Googles AI Overview zitiert kaum Maps-Bewertungen – und das Patent dahinter ist erloschen
Kurz gefasst
Die These, Google-Bewertungen seien der Einstieg in AI Overviews, verkettet zwei Patente – eines beschreibt nur ein längst erloschenes Re-Ranking, das andere ein Trainingsverfahren ohne Produktbezug, und eine Verbindung zwischen beiden gibt es nicht. In einem lokal nachfragenden Projekt ging über 30 Tage genau eines von 1.263 AI-Overview-Zitaten auf eine Maps-Bewertung; die zuordenbaren Zitate landen zu 98,7 Prozent auf Anbieter- und Institutionsseiten.
Mit KI diskutierenClaude ↗ChatGPT ↗
Die Kette ist elegant. Google, so die These, identifiziert per Patent lokale Experten, deren Bewertungen Betriebe im lokalen Ranking heben oder senken; ein zweites Patent trainiere Sprachmodelle mit Rückmeldung aus eben dieser Suche; wer also Google-Bewertungen sammelt, landet im AI Overview. Elegant – und an drei Stellen falsch. Die erste Schrift beschreibt ein Re-Ranking, kein Primärsignal, und ist seit Jahren erloschen. Die zweite beschreibt ein Trainingsverfahren und benennt keines der Produkte, um die es in der These geht. Zwischen beiden gibt es keine Verbindung.
Ich habe beide Patentschriften gelesen und danach 30 Tage AI-Overview-Zitate in einem lokal nachfragenden Projekt einzeln ausgewertet: 1.263 Zitate, davon genau eines auf eine Maps-Bewertungsseite. Dieser Text nimmt die Kette Glied für Glied auseinander und zeigt mit eigenen Daten, wo die Zitate tatsächlich landen.
Das ist kein Plädoyer gegen das Patentlesen. Es ist eines für sorgfältiges Patentlesen.
Warum ich überhaupt in Patenten nachlese
Der Großteil dessen, was ich zu diesem Thema finde, sind Theorien ohne Beweisgrundlage. Die Beweisgrundlage zu bekommen ist schwer, weil die Algorithmen geschlossen sind – Geschäftsgeheimnis. Es bleiben zwei Wege: Praktiker, denen man vertrauen kann, samt ihren Berechnungen und ihrer Erfahrung. Und der Blick hinter die Kulissen – Googles eigene Dokumentation und die Patente, die Google angemeldet hat.
Ich baue für Kunden eine Sichtbarkeitsstrategie und einen Maßnahmenplan über Monate und Jahre. Ich kann es mir nicht erlauben, Maßnahmen aufzunehmen, die nicht funktionieren. Es wäre auch falsch, die Verantwortung auf den Kunden abzuwälzen und auf seine Kosten Forschung zu betreiben, um herauszufinden, was überhaupt wirkt. Das Budget eines Kunden ist kein Forschungsetat. Wer eine Maßnahme in einen Jahresplan schreibt, haftet für ihre Begründung.
Patente sind eines der wenigen legitimen Fenster in ein geschlossenes System. Genau deshalb darf man sie nicht falsch lesen.
Ein Bild, das ich durch den ganzen Text mitnehme: Eine Patentschrift ist eine Bauakte, kein Foto des fertigen Hauses. Sie zeigt, was jemand bauen wollte, mit welchem Verfahren und in welchem Umfang er sich das schützen ließ. Was am Ende tatsächlich steht, steht nicht darin. In der Akte gibt es tragende Wände, das sind die Ansprüche, und daneben Randskizzen, die der Architekt beigelegt hat, weil sie vielleicht einmal nützlich werden. Es gibt außerdem einen Vermerk darüber, ob die Gebühren noch gezahlt werden. Diese drei Stellen erledigen den größten Teil der Prüfarbeit.
