Generative Engine Optimization (Sichtbarkeit in KI-Suchassistenten)

Kunden fragen zunehmend einen KI-Assistenten „Welchen Anbieter soll ich wählen?", statt durch zehn blaue Links zu blättern. Generative Engine Optimization (GEO, auch AEO oder LLMO genannt) ist die Praxis, zu messen, ob und wie eine Marke in diesen Antworten vorkommt, und die Quellen zu verbessern, auf die die Assistenten zurückgreifen. KI kommt auf beiden Seiten zum Einsatz: Die Suchmaschinen sind LLMs, und die Monitoring-Werkzeuge nutzen LLMs, um Prompts in großem Umfang auszuführen, Erwähnungen zu klassifizieren und Korrekturen vorzuschlagen.

Problem & Nutzen

• Heute: Marketingteams verfolgen Rankings und Klicks. In KI-Antworten gibt es oft keine Rangliste und keinen Klick, und die Antworten schwanken zwischen Durchläufen, Modellen, Sprachen und Nutzern. Marken wissen nicht, ob sie empfohlen, korrekt beschrieben oder durch einen Wettbewerber ersetzt werden.
• KI-Nutzen: automatisierte, wiederholte Stichproben vieler Prompts über mehrere Suchmaschinen hinweg; Klassifikation von Erwähnungen, Stimmung und Sachfehlern; Analyse, welche Drittseiten zitiert werden; Entwurf von Inhalten und Korrekturen an strukturierten Daten zur menschlichen Prüfung.
• Evidenzbasis: Das ursprüngliche GEO-Paper (Aggarwal et al., KDD 2024) berichtet, dass das Hinzufügen von Quellenangaben, Zitaten und Statistiken zu Inhalten die Sichtbarkeit in Antworten generativer Suchmaschinen in seinem Benchmark um bis zu etwa 40 % steigerte, während Keyword-Stuffing kaum half. Das sind Ergebnisse eines Forschungs-Benchmarks, keine Garantien für produktive Suchmaschinen [1].
• Realistische Einordnung: GEO überschneidet sich stark mit gutem SEO. Google erklärt, dass seine KI-Funktionen (AI Overviews, AI Mode) dieselben grundlegenden SEO-Praktiken nutzen und dass keine spezielle Auszeichnung nötig ist, um zu erscheinen [2].

Varianten

• Lokales KMU / Gastgewerbe: korrekte Einträge in Google Business Profile, Bing Places, Bewertungsplattformen und Kartendaten, die Assistenten für Fragen wie „bester X in meiner Nähe" wiederverwenden.
• E-Commerce: saubere Produktfeeds, schema.org-Product-Daten und Bewertungen; einige Assistenten bieten Produktfeeds oder Checkout-Integrationen (siehe REC-001, KNOW-005).
• B2B / SaaS: Vergleichsseiten, Dokumentation, Analysten- und Community-Erwähnungen, die Assistenten bei Fragen wie „bestes Werkzeug für ..." zitieren.
• Verlage und Medien: Sichtbarkeit gegenüber Lizenzierung und Crawling-Kontrolle (Suchcrawler zulassen, über Trainingscrawler entscheiden).
• Überwachung von Ruf und Korrektheit: falsche Aussagen zu Preisen, Öffnungszeiten, Sicherheit oder rechtlichen Fakten erkennen, auch für Behörden und gemeinnützige Organisationen.
• Private Nutzung: Einzelpersonen, die prüfen, was Assistenten über sie sagen, sind ein Fall betroffener Personen, siehe die DSGVO-Hinweise unten.

