GEO Agentur – Mehr Nennungen in ChatGPT, Perplexity & AI Overviews

Generative Engine Optimization (GEO) ist die Praxis, Inhalte so aufzubereiten, dass sie von Large Language Models (LLMs) in ihren Antworten zitiert werden. Die wichtigsten Engines sind ChatGPT Search (OpenAI), Perplexity, Claude (Anthropic), Google AI Overviews (SGE-Nachfolger) und Gemini. Anders als klassisches SEO, das auf Klicks aus der SERP optimiert, geht es bei GEO um die Erwähnung in der direkten Antwort, die der Nutzer oft liest, ohne deine Seite je zu besuchen.

Warum jetzt: Google AI Overviews sind laut Q1-2026-Auswertungen in 13 % aller US-Suchanfragen sichtbar, in DACH steht der Roll-out unmittelbar an. ChatGPT Search zählt nach OpenAI-eigenen Angaben über 250 Millionen wöchentliche Nutzer (Stand März 2026), Perplexity wächst seit Q3 2025 quartalsweise zweistellig. Gleichzeitig sind viele KMU-Websites technisch nicht für AI-Crawler aufgestellt. Das öffnet ein Zeitfenster, in dem strukturelle Hebel überproportional wirken.

Wer den Status seiner eigenen Domain in 60 Sekunden prüfen will, kann unseren GEO Readiness Check nutzen: kein Login, nur öffentliche URLs, Score + priorisierte Findings.

LLMs zitieren nicht zufällig. Sie wählen Quellen nach einem Mix aus klassischen Such-Signalen (Domain-Authority, Backlink-Profil, Inhaltsqualität) und LLM-spezifischen Signalen, die in Forschung und Praxis seit 2024 konsolidiert sind: Entity-Confidence (kennt die Engine deine Marke im Wissensgraph?), Passage-Citability (sind deine Absätze klar zitierbar formuliert?), strukturelle Signale (Schema.org, llms.txt), und Konsistenz über das offene Web (sameAs-Vernetzung, Wikidata).

E-E-A-T spielt eine zentrale Rolle: Im Dezember 2025 hat Google das Framework offiziell auf alle competitive Queries ausgeweitet, nicht mehr nur YMYL (Your Money Your Life). Praktisch heißt das: Author-Schema mit verifizierbaren Personen, transparente "Über uns"-Seite mit Founder-Daten, sameAs-Verlinkung auf LinkedIn / GitHub / Crunchbase, klare Kennzeichnung von Quellen im Fließtext. LLMs spiegeln diese Signale, weil sie auf Google-trainierten Datasets aufsetzen.

Was nicht funktioniert: Keyword-Stuffing, KI-generierter Content ohne Editing, anonyme Autoren, fehlendes Schema. Engines erkennen das mittlerweile zuverlässig und filtern solche Quellen aus ihren Antworten heraus.

llms.txt ist ein 2024 von Jeremy Howard (fast.ai) vorgeschlagener Standard, der seitdem von Anthropic, Perplexity, Mistral und weiteren breit adoptiert wurde. Die Datei liegt unter /llms.txt im Root der Domain und gibt LLMs einen kuratierten Markdown-Einstieg in deine wichtigsten Inhalte. Das ist effizienter, als wenn Engines die komplette Sitemap parsen müssen.

Aufbau in der Praxis: Header mit Markenname + Kurzbeschreibung, dann Abschnitte (## Services, ## Methodik, ## Kunden, ## Blog) mit jeweils 3–10 wichtigsten URLs in Markdown-Link-Notation und einem 1-Satz-Teaser pro URL. Ergänzend llms-full.txt mit dem kompletten relevanten Content als Markdown. Manche Engines (Perplexity) bevorzugen das.

Setup-Aufwand: 30 Minuten für die Erstversion, monatlich 15 Minuten Pflege bei neuem Content. Adoption in DACH-KMUs liegt unter 5 %. Das macht die Datei zu einem günstigen strukturellen Hebel, gerade in der frühen Phase des AI-Search-Marktes.

Klassisches Schema.org-Markup (Organization, Person, Article, FAQPage, BreadcrumbList) ist die Basis. LLMs lesen JSON-LD direkt und nutzen es als verlässliche Entity-Quelle. Wichtig: korrekte @id-Verschachtelung, sameAs-Referenzen zwischen Person-, Organization- und Service-Schema, knownFor- und memberOf-Angaben für Founder-Personen.

