GEO: Sichtbarkeit in der Ära von KI-Suchsystemen

Neben klassischem SEO gewinnt Generative Engine Optimization (GEO) zunehmend an Bedeutung. Dabei geht es darum, Inhalte so zu optimieren, dass sie auch in KI-basierten Suchsystemen und Antworten, etwa in generativen Suchergebnissen, sichtbar sind. Strukturierte Inhalte, klare Aussagen und vertrauenswürdige Quellen sind dabei ausschlaggebend.

Unternehmen, die früh auf GEO setzen, sichern sich Wettbewerbsvorteile in der nächsten Generation der Suche. Die Agentur Saphir Solution unterstützt dabei, Inhalte gezielt für moderne Suchtechnologien auszurichten und langfristig sichtbar zu bleiben.

Wer heute etwas recherchiert, landet nicht mehr zwangsläufig auf einer Liste mit zehn blauen Links. Am Anfang steht immer öfter eine fertige Antwort, zusammengefasst von einem Sprachmodell und im besten Fall mit ein paar Quellen versehen. Für Unternehmen verschiebt sich damit eine Annahme, die zwei Jahrzehnte lang stabil war: Sichtbarkeit in der Suche bedeutete, möglichst weit oben in der Ergebnisliste zu stehen. Inzwischen bedeutet sie auch, in der generierten Antwort selbst vorzukommen.

Der Begriff GEO ist noch jung und wird in der Branche nicht einheitlich verwendet. Manche sprechen von AI Search Optimization, andere von Answer Engine Optimization. Gemeint ist in allen Fällen dasselbe Problem: Wie schafft es ein Unternehmen, dass ein KI-System seine Inhalte findet, versteht, für vertrauenswürdig hält und in einer Antwort zitiert?

Was GEO von klassischem SEO unterscheidet

Klassisches SEO arbeitet mit Ranking-Positionen. Es gibt eine Ergebnisseite, es gibt Plätze darauf, und die Aufgabe besteht darin, einen guten davon zu bekommen. In KI-Suchsystemen existiert diese klare Ordnung nicht mehr. Das Modell sucht sich Bausteine aus verschiedenen Quellen zusammen und formuliert daraus einen neuen Text. Ob eine Marke darin auftaucht, hängt weniger von einer Position ab als davon, wie gut sich die Inhalte für diesen Zusammenbau eignen.

Das hat praktische Folgen. Ein Text, der eine Frage erst nach vier Absätzen Anlauf beantwortet, liefert dem Modell nichts, was es sauber übernehmen könnte. Eine Seite ohne klare Aussagen, ohne Zahlen und ohne benennbaren Absender ist für ein Sprachmodell schwer verwertbar. Und ein Unternehmen, das nur auf der eigenen Website über sich schreibt, sonst aber nirgends erwähnt wird, hinterlässt wenig Belegmaterial im Netz, auf das sich ein Modell stützen könnte.

Wer früh damit anfängt, verschafft sich einen Vorsprung, der sich später kaum aufholen lässt, weil Erwähnungen und Vertrauen Zeit brauchen.

Struktur schlägt Wortmenge

Sprachmodelle zerlegen Texte in Abschnitte und bewerten, welcher Abschnitt zu einer Frage passt. Je klarer ein Text gegliedert ist, desto einfacher fällt diese Zuordnung. Zwischenüberschriften, die eine konkrete Frage aufgreifen, helfen mehr als kreative Formulierungen. Ein Absatz, der mit der Antwort beginnt und danach begründet, wird häufiger übernommen als einer, der die Antwort im letzten Satz versteckt. Auch Tabellen, Definitionen und kurze Zusammenfassungen am Anfang eines Beitrags erhöhen die Chance, dass ein System den passenden Ausschnitt greift.

Formate mit klarer Frage-Antwort-Logik funktionieren dabei besonders gut. Ein Glossar, das Fachbegriffe in zwei bis drei Sätzen erklärt, ein FAQ-Bereich mit echten Kundenfragen statt Marketingfloskeln, eine Übersicht mit Vergleichskriterien: solche Seiten sind für Menschen nützlich und für Maschinen leicht zu verarbeiten. Wichtig ist, dass die Aussagen eindeutig bleiben. Formulierungen wie „unter Umständen kann es sinnvoll sein“ liefern nichts, was ein System weitergeben könnte.

Dazu kommt die technische Seite. Strukturierte Daten nach schema.org, saubere Seitentitel, eine nachvollziehbare interne Verlinkung und eine Website, die von den Crawlern der KI-Anbieter überhaupt gelesen werden darf. Viele Unternehmen sperren diese Bots per robots.txt aus, ohne die Folge zu kennen: Wer nicht gelesen wird, wird auch nicht zitiert. Das kann man so entscheiden, man sollte es aber bewusst tun.

