Transparenz · EEAT

Belege statt Bauchgefühl.

Die Aussagen auf dieser Website stützen sich auf wissenschaftliche Studien, Marktforschung und industrielle Praxisberichte. Hier finden Sie die vollständige Bibliographie, unsere Methodik und ein Glossar — eat your own dog food.

Bibliographie

GEO: Generative Engine Optimization

Aggarwal, P. (Indian Institute of Technology Delhi); Murahari, V.; Rajpurohit, T.; Kalyan, A. (Allen Institute for AI); Narasimhan, K.; Deshpande, A. (Princeton University) · Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24), Barcelona, August 2024. Erste peer-reviewte wissenschaftliche Definition von Generative Engine Optimization. Belegt eine Sichtbarkeitssteigerung von bis zu 40 % durch GEO-Methoden über mehrere Domains und Fragetypen.

arxiv.org/abs/2311.09735 doi.org/10.1145/3637528.3671900

Gartner Predicts Search Engine Volume Will Drop 25 % by 2026, Due to AI Chatbots and Other Virtual Agents

Gartner, Inc. · Pressemitteilung vom 19. Februar 2024. Prognose des klassischen Such-Rückgangs zugunsten generativer Antwortmaschinen. Stimme: Alan Antin, Vice President Analyst at Gartner.

gartner.com/en/newsroom/press-releases/2024-02-19

Generative AI als primäres Such-Tool — Nutzungsdaten USA

eMarketer / Statista (2024–2025) · Sekundärdaten zur Adaption von KI-Chatbots als Suchwerkzeug bei US-Erwachsenen. Aktuelle Schätzung: ca. 13 Mio. aktive Nutzer mit deutlichem prognostizierten Wachstum bis 2027.

statista.com/statistics/1454204

Sichtbar bleiben im KI-Zeitalter — wie KI die Suche und die SERPs verändert

medienpark Blog · Tidow, J. / Müller, F. · 2025. Eigene Praxisbeobachtungen aus DACH-Kundenprojekten zur Veränderung der SERPs durch AI Overviews, Bing Copilot und Browser-integrierte KI-Modi.

medienpark.net/blog/sichtbar-bleiben-im-ki-zeitalter

Schema.org Vocabulary & JSON-LD-Implementation Guide

Schema.org Community Group · W3C-affiliierte Open-Standard-Initiative. Grundlage für strukturierte Daten in Google, Bing und für die Entitäts-Erkennung in KI-Suchsystemen. Maintained by Google, Microsoft, Yahoo und Yandex.

schema.org

Search Quality Rater Guidelines — EEAT (Experience, Expertise, Authoritativeness, Trust)

Google · Erweiterung Dezember 2022 (vorher E-A-T). Maßgeblicher Bewertungsrahmen für inhaltliche Qualität und Autorität — nicht nur für klassische SEO, sondern auch für die Quellen-Auswahl in AI Overviews.

developers.google.com/search/blog/2022/12

GEO isn't a 'later' project — Why brands need to optimize for AI answers now

Patel, N. (Co-Founder, NP Digital) · Praxisanalyse zum Wandel des Search-Marktes durch generative Engines. Wichtige Stimme aus der amerikanischen Marketing-Community.

neilpatel.com/blog

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

Lewis, P.; Perez, E.; Piktus, A. et al. · Meta AI / Facebook AI Research · NeurIPS 2020. Wissenschaftliche Grundlage des RAG-Prinzips, das in den meisten heutigen KI-Suchsystemen Anwendung findet.

arxiv.org/abs/2005.11401

Source Coverage and Citation Bias in LLM-based vs. Traditional Search Engines

arXiv 2025/2026 · Vergleichsstudie über sechs LLM-basierte Suchsysteme gegen Google und Bing. Datensatz: 55.936 Suchanfragen, 124.287 unique Domains, 1.418.733 Zitations-Hyperlinks. Zentrale Befunde: 37 % der LLM-zitierten Domains erscheinen nicht in klassischen Suchergebnissen, nur 11 % Domain-Überlappung zwischen ChatGPT und Perplexity, Gemini stützt 41 % seiner Zitate auf Wikipedia.

