die Frage, ob GEO-Maßnahmen wirken. Drei n8n-Workflows führen laut Projektbeschreibung fünf externe Datenquellen zusammen, darunter Suchmetriken, Ranking-Daten, Webanalyse und die Sichtbarkeit in KI-Antworten. Ein Analyse-Agent wertet die Daten aus, und eine Komponente prüft je betreuter URL, ob sich eine umgesetzte Maßnahme messbar ausgewirkt hat. Fehlende Werte zählen dabei nicht als Null, damit keine falschen Trends entstehen.

Der Grounding Page Generator setzt auf der Inhaltsseite an. Er erzeugt eine Faktenseite über eine Entität nach dem offenen Grounding Page Standard, mit sichtbarem HTML und passendem JSON-LD. Ein Research-Agent sammelt die Fakten, ein Mensch bestätigt sie auf Feldebene, erst dann entsteht die Seite. Ziel ist, dass KI-Systeme eine Marke korrekt beschreiben und nicht mit ähnlichen Namen verwechseln.

Wie funktioniert GEO?

Generative Suchmaschinen beantworten eine Frage nicht mit einer Linkliste, sondern mit einem formulierten Text. Dafür suchen sie zuerst passende Quellen und lassen dann ein Sprachmodell aus diesen Quellen eine Antwort schreiben. Technisch ähnelt das Retrieval-Augmented Generation (RAG).

GEO setzt an beiden Schritten an. Im ersten Schritt muss eine Seite überhaupt gefunden werden, was weitgehend den Anforderungen klassischer Suchmaschinenoptimierung entspricht. Im zweiten Schritt entscheidet sich, ob und wie prominent das Modell Inhalte der Seite in die Antwort übernimmt und sie als Quelle nennt.

Für den zweiten Schritt zählt, wie leicht sich ein Absatz herauslösen und wiedergeben lässt. Eine klare Definition, ein belegter Fakt oder ein Zitat mit Herkunft lassen sich einfacher übernehmen als ein langer Werbetext ohne konkrete Aussage.

Was hat die GEO-Studie von Aggarwal et al. gezeigt?

Den Begriff prägte eine Forschungsgruppe um Pranjal Aggarwal, deren Arbeit im November 2023 erschien und auf der Konferenz KDD 2024 angenommen wurde (Aggarwal et al., 2023). Die Autoren beschreiben GEO als Ansatz, mit dem Inhalte in Antworten generativer Suchmaschinen sichtbarer werden.

Für die Tests bauten sie den Benchmark GEO-bench mit 10.000 Suchanfragen aus 25 Themenbereichen (Aggarwal et al., 2023). Sie veränderten Quelltexte nach neun Methoden (Aggarwal et al., 2023) und maßen, wie stark die veränderten Texte danach in den generierten Antworten vorkamen.

Am besten schnitten drei Methoden ab: Zitate ergänzen, Statistiken ergänzen und Quellen angeben. Sie erreichten laut Studie eine relative Verbesserung von 30 bis 40 Prozent bei einer Kennzahl, die den Textanteil einer Quelle in der Antwort nach Position gewichtet (Aggarwal et al., 2023). Insgesamt berichten die Autoren eine Steigerung der Sichtbarkeit um bis zu 40 Prozent (Aggarwal et al., 2023).

Keyword Stuffing, also das Anhäufen von Suchbegriffen, brachte dagegen kaum oder keine Verbesserung und schnitt im Test mit Perplexity.ai etwa 10 Prozent schlechter ab als der unveränderte Text (Aggarwal et al., 2023). Die Wirkung der Methoden unterschied sich außerdem je nach Themenbereich.

Die Ergebnisse stammen aus einer kontrollierten Testumgebung. Sie zeigen, welche Textmerkmale generative Systeme bevorzugen, sind aber keine Garantie für Erwähnungen in einer bestimmten KI-Suche.

Was sagt Google zur Optimierung für KI-Übersichten?

Google hat einen eigenen Leitfaden zur Optimierung für generative KI-Funktionen in der Google-Suche veröffentlicht (Google Search Central, Stand 10. Juli 2026). Die Kernaussage: Die bekannten SEO-Empfehlungen bleiben gültig, weil KI-Übersichten und KI-Modus auf den zentralen Ranking- und Qualitätssystemen der Suche aufbauen.

Laut Leitfaden müssen Inhalte nicht in kleine Stücke zerlegt und nicht speziell für KI geschrieben werden. Google empfiehlt eigenständige Inhalte aus eigener Erfahrung statt Wiederholungen dessen, was andere bereits geschrieben haben (Google Search Central, Stand 10. Juli 2026).

Ausdrücklich warnt Google davor, für jede Variante einer Suchanfrage eine eigene Seite anzulegen. Das verstößt nach Google gegen die Richtlinie zu massenhaft erzeugten Inhalten. Voraussetzung für die Anzeige in KI-Funktionen ist, dass eine Seite indexiert ist und mit Snippet erscheinen darf (Google Search Central, Stand 10. Juli 2026).

Für GEO heißt das: Bei Google ist gutes SEO die Grundlage. Andere KI-Suchen haben eigene Suchindizes und Auswahlverfahren, die nicht öffentlich dokumentiert sind.

Welche Rolle spielt die llms.txt für GEO?

Die llms.txt ist eine Markdown-Datei, die Sprachmodellen eine Übersicht über die wichtigsten Inhalte einer Website gibt. Sie wird oft als GEO-Maßnahme genannt, ihre Wirkung ist aber begrenzt.

Die Google-Suche verwendet die Datei nach eigener Aussage nicht, sie hilft und schadet der Sichtbarkeit dort also nicht (Google Search Central, Stand 10. Juli 2026). Für Agenten und Programmierwerkzeuge, die gezielt Dokumentation lesen, kann sie trotzdem nützlich sein. Die eigentliche Arbeit liegt bei den Inhalten, auf die sie verweist.

Welche Fehler gibt es bei GEO?

GEO wird als Ersatz für SEO behandelt. Wer technische Grundlagen, Indexierung und interne Verlinkung vernachlässigt, wird auch in KI-Suchen seltener gefunden, weil der erste Schritt die Quellensuche ist.

Inhalte werden für jede Frageform vervielfacht. Massenhaft erzeugte Seiten für Varianten derselben Anfrage verstoßen laut Google gegen die Richtlinie zu massenhaft erzeugten Inhalten. Eine gründliche Seite pro Thema ist robuster.

Aussagen bleiben unbelegt. Zahlen ohne Quelle und allgemeine Werbeversprechen lassen sich schwer zitieren. Die Studie von Aggarwal et al. spricht für Quellenangaben, Zitate und Statistiken.

Einzelne Antworten werden als Messwert gelesen. KI-Antworten schwanken zwischen Abfragen. Aussagekräftig sind feste Fragenlisten, die über Wochen wiederholt werden, und Vergleiche vor und nach einer Maßnahme.

Fakten zur eigenen Marke sind widersprüchlich. Stehen auf verschiedenen Seiten unterschiedliche Angaben zu Namen, Angebot oder Standort, übernimmt ein Modell im ungünstigen Fall die falsche. Eine geprüfte Faktenseite mit strukturierten Daten und Freigabe durch einen Menschen verringert dieses Risiko.