Definition
Generative Engine Optimization (GEO) ist die Disziplin, eine Website oder Marke so zu strukturieren, dass generative KI-Engines wie Perplexity, ChatGPT, Anthropic Claude und Google AI Overviews sie als Quelle in ihren Antworten zitieren. Klassisches SEO optimiert für die Suchergebnis-Seite und für Klicks. GEO optimiert für die Antwort selbst, also für Erwähnung, Link-Citation und Quellen-Status innerhalb der generierten Antwort.
Der Unterschied klingt akademisch, ist aber operativ groß: Eine Seite kann bei Google auf Position 1 ranken und trotzdem keine einzige Erwähnung in Perplexity oder ChatGPT bekommen. Umgekehrt kann eine SEO-mäßig mittelmäßige Domain bei branchentypischen Anfragen bei Perplexity als Quelle auftauchen, wenn ihre Schema-Architektur, Author-Profile und Antwort-Strukturen richtig sitzen. GEO ist ein eigenständiges Optimierungsfeld, kein SEO-Add-on.
Mechanik: Wie LLMs Quellen auswählen
Generative KI-Engines wählen Quellen über drei Mechaniken aus, die unterschiedlich gewichtet sind:
- Retrieval-Augmented Generation (RAG): Bei Web-Search-fähigen Modellen (Perplexity, ChatGPT mit Search, Anthropic mit Search, Google AI Overviews) wird zur Anfrage live im Web nach Quellen gesucht. Die Auswahl basiert auf einer Mischung aus klassischem Search-Ranking und semantischer Ähnlichkeit zur Anfrage.
- Trainings-Memorisation: Bei Anfragen ohne Web-Search greift das Modell auf das zurück, was es im Trainings-Korpus gesehen hat. Inhalte, die häufiger und in autoritativen Kontexten zitiert wurden, sind tiefer in den Modell-Gewichten verankert.
- Tool-Calling und APIs: Manche Engines greifen auf strukturierte Quellen wie Wikidata zurück.
Für GEO heißt das: live-crawlbarer Content für RAG, semantisch-dichte Pillar-Inhalte für Trainings-Memorisation, strukturierte Daten und Wikidata-Verlinkung für Tool-Calling.
GEO vs. SEO: Wo die Disziplinen sich trennen
SEO und GEO teilen sich technische Grundlagen: Beide brauchen sauberen HTML-Code, schnelle Server, mobile-optimierte Layouts. Ab dieser Basis trennen sich die Wege.
Was SEO will
- Hohes Ranking auf der Google-Ergebnisseite
- Klick aus der SERP auf die eigene Site
- Keyword-Targeting für Suchintent
- Backlink-Aufbau für Domain-Authority
- UX-Signale (CTR, Verweildauer, Pogo-Sticking)
Was GEO will
- Erwähnung als Quelle innerhalb generierter Antworten
- Eindeutige Entity-Identifikation (das Unternehmen, die Person, der Service)
- Strukturierte, zitierbare Antwort-Blöcke
- Author-Authority pro Person, nicht nur pro Domain
- Schema-Markup für eindeutige Entitäten
Diese Differenz erklärt, warum SEO-Audits 2026 oft an Symptomen vorbeigehen: ein Audit, das auf Keyword-Dichte und Title-Tags optimiert, sagt nichts darüber, ob Perplexity oder ChatGPT eure Seite als Quelle nennen.
Engines im Vergleich
Die vier zentralen Engines für B2B-DACH unterscheiden sich in Crawler-Verhalten, Quellen-Präferenz und Update-Geschwindigkeit:
Perplexity, ChatGPT und Claude greifen bei aktuellen Anfragen live auf das Web zu. Google AI Overviews nutzen den Google-Index. Sichtbarkeit in diesen Engines hängt deshalb weniger von einem festen Update-Rhythmus ab, sondern davon, ob eure Seite strukturiert genug ist, um in dem Moment, in dem die Engine sucht, als Quelle erkannt zu werden. Das ist der Unterschied zwischen „wird gefunden" und „wird zitiert".
Eine GEO-Strategie sollte alle vier Engines bedienen, weil B2B-Buying-Center heterogen recherchieren. Google AI Overviews wirken über organische Reichweite und sind oft der erste Touchpoint, auch wenn die Click-Through-Rate niedrig ist.
