GEO-Ranking: Wie KI-Systeme entscheiden, wen sie empfehlen

Dominik Breitbach · Founder & Lead SEO Stratege bei taismo

Dominik Breitbach ist Gründer der taismo GmbH und als Lead SEO Stratege auf SEO-Betreuung und Sichtbarkeit in KI-Antworten (GEO) spezialisiert. Seit 2010 begleitet er Unternehmen bei SEO und Google Ads, mit taismo seit 2019 auch bei SEOcruiting.

⏱ Lesedauer: 8 Min 🔄 Zuletzt aktualisiert: 30.08.2026

Ein GEO-Ranking ist die Position, die eine Marke in den Antworten von KI-Systemen wie ChatGPT, Gemini oder Perplexity einnimmt: wer bei Fragen wie „Welcher Anbieter ist der richtige für mich?“ genannt, zitiert oder empfohlen wird. Anders als bei Google gibt es dafür keine öffentliche Trefferliste mit zehn Positionen, sondern eine generierte Antwort, in der meist nur zwei bis fünf Namen auftauchen. Dieser Artikel zeigt, aus welchen Quellen KI-Systeme diese Empfehlungen tatsächlich ziehen, wie sich das vom klassischen Google-Ranking unterscheidet und mit welchen sieben Maßnahmen du dein eigenes GEO-Ranking gezielt verbesserst.

👉 Du willst wissen, wie sichtbar dein Unternehmen in KI-Antworten heute schon ist? Zur GEO-Leistungsseite

Was GEO-Ranking bedeutet

GEO steht für Generative Engine Optimization: die Optimierung der eigenen Sichtbarkeit in generativen Suchsystemen. Der Begriff stammt aus einem Forschungspaper von Aggarwal et al. (Princeton, Georgia Tech, IIT Delhi), das 2023 erstmals systematisch gemessen hat, welche Inhalte generative Suchmaschinen bevorzugt in ihre Antworten übernehmen. Das GEO-Ranking ist das Ergebnis dieser Optimierung: die Häufigkeit und Prominenz, mit der ein Unternehmen in KI-Antworten erscheint.

Der entscheidende Unterschied zum Google-Ranking: Es gibt keine Positionen, sondern Erwähnungen. Wo Google zehn blaue Links pro Seite zeigt und auch Platz 8 noch Klicks bekommt, formuliert ein KI-System eine einzige Antwort. Wer darin nicht vorkommt, ist für diese Suchanfrage unsichtbar. Die Auswahl ist also härter als jede erste Google-Seite, und sie folgt eigenen Regeln. Fachlich wird das Feld auch LLMO (Large Language Model Optimization) genannt; gemeint ist dasselbe Ziel: in den Antworten großer Sprachmodelle stattfinden.

Wie KI-Antworten entstehen: Training und Live-Suche

Um zu verstehen, wie ein GEO-Ranking zustande kommt, musst du wissen, dass eine KI-Empfehlung aus zwei völlig verschiedenen Wegen entstehen kann. Beide Wege brauchen unterschiedliche Signale.

Weg 1: Trainingswissen (parametrisches Wissen). Sprachmodelle lernen in ihrem Training aus riesigen Textmengen, welche Marken in welchem Kontext auftauchen. Wird deine Marke in Fachartikeln, Branchenlisten und Foren immer wieder gemeinsam mit deiner Leistung genannt, verankert sich diese Verbindung im Modell selbst. Antwortet ChatGPT ohne Websuche, greift es genau auf dieses eingebrannte Wissen zurück. Dieses Wissen ist träge: Es ändert sich erst mit dem nächsten Modell-Training und lässt sich nur über Monate und über viele externe Erwähnungen aufbauen.

Weg 2: Live-Suche (Retrieval). ChatGPT Search, Google AI Overviews, der AI Mode und Perplexity holen sich zur Laufzeit aktuelle Webseiten aus einem Suchindex, lesen sie und bauen daraus eine Antwort mit Quellenangaben. Hier zählt, ob deine Inhalte crawlbar, klar strukturiert und zitierfähig sind. OpenAI nutzt dafür einen eigenen Crawler namens OAI-SearchBot, der unabhängig vom Trainings-Crawler GPTBot arbeitet: Wer GPTBot sperrt, bleibt in der ChatGPT-Suche sichtbar, wer OAI-SearchBot sperrt, fliegt aus ihr heraus. Google wiederum speist seine KI-Antworten aus dem normalen Suchindex und stellt dafür laut eigener Dokumentation keine Zusatzanforderungen über die übliche Suchmaschinenoptimierung hinaus. Wie du diesen zweiten Weg konkret bespielst, zeigt unser Artikel ChatGPT SEO.

