KI-Suche und Generative Engine Optimierung (GEO) - Webseiten für KI-Suchmaschinen optimieren

Künstliche Intelligenz schreibt die Regeln der Websuche neu. An die Stelle von blauen Links treten direkt generierte Antworten, die den Traffic ganzer Branchen bedrohen und das Fundament des offenen Internets erschüttern könnten. Für Unternehmen und Marketer beginnt eine neue, unsichtbare Ära: die der Generative Engine Optimization (GEO). Dieser Leitfaden erklärt detailliert, wie KI-Systeme das Web verändern, welche SEO-Grundlagen überleben und mit welchen neuen, KI-spezifischen Strategien Sie Ihre Inhalte und Marke für die Zukunft der Suche optimieren könnten. Was ist KI-Suche und was verändert sich dadurch? Um die Tragweite der aktuellen Entwicklung zu verstehen, muss man den fundamentalen Unterschied zwischen klassischer und KI-gestützter Suche begreifen. Die klassische Internetsuche folgt einem einfachen, seit Jahrzehnten etablierten Prinzip: Ein Nutzer stellt eine Suchanfrage, die Suchmaschine liefert eine Liste mit Links, und der Nutzer klickt sich durch die Ergebnisse, um auf verschiedenen Webseiten die passende Information zu finden. Die Suchmaschine ist in diesem Modell ein Wegweiser, der Nutzer und Website direkt miteinander verbindet. Die sogenannte KI-Suche – wie sie durch Systeme wie ChatGPT, Googles AI Mode oder Perplexity repräsentiert wird – verschiebt dieses Verhältnis grundlegend. Die KI-Suche ist weniger eine klassische Suche, sondern vielmehr eine zusätzlicher, mächtige Informationsschicht zwischen Nutzer und Webseite: Die Suchmaschine interpretiert die Anfrage mithilfe eines großen Sprachmodells (LLM) und generiert daraus direkt eine synthetisierte, kohärente Antwort. Die eigentlichen Inhalte der Webseiten werden von der KI extrahiert, neu kombiniert und dem Nutzer präsentiert – oftmals ohne, dass dieser noch auf die Originalquelle zugreifen muss. Quellenangaben sind zwar möglich, aber optional, und sie passen nicht immer exakt zur ausgegebenen Antwort, können eher kontextualisierend sein. Der Nutzer muss nicht mehr selbst recherchieren, sondern erhält eine von der KI aufbereitete Antwort. Dadurch wird die Suchmaschine zur Antwortmaschine – sie steht nun als vermittelnde Instanz zwischen Nutzer und Web. Das verändert sowohl das Interface als auch die Rolle und Sichtbarkeit von Webseiten im gesamten Informationsprozess: Webseiten fungieren zunehmend als Rohmaterial für die KI, die daraus den für den Nutzer passenden Informationsbaustein generiert, anstatt selbst das primäre Ziel der Suche zu sein. Technisch, so betont es insbesondere Google, bleibt vieles beim Alten: Die zugrunde liegenden Crawler, Indizes und Ranking-Algorithmen arbeiten weiterhin nach bekannten Prinzipien. Doch die neue KI-Informationsschicht verändert grundlegend, wie Ergebnisse präsentiert werden. Erste Studien belegen, dass der direkte Sprung zu KI-generierten Antworten die Sichtbarkeit klassischer Suchergebnisse massiv verringert – der Traffic für Content-Anbieter, Verlage und Shops bricht spürbar ein. Auch wenn technisches SEO auf Infrastrukturebene stabil bleibt, verliert sie daher womöglich an strategischer und wirtschaftlicher Bedeutung, da der entscheidende Zugang zum Nutzer zunehmend durch KI-gesteuerte Antwortsysteme kontrolliert wird. Wie KI-Suche das Web-Ökosystem erschüttert Das offene, dezentral verlinkte World Wide Web basierte jahrzehntelang auf einem ungeschriebenen Pakt: Content-Ersteller liefern wertvolle Informationen, Suchmaschinen machen sie auffindbar, und Nutzer klicken auf Links, um die Inhalte auf den jeweiligen Webseiten zu konsumieren. Dieses Ökosystem, das auf Klicks, Website-Traffic und der daraus resultierenden Monetarisierung durch Werbung oder Produktverkäufe basiert, wird durch den Aufstieg der KI-Suche fundamental erschüttert. Die Konsequenz ist ein Wandel im Nutzerverhalten, der oft als „Zero-Click-Suche" bezeichnet wird: Der Nutzer erhält seine Antwort, ohne jemals eine der ursprünglichen Quell-Websites besuchen zu müssen. Die Zahlen aus verschiedenen Studien belegen diesen Trend eindrücklich und zeichnen ein alarmierendes Bild: Eine viel zitierte Studie des Pew Research Center zeigt, dass die Klickrate auf klassische, organische Suchergebnisse fast halbiert wird, wenn eine AI Overview angezeigt wird (von 15 % auf nur noch 8 %). Noch alarmierender: Nur 1 % der Nutzer klickt auf einen der in der KI-Antwort verlinkten Quelltexte. Interne Untersuchungen von Agenturen wie Aufgesang bestätigen je nach Suchintention einen Rückgang der Klicks um 20 % bis zu dramatischen 70 %. Eine Analyse von TollBit, einem Content-Lizenzierungsunternehmen, ergab, dass KI-Suchmaschinen wie die von OpenAI und Perplexity bis zu 96 % weniger Traffic an Nachrichtenseiten weiterleiten als die traditionelle Google-Suche. Für Publisher, E-Commerce-Anbieter und Unternehmen bedeutet