Die These, die gerade zirkuliert
Sie läuft seit Wochen durch Agentur-Blogs und LinkedIn-Beiträge, meist mit derselben Patentnummer im Anhang und selten mit einem zitierten Anspruch. In ihrer stärksten Form geht sie so. Google hält ein Patent auf die Identifikation lokaler Experten: Nutzer, die in einer bestimmten Gegend und einer bestimmten Branche auffällig viele und auffällig gute Bewertungen schreiben, bekommen mehr Gewicht als andere. Deren Urteil hebt oder senkt einen Betrieb in der lokalen Suche. Ein zweites, deutlich jüngeres Patent beschreibt, wie ein Sprachmodell mit Rückmeldung aus einer Suchmaschine nachtrainiert wird. Verbindet man beides, ergibt sich eine geschlossene Erzählung: Wer im lokalen Ranking oben steht, prägt das Modell, und das Modell nennt ihn in der KI-Antwort. Bewertungen wären damit der Einstiegspunkt in die generative Suche.
Das ist eine gute Geschichte. Sie hat den Vorteil, dass jeder Schritt für sich plausibel klingt und dass am Ende eine Maßnahme steht, die man verkaufen kann. Wer sie nicht zuerst stark macht, widerlegt eine Karikatur.
Was in der ersten Patentschrift wirklich steht
Die Rede ist von US 10.929.409 B2, „Identifying local experts for local search“, Inhaber Google LLC, Erfinder John Alistair Hawkins und Cristina Stancu-Mara. Prioritätsdatum 30. April 2013.
Der beschriebene Mechanismus ist sauber gearbeitet, und wer lokale Suche versteht, liest ihn mit Gewinn. Das System bildet Paare aus geografischem Gebiet und Geschäftstyp und sucht darin Kandidaten. Der Expertise-Score ist zunächst schlicht die Zahl der Bewertungen eines Nutzers in genau diesem Paar. Wie stark er als Experte zählt, hängt zusätzlich davon ab, wie sehr sein Urteil mit dem des Suchenden übereinstimmt – im Patent der „agreement score“.
Die Bewertungen selbst werden gefiltert und gewichtet, nach Alter, Länge und Nutzersignalen zur Hilfreichkeit. Kurze Texte fliegen raus, weil Experten laut Schrift „tend to write longer, more informative reviews“. Sprachlich Auffälliges ebenso, geprüft über auffällige n-Gramme und „sentence structure indicative of low-quality review“. Und ein Spam-Detektor läuft darüber.
Bis hierhin stützt die Schrift die These eher. Dann kommt der Satz, der sie kippt. Das Ranking-Modul „adjusts the ranking or scoring of the local search results based on reviews of the identified experts“. Und einen Absatz weiter, ausbuchstabiert: „the ranking for a local search result is based on its distance to the query location, its relevance, and the weighted average rating of the experts.“
Expertenbewertungen sind in dieser Schrift ein Korrekturfaktor auf ein bestehendes Ranking aus Distanz und Relevanz. Kein Primärsignal. Wer das Patent als Beleg dafür anführt, dass Bewertungen das lokale Ranking bestimmen, hat den Satz gelesen und das Verb überlesen.
Warum die Ansprüche etwas anderes sagen als die Beschreibung
Hier liegt das übertragbare Handwerk, und es ist wichtiger als der konkrete Fall.
Eine Patentschrift besteht aus zwei sehr ungleichen Teilen. Die Beschreibung darf ausschweifen; sie skizziert Ausführungsformen, Varianten, Möglichkeiten. Geschützt ist davon nichts. Verbindlich sind allein die Ansprüche, und dort besonders der unabhängige Anspruch 1: die tragende Wand. Alles, was erst in einem abhängigen Anspruch auftaucht, ist eine Randskizze. Optional. Ein Zusatz, den der Anmelder mitgeschützt haben wollte, ohne ihn zur Bedingung zu machen.
Prüfen Sie die These an dieser Trennlinie, bleibt wenig übrig. Anspruch 1 wählt die Kandidaten allein über die Menge der Bewertungen. Und er verlangt etwas, das in der Diskussion niemand erwähnt: Die Expertenauswahl ist an den einzelnen Nutzer gebunden, über dessen Übereinstimmung mit den Kandidaten. Das Verfahren ist ein Personalisierungsverfahren.
Dazu kommt die Sprache der Beschreibung. Wo die Gegenseite ihre Belege holt, steht durchgängig „in some cases“. Das Patent erklärt seine eigene Wortwahl an einer Stelle selbst: „the word ‘may’ is used in a permissive sense“. Diese Formeln markieren Ausführungsformen, keine Zusagen. Ein Text, der sich alle Optionen offenhält, ist kein guter Beleg für die eine, die man gerade braucht.
