# GEO-Optimierung für B2B-Unternehmen: Wie Mittelständler in KI-Antworten genannt und zitiert werden

> Generative Engine Optimization (GEO) ist die Arbeit daran, dass KI-Systeme wie ChatGPT, Gemini, Perplexity und die Google KI-Übersicht ein Unternehmen nennen und seine Inhalte als Quelle zitieren. GEO ersetzt SEO nicht, es setzt darauf auf: Ohne Ranking kein Grounding, ohne Grounding keine KI-Sichtbarkeit. Diese Seite erklärt für B2B-Unternehmen, wie eine KI-Antwort entsteht, welche Maßnahmen nachweislich wirken, was nicht wirkt und wie sich Erfolg messen lässt — belegt mit unserer Studie zu 449 mittelständischen Unternehmen.

Quelle: https://www.codaai.ai/wissen/geo-optimierung/
Veroeffentlicht: 2026-09-18
Aktualisiert: 2026-09-18
Zitieren mit Quellenangabe und Link auf die Quelle erlaubt.

---

## Das Wichtigste in Kürze

- GEO-Optimierung macht Inhalte für KI-Antworten zitierfähig. Sie baut auf SEO auf: Eine Seite muss für die Frage und ihre Teilfragen ranken, bevor ein KI-System sie überhaupt als Quelle prüft.
- Im B2B-Mittelstand ist die Lücke groß: In 55 % von 3.592 Einkäuferfragen fiel der Firmenname nicht, und 35 % der Unternehmen mit über 100 Top-10-Rankings bei Google waren in ChatGPT komplett unsichtbar (CodaAI-Studie, 449 Unternehmen).
- KI-Systeme zitieren Passagen, nicht Seiten. Google gibt je Anfrage rund 2.000 Wörter Grounding-Budget frei, und die erstplatzierte Quelle bekommt davon 28 %, die fünfte 13 % (dejan.ai, 7.060 Anfragen).
- Nachweislich wirken Zitate, Statistiken und Quellenangaben im Text: In der Princeton-Studie (KDD 2024) stieg die Sichtbarkeit damit um 28 bis 41 %, für Seiten auf Rang 5 durch Quellenangaben um 115 %.
- Markennennungen auf Drittseiten korrelieren stärker mit KI-Sichtbarkeit (0,664) als Backlinks (0,218) — Ahrefs, 75.000 Marken.
- Nicht wirken: Keyword-Stuffing, llms.txt, Schema-Markup als Zitiergarantie, Server-Logs als Sichtbarkeitsbeweis und jede Platzierungszusage. Gemessen wird GEO als Wahrscheinlichkeit über viele Durchläufe, nicht als Position.

## Was ist GEO-Optimierung?

**GEO-Optimierung** (Generative Engine Optimization) ist die systematische Arbeit daran, dass generative KI-Systeme ein Unternehmen in ihren Antworten [erwähnen](https://www.codaai.ai/wissen/geo-glossar/mention/), es empfehlen und seine Inhalte als [Quelle zitieren](https://www.codaai.ai/wissen/geo-glossar/citation/). Gemeint sind ChatGPT, Google Gemini, Perplexity, Microsoft Copilot sowie die Google KI-Übersicht und der AI Mode — also jede Oberfläche, die statt einer Linkliste eine zusammengefasste Antwort liefert.

Für dieselbe Disziplin kursieren weitere Namen: AEO (Answer Engine Optimization), LLMO, AIO, GAIO. Sie meinen im Kern dasselbe. Wir verwenden [GEO](https://www.codaai.ai/wissen/geo-glossar/geo/), weil sich der Begriff als Standard durchgesetzt hat. Was GEO _nicht_ ist: ein Ersatz für SEO. Ein KI-System, das das Web durchsucht, greift auf dieselben Suchindizes zu wie Google und Bing — wer dort nicht gefunden wird, kommt auch in der Antwort nicht vor.

> „Kein Ranking. Kein Grounding. Keine AI-Sichtbarkeit.“
> — Chrissy Kunisch, Founder & Managing Director, ONE Beyond Search — SISTRIX Meetup, September 2026

## Warum reicht SEO allein nicht mehr?

SEO allein reicht nicht mehr, weil ein gutes Google-Ranking nicht mehr bedeutet, dass ein potenzieller Kunde die Seite zu sehen bekommt. Wer ChatGPT oder die Google KI-Übersicht nach Anbietern fragt, erhält eine Antwort mit drei bis fünf Namen — und nur diese Unternehmen bekommen die Anfrage. In unserer [Studie mit 449 Unternehmen aus 258 Branchen](https://www.codaai.ai/studie/) (3.592 Einkäuferfragen, 7.184 dokumentierte KI-Antworten) blieben **55 % der Einkäuferfragen ohne Nennung** des untersuchten Unternehmens, in **47 %** nannte die KI stattdessen einen Wettbewerber. Gute Rankings schützten davor nicht.