dies eine existenzielle Bedrohung ihres Geschäftsmodells. Selbst wenn ihre Inhalte als Grundlage für KI-Antworten dienen, verlieren sie den direkten Kontakt zum Nutzer, die Möglichkeit zur Monetarisierung durch Werbung und die Chance, ihre Marke im eigenen, kontrollierten Umfeld zu präsentieren. Das offene, dezentral verlinkte Web weicht einem zentralisierten, von wenigen KI-Anbietern kontrollierten Informationsraum. Was bleibt bei der Optimierung für KI-Suche wie gehabt? Trotz dieser disruptiven Veränderungen wäre es ein strategischer Fehler, alle bisherigen SEO-Kenntnisse über Bord zu werfen. Im Gegenteil: Eine solide Grundlage in klassischer Suchmaschinenoptimierung ist die zwingende Voraussetzung, um überhaupt für eine Nennung in KI-Antworten in Frage zu kommen. Sowohl Google-Sprecher wie Gary Illyes als auch unabhängige Analysen betonen, dass die Kernprinzipien guter Inhalte weiterhin gelten. KI-Systeme sind auf qualitativ hochwertige, strukturierte und vertrauenswürdige Daten angewiesen, um verlässliche Antworten zu generieren. Folgende klassische SEO-Faktoren bleiben daher weiter relevant und werden womöglich sogar noch wichtiger: Qualitativ hochwertige, nutzerzentrierte Inhalte: KI-Modelle analysieren Texte auf tiefgreifender semantischer Ebene. Inhalte, die fachlich korrekt, tiefgründig, gut geschrieben und tatsächlich nützlich sind, werden bevorzugt. Oberflächlicher, fehlerhafter oder rein werblicher Content wird von den Systemen schnell als unzuverlässig eingestuft und ignoriert. Klare Struktur und Lesbarkeit: Eine logische Gliederung mit aussagekräftigen Überschriften (H1, H2, H3), kurzen, prägnanten Absätzen, Aufzählungen und Tabellen ist entscheidend. Solche Strukturen helfen der KI, Inhalte in ihre logischen Bestandteile zu zerlegen und die Hierarchie der Informationen zu verstehen. Eine Studie von ERGO ECODYNAMICS bestätigt, dass KI-Systeme Inhalte bevorzugen, die modular und dialogorientiert (z. B. in Frage-Antwort-Form) aufgebaut sind. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness): Dieses von Google für die klassische Suche etablierte Qualitätskonzept ist auch für KI-Systeme wohl weiter von zentraler Bedeutung. Sie bewerten die Glaubwürdigkeit einer Quelle, bevor sie deren Inhalte verwenden. Signale wie klare Autorenprofile, transparente Quellenangaben, positive Bewertungen und Erwähnungen auf anderen autoritativen Seiten stärken das Vertrauen und erhöhen die Wahrscheinlichkeit einer Zitation. Technisches SEO als Fundament: Eine Website muss für Crawler technisch einwandfrei zugänglich sein. Dazu gehören schnelle Ladezeiten (Core Web Vitals), eine saubere HTML-Struktur, eine funktionierende interne Verlinkung, eine durchdachte XML-Sitemap und die Vermeidung von client-seitigem Rendering, das Inhalte verstecken könnte. Wenn ein KI-Crawler eine Seite nicht effizient lesen kann, wird ihr Inhalt auch nicht in einer Antwort erscheinen. Indexierbarkeit: Nur was im Index einer Suchmaschine vorhanden ist, kann auch für die Generierung von KI-Antworten herangezogen werden. Die grundlegende Indexierbarkeit aller relevanten Inhalte über eine saubere robots.txt und Sitemaps bleibt eine absolute Notwendigkeit. Multimodale Optimierung: KI-Systeme sind zunehmend multimodal, was bedeutet, dass sie Informationen aus verschiedenen Formaten gleichzeitig verstehen, verarbeiten und kombinieren können. Dazu gehören neben Text auch Bilder, Videos und Audio-Inhalte. KI-generierte Antworten sind oft reichhaltige, multimediale Erlebnisse, die Bildergalerien, Produktkarussells oder eingebettete Video-Snippets enthalten. Während die Aktualität von Inhalten ("Freshness") schon immer ein Faktor in der klassischen SEO war, deutet eine erste Analyse der ChatGPT-Suche darauf hin, dass das System eine Präferenz für kürzlich veröffentlichte oder aktualisierte Inhalte hat. Das unterstreicht die Notwendigkeit einer dynamischen Content-Strategie: Kontinuierliche Pflege statt "Set and Forget" und eine Signalisierung von Aktualität, etwa durch ein sichtbares Datum und aktuelle Quellen. Zusammenfassend lässt sich sagen: Wer bisher schon auf exzellente Inhalte und eine technisch saubere Website gesetzt hat, hat die besten Startvoraussetzungen für die Ära der KI-Suche. Die klassischen SEO-Tugenden sind kein Auslaufmodell, sondern das Ticket, um im neuen Spiel überhaupt mitspielen zu dürfen. Good SEO is good "GEO" - Danny Sullivan aus dem Google-Search-Team https://youtu.be/ZF_sxLdfTbY Wie kann ich spezifisch für KI-Suchmaschinen optimieren? Aufbauend auf dem soliden SEO-Fundament erfordert die neue Suchlandschaft eine Weiterentwicklung der Optimierungsstrategien. Diese neue Disziplin wird unter verschiedenen Namen diskutiert, wobei sich Generative Engine Optimization (GEO) oder auch Large Language Model Optimization (LLMO) als gängige Begriffe etablieren. GEO ist die gezielte