Der Rechtsstand, den niemand nachgeschlagen hat
Google Patents zeigt für diese Schrift den Status „Expired – Fee Related“. Die Erteilung war 2021, die Priorität liegt 2013, die Schrift ist eine Continuation aus der ursprünglichen Anmeldung vom 30. April 2013. Google zahlt die Gebühren nicht mehr. Die zweite Schrift, um die es gleich geht, steht daneben auf „Active“.
Ehrlich dazu: Erloschen heißt nicht ungenutzt. Ein Unternehmen kann ein Verfahren weiter betreiben und die Akte trotzdem verfallen lassen, etwa weil ein Schutz gegen Nachahmer sich nicht mehr lohnt. Der Rechtsstand ist ein Indiz für Priorität, kein Beweis für Nichteinsatz. Google Patents schreibt das selbst an die Zeitleiste: „Google has not performed a legal analysis and makes no representation as to the accuracy or completeness of the events listed.“
Was bleibt, ist trotzdem unangenehm für die These. Sie stützt sich auf einen Bauplan von 2013 – aus einer Zeit vor den Local Guides in heutiger Form und lange vor KI-Antworten –, dessen Bauherr die Gebühren für die Akte eingestellt hat. Das ist keine starke Grundlage für einen Maßnahmenplan über die nächsten zwölf Monate.
Das zweite Patent beschreibt Training, nicht Ihre Suchanfrage
Die zweite Schrift ist US 12.437.016 B2, „Fine-tuning large language model(s) using reinforcement learning with search engine feedback“, angemeldet im Dezember 2023, erteilt am 7. Oktober 2025, Rechtsstand aktiv.
Sie beschreibt ein Trainingsverfahren. Man lässt ein Sprachmodell zweimal antworten, einmal mit Suchergebnissen im Kontext und einmal ohne, und vergleicht: „a supervision signal can be generated based on comparing search engine conditioned LLM output with unconditioned LLM output“. Anspruch 3 präzisiert, dass dieses Signal „indicates a preference for the search engine conditioned output over the raw LLM output“. Aus dem Vergleich entsteht ein Belohnungsmodell, mit dem das Modell nachtrainiert wird.
Der Zweck dieses Aufwands steht ebenfalls in der Schrift, und er dreht die populäre Lesart um. Die Anmelder halten Suchergebnisse zur Laufzeit für zu teuer: „generating search engine result(s) for each LLM request causes significant resource computation“, dazu die Verarbeitung eines langen Prompts. Das Verfahren soll die Suche also aus dem Prompt herausbekommen, „thus obviating the need to include content from search result(s) as part of a prompt to mitigate hallucinations“. Es beschreibt nicht, wie eine Suchmaschine eine KI-Antwort speist. Es beschreibt, wie man diesen Schritt vermeidet.
Und dann der Negativbefund. Ich habe den Volltext beider Fassungen case-insensitive durchsucht: keine Treffer für „AI Overview“, keine für „AI Overviews“, keine für „SGE“, „Search Generative“, „Gemini“ oder „Bard“. Keines der Produkte, um die es in der These geht, wird benannt – kein AI Overview, kein Maps, kein Gemini. Genannt werden allein Modelle als technische Beispiele: „LaMDA, BERT, Meena, PaLM, GPT-3, GPT-4“. Der Anwendungskontext, den die Schrift selbst aufmacht, sind „automated assistants“ im Dialog mit Menschen.
Wer aus dieser Schrift die Funktionsweise von AI Overviews ableitet, liest etwas hinein, das nicht darin steht.
Zwischen den beiden Patenten gibt es keine Verbindung
Kurz und hart: Die eine Schrift zitiert die andere nicht, in keine Richtung. Sie teilen keinen Erfinder. Sie tragen verschiedene Hauptklassifikationen – G06F16/9535 für die Suchpersonalisierung, G06F40/35 für die Dialogverarbeitung. Zwischen dem Prioritätsdatum der ersten und der Anmeldung der zweiten liegen zehn Jahre und ein Technologiewechsel.
