GEO und KI-SEO: Was bei der Optimierung für KI wirklich funktioniert

Zu den Antworten von ChatGPT, Gemini, Perplexity und AI Overview kommt eine Marke vor allem über zwei Wege, die sich überschneiden, und GEO ist die Arbeit an beiden:

1. Über die Suche. Das Modell sucht während der Antwort im Web und zitiert einen Teil der Seiten, die es gefunden hat. Hier gilt dasselbe wie im SEO: Zugang für Crawler, Index, Sichtbarkeit beim Suchbegriff und seinen Varianten sowie Textabschnitte, die eine Frage beantworten, ohne dass man den Rest der Seite braucht. Die Wirkung zeigt sich wie im SEO nach Wochen oder Monaten.
2. Über das Gedächtnis des Modells. Das Modell antwortet mit dem, was es vor dem Ende des Trainings gelernt hat, und dieses Gedächtnis beeinflusst auch, wen es nennt, wenn es im Web sucht. Hier zählt, was andere über die Marke geschrieben haben, und eine einheitliche Beschreibung der Marke in vielen Quellen. Das Tempo von Änderungen im Gedächtnis habe ich nicht gemessen, deshalb verspreche ich hier für ein Quartal nichts.

Die meisten „GEO-Tricks“ haben keinen Beleg, und einige davon habe ich mit eigenen Daten geprüft. Für die Datei llms.txt und für strukturierte Daten gibt es keinen Beleg, dass sie Zitate bringen. Mehr Überschriften haben die Seiten in meinem Test nicht in die Top 3 gebracht. Der Test, ob die Position bei den Teilanfragen ein Zitat besser vorhersagt als die Position beim Hauptsuchbegriff, hat nichts entschieden, und mein erster Schluss daraus ist an der Gegenprüfung gescheitert. Die Belege zu jedem dieser Sätze folgen weiter unten.

Was ist GEO und wie heißt die Optimierung für KI noch?

GEO ist die Arbeit daran, dass eine Marke in Antworten auftaucht, die eine KI erzeugt: in AI Overviews und im KI-Modus von Google, in ChatGPT, Gemini, Perplexity und Copilot. Dieselbe Arbeit hat mehrere Namen, und die Unterschiede zwischen ihnen sind vor allem Marketing:

Der Name GEO hat einen wissenschaftlichen Ursprung, und das Fundament der ganzen Arbeit ist dasselbe wie im SEO. GEO stammt aus einer wissenschaftlichen Arbeit vom November 2023, die für die Konferenz KDD 2024 angenommen wurde. Ihre Autoren, Pranjal Aggarwal und Mitautoren, zeigten an einem eigenen Testsatz, dass Änderungen am Inhalt die Sichtbarkeit einer Quelle in generativen Antworten um bis zu 40 % erhöhen können (arXiv). Google schreibt in seiner Dokumentation, dass die Optimierung für die generative Suche weiterhin SEO ist (Google Search Central). Cyrus Shepard von Zyppy antwortet ähnlich auf die Frage, ob ein Unternehmen eine eigene GEO-Strategie braucht:

Auch die Menschen haben keinen einheitlichen Namen für diese Arbeit, und das sieht man in den Google-Ergebnissen. Die Frage „Wie heißt SEO Optimierung für KI?“ erscheint im Bereich „Ähnliche Fragen“ in den polnischen Ergebnissen (dort als „Jak nazywa się pozycjonowanie w AI?“), ihre Entsprechungen in den Ergebnissen aus Deutschland, Spanien und Finnland, und das englische „What is AI SEO called now?“ in den Ergebnissen aus den USA, Schweden und Singapur. Die Frage nach dem Unterschied zwischen GEO (oder LLMO) und SEO taucht auf 9 der 27 geprüften Märkte auf, von Brasilien bis Japan.