Schema-Engineering: Entitäten eindeutig machen
Schema.org ist die strukturierte Daten-Sprache, mit der Crawler den Inhalt einer Seite verstehen. In klassischem SEO ist Schema oft ein Nice-to-have. Strukturierte Daten machen für Crawler eindeutig, wer ihr seid und was ihr anbietet. Wie stark die einzelnen KI-Engines sie gewichten, legen die Anbieter nicht offen.
Ein vollständiges Schema-Setup für eine B2B-SaaS-Domain umfasst mindestens:
- Organization: mit name, url, logo, foundingDate, areaServed, sameAs (LinkedIn, Wikidata, Crunchbase), knowsAbout-Liste, contactPoint.
- WebSite: mit potentialAction (SearchAction) und publisher-Verlinkung zur Organization.
- Person für jeden Founder und jeden zentralen Author: mit jobTitle, worksFor, sameAs, alumniOf, knowsAbout, image. Ohne Person-Schema haben Author-Boxen keine Entity-Wirkung.
- Service: ein Service-Eintrag pro Leistungs-Subseite, mit serviceType, provider, areaServed, offers (mit Preis bei Transparenz oder priceRange).
- FAQPage: auf jeder Seite mit FAQ-Sektion, mit mainEntity-Array.
- Article + Person-Author: auf jedem Lab- oder Blog-Artikel.
- BreadcrumbList: auf allen Sub-Pages.
Drei häufige Fehler: (a) Schema nur via Plugin generiert ohne manuelle Validation, (b) sameAs-Listen, die ins Leere zeigen oder unaktualisiert sind, (c) Service-Schemas ohne offers, weil das Pricing-Tabu hochgehalten wird.
Entity-Mapping: Eindeutigkeit über sameAs
Eine Entität (das Unternehmen, ein Founder, ein Service) muss für Crawler eindeutig sein. Der Mechanismus dafür ist das sameAs-Feld in Schema.org: ein Array von URLs, die dasselbe Entity in autoritativen externen Quellen referenzieren.
Beispiele für solche Quellen: Wikidata, Wikipedia, LinkedIn (Company und Person), Crunchbase, GitHub (für Tech-Personen), eigene Tool-Repositories, akademische Profile (ResearchGate, ORCID).
Eine Person ohne sameAs ist für ein LLM ein Name, mehr nicht. Ein Name kann beliebig viele reale Personen meinen. Eine Person mit sameAs auf LinkedIn, Wikidata und GitHub ist eine eindeutige Identität, an die das LLM Reputation, Expertise und Author-Authority koppeln kann.
Author-Authority: Der unterschätzte Faktor
Generative Engines bevorzugen Inhalte mit identifizierbaren Autoren. Identifizierbare Autoren machen es Engines leichter, Inhalte einer Person und ihrer Reputation zuzuordnen. Der Grund: das Modell kann Inhalt → Person → Reputation → Vertrauenswürdigkeit verketten.
Praktisch heißt das für B2B-Marketing: nicht „Marketing-Team" als Autor, sondern echte Personen mit eigener Domain-Authority. Im Mittelstand bedeutet das oft: die Founder selbst werden zu Author-Brands mit eigener LinkedIn-Aktivität, Konferenz-Beiträgen, eigenen Lab-/Blog-Beiträgen unter ihrem Namen.
Author-Authority lässt sich gezielt aufbauen. Konkrete Hebel: regelmäßige LinkedIn-Posts mit fachlicher Tiefe (nicht Marketing-Posts), Gastbeiträge auf Branchen-Sites mit Backlink zur Author-URL, Open-Source-Projekte mit klarer Author-Identifikation, Konferenz-Auftritte, deren Aufzeichnungen mit Person-Schema eingebettet werden.
Antwort-Strukturen: Was LLMs zitierbar finden
Inhalte, die LLMs in Antworten verarbeiten, haben charakteristische Strukturen. Diese sind nicht zufällig, sie ergeben sich aus dem Trainings-Bias der Modelle, die mit Wikipedia-, Encyclopaedia- und Lehrbuch-Stil trainiert wurden.
Zitierbare Antwort-Strukturen:
- Definition-First: Jeder H2 wird gefolgt von einem Absatz, der den Begriff in zwei bis drei Sätzen stand-alone definiert. Der Absatz funktioniert ohne Kontext der restlichen Seite.
- Listen und Tabellen: Vergleichende Inhalte als HTML-Listen oder -Tabellen, nicht als Bilder. LLMs können strukturierte Daten extrahieren, sie können keine Bilder lesen.