- **55 %** der Einkäuferfragen bleiben ohne Nennung des Unternehmens (CodaAI-Studie 2026, 7.184 KI-Antworten)
- **47 %** werden durch einen Wettbewerber ersetzt (CodaAI-Studie 2026)
- **26 %** der Marken haben keine einzige Nennung in der Google KI-Übersicht (Ahrefs, 75.000 Marken)
- **< 1:100** Chance, dass ChatGPT oder Google AI dieselbe Empfehlungsliste zweimal liefert (SparkToro, 2.961 Durchläufe)

Der Unterschied liegt nicht im Handwerk, sondern in der Gewichtung und im Ergebnisformat. Die Tabelle stellt beide Disziplinen gegenüber:

**SEO und GEO im Vergleich**

| Aspekt | SEO (klassische Suche) | GEO (KI-Antworten) |
| --- | --- | --- |
| Ziel | Auf Seite eins ranken und den Klick bekommen | In der Antwort genannt und als Quelle zitiert werden |
| Ergebnisformat | Liste von Links, der Nutzer wählt | Eine synthetisierte Antwort mit wenigen Quellen |
| Wettbewerb | Zehn Positionen auf Seite eins | Wenige Nennungen je Antwort — wer fehlt, wird nicht gesehen |
| Einheit der Bewertung | Die Seite (URL) | Die Passage — extrahierte Auszüge von wenigen hundert Wörtern |
| Was zählt | Keywords, Links, technische Basis | Dieselbe Basis plus Faktendichte, Struktur, Markennennungen auf Drittseiten |
| Erfolgsmessung | Position, Impressionen, Klicks — reproduzierbar | Mention Rate, Citation Rate, Share of AI Search — als Wahrscheinlichkeit über viele Durchläufe |
| Stabilität | Rankings bleiben über Wochen ähnlich | Jede Antwort ist neu generiert; dieselbe Frage wird verschieden beantwortet |

Die Schnittmenge ist größer, als die meisten denken: Technische Zugänglichkeit, Inhaltsqualität und Autorität wirken auf beiden Seiten. GEO verschiebt die Prioritäten und ergänzt einige Anforderungen — es beginnt nicht bei null.

## Was zeigt die Studie für B2B-Unternehmen?

Die Studie zeigt für B2B-Unternehmen, dass klassische Suchmaschinenstärke nicht in KI-Antworten übersetzt wird. Wir haben im Juni und Juli 2026 [449 mittelständische Unternehmen aus 258 Branchen](https://www.codaai.ai/studie/) untersucht: je acht qualifizierte Einkäuferfragen in drei Archetypen (Marktübersicht, Anwendungsfall, Wettbewerbsvergleich), gestellt an ChatGPT und die Google KI-Übersicht — 3.592 Fragen, 7.184 dokumentierte Antworten. Vier Befunde tragen diesen Leitfaden:

**Das SEO-Paradox.** 361 der untersuchten Unternehmen haben mehr als 100 Top-10-Rankings bei Google. **35 % davon sind in ChatGPT trotzdem komplett unsichtbar** — null Nennungen in acht Fragen. Über ein Drittel der Firmen, die bei Google alles richtig gemacht haben, existiert für die KI nicht. Die Ursache steht im nächsten Abschnitt: ChatGPT antwortet überwiegend aus Trainingsdaten, und wer dort fehlt, fehlt strukturell.

**Unsichtbar beim eigenen Kerngeschäft.** **26 % der Unternehmen werden selbst bei der Marktübersichtsfrage zu ihrer eigenen Kategorie nicht genannt** („Welche Anbieter für … gelten als führend?"). Das ist die Frage, mit der ein Einkäufer die Discovery-Phase beginnt. Wer hier fehlt, kommt in die Auswahl gar nicht erst hinein.

**Wettbewerber statt Lücke.** Eine KI-Antwort bleibt nicht leer, wenn ein Unternehmen fehlt — sie nennt jemand anderen. **Bei 47 % der Unternehmen empfiehlt die KI mehrheitlich namentlich Wettbewerber.** Wo Unternehmen genannt werden, stehen sie im Schnitt an Position 1,8 — die Antwort ist also kurz, und die ersten zwei Plätze entscheiden.

**Zwei Systeme, zwei Realitäten.** Dieselben Fragen ergaben in ChatGPT eine durchschnittliche Sichtbarkeit von **24,9 %**, in der Google KI-Übersicht **39,4 %**. 39,6 % der Unternehmen werden von ChatGPT nie genannt, 15,1 % auch von Google nicht. Die Google KI-Übersicht greift stärker auf den Live-Index zu — dort wirkt [Grounding](https://www.codaai.ai/wissen/geo-glossar/grounding/) schneller; in ChatGPT muss die Marke erst ins [Modellwissen](https://www.codaai.ai/wissen/geo-glossar/modellwissen/) oder über Drittseiten in den Kandidatenpool.

> **Beispiel aus dem Datensatz:** Ein Maschinenbauer für Fabrikautomation und Fördertechnik, rund 640 Top-10-Rankings bei Google. Einkäuferfrage: „Welche Hersteller von Aluminium-Profilsystemen für die Fabrikautomation gelten als führend in Europa?" Ergebnis: **keine Nennung in ChatGPT und Google KI-Übersicht, 0 von 8 Fragen.** Der meistgenannte Wettbewerber erscheint siebenmal — ein DAX-naher Großkonzern besetzt die Kategorie. Das Unternehmen rankt für dieselben Begriffe auf Seite eins; es fehlt nicht an Relevanz, sondern an [Nennungen auf Drittseiten](https://www.codaai.ai/wissen/geo-glossar/brand-mentions/), die die KI als Kandidatenliste liest. Weitere Beispiele und die Methodik stehen in der [Studie](https://www.codaai.ai/studie/).

