Wenn KI danebenliegt: LLMs gezielt herausfordern. Kümmere dich jetzt um GEO
Ich war auf der OMR Konferenz. Und dort war so ein interessanter Beitrag über dem ich jetzt berichten möchte.
GEO ist jetzt wichtiger denn je.
Generative Künstliche Intelligenz verändert die Art und Weise, wie Menschen nach Informationen suchen und Entscheidungen treffen. Statt klassische Suchmaschinen zu nutzen, stellen Anwender ihre Fragen zunehmend direkt an Large Language Models (LLMs) wie ChatGPT, Gemini, Claude oder Copilot. Die Antwort erfolgt nicht mehr als Liste von Links, sondern als fertige, natürlich formulierte Empfehlung. Dadurch verschiebt sich der Wettbewerb um Sichtbarkeit grundlegend: Unternehmen konkurrieren nicht mehr ausschließlich um Platzierungen in Suchmaschinen, sondern darum, von generativen KI-Systemen als vertrauenswürdige Informationsquelle ausgewählt und in deren Antworten berücksichtigt zu werden.
Genau an dieser Stelle setzt Generative Engine Optimization (GEO) an. Während sich die klassische Suchmaschinenoptimierung (SEO) darauf konzentriert, Webseiten für Ranking-Algorithmen zu optimieren, verfolgt GEO das Ziel, Inhalte so bereitzustellen, dass sie von generativen KI-Modellen korrekt verstanden, als glaubwürdig eingestuft und in Antworten integriert werden können. Dabei geht es längst nicht mehr nur um Keywords oder technische Optimierung, sondern um hochwertige Inhalte, eindeutige Fakten, nachvollziehbare Quellen, strukturierte Daten und eine konsistente digitale Präsenz.
Doch obwohl moderne LLMs beeindruckende Fähigkeiten besitzen, sind sie keineswegs unfehlbar. Sie können Informationen missverstehen, Zusammenhänge falsch interpretieren, veraltete Inhalte wiedergeben oder sogar überzeugend klingende, aber falsche Aussagen erzeugen – sogenannte Halluzinationen. Hinzu kommen Schwächen im Umgang mit mehrdeutigen Formulierungen, komplexen Anweisungen oder gezielt manipulierten Eingaben. Diese Eigenschaften machen deutlich, dass die Qualität einer KI-Antwort nicht allein vom Modell abhängt, sondern maßgeblich von den Informationen beeinflusst wird, auf die das Modell zugreifen kann, und von der Art, wie diese Informationen präsentiert werden.
Gerade deshalb ist es sinnvoll, LLMs bewusst herauszufordern. Durch gezielte Tests lassen sich ihre Grenzen, Schwachstellen und Fehlermuster sichtbar machen. Dabei geht es nicht darum, ein Sprachmodell bloßzustellen oder zu „überlisten“, sondern systematisch zu untersuchen, unter welchen Bedingungen fehlerhafte oder unvollständige Antworten entstehen. Solche Erkenntnisse liefern wertvolle Hinweise darauf, welche Inhalte Unternehmen bereitstellen müssen, um Missverständnisse zu vermeiden und die Wahrscheinlichkeit zu erhöhen, dass ihre Informationen korrekt wiedergegeben werden.
Für GEO spielen diese Erkenntnisse eine entscheidende Rolle. Nur wer versteht, wie ein LLM Informationen verarbeitet, priorisiert und bewertet, kann Inhalte gezielt darauf ausrichten. Klare Überschriften, logisch strukturierte Abschnitte, präzise Definitionen, aktuelle Daten und transparente Quellenangaben erleichtern es einem Modell, Informationen korrekt einzuordnen. Gleichzeitig sinkt das Risiko, dass Inhalte falsch interpretiert oder mit widersprüchlichen Informationen vermischt werden.