So funktioniert es

1. Themen- & Prompt-Design (Kundenfragen × Markt × Sprache × Persona)
2. geplante Stichproben der Engines (API oder UI-basiert, N Wiederholungen je Prompt)
3. Antwort-Parsing (Marken-/Wettbewerbernennungen, Quellenangaben, Stimmung, Behauptungen)
4. Quellenanalyse (welche Domains und Seiten werden zitiert; eigene vs. fremde)
5. Lückenanalyse (fehlende Fakten, schwache Seiten, blockierte Crawler, fehlende strukturierte Daten)
6. Maßnahmenplan (Inhalte, PR/verdiente Erwähnungen, technische Korrekturen)
7. menschliche Prüfung
8. veröffentlichen
9. erneut messen (Trend, Share of Voice, KI-Referral-Traffic)

• Prompt-Set: 50-300 realistische Fragen, aufgebaut aus Suchanfragen, Verkaufsgesprächen und Support-Tickets; ein LLM kann sie erweitern und clustern, Menschen validieren. Vermeiden Sie Prompts, die nur die Marke nennen, da sie die Sichtbarkeit überschätzen.
• Stichproben: Antworten sind nicht deterministisch und personalisiert, daher wird jeder Prompt wiederholt ausgeführt und das Ergebnis als Quote mit Spannweite angegeben, nicht als einzelner Rang.
• Klassifikation: Ein LLM als Bewerter (LLM-as-Judge) oder ein kleiner Klassifikator vergibt Labels für Erwähnung, Position, Stimmung und sachliche Korrektheit anhand eines Faktenblatts als Referenz; Stichprobenkontrolle durch Menschen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Menschen genehmigen alle veröffentlichten Inhalte, Faktenkorrekturen und PR-Ansprachen. Inhalte werden nie automatisch in großem Umfang veröffentlicht.

Datenaufbereitung

Die Daten sind hier überwiegend öffentlich oder gehören dem Marketing: ein Prompt-Set mit Kundenfragen je Thema und Sprache, erhobene Antworten und Quellenangaben von KI-Assistenten, Ihre Website-Inhalte, strukturierte Daten, Produktfeeds und robots.txt-Regeln. In einem KMU liegen die Inhalte im CMS oder Shopsystem, im Google-Business-Profil und auf Bewertungsportalen; Produktfakten können über ERP, PDFs und Broschüren verstreut sein. Typische Lücken sind veraltete oder widersprüchliche Fakten über Kanäle hinweg, fehlende strukturierte Daten, keine Liste echter Kundenfragen und keine Basismessung.

Schritte der Aufbereitung: - Echte Kundenfragen aus Support-Mails, Verkaufsgesprächen und Suchanfragen sammeln, um das Prompt-Set aufzubauen (PREP-016). - Je Produkt, Leistung und Standort ein maßgebliches Faktenblatt erstellen und Widersprüche beheben (PREP-013). - Terminologie und Synonyme angleichen (PREP-015). - Strukturierte Daten prüfen und sicherstellen, dass Crawler nicht versehentlich blockiert werden. - Eine Ausgangsmessung festhalten: jeden Prompt wiederholt ausführen, da die Antworten schwanken.