Eine Einschränkung, die ich selbst nachtrage, weil sie mir beim Nachprüfen aufgefallen ist: In den Nebenklassifikationen berühren sich beide Schriften durchaus. Beide hängen unter G06F16/953, dem Zweig für die Verarbeitung von Suchanfragen; die erste endet auf /9535, die zweite auf /9538. Wer daraus eine Verwandtschaft konstruieren will, hat einen Anknüpfungspunkt. Er trägt nur nichts: Unter diesem Zweig hängen Zehntausende Schriften, und eine gemeinsame Schublade ist keine gemeinsame Aussage.
Die Brücke zwischen beiden bleibt erschlossen, nicht belegt. Wer sie behauptet, trägt die Beweislast.
Was AI Overview in einem lokal nachfragenden Projekt tatsächlich zitiert
Eine Patentprüfung entkräftet eine Begründung. Sie ersetzt keine Messung. Also habe ich gemessen.
Das Projekt ist ein Schweizer Dienstleister im Gesundheits- und Therapiebereich mit lokalem Einzugsgebiet, getrackt über Peec.ai im Kanal Google AI Overview, Zeitraum 25. Juni bis 24. Juli 2026. In diesen 30 Tagen fielen 179 AI-Overview-Antworten an, mit Zitaten auf 184 verschiedene Quelldomains und 1.263 Zitaten insgesamt.
Auf google.com/maps/reviews/* entfällt davon ein Zitat. Eines.
Nimmt man alle Verzeichnisse und Bewertungsplattformen zusammen, also Maps-Bewertungen, die beiden großen Schweizer Branchenverzeichnisse und Facebook, sind es 13 Zitate. Das sind 1,0 Prozent aller Zitate. Auf der anderen Seite stehen 1.020 Zitate auf Anbieter- und Institutions-Websites: die Seiten von Praxen, Kliniken, Verbänden, Fachgesellschaften, Behörden. 98,7 Prozent der zuordenbaren Zitate.
Vier Grenzen dieser Zahl, und sie gehören hierhin und nicht ins Kleingedruckte.
Erstens: ein Projekt, eine Branche, ein Land, 30 Tage. Das trägt eine Aussage über dieses Projekt und einen begründeten Zweifel an der allgemeinen These. Es trägt keine Aussage über „lokale Suche in DACH“. Zweitens liegt eine Blackbox in den Daten. 230 der 1.263 Zitate, also 18 Prozent, zeigen auf google.com/searchviewer/*-URLs, deren Zielinhalt sich nicht auflösen lässt. Was dort steckt, weiß ich nicht. Deshalb ist die Quote ohne diese 230 gerechnet, und beides steht offen da: 1,0 Prozent bezogen auf alle Zitate, 1,3 Prozent bezogen auf die 1.033 zuordenbaren. Drittens misst Peec, was in der Ausspielung als Quelle steht, nicht das darunterliegende Retrieval. Eine Quelle kann abgerufen und nie genannt werden; wie groß diese Lücke ist, habe ich im Retrieval-Zitat-Funnel über acht B2B-Projekte gemessen. Viertens ist das Local Pack selbst nicht Teil dieser Messung. Die Aussage betrifft, was AI Overview zitiert – nicht, was Google Maps rankt.
Und die Zahl „genau ein Maps-Zitat“ ist rhetorisch stärker, als sie statistisch ist. Bei 1.263 Zitaten liegt zwischen einem und fünf Treffern Rauschen. Belastbar ist die Größenordnung: rund ein Prozent, nicht die Einzelbeobachtung.
Sechs weitere Projekte, und ein Gegenbefund
Ein Projekt ist zu wenig, also habe ich am selben Tag durch die anderen Peec-Projekte gesehen, bei denen AI Overview lokal oder filialgebunden nachgefragt wird: ein Schweizer Ausflugsziel, ein deutscher Zoofachhandel mit Filialnetz, ein deutscher Beauty-Filialist, zwei Lebensmitteleinzelhändler und ein Schweizer Baumarkt. Teils laufende Kunden, teils beendete Pitches.