Woraus KI-Systeme ihre Empfehlungen ziehen

Wenn jemand eine KI nach einer Empfehlung fragt, zitiert das System nicht zufällig. In der Praxis dominieren sechs Quellentypen, die zusammen dein GEO-Ranking bestimmen.

1. Ranked Lists und Listicles

Fragen wie „die besten CRM-Tools“ oder „empfehlenswerte Agenturen in München“ beantworten KI-Systeme mit auffälliger Vorliebe aus bestehenden Bestenlisten: Vergleichsartikeln, Branchenrankings und „Top 10″-Beiträgen. Der Grund ist simpel: Eine Ranked List ist für ein Sprachmodell die perfekte Vorlage, denn sie enthält bereits genau die Struktur, die die Antwort haben soll. Wer in mehreren unabhängigen Listen seiner Kategorie steht, wird überproportional oft übernommen. Wer in keiner steht, existiert für Empfehlungsfragen praktisch nicht.

2. Bewertungsportale und Reviews

Bewertungsplattformen wie Google-Rezensionen, Trustpilot, ProvenExpert, kununu oder OMR Reviews liefern KI-Systemen zwei Dinge auf einmal: soziale Bewährtheit (echte Kundenstimmen) und maschinenlesbare Struktur (Sterne, Anzahl, Kategorien). Bei lokalen und dienstleistungsnahen Anfragen tauchen Bewertungsportale deshalb regelmäßig als zitierte Quellen auf. Ein gepflegtes, konsistent bewertetes Profil ist damit kein Reputationsthema mehr, sondern ein direkter Ranking-Faktor für KI-Empfehlungen.

3. Brand Mentions: Erwähnungen ohne Link

Brand Mentions sind Nennungen deiner Marke in fremden Texten, auch ohne Verlinkung. Für das klassische Linkbuilding waren sie lange die zweite Wahl, für Sprachmodelle sind sie Gold: Ein Modell lernt Zusammenhänge aus dem Text selbst, nicht aus dem Linkgraphen. Jede Erwähnung deiner Marke neben Begriffen wie deiner Leistung, deiner Branche und deiner Region stärkt die Assoziation, die das Modell später abruft. Deshalb zahlen Gastbeiträge, Podcast-Auftritte, Pressenennungen und Fachforen direkt auf dein GEO-Ranking ein, selbst wenn kein einziger Backlink dabei herausspringt. Entscheidend ist der Kontext der Brand Mention: „taismo“ neben „SEO und GEO“ nützt, eine Erwähnung ohne fachlichen Zusammenhang verpufft.

4. Strukturierte Daten und Entitäten

Schema.org-Markup (JSON-LD) macht aus einer Textseite eine Faktenbasis: Wer ist die Organisation, was bietet sie an, wer schreibt hier, wie hängen die Seiten zusammen. Retrieval-Systeme und die dahinterliegenden Suchindizes nutzen diese Struktur, um Entitäten sauber zuzuordnen. Eine Marke, die als klar definierte Entität mit Organisation, Personen, Leistungen und Bewertungen ausgezeichnet ist, lässt sich von einer KI deutlich sicherer zitieren als ein unstrukturierter Texthaufen. Verwechslungsgefahr ist hier der stille Feind: Existieren im Netz zwei ähnliche Firmennamen, entscheidet die Datenqualität, wem die KI welche Eigenschaften zuschreibt.

5. Konsistente Firmendaten (NAP)

NAP steht für Name, Address, Phone: die Stammdaten deines Unternehmens in Verzeichnissen, Portalen und Profilen. Weichen Schreibweise, Adresse oder Kategorie zwischen den Quellen ab, sieht ein KI-System widersprüchliche Fakten und im Zweifel zwei halbe Entitäten statt einer ganzen. Konsistenz über alle Plattformen hinweg ist deshalb die Basisarbeit des GEO-Rankings: unspektakulär, aber messbar wirksam, weil sie jede andere Quelle glaubwürdiger macht.