Optimierung von Inhalten und Markenpräsenz, um direkt in den von KI generierten Antworten sichtbar zu werden. Dabei verfolgt GEO zwei Hauptziele, die an klassische PR- und Community-Arbeit angelehnt sind: Optimierung der Zitierfähigkeit: Sicherstellen, dass die eigenen Inhalte als Quelle in KI-Antworten verlinkt oder erwähnt werden. Brand-Kontext-Optimierung: Erreichen, dass die eigene Marke, Produkte oder Dienstleistungen namentlich als Lösung oder Empfehlung in den Antworten genannt werden. Um diese Ziele zu erreichen, müssen wir verstehen, wie KI-Systeme Inhalte verarbeiten und welche neuen Hebel sich daraus ergeben. Die Funktionsweise von KI-Suchsystemen verstehen Moderne KI-Suchsysteme basieren auf komplexen Architekturen. Für die Optimierung sind vor allem folgende Konzepte entscheidend: Retrieval-Augmented Generation (RAG): Dies ist das Herzstück der meisten KI-Suchen. Ein Sprachmodell (LLM) greift nicht nur auf sein internes, vortrainiertes Wissen zurück, sondern ruft zur Beantwortung einer Anfrage aktiv aktuelle Informationen aus einer externen Quelle (z. B. dem Web-Index von Google) ab (Retrieval). Diese neuen Informationen werden dann genutzt, um die generierte Antwort anzureichern (Augmentation). Dieser Prozess, auch Grounding genannt, „erdet" die Antwort in überprüfbaren Fakten und reduziert das Risiko von Falschaussagen (Halluzinationen). Query Fan-Out: Statt eine Nutzeranfrage nur einmal zu bearbeiten, zerlegt die KI sie in mehrere detaillierte Unterabfragen (Sub-Queries). Eine Frage wie „Welche Wanderschuhe eignen sich für eine Alpentour im Sommer?" könnte in Sub-Queries wie „beste Wanderschuh-Marken für felsiges Gelände", „wasserdichte und atmungsaktive Materialien für Schuhe", „Testberichte Wanderschuhe 2024" und „wichtige Eigenschaften von Bergschuhen" aufgeteilt werden. Dieser „Fächer" an Anfragen (Fan-Out) ermöglicht es der KI, ein Thema aus vielen verschiedenen Blickwinkeln zu beleuchten und eine wesentlich umfassendere, exhaustiv-thematische Antwort zu generieren. Exkurs: Query Fan-Out: Eine Anfrage, viele Suchanfragen Query Fan Out Prozess | Agentur Aufgesang Wie KI eine einzelne Nutzeranfrage in mehrere Unteranfragen aufteilt, um latente Absichten zu erfassen und umfassendere Informationen zu sammeln: Wenn eine Nutzeranfrage gestellt wird, analysieren Googles Systeme diese mithilfe fortschrittlicher natürlicher Sprachverarbeitung, um die Nutzerabsicht (User Intent) zu ermitteln, die Komplexität der Anfrage zu bestimmen und den benötigten Antworttyp zu identifizieren. Komplexe Anfragen führen eher zu einem umfangreichen Fan-Out-Prozess als einfache Faktenfragen. Der Prozess beinhaltet mehrere Schritte, um sowohl explizite als auch implizite Bedürfnisse der Anfrage abzudecken: Intent-Klassifikation (Absichtsklassifikation): Das System bestimmt die Art der Anfrage (z.B. informativ, transaktional, vergleichsorientiert) und das Themenfeld. Dies legt die Grenzen für die zu berücksichtigenden Quellen und Inhaltsformate fest. Slot-Identifikation (Variablen-Identifikation): Das System identifiziert Variablen (Slots), die es ausfüllen muss, um eine nützliche Antwort zu liefern. Einige Slots sind explizit in der Anfrage enthalten, andere sind implizit. Latente Intent-Projektion (Projektion latenter Absichten): Die ursprüngliche Anfrage wird in einen hochdimensionalen Vektorraum eingebettet, und das Modell identifiziert benachbarte Konzepte basierend auf semantischer Nähe. Dies wird durch historische Abfrage-Konkurrenzdaten, Klickmuster und Knowledge Graph-Verbindungen informiert. Rewrites und Diversifikationen: Das System generiert Umformulierungen und Diversifizierungen der ursprünglichen Anfrage, um die Wahrscheinlichkeit zu maximieren, einen relevanten Inhaltsteil zu finden, der möglicherweise nicht der ursprünglichen Formulierung entspricht. Spekulative Unterfragen (Speculative Sub-Questions): Basierend auf Mustern ähnlicher Sitzungen fügt das Modell spekulative Unterfragen hinzu, die Nutzer wahrscheinlich später stellen würden (z.B. nach einem Trainingsplan auch nach den besten Schuhen fragen). Diese Sub-Queries werden dann parallel an verschiedene Quellsysteme gesendet, wie den Web-Index, den Knowledge Graph, YouTube-Transkripte, Google Shopping-Feeds oder spezielle Indizes. Der Fan-Out sorgt für einen breiteren Abruf von Informationen, als es eine einzelne Abfrage erreichen könnte. Reranking: Nachdem das System durch den ersten Abruf eine große Menge potenziell relevanter Dokumente gefunden hat, folgt ein entscheidender Zwischenschritt: das Reranking. Hier kommt ein spezialisiertes Modell zum Einsatz, das diese Kandidatenliste nach wesentlich feineren Qualitätskriterien neu bewertet und sortiert. Es prüft tiefere semantische Relevanz, Autorität der Quelle (E-E-A-T), Kohärenz und Informationsdichte. Nur die besten 3-10 Dokumente, die dieses „feine Sieb" passieren, werden an das finale Sprachmodell zur Antwortgenerierung weitergereicht. Relevanz allein genügt also nicht mehr; die Qualität entscheidet, ob ein Inhalt den finalen Cut schafft. Der Fokus muss darauf liegen, so umfassend und autoritativ zu sein, dass man jede Neuordnung überlebt. Chunking & Passage Retrieval: KI-Modelle lesen keine ganzen Webseiten, sondern zerlegen sie in kleine, semantisch abgeschlossene Informationseinheiten, sogenannte „Chunks" oder „Nuggets". Das können einzelne Sätze, Absätze oder Listeneinträge sein. Das System bewertet die Relevanz dieser einzelnen Chunks für die jeweilige Sub-Query. Ein langer, unstrukturierter Text, in dem wichtige Informationen in der Mitte „verloren" gehen, hat eine geringere Chance, berücksichtigt zu werden, als ein prägnanter, gut strukturierter Absatz. Embeddings: Anstatt auf exakte Keywords zu achten, arbeiten KIs mit sogenannten Embeddings. Das sind numerische Repräsentationen von Wörtern, Sätzen oder ganzen Dokumenten in einem hochdimensionalen Vektorraum. Begriffe mit ähnlicher Bedeutung liegen in diesem Raum nahe beieinander. Das ermöglicht der KI, kontextuelle und semantische Zusammenhänge zu verstehen, selbst wenn keine exakten Keywords übereinstimmen. Ziel der Optimierung ist es, mit seinen Inhalten den „richtigen Ort im Embedding-Raum" zu besetzen, etwa, indem man relevante Fachsprache benutzt und diese mit den eigenen Produkten assoziiert. Von der Technologie zur Strategie: Ein neuer Ansatz für die Optimierung ROI-Messung ändert sich: Die „Measurement Chasm" Bevor wir in die taktischen Details der Inhaltserstellung oder des Crawler-Managements eintauchen, muss der erste und wichtigste Schritt eine Neuausrichtung der Erfolgsmessung sein. Denn ohne zu wissen, was ein „Erfolg" in der KI-Ära überhaupt ist und wie er gemessen wird, laufen alle nachfolgenden Optimierungsversuche ins Leere. Die strategische Anpassung beginnt also mit der Frage nach dem Ziel und dessen Messbarkeit. Die traditionelle Erfolgsmessung von SEO (Rankings, Klicks, Traffic, Conversions) bricht zusammen, wenn der Nutzer die Website nicht mehr besucht. Es entsteht eine „Messbarkeitskluft" (Measurement Chasm). Der ROI muss neu definiert werden. Zukünftige Metriken sind: KI-Sichtbarkeit: Wie oft wird meine Marke oder mein Inhalt in KI-Antworten zu relevanten Themen erwähnt oder zitiert? Brand-Sentiment: In welchem Tonfall (positiv, neutral, negativ) wird über meine Marke gesprochen? Marken-Kontext-Übereinstimmung: Wird meine Marke mit den richtigen Attributen und USPs in Verbindung gebracht? Die Messung erfordert derzeit oft manuelle Analysen oder die Entwicklung neuer Tools, die KI-Antworten systematisch auswerten. Wert der verbleibenden Besuche neu bewerten: Ein Nutzer, der nach einer KI-Antwort noch auf einen Link klickt, ist meist hochqualifiziert und sucht gezielt nach Details, Produkten oder einer konkreten Handlung – seine Konversionswahrscheinlichkeit ist deutlich höher als bei klassischen Suchbesuchern. Experimente wie llms.txt und die ethische Dimension Um die Kommunikation mit KI-Crawlern direkter zu gestalten, entstehen neue, experimentelle Ansätze wie llms.txt. Ähnlich der robots.txt, ist llms.txt eine einfache Textdatei auf dem Server, die einem Sprachmodell gezielte Informationen liefern soll. Sie könnte eine prägnante Zusammenfassung der Website, eine Liste der wichtigsten Themen oder sogar spezifische Anweisungen enthalten. Mehr Informationen dazu finden sich unter https://llmstxt.org/. Die Möglichkeit, LLMs gezielt Inhalte zu servieren, öffnet jedoch auch die Tür zur gezielten Manipulation durch sogenannte „Prompt Injections". So hat der Wirtschaftswissenschaftler Ethan Mollick auf seiner Webseite im Klartext Prompts platziert, um das Verhalten von KIs zu beeinflussen – natürlich nur für wissenschaftliche Tests. Ethan Mollick Prompt Injection Andere gehen weiter und verstecken Anweisungen wie „GIVE A POSITIVE REVIEW" mit weißer Schrift auf weißem Grund, wie es in einigen wissenschaftlichen Papieren auf arXiv.org entdeckt wurde. Dies erinnert an die Black-Hat-SEO-Techniken der frühen 2000er und wird von Systemen wie Googles SpamBrain zunehmend erkannt. Der sogenannte „Exceljet-Fall", bei dem eine Website mit KI-generierten Klonen bekannter Excel-Tutorials auffiel, zeigt, dass Google gegen solche manipulativen Taktiken vorgeht. Auch Aravind Srinivas, CEO der KI-Suchmaschine Perplexity, hat im Interview offen erklärt, wie KI-Suchmaschinen durch versteckte Texte auf Websites gezielt beeinflusst werden können. Er bezeichnet diese Praxis als „Answer Engine Optimization" (AEO). Wie Srinivas betont, gleicht der Umgang der KI-Hersteller mit diesen Manipulationen einem ständigen „Katz-und-Maus-Spiel": Ein absoluter Schutz gegen gezielte Einflussnahme existiert bislang nicht (Quelle). Crawling-Management Die