Die GEO-Toolbox — sechs Werkzeuge, die KI zitiert.

KI-Suchsysteme arbeiten am liebsten mit Inhalten, die nicht erraten werden müssen. Strukturierte Daten — vor allem JSON-LD nach Schema.org — sind die „Legende für Maschinen": eine kompakte Liste an einer eindeutigen Stelle, die jeden Inhalt typisiert, einordnet und mit anderen Entitäten verlinkt.

Konkrete Maßnahmen:

• Auszeichnung von Seiten als WebPage, Article, BlogPosting, Service, Product, LocalBusiness oder FAQPage — passend zum Inhaltstyp und zur Branche
• Verknüpfung von Personen (Person mit jobTitle), Organisationen (Organization mit Logo, Adresse, contactPoint) und Produkten via @id-Referenzen — verschachtelte Schemata mit Tiefe ≥ 3
• Pflege der zentralen Properties: datePublished, dateModified, author, citation, about, knowsAbout, sameAs
• BreadcrumbList auf jeder Seite — KI-Systeme verstehen daraus die hierarchische Einordnung und Deep-Linking-Pfade
• ImageObject mit caption und contentUrl, AggregateRating bei Bewertungen, HowTo bei Anleitungen
• Schema-Validität über Rich Results Test prüfen — fehlerhafte Schemata werden von KI-Systemen ignoriert

Beispiel — minimaler Article-Block, wie er auch auf dieser Seite läuft:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Die GEO-Toolbox: Vier Werkzeuge für KI-Sichtbarkeit",
  "author": {
    "@type": "Person",
    "name": "Florian Müller",
    "jobTitle": "GEO-Lead",
    "worksFor": {
      "@type": "Organization",
      "name": "medienpark GmbH & Co. KG"
    }
  },
  "datePublished": "2025-06-01",
  "dateModified": "2026-05-08",
  "citation": [
    {
      "@type": "ScholarlyArticle",
      "name": "GEO: Generative Engine Optimization",
      "url": "https://arxiv.org/abs/2311.09735"
    }
  ]
}
</script>

Praxis-Tipp: Saubere Schema.org-Auszeichnung wirkt nicht nur in KI-Antworten — sie verbessert auch klassische Rich-Results bei Google. Doppelter Effekt für eine Maßnahme.

KI-Antworten zitieren am liebsten Sätze, die man direkt übernehmen kann — ohne Interpretationsarbeit. Aggarwal et al. zeigen experimentell, dass zwei spezifische Methoden besonders wirksam sind: das Hinzufügen belastbarer Statistiken (Statistics Addition) und das gezielte Einbetten von Originalzitaten (Quotation Addition).[1]

Konkrete Maßnahmen:

• Faktenboxen am Anfang: Definitionen und Kerndaten als visuell abgesetzter Block, eindeutig auszeichenbar als DefinedTerm — die wirksamste GEO-Mikrostruktur
• Zahlen mit Quelle: Jede Behauptung mit nachprüfbarer Quelle, idealerweise mit Inline-Cite-Marker. Konkrete Zahlen statt Floskeln („25 Jahre Erfahrung" statt „langjährige Erfahrung")
• Originalzitate von Autoritäten: Quotation Addition wirkt nachweisbar — Zitate aus Studien, Whitepapers, anerkannten Praktikern, mit semantischem <cite>-Markup
• Direkte Antworten am Absatzanfang: „X ist Y, weil Z" — invertierte Pyramide. Direkter Einstieg verbessert die Zitations-Rate erheblich
• Snippet-fähige Absätze: 40–150 Wörter, 2–3 Sätze pro Absatz — die optimale Länge für Featured Snippets und KI-Antworten
• Definitionsmuster: „X ist ein Y, das Z" — klare Definitionen werden bevorzugt zitiert
• Datentabellen mit <th>-Headern: Tabellen mit Zeilen-/Spaltenüberschriften sind hervorragend zitierbar und maschinenlesbar

Beispiel — eine zitierfähige Faktenbox-Definition als Microdata:

<div itemscope itemtype="https://schema.org/DefinedTerm">
  <h3 itemprop="name">Generative Engine Optimization</h3>
  <p itemprop="description">
    GEO ist die Optimierung von Inhalten so, dass KI-Suchsysteme
    sie als Quelle zitieren — eine Erweiterung klassischer SEO
    um die Dimension der Zitations-Optimierung.
  </p>
  <meta itemprop="termCode" content="GEO" />
</div>

Praxis-Tipp: Vermeiden Sie Wischiwaschi-Adjektive („innovative Lösungen", „erstklassige Beratung"). Eine konkrete Zahl mit Quelle schlägt zehn vage Adjektive — auch in der KI-Antwort.

