Wie unterscheidet sich die Retrieval-Architektur von Perplexity, ChatGPT-Search und Google AIO - und lässt sich dafür einheitlich optimieren?

Perplexity nutzt primär klassisches Web-Retrieval (Brave + eigene Indexe) mit dichtem Re-Ranking; ChatGPT-Search kombiniert Bing-Index mit proprietärem Ranker; AIO arbeitet auf Googles eigenem Korpus mit SGE-spezifischem Passage-Model. Gemeinsam ist allen: sie bevorzugen out-of-context zitierfähige Passagen mit klarer Claim-Evidence-Paarung. 70-80 % der Optimierung sind modellübergreifend (Passage-Struktur, Entity-Salience, Schema-Graph), die restlichen 20-30 % modellspezifisch - etwa robots.txt-Access für GPTBot und ClaudeBot bei OpenAI/Anthropic-Trainings-Fenstern.

Welche Rolle spielt der Cross-Encoder-Reranker im Retrieval, und wie lässt sich Passage-Qualität darauf zuschneiden?

Nach dem ersten Dense-Retrieval (Embedding-Nähe) reranken Cross-Encoder die Top-N-Chunks nach semantischer Relevanz zur vollständigen Query. Hier gewinnen Passagen mit präziser Claim-Numerik-Paarung, expliziter Frage-Antwort-Struktur und Kontext-Eigenständigkeit. Optimierung: Passagen 200-400 Tokens, erster Satz definiert den Claim, zweite Hälfte liefert Evidence (Zahl, Quelle, Definition). Kein impliziter Kontext, keine anaphorischen Pronomen, die auf vorherige Absätze verweisen.

Wann ist Wikidata-Integrität wichtiger als klassische Backlinks - und woran erkennt man den Tipping-Point?

Bei informationalen und entity-zentrierten Queries (Person, Organisation, Produkt, Konzept) dominiert Wikidata-Salience den Retrieval-Score - oft ab 50+ verknüpften Statements mit P-Relationen (P31 instance of, P361 part of, P452 industry). Backlinks bleiben für transaktionale Queries und Topical Authority relevant. Tipping-Point: Wenn eine Marke in GPT-Antworten konsistent mit 'Based on available information...' zitiert wird statt spezifisch - fehlt Entity-Substrat, nicht Linkprofil.

Wie verhindert man Entity-Disambiguation-Fehler bei homonymen Markennamen in LLM-Antworten?

Drei Ebenen: (1) Wikidata-Disambiguation-Statements (P1889 different from) auf alle Namensvetter, (2) Schema.org Organization mit @id, sameAs, parentOrganization, foundingLocation, identifier (LEI, ISIN, HRB), (3) konsistente Co-Occurrence der Disambiguator (Branche, Standort, Gründer) in eigenem Content und Fachmedien. LLMs lernen Disambiguation über Kontext-Wahrscheinlichkeiten - wir erhöhen die Wahrscheinlichkeit der korrekten Interpretation durch wiederholte, kohärente Co-Occurrence-Muster.

Welche Signale nutzen LLMs zur Autoren-Verifikation, die sich gezielt steuern lassen?

Primär: Person-Schema mit sameAs auf verifizierbare Identitäten (LinkedIn, ORCID, Crunchbase, Speaker-Profile), Author-Statements in Article/BlogPosting mit @id-Verknüpfung zur Person-Entity, konsistente Zitation in Third-Party-Fachmedien. Sekundär: worksFor-Relation zu anerkannten Organisationen, Credential-Evidence (Publikationen, Vorträge, Patente). LLMs gewichten Autor-Entities mit mehrfach bestätigter Provenienz überproportional bei E-E-A-T-sensitiven Themen (Finance, Health, Legal).

Wie unterscheidet sich GEO konkret von klassischem SEO?

Drei Ebenen: (1) Optimierungseinheit - SEO arbeitet auf URL/Dokument, GEO auf Chunk/Passage (200-500 Tokens). (2) Ranking-Logik - SEO nutzt BM25, Backlinks, Core Web Vitals; GEO nutzt Embedding-Distanz, Cross-Encoder-Reranking und Citation-Worthiness. (3) Erfolgsmetrik - SEO misst organische Rankings und Traffic, GEO misst Citation-Rate, AI Answer Rate (AAR) und Share-of-Voice in LLM-Antworten. SEO bleibt notwendiges Fundament (Crawlability, Indexierung), GEO ist die zusätzliche Schicht für generative Sichtbarkeit.

Wie lange dauert ein typisches GEO-Engagement?