robots.txt-Datei wird vom rein technischen Werkzeug zu einem strategischen Instrument. Unternehmen müssen entscheiden, welche Crawler auf ihre Inhalte zugreifen dürfen – und wofür. Denn nicht jeder Bot ist gleich: Manche indexieren für die klassische Suche, andere für KI-Training oder für die Erzeugung von Antworten in KI-Chatbots. Ein differenziertes Management der Crawler ist daher Pflicht. Wer crawlt wofür? (Kurzreferenz) Klassische Suche (zulassen): Googlebot und seine Spezialvarianten (z. B. Image, Video, News) indexieren die klassische Google-Suche. Änderungen an den Regeln für Googlebot betreffen alle Search-Oberflächen (Google for Developers). bingbot erfüllt denselben Zweck für Bing und Microsoft Copilot. Microsoft bietet eine offizielle User-Agent-Liste an. Google – KI-Kontrolltoken: Google-Extended ist kein eigener Crawler, sondern ein Produkt-Token in der robots.txt. Damit ist einstellbar, ob die eigenen Inhalte für Gemini-Training und KI-Grounding genutzt werden dürfen. Es beeinflusst NICHT die Aufnahme oder das Ranking in der klassischen Suche. Syntax und Details: Google for Developers. OpenAI – Suche & Training: GPTBot dient dem Foundation-Training und der Modellverbesserung. OAI-SearchBot crawlt für die Suchfunktion in ChatGPT (kein Training). ChatGPT-User ruft Inhalte on-demand bei Nutzeranfragen ab. Detaillierte Beschreibung und Opt-out-Optionen: OpenAI Platform. Perplexity – Suche & Nutzerfetch: PerplexityBot crawlt für die KI-Suche (nicht für Foundation-Training). Perplexity-User ist ein nutzergetriggerter Fetch, der häufig robots.txt ignoriert, da der Aufruf als „user-initiated" gilt (Perplexity). Anthropic – Claude: ClaudeBot (Training), Claude-SearchBot (Suche), Claude-User (user-initiated). Anthropic unterstützt Opt-out via robots.txt und auch crawl-delay (Anthropic Help Center). Achtung: IP-Blocking kann die Auswertung der robots.txt verhindern. Apple – KI-Opt-out: Applebot (Siri, Spotlight, klassische Suche), Applebot-Extended als eigenes Training-Opt-out über robots.txt, ohne die Auffindbarkeit in der Apple-Suche zu beeinträchtigen (Apple Support). Common Crawl – CCBot: Erfasst den offenen Web-Korpus, den viele KI-Anbieter (indirekt) verwenden. Lässt sich sauber via User-agent: CCBot blockieren, Reverse-DNS-Muster verfügbar (Common Crawl). Messungen zeigen seit 2024 einen starken Anstieg beim Bot-Traffic, besonders durch GPTBot. Cloudflare dokumentiert diese Entwicklung ausführlich (Cloudflare Blog). robots.txt: Saubere Syntax & Geltungsbereich Grundregeln: Google unterstützt die Felder user-agent, allow, disallow, sitemap. Andere Felder wie crawl-delay werden von Google ignoriert. Die Datei muss im Root liegen und wird freiwillig befolgt (Google for Developers). Wildcards & Reihenfolge: Nutze eindeutige User-Agent-Blöcke. Google listet pro Crawler das passende Token, ein Treffer genügt. KI-Crawler: Praxis-Templates (kopierfertig) A) Publisher/Paywall-first (Training und KI-Suche blocken, klassische Suche erlauben) # Suchmaschinen zulassen User-agent: Googlebot Allow: / User-agent: bingbot Allow: / # KI-Training & KI-Suche blocken User-agent: Google-Extended Disallow: / User-agent: Applebot-Extended Disallow: / User-agent: GPTBot Disallow: / User-agent: OAI-SearchBot Disallow: / User-agent: PerplexityBot Disallow: / User-agent: ClaudeBot Disallow: / User-agent: Claude-SearchBot Disallow: / User-agent: CCBot Disallow: / Begründung: Google‑Extended/Applebot‑Extended steuern die Nutzung für KI-Modelle, ohne die Websuche zu beeinflussen. GPTBot/ClaudeBot/CCBot sind Trainingspfade; OAI‑SearchBot/PerplexityBot sind KI-Suche/RAG. B) Marken‑Exposure (KI‑Suche erlauben, Training selektiv blocken) # Suchmaschinen User-agent: * Disallow: # KI-Suche erlauben User-agent: OAI-SearchBot Allow: / User-agent: PerplexityBot Allow: / # Training weiterhin blocken User-agent: Google-Extended Disallow: / User-agent: Applebot-Extended Disallow: / User-agent: GPTBot Disallow: / User-agent: ClaudeBot Disallow: / User-agent: CCBot Disallow: / Beachten Sie, dass die robots.txt eine Richtlinie und kein Zwang ist. Insbesondere nutzerinitiierte Crawler (*-User) können sie ignorieren. Ein vollständiger Ausschluss erfordert ggf. technische Maßnahmen wie IP-Blocking auf dem Server. Content-Optimierung für bessere Zitierfähigkeit Die unterschiedlichen Ziele von GEO | Agentur Aufgesang Ziel #1: Kontextlose Inhalterstellung und Chunk Engineering Dies ist vielleicht der größte Paradigmenwechsel für Content-Ersteller. Ein Chunk, der von einer KI aus einer Webseite extrahiert wird, muss ohne den umgebenden Kontext (Design, Navigation, Bilder, vorherige Absätze) funktionieren. Ein Satz wie „Dies führt zu besseren Ergebnissen" ist nutzlos, wenn das „Dies" nicht mehr nachvollziehbar ist. Die Gefahr dieses Kontextverlustes ist immens und kann zu gravierender Desinformation führen. Ein