GEO-Glossar & FAQ: Die wichtigsten Begriffe ausführlich erklärt

GEO-Glossar & FAQ: Begriffe nach Themen

Diese Übersicht wird laufend um neue Begriffe ergänzt, sobald sich die Praxis rund um Generative Engine Optimization weiterentwickelt. Statt einer reinen alphabetischen Liste sind die Begriffe hier nach Themenbereichen sortiert, damit Zusammenhänge leichter erkennbar werden.

GEO-Glossar & FAQ: Grundbegriffe

GEO (Generative Engine Optimization)

Die Optimierung von Inhalten und technischer Struktur, damit generative KI-Systeme sie verstehen, korrekt einordnen und als Quelle in ihren Antworten nennen. Anders als klassisches SEO zielt GEO nicht auf eine Position in einer Ergebnisliste, sondern auf die Nennung innerhalb einer bereits formulierten Antwort. Dabei spielen sowohl inhaltliche Faktoren wie Klarheit und Belegbarkeit als auch technische Voraussetzungen wie Crawlability eine Rolle. Da generative Suchmaschinen zunehmend einen wachsenden Teil der Informationssuche übernehmen, entscheidet GEO zunehmend mit darüber, ob ein Unternehmen im relevanten Moment überhaupt sichtbar ist.

SEO (Search Engine Optimization)

Klassische Suchmaschinenoptimierung mit dem Ziel, in Ergebnislisten von Google & Co. möglichst weit oben zu erscheinen. Viele technische SEO-Grundlagen – Ladezeit, saubere Struktur, Autorität – bleiben auch für GEO relevant, werden dort aber um KI-spezifische Kriterien ergänzt. Der zentrale Unterschied liegt im Ziel: SEO optimiert für einen Klick aus einer Liste, GEO optimiert dafür, direkt in einer generierten Antwort genannt zu werden. Unternehmen, die bereits eine solide SEO-Basis haben, profitieren davon auch bei GEO, müssen aber gezielt weitere Aspekte wie Zitierfähigkeit ergänzen.

AEO (Answer Engine Optimization)

Ein eng verwandtes Konzept zu GEO mit Fokus darauf, direkte Antworten auf konkrete Nutzerfragen zu liefern. In der Praxis werden AEO und GEO häufig synonym oder ergänzend verwendet, da beide auf präzise, extrahierbare Antworten abzielen. Der feine Unterschied liegt darin, dass AEO ursprünglich stärker auf klassische Antwortformate wie Featured Snippets oder Sprachassistenten wie Siri und Alexa ausgerichtet war, während GEO speziell auf generative, textgenerierende KI-Systeme fokussiert. In der praktischen Umsetzung überschneiden sich beide Disziplinen jedoch so stark, dass viele Maßnahmen – klare Frage-Antwort-Struktur, prägnante erste Sätze – für beide gleichermaßen wirken.

LLM (Large Language Model)

Ein großes Sprachmodell wie GPT, Gemini oder Claude, das auf Basis riesiger Textmengen trainiert wurde und natürliche Sprache versteht sowie generiert. LLMs bilden die technische Grundlage aller fünf in diesem Glossar relevanten KI-Systeme. Sie funktionieren, indem sie aus dem Trainingsmaterial statistische Muster in Sprache lernen und darauf basierend Wahrscheinlichkeiten für die Fortsetzung eines Textes berechnen. Für GEO ist relevant, dass unterschiedliche LLMs unterschiedliche Trainingsdaten, Trainingszeitpunkte und Zusatzfunktionen wie Websuche besitzen, was ihr jeweiliges Antwortverhalten und ihre Quellenauswahl beeinflusst.

Generative Suchmaschine

Ein Suchsystem, das Anfragen nicht mit einer Liste von Links, sondern mit einer selbst formulierten, zusammenfassenden Antwort beantwortet – etwa ChatGPT mit Websuche, Perplexity oder Google AI Overviews. Statt zehn blauen Links liefert eine generative Suchmaschine einen zusammenhängenden Text, der mehrere Quellen bündelt und einordnet. Für Nutzer bedeutet das oft einen schnelleren Weg zur Antwort, da der Rechercheschritt bereits vom System übernommen wird. Für Unternehmen bedeutet es, dass Sichtbarkeit nicht mehr über eine Rankingposition, sondern über die Aufnahme in diese generierte Antwort entschieden wird.

