Wie wir KI-Sichtbarkeit messen und aufbauen

Warum GEO sich überhaupt messen lässt

Generative KI-Systeme funktionieren nicht wie eine klassische Suchmaschine, die Seiten nach festen Ranking-Signalen sortiert. Sie erzeugen stattdessen eine Antwort auf Basis von Trainingsdaten und – bei Systemen mit Websuche wie Perplexity oder Google AI Overview – zusätzlich auf Basis aktuell abgerufener Quellen. Ob eine Quelle dabei herangezogen und im Ergebnis genannt wird, hängt nachweislich von überprüfbaren Eigenschaften des Inhalts ab, nicht vom Zufall.

Grundlegend dafür ist die 2024 auf der KDD-Konferenz vorgestellte Arbeit „GEO: Generative Engine Optimization" von Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan und Deshpande (arXiv:2311.09735). Die Autoren haben in kontrollierten Tests systematisch verschiedene Textmerkmale variiert und gemessen, wie sich das auf die Zitierhäufigkeit in generativen Antwortsystemen auswirkt. Diese Arbeit ist der zentrale externe Referenzpunkt, auf dem unsere Methodik aufbaut.

Was technisch machbar ist, und was tatsächlich passiert

Bei jedem Kundenprojekt halten wir zwei Fragen bewusst auseinander, die häufig durcheinandergebracht werden, obwohl sie unterschiedliche Ursachen und unterschiedliche Lösungen haben. Die erste Frage: Ist die Website überhaupt so aufgebaut, dass eine KI sie zuverlässig auslesen, verstehen und zitieren kann, also Struktur, Ladezeit, strukturierte Daten, Zugänglichkeit für Crawler? Diese Seite lässt sich direkt und nachweisbar bearbeiten. Die zweite Frage: Wird das Unternehmen in echten KI-Antworten zu relevanten Suchanfragen tatsächlich genannt? Das entscheidet am Ende das jeweilige KI-System, wir können es nur über wiederkehrende Testabfragen bei den großen Systemen beobachten und dokumentieren.

Der Grund für diese Trennung: Eine Website kann technisch einwandfrei aufbereitet sein und trotzdem noch nicht genannt werden, etwa weil das Thema neu ist oder Wettbewerber inhaltlich voraus sind. Umgekehrt kann eine gelegentliche Nennung entstehen, ohne dass die technische Basis stimmt, was auf Dauer keine Verlässlichkeit bringt. Beide Fragen getrennt zu betrachten verhindert, dass eine der beiden Ursachen übersehen wird.

Was wir in der technischen Bestandsaufnahme konkret prüfen

Die Bestandsaufnahme, die Teil jedes Setups ist, umfasst unter anderem folgende Prüfpunkte:

Diese Kriterien sind bewusst überprüfbar und nicht subjektiv gehalten. Jeder Punkt lässt sich im Bericht konkret mit Vorher/Nachher belegen.

Wie wir Inhalte für die laufende Zusammenarbeit aufbauen

Die technische Grundlage ist die Voraussetzung, nicht die eigentliche Arbeit. Den größeren Teil der laufenden Betreuung macht der Inhalt selbst aus: Texte, die eine echte Fachfrage klar und faktenbasiert beantworten, in einer Struktur, die KI-Systeme zuverlässig auswerten und zitieren können, etwa klare Fragen-Antwort-Abschnitte, eindeutige Aussagen statt vager Formulierungen, nachprüfbare Fakten statt Behauptungen. Bewusst außen vor bleibt dabei klassische Marketing- und Vertriebssprache, denn für die Bewertung durch ein KI-System spielt sie keine Rolle, im Zweifel wirkt sie sogar eher wie ein Vertrauenssignal gegen die eigene Quelle.

Wie wir die tatsächliche Nennung laufend beobachten

Zusätzlich zur technischen Prüfung stellen wir für jedes Projekt eine Reihe realistischer Testfragen zusammen, wie sie ein Kunde tatsächlich stellen würde, etwa „Wer bietet Leistung X in Region Y an?". Diese Fragen werden in regelmäßigen Abständen bei den relevanten KI-Systemen abgefragt und die Ergebnisse dokumentiert: Wird das Unternehmen genannt, an welcher Position, in welchem Kontext, und wie schneiden dabei die direkten Wettbewerber ab. So entsteht über Zeit eine nachvollziehbare Entwicklungslinie statt einer einmaligen Momentaufnahme.

Warum wir mit zwei Textebenen arbeiten

Diese Seite selbst ist ein bewusst gewähltes Beispiel für GEO-Praxis: Eine kurze Einführung beantwortet die Grundfrage knapp und klar, während eine vertiefende Seite wie diese hier die fachliche Grundlage für alle liefert, die es genauer wissen möchten oder fachlich einordnen wollen. Diese Aufteilung erleichtert es KI-Systemen, aus jeder Seite in sich abgeschlossene, zitierfähige Abschnitte zu extrahieren, statt eine Frage oberflächlich mit Fachbegriffen zu vermischen.

In der Praxis bauen wir dabei nicht immer beide Ebenen komplett neu. Existiert auf der Website eines Kunden bereits eine solide, allgemein verständliche Seite zu einem Thema, nutzen wir diese bewusst als Einstiegsebene und ergänzen nur die fehlende Tiefenseite darunter. Das spart Aufwand, erhält das bestehende Standing der Seite, und Laien werden nicht mit einer komplett neuen Einstiegsseite konfrontiert, sondern finden die vertraute Seite weiterhin an gewohnter Stelle, nur mit einem zusätzlichen Link für alle, die tiefer einsteigen möchten. Erst wenn zu einem Thema wirklich noch keine brauchbare Seite existiert, bauen wir beide Ebenen neu.

Grenzen dieser Methodik

Quellen

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. (2024) GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24). arXiv:2311.09735
• Schema.org Offene Vokabulardefinition für strukturierte Daten, gemeinsam betrieben von Google, Microsoft, Yahoo und Yandex. schema.org