Den Baumarkt habe ich ausgeschlossen. AI Overview weist dort Abrufe aus, aber über alle Domains hinweg null Zitate. Ob die Ausspielung keine Zitate enthielt oder die Erfassung lückenhaft war, lässt sich nicht auflösen – und ein Projekt, dessen Messgröße durchgängig null ist, als Beleg für „keine Bewertungszitate“ zu verwenden, wäre ein Zirkelschluss.
In vier der übrigen fünf Projekte taucht unter den meistzitierten Domains der AI Overview keine Google-Maps-URL auf, keine klassische Bewertungsplattform und kein Branchenverzeichnis. Yelp erscheint in einem Projekt mit zwei Abrufen und null Zitaten. Zitiert werden Hersteller- und Händlerseiten, Fachredaktionen, Institutionen und YouTube. Präzise gesagt: Für diese fünf Projekte liegen mir je nach Projekt die Top-30 bis Top-60 der Domains vor, nicht die vollständige Liste. Daraus folgt „nicht unter den meistzitierten Quellen“, nicht „null Zitate“. Prozentangaben mache ich für diese Projekte deshalb keine. Zwei der Projekte stammen außerdem aus 2025, und die AI Overview von 2025 ist nicht die von 2026.
Jetzt der Gegenbefund, und er steht im selben Datensatz. Beim Schweizer Ausflugsziel zitiert AI Overview tripadvisor.ch 50-mal, Instagram 43-mal, Komoot 27-mal. Bewertungs- und Community-Plattformen sind dort sehr wohl Zitatquelle. Die Aussage lautet also nicht „AI Overview zitiert keine Bewertungen“. Sie lautet: Der Effekt hängt an der Branche, und in keiner der geprüften Branchen trägt er die behauptete Kette vom Google-Maps-Bewertungsprofil ins KI-Zitat.
Ein zweites Muster ist mir dabei aufgefallen, das über diesen Artikel hinausreicht. Verzeichnisse verschwinden nicht aus den KI-Antworten – sie verschwinden aus dieser einen Engine. Gleiches Projekt, gleicher Zeitraum, gleiche Prompts:
| Verzeichnis- oder Buchungsdomain | AI Overview | ChatGPT | Perplexity |
|---|---|---|---|
| lokales Branchenverzeichnis A | 3 | 170 | 137 |
| lokales Branchenverzeichnis B | 6 | 52 | 102 |
| Terminbuchungsportal A | 0 | 30 | 5 |
| Terminbuchungsportal B | 0 | 19 | 0 |
Dasselbe Bild bei einem der Lebensmittelhändler: Ein Prospekt- und Angebotsportal sammelt dort 108 Zitate ein – in Perplexity, nicht in AI Overview. Reddit dort 47, ebenfalls Perplexity. Wer seine Sichtbarkeit über Verzeichnisse aufbaut, arbeitet an einem realen Hebel. Nur nicht an dem, den die Patent-These verspricht.
Was daraus folgt, und was ausdrücklich nicht
Zuerst, was nicht folgt: dass Bewertungen wertlos sind. Diesem Satz widerspreche ich ausdrücklich.
Bewertungen bleiben ein externes Autoritätssignal. In beliebiger Menge lassen sie sich nicht erzeugen, wohl aber systematisch erfragen: Ein Online-Shop filtert erfolgreiche Lieferungen – pünktlich, ohne Reklamation – und bittet genau diese Kunden um eine Bewertung, auf der eigenen Website oder auf Plattformen wie Trustpilot. Das verlangt eine eigene Strategie, inklusive des Umgangs mit negativen Stimmen: Der unzufriedene Kunde schreibt eher als der zufriedene.
Bewertungen sind außerdem eine wichtige Wissensquelle über das Produkt oder den Shop für eine bestimmte Phase der Customer Journey – und werden von Sprachmodellen im Training und Pre-Training verwendet. Welche Kaufunsicherheit in welcher Phase welche Belege verlangt, habe ich für den Handel an den Käuferunsicherheiten im Sales Funnel durchdekliniert.
Das sind zwei verschiedene Wirkwege, und die Patent-These wirft sie zusammen. Bewertungen wirken über Konversion, über die Position im Local Pack und darüber, dass Modelle sie im Training gesehen haben. Was sie in meinen Daten nicht tun: als zitierte Quelle in der AI Overview auftauchen. Wer Bewertungsarbeit mit dem Ziel „KI-Zitat“ budgetiert, hat den Hebel am falschen Ende gefasst – die Arbeit selbst bleibt richtig.