Was daraus für B2B folgt: Die Fremdstudien weiter unten messen große Marken im englischsprachigen Markt. Unsere Zahlen messen deutsche Mittelständler mit Nischenprodukten — und dort ist die Lücke größer, weil das Modellwissen über eine Firma mit 200 Mitarbeitern dünn ist und Grounding der einzige Weg in die Antwort bleibt.

## Wie kommt ein Inhalt in eine KI-Antwort?

Ein Inhalt kommt auf zwei Wegen in eine KI-Antwort: über das [Modellwissen](https://www.codaai.ai/wissen/geo-glossar/modellwissen/), das beim Training aus Quellen wie [Common Crawl](https://www.codaai.ai/wissen/geo-glossar/common-crawl/) und Wikipedia entstanden ist, oder über die [Websuche](https://www.codaai.ai/wissen/geo-glossar/websuche/), die das System auslöst, wenn es sich der Antwort aus dem Gedächtnis nicht sicher ist. Das Modellwissen endet am [Knowledge Cutoff](https://www.codaai.ai/wissen/geo-glossar/knowledge-cutoff/); wer sich seitdem umbenannt, neu positioniert, ausgegründet oder fusioniert hat, existiert dort nicht — im B2B-Mittelstand ein häufiger Fall, und einer, den die Studie als „SEO-Paradox" sichtbar macht. Für alles Aktuelle ist die Websuche der einzige Weg, und sie läuft in vier Schritten:

1. **[Query Fan-out](https://www.codaai.ai/wissen/geo-glossar/query-fan-out/):** Das System zerlegt die Frage in mehrere Teilfragen und schickt sie an einen Suchindex.
2. **[Initial Retrieval](https://www.codaai.ai/wissen/geo-glossar/initial-retrieval/):** Für jede Teilfrage kommen die bestplatzierten Seiten in den Kandidatenpool — das ist der klassische SEO-Anteil.
3. **[Re-Ranking](https://www.codaai.ai/wissen/geo-glossar/re-ranking/):** Innerhalb der Kandidaten werden einzelne Passagen bewertet. Nur was über der Relevanzschwelle liegt, kommt weiter. Abgerufen zu werden heißt noch nicht, zitiert zu werden.
4. **[Grounding Snippets](https://www.codaai.ai/wissen/geo-glossar/grounding-snippets/) und Antwort:** Die relevantesten Auszüge werden extrahiert und zur Antwort zusammengesetzt; die Quellen erscheinen als Zitate.

Wie eng dieses Nadelöhr ist, hat Dan Petrovic (dejan.ai) an 7.060 Google-Anfragen mit 2.275 Quellseiten gemessen: Je Anfrage stehen rund **2.000 Wörter [Grounding-Budget](https://www.codaai.ai/wissen/geo-glossar/grounding-budget/)** zur Verfügung, verteilt nach Relevanzrang. Die erstplatzierte Quelle erhält davon im Schnitt 531 Wörter (28 %), die fünfte noch 266 Wörter (13 %). Aus einer typischen Seite werden 377 Wörter ausgewählt, in Abschnitten von rund 15 Wörtern. Daraus folgt die Regel, die alles Weitere trägt:

> **Die Regel:** **Optimieren Sie Seiten, damit sie ranken — und Passagen, damit sie relevant sind.** Ein KI-System extrahiert Absätze, nicht Seiten. Jeder Absatz muss für sich allein verständlich sein und eine Frage vollständig beantworten.

## Welche Maßnahmen erhöhen die Zitierwahrscheinlichkeit nachweislich?

Die Zitierwahrscheinlichkeit steigt auf drei Ebenen, die sich nicht ersetzen, sondern multiplizieren. Chrissy Kunisch (ONE Beyond Search) hat sie beim SISTRIX Meetup im September 2026 auf eine Formel gebracht: **KI-Sichtbarkeit = (Technik + Content + Offpage) × Prozesse**. Die Technik bringt eine Seite ins Rennen, der Content entscheidet über die Zitierung, das Umfeld auf Drittseiten darüber, ob die Marke überhaupt als Kandidat gilt — und ohne Messung bleibt jede Maßnahme eine Einmalaktion.

### Technik: das Eintrittsticket

Technik entscheidet, ob ein KI-System die Seite überhaupt lesen kann. Der wichtigste Unterschied zu Google: **Kein Crawler von OpenAI, Anthropic, Perplexity, Meta oder ByteDance führt JavaScript aus** (Vercel und MERJ, Dezember 2024). ClaudeBot lädt in 23,8 % der Abrufe JavaScript-Dateien, GPTBot in 11,5 % — ausgeführt wird keine davon. Inhalte, die erst im Browser entstehen, sind für diese Systeme unsichtbar. Gemini und Applebot rendern dagegen.