Prompt

Die Eingabe oder Frage, die ein Nutzer an ein KI-System richtet. Die genaue Formulierung eines Prompts kann beeinflussen, welche Quellen ein System für seine Antwort heranzieht. Ein sehr allgemein formulierter Prompt führt oft zu einer breiteren, weniger spezifischen Antwort mit mehr potenziellen Quellen, während ein sehr spezifischer Prompt die Auswahl auf wenige, thematisch exakt passende Inhalte eingrenzt. Für GEO-Monitoring ist die bewusste Auswahl realistischer Prompts entscheidend, da sie unmittelbar bestimmt, welche Fragen überhaupt getestet und ausgewertet werden.

Wie KI-Systeme Wissen beziehen

Trainingswissen

Das Wissen, das ein Sprachmodell während seines Trainings aus öffentlich verfügbaren Texten gelernt hat. Es bleibt bis zum nächsten Modell-Training statisch und aktualisiert sich nicht in Echtzeit. Trainingswissen entsteht dabei nicht als abgespeicherte Fakten-Datenbank, sondern als gelerntes Muster in den Modellgewichten, weshalb Details gelegentlich ungenau wiedergegeben werden können. Für Unternehmen bedeutet das: Wer heute umfangreich und konsistent im Web präsent ist, erhöht die Chance, im Trainingswissen künftiger Modellversionen korrekt verankert zu sein.

Training Cutoff

Der Zeitpunkt, bis zu dem Trainingsdaten für ein Modell berücksichtigt wurden. Ereignisse und Inhalte nach diesem Datum sind im reinen Trainingswissen nicht enthalten, können aber über Live-Retrieval trotzdem einfließen. Jedes Modell hat einen eigenen, oft nicht exakt öffentlich kommunizierten Cutoff, der sich mit jeder neuen Modellversion nach vorne verschiebt. Für neu gegründete Unternehmen oder kürzlich eingeführte Produkte bedeutet ein noch nicht erreichter Cutoff, dass sie im reinen Trainingswissen schlicht nicht vorkommen können, bis ein neueres Modell trainiert wird.

RAG (Retrieval-Augmented Generation)

Ein Verfahren, bei dem ein Sprachmodell zusätzlich zu seinem trainierten Wissen live Informationen aus dem Web abruft, um seine Antwort zu stützen und zu belegen. Perplexity und ChatGPT mit aktivierter Websuche nutzen RAG bei fast jeder Anfrage. Technisch läuft das in zwei Schritten ab: Zuerst identifiziert das System relevante Webseiten zur gestellten Frage, anschließend formuliert es daraus eine zusammenhängende Antwort und verweist auf die genutzten Quellen. Für GEO bedeutet RAG, dass technische Zugänglichkeit und Aktualität einer Website unmittelbar auf die Sichtbarkeit in solchen Antworten wirken, ganz unabhängig vom ursprünglichen Trainingswissen des Modells.

Live-Retrieval

Der Vorgang, bei dem ein KI-System zum Zeitpunkt einer Anfrage aktiv im Web nach passenden, aktuellen Inhalten sucht – vergleichbar mit einem klassischen Suchmaschinen-Crawler, nur eingebettet in den Antwortprozess selbst. Live-Retrieval ist die technische Grundlage von RAG und ermöglicht es Systemen, auch über Inhalte zu sprechen, die erst nach ihrem Training Cutoff veröffentlicht wurden. Die Geschwindigkeit, mit der neue oder geänderte Inhalte in solchen Antworten berücksichtigt werden, hängt stark davon ab, wie häufig und zuverlässig der jeweilige Bot eine Website erneut abruft. Für schnelllebige Themen ist Live-Retrieval deshalb oft der entscheidende Hebel für aktuelle Sichtbarkeit.

Context Window

Die maximale Menge an Text, die ein Sprachmodell bei einer einzelnen Anfrage gleichzeitig verarbeiten kann. Bei RAG bestimmt das Context Window mit, wie viele abgerufene Quellen ein Modell tatsächlich berücksichtigen kann. Ist das Context Window begrenzt, priorisiert das System typischerweise die Inhalte, die es als am relevantesten und vertrauenswürdigsten einstuft, und lässt andere Quellen unberücksichtigt. Klare, kompakte und auf den Punkt gebrachte Inhalte haben dadurch einen Vorteil gegenüber langatmigen Texten, die viel Raum im Context Window beanspruchen, ohne die eigentliche Kernaussage schnell zu liefern.

