GEO statt SEO? Zwei Zonen im LLM Retrieval Gap

GEO ergänzt SEO. Ein Google-Ranking bestätigt Sichtbarkeit in einer Suchoberfläche. Es bestätigt weder Retrieval für einen konkreten Prompt noch Selection, eine sichtbare Citation oder eine Brand Mention.

Ich verwende LLM Retrieval Gap als Arbeitsbegriff für zwei messbare Diagnosezonen zwischen Ranking und sichtbarer Citation. Vor dem Retrieval fehlt die URL im dokumentierten Quellenpool. Nach dem Retrieval liegt sie im Quellenpool, erscheint aber nicht als sichtbare Citation. Die interne Selection bleibt meist unbeobachtbar.

Neue Analysen und Erkenntnisse

Warum GEO SEO ergänzt

Search Engine Optimization schafft die technische und inhaltliche Grundlage. Generative Engine Optimization erweitert die Messung bis in die generierte Antwort. Entscheidend ist, ob eine Quelle abgerufen, verwendet, sichtbar zitiert und die Marke korrekt dargestellt wird.

Der Ausdruck „GEO statt SEO“ funktioniert als Weckruf, weil ein klassisches Ranking die neue Sichtbarkeit nur teilweise beschreibt. Wörtlich führt er in die falsche Richtung. Für Google AI Overviews bleibt die Google-Indexierung eine technische Voraussetzung: Eine Seite muss laut den Google-Anforderungen für Links in AI Overviews und AI Mode indexiert sein und mit einem Snippet erscheinen dürfen. ChatGPT und Perplexity dokumentieren eigene Search-Crawler und nutzerinitiierte Fetcher. Schon die Zugangswege unterscheiden sich.

Ranking bleibt relevant. Es ist nur nicht mehr die letzte Messstelle.

Vom Ranking zur Zitation: Wo der Retrieval Gap entsteht

Das folgende Schema ist ein Diagnosemodell, keine offengelegte Produktarchitektur. Es ordnet die Signale, die Website-Verantwortliche von außen prüfen können: Zugriff, Indexierbarkeit, Ranking, dokumentierter Abruf, sichtbare Citation und Brand Mention. Selection liegt dazwischen, bleibt bei öffentlichen Engines aber meist intern.

Ich verwende LLM Retrieval Gap als Oberbegriff für zwei Diagnosezonen. Vor dem Retrieval ist eine Seite klassisch auffindbar, taucht jedoch im beobachteten Abruf nicht auf. Nach dem Retrieval liegt sie im dokumentierten Quellenpool, erscheint aber nicht als sichtbare Citation.

Die fünf Begriffe bezeichnen getrennte Messpunkte:

Stufe	Operative Definition	Beobachtbare Quelle
Zugriff / Fetch	Ein über Anbieter-IP verifizierter Agent erreicht die URL per HTTP.	Serverlog und IP-Verifikation
Retrieval / Abruf	Eine URL gelangt nach Definition des Messsystems in den Quellenkontext eines konkreten Prompts.	Plattformdaten oder zugänglicher Trace
Selection / Verwendung	Das System verwendet Inhalte aus dem Quellenkontext für die Antwort.	bei öffentlichen Engines meist nicht direkt beobachtbar
Citation / sichtbare Quelle	Die URL erscheint im Interface als Quelle der Antwort.	Antwortoberfläche
Brand Mention / Markennennung	Die Marke steht im sichtbaren Antworttext.	Antwortoberfläche

Fetching, Retrieval, Selection, Citation und Brand Mention dürfen in der Diagnose nicht als Synonyme verwendet werden.

FIG 01 · RETRIEVAL GAP – ZWEI DIAGNOSEZONEN

Zugriff und Indexierung

Ein Server-Log zeigt einen Request und den angegebenen User-Agent. Für diese Diagnose gilt der Zugriff erst nach dem Abgleich mit den veröffentlichten IP-Bereichen als verifiziert.

Laut OpenAI-Crawler-Dokumentation dient OAI-SearchBot der Sichtbarkeit in ChatGPT Search, GPTBot möglichen Trainingszwecken und ChatGPT-User einzelnen Nutzeraktionen. Perplexity trennt ähnlich zwischen PerplexityBot und Perplexity-User. Ein verifizierter Zugriff beweist weder Indexierung noch Retrieval für einen bestimmten Prompt.

Ranking

Ein Ranking ist eine Beobachtung für eine Query, einen Ort und einen Zeitpunkt. Es zeigt, dass eine URL in dieser Suchoberfläche sichtbar war. Daraus folgt weder ihre Verfügbarkeit im Suchraum eines anderen Anbieters noch ihr Abruf für eine andere Suchanfrage.

Retrieval oder Abruf

Beim Retrieval gelangt ein Dokument in den Quellenkontext einer konkreten Antwort. Dieser Schritt ist schwerer zu sehen. Manche Messplattformen protokollieren abgerufene Quellen im Antwortprozess. Ein gewöhnliches Analytics- oder Log-System kennt die Zuordnung zum Prompt meist nicht.

In meiner Datenauswertung bedeutet „abgerufen“ deshalb ausdrücklich ein Ereignis im Messsystem Peec.ai. Es ist kein Synonym für einen Crawler-Hit im Server-Log.

Selection oder Verwendung

Selection bezeichnet die interne Entscheidung, welche Teile des Quellenkontexts in die Antwort einfließen. Öffentliche Engines legen diesen Schritt meist nicht offen.