- [KI-Crawler](https://www.codaai.ai/wissen/geo-glossar/llm-crawler/) in der robots.txt erlauben (GPTBot, ClaudeBot, PerplexityBot, Google-Extended) und nur indexierbare URLs in die Sitemap aufnehmen.
- Wichtige Inhalte als HTML ausliefern, nicht per JavaScript nachladen; schlankes, semantisches Markup mit klarer Überschriftenhierarchie H1 → H2 → H3.
- [Antwortzeit](https://www.codaai.ai/wissen/geo-glossar/ttfb/) niedrig halten und keine Klick- oder Login-Wände vor wichtige Inhalte setzen — ein abgebrochener Abruf wird meist nicht wiederholt.
- Interne Verlinkung als echte HTML-Links, damit [URL Discovery](https://www.codaai.ai/wissen/geo-glossar/url-discovery/) und [Crawl-Budget](https://www.codaai.ai/wissen/geo-glossar/crawl-budget/) auf den Seiten landen, die zählen.

### Content: entscheidet über die Zitierung

Content wird zitiert, wenn er faktendicht, klar strukturiert und ohne Kontext verständlich ist. Die bislang gründlichste Messung dazu stammt aus Princeton: Aggarwal et al. haben für die KDD 2024 an 10.000 Anfragen (GEO-bench) neun Textmaßnahmen getestet. Die wirksamsten drei fügen dem Text etwas hinzu, das ein Modell nicht selbst erzeugen kann:

**Wirkung von Textmaßnahmen auf die Sichtbarkeit in KI-Antworten (Princeton GEO-Studie, KDD 2024, positionsgewichteter Wortanteil gegenüber unverändertem Text)**

| Maßnahme | Was sie tut | Veränderung |
| --- | --- | --- |
| Zitate einfügen (Quotation Addition) | Wörtliche Aussagen benannter Fachleute in den Text | + 41 % |
| Statistiken ergänzen (Statistics Addition) | Quantitative Daten statt qualitativer Beschreibung | + 34 % |
| Quellen angeben (Cite Sources) | Belege mit Herkunft im Satz | + 28 % · für Seiten auf Rang 5: + 115 % |
| Textfluss verbessern (Fluency) | Kurze, klare Sätze, dialogisch | + 28 % |
| Keyword-Stuffing | Mehr relevante Suchbegriffe einstreuen | kein Gewinn; bei Perplexity − 10 % |

Die beste Kombination in der Studie war Textfluss plus Statistiken. Auffällig ist der Effekt für schwächer platzierte Seiten: Quellenangaben steigerten die Sichtbarkeit von Seiten auf Rang 5 um 115,1 % — GEO wirkt am stärksten dort, wo klassisches SEO noch nicht gewonnen hat. Die Werte stammen aus englischsprachigen Tests unter Laborbedingungen; sie zeigen die Richtung, nicht die Garantie.

Dazu kommen Strukturregeln, die aus der Funktionsweise der Extraktion folgen: [Antwort zuerst](https://www.codaai.ai/wissen/geo-glossar/bottom-line-up-front/) (Kernaussage in den ersten 30 % der Seite), [semantisches Chunking](https://www.codaai.ai/wissen/geo-glossar/semantisches-chunking/) (ein Gedanke je Absatz, jeder Absatz allein verständlich), Überschriften als Frage und [Entity Echoing](https://www.codaai.ai/wissen/geo-glossar/entity-echoing/) (die Antwort beginnt mit dem gefragten Begriff). Vergleiche gehören in Tabellen, Kriterien in Listen: In der Auswertung von 75.000 KI-Antworten mit über einer Million Zitaten durch das Wix Studio AI Search Lab (März 2026) entfielen 21,9 % aller Zitate auf Listen-Artikel, 16,7 % auf Fachartikel und 13,7 % auf Produktseiten; bei kommerziellen Anfragen führten Listen mit 40,9 %.

[Aktualität](https://www.codaai.ai/wissen/geo-glossar/freshness/) zählt messbar: KI-Assistenten zitieren im Schnitt 25,7 % frischere Inhalte als die organische Google-Suche (Ahrefs, 16,975 Millionen zitierte URLs, Juli 2025). Die Google KI-Übersicht ist die Ausnahme — sie zitiert sogar 16 Tage ältere Inhalte als die organische Suche. Sichtbares Datum, aktualisierte Zahlen und ein gepflegtes `dateModified` im Schema gehören deshalb zur Routine, nicht zum Relaunch.

### Offpage: entscheidet, ob die Marke als Kandidat gilt

Offpage-Signale wiegen bei KI-Systemen schwerer als bei Google, weil der KI gleichgültig ist, ob eine Information von der eigenen Website oder von Drittseiten stammt — es zählt das konsistente Markenbild. Ahrefs hat für 75.000 Marken gemessen, welche Faktoren mit Nennungen in der Google KI-Übersicht zusammenhängen: **[Markennennungen im Web](https://www.codaai.ai/wissen/geo-glossar/brand-mentions/) korrelieren mit 0,664, Backlinks nur mit 0,218** (Spearman). 26 % der untersuchten Marken hatten keine einzige Nennung. Korrelation ist keine Kausalität, und die Studie betrachtet große Marken — die Rangfolge der Faktoren ist trotzdem eindeutig.