arxiv.org/abs/2512.09483

Structural Feature Engineering for Generative Engine Optimization

arXiv 2026 · Folge-Studie zur ursprünglichen Aggarwal-Arbeit. Untersucht, wie strukturelle Merkmale von Inhalten (Gliederung, Auszeichnung, semantische Frames) die Zitations-Wahrscheinlichkeit beeinflussen — oft stärker als der reine Wortlaut. Belegt empirisch, dass Strukturierung der wirksamste GEO-Hebel ist.

arxiv.org/abs/2603.29979

E-GEO: A Testbed for Generative Engine Optimization in E-Commerce

arXiv 2025/2026 · Branchenspezifische GEO-Forschung für E-Commerce: Wie modulare Antwort-Strukturen, Produktdaten-Auszeichnung und Faktenboxen die Sichtbarkeit in KI-gestützten Produkt-Empfehlungen erhöhen. Direkt anwendbar für Online-Händler.

arxiv.org/abs/2511.20867

Semrush AI Overviews Study (10 Mio. Keywords analysiert)

Semrush · 2025. Großflächige Analyse über 10 Mio. Keywords zur Verbreitung von Google AI Overviews. Ergebnis: 13,14 % aller US-Desktop-Suchen triggerten AI Overviews im März 2025, 15,69 % bis November 2025 — mit deutlichem Wachstum bei Mid- und Bottom-of-Funnel-Suchanfragen.

semrush.com/blog/semrush-ai-overviews-study

AI Overviews Reduce Clicks by 58 % (Update)

Ahrefs · Dezember 2025. Branchenstudie zum CTR-Effekt von Google AI Overviews. Ergebnis: Bei AIO-Präsenz 58 % niedrigere durchschnittliche Click-Through-Rate für die Top-Ergebnis-Position. Praxisbeispiel: HubSpot-Traffic von 13,5 Mio. (Nov 2024) auf unter 7 Mio. (Dez 2024).

ahrefs.com/blog/ai-overviews-reduce-clicks-update

AIO Impact on Google CTR — September 2025 Update

Seer Interactive · September 2025. CTR-Studie zur Wirkung von AI Overviews. Organic-CTR −61 % (von 1,76 % auf 0,61 %), Paid-CTR −68 % (von 19,7 % auf 6,34 %). Gegeneffekt: Marken, die in AI Overviews zitiert werden, erzielen +35 % organische und +91 % bezahlte Klicks — die wichtigste Begründung für GEO-Investitionen.

seerinteractive.com/insights/aio-impact-on-google-ctr-september-2025-update

2025 AI Visibility Report: How LLMs Choose What Sources to Mention

The Digital Bloom · 2025. Auswertung von 5,5 Mio. Antworten und 748.425 Suchanfragen über Gemini, OpenAI und Perplexity. Zentrale Erkenntnis: Brand-Search-Volumen ist der stärkste Einzel-Prädiktor für LLM-Zitationen (Korrelation 0,334) — und schlägt klassische Backlink-Signale deutlich. Begründet die EEAT-Säule der GEO-Toolbox empirisch.

thedigitalbloom.com/learn/2025-ai-citation-llm-visibility-report

Unsere Methodik

Diese Website folgt selbst den sechs GEO-Werkzeugen, die wir empfehlen: Sie ist mit vollständigen Schema.org-Strukturen ausgezeichnet (Organization, WebPage, Service, FAQPage, Article, DefinedTerm, DefinedTermSet, BreadcrumbList, Person, DigitalDocument); sie verwendet zitierfähige Kernaussagen in eigenständigen Absätzen mit klaren Definitionsmustern; sie bietet ein FAQ-Modul mit FAQPage-Schema und ein vollständiges maschinenlesbares Glossar als DefinedTermSet; sie verlinkt jede zentrale Aussage auf eine nachprüfbare Quelle mit DOI- oder arXiv-Identifikator; sie liefert AI-Crawler-Direktiven in der robots.txt sowie llms.txt und llms-full.txt; und sie führt Autorenschaft, Veröffentlichungs- und Aktualisierungsdatum transparent aus.

Die hier verwendeten Daten und Methoden werden mindestens vierteljährlich überprüft. Bei wesentlichen Änderungen aktualisieren wir das dateModified-Feld der Seite.