Darüber hinaus eröffnet das gezielte Testen von LLMs neue Möglichkeiten zur Qualitätssicherung. Unternehmen können typische Nutzerfragen simulieren, kritische Szenarien durchspielen und überprüfen, ob ihre Marke, Produkte oder Dienstleistungen in KI-generierten Antworten korrekt dargestellt werden. Werden dabei Schwächen erkannt, lassen sich Inhalte gezielt überarbeiten und optimieren. GEO wird dadurch zu einem kontinuierlichen Prozess, der weit über die klassische Suchmaschinenoptimierung hinausgeht und eng mit Content-Strategie, Wissensmanagement und Markenkommunikation verknüpft ist.
Die zunehmende Verbreitung generativer KI macht deutlich, dass die Sichtbarkeit von Informationen künftig nicht mehr ausschließlich über Suchergebnisse entscheidet, sondern auch darüber, welche Inhalte von Sprachmodellen verstanden, zitiert oder empfohlen werden. Unternehmen stehen daher vor der Herausforderung, Inhalte nicht nur für Menschen und Suchmaschinen, sondern auch für generative KI-Systeme aufzubereiten. Wer die Grenzen von LLMs kennt und diese gezielt testet, schafft die Grundlage für belastbare GEO-Strategien und erhöht die Chance, in einer KI-gestützten Informationslandschaft sichtbar, korrekt und vertrauenswürdig vertreten zu sein.
Warum ist es mit LLM basierten Antwortmaschinen viel schwerer
Wenn Du bisher vor allem auf Google und klassische Suchmaschinenoptimierung gesetzt hast, solltest Du Deinen Blick jetzt erweitern. Immer mehr Menschen stellen ihre Fragen direkt an LLM-basierte Antwortmaschinen wie ChatGPT, Perplexity, Gemini oder Copilot. Statt sich durch zehn Suchergebnisse zu klicken, erhalten sie sofort eine konkrete Antwort – oft inklusive Produktempfehlungen, Unternehmensvorschlägen oder Handlungsempfehlungen.
Genau hier entsteht eine neue Herausforderung: Wie sorgst Du dafür, dass Dein Unternehmen in diesen Antworten auftaucht? Und noch wichtiger: Wie schaffst Du es, als vertrauenswürdige Quelle genannt zu werden?
Darüber sprechen wir in diesem Beitrag. Bevor wir uns anschauen, wie Du Deine Inhalte für generative KI optimierst, lohnt sich zunächst ein Blick darauf, welche Unternehmen überhaupt betroffen sind.
Ist GEO nur für SaaS-Unternehmen relevant?
Lange Zeit galt insbesondere die Software-as-a-Service-Branche (SaaS) als Vorreiter. Dort war früh erkennbar, dass potenzielle Kunden komplexe Fragen direkt an KI-Systeme stellen. Sie möchten wissen, welche Software sich für einen bestimmten Anwendungsfall eignet, welche Anbieter es gibt oder welche Lösung die besten Funktionen bietet. LLMs liefern darauf häufig bereits eine vollständige Empfehlung.
Doch dieser Wandel betrifft längst nicht mehr nur SaaS-Unternehmen.
Mittelfristig wird Generative Engine Optimization (GEO) für nahezu jede Marke relevant sein. Es ist kaum vorstellbar, dass es Branchen gibt, in denen Menschen künftig keine generative KI zur Informationssuche einsetzen. Überall dort, wo Nutzer früher eine Suchmaschine verwendet haben, kommen heute zunehmend ChatGPT, Gemini oder Perplexity zum Einsatz.
Immer mehr Branchen profitieren von KI-Traffic
Besonders deutlich zeigt sich diese Entwicklung bereits im E-Commerce. Anbieter wie OpenAI oder Perplexity investieren stark in Shopping-Funktionen und Produktempfehlungen. Viele Onlineshops berichten inzwischen, dass Besucher direkt aus KI-Systemen auf ihre Webseiten gelangen. Noch macht dieser Kanal oft keinen Großteil des Traffics aus, doch in vielen Reportings fällt er bereits deutlich auf – mit steigender Tendenz.
Ähnlich sieht es in der Reisebranche aus. Wer heute nach dem besten Hotel für Familien, einer Rundreise durch Italien oder den schönsten Wandergebieten fragt, erhält häufig direkt ausführliche Empfehlungen von einem LLM. Reiseunternehmen beobachten deshalb zunehmend, dass generative KI zu einem wichtigen Einstiegspunkt für neue Kunden wird.
