LLMs und GEO: Wie Sprachmodelle Quellen auswählen

LLMs und GEO hängen direkt zusammen: Large Language Models erzeugen Antworten, indem sie aus dem vorhandenen Kontext das wahrscheinlich nächste Sprachelement ableiten. Für Generative Engine Optimization müssen Inhalte fachlich belastbar, semantisch eindeutig und technisch erreichbar sein, damit KI-Suchsysteme sie abrufen, einordnen und zitieren können. GEO ergänzt deshalb klassische SEO, ersetzt sie aber nicht.

Wie erzeugt ein LLM aus Sprache eine Antwort?

Ein Large Language Model verarbeitet Text nicht als Sammlung fertiger Aussagen. Es zerlegt Eingaben in Tokens, also Wörter, Wortbestandteile oder Zeichenfolgen, und übersetzt diese Einheiten in mathematische Repräsentationen. Während des Trainings lernt das Modell, welche sprachlichen und inhaltlichen Muster häufig gemeinsam auftreten. Bei der Ausgabe berechnet es Schritt für Schritt, welches Token auf Basis des bisherigen Kontexts wahrscheinlich folgt.

Die Transformer-Architektur ermöglicht dabei, Beziehungen zwischen weit auseinanderliegenden Textstellen zu gewichten. Ein Begriff wie „Wartung“ erhält in einem Beitrag über Heiztechnik eine andere Bedeutung als in einem Artikel über Softwarebetrieb. Self-Attention hilft dem Modell, solche Zusammenhänge innerhalb des verfügbaren Kontextfensters zu berücksichtigen. Das Ergebnis wirkt wie formuliertes Wissen, entsteht technisch jedoch durch fortlaufende Wahrscheinlichkeitsberechnung.

Für GEO ist dieser Unterschied entscheidend. Ein KI-System erkennt nicht automatisch, welche Aussage ein Unternehmen als wichtigste Botschaft versteht. Es verarbeitet das Material, das abgerufen wurde, und bildet daraus eine Antwort. Fachbegriffe, Entitäten, Zuständigkeiten, Leistungsversprechen und Einschränkungen sollten deshalb konsistent beschrieben werden. Wechselnde Bezeichnungen für dasselbe Angebot oder widersprüchliche Angaben auf mehreren Unterseiten erschweren die Zuordnung.

Warum ist ein LLM keine klassische Wissensdatenbank?

Eine Datenbank speichert definierte Datensätze und gibt sie nach einer Abfrage wieder aus. Ein reines LLM besitzt dagegen kein verlässliches Verzeichnis mit einzelnen Fakten, Quellen und Aktualisierungsständen. Es kann Zusammenhänge aus Trainingsmustern rekonstruieren, aber auch plausible Aussagen erzeugen, die sachlich nicht stimmen oder nicht mehr aktuell sind.

Moderne KI-Suchen kombinieren Sprachmodelle deshalb häufig mit Retrieval-Augmented Generation. Dabei sucht das System zunächst nach passenden Dokumenten oder Webseiten, übergibt ausgewählte Passagen an das Modell und lässt daraus eine Antwort formulieren. Diese Verbindung aus Retrieval, Bewertung, Kontextauswahl und Textgenerierung ist für GEO wichtiger als die Vorstellung, ein Modell müsse eine Marke lediglich „kennen“.

In der Praxis konkurriert ein Beitrag nicht nur um eine Position in einer Ergebnisliste. Er muss zunächst crawlbar und indexierbar sein, zu einer Suchintention passen, bei einer oder mehreren abgeleiteten Suchanfragen gefunden werden, den Auswahlprozess überstehen und anschließend genügend verwertbare Substanz für die Antwort liefern. Jeder dieser Schritte kann dazu führen, dass eine fachlich gute Seite nicht berücksichtigt wird.

Wie wird aus einer Suchanfrage eine generative Antwort?

Eine generative Suche kann eine komplexe Nutzerfrage in mehrere Teilfragen zerlegen. Aus „Welche KI-Lösung eignet sich für einen technischen Dienstleister mit sensiblen Kundendaten?“ können Abfragen zu Datenschutz, Systemarchitektur, Branchenanforderungen, Betriebsmodell, Integration und Kosten entstehen. Dieses Query-Fan-out erweitert den Suchraum und führt dazu, dass eine Seite auch über benachbarte Themen gefunden werden kann.