perfektes und zugleich alarmierendes Beispiel hierfür ist das sogenannte „Kyloren Syndrom". Wie ein Nutzer namens „Neuroskeptic" aufdeckte, präsentierte Googles KI-Suche eine von ihm vor Jahren als Satire erfundene Krankheit als realen medizinischen Fakt. Neuroskeptic hatte den Begriff selbst erfunden, um zu zeigen, wie leicht Unsinn in wissenschaftlichen Fachzeitschriften publiziert werden kann. Googles KI-Modell extrahierte die Beschreibung des angeblichen Syndroms, ignorierte dabei aber vollständig den entscheidenden satirischen Kontext der Quelle. Mehr noch: Die KI zitierte sogar das gefälschte Paper als Beleg für ihre falsche Aussage und vergiftete damit ihre eigenen Datenbestände. Dieser Fall, ebenso wie das Beispiel eines Gerichtsreporters, der von einer KI fälschlicherweise als Mörder und Betrüger dargestellt wurde, weil das System ihn mit den Inhalten seiner Berichte assoziierte, illustriert das Kernproblem: KI-Systeme können Schwierigkeiten haben, Nuancen, Ironie oder die Rolle eines Autors zu verstehen. Sie extrahieren Fakten und Beziehungen, aber der Kontext, der diesen Fakten ihre wahre Bedeutung gibt, geht oft verloren. Um solche fatalen Missverständnisse zu vermeiden, erfordert die Content-Erstellung für KI-Systeme ein strategisches Umdenken, das als Chunk Engineering bezeichnet wird: Eindeutigkeit: Vermeiden Sie Pronomen und kontextabhängige Formulierungen. Wiederholen Sie stattdessen die relevanten Substantive. Modularität: Schreiben Sie jeden Absatz so, dass er als eigenständige, in sich geschlossene Informationseinheit verstanden werden kann. Präzision: Formulieren Sie klar und unmissverständlich. Jeder Chunk muss eine hohe Informationsdichte aufweisen. Fakten-Grounding: Untermauern Sie Behauptungen mit Daten und verlinken Sie auf primäre, vertrauenswürdige Quellen, um den Grounding-Prozess der KI zu unterstützen. Fachspezifische Terminologie als Ranking-Faktor: Vocabulary-Aware Searching Ein technischer Aspekt, der nach aktuellen Analysen insbesondere bei ChatGPT eine Rolle spielt, ist die Fähigkeit, fachspezifische Sprache und Terminologie gezielt zu erkennen und zu berücksichtigen. In der Konfiguration von ChatGPT ist das sogenannte "Vocabulary-Aware Searching" aktiviert (vocabulary_search_enabled: true), wobei offenbar feinkörnige Filter genutzt werden, um branchenspezifische Begriffe stärker zu gewichten. Das legt nahe: Inhalte, die gezielt und konsistent die einschlägige Fachsprache, korrekte Definitionen und typische Begriffe des eigenen Themas verwenden, könnten von der KI als relevanter und autoritativer eingestuft werden. Wer also in seinem Spezialgebiet die Terminologie nutzt, die auch in Fachkreisen üblich ist, verschafft sich unter Umständen einen Sichtbarkeitsvorteil gegenüber allgemein gehaltenen Inhalten. Für die Optimierung im KI-Kontext kann es daher ratsam sein, nicht nur semantisch korrekt, sondern auch terminologisch präzise zu formulieren – auch wenn sich das bislang vor allem für ChatGPT als Indiz zeigt und nicht als allgemeingültige Regel für alle Systeme gilt. Ziel #2: Brand-Kontext-Optimierung für mehr Brand Sichtbarkeit in LLMs in KI-Antworten Die Brand-Kontext-Optimierung ist ein zentrales Ziel der Generative Engine Optimization (GEO), das darauf abzielt, die Sichtbarkeit Ihrer Marke in KI-generierten Antworten zu erhöhen, indem Ihre Marke oder Ihre Produkte namentlich erwähnt oder empfohlen werden. Es geht dabei nicht primär um die Verlinkung Ihrer Inhalte, sondern um die Nennung Ihrer Marke als passende Lösung für ein Nutzerbedürfnis. Ziele der Brand-Kontext-Optimierung: KI-Systeme übernehmen oft die Vorauswahl für Nutzer, was beeinflusst, welche Produkte oder Marken überhaupt in Betracht gezogen werden. Das Ziel ist es, frühzeitig im Entscheidungsprozess sichtbar zu werden und die Markenpräsenz zu stärken, auch wenn sich dies nicht immer direkt im Website-Traffic widerspiegelt. Für E-Commerce und Hersteller ist dies besonders relevant, wenn KI-Chatbots Produkte direkt vorschlagen, oft mit Bildern, Preisen und Händlerinformationen. Grundlagen der Brand-Kontext-Optimierung: KI-Systeme wie ChatGPT nutzen semantische Räume, um Begriffe (Entitäten) miteinander in Beziehung zu setzen. Das zentrale Prinzip ist die Konkurrenz-Optimierung: Ihre Marke sollte in den Grounding- oder Trainingsdaten der KI möglichst häufig in der Nähe zu den richtigen Begriffen erscheinen. So lernen die Modelle, Ihre Marke als thematisch relevant und vertrauenswürdig in bestimmten Bereichen zu assoziieren. Praktische Umsetzung für mehr Brand Mentions: 1. Inhalte und Erwähnungen auf starken Plattformen platzieren: Gastbeiträge in bekannten und zu den Fan-Out-Queries referenzierten Fachportalen und Blogs. Zitate oder Expertenstatements in Artikeln platzieren, die zu Ihrer Marke passen. Kooperationen mit Branchenplattformen suchen, um Inhalte dort zu platzieren (Digital PR). Achten Sie darauf, dass Ihre Marke und Produkte positiv im Kontext genannt werden. KI-Systeme stützen sich stark auf Inhalte von Websites mit hoher Autorität. 