Was ist GEO und wie misst du KI-Sichtbarkeit?

Wie Google Quellen findet

Google beschreibt für AI Overviews und AI Mode verwandte Suchabfragen über mehrere Teilthemen. Eine Seite muss indexiert und für ein Such-Snippet geeignet sein, um als unterstützender Link infrage zu kommen. Google verlangt dafür keine zusätzliche KI-Textdatei und kein spezielles Schema. Diese Dokumentation gilt für Google Search, nicht automatisch für jede andere Engine.

Säule 1: Strategy (Intent, Entitäten & Cluster)

Ordne Inhalte nach Kundenfragen und überprüfbaren Unternehmensinformationen. Wähle für jedes Thema eine verantwortliche Seite und erläutere, welche Entscheidung sie unterstützt.

Verlinke Grundlagen mit Detailseiten und erläutere Fachbegriffe im Lexikon. Prüfe jeden Link und vermeide mehrere Seiten mit derselben Aufgabe.

Säule 2: Structure (Informationsarchitektur & Hubs)

Prüfe eine verständliche Seitenhierarchie, interne Links, klare URLs und Sprachzuordnung. Eine technische Prüfung zeigt Voraussetzungen und belegt keine Quellenwahl einer KI.

Eine `llms.txt` kann als zusätzliche, kompakte Inhaltsübersicht angeboten werden. Sie ist jedoch kein allgemein durchgesetzter Crawling-Standard und ersetzt weder `robots.txt`, XML-Sitemaps, interne Links noch sauber gerendertes HTML. Behandle sie als experimentelle Ergänzung, nicht als Ranking-Hebel oder Zugriffsgarantie.

Säule 3: Signals (Schema.org & Maschinenlesbarkeit)

Strukturierte Daten (JSON-LD) beschreiben Seitentyp, Organisation, Autor und Begriffe maschinenlesbar. `Article`, `Organization` oder `DefinedTerm` können Mehrdeutigkeit reduzieren, wenn das Markup den sichtbaren Inhalt korrekt wiedergibt. Schema ist kein Beweis für Wahrheit und keine Garantie für eine Erwähnung in KI-Antworten.

Lies die in einer gemessenen Antwort genannten Drittquellen und prüfe dort Marke, Kategorie, Zielgruppe und konkrete Leistungsangaben. Dokumentiere Widersprüche und unklare Belege.

Säule 4: Shipping (QA & kontinuierliches Rollout)

GEO ist kein Einmal-Projekt. Redaktionsrichtlinien sollten klare Antworten, Quellen, Aktualisierung und Qualitätsprüfung verbindlich machen. Technische Pipelines können automatisierte Checks für Statuscodes, Canonicals, interne Links und strukturierte Daten enthalten.

Logfiles zeigen, ob bekannte AI-Crawler Seiten abrufen und dabei Fehler erleben. Crawl-Aktivität ist jedoch kein Beleg für Training, Indexierung, Zitation oder Empfehlung. Kombiniert technische Logs deshalb mit reproduzierbaren Suchfragen-Tests und Ergebnis-Metriken.

Die Answer-First Anatomie

Das Prinzip ist simpel: Ein antworttragender Abschnitt beginnt mit einer präzisen Kernaussage. Danach folgen Einordnung, Auswirkungen, Umsetzungsschritte und Belege. Nicht jede Seite braucht eine Definition, aber Nutzer und Systeme sollten die Antwort nicht erst aus einer langen Einleitung herauslösen müssen.

Verwende klare Sätze und gut lesbare Listen. Nummeriere echte Prozesse und nutze semantisch korrektes HTML für Vergleiche und Tabellen. Eine nachvollziehbare Überschriftenhierarchie hilft Menschen und Maschinen, einzelne Aussagen ihrem Kontext zuzuordnen.

Vermeidung von Halluzinationen

Quellen verhindern Halluzinationen nicht. Platziere Zahl, Gültigkeitsdatum, Definition und Primärquelle nah beieinander, damit Leser die Aussage prüfen können. Benenne Unsicherheit und korrigiere veraltete Angaben.

