Die Dekade zwischen 2015 und 2025 hat SEO von einer Einzel-Disziplin in eine Gruppe verwandter, aber strukturell unterschiedlicher Praktiken aufgefächert. Klassisches SEO ist nicht verschwunden, es hat sich nur neue Nachbarn bekommen, die auf denselben Marken-Content aufsetzen, aber mit anderer Architektur arbeiten. Für Marketing-Leiter, Head-of-SEO-Rollen und CMOs ist die saubere Trennung der drei Disziplinen (SEO, GEO, LLM-SEO) die Voraussetzung für rationale Budget-Entscheidungen und Erwartungsmanagement gegenüber Board und Stakeholdern.
SEO: die etablierte Disziplin
SEO, klassisch verstanden, optimiert eine Website so, dass sie in Suchmaschinen-Ergebnislisten möglichst hohe Positionen für relevante Queries erreicht. Was ein SEO-Experte heute konkret leisten muss, zeigt das Kompetenzprofil im Detail. Der Optimierungs-Gegenstand ist das Dokument (die Seite), die Optimierungs-Einheit ist das Ranking (Position in der SERP), der dominante Kanal ist Google (mit Bing als Zweit-Kanal), und die Messung läuft über Search-Console-Impressions, Klicks, durchschnittliche Position und Traffic-Analytics.
Die Hebel-Struktur klassischer SEO ist weitgehend stabil: technische Crawlability als Eintrittskriterium, Indexierbarkeit, On-Page-Signale (Title, Headings, Keyword-Nutzung, interne Verlinkung), Authority-Signale (Backlink-Profil, Domain-Level-Authority, topical authority), User-Signals (Core Web Vitals, Engagement-Metriken), E-E-A-T-Signale (Experience, Expertise, Authoritativeness, Trustworthiness, insbesondere für YMYL-Themen), strukturierte Daten für Rich Results.
Was in klassischer SEO-Praxis 2026 unverändert wichtig bleibt: Technik-Hygiene (saubere Sitemap, schnelle Ladezeiten, mobilfreundliches Rendering), thematische Autorität durch Content-Cluster, qualitatives Backlinkprofil aus autoritativen Quellen, E-E-A-T-Signalarbeit mit Author-Entities. Rich Results sind kein stabiler Hebel mehr: Google hat 2025 sieben Typen eingestellt, darunter ClaimReview, und zeigt seit dem 7. Mai 2026 keine FAQ-Rich-Results mehr. Was sich außerdem entwertet hat: reine Keyword-Density-Optimierung (weil moderne Retrieval-Systeme semantisch arbeiten), Link-Building ohne Qualitäts-Kurator (weil Google Link-Spam immer präziser erkennt), generische Blog-Output-Strategien ohne strukturelle Tiefe.
Die primären SEO-KPIs sind etabliert und in GSC, GA4 und Ranktrackern direkt ablesbar: organische Impressions, Klicks, CTR, durchschnittliche Ranking-Position, Traffic-Wert, Conversions aus organischem Traffic. Für YMYL-relevante Themen ergänzen Rich-Result-Coverage und Featured-Snippet-Share die Messung.
Was ist GEO und worin unterscheidet es sich von SEO?
GEO (Generative Engine Optimization) optimiert Inhalte dafür, in den Antworten generativer Suchsysteme wie Google AI Overviews, AI Mode, ChatGPT Search, Perplexity oder Microsoft Copilot als Quelle zitiert zu werden. SEO zielt auf eine Position in der Ergebnisliste, GEO auf die Zitation einer Passage. Optimiert wird also nicht nur das Dokument, sondern der einzelne Abschnitt.
Den Begriff prägten Aggarwal et al. im Paper „GEO: Generative Engine Optimization“ (KDD 2024). Auf ihrem Benchmark mit 10.000 Suchanfragen steigerten gezielte Textanpassungen die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent. Gemessen wurde, wie viel Text einer Quelle in der Antwort landet und wie weit oben er steht. Am besten wirkten ergänzte Quellenangaben, Zitate und Statistiken. Google nennt für AI Overviews und AI Mode keine Zusatzanforderungen: Es gelten die bekannten SEO-Grundlagen, ohne spezielle KI-Textdateien oder eigene Schema-Typen. GEO ersetzt SEO also nicht, sondern setzt auf ihm auf.