Florian Müller GEO-Lead · medienpark · mueller@medienpark.net

Glossar

GEO-Begriffe in einem Satz

Eine zitierfähige Kurzform jedes wichtigen GEO-Begriffs — gemacht für Maschinen wie für Menschen.

GEO: Generative Engine Optimization. Optimierung von Inhalten so, dass KI-Suchsysteme sie als Quelle zitieren. Wissenschaftlich definiert durch Aggarwal et al. (KDD '24).
SEO: Search Engine Optimization. Klassische Suchmaschinenoptimierung mit Fokus auf Rankings in Trefferlisten von Google, Bing & Co.
AEO: Answer Engine Optimization. Häufig synonym zu GEO; manchmal etwas breiter gefasst (auch Sprachassistenten).
RAG: Retrieval-Augmented Generation. Architektur, bei der ein Sprachmodell vor der Antwortgenerierung passende Quellen aus einem Index abruft. Wissenschaftlich beschrieben durch Lewis et al. (NeurIPS 2020).
E-E-A-T: Experience, Expertise, Authoritativeness, Trust. Googles Bewertungsrahmen für Inhaltsqualität — auch maßgeblich für die Quellen-Auswahl in AI Overviews. „Experience" wurde 2022 ergänzt (zuvor: E-A-T).
JSON-LD: JavaScript Object Notation for Linked Data. Standard zur Auszeichnung strukturierter Daten in Web-Seiten — die wichtigste „Legende für Maschinen".
Schema.org: Open-Standard-Vokabular für strukturierte Daten, gemeinsam betrieben von Google, Microsoft, Yahoo und Yandex.
AI Overviews (AIO): Googles KI-generierte Antwort-Zusammenfassungen, die seit 2024 oberhalb der klassischen Trefferliste erscheinen.
Zero-Click: Suchanfragen, die in der Antwortoberfläche enden, ohne dass der Nutzer auf eine externe Seite klickt — der dominante Such-Modus in KI-Antworten.
Chunk-Fähigkeit: Eigenschaft eines Texts, in eigenständig verständliche Passagen zerlegbar zu sein. KI-Systeme arbeiten mit Chunks, deshalb gilt: chunk-fähig schreiben = häufiger zitiert.
Snippet-Fähigkeit: Optimale Absatzlänge (40–150 Wörter, 2–3 Sätze) für direkte Übernahme als Featured Snippet oder Zitat in KI-Antworten.
Faktenbox: Visuell abgesetzter Block mit zitierfähiger Definition oder Kerndaten — eine der wirksamsten GEO-Mikrostrukturen.
Definitionsmuster: Satzstruktur „X ist ein Y, das Z" — klare Definitionen werden bevorzugt von LLMs zitiert.
Groundingpage: Gezielt für KI-Systeme gebaute Seite, deren einziger Zweck es ist, eine Antwort faktisch zu verankern („to ground"). Maximal zitierfähig aufgebaut aus Definition, Kerndaten, Faktenbox und belegten Quellen — sie liefert dem Modell genau den Baustein, auf den es seine Aussage stützen kann. Erstellt nach dem Grounding Page Standard v1.6.
llms.txt: Aufkommender Markdown-Standard im Root der Website, der KI-Systemen eine strukturierte Navigation der wichtigsten Inhalte liefert — vergleichbar mit einer Sitemap, aber speziell für LLMs.
llms-full.txt: Volltextversion der Kerninhalte als einzelne Datei — KI-Systeme können den gesamten Kontext in einem Request ingestieren. Wertvoll bei Dokumentationen und Glossaren.
Content-Signals: Neuer Cloudflare-Standard in robots.txt: Content-Signal: search=yes, ai-input=yes, ai-train=no — granulare Steuerung pro Verwendungszweck (klassische Suche, KI-Antwort, Modell-Training).
AI-Crawler: Bots, die Inhalte für KI-Antwortmaschinen oder Modell-Trainings sammeln. Die wichtigsten Vertreter: GPTBot (OpenAI), ClaudeBot (Anthropic), Google-Extended (Google Gemini-Training), PerplexityBot (Perplexity), CCBot (Common Crawl), ByteSpider (ByteDance).