Anschließend werden mögliche Quellen abgerufen, Passagen bewertet und in einen begrenzten Modellkontext übernommen. Das Sprachmodell verdichtet die ausgewählten Informationen zu einer Antwort. Quellenangaben können dabei sichtbar erscheinen, doch Erwähnung, Verlinkung und inhaltliche Nutzung sind nicht dasselbe. Ein Text kann eine Antwort beeinflussen, ohne als prominenter Link aufzutauchen. Umgekehrt kann eine zitierte Seite nur einen kleinen Teil der Antwort stützen.

Für mittelständische Unternehmen folgt daraus eine andere Sicht auf Content-Performance. Neben Rankings und organischen Sitzungen werden Erwähnungen, Zitate, vermittelte Kernaussagen, Markenbezug und qualifizierte Zugriffe relevant. Eine Seite kann strategisch wertvoll sein, obwohl ihr direkter Traffic niedriger ausfällt als bei einem klassischen Ratgeber, wenn sie in entscheidungsnahen KI-Antworten als fachliche Quelle auftaucht.

Welche Unterschiede bestehen zwischen SEO und GEO?

SEO und GEO nutzen dieselbe technische Grundlage, setzen aber teilweise andere Schwerpunkte. Die folgende Gegenüberstellung trennt die Disziplinen nicht künstlich, sondern zeigt, an welcher Stelle sich die Betrachtung erweitert.

GEO ist daher keine Ersatzdisziplin, die technische SEO überflüssig macht. Wer nicht indexiert wird, langsam ausliefert, zentrale Inhalte hinter Skripten versteckt oder widersprüchliche Canonicals verwendet, schafft bereits vor der generativen Verarbeitung Probleme. Umgekehrt reicht eine technisch einwandfreie Seite nicht aus, wenn sie nur allgemein bekannte Aussagen neu formuliert.

Welche Inhalte können KI-Systeme besonders gut verwerten?

Verwertbar sind Abschnitte, die eine konkrete Frage vollständig beantworten, den fachlichen Rahmen nennen und die Aussage mit nachvollziehbaren Belegen verbinden. Eine Definition ohne Anwendungsbezug bleibt austauschbar. Ein Praxisabschnitt mit Ausgangssituation, Vorgehen, Randbedingungen und Ergebnis bietet dagegen Information, die sich nicht ohne Weiteres aus beliebigen Konkurrenztexten zusammensetzen lässt.

Für einen Maschinenbauer kann das bedeuten, nicht nur über „KI im Service“ zu schreiben, sondern einen typischen Ablauf zu beschreiben: Störungsmeldung, Identifikation der Anlage, Abgleich mit Wartungsunterlagen, Rückfrage an den Servicetechniker, Ersatzteilentscheidung und dokumentierte Übergabe. Für einen SHK-Betrieb sind Gerätedaten, Anlagenhistorie, Messwerte, Herstellerunterlagen und die Abgrenzung zwischen Fernunterstützung und Vor-Ort-Einsatz relevant. Solche Branchenlogik liefert semantische Anker, die allgemeine Marketingtexte nicht besitzen.

Hilfreich sind außerdem eindeutige Definitionen, Vergleichskriterien, Voraussetzungen, Grenzen, Entscheidungsregeln, Originaldaten, Fallbeispiele und benannte Verantwortliche. Aktualisierungsdatum, Autor oder fachlich verantwortliche Organisation sowie direkt verlinkte Primärquellen erleichtern die Einordnung. Strukturierte Daten können Suchmaschinen zusätzliche Signale geben, sind jedoch kein Sonderzugang zu generativen Antworten.

Wie sollte ein GEO-orientierter Fachbeitrag aufgebaut sein?

Ein wirkungsvoller Beitrag beginnt mit einer kompakten Antwort auf die zentrale Suchfrage. Danach sollte er die fachlichen Teilfragen in einer Reihenfolge behandeln, die der Entscheidungspraxis des Lesers entspricht. Überschriften dürfen natürliche Fragen aufnehmen, während die folgenden Absätze unmittelbar antworten. Lange Einleitungen, die erst nach mehreren Bildschirmseiten zum Thema kommen, verschenken verwertbaren Kontext.

Jeder Abschnitt sollte auch für sich verständlich bleiben. Das bedeutet nicht, Text künstlich in Miniabsätze zu zerlegen. Es bedeutet, dass zentrale Begriffe nicht erst an anderer Stelle erklärt werden und Pronomen eindeutig auf ihre Bezugswörter verweisen. Ein Absatz über „das System“ ist schwächer als ein Absatz, der benennt, ob vom CRM, vom Company Brain, vom Vektorspeicher oder vom Sprachmodell die Rede ist.