Audit: 4-6 Wochen (Diagnose, Prompt-Set-Design, Baseline). Strategic-Implementation-Project: 4-6 Monate (Entity-Foundation, Passage-Rewrites Top-50-URLs, Schema-Graph, Citation-Build). Continuous-GEO-Retainer: 12+ Monate (Monitoring, Iteration, neue Engines, Wettbewerbs-Reaktion). Erste messbare Citation-Lifts in 6-10 Wochen, belastbare Kurve in 4-5 Monaten, strukturelle Marktverschiebungen in 9-12 Monaten.

SEO & GEO für generative Suchsysteme - Citability für AI Overviews & LLMs

Q: Was ist Generative Engine Optimization (GEO)?

GEO ist die Disziplin der gezielten Optimierung von Inhalten, Entitäten und Schema-Architektur, damit Marken in den Antworten generativer Suchsysteme (Google AI Overviews, Google AI Mode, ChatGPT Search, Perplexity, Copilot, Gemini, Claude) als Quelle zitiert werden. GEO arbeitet auf Passage-Ebene statt auf Dokument-Ebene und nutzt Retrieval-Augmented-Generation-Pipelines (RAG), Embedding-Distanz und Knowledge-Graph-Signale als Hebel - nicht klassische Keyword-Density.

Q: Welche generativen Engines werden im GEO-Programm abgedeckt?

Vollständig modelliert: Google AI Overviews (AIO), Google AI Mode, ChatGPT Search (GPT-4o + GPT-5 Web Tier), Perplexity Pro/Sonar, Microsoft Copilot, Google Gemini, Claude (Anthropic). Sekundär getrackt: You.com, Brave Leo, Mistral Le Chat, Meta AI. Jede Engine wird mit eigenem Crawler-Footprint (GPTBot, ClaudeBot, Google-Extended, PerplexityBot), Retrieval-Charakteristik und Citation-Style profiliert - die Optimierung folgt einer modellübergreifenden Basis (~75 %) und engine-spezifischen Layern (~25 %).

Q: Welche KPIs steuern ein Continuous-GEO-Programm?

Vier Primär-KPIs: (1) Citation-Rate - Anteil der Prompts, in denen die Marke zitiert wird, je Modell. (2) AI Answer Rate (AAR) - Anteil der Brand-/Category-Queries, die in LLMs eine substanzielle Marken-Erwähnung erzeugen. (3) Share-of-Voice in LLMs - Citation-Anteil gegenüber definiertem Wettbewerbs-Set. (4) Passage-Citability-Score - intern berechnete Wahrscheinlichkeit pro Chunk, in einem Retrieval-Pfad gezogen zu werden. Sekundär: Entity-Salience-Index, Schema-Graph-Coverage, AI-Referrer-Traffic in GA4.

01 - Das Problem

Klassisches SEO bleibt notwendig - reicht aber für generative Suche nicht mehr aus.

Seit dem Rollout von Google AI Overviews, Google AI Mode, ChatGPT Search, Perplexity und Copilot verschiebt sich ein messbarer Anteil informationaler Suchanfragen aus den SERPs in generative Antworten. Nach Branchendaten beantworten AI-Systeme 2026 bereits 30-55 % aller informationalen Queries ohne Klick auf eine organische Quelle. Marken werden in diesen Antworten zitiert - oder sie existieren dort nicht. Ohne Impression, ohne Klick, ohne zweite Chance.

◎ Inferenz statt Index

LLMs konstruieren Antworten aus Retrieval-Chunks - nicht aus kompletten Dokumenten.

Ein Chunk ist ein Textsegment von typischerweise 200-500 Tokens, das von Retrieval-Systemen wie Googles Gecko-Embedding und Jetstream-Reranker isoliert bewertet wird. Eine Seite auf Position 1 wird nicht zwingend zitiert; eine gut strukturierte Passage auf Position 8 kann es sehr wohl werden. Das verschiebt die Optimierungsebene vom Dokument zur zitierfähigen Passage: Wer Content als Text-Einheit denkt, verliert an Sichtbarkeit; wer ihn als Chunk-Topologie strukturiert, gewinnt Zitat-Anteil.

◆ Entities > Keywords

Generative Systeme disambiguieren über Entitäten, nicht über Keywords.

LLMs identifizieren Marken, Personen und Themen über Wikidata-QIDs, Schema.org-Types und konsistente Attribute in Fachmedien. Eine Marke, die als Entity nicht kohärent im Web existiert, bleibt im generativen Kontext austauschbar. Keyword-Density ist dabei irrelevant - Entity-Salience (wie häufig und konsistent eine Entität mit ihren definierenden Attributen ko-auftritt) ist der primäre Hebel, an dem LLMs Bedeutung rekonstruieren.

◉ Abgrenzung

SEO, GEO und AEO - drei Disziplinen, drei Zielsysteme.