Der Einwand, der jetzt kommt, ist berechtigt, deshalb nehme ich ihn vorweg. Google kommuniziert selbst, dass die KI-Funktionen auf demselben Index und denselben Ranking-Systemen aufsetzen wie die klassische Suche, und bei lokalen Anfragen blendet Google in der Oberfläche Kartenmodule mit Bewertungssternen ein. Beides stimmt. Beides trifft aber ein anderes Ziel: Dass Google Bewertungsdaten in einem eigenen Modul anzeigt, heißt nicht, dass die generierte Antwort ihre Fakten aus Bewertungen zieht oder Bewertungsplattformen als Quelle nennt. Genau diese Unterscheidung misst meine Zahl. Und der Local-SEO-Forschung, die seit Jahren Zusammenhänge zwischen Bewertungsprofil und Local-Pack-Position zeigt, widerspreche ich an keiner Stelle. Mein Angriff gilt der Begründung über diese beiden Patente und der Übertragung auf AI Overviews.
Bleibt die praktische Konsequenz. Wenn in einem lokal nachfragenden Projekt 98,7 Prozent der zuordenbaren Zitate auf Anbieter- und Institutionsseiten gehen, dann entscheidet sich das KI-Zitat auf Ihrer eigenen Seite. Sie muss die Antwort selbst tragen: die Leistung in der Sprache der Frage benennen, das Einzugsgebiet ausschreiben, Preise, Fristen, Zuständigkeiten und Ausnahmen an einer Stelle beantworten, statt sie über Unterseiten zu verteilen. Wie Modelle diese Auswahl treffen, habe ich an ChatGPTs Quellenwahl und an der Lücke zwischen Abruf und Zitat aufgeschrieben.
So prüfen Sie eine Patent-These in fünf Minuten
Die Routine, mit der ich solche Behauptungen abräume oder bestätige, bevor sie in einen Maßnahmenplan wandern. Sie brauchen dafür kein Patentrecht, nur Google Patents und die Volltextsuche im Browser.
- Rechtsstand öffnen.
patents.google.com/patent/<Nummer>/enaufrufen, das Feld „Legal status“ lesen und Active, Expired oder Abandoned samt Prioritätsdatum notieren. - Volltextsuche nach dem Produktnamen. Mit Strg+F nach „Maps“, „AI Overview“, „Gemini“ oder dem Produkt der Behauptung suchen. Null Treffer heißt: Die Behauptung stammt nicht aus dem Patent.
- Nur Anspruch 1 lesen. Was dort nicht steht, ist optional – auch wenn die Beschreibung eine Seite darüber schreibt.
- Die Beschreibung abklopfen. „in some cases“, „may“, „in some implementations“ markieren Ausführungsformen, keine Zusagen.
- Die Familie prüfen. Ist die Schrift eine Continuation, ist die Beschreibung älter, als die Nummer suggeriert. Das Prioritätsdatum schlägt das Erteilungsdatum.
Schritt 2 und Schritt 3 erledigen erfahrungsgemäß neun von zehn Fällen.
Wann diese Prüfung sinnvoll ist und wann nicht
Sinnvoll ist sie bei jeder These, die auf einer Primärquelle steht, die niemand geöffnet hat. Das erkennen Sie an einem Muster: Alle Beiträge nennen dieselbe Patentnummer, keiner zitiert einen Anspruch. Fünf Minuten nach der Routine oben, und Sie wissen, ob Sie es mit einem Befund oder mit einer Weitererzählung zu tun haben.
Nicht sinnvoll ist sie als Ersatz für eigene Messung. Eine Patentprüfung entkräftet eine Begründung; eine Strategie liefert sie nicht. Sie sagt Ihnen, was Sie nicht tun sollten, und schweigt zum Rest.
