GEO, kurz erklärt: wie man in den Antworten der KI vorkommt

Die Suche im Netz verändert sich seit zwei Jahren spürbar. Jahrelang bestand der Ablauf darin, Suchbegriffe bei Google einzutippen, die Liste der blauen Links zu überfliegen und eine Seite anzuklicken. Inzwischen laufen viele Recherchen direkt über Systeme wie ChatGPT, Perplexity oder Gemini. Bei Google selbst steht über den Treffern häufig die AI Overview. Nutzer erfassen die zusammengefasste Antwort direkt auf der Ergebnisseite. Ein Klick auf die Website, von der die Information stammt, unterbleibt oft.

Klickraten nach der KI-Zusammenfassung

Messbar wird diese Verschiebung bei den Klickraten. Laut einer Sistrix-Untersuchung von Juni 2026 bricht die Klickrate für das erste organische Suchergebnis um rund 60 Prozent ein (von 27 Prozent auf 11 Prozent), sobald Google eine KI-Zusammenfassung einblendet. Eine Langzeitanalyse von Ahrefs bestätigt diesen Wert mit einem Rückgang von durchschnittlich 58 Prozent für Spitzenpositionen.

Auf breiter Datenbasis zeigt sich das gleiche Bild: Eine Untersuchung von Seer Interactive über 2,43 Milliarden Impressionen verzeichnet einen CTR-Rückgang bei Suchanfragen mit KI-Einblendung von 1,76 Prozent auf 0,61 Prozent. Im DACH-Raum sank der gesamte organische Website-Traffic im ersten Halbjahr 2026 laut der Agentur e-dialog um durchschnittlich 20 Prozent; Publisher mit rein informativem Content verloren bis zu 40,2 Prozent ihres Suchtraffics. Eine im Search Engine Journal veröffentlichte Untersuchung beziffert den Anstieg sogenannter Zero-Click-Suchen von 54 Prozent auf 72 Prozent. Wer auf Position 1 steht, verliert bei eingeblendeter Antwort zwischen 35 und 60 Prozent der Klicks.

Verschiebung zur synthetisierten Antwort

Für diese veränderte Sichtbarkeit hat sich das Kürzel GEO etabliert: Generative Engine Optimization. Bei der klassischen Suchmaschinenoptimierung ging es darum, auf der ersten Ergebnisseite möglichst weit oben in der Linkliste zu stehen. Bei GEO geht es darum, in der zusammengefassten Antwort der Maschine genannt und korrekt wiedergegeben zu werden. Fehlen die eigenen Angaben dort, übernimmt ein Mitbewerber die Darstellung der Fakten.

Klassische Suchmaschinenoptimierung deckt diesen Bereich nur teilweise ab. Eine gute Platzierung in den Google-Rankings führt nicht automatisch dazu, dass ein Sprachmodell die eigenen Inhalte in seiner Synthese aufgreift. Die Systeme arbeiten nach einer anderen Mechanik. Eine KI-Antwort speist sich aus dem Trainingsmaterial, aus Quellen, die während der Anfrage live abgerufen werden, und aus maschinenlesbaren Daten, die konsistent über ein Unternehmen vorliegen. Die Optimierung für Linklisten greift an anderen Stellen an als die Optimierung für diese Synthese.

Maschinenlesbare Fakten im Netz

Wer in diesen Antworten vorkommen will, setzt bei den Quellen an, die Systeme bei einer Recherche tatsächlich ansteuern und zitieren. Es gilt zu prüfen, welche Plattformen und Verzeichnisse die Modelle zu einem Thema heranziehen, um genau dort auffindbar zu sein.

Dazu kommt die technische Aufbereitung der eigenen Seiten über strukturierte Daten. Sprachmodelle erfassen Fließtext oft ungenau. Mit dem Vokabular von schema.org lassen sich Zusammenhänge eindeutig beschreiben.

Wir setzen das bei form4 gerade für ein Kundenprojekt um. Die gesamte Website wird als zusammenhängendes Faktennetz aufgebaut. An der Spitze steht die Organisation, darunter die regionalen Ableger mit ihrer hierarchischen Zuordnung zur Dachorganisation. Daran schließen sich die Website, die Unterseiten, der Klickpfad sowie Fachartikel, Merkblätter und interaktive Rechner an. Jedes Element ist eindeutig benannt und mit den übergeordneten Stellen verknüpft. Im Browser sieht die Seite für Besucher unverändert aus. Ein Crawler erfasst statt unstrukturiertem Text ein logisches Netz aus festen Beziehungen.

Ebenso wichtig ist inhaltliche Konsistenz. Sprachmodelle gewichten Informationen höher, wenn verschiedene Quellen übereinstimmende Angaben machen. Weichen Unternehmensdaten auf unterschiedlichen Plattformen voneinander ab, fehlt dem System die Basis für eine verlässliche Einordnung.

Fehlannahmen über Textdateien

Im Zusammenhang mit GEO taucht regelmäßig die Vorstellung auf, man könne die Sichtbarkeit über eine Konfigurationsdatei steuern. Häufig wird eine Datei namens llms.txt genannt, die man auf dem Server ablegen soll. In der Praxis hat diese Datei für Suchmaschinen und KI-Suchdienste keine Relevanz. Crawler greifen fast nie darauf zu, die Abrufe liegen im Promillebereich. Google hat klargestellt, diese Datei nicht für die Suche zu nutzen. Ihr eigentlicher Nutzen liegt in Entwicklungsumgebungen wie Cursor, um Kontext für Programmierwerkzeuge bereitzustellen. Eine solche Datei auf den Server zu legen, erhöht die Sichtbarkeit in KI-Antworten nicht.

Bestandsaufnahme als Ausgangspunkt

Erfolg lässt sich in diesem Bereich nur über wiederkehrende Bestandsaufnahmen ermitteln. Externe Sprachmodelle lassen sich nicht direkt steuern. Belastbare Arbeit beginnt deshalb mit einer Analyse des aktuellen Zustands pro System und Thema. Geprüft wird, ob das eigene Unternehmen genannt wird, welche Zitate auftauchen und ob die Fakten stimmen. Diese Ausgangswerte dienen als Referenz, um spätere Veränderungen im Zeitverlauf zu vergleichen. Feste Platzierungen in generierten Antworten lassen sich technisch nicht garantieren.

Wenn Menschen Antworten direkt auf der Suchseite erfassen, entscheidet die synthetisierte Antwort über die Wahrnehmung. Die Modelle verfestigen ihr Verständnis über Branchen und Anbieter anhand der Quellen, die derzeit maschinenlesbar vorliegen. Die technische Lesbarkeit der eigenen Daten entscheidet darüber, wie die Maschine eine Organisation wiedergibt.