2. Platzierung in Rankings und Vergleichen: KI-Chatbots bevorzugen gerade in Bezug auf Produkte und Marken Listen und Vergleiche wie „Top 10 Anbieter" oder „Beste Tools". Wenn Ihre Marke in solchen Beiträgen vorkommt, erhöht dies die Chance, direkt in KI-Antworten zu landen. Bewerben Sie sich bei relevanten Vergleichsseiten oder für Produkttests. Pflegen Sie Ihre Produktdaten und Nutzerbewertungen. 3. In Online-Communities aktiv sein: Analysen zeigen, dass KI-Antworten stark auf Foren- und Community-Quellen zurückgreifen. Plattformen wie Reddit oder Quora sind wichtige Datenquellen für KI-Systeme, da dort authentische Diskussionen stattfinden. Seien Sie aktiv und beantworten Sie Fragen ehrlich und hilfreich, ohne werblichen Ton. Nennen Sie Ihre Marke im richtigen Kontext. 4. Produktdaten auf E-Commerce-Plattformen optimieren: Präsenz auf einflussreichen E-Commerce-Plattformen wie Amazon, da diese strukturierte Produktdaten bieten, die von KI leicht verarbeitet werden können. Nutzen Sie klare, werbefreie Produktbeschreibungen und präzise Kategorien. Reagieren Sie auf Fragen und Bewertungen im Shop, da dies die semantische Bewertung Ihrer Produkte beeinflusst. Bewertungsmanagement ist entscheidend, da Nutzerrezensionen das Sentiment einer KI-Antwort bestimmen können. 5. Marke konsistent maschinen-verständlich darstellen Sorgen Sie für einen konsistenten Markenauftritt über alle Plattformen hinweg, von der Unternehmensbeschreibung, Produkttext bis zur PR-Meldung. Ihre Marke muss zusammen im Kontext mit Themenfeldern, USPs, Attributen, Produkten, Angeboten… genannt werden. Diese Schlüsselbegriffe müssen konsequent in Content-Briefings, Marketing-Teamschulungen und SEO-/Social-Media-Richtlinien verankert sein, um eine stabile semantische Verbindung herzustellen. Informationen auf Plattformen wie LinkedIn, Crunchbase, Google Business oder Wikipedia sollten konsistent sein, um die Positionierung ihrer Marken- und/oder Produkt- Entitäten zu stärken. Nutzen Sie strukturierte Daten (Schema.org) auf Ihrer Website. Obwohl LLMs diese nicht direkt verarbeiten, helfen sie Suchmaschinen und indirekt LLMs, Entitäten, deren Beziehungen und den Kontext von Inhalten besser zu verstehen. NLP-optimierte Unternehmenstexte und Produktbeschreibungen: Markenname klar positionieren: Nennen Sie Ihren Unternehmensnamen (Ihre Markenentität) gleich zu Beginn und wiederholen Sie ihn gezielt im Text, damit die KI die Hauptentität identifizieren kann. Präzise Schlüsselwörter nutzen: Verwenden Sie genaue und relevante Begriffe, die Ihre Kernkompetenzen, Produkte und Dienstleistungen eindeutig beschreiben. Diese werden von der KI als Attribute Ihrer Marke erkannt. Kurze, Triple-freundliche Sätze: Formulieren Sie Sätze als klare Subjekt-Verb-Objekt-Beziehungen (semantische Triplets), z.B., „[Ihre Marke] bietet [Ihre Leistung]". Dies hilft den Modellen, Entitäten zuzuordnen und Beziehungen zu verstehen. USPs hervorheben: Beschreiben Sie, was Sie einzigartig macht, um Ihre Marke mit spezifischen und differenzierenden Attributen zu verknüpfen. Jargon vermeiden, Kontext schaffen: Nutzen Sie einfache Sprache und stellen Sie sicher, dass wichtige Informationen im direkten Kontext Ihrer Marke stehen. Konsistente Terminologie: Verwenden Sie über Ihre gesamte Online-Präsenz hinweg eine einheitliche Terminologie für Produkte und Eigenschaften. Wichtige Erkenntnisse zur Marken-Sichtbarkeit in KI-Chatbots: Wörter wie „best", „trusted", „recommend" und „reliable" sind starke Trigger für Markenerwähnungen. Digital-First-Marken, die stark in Online-Präsenz (Content, SEO, Bewertungen, Social Media, digitale Werbung) investieren, sind die sichtbarsten. Prompt-Struktur hat einen erheblichen Einfluss darauf, welche Marken in der Antwort erscheinen. Durch die konsequente und konsistente Anwendung dieser Strategien können Sie die Wahrscheinlichkeit erhöhen, dass Ihre Marke von KI-Systemen erkannt, assoziiert und in deren Antworten genannt wird, was entscheidend für die digitale Sichtbarkeit in der Ära der generativen KI ist. Trainingsdaten-Optimierung des Brand-Kontext: Die Königsdisziplin der Langfrist-Strategie Während die bisher genannten Taktiken auf die Echtzeit-Informationsabfrage (RAG) abzielen, gibt es eine noch strategischere, langfristigere Disziplin: die Trainingsdaten-Optimierung. Hierbei geht es darum, das grundlegende „Weltwissen" zukünftiger Sprachmodelle zu beeinflussen. LLMs werden auf riesigen Datensätzen trainiert, die oft das gesamte Wissen von Plattformen wie Wikipedia, Reddit oder großen Web-Archiven wie dem Common Crawl umfassen. Das Ziel ist es, auf diesen für das Training relevanten Plattformen so präsent, korrekt und