Welcher Name vorherrscht, hängt vom Markt ab. In Japan sind 72 % der rund 16.730 Suchanfragen pro Monat zu diesem Thema LLMO, und der Suchbegriff „llmo“ allein hat rund 12.100 Suchanfragen, mehr als „ai seo“ in den USA (rund 6.600). In Deutschland und Frankreich dominiert GEO (64 % und 66 %), in Südkorea 83 %. In Polen sind 58 % von rund 2.265 Suchanfragen pro Monat AI SEO zusammen mit dem Suchbegriff „ai seo“ und polnischen Bezeichnungen („pozycjonowanie ai“, „pozycjonowanie w ai“), und GEO macht 32 % aus. In den USA liegen AI SEO und GEO Kopf an Kopf: 42 % und 39 % von rund 25.400 Suchanfragen, in Spanien gibt es ein Unentschieden (44 % und 44 %). In Tschechien gibt es in den Daten keine Nachfrage nach einem der Namen.

Der Suchbegriff „ai seo“ ist mehrdeutig, deshalb lese ich den Anteil von AI SEO als obere Grenze. Bei „ai seo“ zeigt Google neben Texten über GEO auch KI-Tools und Anleitungen, wie man SEO mit Hilfe von KI macht: In den USA ist das mehr als die Hälfte der Ergebnisse in den Top 10, in Dänemark mindestens 6 von 8. Die AI Overview zu diesem Suchbegriff beschreibt AI SEO in den USA und in Dänemark allerdings als Optimierung für KI-Antworten, Google behandelt ihn also als Namen dieser Arbeit. Ohne diesen einen Suchbegriff führt GEO auf 25 von 26 Märkten meines Blogs, und in Japan bleibt LLMO vorn. In Polen haben die eindeutigen polnischen Bezeichnungen („pozycjonowanie ai“, „pozycjonowanie w ai“) zusammen rund 580 Suchanfragen pro Monat und GEO rund 725. KI-Tools für SEO behandle ich in einem eigenen Text.

Den Suchbegriff „aeo“ allein zähle ich nicht, weil er in Polen vor allem ein Zertifikat des Zolls bezeichnet und in den USA ein Teil der Ergebnisse Börsenkurse einer Bekleidungskette (American Eagle) sind. Beim Suchbegriff „aeo“ im polnischen Google sind drei der ersten vier Ergebnisse Seiten des Finanzministeriums. Suchbegriffe mit dem vollen Namen, zum Beispiel „answer engine optimization“, zähle ich in der Reihe „Sonstige“.

Jede Sprachversion dieses Textes verwendet den Namen, nach dem die Menschen auf dem jeweiligen Markt suchen. Die japanische spricht von LLMO, die deutsche und die französische von GEO, die polnische von „pozycjonowanie w AI“ und AI SEO. Diese deutsche Version verwendet GEO und daneben KI-SEO, weil GEO in Deutschland bei den Suchanfragen vorn liegt (64 %, siehe oben).

Wie wählt die KI die Quellen für ihre Antwort aus?

Das Modell antwortet aus der Suche oder aus dem Gedächtnis, und davon hängt ab, was Sie überhaupt ändern können. Wenn es im Web sucht, zerlegt es die Frage in mehrere Anfragen, ruft Ergebnisse ab, wählt daraus Textabschnitte aus und zitiert einen Teil davon. Google nennt das in der Dokumentation „query fan-out“: Das System sendet viele zusammenhängende Suchanfragen zu Unterthemen und aus verschiedenen Quellen (Google Search Central). Wenn das Modell nicht sucht, antwortet es mit dem, was es im Training gelernt hat, und dann ändert die Position der Seite in Google nichts.

Die Wege überschneiden sich, weil das Gedächtnis des Modells auch die Antwort beeinflusst, bei der es im Web gesucht hat. Dan Petrovic von Dejan schreibt, dass die Erwähnung einer Marke im Text der Antwort vor allem auf dem früheren Wissen des Modells beruht und eine einzelne Seite sie kaum verschiebt (Dejan, 07.07.2026). Deshalb messe ich beide Wege getrennt, arbeite aber parallel an ihnen.