- **Präsenz in Vergleichslisten:** In einer Auswertung von rund 1.260 B2B-Kaufprompts (Overthink Group, Juli 2026) verwiesen 70,8 % aller Zitate auf Seiten mit „best", „top" oder „leading" im Titel. Wer in den [Listen](https://www.codaai.ai/wissen/geo-glossar/listicles/) fehlt, die die KI bereits zitiert, fehlt in der Antwort.
- **Die eigene Startseite:** Unter den 1.000 meistzitierten Seiten in ChatGPT sind 23,8 % Start- und Landingpages (Ahrefs, Oktober 2025) — die zweitgrößte Kategorie nach Wikipedia, und die einzige, die dem Unternehmen vollständig gehört. Eine [konsistente Markenbeschreibung](https://www.codaai.ai/wissen/geo-glossar/konsistente-markenbeschreibung/) dort und auf allen Profilen ist die Grundlage.
- **[Bewertungsplattformen](https://www.codaai.ai/wissen/geo-glossar/review-plattformen/), Fachmedien, [Digital PR](https://www.codaai.ai/wissen/geo-glossar/digital-pr/):** Erwähnungen in Quellen, die die KI in der Branche ohnehin zitiert — auch ohne Link. Im B2B sind das nicht Trustpilot und Google-Rezensionen, sondern Branchenportale, Fachmedien, Verbandsverzeichnisse und Software-Vergleichsplattformen wie Capterra oder G2. Benannte Fachleute mit Zitat werden häufiger übernommen als anonyme Redaktionen.
- **[Eigene Videos](https://www.codaai.ai/wissen/geo-glossar/youtube-praesenz/) mit Transkript und [Entitäten](https://www.codaai.ai/wissen/geo-glossar/entitaet/) in Wissensdatenbanken:** beides Quellen, auf die Modelle trainiert werden und die sie beim Grounding bevorzugen.

## Was funktioniert bei GEO nicht?

Bei GEO funktioniert vieles nicht, was gerade verkauft wird. Die folgenden fünf Punkte sind gemessen, nicht gemeint — und sie sparen Budget:

**Maßnahmen ohne belegten Effekt auf KI-Zitierungen**

| Maßnahme | Befund | Quelle |
| --- | --- | --- |
| Keyword-Stuffing | Kein Gewinn, bei Perplexity 10 % schlechter als der unveränderte Text | Princeton GEO-Studie, KDD 2024 |
| [llms.txt](https://www.codaai.ai/wissen/geo-glossar/llms-txt/) | Kein signifikanter Zusammenhang mit Zitierungen bei rund 300.000 Domains; 97 % der Dateien wurden bei 137.210 untersuchten Domains nie abgerufen; laut Google nutzt kein großer Anbieter die Datei | SE Ranking · Ahrefs · SISTRIX |
| Schema-Markup als Zitiergarantie | Keine Korrelation zwischen Schema-Abdeckung und Zitierrate (Search Atlas, Dezember 2024). Schema hilft Google und Bing beim Verstehen von Entitäten — es ist Infrastruktur, kein Hebel | Search Engine Land, März 2026 |
| [Server-Logs](https://www.codaai.ai/wissen/geo-glossar/logfiles/) als Sichtbarkeitsbeweis | Die Google KI-Übersicht und der AI Mode greifen in der Regel nicht live zu; ein Abruf durch ChatGPT-User heißt „geprüft", nicht „zitiert" | SISTRIX, März 2026 |
| Platzierungszusagen | Bei 2.961 Durchläufen lag die Chance unter 1 : 100, dass ChatGPT oder Google AI dieselbe Liste zweimal liefert | SparkToro, Januar 2026 |

> „Wer heute sagt „ich will nur in Perplexity sichtbar sein", optimiert für ein sehr kleines Fenster. Plattformspezifische Feinoptimierung kommt erst in einem zweiten Schritt — wenn die Basis steht.“
> — Chrissy Kunisch, ONE Beyond Search — SISTRIX Meetup, September 2026

Aus demselben Grund bieten wir sechs Dinge bewusst nicht an — darunter llms.txt als Leistung, Reddit-Seeding im B2B und Platzierungsgarantien. Die Liste steht auf der [Leistungsseite](https://www.codaai.ai/digital-visibility/#nicht-im-angebot).

## Wie misst man den Erfolg von GEO-Optimierung?

Der Erfolg von GEO-Optimierung wird als Wahrscheinlichkeit gemessen, nicht als Position. Ein Ranking ist reproduzierbar: gleiches Keyword, gleicher Ort, gleiche Liste. Eine KI-Antwort ist jedes Mal neu generiert. Rand Fishkin (SparkToro) hat das mit 2.961 Durchläufen über zwölf Prompts in ChatGPT, Claude und Google AI belegt: Die Chance, zweimal dieselbe Empfehlungsliste zu erhalten, lag unter 1 : 100; für dieselbe Reihenfolge unter 1 : 1.000. Ein Werkzeug, das einen einzelnen Sichtbarkeitswert meldet, misst deshalb Rauschen.