Dimension	Klassisches SEO	GEO	AEO
Zielsystem	Google-/Bing-SERPs	Google AI Overviews, AI Mode, ChatGPT, Perplexity, Gemini, Copilot	Featured Snippets, Voice Assistants, Answer Boxes
Einheit der Optimierung	Dokument / URL	Passage / Chunk (200-500 Tokens)	Einzelne Antwort-Einheit
Primäre Signale	Backlinks, Core Web Vitals, On-Page-SEO	Entity-Salience, Passage-Citability, Retrieval-Score, Schema-Graph	Frage-Antwort-Struktur, prägnante Definitionen
Erfolgsmetrik	Rankings, organischer Traffic, CTR	Citation-Rate, AI Answer Rate (AAR), Share-of-Voice in LLMs	Snippet-Besitz, Voice-Answer-Übernahme
Content-Logik	Keyword- und Intent-getrieben	Relevance Engineering: Semantik, Entity-Kohärenz, Chunk-Qualität	Direktantwort-getrieben

GEO ersetzt SEO nicht - es ergänzt die klassische Disziplin um eine zweite Optimierungsebene: von „Position 1 ranken" zu „in generativen Antworten zitiert werden".

02 - Methodik

Unsere GEO-Methodik arbeitet auf vier Ebenen: Passage-Citability, Entity-Konsolidierung, Retrieval-Scoring, Schema-Architektur.

Jede Intervention ist einer Hypothese zugeordnet und wird mit Baseline, Intervention und Delta dokumentiert. Kein Output ohne Attribution - keine Maßnahme ohne messbaren Hebel auf Citation-Rate oder AI Answer Rate (AAR).

● GEO-Intelligence Engine - Live

Signale,
die messbar sind.

Rohdaten aus vier Ebenen: Retrieval-Pfade (Embedding-Distanz, Chunk-Ranking), Entity-Graph (Wikidata, Custom NER), Cross-Model-Citation-Tracking (GPT, Claude, Gemini, Perplexity) und Passage-Citability-Scoring. Jeder Score ist bis auf die Quelldaten zurückverfolgbar.

Passage Citabilityout-of-context lesbar

91%

Entity SalienceWikidata + Schema-Graph

84%

Retrieval ScoreEmbedding vs. Prompts

78%

Cross-Model CitationsGPT · Claude · Gemini

96%

Passage-Level-Citability

Chunk-Analyse nach 200-400-Token-Segmenten, semantische Selbst-Kohärenz, Claim-Evidence-Paarung, Numerik. Rewrites auf Passage-Niveau - kein Copy-Polish. Messlogik: Citation-Rate, nicht Ranking.

ChunkingClaim-EvidenceSelf-contained

Entity-Konsolidierung

Wikidata-Alignment, Knowledge-Graph-Auffüllung, konsistente sameAs-Deklarationen, Author-Entities mit verifizierbarer Provenienz. Disambiguation gegen Namensvetter, Marken-Klärung in E-E-A-T-Signalen.

WikidatasameAsAuthor Entity

Retrieval-Scoring

Embedding-Nähe zu Ziel-Prompts, Cross-Encoder-Reranking-Simulation, Chunk-Konkurrenzanalyse. Welche Passage wird gezogen, wenn ein Nutzer fragt? Wir modellieren den Retrieval-Pfad - bevor wir schreiben.

EmbeddingsRerankingCompetitive Chunks

Schema-Architektur

Vollständige JSON-LD-Graphen (nicht Fragmente): Organization, Person, Article, FAQPage, HowTo, Product - verknüpft per @id. llms.txt, Author-Provenienz, Dataset-Deklarationen. Maschinenlesbar, menschlich korrekt.

JSON-LD@id-Graphllms.txt

03 - Was Sie erhalten

Jedes GEO-Projekt liefert sechs überprüfbare Artefakte - keine Slide-Decks.

Jede Intervention wird als produktions-reifes Dokument oder System ausgeliefert: GEO-Audit, Entity-Map, Passage-Rewrites, Schema-Graph, Citation-Dashboard, Board-Reporting. Keine Empfehlungs-PDFs, die in SharePoints sterben.

01 / Artefakt

GEO-Audit

Status-Quo in ChatGPT, Perplexity, Google AIO & Copilot. 2.000+ Prompts, Branchen-Benchmarks, Citation-Rate, AAR (AI Answer Rate) pro Quartal.

02 / Artefakt

Entity-Map

Wikidata-Status, sameAs-Graph, Attribut-Konsistenz, Disambiguation-Risiken, priorisierte Knowledge-Graph-Interventionen mit Eintrittswahrscheinlichkeit.

03 / Artefakt

Passage-Rewrites

Konkrete Textinterventionen auf Chunk-Ebene - mit Vorher/Nachher, Retrieval-Score-Prognose und Review-Kriterien für Content-Teams.