Wie oft das Modell im Web sucht, hängt vom Modell ab: in meinem Test bei 10 bis 94 von 94 Suchbegriffen. Ich habe das über die Programmierschnittstelle (API) an 94 Suchbegriffen aus meinen Projekten geprüft, auf Englisch und Polnisch, in der Nacht vom 3. auf den 4. Oktober 2026 und am Morgen ein zweites Mal. Im Text zur SEO-Strategie habe ich denselben Effekt an fünf Ratgeberfragen beschrieben, hier ist er an einer größeren Menge zu sehen.

• 93 von 94So oft griff Gemini 2.5 Flash im ersten Durchlauf zur Suche (im zweiten 94 von 94).Mein Test über die API, 3.-4.10.2026
• 71 von 94So oft suchte Gemini 3.5 Flash (im zweiten Durchlauf 69 von 94).Mein Test über die API, 3.-4.10.2026
• 25 von 84So oft suchte Gemini 3.1 Pro (10 Aufrufe endeten mit einem Limitfehler; im zweiten Durchlauf 32 von 94).Mein Test über die API, 3.-4.10.2026
• 10 von 94So oft suchte Gemini 3.8 Flash (im zweiten Durchlauf 15 von 94). Bei den übrigen Suchbegriffen antwortete es aus dem Gedächtnis.Mein Test über die API, 3.-4.10.2026

In dieser Konfiguration suchten neuere Versionen von Gemini Flash seltener, aber Gemini 3.1 Pro passt nicht zu diesem Muster. Pro hat eine ältere Versionsnummer als 3.5 Flash und suchte seltener als dieses. Das ist eine Modellfamilie und eine API-Konfiguration, nicht die Gemini-App, die Nutzer sehen, deshalb lese ich die Zahlen als Hinweis und nicht als Regel. Sie genügen aber, um bei jeder Messung zu prüfen, bei wie vielen Fragen das Modell überhaupt sucht.

Das Gedächtnis der Modelle war bei einer neuen polnischen Marke lückenhaft, und ein Teil der Modelle erfand ihre Beschreibung. In demselben Projekt bewertete ein separates Modell blind rund 500 Antworten auf Fragen zu den Marken, für die ich arbeite. Eine der neuen polnischen Marken in dieser Menge war allen geprüften Modellen unbekannt, und in 9 von 12 Antworten über sie war die Beschreibung erfunden. Der Anteil erfundener Angaben hing vom Modell ab: von 5 % bis 77 % der Antworten zu allen Marken. Die Antworten bewertete ein einziges Modell als Richter, deshalb lese ich Unterschiede unter rund 10 Prozentpunkten als Rauschen.

Dieselbe Domain kann auf einem Weg sichtbar sein und auf dem anderen unsichtbar. Eine der Websites wurde im KI-Modus von Google bei 10 von 13 Paaren von Suchbegriffen zitiert und tauchte in den Antworten der Modelle ohne Suche kein einziges Mal auf (0 von 13). Das ist eine Domain und 13 Paare, also eine Illustration und keine Regel.

Ein verwandtes Phänomen zeigt eine Untersuchung in größerem Maßstab. Dan Petrovic berichtet über eine Studie von Google Research mit 13 Modellen und 2.150 Fakten aus Wikipedia: Führende dieser Modelle, etwa Gemini 3 Pro und GPT-5, tragen 95-98 % dieses Wissens in ihren Gewichten, können aber 26-34 % davon nicht abrufen (Dejan, 17.08.2026). Das sind enzyklopädische Fakten und kein Wissen über Marken, aber die Folgerung für eine Marke ist ähnlich: Dass eine Information in den Trainingsdaten steckt, garantiert nicht, dass das Modell sie sagt.