Halluzination

Eine von einem Sprachmodell erzeugte Aussage, die faktisch falsch ist, obwohl sie plausibel klingt. Klar belegte, konsistente Inhalte auf der eigenen Website reduzieren das Risiko, dass ein Modell falsche Informationen über eine Marke generiert. Halluzinationen entstehen unter anderem dann, wenn zu einem Thema widersprüchliche oder lückenhafte Informationen im Netz kursieren und das Modell die fehlenden Lücken plausibel, aber falsch auffüllt. Für Unternehmen ist es deshalb wichtig, zentrale Fakten wie Preise, Leistungen oder Kontaktdaten überall einheitlich und eindeutig zu kommunizieren, um Fehlinterpretationen durch KI-Systeme vorzubeugen.

Content & Zitierfähigkeit

Zitierfähigkeit

Die Eigenschaft eines Inhalts, von einem KI-System klar erkannt, korrekt eingeordnet und als Quelle in einer Antwort genannt zu werden. Sie entsteht durch eine Kombination aus klarer Struktur, belegten Fakten und technischer Zugänglichkeit. Ein zitierfähiger Absatz beantwortet eine konkrete Frage in sich abgeschlossen, sodass er auch losgelöst vom restlichen Seiteninhalt noch verständlich und korrekt bleibt. Inhalte, die stattdessen vage bleiben oder ihre Kernaussage über mehrere Absätze verteilen, werden von Sprachmodellen deutlich seltener als eigenständige Antwort verwendet.

E-E-A-T

Experience, Expertise, Authority, Trust – ein Bewertungskonzept für die Glaubwürdigkeit von Inhalten und Quellen, ursprünglich aus der klassischen Google-Suche stammend und für GEO mindestens ebenso relevant. Experience beschreibt echte praktische Erfahrung, Expertise fachliches Können, Authority die Anerkennung durch andere Quellen und Trust die grundsätzliche Vertrauenswürdigkeit einer Website. KI-Systeme nutzen implizite Signale wie Autorenangaben, Quellenverweise und konsistente Fakten, um diese vier Dimensionen einzuschätzen. Wer E-E-A-T aktiv stärkt, etwa durch benannte Autoren mit echtem Hintergrund oder nachvollziehbare Praxisbeispiele, erhöht damit auch die eigene GEO-Sichtbarkeit.

Linked Citation

Eine Nennung der Marke in einer KI-Antwort inklusive klickbarem Link zur Quelle. Perplexity setzt besonders häufig auf diese Zitationsform. Linked Citations sind vergleichsweise leicht messbar, da sie sich technisch wie klassische Backlinks erfassen und im Traffic nachverfolgen lassen. Für Unternehmen sind sie besonders wertvoll, weil sie sowohl direkten Traffic als auch sichtbares Vertrauen erzeugen – der Nutzer erkennt sofort, woher die genannte Information stammt.

Unlinked Citation

Eine Erwähnung der Marke im Fließtext einer KI-Antwort, ohne dass ein klickbarer Link gesetzt wird. Solche Nennungen sind für die Markenwahrnehmung ebenso relevant, aber technisch schwerer zu erfassen als verlinkte Zitate. Da kein Klick zur Website erfolgt, tauchen Unlinked Citations in klassischen Analytics-Tools nicht auf und lassen sich nur durch gezieltes Prompt-Testing überhaupt sichtbar machen. Gerade bei trainingsbasierten Systemen wie Claude, die seltener aktiv verlinken, macht diese Zitationsform oft den überwiegenden Teil der tatsächlichen Markenerwähnungen aus.

Entität

Ein eindeutig identifizierbares Objekt wie ein Unternehmen, eine Person oder ein Produkt, das ein KI-System als zusammenhängendes Konzept erkennt. Konsistente Angaben über mehrere Quellen hinweg stärken die Entität einer Marke. Je klarer ein System eine Entität von ähnlich klingenden Namen oder Wettbewerbern unterscheiden kann, desto zuverlässiger ordnet es Informationen korrekt zu. Strukturierte Daten wie Schema.org-Organization-Markup helfen dabei zusätzlich, eine Entität maschinenlesbar eindeutig zu definieren.

Chunking

Das Aufteilen eines längeren Textes in kleinere, in sich abgeschlossene Abschnitte durch ein KI-System zur Verarbeitung. Inhalte, die auch als einzelner Abschnitt verständlich bleiben, werden dadurch eher korrekt zitiert. Beim Chunking geht der Zusammenhang zum Rest des Textes teilweise verloren, weshalb ein Abschnitt, der auf vorherige Absätze verweist, ohne sie zu wiederholen, an Aussagekraft verliert. Eine Content-Struktur mit klaren, in sich geschlossenen Absätzen pro Kernaussage ist deshalb nicht nur für Menschen, sondern auch für die technische Verarbeitung durch KI-Systeme von Vorteil.