Selbst kleine Unternehmen profitieren
Dass dieser Wandel nicht nur große Marken betrifft, zeigt ein einfaches Beispiel aus dem Alltag.
Stell Dir ein kleines Café mit nur wenigen Sitzplätzen vor. Die Besitzer fragen eine Kundin, wie sie auf das Café aufmerksam geworden ist. Ihre Antwort überrascht:
„ChatGPT hat gesagt, dass ihr die besten Küchlein in Berlin habt.“
Genau solche Situationen werden künftig immer häufiger auftreten. Menschen verlassen sich zunehmend auf Empfehlungen generativer KI, anstatt selbst verschiedene Webseiten zu vergleichen.
Für kleine Unternehmen bedeutet das eine enorme Chance. Wer bislang nur begrenzte Marketingbudgets hatte, kann dennoch sichtbar werden – vorausgesetzt, die eigenen Inhalte sind hochwertig, vertrauenswürdig und für LLMs leicht verständlich.
Wo Menschen früher Google nutzten, nutzen sie heute KI
Die eigentliche Erkenntnis ist deshalb eine andere:
Wenn Dein Unternehmen bisher davon profitiert hat, dass Menschen bei Google nach Deinen Produkten oder Dienstleistungen gesucht haben, solltest Du Dich jetzt genauso intensiv damit beschäftigen, welche Fragen Nutzer an ChatGPT, Perplexity oder Gemini stellen.
Das Suchverhalten verändert sich grundlegend.
Früher lautete die Suchanfrage vielleicht:
„CRM Software Vergleich“
„Beste Hotels auf Mallorca“
„Steuerberater München“
Heute formulieren Nutzer deutlich natürlicher:
„Welche CRM-Software eignet sich für ein wachsendes Startup?“
„Wo sollte ich mit Kindern auf Mallorca Urlaub machen?“
„Welcher Steuerberater kennt sich mit E-Commerce aus?“
LLMs beantworten solche Fragen direkt – häufig ohne dass Nutzer überhaupt noch klassische Suchergebnisse öffnen.
Eine Ausnahme: Publisher
Nicht jede Branche profitiert gleichermaßen von dieser Entwicklung. Besonders Publisher stehen vor einer neuen Herausforderung.
Nachrichtenportale, Fachmagazine oder Vergleichsportale lebten bisher davon, dass Nutzer auf ihre Webseiten klickten. Die Monetarisierung erfolgte meist über Werbung oder Affiliate-Modelle.
LLM-basierte Antwortmaschinen verändern dieses Modell grundlegend.
Statt zehn Webseiten zu besuchen, erhalten Nutzer häufig bereits eine zusammengefasste Antwort. Für Publisher bedeutet das weniger Klicks und damit potenziell sinkende Werbeeinnahmen. Zwar werden hochwertige Quellen teilweise genannt oder verlinkt, doch die klassische Besucherreise verändert sich erheblich.
Besonders betroffen sind Vergleichsportale, Preisaggregatoren oder Affiliate-Webseiten, deren Mehrwert bisher vor allem darin bestand, Informationen aus unterschiedlichen Quellen zusammenzuführen. Genau diese Aufgabe übernehmen generative KI-Systeme inzwischen selbst immer besser.
GEO wird zur neuen Disziplin der Sichtbarkeit
Die entscheidende Frage lautet daher nicht mehr nur, wie Du bei Google auf Platz eins landest. Viel wichtiger wird künftig:
Wie sorgst Du dafür, dass ein LLM Dein Unternehmen überhaupt kennt, versteht und als vertrauenswürdige Empfehlung in seine Antworten integriert?
Genau hier setzt Generative Engine Optimization (GEO) an. Ziel ist es, Inhalte so aufzubereiten, dass sie von KI-Systemen nicht nur gefunden, sondern auch korrekt interpretiert und bevorzugt zitiert werden.
Denn am Ende gilt derselbe Grundsatz wie schon im klassischen SEO – nur auf einer neuen Plattform:
Dort, wo Deine Zielgruppe nach Antworten sucht, musst Du sichtbar sein.