positiv wie möglich vertreten zu sein. Wenn Ihre Marke in diesen Quellen häufig im richtigen Kontext erwähnt wird, lernt das Modell eine Assoziation. Diese Strategie ist jedoch extrem herausfordernd: Extrem langfristig: Erfolge zeigen sich erst, wenn ein komplett neues Modell trainiert wird, was Monate oder Jahre dauern kann. Schwer messbar: Der direkte Nachweis eines Erfolgs ist nahezu unmöglich. Hoher Aufwand: Plattformen wie Wikipedia haben strikte redaktionelle Regeln, die eine direkte werbliche Einflussnahme verhindern. Es erfordert echten, konstruktiven Beitrag zur Community. Die Trainingsdaten-Optimierung ist somit weniger eine SEO-Taktik als vielmehr eine hochstrategische Aufgabe im Bereich Public Relations und Reputationsmanagement mit einem Zeithorizont von mehreren Jahren. Sie rentiert sich wohl nur, wenn die entsprechenden Kanäle ohnehin Teil der Kommunikationsstrategie sind. Entscheidung: Brauche ich KI-SEO oder noch nicht, und wo fange ich an? Die Dringlichkeit, sich mit GEO zu beschäftigen, hängt stark vom Geschäftsmodell ab: Hohe Dringlichkeit / Existenziell: Verlage, Nachrichtenportale, Wissensplattformen und alle, deren Geschäftsmodell direkt von organischem Traffic abhängt. Hier müssen dringend Antworten gefunden werden, ob und wie noch Traffic aus KI-Suchen generiert werden kann – und falls nicht, welche Alternativen zur Monetarisierung und Nutzerbindung existieren. Es gilt, die eigene Sichtbarkeit und das Geschäftsmodell aktiv zu hinterfragen, neue Kanäle zu evaluieren und die Auswirkungen der KI-Suche strategisch zu adressieren. Mittlere bis hohe Dringlichkeit: E-Commerce-Anbieter und Marken, bei denen Produktvergleiche oder Empfehlungen wichtig sind. Eine Nennung in KI-Antworten („die besten Laufschuhe für Anfänger") kann direkt zu Kaufentscheidungen führen. Hier sollten gezielt strukturierte Daten, Bewertungen und starke Markenbotschaften eingesetzt werden, um von KIs empfohlen zu werden. Mittlere Dringlichkeit: B2B-Unternehmen mit erklärungsbedürftigen Produkten oder Dienstleistungen profitieren von GEO, um als Experte oder Lösungsanbieter in komplexen KI-Antworten sichtbar zu werden. Fachbeiträge, Expertenprofile und die Präsenz auf relevanten Drittplattformen stärken die Position als Thought Leader. Geringere Dringlichkeit (aber Beobachtung empfohlen): Lokale Unternehmen oder Nischenseiten mit einfachen, direkten Suchanfragen sind bislang weniger betroffen. Klassische lokale SEO bleibt hier meist ausreichend, dennoch sollten die Entwicklungen bei Sichtbarkeit und Klickraten regelmäßig beobachtet werden, um bei Bedarf schnell reagieren zu können. Fazit: Eine neue Disziplin zwischen Hype und Notwendigkeit Die Ära der KI-Suche könnte das Fundament des WWWs und damit des digitalen Marketings neu ordnen. Zweifellos etabliert sich mit der Generative Engine Optimization (GEO) ein neues Feld. Doch wie in jeder Pionierphase herrscht auch hier Goldgräberstimmung, in der unseriöse Versprechen gedeihen. Das alte „Ich bringe dich auf Platz 1 bei Google" verwandelt sich in das neue „Ich garantiere dir eine Nennung in der KI-Antwort". Seien Sie skeptisch: Viele Mechanismen der KI-Systeme sind noch eine Blackbox, und was heute funktioniert, kann morgen schon überholt sein. Zudem bleibt derzeit einfach vieles wie gehabt. Auch die hier im Leitfaden beschriebenen „GEO-Taktiken" sind in erster Linie SEO-Methoden, die auch für KI-Suchen funktionieren sollen. Für Unternehmen, deren Geschäftsmodell unmittelbar von organischem Web-Traffic abhängt – allen voran Verlage, Content-Portale und informationsgetriebene E-Commerce-Seiten – ist Abwarten jedoch keine Option. Selbst wenn eine direkte und garantierte Optimierung der Zitationen heute noch nicht möglich ist, ist die Auseinandersetzung mit den Konsequenzen unumgänglich. Hier geht es nicht mehr nur um Marketing-Taktiken, sondern um die strategische Anpassung des gesamten Geschäftsmodells an eine Welt mit weniger Klicks. Die Exploration auch von experimentellen GEO-Methoden ist hier unternehmerische Verantwortung. Wer bereits exzellentes, klassisches SEO betreibt, eine starke Marke aufgebaut hat und dessen Geschäftsmodell nicht ausschließlich von der schieren Masse an Website-Besuchen lebt, kann eine gelassenere, aber dennoch wachsame Beobachterrolle einnehmen. Die soliden Grundlagen schützen vor den schlimmsten Verwerfungen, während man die Entwicklung analysiert und gezielt dort eingreift, wo es strategisch sinnvoll ist. Letztlich geht es nicht darum, die KI zu überlisten, sondern darum, den eigenen Wert im neuen Informationsökosystem so klar und unmissverständlich zu definieren, dass selbst eine Maschine ihn nicht ignorieren kann.

KI-Suche und Generative Engine Optimierung (GEO) - Webseiten für KI-Suchmaschinen optimieren

Verpassen Sie keineaktuellen KI‑Einblicke.

Verpassen Sie keine
aktuellen KI‑Einblicke.