Vom Markenversprechen zu überprüfbaren Attributen

Formuliert konkret: In welcher Kategorie spielt ihr, für welche Zielgruppe, bei welchem Problem, mit welchem nachweisbaren Vorteil: und für wen seid ihr ausdrücklich nicht die beste Wahl? Aus allgemeinen Claims wie „innovativ und einfach“ entstehen keine brauchbaren Tests. Aus „GEO-Analyse für mittelständische Marketingteams mit priorisierten Handlungsempfehlungen“ dagegen schon.

Ordnet die Attribute nach Kaufrelevanz. Priorität 1 umfasst Eigenschaften, ohne die ihr nicht in die engere Auswahl kommt; Priorität 2 stärkt die Differenzierung; Priorität 3 liefert zusätzlichen Kontext. Diese Reihenfolge steuert später Suchfragen, Content-Artikelplans und Reporting.

Vier Perspektiven in einer Evidence Map abgleichen

Haltet Übereinstimmungen und Widersprüche zwischen eigener Positionierung, Kundensprache, Drittquellen und gemessenen Antworten fest. Verwendet sie als Ausgangspunkt einer weiteren Prüfung, nicht als Diagnose einer Auswahlentscheidung.

Nutzt vorhandene Unterlagen wie Support-Tickets, Produktbeschreibungen und fachliche Veröffentlichungen. Ergänzt die Keyword-Recherche um konkrete Einwände und Kundenformulierungen, ohne daraus Suchvolumen abzuleiten.

Sechs Testtypen mit unterschiedlichen Aufgaben

Offene Anbieterfragen prüfen Nennungen. Vergleichsfragen bitten um eine Bewertung konkreter Alternativen. Validierungsfragen prüfen Angaben zu Fähigkeiten. Faktenfragen prüfen Funktionen und Integrationen. Fragen zu Vor- und Nachteilen prüfen belegbare Aussagen. Kategoriefragen untersuchen die beschriebene Markteinordnung.

Jeder Typ braucht ein eigenes Erfolgskriterium: Bei Discovery zählt die Präsenz in der Auswahl, bei Validierung die korrekte Ja/Nein-Aussage, bei Fakten die sachliche Richtigkeit und bei Vergleichen die Empfehlung für einen definierten Anwendungsfall. Vermischt man diese Ziele, entstehen Kennzahlen ohne klare Handlungsfolge.

Kontextvarianten als Portfolio aufbauen

Variiert pro wichtigem Attribut Persona, Unternehmensgröße, Branche, Region, Aufgabe, Budget und notwendige Integrationen. Nutzt außerdem mehrere natürliche Formulierungen. Bewertet die aggregierte Leistung des Clusters; einzelne Suchfragen dienen vor allem dazu, konkrete Fehler und Chancen zu diagnostizieren.

Dokumentiert Plattform, Modell oder Suchfunktion, Sprache, Land, Datum, Fragenversion und Gesprächskontext. Damit bleiben Unterschiede der Datenbasis im Bericht sichtbar; die Ursache einer Veränderung ist daraus allein nicht ableitbar.

Sichtbarkeit, Zitation, Genauigkeit und Sentiment prüfen

Prüft je Attribut und Plattform erfolgreiche Antworten, Markennennungen, Quellen und sachliche Genauigkeit. Zeigt eine Position nur bei tatsächlicher Reihenfolge. Nenner enthalten nur erfolgreiche Antworten; fehlende Daten heißen „nicht gemessen“. Prüft bei Unterschieden die gespeicherten Belege.

Untersucht die wiederholt genannten Quellen auf fehlende oder widersprüchliche Informationen. Dokumentiert Befunde als Hypothesen statt einer feststehenden Ursache. Sichert die zugrunde liegende Antwort und die genannten URLs.

Technik und AI-Traffic getrennt bewerten

Prüft Indexierbarkeit, robots-Regeln, Statuscodes, Canonicals, serverseitig verfügbaren Hauptinhalt, interne Links, strukturierte Daten und Aktualität. Separat betrachtet ihr Bot-Abrufe in Logs und erkennbare Referrals aus AI-Produkten. Diese Signale erklären Zugänglichkeit und Nachfrage, beweisen aber allein keine Sichtbarkeit.

Wiederholt die Baseline mit demselben Fragenset und einer festen Kadenz. Häufige operative Tests können wöchentlich laufen; eine strategische Neubewertung der Attribute und Quellen ist eher monatlich oder quartalsweise sinnvoll.