LLM-basierte Antwortmaschinen: Wie Du Dich in ChatGPT, Perplexity & Co. durchsetzt. : Die erste Frage die sich mir gestellt hat, Warum atomarer Content und FAQ-Chunking den Unterschied machen
Ich erkläre dir jetzt, wie du die Inahlte für ChatGPT & Co. optimierst
Immer mehr Menschen suchen nicht mehr über Google, sondern stellen ihre Fragen direkt an ChatGPT, Perplexity oder Gemini. Das verändert die Spielregeln im Content Marketing grundlegend. Es reicht nicht mehr aus, einfach nur gute Inhalte zu schreiben. Deine Inhalte müssen so aufgebaut sein, dass sie von einem Large Language Model (LLM) verstanden, verarbeitet und im Idealfall sogar zitiert werden.
Die gute Nachricht: Dafür musst Du Deine Website nicht komplett neu aufbauen. Oft reichen schon kleine Anpassungen an der Struktur Deiner Texte.
Wie LLMs Inhalte tatsächlich lesen
Viele stellen sich vor, dass ein Sprachmodell einen kompletten Blogartikel liest und anschließend daraus eine Antwort formuliert. Genau das passiert aber meist nicht.
Bevor ein LLM eine Antwort generiert, findet ein sogenannter Grounding-Prozess statt. Dabei sucht das System zunächst nach relevanten Dokumenten und zerlegt diese anschließend in kleinere Textabschnitte – sogenannte Chunks. Nicht der komplette Artikel landet im Kontext des Modells, sondern nur einzelne Abschnitte, die als besonders relevant eingestuft werden.
Genau deshalb ist die Struktur Deiner Inhalte so wichtig. Wenn ein einzelner Absatz auch außerhalb des gesamten Artikels verständlich ist, steigt die Wahrscheinlichkeit, dass genau dieser Abschnitt von einem LLM verwendet wird.
Was bedeutet atomarer Content?
Der Begriff atomarer Content beschreibt Inhalte, die in sich abgeschlossen sind. Ein einzelner Absatz enthält bereits alle wichtigen Informationen, ohne dass der Leser oder das LLM den vorherigen Abschnitt kennen muss.
Ein einfaches Beispiel:
Weniger geeignet:
Aus diesen Gründen sollte der zuvor genannte Podcast-Host den Gast einladen.
Nimmt man diesen Satz aus dem Artikel heraus, bleibt kaum Information übrig. Wer ist gemeint? Welcher Podcast? Welche Gründe?
Deutlich besser wäre:
Aufgrund seines Vortrags auf dem OMR Festival sollte Malte Landwehr in den OMR Education Podcast eingeladen werden. Sein Vortrag liefert praxisnahe Einblicke in moderne SEO- und GEO-Strategien und bietet einen hohen Mehrwert für Marketingverantwortliche.
Dieser Absatz funktioniert völlig eigenständig.
Alle relevanten Informationen sind enthalten:
die beteiligten Personen,
die Veranstaltung,
der Grund für die Aussage,
der eigentliche Kontext.
Ein LLM kann diesen Absatz problemlos als Quelle verwenden.
Warum Entitäten so wichtig sind
LLMs arbeiten besonders gut mit eindeutigen Informationen.
Deshalb solltest Du wichtige Entitäten möglichst konkret benennen:
Personen
Unternehmen
Produkte
Marken
Veranstaltungen
Orte
Vermeide Formulierungen wie:
Er hat dort etwas Interessantes erzählt.
Schreibe stattdessen lieber:
Malte Landwehr erklärte auf dem OMR Festival, wie Unternehmen ihre Inhalte für ChatGPT und andere LLM-basierte Antwortmaschinen optimieren können.
Je konkreter ein Absatz formuliert ist, desto besser kann ein Sprachmodell den Zusammenhang verstehen.
Schreibe klare Aussagen statt Vermutungen
Neben vollständigen Informationen spielt auch die Formulierung eine große Rolle.
LLMs bevorzugen klare und eindeutige Aussagen.