Vertrauen entsteht außerhalb der eigenen Website

Ein Modell prüft keine Fakten im menschlichen Sinn. Es gewichtet Muster: Wie oft taucht ein Unternehmen in einem thematischen Zusammenhang auf, in welchen Quellen, mit welcher Konsistenz? Wenn ein Anbieter in Fachmedien, Branchenverzeichnissen, Interviews und Beiträgen Dritter mit denselben Angaben erscheint, verdichtet sich daraus ein stabiles Bild. Widersprüchliche Angaben zu Standort, Leistungsspektrum oder Firmierung schwächen es wieder.

Für die Praxis heißt das: Digital-PR, Fachbeiträge und Erwähnungen in glaubwürdigen Publikationen wirken doppelt. Sie bringen Leser, und sie liefern dem Modell Belege. Der klassische Backlink verliert dadurch nicht an Wert, aber die reine Erwähnung ohne Link gewinnt hinzu, weil Sprachmodelle Text auswerten und nicht nur Verweise zählen.

Hilfreich ist außerdem, wer erkennbar hinter einem Inhalt steht. Namentlich gezeichnete Fachbeiträge, Angaben zur Qualifikation der Autoren und ein vollständiges Impressum sind keine Formalie. Sie sind Anhaltspunkte, an denen sich ein System orientiert, wenn es zwischen zwei widersprüchlichen Quellen wählen muss.

Messen, was sich schwer messen lässt

Das größte offene Problem von GEO ist die Erfolgskontrolle. In der klassischen Suche gibt es Rankings, Impressionen und Klicks. Bei generierten Antworten fehlt vieles davon. Antworten fallen unterschiedlich aus, je nach Formulierung der Frage, je nach Nutzer und je nach Zeitpunkt. Ein Unternehmen kann heute zitiert werden und morgen nicht mehr.

Behelfsweise arbeiten Teams mit eigenen Fragenkatalogen, die sie regelmäßig gegen mehrere Systeme laufen lassen, und dokumentieren, ob und wie die Marke erscheint. Dazu kommen Serverlogs und Analytics-Daten, in denen sich Zugriffe aus KI-Anwendungen erkennen lassen. Perfekt ist das nicht. Es ersetzt aber das Bauchgefühl durch eine Beobachtungsreihe, und das reicht meistens aus, um zu entscheiden, wo nachgebessert werden muss.

Warum das im B2B früher relevant wird

Im Industrie- und Dienstleistungsumfeld beginnen Kaufprozesse häufig mit einer Orientierungsfrage. Welche Verfahren kommen für eine bestimmte Anwendung infrage, welche Normen gelten, welche Anbieter gibt es überhaupt? Solche Fragen beantworten Einkäufer und technische Entscheider immer öfter mit einem KI-Assistenten, weil das schneller geht, als sich durch ein Dutzend Herstellerseiten zu klicken. Wer in dieser frühen Phase nicht genannt wird, steht später oft nicht auf der Anfrageliste.

Gerade in Nischen ist die Ausgangslage dabei besser, als viele erwarten. Zu speziellen Fachthemen existieren wenige belastbare Quellen. Ein Unternehmen, das seine Anwendungsfälle sauber dokumentiert, technische Fragen verständlich beantwortet und Daten offenlegt, kann dort schnell zur bevorzugten Referenz werden. Im Massenmarkt ist derselbe Effekt deutlich schwerer zu erreichen.

Was vom klassischen SEO bleibt

Ziemlich viel. Ladezeiten, Indexierbarkeit, verständliche Inhalte und eine sinnvolle Seitenarchitektur sind Voraussetzung für beides. KI-Systeme greifen zu einem großen Teil auf denselben Index zurück wie die klassische Suche und bevorzugen Quellen, die dort schon gut bewertet sind. GEO ist deshalb keine Ablösung, sondern eine zusätzliche Anforderungsebene auf einer Basis, die ohnehin stimmen muss.

Wer den Aufwand für sich einordnen will, kann mit einer einzigen Übung anfangen: Welche zehn Fragen stellen Kunden, bevor sie zum ersten Mal anrufen? Diese Fragen in einen KI-Assistenten eingeben, die Antworten lesen und prüfen, wer darin vorkommt. Das Ergebnis ist unangenehm konkret. Es zeigt in wenigen Minuten, ob ein Unternehmen in der neuen Suche stattfindet oder ob andere die Antworten liefern.