Der Aufwand ist gering, etwa 15 bis 25 Prozent der Arbeit, überwiegend Bereinigung von Inhalten. Es werden keine personenbezogenen Daten benötigt, daher ist der DSGVO-Aufwand klein.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Spezialisierte GEO-Monitoring-Werkzeuge sind erschwinglich und Standard; eine eigene Datenintegration ist nicht nötig.
• Großunternehmen (A): Das ist eine Standardfunktion des Monitorings, und Werkzeuge decken das Prompt-Tracking über mehrere Märkte ab; ergänzen Sie B nur für individuelle Berichte.
• Entwickler (B): Ein eigenes Prompt-Sampling und Zitations-Tracking über Modell-APIs gibt Kontrolle über Prompt-Sets und Daten.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• KI-Sichtbarkeits-Tracker: Profound, Semrush AI Visibility / AI Toolkit, Ahrefs Brand Radar, Similarweb AI Tracking, Peec AI (Berlin, EU), OtterlyAI (Österreich, EU), Scrunch, Evertune. Prüfen Sie abgedeckte Suchmaschinen, Länder/Sprachen, Abtasthäufigkeit, Prompt-Limits, Datenexport und ob die Ergebnisse aus echten Oberflächen-Sitzungen oder API-Aufrufen stammen.
• Klassische SEO-Suiten (Sistrix, Searchmetrics - beide deutsch; Semrush, Ahrefs) ergänzen zunehmend Module für KI-Antworten.
• A wählen, wenn: Sie in wenigen Tagen Dashboards wollen und keine Entwickler haben.
• Prüfen: Transparenz der Methodik; die Anbieter unterscheiden sich stark, und Zahlen verschiedener Werkzeuge stimmen selten überein.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Suchmaschinen programmatisch abfragen: OpenAI Responses API mit Websuche-Werkzeug, Google Gemini API mit Search Grounding, Perplexity Sonar API, Anthropic Claude API mit Websuche-Werkzeug, Mistral (EU-Anbieter) mit seinem Websuche-Konnektor. API-Antworten können von den Verbraucher-Apps abweichen, verstehen Sie sie daher als Näherung.
• Analyse: Ein LLM mit strukturierten Ausgaben extrahiert Erwähnungen, Quellenangaben und Aussagen; Embeddings clustern Prompts und zitierte Seiten; Ergebnisse liegen in einem Data Warehouse (BigQuery, Snowflake, Postgres) mit einem BI-Werkzeug.
• Orchestrierung: n8n, Airflow oder ein Cron-Job; Rohantworten zur Nachvollziehbarkeit speichern.
• B wählen, wenn: Sie eigene Prompt-Sets, viele Märkte oder die Integration in Ihr eigenes BI benötigen.

Weg C — Selbst betreiben (Open Source)

• Offene LLMs (Familien Llama, Qwen, Mistral, gpt-oss), betrieben mit vLLM oder Ollama, können die Klassifikation, Bewertung und Zusammenfassung der gesammelten Antworten übernehmen; Embeddings über BGE oder Ähnliches.
• Das Einsammeln der Antworten erfordert weiterhin den Aufruf der kommerziellen Suchmaschinen oder ihrer APIs. Das Scrapen der Chat-Oberflächen für Verbraucher verstößt meist gegen die Nutzungsbedingungen; bevorzugen Sie offizielle APIs.
• Prüfung der eigenen Website: Lighthouse, Screaming Frog, Scrapy/Crawl4AI, ein Validator für robots.txt und schema.org. Hardware: HW0-HW1 für die Prüfung; HW2 nur, wenn Sie große Mengen lokal bewerten.

Weg D — Eigenes Training

Selten sinnvoll. Ein feingetunter kleiner Klassifikator zur Kennzeichnung von Erwähnung/Stimmung ist für Agenturen möglich, die Tausende Marken überwachen. Trainingsdaten: einige Tausend von Menschen gelabelte Antworten.

Stand der Technik (2026)