Belastbar ist ein festes [Promptset](https://www.codaai.ai/wissen/geo-glossar/promptset/), das mehrfach und regelmäßig abgefragt wird, und daraus drei Kennzahlen: die [Mention Rate](https://www.codaai.ai/wissen/geo-glossar/mention-rate/) (in wie vielen Antworten wird das Unternehmen genannt), die [Citation Rate](https://www.codaai.ai/wissen/geo-glossar/citation-rate/) (in wie vielen wird die eigene Seite als Quelle verlinkt) und der [Share of AI Search](https://www.codaai.ai/wissen/geo-glossar/share-of-ai-search/) im Vergleich zu den Wettbewerbern. Dazu das [Sentiment](https://www.codaai.ai/wissen/geo-glossar/sentiment/): Erwähnt heißt nicht empfohlen, und eine falsche Aussage über das Unternehmen ist dringender als keine.

- **Prompts entlang der Kaufentscheidung wählen.** Empfehlungs-, Vergleichs- und Vertrauensfragen stehen der Entscheidung am nächsten; allgemeine Recherchefragen sind am wenigsten wert. Die Tabelle unten zeigt die Kategorien mit B2B-Beispielen.
- **Eine [Nullmessung](https://www.codaai.ai/wissen/geo-glossar/nullmessung/) vor der ersten Maßnahme.** Ohne Referenzwert lässt sich acht Wochen später nichts belegen.
- **Modellwissen getrennt abfragen.** Was sagt die KI ohne Websuche über das Unternehmen? Falsche Leistung, alter Standort — dann liegt die Aufgabe bei der Markenbeschreibung, nicht beim Content.
- **[Quellenanalyse](https://www.codaai.ai/wissen/geo-glossar/quellenanalyse/):** Welche Drittseiten zitiert die KI bei den eigenen Prompts? Das ist die Liste, auf der man stehen muss.

**Promptkategorien nach Kaufnähe — mit B2B-Beispielen (Einteilung nach Chrissy Kunisch, SISTRIX Meetup 09/2026; Archetypen wie in der CodaAI-Studie)**

| Kategorie | B2B-Beispiel | Einfluss auf die Kaufentscheidung |
| --- | --- | --- |
| Allgemeine Recherche | „Worauf kommt es bei der Auswahl eines Fördersystems an?" | gering — kein Kaufinteresse erkennbar |
| Problemlösung | „Wie lassen sich Kühlschmierstoffe in der Zerspanung länger nutzen?" | mittel — Problem vorhanden, Anbieter noch offen |
| Marktübersicht / Empfehlung | „Welche Hersteller von Aluminium-Profilsystemen gelten als führend in Europa?" | hoch — hier entsteht die Kandidatenliste |
| Vergleich | „Anbieter A oder Anbieter B für die Oberflächenveredelung von Kleinteilen?" | hoch — kurz vor der Entscheidung |
| Vertrauen / Reputation | „Gibt es Erfahrungen mit Anbieter A bei Großserien?" | hoch — wer hier nicht überzeugt, hat den Einkäufer verloren |
| Kauf / Abschluss | „Wo bekomme ich Anbieter A mit Lieferzeit unter vier Wochen?" | mittel — Marke steht, Verfügbarkeit zählt |

So misst auch unser [Digital Visibility Audit](https://www.codaai.ai/digital-visibility/): an echten Einkäuferfragen, in ChatGPT und der Google KI-Übersicht, als Anteil über Durchläufe — mit den Wettbewerbern daneben, die stattdessen genannt werden.

## Womit fängt man bei GEO-Optimierung an?

GEO-Optimierung beginnt mit dem, was die Basis für alle Plattformen zugleich legt — nicht mit Feinoptimierung für ein einzelnes System. Die Reihenfolge, die sich aus den Belegen oben ergibt:

1. **Messen.** Promptset festlegen, Nullmessung durchführen, Modellwissen abfragen. Erst dann weiß man, ob das Problem bei Technik, Content oder Marke liegt.
2. **Lesbar werden.** robots.txt, JavaScript-freie Inhalte, Antwortzeit, saubere Struktur — Stufe 1 · [Gefunden](https://www.codaai.ai/digital-visibility/#lesbar).
3. **Zitierfähig schreiben.** Antwort zuerst, ein Gedanke je Absatz, Zahlen mit Quelle im Satz, Vergleiche als Tabelle, sichtbares Datum. Bestehende Seiten zuerst, dann neue.
4. **Dort präsent sein, wo die KI ihre Belege holt.** Konsistente Markenbeschreibung auf allen Profilen, Bewertungsplattformen der Branche, Vergleichslisten, Fachmedien — Stufe 2 · [Empfohlen](https://www.codaai.ai/digital-visibility/#quellen).
5. **Selbst zur Quelle werden.** Eigene Daten, eigene Studien, benannte Fachleute — Inhalte, für die es nur eine Quelle gibt: das eigene Unternehmen. Stufe 3 · [Zitiert](https://www.codaai.ai/digital-visibility/#quelle-werden).

