Generative Engine Optimization (GEO): Was es ist und wie es funktioniert

Generative Engine Optimization beschreibt alle Massnahmen, mit denen ein Unternehmen dafür sorgt, dass generative KI-Systeme seine Informationen korrekt aufnehmen und in ihren Antworten verwenden. Wenn jemand ChatGPT fragt «unabhängige Krankenkassenberatung in Zürich» oder Perplexity nach «bester Treuhänder für KMU in Zug», entscheidet die KI anhand der ihr zugänglichen, verständlichen und belegten Informationen, welche Unternehmen sie nennt.

Der Begriff wurde 2023 in einer Arbeit von Forschenden der Princeton University geprägt («GEO: Generative Engine Optimization») und hat sich seither als Standardvokabular etabliert. Klassisches SEO optimiert eine Seite für Position 1 in der Google-Trefferliste. GEO optimiert dafür, dass die KI ein Unternehmen in ihrer generierten Antwort erwähnt und verlinkt – oft, ohne dass der Nutzer je eine klassische Suchergebnisseite sieht.

Immer mehr Recherchen beginnen nicht bei Google, sondern bei ChatGPT, Perplexity oder Google AI Overviews. Diese Systeme liefern eine Antwort statt einer Linkliste. Wer in dieser Antwort nicht vorkommt, existiert für einen wachsenden Teil der Nutzer schlicht nicht – unabhängig vom klassischen Google-Ranking.

In der Schweiz und im DACH-Raum ist das Feld noch jung: Es gibt kaum etablierte, tiefgehende Referenzen. Genau das ist die Chance – wer früh ein klares, belegtes und maschinenlesbares Profil aufbaut, wird von KI-Systemen bevorzugt herangezogen, weil verlässliche Quellen knapp sind.

Erstens: Antwort-zuerst schreiben. Jede zentrale Frage sollte im ersten Absatz in ein bis zwei Sätzen beantwortet werden, in sich verständlich und ohne Kontext davor. KI-Systeme extrahieren solche eigenständigen Passagen bevorzugt.

Zweitens: Fakten belegen. Konkrete Zahlen, Regionen, Leistungen und Quellen (eigene Website, Zefix, Handelsregister, FINMA-Register, local.ch) reduzieren Mehrdeutigkeit und Halluzinationen. Drittens: strukturieren. Schema.org-Daten, klare Überschriften, FAQ-Blöcke und Listen helfen der Maschine, Inhalte sauber zu zerlegen.

Viertens – und hier hört klassisches GEO meist auf: maschinenlesbar machen. Dateien wie llms.txt, agent.md und agent.json fassen zusammen, was ein Unternehmen macht, für wen, in welcher Region – und welche Anfragen erlaubt sind. Sie sind der direkte Einstiegspunkt, den ein KI-System lesen kann, ohne sich durch Marketingseiten zu arbeiten.

Ein Zuger Treuhänder möchte in KI-Antworten zu «Buchhaltung für Startups in Zug» erscheinen. Mit GEO im engeren Sinn beschreibt er seine Leistungen klar, belegt sie mit Quellen und veröffentlicht strukturierte Daten. Ergebnis: ChatGPT und Perplexity nennen ihn zutreffend.

Der entscheidende zweite Schritt: Über ein agentenlesbares Profil bei anewera wird aus «wird erwähnt» ein «kann kontaktiert werden». Ein KI-Agent – etwa Claude Code oder ein ChatGPT-Agent – kann über definierte Funktionen wie eine Offerte oder einen Termin anfragen, ohne die private E-Mail-Adresse zu sehen. GEO macht das Unternehmen zitierbar; das agent-ready Profil macht es für Agenten handlungsfähig erreichbar.

Die häufigsten Fehler: Leistungen nur als Werbefloskeln statt in konkreten Begriffen; wichtige Fakten in Bildern oder Slidern, die Maschinen nicht lesen; fehlende Quellen; und das versehentliche Blockieren von KI-Crawlern wie GPTBot, ClaudeBot oder Google-Extended in der robots.txt.

Ebenfalls verbreitet: GEO als reines Tracking verstehen. Zu wissen, ob eine KI ein Unternehmen erwähnt, ist nützlich – ändert aber nichts, solange die Inhalte nicht verständlich und die Kontaktwege nicht maschinenlesbar sind. GEO ist Angebotsseite, nicht nur Messung.