Welches Kompetenzprofil ein GEO-Experte dafür mitbringen muss, ist separat aufgeschlüsselt. Der Optimierungs-Gegenstand verschiebt sich vom Dokument zur Passage (in unserer Messmethodik: der 200-400-Token-Chunk). Die Optimierungs-Einheit ist die Citation (Zitation in einer generativen Antwort, nicht Ranking-Position). Die dominanten Kanäle sind multipel und mit eigenständigen Indizes — nach öffentlich verfügbaren Informationen und unseren Tests (Stand 2026): Google AIO nutzt Googles Index, ChatGPT stützt sich auf Bing plus inzwischen eigene OpenAI-Such-Infrastruktur, Perplexity und Claude nutzen eigene Crawls bzw. Dritt-Indizes, Gemini ist Googles Ökosystem; die genauen Backend-Zuordnungen sind nicht offiziell dokumentiert.
Die technische Basis von GEO ist Retrieval Augmented Generation (siehe RAG & SEO). In RAG-Systemen wird eine Nutzer-Query in ein Vector-Embedding umgewandelt, gegen indexierte Chunks gematcht, die Top-N werden durch einen Cross-Encoder rerankt, und das Sprachmodell synthetisiert aus den besten Chunks eine Antwort mit Citation-Attribution. Die Hebel verschieben sich entsprechend: Chunk-Level-Embedding-Affinität statt Dokument-Level-Ranking, Claim-Evidence-Paarung statt Keyword-Density, Cross-Encoder-Reranking-freundliche Struktur statt allgemeiner Lesbarkeit.
Die spezifischen GEO-Hebel umfassen: Passage-Engineering (siehe ChatGPT SEO), Bot-Access-Steuerung in der robots.txt, Multi-Model-Monitoring über strukturierte Prompt-Matrizen, Entity-Resolution über Wikidata und Schema-@id-Graph. Bei den Bots lohnt Genauigkeit: Für die Sichtbarkeit in KI-Suchen zählen OAI-SearchBot, Claude-SearchBot und PerplexityBot; GPTBot und ClaudeBot sammeln laut OpenAI und Anthropic Trainingsdaten, PerplexityBot dient laut Perplexity nicht dem Training. Google-Extended steuert nur Gemini-Training und -Grounding und hat keinen Einfluss auf Google Search und damit auch nicht auf AI Overviews. llms.txt ist dagegen optional: ein 2024 von Jeremy Howard vorgeschlagenes Format mit begrenzter Adoption, das Google laut eigener Doku nicht benötigt. Kein Kernhebel.
Die GEO-spezifischen KPIs erfordern eigene Messinfrastruktur: Citation-Rate pro Modell, AI Answer Rate (Position der Marke innerhalb der Antwort), Source-Origin-Breakdown (Own vs. Third-Party vs. Wikipedia), Share-of-Voice gegen Wettbewerber, Entity-Resolution-Rate, Halluzinations-Rate, Fakten-Drift. AI-Overview- und AI-Mode-Impressions liefert inzwischen der GSC Generative-AI-Performance-Report (am 3. Juni 2026 angekündigt, laut Google seit 31. August 2026 für alle Websites weltweit; nur Impressions, keine Klicks); Citation-Raten in ChatGPT, Claude und Perplexity sowie Klick- und Query-Daten erfordern weiterhin eigene Instrumentierung über dediziertes LLM Citation Monitoring.
LLM-SEO: die engste Subdisziplin
LLM-SEO ist im strengen Sinne eine Untergruppe von GEO, die sich spezifisch auf die Zitations-Mechanik innerhalb von LLM-Interfaces konzentriert: ChatGPT, Claude, Gemini, Perplexity. Im Unterschied zu GEO umfasst LLM-SEO nicht den AIO-Rendering-Layer und nicht die Google-Such-Oberfläche, sondern fokussiert auf die pure LLM-Chat-Experience.
In der Praxis werden die Begriffe GEO und LLM-SEO häufig synonym verwendet, was zu akzeptabler Unschärfe in der operativen Kommunikation führt. In strategischen Dokumenten und Board-Präsentationen ist die Trennung jedoch wertvoll, weil LLM-SEO-Arbeit spezifisch adressiert, wie Marken in reinen Chat-Kontexten (Claude ohne Web-Access, ChatGPT ohne Web-Search, Enterprise-Copilot-Szenarien) wahrgenommen werden, die typisch auf Training-Daten basieren statt auf Live-Retrieval.