Wie kommen Sie über die Suche in die Antworten der KI?

Auf dem Weg über die Suche gilt dasselbe wie im SEO, mit einem Unterschied. Google schreibt, dass eine Seite für AI Overviews und den KI-Modus im Index sein und mit einem Textauszug in den Ergebnissen erscheinen können muss, zusätzliche technische Anforderungen gibt es nicht (Google Search Central). Der Unterschied: Das Modell stellt mehrere Anfragen gleichzeitig, deshalb hat eine Seite, die nur beim Hauptsuchbegriff sichtbar ist, weniger Gelegenheiten für ein Zitat als eine Seite, die auch bei dessen Varianten sichtbar ist. ChatGPT hat außerdem einen eigenen Suchcrawler (dazu unten mehr), die Sichtbarkeit in Google überträgt sich also nicht direkt auf ChatGPT.

Zugang für KI-Crawler

Die Crawler der KI-Suchmaschinen können blockiert sein, ohne dass der Inhaber der Website es weiß. Eine Firewall oder eine Einstellung im Content Delivery Network (CDN) kann sie blockieren, oft erst nach Überschreiten einer Schwelle bei der Zahl der Anfragen, deshalb zeigt ein einzelner Test nichts. Ich prüfe eine Serie von Anfragen mit den Namen der Crawler von Google, OpenAI, Perplexity und Anthropic und vergleiche die Antwort des Servers mit der, die ein normaler Browser bekommt.

Die Sperre für das Training von Modellen ist eine andere Entscheidung als die Sperre für die Suche. OpenAI trennt diese Rollen: GPTBot sammelt Inhalte, die ins Training von Modellen einfließen können, und OAI-SearchBot entscheidet über die Präsenz in den Suchergebnissen von ChatGPT. OpenAI schreibt, dass Websites, die OAI-SearchBot sperren, in den Suchantworten von ChatGPT nicht angezeigt werden, und die Sperre von GPTBot daran nichts ändert (OpenAI). Ähnlich steuert Google-Extended die Nutzung von Inhalten durch die Gemini-Modelle, beeinflusst laut Google aber weder die Präsenz noch die Position in der Suche (Google Search Central). Wer alle KI-Crawler mit einem Schalter sperrt, kann die Präsenz in der Suche von ChatGPT verlieren, die er gar nicht hergeben wollte.

Position beim Suchbegriff und Teilanfragen

Ich weiß nicht, ob eine höhere Position die Chance auf ein Zitat erhöht, denn meine Daten entscheiden das nicht. Im Text zur SEO-Strategie, bei den Hypothesen mit einem Grad der Gewissheit, habe ich einen Artikel beschrieben, der bei fünf sehr ähnlichen Suchbegriffen nur bei einem in der AI Overview zitiert wurde, und zwar bei dem, bei dem er am niedrigsten stand. Die Teilanfragen legt das Modell fest, und sie können bei jeder Antwort anders sein, es gibt also keine feste Liste von „Teilanfragen für den Suchbegriff X“. In meiner Menge von 94 Suchbegriffen erzeugte das Modell in einem Durchlauf 493 verschiedene Teilanfragen, im Schnitt mehr als fünf pro Suchbegriff.

Ich habe geprüft, ob die Position bei den Teilanfragen ein Zitat besser vorhersagt als die Position beim Hauptsuchbegriff, und mein erstes Ergebnis hat die Gegenprüfung nicht überstanden. An Paaren aus Suchbegriff und Seite aus meinen Projekten habe ich die Regel festgehalten, bevor ich das Ergebnis berechnete. Das Maß war die Fläche unter der ROC-Kurve (AUC), also wie gut ein Signal zitierte von nicht zitierten Seiten trennt (0,5 ist das Niveau eines Münzwurfs, 1 eine fehlerfreie Trennung). Die Teilanfragen sollten gewinnen, wenn ihre Fläche um mindestens 0,10 größer wäre. An 29 Paaren, die für den Test der AI Overview zurückgelegt waren, betrug der Unterschied 0,44, der Test war also „bestanden“.

