Die wichtigsten Begriffe, um Generative Engine Optimization (GEO) zu verstehen und zu wissen, wie Marken ihre Präsenz in KI-generierten Antworten verbessern.
Die Arbeit daran, wie eine Marke in KI-generierten Antworten erscheint. GEO befasst sich mit Sichtbarkeit, Prominenz, Kontext und den Quellen, die die Präsenz einer Marke in Werkzeugen wie ChatGPT, Claude, Gemini oder Perplexity stützen.
Eine verwandte Disziplin, die Inhalte dafür optimiert, in den direkten Antwortformaten von KI-Assistenten und Suchmaschinen zu erscheinen, etwa in Featured Snippets und in dialogischen KI-Antworten.
SEO optimiert für sortierte Linklisten auf Basis von Keywords und Backlinks. GEO optimiert dafür, wie Informationen von KI-Modellen ausgewählt, zusammengefasst und zitiert werden. SEO zielt auf die Suchergebnisseite, GEO auf die KI-generierte Antwort.
Ein KI-System, das auf sehr großen Textmengen trainiert wurde, Sprache vorhersagt und erzeugt und inzwischen Fragen direkt beantwortet, statt Links zu liefern. ChatGPT, Claude, Gemini, Perplexity und Copilot bauen alle auf einem auf. Für eine Marke ist die entscheidende Eigenschaft, dass ein LLM Sie nicht in einer Datenbank nachschlägt: es setzt die Antwort aus dem zusammen, was es in diesem Moment abruft, weshalb dieselbe Frage zweimal gestellt verschiedene Unternehmen nennen kann. In unserer eigenen Messung ergab eine Frage, dreimal in Spanien gestellt, 11 verschiedene zitierte Domains, und 4 davon tauchten genau einmal auf.
Wie zuverlässig ein KI-System eine Quelle zu einem Thema einschätzt, sichtbar daran, ob es sie abruft und zitiert. Es ist kein Wert, den irgendeine Plattform veröffentlicht, und niemand außerhalb der Labore kann ihn direkt messen. Das ist erwähnenswert, weil einige Werkzeuge das Gegenteil nahelegen. Was kontrollierte Forschung stützt, ist enger und nützlicher: in der Princeton-Studie GEO-bench über 10.000 Anfragen erhöhten Zitate den Anteil einer Quelle an der Antwort um 41 %, Statistiken um 30 % und belegte Quellen um 27 %, während Keyword-Stuffing schlechter abschnitt als gar nichts zu tun.
Ob eine bestimmte Seite genug nachprüfbare Substanz trägt, dass ein Modell sie verwenden kann, im Unterschied zum Ansehen der Website, auf der sie liegt. Beides fällt oft auseinander: die Produktseite einer bekannten Marke kann gegen einen unabhängigen Blog zur selben Frage verlieren, weil der Blog vergleicht und die Produktseite verkauft. In unserer Messung zur Flugbuchung waren die in jedem Durchlauf in Spanien zitierten Domains zwei Metasuchen, Reddit, Instagram und TikTok, während die großen transaktionalen Buchungsseiten die stabile Menge nie erreichten.
Wie oft eine Marke über die verfolgten Prompts hinweg in KI-generierten Antworten erscheint. Sichtbarkeit ist die Grundkennzahl im GEO: taucht Ihre Marke nicht auf, ist alles andere ohne Bedeutung.
An welcher Stelle eine Marke steht, wenn sie in einer KI-generierten Antwort genannt wird (1., 2., 3. usw.). Eine höhere Position heißt, dass das Modell die Marke für relevanter zur Frage hält.
Die Zahl der KI-generierten Antworten, in denen eine Marke vorkommt. Nennungen über die Zeit zu verfolgen zeigt, ob die Präsenz einer Marke über die KI-Plattformen hinweg wächst oder schrumpft.
Der Anteil einer Marke an den KI-Nennungen im Vergleich zum Wettbewerb. Er zeigt, wie viel des Gesprächs einer Marke gehört, innerhalb eines Themas oder einer Kategorie in KI-generierten Antworten.
Der Anteil der KI-Systeme, die eine Marke nennen, wenn man ihnen eine passende Frage stellt. Diese Kennzahl existiert, weil die Abdeckung nicht einheitlich ist: ein Unternehmen kann von ChatGPT empfohlen und bei Claude abwesend sein, und ein Bericht über eine einzige Engine zeigt das nicht. Dasselbe gilt über Länder hinweg. Als wir in den Vereinigten Staaten, Spanien und Frankreich fragten, welches Werkzeug für KI-Sichtbarkeit man nehmen soll, zwölf Durchläufe insgesamt, wurde kein einziges Werkzeug in mehr als einem Markt beständig zitiert, und die stabilen Mengen überschnitten sich überhaupt nicht.