Und die Zahlen oben gelten für sechs Projekte, exakt beziffert für eines davon. Wer sie übernimmt, statt selbst zu messen, macht denselben Fehler wie die Gegenseite: eine fremde Quelle als Beleg für den eigenen Fall verwenden. Ziehen Sie den Domain-Report Ihres eigenen AI-Overview-Kanals, sortiert nach Zitatzahl, und sehen Sie nach, was dort oben steht. Das dauert weniger lang als die Patentprüfung.
Häufige Fragen
Wie stark drücken Googles AI Overviews die Klickrate? Deutlich. Ahrefs hat im Februar 2026 300.000 Suchbegriffe gegen Daten aus der Google Search Console gerechnet: Auf Position 1 korreliert ein AI Overview mit einer um 58 Prozent niedrigeren Click-Through-Rate, nach 34,5 Prozent ein Jahr zuvor. Das ist die Mechanik der Zero-Click-Suche – die Impressionen bleiben, die Klicks gehen. Halten in Ihrer Search Console die Impressionen, während die Klicks fallen, arbeitet Ihr SEO weiter; es zahlt nur nicht mehr in Besuche aus.
Welches organische Ranking brauchen Sie für ein Zitat in einem AI Overview? Ein Top-10-Ranking ist weder Bedingung noch Garantie. In Ahrefs’ Auswertung von 863.000 SERPs standen nur 37,9 Prozent der zitierten Seiten für dieselbe Anfrage auch in den ersten zehn Ergebnissen, 31 Prozent nicht einmal in den Top 100. Grund ist der Query Fan-out: Der Google-Suchalgorithmus zerlegt die Anfrage in Unterfragen und zitiert, was in diesen Neben-SERPs auftaucht. Ihre Seite muss für die Nebenfragen ranken, nicht für die Hauptfrage.
Wie oft tauchen Bewertungsplattformen überhaupt in AI Overviews auf? Häufiger, als meine lokalen Zahlen vermuten lassen, aber in einem anderen Segment. SE Ranking hat zum Stichtag 1. Dezember 2025 30.000 kommerzielle Suchanfragen ausgewertet: 34,5 Prozent der AI Overviews zitieren mindestens eine Bewertungsplattform, insgesamt stellen diese aber nur 8,5 Prozent aller Links. Fast neun von zehn dieser Links gehen an fünf B2B-Software-Plattformen, angeführt von Gartner Peer Insights, G2 und Capterra. Trustpilot und OMR Reviews waren in dem Sample von 23 Plattformen nicht enthalten, Yelp kam auf weniger als ein Prozent der Zitate. Die Formulierung entscheidet mit: Bei ausdrücklichen Bewertungsfragen liegt der Anteil bei 49 Prozent, bei „beste“ und „Top“ nur bei 17,1 Prozent. Im Tourismus deckt sich das Bild mit meinen Daten, dort zitiert AI Overview Tripadvisor 50-mal in einem Monat. Bei lokalen Dienstleistungen praktisch nie – dort sammeln dieselben Verzeichnisse ihre dreistelligen Zitatzahlen in ChatGPT und Perplexity ein.
Welche Quellen dominieren die Verlinkungen in deutschsprachigen AI Overviews? Für den deutschsprachigen Raum kenne ich keine belastbare Auswertung, und die Behauptung, Trustpilot und OMR führten das Feld an, habe ich nirgends belegt gefunden. Belegt ist anderes. Sprachübergreifend ist YouTube laut Ahrefs die meistzitierte Domain in AI Overviews, mit 34 Prozent Wachstum in sechs Monaten, Reddit folgt; in der SE-Ranking-Auswertung stellen Anbieter-, Shop- und Dokumentationsseiten 72,5 Prozent aller Links und erscheinen in 99,1 Prozent der AI Overviews. Meine sechs lokalen Projekte zeigen dasselbe Muster: Anbieter- und Institutionsseiten, Fachredaktionen, YouTube. Wikipedia wirkt dabei weniger über die Verlinkung als über die Entität – es ist eine der Quellen, aus denen ein Modell überhaupt weiß, wer Sie sind. E-E-A-T ist Googles Sprache für seine menschlichen Bewerter, kein Regler, den Sie umlegen. Praktisch zählt Markenbekanntheit außerhalb der eigenen Domain: In Ahrefs’ Auswertung von 75.000 Marken korrelieren Erwähnungen auf YouTube am stärksten mit der Sichtbarkeit in AI Overviews.