Die Gegenprüfung zeigte, dass ich zwei Messungen mit unterschiedlicher Genauigkeit verglichen hatte. Ein Prüfer, der alles von Grund auf neu berechnete, bekam meine Zahlen auf die Ziffer genau, bemerkte aber, dass ich die Position beim Hauptsuchbegriff aus einem Abruf der Google-Ergebnisse genommen hatte und das Zitat aus fünf. Nachdem die Position aus denselben fünf Abrufen berechnet war, sank der Unterschied auf 0,04, mit einem Intervall von -0,28 bis +0,36. Ich habe also weder gezeigt, dass die Teilanfragen besser sind als die Position, noch dass sie schlechter sind. Beide Signale sagen etwas aus, deshalb arbeite ich mit beiden.

Die Position aus einem einzigen Abruf von DataForSEO erwies sich als Ziehung einer von mehreren Varianten der Ergebnisse. Als ich dieselben 94 Suchbegriffe dreimal im Abstand von etwa einer Stunde abrief, hatten zwei Abrufe desselben Suchbegriffs im Median wenige gemeinsame Adressen in den Top 10: Der Jaccard-Index, also ein Maß für die Übereinstimmung zweier Mengen von 0 bis 1, lag bei 0,14-0,15. Ein Teil der Varianten sind vermutlich Ergebnisse, die ein Mensch im Browser nicht sieht, denn bei 5 Suchbegriffen stimmte der Browser mit einer von ihnen überein. Die AI Overview war dabei stabil: Ihr Vorhandensein stimmte zwischen den Abrufen in 97-99 % überein. Deshalb berechne ich die Position aus diesem Tool heute als Anteil aus rund 10 gleichzeitig gesendeten Abrufen. Andere Tools habe ich so nicht geprüft.

Textabschnitte, die für sich antworten

Das Modell nutzt meist nicht die ganze Seite, sondern die Abschnitte, die seine Anfrage beantworten. Deshalb schreibe ich so, dass sich jeder Abschnitt ohne den Rest der Seite verstehen lässt: die Antwort im ersten Satz unter der Überschrift, konkrete Zahlen mit Bezugsgröße und Datum, Namen statt „das“ und „dieses“. Jeder Absatz in diesem Text beginnt aus genau diesem Grund mit einem Satz mit Schlussfolgerung. Das ist eine gute Schreibpraxis, die auch Menschen hilft, und keine eigene Technik für KI.

Das heißt nicht, dass man den Inhalt in kleine Stücke schneiden oder Überschriften vermehren muss. Google schreibt ausdrücklich, dass es keine Pflicht gibt, Inhalte in kleine Abschnitte zu teilen, damit die KI sie besser versteht (Google Search Central). Ich habe auch geprüft, ob mehr Überschriften helfen, in die Top 3 zu kommen. An 632 Seiten aus den Top 10 zu 119 Suchanfragen auf Englisch aus der Nische Unternehmenssoftware (USA, 26. September 2026) betrug das Quotenverhältnis (Odds Ratio) 0,95 (95-%-Konfidenzintervall: 0,81-1,12), und unter Berücksichtigung der Textlänge 1,00. Der Anteil der Seiten in den Top 3 war in drei Gruppen von der kleinsten bis zur größten Zahl der Überschriften fast gleich: 32 %, 34 % und 32 %. Das ist derselbe Test, über den ich im Text zur SEO-Strategie schreibe: eine Nische und ein Messtag. Er genügt aber, damit ich keine Überschriften hinzufüge, um die Position zu verbessern: Eine Überschrift soll sagen, worum es im Abschnitt darunter geht.