Wie positiv oder negativ eine Marke in KI-generierten Antworten beschrieben wird. Die Sentiment-Analyse zeigt, ob KI-Modelle eine Marke mit vorteilhaften oder nachteiligen Eigenschaften verbinden.
Die Domains und URLs, die KI-Modelle zitieren, wenn sie Antworten über eine Marke erzeugen. Quellen zu verfolgen zeigt, welche Inhalte beeinflussen, wie KI-Werkzeuge eine Marke darstellen.
Wie oft KI-Modelle bestimmte Quellen zitieren oder auf sie verweisen, wenn sie eine Marke nennen. Eine höhere Zitationshäufigkeit zeigt, dass die KI diese Quellen für maßgeblich und vertrauenswürdig hält, wenn es um Informationen über Ihre Marke geht.
Eine einzelne Zahl, die zusammenfasst, wie oft und wie prominent eine Marke in KI-Antworten erscheint. Jeder Anbieter berechnet sie anders und keiner veröffentlicht die Formel, deshalb können zwei Werkzeuge am selben Tag sehr verschiedene Werte für dieselbe Marke berichten und beide in sich stimmig sein. Behandeln Sie ihn als Trendlinie für Ihr eigenes Konto, nicht als Zahl für den Vergleich zwischen Werkzeugen oder für die Außenkommunikation. Ob ein solcher Wert überhaupt etwas bedeutet, entscheidet die Zahl der Durchläufe dahinter: bei einer Nennungsrate um 30 % ergeben hundert Durchläufe immer noch ein Konfidenzintervall von 21 % bis 39 %.
Wenn ein KI-System seine Quelle beim Antworten nennt oder verlinkt. Die Quellenangabe wiegt schwerer als eine Nennung, weil eine zitierte Quelle eine ist, auf die sich das System gestützt hat, statt sie nur zu erinnern, und weil ein Link der einzige Teil einer KI-Antwort ist, der noch einen Besuch schicken kann. Es ist außerdem die messbare Hälfte: man kann prüfen, aus welchen Domains eine Antwort gebaut wurde. Als wir fragten, welches Werkzeug für KI-Sichtbarkeit man nehmen soll, sechs Durchläufe in den Vereinigten Staaten, waren die jedes Mal zitierten Domains Reddit und YouTube, und kein finanzierter Anbieter wurde ein einziges Mal zitiert.
Die natürlichen, alltagssprachlichen Fragen, mit denen KI-Modelle abgefragt werden, so wie Menschen sie Werkzeugen wie ChatGPT tatsächlich stellen. Zum Beispiel: "Welcher Onlineshop ist der beste, um Laufschuhe in Spanien zu kaufen?" Prompts können eigene sein oder aus empfohlenen Sets mit hoher Kaufabsicht stammen.
Die Auswahl der Fragen, an denen eine Marke gemessen wird, in den Worten, die ein Kunde tatsächlich tippen würde. Das ist eine andere Arbeit als das Prompt Engineering, mit dem man einem Modell bessere Ausgaben entlockt: hier sind die Prompts das Messinstrument, sie müssen vor einem Test eingefroren und danach in Ruhe gelassen werden. Die Regel, die entscheidet, ob ein Prompt-Set etwas taugt: die Frage darf Ihren Markennamen nicht enthalten. Eine Frage, die Sie bereits nennt, misst Ihren Ruf und nicht Ihre Auffindbarkeit, und sie ist die bequeme, weil sie voll zurückkommt.
Eine strukturierte Textdatei auf einer Website, ähnlich wie robots.txt, die LLMs klare, maschinenlesbare Informationen über eine Marke, ihre Produkte und ihre wichtigsten Fakten gibt. EchoWi empfiehlt llms.txt, damit KI-Modelle Ihre Marke besser verstehen und darstellen.
Wenn ein KI-System etwas über eine Marke behauptet, das nicht stimmt: ein erfundener Preis, ein eingestelltes Produkt, eine Fusion, die es nie gab. Meist bedeutet es, dass das Modell zu wenig konsistente Information gefunden und die Lücke gefüllt hat. Der Fehler passiert leise, weil ein erfundenes Detail sich genauso liest wie ein richtiges, und er wiederholt sich in großem Maßstab, bis sich die zugrunde liegenden Quellen ändern. Darauf zu prüfen ist nicht dasselbe wie zu prüfen, ob Sie genannt werden: eine Marke kann in jeder Antwort vorkommen und in der Hälfte falsch beschrieben sein.
Einem KI-System zu helfen, Ihre Marke von allem anderen zu unterscheiden, das denselben Namen trägt. Das kommt häufiger vor, als es klingt, und es verzerrt echte Entscheidungen. Die Nachfrage nach dem Kürzel AEO liegt in den Vereinigten Staaten bei 27.100 Suchanfragen im Monat, von denen die meisten American Eagle Outfitters und einer Zollzertifizierung gehören. Die Suche nach dem Sichtbarkeitswerkzeug Wellows ergibt 5.400, davon 4.771 für eine Kompressionsstrumpfmarke namens Wellow. Wenn ein Modell Sie nicht von Ihren Namensvettern trennen kann, kann es ein Keyword-Werkzeug auch nicht, und beide Fehler kosten Geld.