Welches Risiko entsteht durch negatives Kundenfeedback in KI-Antworten? Ein anderes, als die meisten erwarten. Die Gefahr ist selten, dass ein AI Overview Ihre schlechteste Bewertung zitiert. Sie ist, dass Community-Plattformen eine große Zitatklasse sind, die Ihnen nicht gehört: In der SE-Ranking-Auswertung stellen soziale Plattformen und Communities 13,4 Prozent aller Links und tauchen in 60,1 Prozent der AI Overviews auf, Reddit unter den meistzitierten Domains überhaupt. In meinen eigenen Daten sammelt Reddit in einem Handelsprojekt 47 Zitate ein, in Perplexity. Online Reputation Management verschiebt sich damit vom Löschen zum Antworten – eine sachliche Replik unter einer Beschwerde wird mitgelesen und mitzitiert. Für die Steuerung brauchen Sie eine Stimmungsanalyse über die Kanäle statt des Sternenschnitts, und eine Vorstellung davon, welche Aussagen über Ihre Customer Experience Sie im Modellwissen akzeptieren. Brand Safety heißt hier schlicht: Sie wissen, was zitiert wird, bevor ein Kunde es liest.
Bringen strukturierte Daten und Formatierung ein Zitat? Nicht als Hebel, den man umlegt. Auszeichnung mit Schema.org, ausgeliefert als JSON-LD, macht Ihre Entitäten für Maschinen eindeutig und entscheidet über Rich Results. Ein Zitat in einer KI-Antwort kauft sie nicht, und mir ist keine veröffentlichte Untersuchung bekannt, die das belegt. Der Gedanke des Semantic Web trägt trotzdem, nur eine Ebene tiefer: Entscheidend ist, ob eine einzelne Passage die Frage vollständig beantwortet, ohne den Rest der Seite. Dafür arbeiten schlichte HTML-Elemente härter als jedes Markup. Eine Überschrift, die die Frage im Wortlaut stellt, darunter die Antwort in zwei Sätzen, Preise und Zuständigkeiten im Text statt in der Grafik. Das ist der handwerkliche Kern von Generative Engine Optimization: die Seite nicht auszeichnen, sondern zerlegbar machen.
Rankt Google lokale Betriebe nach Bewertungen von Experten? Das Patent US 10.929.409 B2 beschreibt ein Verfahren, in dem Expertenbewertungen ein bestehendes Ranking aus Distanz und Relevanz nachjustieren – „adjusts the ranking“. Es ist kein Primärsignal, und ob Google das Verfahren betreibt, sagt die Schrift nicht. Sie beschreibt eine Absicht aus dem Jahr 2013, keinen Betriebszustand. Google Patents führt sie inzwischen als „Expired – Fee Related“; das heißt nicht, dass das Verfahren nicht läuft, sondern dass Google die Gebühren nicht mehr zahlt.
Nennen die beiden Patente AI Overviews? Nein. In der Volltextsuche über US 12.437.016 B2 gibt es null Treffer für „AI Overview“, „SGE“, „Gemini“ und „Bard“. Als Modelle nennt die Schrift LaMDA, BERT, Meena, PaLM, GPT-3 und GPT-4. Die zweite Schrift beschreibt außerdem, wie man Suchergebnisse aus dem Prompt heraushält, nicht wie man sie hineinbringt.
Wie prüfen Sie selbst, ob eine Patent-These trägt? Rechtsstand und Prioritätsdatum lesen, den Volltext nach dem behaupteten Produktnamen durchsuchen, nur Anspruch 1 lesen und die Beschreibung auf „in some cases“ abklopfen. Die vollständige Routine steht weiter oben im Artikel. Sie dauert fünf Minuten und kostet nichts.
Zum Schluss
Die Kette hält an drei Stellen nicht: Die erste Schrift beschreibt ein Re-Ranking und ist erloschen, die zweite beschreibt Training und benennt kein Produkt, und zwischen beiden gibt es keine Verbindung. Meine Messung entscheidet das nicht, sie zeigt nur, wo die Zitate in sechs Projekten tatsächlich landen – auf den Websites der Anbieter.