Polnische Fragen, englische Teilanfragen

In meiner Menge waren einige Teilanfragen zu polnischen Fragen auf Englisch. 81 von 277 Teilanfragen, die zu polnischen Suchbegriffen erzeugt wurden, hatten keine Merkmale des Polnischen. Zum Beispiel wurde aus einer polnischen Frage nach einem Ranking von Produkten einer Kategorie eine englische Anfrage mit einer Jahreszahl im Namen. Das ist eine grobe Heuristik an einer Menge, aber sie genügt, damit ich bei einer polnischen Marke auch prüfe, was englischsprachige Quellen über sie sagen.

Wie kommen Sie ins Gedächtnis des Modells?

Das Gedächtnis des Modells ändern Sie nicht allein mit der eigenen Website: Es zählt, was andere über Sie schreiben. Das Modell lernt aus großen Textmengen, die vor dem Ende des Trainings gesammelt wurden. Wenn über eine Marke vor allem sie selbst schreibt und die fremden Quellen alt oder widersprüchlich sind, wiederholt das Modell ein altes oder widersprüchliches Bild. Ich habe nicht gemessen, wie schnell sich das Gedächtnis der Modelle aktualisiert. Ich nehme an, dass es erst in den nächsten Versionen geschieht, deshalb verspreche ich hier für ein Quartal nichts.

An meiner eigenen Marke sehe ich beide Fehlerquellen gleichzeitig. Gemini beschrieb mich mit einem Arbeitgeber von vor einigen Jahren in der Gegenwartsform und rogala.pro als Seite „im Aufbau“. Zwei Beschreibungen, die die Modelle über mich am häufigsten wiederholten, stammen wörtlich aus meinem Kurzprofil in einem Branchenportal, das bei Google auf meinen Namen weit oben steht. Diesen Arbeitgeber als aktuellen nennt dagegen keine der 26 Seiten, die ich in den Ergebnissen zu meinem Vor- und Nachnamen geprüft habe, dieser Fehler sitzt also wahrscheinlich im Gedächtnis des Modells. Ich prüfe das mit denselben Fragen, sobald das Kurzprofil aktualisiert ist.

Was ein Modell über eine Marke im Gedächtnis hat, können Sie selbst prüfen, ohne Tools für die Sichtbarkeit in der KI. Stellen Sie Fragen zur Marke ohne Zugang zur Suche, am sichersten über die API ohne Suchwerkzeug. Fragen Sie, womit sich die Marke beschäftigt, für wen und seit wann es sie gibt, jede Frage dreimal. Vergleichen Sie dann die Antworten mit den Fakten und halten Sie getrennt fest, was aktuell, was veraltet und was erfunden ist.

Erwähnungen ohne einheitliche Definition der Marke wiederholen die alte Beschreibung, deshalb beginne ich mit der Identität. Meine Reihenfolge:

• eine Definition der Marke, dieselbe auf der Website, in den Profilen und in den Kurzprofilen auf fremden Seiten;
• strukturierte Daten mit Kennungen, die ich von Hand geprüft habe;
• Einträge in Wissensdatenbanken wie Wikidata, nur dort, wo es Quellen gibt, die sie bestätigen;
• erst danach Erwähnungen und Veröffentlichungen an Orten, die jemand anderes redaktionell betreut.

Eine Kennung muss man öffnen und lesen, bevor sie in den Code der Seite kommt. Am 5. Oktober 2026 bemerkte ich, dass die Kennung aus dem Knowledge Graph, die seit dem Vortag in den strukturierten Daten von rogala.pro stand, zu einem Panel eines Schauspielers mit demselben Vor- und Nachnamen führt. Rund einen Tag lang erklärte meine Website den Suchmaschinen, ich sei Schauspieler. Die Prüfung dauert eine Minute: Die Adresse google.com/search?kgmid= mit angehängter Kennung zeigt, wem sie wirklich gehört.