Technische Begriffe

llms.txt

Ein offener Standard: eine Textdatei im Root-Verzeichnis einer Website, die Sprachmodellen eine strukturierte Zusammenfassung des Angebots liefert – ergänzend zu robots.txt und sitemap.xml. Sie wird in Markdown verfasst und enthält typischerweise eine kurze Unternehmensbeschreibung, die wichtigsten Unterseiten und Kontaktmöglichkeiten. Da der Standard noch jung ist, unterstützen bislang nicht alle KI-Systeme llms.txt in gleichem Maße, dennoch gilt sie als zukunftsweisender Baustein für GEO. geoxpress.de nutzt selbst eine llms.txt und macht sie damit zu einem direkt einsehbaren Anwendungsbeispiel.

robots.txt

Eine Textdatei, über die Website-Betreiber steuern, welche Crawler – darunter auch KI-Bots wie GPTBot oder PerplexityBot – auf welche Bereiche der Website zugreifen dürfen. Die Datei liegt im Root-Verzeichnis und wird von seriösen Crawlern vor jedem Zugriff automatisch abgefragt und respektiert. Eine zu restriktive oder veraltete robots.txt gehört zu den häufigsten Ursachen dafür, dass Unternehmen in KI-Antworten unsichtbar bleiben, obwohl ihre Inhalte inhaltlich stark wären. Eine regelmäßige Überprüfung gegen die aktuelle Liste relevanter KI-Crawler ist deshalb ein einfacher, aber wirkungsvoller GEO-Schritt.

Schema.org / JSON-LD

Ein gemeinsames Vokabular für strukturierte Daten, mit dem Inhalte wie Artikel, FAQs oder Organisationen maschinenlesbar ausgezeichnet werden. JSON-LD ist das gängigste Format zur technischen Umsetzung. Es wird als eigenständiger Codeblock im Kopfbereich einer Seite eingebunden, ohne den sichtbaren HTML-Inhalt zu verändern, was die Wartung deutlich vereinfacht. Für GEO besonders relevant sind die Schema-Typen Organization, Article, FAQPage und BreadcrumbList, da sie zentrale Entitäten und Inhalte für Sprachmodelle eindeutig einordenbar machen.

GPTBot, ClaudeBot & Co.

Die spezifischen Crawler-Bezeichnungen, mit denen OpenAI (GPTBot), Anthropic (ClaudeBot, anthropic-ai), Perplexity (PerplexityBot) und Google (Google-Extended) Webinhalte für Training und Live-Suche erfassen. Jeder lässt sich einzeln in der robots.txt steuern. Da jedes Unternehmen eigene Crawler mit eigenen Namen betreibt, reicht eine allgemeine Freigabe für 'alle Bots' nicht immer aus, wenn spezifische Sicherheitssysteme einzelne User-Agents dennoch blockieren. Eine bewusste, dokumentierte Freigabe aller relevanten KI-Crawler ist deshalb ein zentraler erster Schritt jeder technischen GEO-Umsetzung.

Strukturierte Daten

Maschinenlesbare Zusatzinformationen zu einer Webseite, die über Schema.org-Vokabular in den HTML-Code eingebettet werden und KI-Systemen helfen, Inhalte korrekt einzuordnen. Sie ergänzen den für Menschen sichtbaren Text um eine explizite, standardisierte Beschreibung von Entitäten, Beziehungen und Eigenschaften. Fehlerhafte oder veraltete strukturierte Daten können mehr schaden als gar keine, da sie ein System aktiv in die Irre führen können. Eine regelmäßige Validierung mit entsprechenden Testtools gehört deshalb zu jeder sauberen technischen Umsetzung dazu.

Messung & KPIs

Share of Voice (KI)

Der Anteil der eigenen Markennennungen im Verhältnis zu allen Nennungen relevanter Wettbewerber bei denselben KI-Anfragen – eine der zentralen Kennzahlen für GEO-Monitoring. Sie wird ermittelt, indem ein festes Set an Prompts wiederholt über mehrere KI-Systeme hinweg getestet und ausgewertet wird, wie oft die eigene Marke im Vergleich zur Konkurrenz erscheint. Ein niedriger Share of Voice trotz guter inhaltlicher Qualität deutet häufig auf technische Zugänglichkeitsprobleme oder fehlende externe Präsenz hin. Da sich Modellantworten mit jedem Update leicht verschieben können, ist der Wert vor allem im zeitlichen Verlauf aussagekräftig, nicht als einzelne Momentaufnahme.