6. llms.txt: das Briefing für KI-Crawler

Die llms.txt ist ein 2024 von Jeremy Howard (Answer.AI) vorgeschlagener Standard: eine Markdown-Datei im Stammverzeichnis, die KI-Systemen die wichtigsten Seiten und Fakten einer Website kuratiert anbietet. Ehrlicherweise gilt: Kein großes KI-System hat bislang offiziell bestätigt, die Datei auszuwerten. Der Aufwand ist allerdings minimal, das Format zwingt zur Klärung der eigenen Kernaussagen, und einzelne Crawler rufen die Datei nachweislich bereits ab. Wir führen sie deshalb als sinnvolle Wette mit geringem Einsatz, nicht als Pflichtsignal.

GEO-Ranking vs. klassisches Google-Ranking

GEO ersetzt die Suchmaschinenoptimierung nicht, es erweitert sie. Warum wir GEO als Bestandteil moderner SEO betrachten, haben wir in GEO vs. SEO ausführlich begründet. Für das Tagesgeschäft sind vier Unterschiede entscheidend:

• Position vs. Erwähnung: Google sortiert Treffer, eine KI wählt aus. Es gibt kein „Platz 7″ in einer ChatGPT-Antwort; es gibt genannt oder nicht genannt.
• Linkgraph vs. Textkontext: Google gewichtet Verlinkungen stark. Sprachmodelle lernen zusätzlich aus reinen Erwähnungen und deren Umfeld, auch ohne Link.
• Eigene Seite vs. fremde Quellen: Beim Google-Ranking rankt deine Seite. Beim GEO-Ranking entscheiden oft fremde Seiten über dich: Listen, Portale, Presse. Ein großer Teil der Arbeit findet deshalb außerhalb der eigenen Website statt.
• Schneller Effekt vs. träges Wissen: Eine On-Page-Änderung kann bei Google in Tagen wirken. Das Trainingswissen eines Modells ändert sich erst mit dem nächsten Trainingslauf; nur der Retrieval-Weg reagiert schnell.

Wichtig für die Priorisierung: Die Retrieval-Systeme der KI-Suchen bedienen sich aus klassischen Suchindizes. Wer bei Google gut rankt, hat deshalb einen strukturellen Vorteil in AI Overviews, ChatGPT Search und Perplexity. Solide Suchmaschinenoptimierung bleibt das Fundament, auf dem jedes GEO-Ranking steht.

Was du konkret tun kannst: 7 Maßnahmen

Das Princeton-Paper zu GEO hat verschiedene Optimierungstaktiken experimentell verglichen. Das Ergebnis ist bemerkenswert konkret: Quellenangaben, Zitate von Experten und Statistiken steigerten die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent, während klassisches Keyword-Stuffing praktisch nichts brachte. Daraus und aus unserer Projektarbeit leiten sich sieben Maßnahmen ab, geordnet nach Aufwand:

1. Antworte im ersten Satz. Baue jede wichtige Seite so, dass die Kernfrage sofort und zitierfähig beantwortet wird: Definition zuerst, Begründung danach. Wie das konkret aussieht, zeigt unser Leitfaden zu zitierfähigem Content.
2. Belege deine Aussagen. Zahlen mit Quelle, benannte Studien, datierte Fakten. Genau die Elemente, die das GEO-Paper als wirksamste Taktik gemessen hat.
3. Pflege deine Stammdaten. Ein Durchgang durch alle Verzeichnisse und Profile: gleicher Name, gleiche Adresse, gleiche Kategorie, gleiche Kurzbeschreibung.
4. Baue strukturierte Daten aus. Organisation, Personen, Leistungen und FAQs als sauber verknüpfter JSON-LD-Graph, damit deine Entität eindeutig ist.
5. Sammle Bewertungen systematisch. Ein aktives Profil auf den für deine Branche relevanten Portalen, mit echten, aktuellen Stimmen.
6. Verdiene Brand Mentions. Gastbeiträge, Fachartikel, Podcasts, Branchenlisten: jede kontextstarke Erwähnung füttert das Trainingswissen künftiger Modelle. Prüfe außerdem, in welchen Bestenlisten deiner Kategorie du fehlst, und arbeite an der Aufnahme.
7. Öffne deine Website für KI-Crawler. Prüfe die robots.txt auf versehentliche Sperren von OAI-SearchBot und Co., halte Kerninhalte als crawlbares HTML bereit und ergänze eine llms.txt.