04 / Artefakt

Schema-Graph

Produktions-ready JSON-LD mit @id-Verknüpfungen, validiert, mit Implementierungs-Briefing für Dev-Teams und Monitoring-Hooks.

05 / Artefakt

Citation-Dashboard

Live-Tracking der Marken-Zitationen über GPT, Claude, Gemini, Perplexity - auf Modell-, Prompt- und Wettbewerbsebene.

06 / Artefakt

Board-Reporting

Monatlicher Executive-Report: Hypothese, Intervention, Delta, P&L-Attribution. Für CEOs und CMOs, nicht für SEO-Manager.

04 - Definition

Was SEO und GEO 2026 strukturell unterscheidet.

Wie unterscheidet sich die GEO-Pipeline von der klassischen SERP?

Klassisches SEO optimiert Dokumente für invertierte Indexe: BM25-Scoring, Backlink-Graph, On-Page-Signale, Core Web Vitals. Erfolgsmetrik ist eine Position in einer geordneten Liste blauer Links. Generative Engine Optimization optimiert Inhalte für Retrieval-Augmented Generation (RAG). Ein Prompt wird in einen Vektor übersetzt, über Embedding-Distanz werden die semantisch nächsten Passagen aus einem dichten Korpus gezogen, ein Cross-Encoder rerankt die Top-N-Chunks nach voller Query-Relevanz - und ein generatives Modell synthetisiert die Antwort, mit oder ohne sichtbare Citation. Optimierungseinheit ist nicht mehr die URL, sondern die Passage auf Chunk-Ebene mit 200 bis 500 Tokens, eigener Claim-Evidence-Logik, eigener Numerik und eigener Selbst-Kohärenz.

Was bedeutet Citation-Worthiness konkret?

Citation-Worthiness ist die neue primäre Metrik der generativen Suche. Eine zitierfähige Passage erfüllt vier Kriterien: out-of-context lesbar (keine Anaphern, keine impliziten Vorgänger-Bezüge), enthält einen prüfbaren Claim mit Evidence (Zahl, Quelle, Definition), trägt eine eindeutige Entitäts-Referenz (Marke, Person, Produkt mit Schema-@id) und setzt sich gegen konkurrierende Chunks im selben Embedding-Raum durch. Optimaler Umfang nach Cross-Encoder-Verhalten 2026: 134 bis 167 Wörter pro Antwort-Block. Der erste Satz definiert den Claim, die zweite Hälfte liefert Evidence. Implizite Pronomen, vage Bezüge und mehrere Claims pro Absatz reduzieren die Selection-Wahrscheinlichkeit messbar.

Welche Rolle spielt der Knowledge Graph?

Der Knowledge Graph ist das Backbone der generativen Suche. LLMs lösen Mehrdeutigkeiten nicht über Keywords, sondern über Entitäten: Wikidata-QIDs, Schema.org-Types, sameAs-Beziehungen, Author-Provenienz. Schema.org ist nicht mehr Rich-Snippet-Treiber, sondern maschinenlesbare Realität für AI-Systeme. Ein konsistenter @id-Graph aus Organization, Person, Article, FAQPage, Product und Service erzeugt ein Entitäts-Modell, das Modelle als Trust-Substrat verwenden. Eine Studie von Ahrefs (Dezember 2025, n=75.000 Marken) zeigt: Brand-Mentions korrelieren mit AI-Citations dreimal stärker als klassische Backlinks. YouTube-Erwähnungen erreichen einen Korrelationswert von 0,737 - klassisches Domain Rating nur 0,266. Entity-Engineering schlägt Linkbuilding.

Wie funktioniert Multi-Modal-Suche in GEO?

Google AI Mode, Gemini und ChatGPT verarbeiten Bild-, Video- und Audio-Inputs gleichwertig zu Text. GEO-Optimierung berücksichtigt entsprechend Bildunterschriften, Video-Transkripte, ImageObject-Schema und VideoObject-Markup. Multi-Modal-Content erreicht in aktuellen Studien 156 Prozent höhere Selection-Rates in AI-Antworten als reine Text-Passagen. Strategisch entsteht eine doppelte Realität: Zero-Click-Antworten, in denen der Nutzer die Antwort bekommt und nicht klickt - und Citation-Antworten, in denen die Marke als Quelle benannt wird und Referral-Traffic plus Markenwirkung erzeugt. Wer Multi-Modal-Layer ergänzt (Hero-Video, Schema-konforme Infografiken, Audio-Transkripte), erschließt einen Citation-Pfad, den text-only-Konkurrenten strukturell nicht erreichen.

Wie verhalten sich AIO, ChatGPT-Search und Perplexity unterschiedlich?