Ein erprobter Aufbau verbindet Antwort, Einordnung, Praxis und Grenze. Zuerst wird die Frage beantwortet. Danach folgt die Begründung. Anschließend zeigt ein Anwendungsfall, wie sich das Thema im Betrieb auswirkt. Zum Schluss werden Voraussetzungen oder Situationen genannt, in denen die Aussage nicht gilt. Diese Form unterstützt Leser, Suchmaschinen und generative Systeme zugleich, ohne den Text für Maschinen zu verfassen.

Was läuft bei GEO-Projekten üblicherweise falsch?

Häufig entsteht eine große Zahl ähnlich aufgebauter Seiten, die dieselben Grundgedanken mit ausgetauschten Branchenbegriffen wiederholen. Solche Inhalte erweitern den Informationsbestand kaum. Sie können intern um dieselben Suchanfragen konkurrieren und schwächen das erkennbare Themenprofil der Website. Besser ist ein kleineres Netz aus substanziellen Leitartikeln, Branchenbeiträgen, Fallstudien und methodisch verbundenen Detailseiten.

Ein weiterer Fehler ist die Vermischung von belegten Fakten, Anbieterpositionierung und Prognosen. Wenn jede Aussage wie eine gesicherte Tatsache formuliert wird, sinkt die Vertrauenswürdigkeit. Erfahrungswerte sollten als solche bezeichnet werden. Prognosen benötigen Annahmen. Produktvorteile sollten durch Funktionen, Prozessbezug oder dokumentierte Ergebnisse gestützt werden.

Auch übermäßiges Keyword-Styling führt selten zu besseren Antworten. Sprachmodelle und Suchsysteme verarbeiten Synonyme, Zusammenhänge und Entitäten. Unnatürliche Wiederholungen machen Texte schlechter lesbar und können die eigentliche Aussage verdecken. Ebenso wenig ersetzt eine llms.txt-Datei zugängliche Inhalte, etablierte SEO-Grundlagen oder belastbare Drittquellen. Für Google Search ist eine solche Datei derzeit kein eigener Sichtbarkeitsfaktor.

Wie lässt sich GEO im Mittelstand praktisch umsetzen?

Der sinnvollste Startpunkt ist kein flächendeckender Relaunch, sondern ein begrenztes Themenfeld mit wirtschaftlicher Relevanz. Geeignet sind Leistungen, bei denen Interessenten vor dem Gespräch viele Fachfragen stellen: Systemintegration, Datenschutz, Wartungsmodelle, Angebotsvarianten, branchenspezifische Dokumentation oder die Ablösung manueller Prozesse.

Zunächst werden reale Fragen aus Vertrieb, Service, Support und Ausschreibungen gesammelt. Danach wird geprüft, welche Antworten bereits auf der Website vorhanden sind, wo Widersprüche bestehen und welche Belege fehlen. Aus diesem Material entsteht eine Themenarchitektur mit einem zentralen Leitbeitrag, vertiefenden Seiten und passenden Praxisnachweisen. Die Inhalte sollten mit der Terminologie arbeiten, die Kunden, Fachabteilungen und Einkäufer tatsächlich verwenden.

Vor der Veröffentlichung folgen technische Prüfungen: Indexierbarkeit, Canonical, interne Verlinkung, Seitentitel, Meta-Beschreibung, Hauptinhalt im HTML, Mobilnutzung und Ladeverhalten. Danach werden ausgewählte Suchfragen in mehreren KI-Suchen und klassischen Suchmaschinen getestet. Nicht nur die Markennennung zählt, sondern auch, ob das System Leistungsumfang, Zielgruppe und Abgrenzung zutreffend wiedergibt.

Wie sollte GEO gemessen werden, wenn Antworten variieren?

Generative Antworten sind probabilistisch. Derselbe Prompt kann zu unterschiedlichen Zeitpunkten andere Quellen, Formulierungen oder Schwerpunkte hervorbringen. Eine Einzelabfrage ist deshalb keine belastbare Messung. Unternehmen benötigen ein festes Set aus realen Kundenfragen, alternativen Formulierungen und entscheidungsnahen Anwendungsfällen.