GEO-Ranking messen: So prüfst du deine KI-Sichtbarkeit

Ein GEO-Ranking lässt sich nicht in einer einzelnen Live-Abfrage ablesen: KI-Antworten variieren je nach Formulierung, Kontofenster und Tagesform des Modells. Belastbar wird die Messung erst durch Wiederholung mit fester Methodik. Drei Bausteine haben sich bewährt:

• Prompt-Set definieren: 10 bis 30 realistische Fragen deiner Zielgruppe (Empfehlungsfragen, Vergleichsfragen, Problemfragen), die du unverändert wiederverwendest.
• Regelmäßig und werkzeuggestützt messen: Spezialisierte Tools fragen die großen KI-Systeme in festen Intervallen ab und protokollieren, wer genannt und welche Quelle zitiert wird. So entsteht eine Zeitreihe statt einer Momentaufnahme.
• Quellen auswerten: Die zitierten Domains sind deine Ziel-Liste. Taucht ein Bewertungsportal oder eine Bestenliste wiederholt als Quelle auf, in der du fehlst, ist das die konkreteste GEO-Aufgabe, die es gibt.

Häufige Fragen zum GEO-Ranking

Was ist ein GEO-Ranking?

Ein GEO-Ranking beschreibt, wie häufig und wie prominent eine Marke in den Antworten generativer KI-Systeme wie ChatGPT, Gemini oder Perplexity erscheint. Anders als beim Google-Ranking gibt es keine Positionsliste, sondern die binäre Frage: Wird die Marke in der generierten Antwort genannt und zitiert oder nicht?

Kann man sich eine Empfehlung in KI-Antworten kaufen?

Nein, für die organischen Antworten der großen KI-Systeme gibt es aktuell keine buchbare Platzierung. Die Nennungen entstehen aus Trainingsdaten und live abgerufenen Quellen. Werbeformate rund um KI-Suchen entstehen zwar gerade, sie sind aber als Anzeigen gekennzeichnet und verändern nicht, wen das Modell inhaltlich empfiehlt.

Wie lange dauert es, bis GEO-Maßnahmen wirken?

Das hängt vom Weg ab. Maßnahmen für die Live-Suche (zitierfähige Inhalte, strukturierte Daten, Crawler-Zugang) können innerhalb von Wochen sichtbar werden, sobald die Seiten neu gecrawlt sind. Maßnahmen für das Trainingswissen (Brand Mentions, Listenplätze, Bewertungen) wirken über Monate, weil sie erst mit neuen Modellversionen und aktualisierten Indizes voll durchschlagen.

Braucht jede Website eine llms.txt?

Nötig ist sie nicht: Kein großes KI-System hat die Auswertung der llms.txt bislang offiziell bestätigt. Da der Aufwand gering ist und die Datei die eigenen Kernaussagen bündelt, spricht in der Praxis trotzdem wenig dagegen, sie anzulegen. Sie ersetzt aber keine der wirksamen Maßnahmen wie zitierfähigen Content, Bewertungen oder konsistente Firmendaten.

Ersetzt GEO die klassische Suchmaschinenoptimierung?

Nein. Die KI-Suchsysteme bedienen sich aus klassischen Suchindizes, gute Google-Rankings erhöhen also direkt die Chance, als Quelle zitiert zu werden. GEO erweitert die Suchmaschinenoptimierung um Signale wie Brand Mentions, Bewertungen und Entitäten-Pflege, ersetzt sie aber nicht.

Quellen

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A.: „GEO: Generative Engine Optimization„, arXiv (Preprint, publiziert bei KDD 2024), November 2023.
• Google Search Central: „AI features and your website„, developers.google.com, abgerufen im August 2026.
• OpenAI: „OpenAI crawlers (GPTBot, OAI-SearchBot, ChatGPT-User)„, developers.openai.com, abgerufen im August 2026.
• OpenAI Help Center: „ChatGPT search„, help.openai.com, abgerufen im August 2026.
• Howard, J. (Answer.AI): „The /llms.txt file„, llmstxt.org, September 2024.