Wie Sprachmodelle zu ihren Antworten kommen
Vereinfacht gibt es zwei Wege. Der erste ist das Training: Was im Trainingsmaterial häufig und konsistent vorkommt, wird Teil des Modellwissens. Der zweite ist die Abfrage zur Laufzeit — Systeme wie Perplexity und die Suchfunktionen von ChatGPT rufen aktuelle Seiten ab und fassen sie zusammen.
Für die Praxis heißt das: Beide Wege brauchen unterschiedliche Arbeit. Für den ersten zählt Präsenz über viele Quellen hinweg über längere Zeit. Für den zweiten zählt, ob eine Seite zum Zeitpunkt der Abfrage auffindbar, lesbar und inhaltlich präzise genug ist, um zitiert zu werden. Diese Seite erklärt die Methode; die Betreuung dazu läuft über die GEO-Agentur.
Retrieval oder Training: zwei Wege, zwei Maßnahmen
Der Unterschied ist nicht akademisch, sondern bestimmt, welche Arbeit überhaupt wirkt. Wer für den falschen Weg optimiert, investiert an der Sache vorbei.
| Training | Retrieval (Abruf zur Laufzeit) | |
|---|---|---|
| Beispiele | ChatGPT ohne Suche, Modellwissen | Perplexity, ChatGPT-Suche, AI Overviews |
| Was zählt | Häufigkeit und Konsistenz über viele Quellen | Auffindbarkeit und Präzision zum Abfragezeitpunkt |
| Wirkung ab | Wochen bis Monate, an Trainingszyklen gebunden | sobald die Seite indexiert und abrufbar ist |
| Wichtigster Hebel | Entitätspräsenz, Fremd-Erwähnungen | technische Auffindbarkeit, zitierfähige Absätze |
Was messbar wirkt
Untersuchungen zu GEO — unter anderem eine viel zitierte Arbeit der Princeton University — deuten darauf hin, dass bestimmte Textmerkmale die Wahrscheinlichkeit einer Nennung deutlich erhöhen: das Einbinden von Statistiken, Zitaten und Quellenangaben sowie eine klare, direkte Formulierung.
Das deckt sich mit der Praxis. Inhalte, die eine Frage im ersten Absatz beantworten, Zahlen nennen und Aussagen belegen, werden häufiger herangezogen als Texte, die sich langsam aufbauen.
Strukturierte Daten und Entitäten als Fundament
Damit ein Modell ein Unternehmen korrekt einordnet, muss es als Entität eindeutig sein: identische Firmierung, Leistung und Standortangaben über Website, Verzeichnisse und Fachquellen hinweg. Widersprüchliche Angaben sind der häufigste Grund dafür, dass ein Unternehmen gar nicht oder falsch genannt wird.
Strukturierte Daten nach Schema.org helfen den abrufenden Systemen, Inhalte maschinell zu verstehen — Organisation, Leistungen, FAQ, Fachartikel. Das ist kein Zaubermittel, aber es senkt die Fehlerquote bei der Zuordnung. Wie sich die Wirkung überprüfen lässt, steht unter KI-Sichtbarkeit.
Was GEO nicht ist
Vier Versprechen aus diesem noch jungen Markt halten einer Prüfung nicht stand, und wer sie in einem Angebot liest, sollte nachfragen.
- »GEO ersetzt SEO.« Nachweislich falsch: Inhalte, die bei Google nicht ranken, werden von Sprachmodellen selten zitiert.
- »Mit einer llms.txt sind Sie sichtbar.« Ein freiwilliges Signal ohne belegte Wirkung.
- »Wir garantieren Platz 1 in ChatGPT.« Modelle antworten nicht deterministisch — eine Garantie ist strukturell unmöglich.
- »GEO ist eine völlig neue Disziplin.« Zu großen Teilen sauberes SEO plus Reputationsarbeit.
Wie sich der Erfolg messen lässt
Das Erfolgsmaß ist die Nennungsrate bei einer festen Prompt-Liste, nicht eine Ranking-Position. Daraus entstehen drei Kennzahlen: der Anteil der Prompts, in denen das Unternehmen genannt wird; der Anteil gegenüber den mitgenannten Wettbewerbern; und der Verlauf über mindestens drei Messungen.
Eine einzelne Messung sagt nichts. Modelle antworten nicht deterministisch, und Modell-Aktualisierungen verschieben Ergebnisse ohne Zutun. Erst der Trend über mehrere Monate ist belastbar.
Warum GEO laufende Arbeit ist
Modellwissen ist kein fester Zustand. Mit jedem Trainingszyklus verschiebt sich, was ein Modell über einen Markt weiß — und was heute stimmt, kann in der nächsten Generation fehlen. Retrieval-Systeme ziehen zwar aktuelle Seiten heran, aber auch dort ändern sich Auswahllogik und Quellen laufend.
Häufige Fragen
Ist GEO dasselbe wie LLMO oder AEO?
Im Wesentlichen ja. GEO, LLMO (Large Language Model Optimization) und AEO (Answer Engine Optimization) beschreiben dieselbe Aufgabe aus leicht unterschiedlichen Blickwinkeln. Durchgesetzt hat sich bisher kein Begriff eindeutig.
Braucht man dafür llms.txt?
Sie schadet nicht, ist aber kein entscheidender Hebel — der Standard wird bislang von wenigen Systemen ausgewertet. Wichtiger sind strukturierte Daten und inhaltliche Klarheit.
Wie lange hält der Effekt?
Modellwissen ändert sich mit jedem Trainingszyklus. Was heute stimmt, kann in einer neuen Modellgeneration fehlen. GEO ist deshalb laufende Arbeit, kein einmaliges Projekt.
Was ist der Unterschied zwischen Training und Retrieval?
Beim Training wird Wissen aus dem Trainingsmaterial dauerhaft im Modell abgelegt; Retrieval ruft zur Laufzeit aktuelle Seiten ab. Für Training zählt Präsenz über viele Quellen und Zeit, für Retrieval die Auffindbarkeit und Präzision einer Seite im Moment der Abfrage.
Kann man GEO ohne gutes SEO betreiben?
Nein. Inhalte, die bei Google nicht ranken, werden von Retrieval-Systemen selten herangezogen, und schlecht auffindbare Seiten landen nicht im Trainingsmaterial. GEO baut auf sauberem SEO auf — es gibt keine Abkürzung daran vorbei.
Welche Rolle spielen Fremd-Erwähnungen?
Eine große. Modelle gewichten Aussagen über ein Unternehmen aus unabhängigen Quellen stärker als die Selbstdarstellung auf der eigenen Website. Verdiente Erwähnungen in Fachmedien, Verzeichnissen und Referenzen zählen deshalb mehr als jeder Werbetext.
Ist GEO durch den EU AI Act reguliert?
Die Optimierung der Auffindbarkeit in KI-Antworten ist keine regulierte Praktik. Relevant wird die KI-Verordnung dort, wo Inhalte KI-generiert sind — dann gilt seit dem 2. August 2026 die Transparenzpflicht nach Artikel 50. Mehr unter EU AI Act.
Wie schnell zeigen sich erste Ergebnisse?
Bei Retrieval-Systemen kann eine gut auffindbare Seite schon nach der Indexierung zitiert werden. Beim Modellwissen dauert es länger — Wochen bis Monate, gebunden an Trainingszyklen. Belastbar ist erst der Trend über mindestens drei Messungen.