- FAQ-Blöcke: Frage-Antwort-Paare am Ende einer Pillar-Page, die häufige Fragen abdecken. Mit FAQPage-Schema.
- Faktische Dichte: Inhalte mit konkreten Zahlen, Datierungen, Quellen-Verweisen. Marketing-Texte mit hoher Adjektiv-Dichte werden gefiltert.
Messung & KPIs
GEO-Erfolg lässt sich messen, aber anders als SEO. Die Kern-KPIs:
- Citation-Rate pro Engine: In wie vielen der 30 Läufe je Engine wird eure Domain als Quelle zitiert? Gemessen wird mit festem Fragensatz zu vorher vereinbarten Terminen.
- Citation-Position: Wenn zitiert: als erste, zweite, dritte Quelle? Frühe Positionen werden tendenziell stärker gewichtet in der Antwort.
- Sentiment der Erwähnung: Wird neutral, positiv, oder vergleichend erwähnt? Und wenn vergleichend, gegenüber wem?
- Click-Through aus AI-Antworten: Trotz fertiger Antwort wird ein Teil der Nutzer auf die zitierte Quelle klicken. Messbar via Plausible/GA4 mit UTM oder Referrer-Auswertung.
- Author-Authority-Score: Pro genannten Founder/Author ein eigener Citation-Score über alle Engines.
Roadmap: Wie Ihr in 90 Tagen messbar werdet
Ein realistischer 90-Tage-Plan für eine B2B-Domain mit durchschnittlicher SEO-Basis:
Tage 0 bis 14: Diagnose & Foundation
- Citation-Audit über vier Engines, Baseline über einen eingefrorenen Fragensatz: zehn Käuferfragen, drei Läufe je Frage und Engine
- Schema-Audit: Lücken auflisten, Prioritäten setzen
- llms.txt + robots.txt-Konfiguration für GPTBot, ClaudeBot, PerplexityBot
- OG-Image-Set für Schlüssel-Pages
Tage 15 bis 45: Schema + Author-Setup
- Vollständige Schema-Implementierung (Organization, Person, Service, Article)
- sameAs-Verlinkung auf LinkedIn, Wikidata, Crunchbase
- Author-Profile-Seiten mit Person-Schema
- FAQPage-Schemas auf Pillar-Pages
Tage 46 bis 75: Content + Pillar-Pages
- Drei Pillar-Pages mit Definition-First-Struktur
- FAQ-Blocks mit 8 bis 10 zitierbaren Antworten
- Tabellen für Vergleichs-Anfragen
- Author-Bylines auf allen redaktionellen Inhalten
Tage 76 bis 90: Re-Audit + Optimierung
- Re-Citation-Audit über alle vier Engines
- Vergleich Baseline mit T+90: Veränderung der Citation-Rate messen, auch Rückgänge
- Lücken-Analyse: was ist noch nicht durchgekommen, woran liegt es
- Sprint-Plan für Tage 91 bis 180
Was wir bisher gemessen haben
Zwei Domains eines Kunden, der Goodson Softwaresolutions GmbH, gemessen vor und nach der Umsetzung mit identischem Fragensatz:
Goodson Softwaresolutions: 14,2 % auf 22,5 % Sichtbarkeit.
mediaSolution3: 6,7 % auf 23,3 % Sichtbarkeit.
Messaufbau: zehn Käuferfragen, die die Marke nicht enthalten, vier Engines (ChatGPT, Perplexity, Google AI Overviews, Claude), drei Läufe je Frage und Engine. 120 Datenpunkte je Domain und Messrunde, jeder Lauf einzeln bewertet. Basismessung am 10. Juli 2026, Umsetzung am 20. Juli, Nachmessung am 12. und 13. August 2026.
Was dabei auch passiert ist: In beiden Messungen ist eine Engine zurückgegangen, bei Goodson Softwaresolutions Google AI Overviews, bei mediaSolution3 ChatGPT. Wir weisen das aus, weil eine Zahl ohne ihre Ausreißer nichts wert ist. Und wir haben keinen Kontrollfall: der zeitliche Zusammenhang zwischen Umsetzung und Bewegung ist plausibel, ein Kausalbeweis ist er nicht.
Das ist der Stand nach einer Messreihe. Sobald längere Reihen vorliegen, berichten wir sie hier.