Definition: Was sind AI Overviews?

AI Overviews (2023/24 unter dem Beta-Namen Search Generative Experience, SGE, gestartet) sind eine SERP-Komponente, die mittels Generativer KI eine direkte Antwort auf Nutzerfragen erzeugt. Sie erscheint oberhalb der klassischen blauen Links und enthält typischerweise 3-8 Sätze synthetisierten Text, flankiert von mehreren verlinkten Quellen (inline oder als Link-Karten).

Die Funktion wurde im Mai 2023 als SGE-Beta in Google Search Labs gestartet, ab Mai 2024 produktiv in den USA ausgerollt und Anfang 2025 auf den europäischen Markt inklusive DACH erweitert. Seit Mitte 2025 sind AI Overviews in informationalen Query-Clustern in den meisten Märkten der Default-Zustand, nicht die Ausnahme.

Kern-Mechanik

AIO ist kein Ranking-Faktor, sondern eine SERP-Strukturveränderung

Der klassische Algorithmus rankt weiterhin organische Ergebnisse. Parallel dazu generiert ein separates System die AI-Antwort. Beide laufen parallel. Position 1 bleibt technisch Position 1, nur klickt sie niemand mehr.

Wie AI Overviews funktionieren (vereinfachte Pipeline)

  1. Query-Klassifikation: Google entscheidet, ob eine Query AIO-geeignet ist (informational, definitional, vergleichend).
  2. Retrieval: Relevante Dokumente werden aus dem Index abgerufen, als Hybrid aus BM25- und semantischer Vektor-Suche.
  3. Re-Ranking: Die Kandidaten werden nach Authority, Freshness, Entity-Match und Passage-Qualität neu gewichtet.
  4. Generation: Ein Gemini-basiertes Modell erzeugt aus den Top-Quellen eine kohärente Antwort, mit Zitations-Verweisen.
  5. Display: Die Antwort wird oberhalb der SERP ausgespielt, optional mit erweiterbarem Bereich.

Offiziell bestätigt Google in seinem Leitfaden zu generativen KI-Funktionen zwei Bausteine: Retrieval-Augmented Generation über den Suchindex und die Core-Ranking-Systeme sowie Query Fan-out, also parallele Teilanfragen des Modells. Die übrigen Schritte sind ein vereinfachtes Modell. Für den Operator ist entscheidend: In jedem Pipeline-Schritt können Inhalte herausfallen. Wer nur auf der Retrieval-Ebene optimiert (Schema, Sitemap), aber keine zitierfähigen Passagen liefert, wird zwar abgerufen, jedoch nicht zitiert.

Der Traffic-Effekt, dokumentiert mit AAR

Die Messung des AI-Overview-Traffic-Effekts erfolgt über die AI Overview Absorption Rate (AAR). In einer eigenen Audit-Kohorte von 500+ Enterprise-Domains (Oktober 2024 bis April 2026, siehe Benchmarks) zeigt sich folgendes Bild:

28-41%
AAR bei informationalen Queries
< 10%
AAR bei Brand-/Navigational-Queries
5-18%
AAR bei Transactional-Queries

Entscheidend: Der Klickverlust tritt bei stabilen Ranking-Positionen auf. Klassische SEO-Dashboards interpretieren den Rückgang oft als Optimierungsdefizit. Tatsächlich ist er strukturell. Ohne AAR-Messung wird die falsche Ursache bearbeitet.

Seit Juni 2026 zeigt die Google Search Console im Generative-AI-Report Impressions aus AI Overviews, AI Mode und generativen Discover-Funktionen, aufgeschlüsselt nach Seiten, Ländern, Geräten und Zeitraum. Google startete den Bericht am 3. Juni 2026 für einen Teil der Websites und hat ihn seit 31. August 2026 für alle Websites weltweit freigeschaltet. Klicks, CTR und Queries fehlen bislang. Für die Klick-Ebene und die Ursachen-Analyse bleibt die AAR-Messung deshalb notwendig.

Wie man in AI Overviews zitiert wird

Passage-Citability nach QUEST

Jede Kernpassage wird gegen die fünf Kriterien der QUEST-Heuristik geprüft: Quotable, Unambiguous, Entity-rich, Standalone, Timestamped. Passagen, die 4/5 erfüllen, sind citable. Unter 3 Kriterien taugen sie für AIO nicht.

Entity-Klarheit

Die Marke muss als Entity maschinenlesbar verankert sein: Schema.org Person/Organization-Markup, konsistente sameAs-Referenzen, idealerweise Wikidata-Entry. Ohne Entity-Anker fällt Content in der Re-Ranking-Stufe systematisch durch.

Strukturierte Daten und Passage-Struktur

AI Overviews bevorzugen Inhalte, die bereits passage-level strukturiert sind - kurze, eigenständige Q&A- und Definitions-Passagen im sichtbaren Content. FAQPage- und HowTo-Markup ist dabei nur semantische Deklaration: HowTo-Rich-Results hat Google 2023 eingestellt, FAQ-Rich-Results am 7. Mai 2026 (Google-Änderungsprotokoll), und laut Google ist für generative Features kein Spezial-Markup nötig. Das Article-Schema mit datePublished und author macht Freshness- und Authority-Signale eindeutig.

Autor- und Publisher-Signale

Eine klare Autor-Byline mit Person-Schema, transparente Publikations-Metadaten und verifizierbare About-Seiten erhöhen in unseren Audits die Chance auf Zitation. Das ist der direkt wirksame Teil von E-E-A-T in der Praxis.

Typische Fehler im Umgang mit AI Overviews

Verwandte Begriffe

AI Overviews hängen eng mit AAR, CTR-Drift, Passage Ranking, Zero-Click Search, Citation Rate und SGE zusammen. Die übergreifende Disziplin ist GEO.

FAQ zu AI Overviews

Was sind AI Overviews?

AI Overviews sind Googles generative Antwortsektion oberhalb der klassischen blauen Links. Google synthetisiert per Retrieval-Augmented Generation aus mehreren Quellen des Suchindex eine direkte Antwort und verlinkt die Quellen als Beleg.

Bei welchen Queries erscheinen AI Overviews?

Primär bei informationalen Queries (Definitionen, How-To, Vergleiche). Bei navigationalen Brand-Queries und reinen Transactional-Intents erscheinen sie deutlich seltener.

Wie hoch ist der Traffic-Verlust durch AI Overviews?

Die dokumentierte AAR (AI Overview Absorption Rate) liegt in unserer Audit-Kohorte bei informationalen Queries zwischen 0,28 und 0,41, also 28 bis 41 Prozent Klickverlust bei stabilen Rankings. Bei navigationalen und transaktionalen Queries fällt der Wert deutlich niedriger aus.

Wie wird man in AI Overviews zitiert?

Durch Passage-Citability (QUEST-Heuristik), Entity-Klarheit, autoritative Signale (E-E-A-T) und klare Publikationsdaten. Google benötigt kein Spezial-Markup für generative Features; reine Keyword-Optimierung wirkt nicht.

Sollte man AI Overviews blockieren können?

Steuerbar ist die Darstellung einzelner Inhalte laut Google über nosnippet, data-nosnippet, max-snippet oder noindex; Google-Extended wirkt hier nicht. In der Praxis ist Blockieren selten sinnvoll. Die bessere Strategie ist aktive Citation-Optimierung, nicht Blockade.

Quellen