Die drei Leitsysteme der generativen Suche folgen unterschiedlichen Citation-Logiken. Google AI Overviews arbeiten auf Googles eigenem Web-Index mit hoher Quellen-Diversität und konservativer Citation-Frequenz - 92 Prozent der AIO-Citations stammen aus Top-10-Rankings, 47 Prozent aus Positionen jenseits Position 5. ChatGPT Search kombiniert Bing-Index mit proprietärem Ranker und favorisiert prägnante, autoritative Quellen, mit Wikipedia (47,9 Prozent) und Reddit (11,3 Prozent) als dominanten Citation-Plattformen. Perplexity zeigt Citations als Kernfeature und bevorzugt strukturierte, faktendichte Passagen mit klarer Provenienz, mit Reddit (46,7 Prozent) als wichtigster Community-Quelle. Nur 11 Prozent der Domains werden in AIO und ChatGPT für dieselbe Query zitiert - wer in allen drei Systemen Anteil halten will, braucht eine einheitliche Entity-Foundation plus engine-spezifische Passage-Layer.

A / Layer

Klassisches SEO

Crawlability, Indexierbarkeit, Core Web Vitals, Backlink-Profil, On-Page-Signale - bleibt notwendiges Fundament. Ohne Index keine Retrieval-Eligibility.

B / Layer

GEO-Layer

Passage-Citability, Embedding-Optimierung, Cross-Encoder-Tuning, llms.txt, AI-Crawler-Strategie. Die Schicht, auf der Marken in generativen Antworten zitiert werden.

C / Layer

Entity-Backbone

Wikidata-QID, Schema-@id-Graph, Author-Entities, sameAs-Konsistenz. Das Substrat, über das LLMs Marken disambiguieren und Trust attribuieren.

D / Layer

Continuous Citation Monitoring

2.000+ Prompts/Quartal über GPT, Claude, Gemini, Perplexity, AIO. Citation-Rate, AAR und Share-of-Voice als Steuerungsgrößen - nicht Rankings.

05 - Methodik im Detail

Sechs Phasen vom Audit zum kontinuierlichen Citation-Programm.

Jede Phase ist mit klaren Deliverables, Hypothesen und Messpunkten belegt. Kein Maßnahmenkatalog ohne Baseline, kein Output ohne Attribution. Der Ablauf ist linear in der ersten Iteration - und zyklisch im Retainer-Modus.

Phase 01

GEO-Audit & Baseline

Status-Quo-Messung über 2.000+ Prompts in GPT, Claude, Gemini, Perplexity, AIO. Citation-Rate, AAR, Share-of-Voice, Wettbewerbs-Footprint. Diagnose von Entity-Lücken, Schema-Drift, Passage-Defiziten.

Phase 02

Entity Foundation

Wikidata-QID-Anlage und -Konsolidierung, Disambiguation-Statements, Author-Entity-Provenienz, sameAs-Graph über LinkedIn, ORCID, Crunchbase, Branchenregister. Aufbau eines konsistenten Entitäts-Substrats.

Phase 03

Content & Passage Engineering

Rewrites auf Chunk-Ebene: 200-400 Tokens, Claim-Evidence-Paarung, Numerik, Selbst-Kohärenz, keine Anaphern. Passage-Citability-Score > 80 % als Freigabe-Schwelle für jede Top-Tier-URL.

Phase 04

Schema Graph Implementation

Produktions-reifer JSON-LD-Graph mit @id-Verknüpfungen: Organization, Person, Article, Service, FAQPage, BreadcrumbList. llms.txt, robots.txt-Strategie für GPTBot, ClaudeBot, Google-Extended, PerplexityBot.

Phase 05

Citation Build

Authoritative Mentions in Fachmedien, Branchenstudien, Wikipedia-fähige Sekundärquellen. Co-Occurrence-Engineering definierender Attribute. Owned Citation Surfaces - Glossare, Fact-Sheets, Datenpunkte.

Phase 06

Continuous Monitoring

Quartalsweise Re-Messung, Drift-Detection auf Schema-Graph, Wettbewerbs-Reaktion, Engine-Updates (neue Modelle, Crawler-Politik, Citation-Mechanik). Monatlicher Board-Report mit P&L-Attribution.

06 - Branchen

Branchenspezifische GEO-Schwerpunkte.

Generative Engines bewerten Trust, Citation-Worthiness und Entity-Substrat je nach Domäne unterschiedlich. Pharma, Financial Services und Legal werden unter YMYL-Schärfe geprüft - B2B-SaaS und E-Commerce nach Vendor- und Produkt-Disambiguation. Jede Branche hat eigene Hebel.