Wer die Begriffe vertiefen will, findet sie im [GEO-Glossar](https://www.codaai.ai/wissen/geo-glossar/) — 56 Begriffe, je einer pro Seite, in der Reihenfolge, in der ein Inhalt den Weg in eine KI-Antwort nimmt.

## Belege

Jede Zahl auf dieser Seite hat eine Fundstelle im Volltext, geprüft am 18. September 2026. Die meisten Studien stammen aus dem englischsprachigen Markt; wo sie große Marken untersuchen, ist die Übertragung auf den Mittelstand eine Annahme, keine Messung.

| Quelle | Was gemessen wurde | Grundlage | Stand |
| --- | --- | --- | --- |
| [CodaAI, Digital-Visibility-Studie](https://www.codaai.ai/studie/) | Nennung von 449 Unternehmen in ChatGPT und der Google KI-Übersicht auf Einkäuferfragen | 3.592 Fragen, 7.184 Antworten | Juni–Juli 2026 |
| [Aggarwal et al., Princeton — „GEO: Generative Engine Optimization", KDD 2024](https://arxiv.org/abs/2311.09735) | Wirkung von neun Textmaßnahmen auf die Sichtbarkeit in generativen Antworten | 10.000 Anfragen (GEO-bench) | 2024 |
| [Dan Petrovic, dejan.ai — „How big are Google’s grounding chunks?"](https://dejan.ai/blog/how-big-are-googles-grounding-chunks/) | Grounding-Budget je Anfrage und Verteilung nach Quellenrang | 7.060 Anfragen, 2.275 Seiten | Dezember 2025 |
| [Vercel und MERJ — „The rise of the AI crawler"](https://vercel.com/blog/the-rise-of-the-ai-crawler) | JavaScript-Verhalten von KI-Crawlern | Crawler-Traffic im Vercel-Netz | Dezember 2024 |
| [Wix Studio AI Search Lab (via Search Engine Land)](https://searchengineland.com/ai-citations-favor-listicles-articles-product-pages-study-472364) | Zitierte Seitentypen in ChatGPT, Google AI Mode und Perplexity | 75.000 Antworten, > 1 Mio. Zitate | März 2026 |
| [Ahrefs — „AI Overview Brand Visibility Factors"](https://ahrefs.com/blog/ai-overview-brand-correlation/) | Korrelation von Markennennungen, Backlinks u. a. mit Nennungen in der Google KI-Übersicht | 75.000 Marken | Mai 2025, akt. April 2026 |
| [Ahrefs — „ChatGPT’s most cited pages"](https://ahrefs.com/blog/chatgpts-most-cited-pages/) | Seitentypen unter den 1.000 meistzitierten Seiten in ChatGPT | Top 1.000 Zitate | Oktober 2025 |
| [Ahrefs — „Do AI assistants prefer to cite fresh content?"](https://ahrefs.com/blog/do-ai-assistants-prefer-to-cite-fresh-content/) | Alter zitierter Inhalte in KI-Assistenten gegenüber organischer Suche | 16,975 Mio. zitierte URLs | Juli 2025 |
| [Ahrefs — llms.txt-Studie](https://ahrefs.com/blog/llmstxt-study/) | Abrufe von llms.txt-Dateien durch KI-Crawler | 137.210 Domains | 2025 |
| [SE Ranking (via Search Engine Journal)](https://www.searchenginejournal.com/llms-txt-shows-no-clear-effect-on-ai-citations-based-on-300k-domains/561542/) | Zusammenhang zwischen llms.txt und KI-Zitierungen | rund 300.000 Domains | 2026 |
| [Overthink Group mit Amadora — B2B AI Citation Stats](https://overthinkgroup.com/b2b-ai-citation-stats-2026-q2/) | Title-Muster und Domains zitierter Seiten bei B2B-SaaS-Kaufprompts (US-Markt) | rund 1.260 Prompts | Juli 2026 |
| [Rand Fishkin, SparkToro — „AIs are highly inconsistent when recommending brands"](https://sparktoro.com/blog/new-research-ais-are-highly-inconsistent-when-recommending-brands-or-products-marketers-should-take-care-when-tracking-ai-visibility/) | Konsistenz von Markenempfehlungen über wiederholte Durchläufe | 2.961 Durchläufe, 12 Prompts, 3 Systeme | Januar 2026 |
| [Johannes Beus, SISTRIX — „Was sagen Zugriffe von AI-Userbots wirklich aus?"](https://www.sistrix.de/news/was-sagen-zugriffe-von-ai-userbots-auf-die-eigene-webseite-wirklich-aus/) | Aussagekraft von Server-Logs für KI-Sichtbarkeit | Analyse | März 2026, akt. August 2026 |
| [SISTRIX — Frag SISTRIX: llms.txt](https://www.sistrix.de/frag-sistrix/ai-grundlagen/llms-txt/) | Nutzung von llms.txt durch KI-Anbieter | Einordnung | August 2026 |
| [Aimee Jurenka, Search Engine Land — „Schema markup and AI search: no hype"](https://searchengineland.com/schema-markup-ai-search-no-hype-472339) | Wirkung von Schema-Markup auf KI-Zitierungen, inkl. Search-Atlas-Daten | Einordnung | März 2026 |
| [Chrissy Kunisch, ONE Beyond Search — „Step into Confidence: AI Search verstehen und richtig messen"](https://onebeyondsearch.com/) | Retrieval-Kette, Formel, Messlogik | Vortrag, SISTRIX Meetup | September 2026 |