• Suchmaschinen: ChatGPT Search, Google AI Overviews und AI Mode, Gemini, Perplexity, Microsoft Copilot und Claude mit Websuche sind die wichtigsten Antwortmaschinen; sie kombinieren Live-Abruf mit Modellwissen und zitieren eine kleine Auswahl von Quellen.
• Technischer Zugriff: OpenAI dokumentiert getrennte Crawler (OAI-SearchBot für die Aufnahme in die Suche, GPTBot für das Training, ChatGPT-User für vom Nutzer ausgelöste Abrufe), sodass eine Website die Suche zulassen und dem Training widersprechen kann [3]. Google steuert die KI-Nutzung von Inhalten über den Googlebot-Zugriff, nosnippet und verwandte Direktiven und bietet Google-Extended für den Ausschluss aus Gemini-Training und Grounding.
• Was tendenziell zitiert wird: gut strukturierte, sachliche, aktuelle Seiten; Dokumentation; Bewertungen Dritter, Vergleichsartikel, Wikipedia, Foren wie Reddit. Verdiente Erwähnungen zählen so viel wie die eigene Website. Strukturierte Daten (schema.org [4]) helfen Maschinen, Seiten zu interpretieren, doch die Suchmaschinen nennen keine garantierte Ranking-Wirkung.
• llms.txt (ein vorgeschlagener Markdown-Index für LLMs [5]) ist ein Vorschlag aus der Community; große Suchmaschinen haben nicht bestätigt, dass sie sich darauf stützen. Als optional und kostengünstig behandeln.
• Grenzen und Fehlerbilder: hohe Schwankung zwischen Durchläufen; Effekte von Personalisierung und Standort; Werkzeuge der Anbieter messen unterschiedliche Prompt-Sets; es gibt keine offiziellen Berichte der Suchmaschinen (keine „Search Console für ChatGPT"), daher ist die Zuordnung von Traffic unvollständig; halluzinierte Fakten über Marken bleiben bestehen, auch nachdem Quellen korrigiert wurden; Manipulationstaktiken (versteckter Text, Prompt Injection in Seiten, Fake-Bewertungsfarmen) werden bestraft oder herausgefiltert und bergen rechtliche Risiken.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (llm-general, web-scraping, text-classifier, workflow-automation): LANG-017 Wettbewerbsbeobachtung, KNOW-015 Deep-Research-Agenten, LANG-013 Stimmungsanalyse.
• Inhaltsseite: LANG-005 SEO-Inhaltsproduktion, LANG-011 Umschreiben im Markenton; REC-006 für Kampagnen-Personalisierung.
• Messung: REC-005 Marketing-Mix-Modellierung und Attribution (KI-Verweise als Kanal ergänzen); KNOW-005 für Suche auf der Website und Qualität der Produktdaten, REC-001 für Shop-Empfehlungen.
• Monitoring-Prompts und Bewertungs-Pipelines lassen sich für Qualitätsprüfungen von KI-Antworten in anderen Anwendungsfällen wiederverwenden.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis zur Einrichtung; SaaS-Abonnements skalieren typischerweise mit der Zahl der Prompts, Suchmaschinen und Märkte; Einstiegstarife sind für KMU erschwinglich, Unternehmenstarife kosten deutlich mehr.
• Weg B: 2-6 Wochen für eine erste Pipeline; API-Kosten skalieren mit Prompts × Wiederholungen × Suchmaschinen × Märkten; planen Sie wöchentliche Wiederholungsläufe ein.
• Weg C: 1-3 Monate inkl. Betrieb; nur bei Mengen- oder Vertraulichkeitsbedarf lohnend.
• Kennzahlen: Erwähnungsquote und Zitierquote je Thema, Share of Voice gegenüber benannten Wettbewerbern, Korrektheit der Antworten (Anteil richtiger Markenfakten), Stimmung, Sitzungen und Conversions über KI-Verweise (aus Referrern der Webanalyse), Zugriffe von KI-Crawlern in Server-Logs, Zeit bis zur Korrektur einer falschen Aussage.

Menschen & Veränderung

Die Geschäftsleitung setzt das Ziel und akzeptiert, dass Sichtbarkeit in KI-Antworten schwer steuerbar ist. Die Marketing- oder Kommunikationsleitung verantwortet den Prozess, und die Web-Redaktion erledigt die Arbeit; die IT betreut CMS und strukturierte Daten, und Recht oder Compliance prüfen Aussagen zu Produkten, damit korrigierte Inhalte korrekt und fair bleiben.

Betriebsrat: nein, weil das Werkzeug externe Antworten überwacht und kein Verhalten von Beschäftigten. Prüfen Sie nur, ob die Aktivität der Redakteure einzeln protokolliert würde; § 90 Abs. 1 Nr. 3 BetrVG verlangt dennoch eine rechtzeitige Unterrichtung, wenn sich Arbeitsabläufe spürbar ändern. Die Prüfung durch die oder den Datenschutzbeauftragten ist eine kurze Formsache, sofern Prompts keine personenbezogenen Daten enthalten.