Branche · YMYL

Pharma & Healthcare

Author-Provenienz mit medizinischer Credential-Evidence (ORCID, PubMed, Fachgesellschaften), MedicalCondition-/Drug-Schema, Citation-Building über Leitlinien und peer-reviewed Quellen. LLMs gewichten verifizierte Health-Author-Entities überproportional.

Branche · Configurator

Automotive

Modell-, Trim- und Konfigurations-Disambiguation, Vehicle-Schema mit präzisen Spezifikationen, Vergleichs-Passages für Cross-Brand-Queries. Händler-Entitäten mit LocalBusiness-Graph für regionale Citation in AIO und Gemini.

Branche · Vendor-Shortlist

B2B-SaaS

Category-Definition, Comparison-Passages, Integrations-Graph, SoftwareApplication- und Product-Schema. LLMs erzeugen heute Vendor-Shortlists - wer in Category-Prompts nicht ko-zitiert wird, fehlt im RFP.

Branche · Recommendation

E-Commerce

Produkt-Entitäten mit GTIN, Brand-, Manufacturer-Verknüpfung, Review- und AggregateRating-Provenienz, Kategorie-Passages mit Use-Case-Klarheit. Citation-Hebel auf Empfehlungs-Prompts in ChatGPT und Perplexity.

Branche · YMYL

Financial Services

FinancialProduct-Schema, Regulatorik-Provenienz (BaFin, ESMA, FCA), Author-Entities mit Finanz-Credential. LLMs filtern Finance-Antworten konservativ - Trust-Substrat schlägt Volume-Content.

Branche · Itinerary

Travel

Destination-, TouristAttraction-, LodgingBusiness-Schema, Itinerary-Passages mit Längen-, Saison- und Budget-Klarheit. AIO und Gemini bauen 2026 ganze Reisepläne - wer nicht in Itinerary-Chunks zitiert wird, fehlt im Plan.

07 - Investment

Drei Engagement-Modelle - vom Audit zum kontinuierlichen Programm.

Konkrete Investitionssummen werden in der Sondierung an Brand-Komplexität, Anzahl Märkte und Wettbewerbsdichte kalibriert. Allen Modellen gemeinsam: feste Deliverables, klare Hypothesen, Board-taugliche Attribution.

Modell 01 · Diagnose

GEO-Audit

4-6 Wochen · Festpreis

Vollständige Status-Quo-Messung über alle relevanten Engines. 2.000+ Prompts, Citation-Baseline, Entity-Diagnose, Schema-Drift, Passage-Defizit-Analyse, priorisierte 90-Tage-Roadmap.

+ Citation-Baseline pro Modell
+ Entity- & Schema-Audit
+ Wettbewerbs-Footprint
+ Roadmap mit Investment-Logik

Audit anfragen →

Modell 02 · Implementation

Strategic-Implementation-Project

4-6 Monate · Monatsbudget

Vollständige Umsetzung von Entity-Foundation, Passage-Engineering, Schema-Graph und Citation-Build auf Top-50- bis Top-200-URLs. Wöchentliche Sprints, Inhouse-Enablement, Board-Reporting.

+ Wikidata-Konsolidierung
+ Passage-Rewrites mit Vorher/Nachher
+ JSON-LD-Graph produktiv
+ Citation-Build-Programm

Projekt sondieren →

Modell 03 · Retainer

Continuous-GEO-Retainer

12+ Monate · Monatsbudget

Continuous Monitoring, Wettbewerbs-Reaktion, neue Engines & Modelle, Drift-Detection auf Schema und Entitäten. Monatlicher Citation-Report mit Hypothese, Intervention, Delta und P&L-Attribution.

+ 2.000+ Prompts/Quartal
+ Live Citation-Dashboard
+ Engine- & Modell-Updates
+ Board-Report monatlich

Retainer planen →

09 - FAQ

GEO, Passage-Ranking, Entity-SEO - zwölf Kernfragen aus Board-Gesprächen.

Was ist der Unterschied zwischen SEO und GEO?+

SEO optimiert auf Rankings in klassischen SERPs. GEO (Generative Engine Optimization) optimiert darauf, in den Antworten generativer Systeme (Google AI Overviews, ChatGPT, Perplexity, Copilot) zitiert zu werden. Die Hebel: Passage-Level-Citability, Entity-Salience, Retrieval-Scoring - nicht Keyword-Density.

Wie messt ihr GEO-Erfolg?+

Über 2.000+ Prompts pro Quartal tracken wir Citation-Rate, AI Answer Rate (AAR) und Passage-Citability-Score - pro Modell (GPT, Claude, Gemini, Perplexity), pro Branche, pro Wettbewerber. Nicht Ranking-Position, sondern Zitations-Anteil in der Antwort.