LLM-SEO-Hebel überlappen stark mit GEO-Hebeln, haben aber spezifische Akzente: Training-Korpus-Präsenz wird wichtiger als Live-Indexierung (da reine Chat-Szenarien aus Training-Daten ziehen), Wikipedia wird überproportional wichtig (in dokumentierten Trainingsmischungen wird sie besonders oft gelesen, beim GPT-3-Training 3,4-mal gegenüber 0,44-mal bei gefiltertem Common Crawl), ebenso Wikidata als frei nutzbare Strukturdatenquelle, Bot-Access-Steuerung für Training-Crawler (GPTBot, ClaudeBot, Google-Extended) gewinnt spezifisches Gewicht.
Die LLM-SEO-KPIs sind eine Teilmenge der GEO-KPIs, mit Fokus auf LLM-Chat-Szenarien: Training-basierte Entity-Resolution (fragt man ChatGPT ohne Web-Search, gibt es konsistente biographische Informationen über die Marke?), konsistente Beschreibung über Modell-Versionen hinweg, Halluzinations-Rate in reinen Chat-Szenarien, Konfidenz-Score in Antworten.
| Dimension | Klassisches SEO | GEO | LLM-SEO |
|---|---|---|---|
| Optimierungs-Ziel | Ranking-Position | Citation in Answer | Citation in LLM-Chat |
| Optimierungs-Einheit | Dokument (Seite) | Passage (Chunk) | Passage + Entity |
| Dominante Kanäle | Google, Bing | AIO, ChatGPT, Perplexity, Copilot, Gemini | ChatGPT, Claude, Gemini, Perplexity |
| Technische Basis | Index + Ranking-Algo | RAG + Embedding + Reranking | RAG + Training-Korpus |
| Kern-Hebel 1 | Backlinks / Authority | Chunk-Qualität | Training-Präsenz + Bot-Access |
| Kern-Hebel 2 | On-Page + Technik | Entity-Konsolidierung | Wikidata + Wikipedia |
| Messung | GSC, Ranktracker | Multi-Model-Prompt-Matrix | Prompt-Sampling mit/ohne Web |
| Budget-Anteil 2026 (B2B) | ~50 % | ~35 % | ~15 % |
| Marginaler Return 2026 | Mittel (etabliert) | Sehr hoch (DACH-Fenster) | Hoch (wenig Wettbewerb) |
Ist Ihre Budget-Allokation balanciert?
60 Minuten Strategie-Call: Wir mappen Ihre aktuelle Reife in SEO, GEO und LLM-SEO und entwickeln eine konkrete Reallokations-Empfehlung für 2026.
Die strukturelle Hebel-Überlappung
Obwohl die drei Disziplinen unterschiedliche Architekturen und Metriken haben, überlappen ihre Optimierungs-Hebel erheblich, nach unserer Einschätzung aus der Projektarbeit zu 65 bis 75 Prozent (eine Schätzung, keine Messgröße). Diese gemeinsame Schicht ist die effizienteste Arbeitsebene: wer das Fundament sauber baut, adressiert alle drei Disziplinen ohne proportionalen Mehraufwand.
Das gemeinsame Fundament umfasst: technische SEO-Hygiene (Crawlbarkeit, Indexierbarkeit, Core Web Vitals), strukturierte Daten mit @id-Graph (wirkt auf Rich Results, AIO-Citations, LLM-Entity-Resolution), Entity-Konsolidierung über Wikidata und sameAs-Cluster, E-E-A-T-Signalarbeit mit Author-Entities und Corroboration, hochqualitativer Content mit klarer Passage-Struktur und Claim-Evidence-Paarung, interne Linkstruktur mit thematischer Kohärenz.
Die verbleibenden 25 bis 35 Prozent sind disziplin-spezifisch. Für SEO: Backlink-Building, klassische On-Page-Optimierung, Rich-Result-Engineering. Für GEO: Bot-Access-Strategie, Chunk-Level-Embedding-Arbeit, Multi-Model-Monitoring. Für LLM-SEO: Training-Korpus-Sichtbarkeit, Entity-Konsistenz über Modell-Versionen, Halluzinations-Prävention.
Budget-Verteilung in der Praxis
Die häufigste strategische Frage: Wie sollte eine Marke ihr Budget 2026 zwischen den drei Disziplinen verteilen? Eine pauschale Antwort gibt es nicht, die richtige Verteilung hängt von Zielgruppe, Branche und aktuellem Reifegrad ab. Für B2B-Software und Enterprise-Marken ist eine Grobverteilung von 50 Prozent klassischem SEO, 35 Prozent GEO und 15 Prozent spezifischem LLM-SEO-Monitoring ein sinnvoller Ausgangspunkt. Für Consumer-Retail und lokal fokussierte Marken verschiebt sich das Gewicht stärker Richtung klassisches SEO plus AEO-Features (Featured Snippets, Voice-Search), mit weniger Gewicht auf LLM-spezifische Optimierung.