Für jede Abfrage können Markenpräsenz, zitierte URL, Position der Erwähnung, fachliche Richtigkeit, vermittelte Kernbotschaft und resultierender Besuch dokumentiert werden. Wiederholte Prüfungen zeigen, ob ein Muster entsteht. Ergänzend bleiben Search Console, Webanalyse, CRM-Quelle und Conversion-Daten notwendig, weil eine Erwähnung allein noch keinen Geschäftswert belegt.

Die Messung sollte außerdem zwischen Sichtbarkeit und Wirkung unterscheiden. Eine häufige Nennung bei allgemeinen Informationsfragen kann weniger wertvoll sein als eine seltenere Nennung bei einer konkreten Investitionsentscheidung. Für den Mittelstand sind qualifizierte Termine, Download-Nutzung, Angebotsanfragen und verkürzte Informationswege meist relevanter als eine isolierte GEO-Kennzahl.

Welche Kennzahlen zeigen die Veränderung der Suche?

Die erste wissenschaftliche GEO-Arbeit berichtete in ihrem Benchmark von Sichtbarkeitssteigerungen von bis zu 40 Prozent. Diese Zahl beschreibt ein kontrolliertes Untersuchungsdesign und ist kein Versprechen für reale Unternehmenswebsites. Entscheidend ist die Einschränkung: Wirkung hängt von Thema, Ausgangsposition, verwendeter Suchmaschine und bereits erfolgtem Retrieval ab.

Eine Untersuchung des Pew Research Center zu Google-Suchen im März 2025 ergab, dass 18 Prozent der beobachteten Suchanfragen eine KI-Zusammenfassung enthielten. Bei Suchergebnisseiten mit einer solchen Zusammenfassung wurde in 8 Prozent der Besuche auf ein klassisches Suchergebnis geklickt; ohne KI-Zusammenfassung waren es 15 Prozent. Die Werte stammen aus einer US-Stichprobe und lassen sich nicht ungeprüft auf jede deutsche Branche übertragen.

Für Unternehmen liegt die Konsequenz nicht darin, Klicks für bedeutungslos zu erklären. Vielmehr muss Content zwei Aufgaben erfüllen: Er soll als Quelle in einer generativen Antwort funktionieren und zugleich genügend Nutzen bieten, damit ein Leser für Details, Nachweise, Tools oder ein Gespräch auf die Website wechselt.

Quellenangabe: Welche Kennzahlen wurden verwendet?

GEO: Generative Engine Optimization – Originalstudie
https://arxiv.org/abs/2311.09735

Google-Nutzer klicken seltener auf Links, wenn eine KI-Zusammenfassung erscheint
https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

Interessante Links: Welche Quellen vertiefen das Thema?

Google Search Central: Website für generative KI-Funktionen in Google Search optimieren
https://developers.google.com/search/docs/fundamentals/ai-optimization-guide

Google Machine Learning: Einführung in Large Language Models
https://developers.google.com/machine-learning/crash-course/llm

OpenAI: Wie ChatGPT und Foundation Models entwickelt werden
https://help.openai.com/en/articles/7842364-how-chatgpt-and-our-foundation-models-are-developed

FAQ

Was ist GEO in einem Satz?

Generative Engine Optimization bezeichnet die systematische Verbesserung von Inhalten, damit generative Suchsysteme sie finden, fachlich einordnen und in Antworten verwenden können. GEO umfasst technische SEO, belastbare Inhalte, konsistente Entitäten, geeignete Belege und eine Messung über mehrere Suchsysteme. Es geht nicht um einen einzelnen Trick, sondern um die Qualität der gesamten Informationskette.

Ersetzt GEO die klassische Suchmaschinenoptimierung?

Nein. Generative Suchfunktionen greifen weiterhin auf crawlbare und indexierte Webinhalte sowie bestehende Ranking- und Qualitätssysteme zurück. Technische SEO, interne Verlinkung, hilfreiche Seitentitel, passende Suchintentionen und eine gute Nutzungserfahrung bleiben notwendig. GEO ergänzt diese Grundlage um die Frage, ob einzelne Passagen als Quelle für synthetisierte Antworten geeignet sind.

Müssen Texte für LLMs besonders kurz sein?

Nein. Es gibt keine allgemeine Ideallänge für GEO-Inhalte. Entscheidend ist, dass ein Abschnitt eine konkrete Frage ohne unnötige Umwege beantwortet und genügend Kontext für eine korrekte Einordnung enthält. Komplexe Themen dürfen ausführlich sein. Künstlich verkürzte Texte verlieren häufig Voraussetzungen, Grenzen oder fachliche Details, die für eine belastbare Antwort nötig wären.