Verliert klassisches SEO an Bedeutung?+

Nein. Klassisches SEO bleibt die Grundlage - Crawlability, Indexierung, Core Web Vitals. Aber es ist nicht mehr hinreichend. Wer in AI Overviews und LLMs nicht zitiert wird, verliert einen messbaren Teil informationaler Nachfrage, auch bei stabilen Rankings.

Brauchen wir llms.txt, robots.txt-Anpassungen oder beides?+

Beides, mit unterschiedlicher Funktion. robots.txt steuert Crawl-Zugriff (inkl. GPTBot, ClaudeBot, Google-Extended). llms.txt ist eine inhaltliche Abstract-Datei für LLMs - nicht normiert, aber zunehmend ausgelesen. Wir implementieren beides mit expliziter Strategie.

Wie lange dauert ein GEO-Projekt?+

Erste messbare Effekte in Citation-Rate nach 6-10 Wochen (Schema-Graph + Passage-Rewrites auf Top-20-URLs). Belastbare Kurve nach 4-5 Monaten. Strategische Engagements laufen typischerweise 9-12 Monate, danach gehen Operations ins Retainer-Modell über.

Was genau ist Generative Engine Optimization (GEO)?+

GEO ist die Disziplin, Inhalte, Entitäten und Schema-Architektur so zu strukturieren, dass eine Marke in den Antworten generativer Suchsysteme (Google AI Overviews, Google AI Mode, ChatGPT Search, Perplexity, Copilot, Gemini, Claude) als Quelle zitiert wird. GEO arbeitet auf Passage-Ebene statt Dokument-Ebene und nutzt RAG-Pipelines, Embedding-Distanz und Knowledge-Graph-Signale als primäre Hebel.

Welche generativen Engines werden im Programm abgedeckt?+

Vollständig: Google AI Overviews (AIO), Google AI Mode, ChatGPT Search, Perplexity Pro/Sonar, Microsoft Copilot, Google Gemini, Claude. Sekundär getrackt: You.com, Brave Leo, Mistral Le Chat, Meta AI. Jede Engine wird mit eigenem Crawler-Footprint, Retrieval-Charakteristik und Citation-Style profiliert. ~75 % modellübergreifende Basis, ~25 % engine-spezifischer Layer.

Welche KPIs steuern ein Continuous-GEO-Programm?+

Vier Primär-KPIs: Citation-Rate (Anteil der Prompts, in denen die Marke je Modell zitiert wird), AI Answer Rate (AAR, Anteil der Brand-/Category-Queries mit substanzieller Marken-Erwähnung), Share-of-Voice in LLMs (Citation-Anteil gegenüber Wettbewerbs-Set), Passage-Citability-Score (Wahrscheinlichkeit pro Chunk, in einem Retrieval-Pfad gezogen zu werden). Sekundär: Entity-Salience-Index, Schema-Graph-Coverage, AI-Referrer-Traffic in GA4.

Welches Tooling kommt im GEO-Stack zum Einsatz?+

Eigenes Citation-Monitoring (proprietär, 2.000+ Prompts/Quartal über GPT, Claude, Gemini, Perplexity), Wikidata-Tools (OpenRefine, QuickStatements, WDQS), Embedding-Analyse (OpenAI text-embedding-3, Cohere, Voyage), Schema-Validierung (Schema.org Validator, Google Rich Results Test), Crawl-Layer (Sitebulb, Screaming Frog mit Custom-Extractoren), klassische SEO-Stacks (Sistrix, Ahrefs, GSC, GA4) als Fundament. AI-Crawler-Logfile-Analyse für GPTBot, ClaudeBot, Google-Extended.

Wie sieht das Onboarding für ein GEO-Mandat aus?+

Woche 1-2: Stakeholder-Interviews (CMO, Head of SEO, Content, Dev, Legal), Zugriff auf GSC/GA4/Logs/CMS, Definition Wettbewerbs-Set, Prompt-Library. Woche 3-4: Baseline-Messung über alle Engines, Entity- und Schema-Audit. Woche 5-6: Roadmap mit priorisierten Interventionen, Investment-Logik, Governance (RACI), Reporting-Kadenz. Ab Woche 7: Implementation-Sprints mit dem Inhouse-Team.

Für welche Branchen ist GEO besonders relevant?+

Höchste Hebel: Pharma/Healthcare, Financial Services, B2B-SaaS, Automotive, E-Commerce, Travel. Sekundär: Legal, Education, Industrial Manufacturing. Gemeinsamer Nenner: hoher Anteil informationaler Queries, lange Customer Journeys, Trust-getriebene Entscheidungen. YMYL-Branchen profitieren besonders von Author-Provenienz und konservativ kuratiertem Schema-Graph.