Aus echten Nutzerfragen werden modulare Antwort-Blöcke: vom kurzen FAQ-Eintrag bis zur Mini-Anleitung. Diese „chunk-fähigen" Module sind sofort zitierfähig und greifen in den von KI-Systemen bevorzugten Antwort-Mustern.

Warum das wichtiger wird, als man denkt: Eine 2025/26 erschienene Studie zur Quellen-Auswahl von LLM-Suchsystemen analysierte über 55.000 Suchanfragen und 1,4 Millionen Zitations-Hyperlinks. Befund: Nur 11 % der Domains werden von ChatGPT und Perplexity beide gleichzeitig zitiert — und 37 % der von KI zitierten Domains erscheinen gar nicht in klassischen Suchergebnissen.[9]

Übersetzt: Wer nur auf Google-Rankings spielt, ist in 37 von 100 KI-Antworten gar nicht erst im Auswahlspiel. Antwortbausteine sind das Mittel, um in dieses Spiel zu kommen.

Konkrete Maßnahmen:

• FAQ-Sektionen mit klar formulierten Fragen, ausgezeichnet als FAQPage — direkter Vorteil bei LLM-Zitierungen
• How-To-Anleitungen als HowTo-Schema, ergänzt um geordnete Listen (<ol>) für Schritt-für-Schritt-Prozesse
• Topic-Cluster: ein Pillar-Beitrag plus 5–10 vertiefende Cluster-Seiten, intern verlinkt mit beschreibenden Ankertexten (keine „mehr erfahren"-Links)
• TL;DR- oder „Key Takeaways"-Abschnitte am Anfang langer Artikel — werden besonders häufig direkt zitiert
• Inhaltsverzeichnis mit Sprung-Links bei langen Beiträgen: Überschriften-IDs (h2 id="...") erlauben Deep-Linking durch KI-Systeme
• Vergleichende Inhalte (/vergleich, /alternativen): KI-Systeme nutzen sie gezielt für Empfehlungen
• Definitionslisten (<dl>/<dt>/<dd>) für Glossare — eindeutig zitierbar

Beispiel — eine FAQ-Sektion als FAQPage-Schema:

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "Was kostet ein GEO-Audit?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Das medienpark GEO-Audit kostet
                 1.500 Euro zzgl. MwSt. als Festpreis.
                 Lieferzeit 10 Werktage."
      }
    }
  ]
}

Praxis-Tipp: Antwortbausteine sind besonders wertvoll für E-Commerce. Eine 2025 erschienene Studie hat speziell für E-Commerce-Inhalte gezeigt, wie modulare Antwort-Strukturen die Sichtbarkeit in KI-Empfehlungen messbar erhöhen.[11]

EEAT — Experience, Expertise, Authoritativeness, Trust — ist Googles Bewertungsrahmen für Inhaltsqualität.[6] KI-Suchsysteme nutzen ähnliche Signale, oft sogar verstärkt: Sie können sich Falschzitate nicht leisten und bevorzugen klar autoritative Quellen.

Die wahrscheinlich wichtigste Erkenntnis aus der jüngsten LLM-Citation-Forschung 2025: Brand-Search-Volumen ist der stärkste Einzel-Prädiktor für LLM-Zitationen — Korrelation 0,334. Das schlägt klassische Backlinks deutlich.[15] Übersetzt: Eine bekannte Marke wird zitiert, eine unbekannte nicht — selbst bei besseren Inhalten.

Konkrete Maßnahmen:

• Sichtbare Autoren: Vor- und Nachname, Foto, Kurzbio, berufliche Qualifikationen (Titel, Zertifikate), Kontakt-E-Mail — als Person-Schema mit jobTitle und worksFor-Verknüpfung
• Transparente Quellenlage: Inline-Cite-Marker, semantische <cite>-Tags und vollständige Bibliographie mit DOI/arXiv-Links
• Aktualität: Sichtbares datePublished UND dateModified, regelmäßige Inhaltspflege — LLMs bevorzugen frische Inhalte (Aktualisierung < 12 Monate)
• Trust-Anchor-Seiten: Substanzielle Über-uns-Seite (mehr als 500 Zeichen, Geschichte, Team, Mission), Kontaktseite mit Telefon/E-Mail/Adresse, Impressum, Datenschutzerklärung — alles in DE Pflicht und zugleich starkes E-E-A-T-Signal
• Redaktionelle Richtlinien: Eine Methodik-Seite, die Faktenchecking, Quellen und Aktualisierungsprozesse beschreibt
• Externe Links zu autoritativen Domains: Verweise auf .gov, .edu oder Fachpublikationen erhöhen Glaubwürdigkeit
• Reviews und Bestätigung: Echte Kundenstatements mit Klarnamen und Position — strukturiert mit Review- und AggregateRating-Schema
• Auszeichnungen und Mitgliedschaften: Sichtbare Trust-Badges (Branchenverbände, Zertifizierungen, Awards) im Footer oder Über-uns-Bereich integrieren