Scale-Ups mit wenig etablierter SEO-Basis sollten nicht den Fehler machen, direkt in GEO einzusteigen, bevor das SEO-Fundament steht. Ohne Indexierung, ohne Entity-Klarheit, ohne Schema-Graph funktioniert auch GEO nicht. Die ersten 12 bis 18 Monate sollten 70 Prozent in klassische SEO-Grundlagen fließen, dann schrittweise Verschiebung Richtung GEO.
Enterprise-Marken mit dominanter SEO-Basis haben die umgekehrte Herausforderung: Sie laufen Gefahr, SEO-Arbeit fortzusetzen, obwohl der Grenznutzen sinkt, und GEO zu vernachlässigen, obwohl der Grenznutzen dort substantial ist. Eine Budget-Reallokation von 10 bis 15 Prozent aus SEO-Retention-Arbeit in GEO-Aufbau ist in dieser Situation oft die rationale Entscheidung.
Organisations-Konsequenzen
Die Drei-Disziplinen-Struktur hat Implikationen für Team-Design und Stakeholder-Kommunikation. SEO-Teams, die 2020 aufgebaut wurden, haben typisch Kompetenz in klassischem SEO, oft beginnende Kompetenz in AEO-Features, selten tiefe Kompetenz in GEO-spezifischen Themen wie Embedding-Optimierung oder Bot-Access-Strategie. Die organisatorische Antwort ist nicht, das Team zu ersetzen, sondern strategisches Upskilling plus externe Expertise-Ergänzung für GEO-Themen in der Aufbauphase.
Board-Kommunikation benötigt neue KPI-Frameworks, die Answer-Share-of-Voice als aggregierten Meta-KPI einführen und gleichzeitig disziplin-spezifische Metriken transparent halten. Ein Ranking-Report allein reicht 2026 nicht mehr; Board-Reports müssen Answer-Sichtbarkeit in allen drei Disziplinen abbilden, mit klarer Attribution von Interventionen zu Ergebnissen.
Fazit: Drei Disziplinen, ein Fundament, integrierte Strategie
SEO, GEO und LLM-SEO sind keine austauschbaren Begriffe, sondern drei strukturell unterschiedliche Disziplinen mit gemeinsamer Wurzel in der Suchsichtbarkeit. Wer sie sauber trennt, kann Budget zielgerichtet verteilen, KPIs präzise messen und Erwartungshaltung gegenüber Stakeholdern konsistent halten. Wer sie verwischt, produziert Fehlinvestitionen und Missverständnisse in Board-Kommunikation.
Die praktische Empfehlung ist eine integrierte Strategie mit klarem gemeinsamem Fundament (technik, Entity, E-E-A-T) plus disziplin-spezifischen Schwerpunkten. Budget-Verteilung 50/35/15 als Ausgangspunkt für B2B, mit Adjustment nach Reifegrad und Branche. Messung über separate Dashboards plus aggregierten Answer-Share-of-Voice. Team-Struktur mit strategischem Upskilling statt Ersatz. Das ist die strukturelle Antwort, die 2026 und darüber hinaus trägt, nicht die Jagd nach dem jeweils neuesten Akronym.
Quellen
- GEO: Generative Engine Optimization, Aggarwal et al., KDD 2024 (arXiv 2311.09735)
- AI features and your website, Google Search Central, abgerufen 2026
- Introducing Search Generative AI performance reports in Search Console, Google Search Central Blog, 3. Juni 2026 (Update 31. August 2026)
- Google’s common crawlers: Google-Extended, Google Search Central, abgerufen 2026
- Overview of OpenAI Crawlers, OpenAI, abgerufen 2026
- Does Anthropic crawl data from the web?, Anthropic, abgerufen 2026
- Perplexity Crawlers, Perplexity, abgerufen 2026
- The /llms.txt file, Jeremy Howard, llmstxt.org, 2024
- Language Models are Few-Shot Learners (GPT-3), Tabelle 2.2, Brown et al., arXiv, 2020
- Simplifying the search results page, Google Search Central Blog, 12. Juni 2025
- FAQ (FAQPage) structured data: Einstellung zum 7. Mai 2026, Google Search Central, 2026