## Häufige Fragen zur GEO-Optimierung im B2B

### Ersetzt GEO-Optimierung die klassische Suchmaschinenoptimierung?

Nein. GEO-Optimierung setzt auf SEO auf: Ein KI-System, das das Web durchsucht, zieht seine Kandidaten aus denselben Suchindizes wie Google und Bing. Eine Seite, die für die Frage und ihre Teilfragen nicht rankt, kommt gar nicht erst in den Kandidatenpool. GEO verschiebt die Gewichtung — von der Seite zur Passage, von Links zu Markennennungen — und ergänzt einige Anforderungen, ersetzt aber keine.

### Welche Textmaßnahmen erhöhen die Sichtbarkeit in KI-Antworten am stärksten?

In der Princeton-Studie (KDD 2024, 10.000 Anfragen) wirkten drei Maßnahmen am stärksten: wörtliche Zitate benannter Fachleute (+41 %), Statistiken (+34 %) und Quellenangaben (+28 %, für Seiten auf Rang 5 sogar +115 %). Alle drei fügen dem Text etwas hinzu, das ein Modell nicht selbst erzeugen kann. Keyword-Stuffing brachte keinen Gewinn.

### Warum zitiert die KI Passagen und nicht ganze Seiten?

Weil das Grounding-Budget begrenzt ist. Google stellt je Anfrage rund 2.000 Wörter aus allen Quellen zusammen (dejan.ai, 7.060 Anfragen); aus einer typischen Seite werden 377 Wörter in Abschnitten von rund 15 Wörtern ausgewählt. Jeder Absatz muss deshalb für sich allein verständlich sein und eine Frage vollständig beantworten — sonst wird er nicht extrahiert.

### Hilft eine llms.txt-Datei bei der GEO-Optimierung?

Nach heutigem Stand nicht messbar. SE Ranking fand bei rund 300.000 Domains keinen signifikanten Zusammenhang zwischen llms.txt und Zitierungen, Ahrefs stellte bei 137.210 Domains fest, dass 97 % der Dateien nie abgerufen wurden, und laut Google nutzt keiner der großen Anbieter die Datei. Sie schadet nicht, ersetzt aber keine Maßnahme mit Beleg.

### Wie lässt sich GEO-Erfolg messen, wenn jede KI-Antwort anders ausfällt?

Als Anteil über viele Durchläufe statt als Position. Ein festes Set von Prompts wird regelmäßig mehrfach abgefragt; gemessen werden Mention Rate, Citation Rate und Share of AI Search im Vergleich zu Wettbewerbern, jeweils ausgehend von einer Nullmessung. Ein einzelner Sichtbarkeitswert aus einer einzigen Abfrage misst dagegen Rauschen — SparkToro fand bei 2.961 Durchläufen eine Chance unter 1 : 100, dieselbe Liste zweimal zu erhalten.

### Warum ist ein B2B-Unternehmen bei Google sichtbar, in ChatGPT aber nicht?

Weil ChatGPT überwiegend aus Trainingsdaten antwortet und die Google KI-Übersicht stärker auf den Live-Index zugreift. In der CodaAI-Studie (449 Unternehmen, 7.184 KI-Antworten) waren 35 % der Unternehmen mit mehr als 100 Top-10-Rankings bei Google in ChatGPT komplett unsichtbar; die durchschnittliche Sichtbarkeit lag in ChatGPT bei 24,9 %, in der Google KI-Übersicht bei 39,4 %. Ein Nischenhersteller mit 200 Mitarbeitern ist im Modellwissen schlicht nicht vorhanden — er kommt nur über Grounding und über Nennungen auf Drittseiten in die Antwort.

### Lohnt sich GEO-Optimierung auch für Nischenanbieter im B2B-Mittelstand?

Gerade dort. In der CodaAI-Studie wurden 26 % der Unternehmen selbst bei der Marktübersichtsfrage zu ihrer eigenen Kategorie nicht genannt, und bei 47 % empfahl die KI stattdessen namentlich Wettbewerber. Je enger die Nische, desto kürzer die Kandidatenliste der KI — und desto größer der Anteil einer einzelnen Nennung. Wo Unternehmen genannt werden, stehen sie im Schnitt an Position 1,8; die Antwort ist kurz, und die ersten beiden Plätze entscheiden.

### Zählen Markennennungen ohne Link für die KI-Sichtbarkeit?

Ja, und sie zählen stärker als Backlinks. Ahrefs hat für 75.000 Marken gemessen, dass Markennennungen im Web mit 0,664 mit Nennungen in der Google KI-Übersicht korrelieren, Backlinks nur mit 0,218. Der KI ist gleichgültig, ob eine Information von der eigenen Website oder von Drittseiten stammt — entscheidend ist ein konsistentes Markenbild über alle Quellen.