Forschung

GEO bezeichnet Massnahmen, die die Sichtbarkeit von Inhalten in generativen Antwortmaschinen erhöhen — also in Systemen wie ChatGPT, Perplexity oder Google AI Overviews, die Antworten formulieren statt Links zu listen. Der Begriff stammt aus der Forschung: Aggarwal et al. (KDD 2024) zeigten, dass sich die Sichtbarkeit in generierten Antworten um bis zu 40 Prozent heben lässt — am stärksten durch Zitate, Statistiken und klare Quellenangaben im Inhalt selbst.

SEO optimiert die Position in einer Linkliste; GEO optimiert die Wahrscheinlichkeit, in einer formulierten KI-Antwort als Quelle verwendet und zitiert zu werden. Die Signale überlappen — Crawlbarkeit, Struktur, Autorität —, aber die Mechanik ist anders: Eine KI-Antwort hat keine zehn blauen Links, sondern wenige Zitate, und wählt sie nach Belegtheit, Klarheit und struktureller Lesbarkeit aus. Wer nur rankt, aber nicht zitierfähig ist, verschwindet aus der Antwort.

Nein — diese kursierende Zahl ist eine Misattribution. Die +30 bis +40 Prozent stammen aus der Content-Shape-Forschung (Aggarwal et al. 2024) und beziehen sich auf Zitate, Statistiken und Quellenangaben im Text. Strukturierte Daten sind trotzdem sinnvoll — als Hygiene, die Identität und Aussagen maschinell eindeutig auslesbar macht. Aber Markup ohne Substanz zeigt in der Forschung kaum Wirkung, und kein KI-Anbieter hat Schema.org als Zitier-Faktor bestätigt.

Für die Faktualität ist der Effekt peer-reviewed: Wikidata-Grounding hob die Accuracy von Sprachmodell-Antworten auf 76 Prozent (Xu et al. 2023, EMNLP), Knowledge-Graph-RAG erreichte bis zu +71 Prozent in Fach-Domänen (Soman et al. 2024, Bioinformatics). Für Organisationen kommt der Identitäts-Effekt dazu: Ein sauberes Wikidata-Item mit eindeutigen Identifikatoren ist der Referenzpunkt, an dem KI-Systeme eine Organisation von Namensvettern unterscheiden.

Ehrliche Antwort: Der Nutzen ist nicht belegt. Die Konvention — vorgeschlagen von Jeremy Howard im September 2024 — ist einfach umzusetzen, aber kein grosser KI-Anbieter hat bestätigt, llms.txt automatisch auszuwerten; das ist der zentrale Kritikpunkt am Format. Real ist der Nutzen dort, wo Menschen die Datei aktiv einem Werkzeug übergeben, etwa in Coding-Assistenten. Als Hygiene-Massnahme unbedenklich, als Hebel überschätzt.

Ja — mit systematischen, wiederholten Abfragen: identische Fragen über mehrere Modelle und Zeitpunkte, ausgewertet nach Konsistenz, Faktentreue und zitierten Quellen. Unser Working Paper zur Schweizer Politlandschaft führt genau diese Methodik an einem neutralen Gegenstand vor. Wichtig ist die Wiederholung: Einzelabfragen sind Anekdoten, erst Messreihen zeigen, ob sich die Darstellung einer Organisation tatsächlich verändert.

Die Verschiebung ist real, aber kein Ersatz über Nacht. Die Zero-Click-Forschung dokumentiert, dass ein wachsender Teil der Informationsbedürfnisse direkt in der Antwort befriedigt wird, ohne Klick auf eine Website. Für Organisationen heisst das: Der Traffic-Kanal wird schmaler, der Darstellungs-Kanal wichtiger — was Maschinen über Sie sagen, erreicht Menschen auch dann, wenn niemand mehr klickt. Beide Kanäle bauen auf derselben Grundlage auf: belegter, strukturiert lesbarer Substanz.

Google nennt kein Rezept: AI Overviews speisen sich aus dem normalen Such-Index, bevorzugt aus Seiten, die crawlbar sind, gut ranken und die Frage in einer in sich geschlossenen Passage direkt beantworten. Strukturierte Daten sind laut Google kein spezifischer Zitier-Faktor. Praktisch heisst das: dieselbe Substanz-Arbeit wie für GEO insgesamt — klare Frage-Antwort-Passagen, Belege, eindeutige Identität — wirkt auch hier.