WAF / Bot-Detection: Web Application Firewalls (Cloudflare, Akamai, Sucuri) blockieren AI-Bots häufig fälschlicherweise als „verdächtigen Traffic" — eine der häufigsten Ursachen für fehlende KI-Sichtbarkeit.
Wikidata: Maschinenlesbare, kollaborative Wissensdatenbank der Wikimedia Foundation. Der P856-Eintrag (offizielle Website) ist entscheidend für die eindeutige Marken-Disambiguierung in KI-Systemen.
Knowledge Panel: Googles Wissensgraph-Box, die rechts neben Suchergebnissen erscheint. Stabilisiert die Entitäts-Wahrnehmung einer Marke und liefert KI-Systemen ein konsolidiertes Markenbild.
sameAs: Schema.org-Property, mit der eine Entität (Person, Organisation, Marke) auf weitere autoritative Profile verlinkt wird — Wikipedia, Wikidata, LinkedIn, X/Twitter, GitHub. Stärkster Disambiguierungs-Hebel.
Training-Corpus-Footprint: Erwähnungs-Spur einer Marke in den Datenquellen, aus denen Frontier-Modelle (GPT, Claude, Gemini) trainiert werden — Reddit, GitHub, Stack Overflow, YouTube, Fachpresse. Beeinflusst, ob das Modell die Marke „ab Werk" kennt.
Cold Recall: Test-Methode: Eine KI ohne aktive Browsing-Werkzeuge nach einer Marke fragen. Antwortet das Modell korrekt aus seinem Trainingswissen oder halluziniert es? Der ehrlichste Indikator für Brand-Präsenz im Trainings-Korpus.
Citation Quality: Unterschied zwischen reiner Namens-Erwähnung („namedrop") und echter, verlinkter Quellenangabe einer KI-Antwort. Nur Letztere bringt Traffic und Autoritätsaufbau.
NAP-Konsistenz: Name, Address, Phone — diese drei Kerndaten müssen auf allen externen Plattformen (Google Business Profile, Branchen-Portale, Social Media) identisch sein. Inkonsistenzen schwächen die Entitäts-Erkennung durch KI.
SSR (Server-Side Rendering): Inhalts-Erzeugung auf dem Server, bevor die Seite an den Client geht. AI-Crawler führen kein JavaScript aus — Inhalte aus reinem Frontend-Rendering (SPA) sind für sie unsichtbar.
Core Web Vitals: Googles drei Performance-Kennzahlen: LCP (Largest Contentful Paint < 2,5 s), INP (Interaction to Next Paint < 200 ms), CLS (Cumulative Layout Shift < 0,1). Direkter Ranking-Faktor und Grundlage für saubere Indexierung.
FAQPage: Schema.org-Typ für Frage-Antwort-Listen. Macht Q&A-Paare maschinenlesbar und ist eines der am häufigsten zitierten Schemata in KI-Antworten.
BreadcrumbList: Schema.org-Typ für hierarchische Navigation. Liefert KI-Systemen den Pfad einer Seite und unterstützt Deep-Linking-Zitate auf Unterseiten.
AggregateRating: Schema.org-Typ für gemittelte Bewertungen (Sterne, Score). Erzeugt Rich-Snippets in der Suche und stärkt die wahrgenommene Autorität in KI-Antworten.
Brand Search Volume: Suchvolumen für den exakten Markennamen. Laut Studien der stärkste Einzel-Prädiktor für KI-Zitationen (Korrelation 0,334) — schlägt klassische Backlink-Signale deutlich.
Technische GEO-Reife: Kennzahl: Vollständigkeit der strukturierten Daten, Chunk-Fähigkeit der Inhalte, EEAT-Signaldichte, Auslieferung der LLM-spezifischen Dateien — vor und nach Umsetzung quantifizierbar.
AIO-Trigger-Rate: Anteil Ihrer Ziel-Suchanfragen, bei denen Google ein AI Overview ausspielt — über AI-Search-Marktforschungs-Tools messbar.

Belege statt Bauchgefühl.

Bibliographie

Unsere Methodik

GEO-Begriffe in einem Satz

Verwandte Themen

Was ist GEO?

GEO-Audit beauftragen

Whitepaper laden