KI-Kompetenz: Unterstützen Sie das Redaktionsteam mit einer kurzen Einführung dazu, wie KI-Assistenten Quellen auswählen und warum Antworten zwischen Durchläufen abweichen (KI-Verordnung Art. 4 unterstützt dies, ohne ein bestimmtes Niveau zu garantieren). Starten Sie einen Pilot mit einer Produktlinie oder einem Standort und einem festen Prompt-Set und vergleichen Sie dann mit der Ausgangsmessung. Typische Bedenken sind unrealistische Versprechen von Agenturen und die Furcht vor Manipulation; begegnen Sie ihnen mit ehrlichen Kennzahlen (Erwähnungs- und Zitierquote), ohne versteckten Text oder gefälschte Bewertungen und mit menschlicher Freigabe aller veröffentlichten Inhalte.

Siehe GUIDE-001, GUIDE-009 und GUIDE-007.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Das Monitoring selbst birgt minimales Risiko; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Mit KI erzeugte und veröffentlichte Inhalte, die die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informieren, können nach Art. 50 offenzulegen sein, außer sie wurden menschlich geprüft und unterliegen redaktioneller Verantwortung. Kein Art.-5-Bereich, aber manipulative Techniken gegenüber schutzbedürftigen Nutzern wären es [6].
• DSGVO: Prompts und Antworten über namentlich genannte Personen (Gründer, Ärzte, Handwerker) sind personenbezogene Daten. Das Recht auf Berichtigung und Löschung kann gegenüber den Anbietern der Suchmaschinen geltend gemacht werden; noyb hat Beschwerden zu Chatbot-Halluzinationen über Einzelpersonen eingereicht. Speisen Sie keine Kundendaten in Tracking-Prompts ein. Prüfen Sie AVV mit Werkzeuganbietern und wo diese Daten verarbeiten [7].
• Wettbewerbs- und Werberecht: UWG und die Richtlinie über unlautere Geschäftspraktiken verbieten gefälschte Bewertungen und nicht gekennzeichnete Werbung; die Omnibus-Regeln zu Bewertungen gelten. Bezahlte Erwähnungen müssen gekennzeichnet werden.
• Urheberrecht/TDM: robots.txt und maschinenlesbare Nutzungsvorbehalte nach Art. 4 DSM-Richtlinie sowie der Verhaltenskodex für KI-Modelle mit allgemeinem Verwendungszweck (GPAI) des AI Act sind für die Entscheidung relevant, welche Crawler zugelassen werden.
• DSA: Große Suchmaschinen müssen die Parameter ihrer Empfehlungssysteme erläutern; nützlich für Beschwerden, aber kein Anspruch auf ein Ranking.
• Gegenmaßnahmen: offizielle APIs, Faktenblatt als Referenz, menschliche Freigabe, keine täuschenden Taktiken, dokumentierte Methodik.

Erste Schritte

1. Ein Faktenblatt (Name, Angebote, Preise, Standorte, Alleinstellungsmerkmale) und 50 realistische Kunden-Prompts in den Sprachen Ihrer Märkte erstellen.
2. Zugriff prüfen: robots.txt-Regeln für OAI-SearchBot, Googlebot, PerplexityBot, Bingbot; Server-Logs auf KI-Crawler.
3. Zwei Wochen lang eine Ausgangsmessung durchführen (manuell oder mit einer Testversion eines Werkzeugs), jeden Prompt mehrfach wiederholt.
4. Zuerst die Grundlagen beheben: korrekte Unternehmensprofile, klare Faktenseiten, schema.org, aktuelle Datumsangaben, FAQs mit echten Antworten; danach Erwähnungen in den zitierten Drittquellen erarbeiten.
5. Monatlich neu messen, KI-Verweise in der Webanalyse verfolgen und Spannweiten statt Ränge berichten.

Quellen

1. Aggarwal et al., "GEO: Generative Engine Optimization" (KDD 2024) - https://arxiv.org/abs/2311.09735
2. Google Search Central - AI features and your website - https://developers.google.com/search/docs/appearance/ai-features
3. OpenAI - Overview of OpenAI crawlers - https://platform.openai.com/docs/bots
4. schema.org - Product and Organization vocabulary - https://schema.org/docs/documents.html
5. llms.txt proposal - https://llmstxt.org/
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Perplexity - Sonar API docs - https://docs.perplexity.ai/