AI-Overview-relevante Typen 2026: FAQPage (für direkte Antworten), HowTo (für Step-by-Step-Anleitungen, sofern echte Schritte vorhanden), Article mit author (für E-E-A-T-Signale), Service mit areaServed + provider (für lokale + Service-Suchen).

Veraltete Schemas, die Google 2024–2025 deprecated hat (HowTo für reine Marketing-Posts, Recipe ohne echte Rezept-Daten u.a.), sollten entfernt werden. Sie schaden mehr, als sie nützen. Wir auditen das im Diagnose-Step.

Es gibt drei Kategorien von AI-Crawlern, und sie zu unterscheiden ist Voraussetzung für sinnvolle robots.txt-Regeln. (1) Training-Crawler holen Inhalte für das nächste Modell-Training: GPTBot (OpenAI), ClaudeBot (Anthropic), Google-Extended (für Gemini-Training), Meta-ExternalAgent. (2) Search-Crawler holen Inhalte für die Live-Antwort eines Nutzers: OAI-SearchBot (ChatGPT Search), PerplexityBot, AppleBot-Extended (Apple Intelligence). (3) User-Agent-Crawler kommen, wenn ein Nutzer aktiv eine URL in den Chat einfügt: ChatGPT-User, Perplexity-User.

Empfehlung für die meisten KMU: Search-Crawler und User-Agent-Crawler erlauben (sonst keine Live-Citations möglich), Training-Crawler nach individueller Risikobewertung. Wer ohnehin Schutz vor unautorisiertem Training will, blockt GPTBot, ClaudeBot, Google-Extended, verliert aber nicht die Sichtbarkeit in der Antwortgenerierung.

Fallstrick: Cloudflare und ähnliche Bot-Management-Tools blockieren AI-Crawler oft pauschal, auch wenn robots.txt sie erlaubt. Wir auditen beide Ebenen und schalten Whitelist-Regeln im Bot-Management aktiv frei.

Klassisches SEO-Tracking (Google Search Console, Rank-Tracker) misst nicht, ob LLMs deine Marke nennen. Die einzige belastbare Methode ist die direkte Abfrage der LLMs mit konstruierten Prompts (über APIs wie OpenAI, Anthropic, Perplexity, Google AI Studio) und das automatisierte Mention-Parsing der Antworten. Wir nutzen dafür die DataForSEO LLM Mentions API, die ChatGPT, Perplexity, Claude und Gemini auf einer Plattform vereint.

Was getrackt wird: Mention-Volume (wie oft wird deine Marke genannt), Sentiment (positiv / neutral / negativ), Top-Quellen (welche URLs zitiert die Engine als Beleg), Wettbewerbsvergleich (gleicher Prompt: Wer wird zitiert?). Das Setup läuft mit 20–50 strategisch gewählten Prompts pro Marke (Service-Queries, Vergleichs-Queries, Branchen-Queries), wöchentlich automatisiert.

Erwartungswert in der Praxis: Erste messbare Mention-Verschiebungen nach 6–8 Wochen sauberer GEO-Arbeit, deutliche Delta nach 4–6 Monaten. Wer das Tracking nicht hat, optimiert ins Blaue. Wer es hat, sieht klar, was wirkt.

SEO optimiert auf Klicks aus der SERP-Liste; GEO optimiert auf Erwähnung in der direkten LLM-Antwort. Das verändert die Zielmetrik (Mentions statt Klicks), die Content-Form (zitierbare Passagen statt Long-Tail-Keyword-Cluster) und die technischen Hebel (Schema + Entity-Signale stärker, klassische Backlinks unverändert wichtig).

Wichtig: SEO bleibt die Grundlage. LLMs trainieren auf web-gecrawlten Daten – wer in Google nicht sichtbar ist, taucht in den meisten LLMs auch nicht auf. Wer das integrierte Vorgehen verstehen will, findet auf unserer SEO-Agentur-Düsseldorf-Seite den klassischen Teil und auf der Performance-Marketing-Seite die kanalübergreifende Methodik.

Unsere Empfehlung: SEO und GEO als kombiniertes Engagement, nicht als getrennte Projekte. Schema-Arbeit, llms.txt-Pflege und Citation-Tracking sind zusätzliche Module. Die Content-Strategie ist gemeinsam. Bei reinem GEO-Einstieg ohne SEO-Basis empfehlen wir vorher die Grund-SEO-Hygiene (Crawlability, Indexierbarkeit, Sitemap, Core Web Vitals) zu klären.

Generative Engine Optimization wirkt am stärksten mit klassischer Sichtbarkeit im Rücken: starke SEO- und SEA-Verzahnung, fundierte Keyword-Strategie und Präsenz im Social-Media-Marketing.