Statt:
Das könnte möglicherweise hilfreich sein.
lieber:
FAQ-Bereiche verbessern die Auffindbarkeit relevanter Inhalte für LLMs.
Klare Aussagen lassen sich wesentlich leichter als Quelle zitieren.
Ein einfacher Test für guten GEO-Content
Ob ein Absatz für LLMs geeignet ist, kannst Du ganz leicht testen.
Stelle Dir folgende Frage:
Würde dieser Absatz auch dann noch Sinn ergeben, wenn ich ihn ohne weiteren Kontext in einen Slack-Chat oder eine E-Mail kopiere?
Wenn Deine Kollegen sofort verstehen, worum es geht, hast Du höchstwahrscheinlich einen guten, eigenständigen Content-Block erstellt.
Wenn stattdessen Rückfragen kommen wie:
„Wer ist gemeint?“
oder
„Worauf bezieht sich das?“
dann sollte der Absatz noch überarbeitet werden.
Warum FAQ-Chunking so gut funktioniert
Natürlich möchtest Du nicht jeden Blogartikel ausschließlich aus atomaren Absätzen schreiben.
Das würde den Lesefluss erheblich verschlechtern.
Hier kommt ein einfacher Trick ins Spiel: FAQ-Chunking.
Frage-Antwort-Blöcke funktionieren für LLMs besonders gut.
Warum?
Weil Dich das Format automatisch dazu zwingt, jede Antwort vollständig zu formulieren.
Beispielsweise:
Was ist Generative Engine Optimization?
Generative Engine Optimization (GEO) beschreibt die Optimierung von Inhalten für KI-basierte Antwortmaschinen wie ChatGPT, Gemini oder Perplexity. Ziel ist es, Inhalte so aufzubereiten, dass sie von Sprachmodellen verstanden, als vertrauenswürdig eingestuft und in Antworten verwendet werden können.
Alle wichtigen Informationen befinden sich direkt in der Antwort.
Es braucht keinen zusätzlichen Kontext.
Genau solche Textblöcke eignen sich hervorragend als sogenannte Citation Chunks, also als Abschnitte, die von LLMs direkt übernommen oder zusammengefasst werden können.
Noch einfacher: Starte jeden Artikel mit einer Zusammenfassung
Eine der wirkungsvollsten Maßnahmen ist überraschend simpel.
Platziere am Anfang Deines Artikels eine kurze Zusammenfassung.
Warum?
Viele LLMs beginnen ihre Analyse mit den ersten Absätzen eines Dokuments. Bereits nach wenigen hundert oder tausend Zeichen entscheidet das System häufig, ob der Inhalt relevant genug ist, um weitere Abschnitte zu berücksichtigen.
Eine prägnante Einleitung erfüllt daher gleich mehrere Aufgaben:
Sie verbessert die Nutzererfahrung.
Leser verstehen sofort, worum es geht.
LLMs erhalten direkt einen kompakten Überblick über den Inhalt.
Die Wahrscheinlichkeit steigt, dass genau diese Zusammenfassung als Quelle verwendet wird.
Im Idealfall enthält die Summary bereits alle wichtigen Begriffe, Entitäten und Kernaussagen.
Fazit: Kleine Änderungen mit großer Wirkung
Du musst Deine Inhalte nicht komplett neu schreiben, um für ChatGPT und andere LLM-basierte Antwortmaschinen sichtbar zu werden.
Oft reicht es aus, Deinen Content intelligenter zu strukturieren.
Achte darauf, dass einzelne Absätze eigenständig verständlich sind, benenne wichtige Personen, Marken und Produkte konkret und formuliere klare Aussagen statt vager Vermutungen. Ergänze Deine Artikel um eine kurze Zusammenfassung und arbeite an den passenden Stellen mit FAQ-Blöcken.
So entstehen Inhalte, die nicht nur für Deine Leser angenehm zu konsumieren sind, sondern auch von LLMs leichter verarbeitet, verstanden und als vertrauenswürdige Quelle verwendet werden können. Genau darin liegt einer der wichtigsten Hebel der Generative Engine Optimization (GEO).