Welche Rolle spielen strukturierte Daten bei GEO?

Strukturierte Daten helfen Suchmaschinen, Seitentyp, Autor, Organisation, Produkt, FAQ oder andere Entitäten maschinenlesbar zuzuordnen. Sie unterstützen bestehende Suchfunktionen und können die technische Einordnung verbessern. Sie garantieren jedoch keine Erwähnung in einer KI-Antwort. Inhalt, Indexierbarkeit, Reputation, Belege und Passung zur Anfrage bleiben entscheidende Faktoren im Auswahlprozess.

Braucht eine Website eine llms.txt-Datei?

Für Google Search ist eine llms.txt-Datei derzeit weder Voraussetzung noch eigener Vorteil für generative Suchfunktionen. Andere Dienste können solche Dateien künftig oder bereits heute individuell auswerten. Unternehmen sollten sie daher nur mit einem konkreten technischen Zweck pflegen. Priorität haben zugängliche Hauptinhalte, korrekte Indexierung, gute interne Verlinkung und verlässliche Quellen.

Warum zitieren KI-Suchen manchmal Wettbewerber statt der Originalquelle?

Generative Suchsysteme bewerten nicht nur Urheberschaft. Sie berücksichtigen unter anderem Abrufbarkeit, thematische Passung, Reputation, Aktualität, Kontext und die Eignung einer Passage für die jeweilige Antwort. Ein Wettbewerber kann eine Aussage kompakter dokumentiert oder durch stärkere Drittquellen gestützt haben. Deshalb sollten Originalwissen, Praxisnachweise und eindeutige Zuordnungen öffentlich auffindbar sein.

Wie wichtig sind Backlinks für GEO?

Backlinks bleiben ein wichtiges Signal für Bekanntheit und Reputation im Web, wirken aber nicht isoliert. Generative Systeme können zusätzlich Quellenvielfalt, fachliche Übereinstimmung, Erwähnungen auf vertrauenswürdigen Seiten und die Qualität konkreter Passagen berücksichtigen. Besonders wertvoll sind redaktionelle Verweise aus Branchenmedien, Verbänden, Forschung, Partnernetzwerken oder Kundenkontexten, die eine fachliche Aussage tatsächlich stützen.

Können automatisch erzeugte Massenartikel GEO verbessern?

Eine große Seitenzahl führt nicht automatisch zu mehr Präsenz in KI-Antworten. Wenn Inhalte nur bekannte Aussagen wiederholen, ähnliche Suchintentionen kannibalisieren oder keine eigenen Erfahrungen enthalten, entsteht wenig zusätzlicher Quellenwert. Automatisierung kann Recherche, Strukturierung und Qualitätssicherung unterstützen. Veröffentlichung und fachliche Verantwortung sollten jedoch bei einer kompetenten Person oder Organisation liegen.

Wie schnell zeigen GEO-Maßnahmen Ergebnisse?

Das hängt von Crawling, Indexierung, Themenautorität, Wettbewerb, Suchsystem und Aktualisierungszyklen ab. Erste Veränderungen können nach einer erneuten Verarbeitung sichtbar werden, belastbare Muster benötigen jedoch wiederholte Messungen. Unternehmen sollten GEO nicht als kurzfristige Kampagne behandeln, sondern als fortlaufende Arbeit an Informationsarchitektur, Fachinhalten, Reputation und technischer Zugänglichkeit.

Welche Inhalte sollte ein mittelständisches Unternehmen zuerst optimieren?

Priorität haben Seiten mit hohem Einfluss auf Kaufentscheidungen: Leistungsbeschreibungen, Branchenlösungen, technische Vergleiche, Integrationsfragen, Datenschutz, Implementierungsabläufe, Kostenlogik und belastbare Fallbeispiele. Diese Inhalte beantworten Fragen, die vor einem Erstgespräch oder einer Ausschreibung entstehen. Allgemeine Trendbeiträge können Reichweite schaffen, besitzen aber oft weniger unmittelbaren Wert für qualifizierte Anfragen.

Alle Artikel zum Thema Sichtbarkeit in KI-Systemen

Anleitung zur Sichtbarkeit in KI

KrambergAI Dienstleistungen zur KI-Sichtbarkeit