Wikidata verschafft keinen Platz, für den es keine Quellen gibt. Wikidata verlangt für Angaben über lebende Personen Quellen, Sie können dort also keine Spezialisierung angeben, über die außer Ihnen niemand geschrieben hat. Deshalb habe ich bei mir mit Veröffentlichungen an Orten begonnen, die andere redaktionell betreuen, und nicht mit einem Eintrag in der Datenbank.

Was funktioniert bei GEO, und was ist ein Mythos?

Aussagen über GEO teile ich nach der Stärke des Belegs ein. Dokumentiert heißt, dass die Dokumentation der Suchmaschine es bestätigt, und meine Messung ist ein Ergebnis aus einer Konfiguration, das ich wiederhole. Widerlegt und nicht gezeigt sind Aussagen, die ich an eigenen Daten geprüft habe und die nicht standhielten oder nichts entschieden. Ohne Beleg sind verbreitete Ratschläge, hinter denen keine Messung steht und manchmal ein Beleg für das Gegenteil.

Es gibt keinen Beleg, dass die Datei llms.txt und Markdown-Versionen von Seiten helfen, in KI-Antworten zu kommen. Google schreibt, dass man für die Präsenz in seiner Suche keine neuen Dateien für Maschinen, keine Textdateien für KI, keine Auszeichnungen und kein Markdown erstellen muss (Google Search Central). Als ich im Juli 2026 10 Domains aus meinem Portfolio prüfte, lieferte keine einzige KI-Agenten eine Markdown-Version aus. Auf rogala.pro hat seit dem 8. Oktober jede Seite eine Markdown-Version und es gibt eine Datei llms.txt, und bis zum 8. November messe ich in den Server-Logs, ob jemand sie abruft. In Polen hat der Suchbegriff „llms txt“ rund 720 Suchanfragen pro Monat, deshalb behandle ich das Thema gesondert.

Strukturierte Daten beschreiben die Marke für die Suchmaschine, aber es gibt keinen Beleg, dass sie Zitate bringen. Google schreibt, dass strukturierte Daten in der generativen Suche nicht erforderlich sind und es keine besonderen schema.org-Auszeichnungen gibt, die man hinzufügen müsste (Google Search Central). Matt Buxbaum von Seer Interactive analysierte 8.500 Suchbegriffe mit AI Overview und 6.354 Seiten, die darin das erste Zitat gewannen: Schema und E-E-A-T-Signale hingen am schwächsten mit dem Gewinnen zusammen, und Seiten mit den meisten FAQ- und HowTo-Auszeichnungen schnitten rund 10-mal schlechter ab (Seer Interactive, 28.05.2026). Das ist eine Korrelation, ich weiß also nicht, ob Auszeichnungen schaden, aber diese Daten lese ich nicht als Beleg für einen Nutzen. Strukturierte Daten setze ich zur Beschreibung von Entitäten ein (wer, was, wo, mit welchen Kennungen), denn dafür sind sie da. Einen eigenen Test ihres Einflusses auf KI-Antworten habe ich noch nicht abgeschlossen.

Erwähnung und Zitat sind zwei verschiedene Dinge, und viele Berichte verwechseln sie. Petrovic trennt drei Ereignisse: die Seite, die das System als Material für die Antwort abgerufen hat, das Zitat, also die Seite, die als Quelle angezeigt wird, und die Erwähnung, also den Namen der Marke im Text der Antwort, den der Nutzer liest und sich merkt (Dejan, 07.07.2026). Eine Marke kann zitiert werden, ohne im Text erwähnt zu sein, und genannt werden, ohne dass ihre Seite zitiert wird. Deshalb messe ich diese beiden Dinge getrennt und addiere sie nicht zu einem „Ergebnis der Sichtbarkeit in der KI“.

Wie prüfen Sie, ob GEO wirkt?