Beispiel — Autoren-Profil als verknüpfter Person-Block:

{
  "@type": "Person",
  "@id": "https://geonauten.ai/#fmueller",
  "name": "Florian Müller",
  "jobTitle": "GEO-Lead",
  "email": "mueller@medienpark.net",
  "worksFor": {
    "@type": "Organization",
    "name": "medienpark GmbH & Co. KG",
    "url": "https://www.medienpark.net/"
  },
  "knowsAbout": [
    "Generative Engine Optimization",
    "Schema.org",
    "Content-Strategie"
  ],
  "sameAs": [
    "https://www.linkedin.com/in/..."
  ]
}

Praxis-Tipp: EEAT-Aufbau ist mittel- bis langfristig. Wer heute mit Brand-Mentions, sichtbaren Autoren und Co-Citation in Branchenmedien startet, baut über 12–18 Monate eine Position auf, die Wettbewerber kaum schnell aufholen können. Das ist der Grund, warum frühe GEO-Investitionen besonders nachhaltig wirken.

Neben der klassischen HTML-Auslieferung etablieren sich derzeit maschinenoptimierte Dateiformate, die KI-Systemen den Zugang zu Inhalten erleichtern. Diese Standards sind teils noch jung, aber wer sie früh implementiert, verschafft sich einen klaren Discovery-Vorteil gegenüber Wettbewerbern, die ausschließlich auf HTML setzen.

Konkrete Maßnahmen:

• robots.txt mit AI-Crawler-Direktiven: Explizite Steuerung pro Bot — GPTBot, ClaudeBot, Google-Extended, PerplexityBot, CCBot, ByteSpider — gezielt zulassen oder ausschließen. Standard-robots.txt-Regeln greifen hier nicht automatisch
• Content-Signals in robots.txt (neuer Cloudflare-Standard): Content-Signal: search=yes, ai-input=yes, ai-train=no — granulare Steuerung pro Verwendungszweck (klassische Suche, KI-Antwort, Modell-Training)
• llms.txt: Aufkommendes Protokoll, das KI-Systemen eine strukturierte Markdown-Navigation der wichtigsten Inhalte liefert. Enthält Titel, Beschreibung, sektionierte Links — wie eine Sitemap, nur für LLMs
• llms-full.txt: Volltextversion der Kerninhalte in einer einzigen Datei. KI-Systeme können den gesamten Kontext in einem Request ingestieren — besonders wertvoll bei Dokumentationen, Glossaren, Ratgebern
• Modulare llms.txt pro Bereich: Bei größeren Sites unter /blog/llms.txt, /produkte/llms.txt etc. fokussierten Kontext liefern
• Schema-Feeds (NLWeb/schemamap): Verweis in robots.txt auf eine XML-Datei mit strukturierten Daten-Feeds (JSONL/RSS) — fortgeschritten, aber zukunftsweisend
• Sitemap-Referenz in robots.txt und HTTP-Link-Header mit rel="sitemap" — alle Wege offen halten, wie ein Crawler die Site versteht
• Groundingpage mit allen relevanten Unternehmensinformationen nach dem Grounding Page Standard v1.5 anlegen und verlinken

Beispiel — minimale llms.txt:

# medienpark · GEO-Beratung

> medienpark macht Inhalte für generative
> KI-Suchsysteme zitierfähig — wissenschaftlich
> fundiert, im DACH-Raum seit 1996.

## Kern-Inhalte

- [Was ist GEO?](https://geonauten.ai/was-ist-geo.html):
  Definition, Abgrenzung zu SEO, RAG-Prinzip
- [GEO-Toolbox](https://geonauten.ai/geo-toolbox.html):
  Sechs Werkzeuge mit Code-Beispielen
- [GEO-Audit (1.500 €)](https://geonauten.ai/geo-audit.html):
  Festpreis-Audit zur Zitierfähigkeit
- [Whitepaper](https://geonauten.ai/whitepaper.html):
  9-seitiges PDF zum GEO-Framework

## Quellen & Methodik

- [Bibliographie](https://geonauten.ai/quellen-methodik.html)
  — 15 wissenschaftliche Quellen mit DOI/arXiv

## Vollversion

[llms-full.txt](https://geonauten.ai/llms-full.txt)

Und passend dazu eine saubere robots.txt mit AI-Crawler-Direktiven:

# medienpark GEO · robots.txt
User-agent: *
Allow: /

# AI-Crawler explizit zulassen
User-agent: GPTBot
Allow: /
User-agent: ClaudeBot
Allow: /
User-agent: Google-Extended
Allow: /
User-agent: PerplexityBot
Allow: /
User-agent: CCBot
Allow: /

# Cloudflare Content-Signals
# Content-Signal: search=yes, ai-input=yes, ai-train=no

Sitemap: https://geonauten.ai/sitemap.xml

Praxis-Tipp: Ein häufig übersehener Stolperstein: Web Application Firewalls (Cloudflare, Akamai, Sucuri) blockieren standardmäßig viele AI-Bots als „verdächtigen Traffic". Wer in KI-Antworten erscheinen will, muss die relevanten Bots aktiv erlauben — sonst erreicht die beste llms.txt niemanden.

Die ersten fünf Werkzeuge optimieren Ihre eigene Website. Werkzeug 6 ist anders: Es geht darum, Ihre Marke als eindeutige Entität im Web zu verankern — über Plattformen, die KI-Systeme als besonders vertrauenswürdig einstufen. Das ist der Hebel mit der höchsten langfristigen Wirkung — und der, den die meisten Wettbewerber übersehen.

Konkrete Maßnahmen:

• Wikipedia-Präsenz aufbauen: Da Wikipedia die mit Abstand wichtigste Zitations-Quelle für KI-Systeme ist, sollte die Eignung für einen Eintrag geprüft oder ein bestehender Artikel weiter gepflegt werden — mit sauberen Quellen und neutraler Darstellung
• Wikidata-Eintrag mit P856 (offizielle Website): Maschinenlesbare Marken-Entität — entscheidend für Disambiguierung. Über P856 verknüpft KI-Systeme den Markennamen eindeutig mit Ihrer Domain
• Google Knowledge Panel: Eigenes Wissensgraph-Panel bei der Google-Suche — vereindeutigt die Marke, liefert das Markenbild und stabilisiert die Discovery
• sameAs-Querverweise: Im Organization- und Person-Schema verknüpfen wir Wikipedia, Wikidata, LinkedIn, X/Twitter, GitHub, Branchenverzeichnisse — jeder Verweis stärkt die Entitäts-Verankerung
• Konsistente NAP-Daten: Name, Address, Phone identisch in allen externen Plattformen (Google Business Profile, Branchen-Portale, Social Media) — Inkonsistenzen schwächen die Entitäts-Erkennung
• Training-Corpus-Footprint: Substanzielle Erwähnungen auf Reddit, GitHub, Stack Overflow, YouTube, Fachmedien — diese Plattformen fließen in die Trainingsdaten der Frontier-Modelle ein
• Citation Quality > reine Namedrops: Eine KI muss Ihre Domain als Quelle verlinken können — Erwähnungen ohne klickbaren Bezug zählen wenig
• Brand Name Discoverability: Bei einer reinen Markennamens-Suche muss Ihre Domain in Google, Bing, Brave und DuckDuckGo auf Position 1 stehen — Pflicht-Voraussetzung für KI-Zitierungen

Beispiel — Organization-Schema mit sameAs-Verknüpfungen:

{
  "@type": "Organization",
  "name": "medienpark GmbH & Co. KG",
  "url": "https://www.medienpark.net/",
  "logo": "https://geonauten.ai/logo.png",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Lindener Straße 160",
    "postalCode": "44879",
    "addressLocality": "Bochum",
    "addressCountry": "DE"
  },
  "sameAs": [
    "https://de.wikipedia.org/wiki/medienpark",
    "https://www.wikidata.org/wiki/Q...",
    "https://www.linkedin.com/company/...",
    "https://www.crunchbase.com/organization/..."
  ]
}

Praxis-Tipp · Der „Cold Recall"-Test: Eine schnelle Selbstprüfung: Fragen Sie ChatGPT, Claude und Gemini ohne Browsing-Werkzeuge nach Ihrer Marke („Was ist [Marke]?"). Antworten die Modelle korrekt oder halluzinieren sie? Das Ergebnis sagt mehr über Ihre Brand-Präsenz im Trainings-Korpus aus als jedes klassische SEO-Reporting — und ist der ehrlichste Indikator, wo Sie heute stehen.

Wichtig zur Erwartungs-Steuerung: Brand-Präsenz und Entitäts-Aufbau wirken auf 12–24 Monate. Wir empfehlen sie als strategische Spur parallel zu den schneller wirkenden Werkzeugen 01–05. Wer früh anfängt, sichert sich eine Position, die später kaum aufholbar ist.