Eine einfache Routing-Logik

Wenn eine relevante Leistung in Antworten fehlt, prüfe zuerst, ob eigene Seiten sie klar belegen. Wenn die Leistung korrekt beschrieben, die Marke aber nicht empfohlen wird, untersuche die tatsächlich genannten Drittquellen. Beide Beobachtungen sind Hinweise zur Prüfung, keine Diagnose der Auswahlentscheidung.

Falsche Fakten verlangen eine dritte Route: Korrigiert zuerst die maßgebliche eigene Seite und gleicht danach veraltete Profile, Verzeichnisse und häufig zitierte Drittquellen ab. Negative, aber sachlich begründete Aussagen sind keine Markup-Aufgabe; sie erfordern Produktverbesserung, transparente Einordnung oder belegbare Gegenargumente.

Webweiten Konsens ethisch aufbauen

Offpage-GEO bedeutet nicht, künstliche Erwähnungen zu streuen. Schafft zitierfähige Originaldaten, klare Expertenbeiträge, echte Kundenbelege und konsistente Partnerinformationen. Pflegt Profile dort, wo eure Zielgruppe tatsächlich recherchiert, und korrigiert Fehler transparent.

Priorisiert Quellen, die in eurem eigenen Audit wiederholt auftauchen. So richtet ihr PR, Partnerarbeit und Content nicht an pauschalen Best Practices aus, sondern an den realen Quellenmustern eurer Kategorie.

AI Visibility als Kennzahlensystem

Trackt mindestens Erwähnungsrate, Share of Voice, Empfehlungsposition, Citation Share, Quellen-Diversität, Faktenrichtigkeit und Sentiment: jeweils nach Attribut, Suchfragen-Typ und Plattform. Ergänzt diese synthetischen Messungen durch AI-Referrals, markierte Landingpages, Marken-Suchnachfrage und qualitative Hinweise aus Sales Calls oder Formularfeldern.

Suchfragen-Tracking ist kontrollierte Marktforschung, keine vollständige Abbildung echter Nutzersitzungen. Personalisierte und mehrstufige Gespräche bleiben teilweise unsichtbar. Kommuniziert diese Grenze im Reporting und bewertet Trends über wiederholte Stichproben statt einzelne Ausschläge.

Attribution durch Triangulation

Ein Marken-Kontakt in einer KI-Antwort erzeugt nicht immer einen Klick. Nutzer können später direkt, über Brand Search oder auf einem anderen Gerät zurückkehren. Verbindet deshalb messbare Referrals und Conversions mit Self-Reported Attribution („Wie habt ihr uns gefunden?“), CRM-Notizen, Sales-Call-Auswertung und Sichtbarkeitstrends.

Unterscheidet Kanalziele von Kampagnenzielen: Kanalziele bewerten die gesamte Markenpräsenz über Zeit; Kampagnenziele messen, ob eine konkrete Attribut- oder Quellenlücke geschlossen wurde. So bleibt eine Maßnahme auch dann bewertbar, wenn die Umsatzattribution unvollständig ist.

Ownership und Arbeitsrhythmus festlegen

Benennt eine verantwortliche Person oder ein kleines GEO-Pod, das Analyse, Priorisierung und Nachmessung zusammenhält. Content oder SEO verantwortet nicht automatisch jede Maßnahme: Product Marketing besitzt Positionierung und Fakten, PR und Brand externe Narrative, Customer Success Reviews und Einwände, Product die tatsächliche Leistung, Analytics die Messbasis.

Ein praktikabler Zyklus lautet: beobachten, Lücke klassifizieren, Owner und Ziel definieren, Änderung veröffentlichen, Re-Crawl ermöglichen und mit dem gleichen Testset nachmessen. Haltet Fragenversion, betroffene Quellen, Release-Datum und Ergebnis in einem gemeinsamen Backlog fest.

Mit einem fokussierten Pilot starten

Beginnt mit einer relevanten Kategorie, wenigen priorisierten Attributen und einem dokumentierten Fragenset. Erweitert den Umfang nach einer nachvollziehbaren Auswertung.

Skaliert erst, wenn Messung und Routing funktionieren: weitere Attribute, Länder, Modelle und Teams kommen schrittweise hinzu. Die Geschwindigkeit der Lernschleife ist wichtiger als die Zahl veröffentlichter Seiten.