Ohne Ausgangswert lässt sich keine Wirkung einer Änderung zuordnen, deshalb halte ich ihn vor der ersten Korrektur fest. Zum Ausgangswert gehören die Fragen im Wortlaut, die Namen und Versionen der Modelle, das Datum und der Markt. Die Fragen leite ich aus Daten zur Nachfrage und aus der Search Console ab, und die meisten enthalten keinen Markennamen, denn ein Name in der Frage legt dem Modell die Antwort nahe. Einen Fragensatz aus zwei Positionsbändern beschreibe ich im Text zur SEO-Strategie.

Fünf Dinge messe ich getrennt, denn jedes kann in eine andere Richtung gehen:

1. Die Erwähnung der Marke im Text der Antwort.
2. Das Zitat der Seite als Quelle.
3. Ob das Modell überhaupt im Web gesucht hat, also Suche und Gedächtnis getrennt.
4. Den Traffic aus KI-Assistenten in der Webanalyse, der immer eine untere Grenze ist, weil ein Teil der Besuche ohne Angabe der Quelle kommt.
5. Den Traffic aus Google im selben Zeitraum, damit eine Änderung für die KI nicht auf Kosten der normalen Ergebnisse geht.

Die Antworten von Chatbots sind zufällig, deshalb stelle ich dieselbe Frage dreimal gleichzeitig. Die AI Overview ist stabil, bei ihr genügt ein Abruf. Eine Zahl aus einem Tool für die Sichtbarkeit in der KI lese ich immer zusammen mit der Bezugsgröße: Es ist der Anteil an meinem Fragensatz und kein „Anteil am KI-Markt“, den niemand kennt.

Was mache ich auf meiner eigenen Website, und was weiß ich noch nicht?

Über KI in der Suche spreche ich seit 2016 öffentlich, und meine eigene Marke in KI-Antworten habe ich noch nicht, deshalb begann mein Experiment. Der Ausgangswert vom 26. Juli 2026: rogala.pro hatte kein einziges Zitat auf einer der 7 KI-Oberflächen, die ich in Ahrefs für Polen geprüft habe, und in 6 Prüfungen auf drei Plattformen nannte mich bei Fragen ohne meinen Namen kein Modell. Wurde ein Modell mit meinem Namen gefragt, wiederholte es eine Beschreibung von vor einigen Jahren. Das ist eine einzige Messung, und zwar ohne ChatGPT, weil das Tool, mit dem ich die Antworten gesammelt habe, für ChatGPT keine Ergebnisse lieferte. Ich sehe sie also als Startpunkt und nicht als Beleg.

Die Reihenfolge der Arbeiten ergibt sich aus den Daten: zuerst die Identität, dann die Reichweite. Ich habe eine Definition in den Profilen vereinheitlicht (auf LinkedIn in 30 Sprachversionen), die Kennungen in den strukturierten Daten geprüft (daher die Panne mit dem Schauspieler), eine Website und einen Blog in 27 Sprachen mit Markdown-Versionen aufgebaut. Die Reichweite, also Veröffentlichungen und Erwähnungen in fremden Medien, kommt erst danach.

Ich weiß noch nicht, ob es funktioniert. Die erste wiederholte Messung der KI-Antworten habe ich ab dem 1. November 2026 geplant, das Ergebnis der Messung der Markdown-Dateien liegt nach dem 8. November vor. Die Ergebnisse trage ich in diesen Text nach, auch wenn sie null sind.

Häufige Fragen zu GEO

Womit fangen Sie an?

Die ersten drei Schritte kosten nichts außer Zeit. Prüfen Sie, ob die Crawler der KI-Suchmaschinen Ihre Website erreichen. Stellen Sie dreimal gleichzeitig einige Fragen, die Ihre Kunden stellen, ohne den Namen Ihrer Marke, und halten Sie fest, wer genannt und wer zitiert wird. Lesen Sie, was die Google-Ergebnisse zum Namen Ihrer Marke über sie sagen, denn aus denselben Quellen schöpfen die Modelle. Wenn Sie das Ergebnis überrascht, ist das ein gutes Thema für eine Beratung.