Eine strukturierte Karte von Entitäten und ihren Beziehungen, mit der Such- und KI-Systeme herausfinden, dass ein Name auf ein bestimmtes Unternehmen verweist und nicht auf ein Wort. Deshalb wird eine gut vernetzte Marke konsistent beschrieben und eine mehrdeutige mit ihren Namensvettern verwechselt. Einen Wissensgraphen kann man nicht direkt bearbeiten. Was man tun kann, ist die zugrunde liegenden Fakten überall gleich zu halten, denn der Graph wird aus öffentlichen Quellen zusammengesetzt und nicht von Ihnen erklärt.
Maschinenlesbare Auszeichnung wie Schema.org JSON-LD auf Webseiten, die KI-Modellen und Suchmaschinen hilft, Inhalt und Kontext einer Seite zu verstehen. Die Wirkung auf KI-Zitationen ist nicht belegt: eine kontrollierte Untersuchung von 1.885 Seiten gegen rund 4.000 Kontrollen fand nach dem Hinzufügen von Schema keinen signifikanten Anstieg. Behandeln Sie es also als Weg, Entitäten und Inhalte ausdrücklich zu benennen, und nicht als Hebel für Zitationen.
Wie oft ein KI-System auffrischt, was es weiß, entweder durch erneutes Training oder durch erneutes Abrufen aus dem lebenden Web. Er setzt die Untergrenze dafür, wie schnell eine Änderung von Ihnen überhaupt sichtbar werden kann, und er schwankt enorm: ein Modell, das aus seinen Trainingsdaten antwortet, kann Monate hinterher sein, während eines, das zur Anfragezeit sucht, eine heute Morgen veröffentlichte Seite abbilden kann. Das ist der Hauptgrund, warum es für GEO-Arbeit keinen ehrlichen Zeitplan gibt. Der einzige Weg, den eigenen zu kennen, ist ein eingefrorenes Fragenset, über mehrere Wochen gegen eine Kontrolle gemessen.
Eine KI-Architektur, bei der das Modell erst passende Dokumente abruft und dann die Antwort erzeugt, statt sich allein auf Trainingsdaten zu stützen. Werkzeuge wie Perplexity nutzen RAG für aktuellere und belegte Antworten.
Googles KI-generierte Antwort oben auf der Ergebnisseite, gebaut aus Teilfragen an abgerufene Seiten und deren Zusammenfassung, mit den Quellen daneben. Die Abdeckung ist nicht überall gegeben: bei der Messung von fünf Kategorien in Spanien im August 2026 lieferten zwei über dreizehn Durchläufe überhaupt kein AI Overview. Das Erste, was man prüft, ist also, ob Ihre Kategorie eines bekommt, bevor Sie fürs Beobachten zahlen.
Eine Marke über mehrere KI-Systeme gleichzeitig zu verfolgen, statt eines zu prüfen und daraus zu verallgemeinern. Das ist wichtig, weil die Engines sich uneinig sind, und weil sie der einzige Ort sind, an dem die Antwort lebt: es gibt keine Ranking-Seite zum Nachsehen. Ein brauchbares Setup setzt Land und Sprache bei jedem Durchlauf explizit, wiederholt jede Frage mehrmals und hält fest, aus welchen Quellen die Antwort gebaut wurde. Die meisten Werkzeuge sind auf die Vereinigten Staaten und Englisch voreingestellt, eine deutsche Frage kann also vom amerikanischen Markt beantwortet werden, ohne dass im Bericht etwas davon steht.
Wie ein Werkzeug Ergebnisse aus KI-Systemen zusammenführt, die unterschiedlich antworten, und warum ein einzelner Sichtbarkeitswert in die Irre führen kann. Die Oberflächen unterscheiden sich nicht nur im Wert, sondern in der Struktur. Gemessen am 8. August 2026 zitierte ChatGPT bei Definitionsfragen in neun Durchläufen ohne Caché in drei nicht verwandten Kategorien überhaupt keine Quelle, während es bei der Kauffrage derselben Kategorien zwölf bis fünfzehn Domains zitierte. Beide Google-Oberflächen zitierten in beiden Fällen. Den Mittelwert aus einer Oberfläche, die niemanden zitiert, und einer, die immer zitiert, zu bilden, ergibt eine Zahl, die kein Motor wiedererkennen würde. Eine belastbare Normalisierung hält Oberfläche, Fragetyp, Markt und Durchlaufzahl getrennt und sagt, welche davon fixiert waren.
EchoWi hilft Marken und Marketingagenturen, ihre Performance in KI-generierten Antworten zu messen, zu verbessern und zu verfolgen.
Kostenlos testen (öffnet in neuem Tab)