Wie funktioniert Citation-Building in der Praxis?+

Vier Hebel: Authoritative Mentions in Fachmedien und Branchenstudien, Entity-Co-Occurrence mit definierenden Attributen, Wikidata-Statements (QID, P-Relationen, Disambiguation), Owned Citation Surfaces (eigene Fact-Sheets, Glossare, Datenpunkte). Citation-Building ist nicht Linkbuilding - es ist Entity-Engineering: konsistente, dichte, faktendichte Marken-Präsenz im retrievalfähigen Web-Korpus.

Wie sieht eine produktions-reife Schema-Implementation aus?+

Kein Fragment-Markup, sondern ein verknüpfter @id-Graph: Organization (mit identifier, sameAs, parentOrganization), Person (Author-Entities mit Credential-Evidence), Article/BlogPosting/FAQPage (mit author/@id-Referenz), Product/Service, BreadcrumbList, WebSite, WebPage. JSON-LD, validiert gegen Schema.org und Google Rich Results, mit Monitoring-Hooks für Drift. Dazu llms.txt mit Abstract sowie robots.txt-Strategie für GPTBot, ClaudeBot, Google-Extended, PerplexityBot.

Wie funktioniert das Citation-Monitoring im Detail?+

2.000+ Brand-, Category- und Competitor-Prompts werden quartalsweise über alle relevanten Engines automatisiert ausgeführt. Jede Antwort wird auf Citation-Präsenz, Citation-Position, Citation-Sentiment, zitierte Quelle (eigen vs. Drittseite) und Wettbewerbs-Co-Citation geparst. Aggregation in einem Live-Dashboard mit Trend, Delta und Hypothesen-Attribution - jeder Lift ist auf eine konkrete Intervention zurückführbar.

Welches Investment ist für GEO realistisch?+

Drei typische Modelle: GEO-Audit (4-6 Wochen, fixer Projektpreis im hohen vierstelligen bis niedrigen fünfstelligen Bereich) als Diagnose und Roadmap. Strategic-Implementation-Project (4-6 Monate, fünfstellig pro Monat) für Entity-Foundation, Passage-Engineering, Schema-Graph. Continuous-GEO-Retainer (12+ Monate, oberes vierstelliges bis fünfstelliges Monatsbudget) für Monitoring, Iteration, Wettbewerbs-Reaktion. Konkrete Zahlen werden in der Sondierung an Brand, Märkte und Wettbewerb kalibriert.

Klassisches SEO bleibt notwendig - reicht aber für generative Suche nicht mehr aus.

LLMs konstruieren Antworten aus Retrieval-Chunks - nicht aus kompletten Dokumenten.

Generative Systeme disambiguieren über Entitäten, nicht über Keywords.

SEO, GEO und AEO - drei Disziplinen, drei Zielsysteme.

Unsere GEO-Methodik arbeitet auf vier Ebenen: Passage-Citability, Entity-Konsolidierung, Retrieval-Scoring, Schema-Architektur.

Signale,die messbar sind.

Passage-Level-Citability

Entity-Konsolidierung

Retrieval-Scoring

Schema-Architektur

Jedes GEO-Projekt liefert sechs überprüfbare Artefakte - keine Slide-Decks.

GEO-Audit

Entity-Map

Passage-Rewrites

Schema-Graph

Citation-Dashboard

Board-Reporting

Was SEO und GEO 2026 strukturell unterscheidet.

Wie unterscheidet sich die GEO-Pipeline von der klassischen SERP?

Was bedeutet Citation-Worthiness konkret?

Welche Rolle spielt der Knowledge Graph?

Wie funktioniert Multi-Modal-Suche in GEO?

Wie verhalten sich AIO, ChatGPT-Search und Perplexity unterschiedlich?

Klassisches SEO

GEO-Layer

Entity-Backbone

Continuous Citation Monitoring

Sechs Phasen vom Audit zum kontinuierlichen Citation-Programm.

GEO-Audit & Baseline

Entity Foundation

Content & Passage Engineering

Schema Graph Implementation

Citation Build

Continuous Monitoring

Branchenspezifische GEO-Schwerpunkte.

Pharma & Healthcare

Automotive

B2B-SaaS

E-Commerce

Financial Services

Travel

Drei Engagement-Modelle - vom Audit zum kontinuierlichen Programm.

GEO-Audit

Strategic-Implementation-Project

Continuous-GEO-Retainer

GEO wirkt nur auf einem Fundament aus Reputation, Entity-Signalen und Content-Architektur.

Online-Reputation (ORM)

Brand Awareness

Customer Journey

Murat Ulusoy - CEO & Head of SEO bei SUMAX.

GEO, Passage-Ranking, Entity-SEO - zwölf Kernfragen aus Board-Gesprächen.

GEO ist kein Experiment mehr.

Signale,
die messbar sind.