Zero-Click Search

Eine Suchanfrage, bei der die Antwort bereits vollständig in der KI-Antwort oder Übersicht enthalten ist, sodass kein Klick zur Ursprungsquelle mehr nötig ist. Zero-Click-Antworten machen Zitationshäufigkeit oft aussagekräftiger als reiner Website-Traffic. Für Unternehmen bedeutet das einen grundlegenden Wandel in der Erfolgsmessung: Sichtbarkeit und Markenwahrnehmung entstehen zunehmend, ohne dass ein Nutzer die eigene Website überhaupt besucht. Wer Erfolg nur an Klicks misst, unterschätzt deshalb häufig den tatsächlichen Wert seiner GEO-Sichtbarkeit erheblich.

Sentiment (KI-Nennung)

Die Einordnung, ob eine Markennennung in einer KI-Antwort neutral, positiv oder im Vergleich kritisch dargestellt wird – eine wichtige Zusatzdimension neben der reinen Nennungshäufigkeit. Eine hohe Zitationshäufigkeit allein sagt noch nichts darüber aus, ob die Darstellung tatsächlich vorteilhaft ist, etwa wenn eine Marke primär als preislich teurere Alternative erwähnt wird. Die Sentiment-Analyse erfordert deshalb eine inhaltliche Auswertung der jeweiligen Antworttexte, nicht nur ein reines Zählen von Nennungen. Systematisch negatives oder abwertendes Sentiment kann zudem ein Hinweis darauf sein, dass im Web kursierende Informationen korrigiert oder ergänzt werden sollten.

KI-Systeme & Plattformen

Google AI Overviews

KI-generierte Zusammenfassungen, die Google direkt oberhalb der klassischen Suchergebnisse anzeigt und die auf mehreren Top-Ergebnissen der organischen Suche basieren. Sie kombinieren Inhalte aus verschiedenen gut rankenden Seiten zu einer zusammenhängenden Antwort mit Quellenverweisen. Da AI Overviews eng mit dem klassischen Google-Ranking verzahnt sind, profitieren vor allem Seiten, die bereits organisch gut sichtbar sind und gleichzeitig starke E-E-A-T-Signale zeigen. Für Nutzer verkürzt sich dadurch häufig der Weg zur Antwort, für Website-Betreiber steigt gleichzeitig die Bedeutung, in der zusammengefassten Antwort selbst genannt zu werden, statt nur auf eine Ranking-Position zu schauen.

Google-Extended

Ein spezieller User-Agent-Bezeichner in der robots.txt, über den Website-Betreiber getrennt von der klassischen Google-Suche steuern können, ob Inhalte für Googles KI-Funktionen genutzt werden dürfen. Das ermöglicht es, weiterhin klassisch bei Google zu ranken, gleichzeitig aber die Nutzung für KI-Trainings- oder KI-Antwortzwecke separat zu erlauben oder zu untersagen. Wird Google-Extended blockiert, kann das die eigene Sichtbarkeit in Google AI Overviews und Gemini spürbar einschränken, auch wenn das klassische Ranking unverändert bleibt. Für Unternehmen, die auf GEO setzen, ist eine bewusste Freigabe von Google-Extended deshalb in der Regel empfehlenswert.

Wie die Begriffe zusammenhängen

Die einzelnen Begriffe stehen nicht isoliert nebeneinander, sondern bilden gemeinsam einen Ablauf: Ein Sprachmodell (LLM) verfügt über Trainingswissen bis zu seinem Training Cutoff. Bei einer Anfrage kann es zusätzlich per RAG live im Web recherchieren – dafür muss die eigene Website über robots.txt für die jeweiligen Bots (GPTBot, ClaudeBot, PerplexityBot, Google-Extended) zugänglich sein. Gefundene Inhalte werden in Chunks verarbeitet und mit strukturierten Daten (Schema.org) leichter korrekt eingeordnet. Ist ein Inhalt klar, belegt und einer Entität eindeutig zuordenbar, entsteht Zitierfähigkeit – die Marke wird als Linked oder Unlinked Citation genannt. Über Share of Voice und Sentiment lässt sich diese Sichtbarkeit anschließend im GEO-Monitoring messen.

GEO-Glossar & FAQ: Warum diese Seite selbst ein GEO-Beispiel ist

Diese Glossar-Seite ist bewusst als klare Frage-Antwort- und Begriff-Definition-Struktur mit FAQPage- und DefinedTerm-Schema.org-Markup aufgebaut – also genau nach den Prinzipien, die auf dieser Seite erklärt werden. Ein praktisches Beispiel dafür, wie sich GEO-Grundsätze direkt umsetzen lassen, statt sie nur theoretisch zu beschreiben.

Häufige Fragen