Liegt eine URL im dokumentierten Retrieval und fehlt als Citation, sind mehrere Erklärungen möglich: Die Engine hat sie verworfen, inhaltlich verwendet und nicht verlinkt oder die sichtbare Quellenliste anders zusammengestellt. Ohne internen Trace lässt sich das nicht trennen. Ich nenne diesen Befund deshalb Abruf ohne sichtbare Citation, nicht Selection-Fail.

Citation und Brand Mention

Eine Citation ist die sichtbare Quellenangabe im Interface. Eine Brand Mention ist die Nennung einer Marke im Antworttext. Beides kann zusammen auftreten, muss es aber nicht. Die Engine kann eine Fremdquelle zitieren, um eine Aussage über Ihre Marke zu belegen. Sie kann Ihre Website zitieren, ohne den Markennamen prominent zu nennen.

Ich unterscheide zwei Diagnosezonen und eine Attribution-Hypothese:

Zone	Was Sie wissen	Was offenbleibt
Vor dem Retrieval	Die URL ist im gemessenen Suchraum auffindbar, erscheint aber nicht im dokumentierten Abruf des Runs	Ob eine andere Suchanfrage oder ein späterer Run sie aufnimmt
Nach dem Retrieval	Die URL lag im dokumentierten Quellenpool, erscheint aber nicht als sichtbare Citation	Ob die Ursache in Selection, Verwendung ohne Link oder der Quellenanzeige liegt
Nur Attribution-Hypothese	Formulierungen oder Fakten ähneln der Seite, eine Citation fehlt	Ob die Seite überhaupt Quelle war; ohne Trace ist das kein gemessener Gap-Zustand

Die vollständige Messlogik und die Grenzen stehen in der Retrieval-Zitat-Auswertung.

GEO, AEO und LLMO: Was bedeuten die Begriffe?

Rund um KI-Antworten kursieren mehrere Kürzel. Ihre Grenzen sind unscharf, weil Anbieter und Fachleute sie unterschiedlich verwenden. Für diese Diagnose reicht eine nüchterne Arbeitsaufteilung.

Begriff	Fokus	Typische Oberfläche	Was der Begriff nicht garantiert
SEO · Search Engine Optimization	Eine Seite technisch zugänglich machen, indexieren und für Suchanfragen ranken	klassische Suchergebnisse	Abruf oder Zitation durch jede Answer Engine
AEO · Answer Engine Optimization	Inhalte für direkte Antworten auffindbar und verwendbar machen	Answer Boxes, Voice Search, AI Overviews, Chat-Antworten	einheitliche Auswahlregeln über alle Systeme
GEO · Generative Engine Optimization	Sichtbarkeit von Quellen und Marken in generierten Antworten untersuchen und beeinflussen	ChatGPT, Perplexity, Gemini, AI Overviews	dieselbe Sichtbarkeit in jeder Engine
LLMO · Large Language Model Optimization	Sammelbegriff für Arbeit an der Darstellung in LLM-Ausgaben	LLM-Interfaces und AI Search	einen anerkannten Standard oder eine gemeinsame Metrik

Der Begriff GEO stammt aus der 2024 auf der KDD-Konferenz veröffentlichten Arbeit „GEO: Generative Engine Optimization“. Die Autoren führen ihn als Black-box-Rahmen für Sichtbarkeit in generierten Antworten ein. Das macht GEO zu einem wissenschaftlich eingeführten Begriff, noch nicht zu einer Norm.

Ich behandle AEO und LLMO hier als Marktbegriffe. Ahrefs definiert Answer Engine Optimization als Arbeit an der Sichtbarkeit in direkten Antworten. Semrush beschreibt LLM Optimization als Arbeit an Sichtbarkeit und Darstellung einer Marke in LLM-generierten Ausgaben. Beide Definitionen zeigen, wie die Begriffe verwendet werden. Sie legen keinen technischen Standard fest.

Für die Diagnose ist der Name zweitrangig. Entscheidend ist der Übergang, an dem eine Seite aus der messbaren Kette fällt.

Warum ein Ranking für KI-Sichtbarkeit nicht reicht

Ein Ranking beantwortet eine konkrete Frage: Wo steht eine URL in der klassischen Suchoberfläche für eine bestimmte Query, an einem bestimmten Ort und Zeitpunkt? Eine generative Engine kann dieselbe Nutzerfrage in mehrere Suchanfragen zerlegen. Google bestätigt diesen Query Fan-out für AI Overviews und AI Mode. Die Quellen können damit aus mehreren Suchanfragen stammen.

Wie weit Citation Set und ursprüngliche SERP auseinanderliegen, zeigen zwei Ahrefs-Auswertungen. Die erste untersuchte 15.000 Long-tail-Prompts und verglich sichtbare Citations aus ChatGPT, Gemini, Copilot und Perplexity mit Google und Bing. Für ChatGPT wertete die Studie In-Text-Citations und References getrennt aus.

Im Durchschnitt lagen 11,9 Prozent der ausgewerteten AI-Citations in Googles Top 10 für den ursprünglichen Prompt. Perplexity wich mit 28,6 Prozent deutlich ab. Schon innerhalb derselben Studie gibt es keinen universellen Chat-Engine-Wert.

Bei Google AI Overviews ist die technische Kopplung an Google Search dokumentiert: Ein unterstützender Link muss indexiert und für ein Search-Snippet zugelassen sein. Trotzdem ist Citation nicht mit dem Ranking der Ausgangsquery gleichzusetzen. Eine Ahrefs-Aktualisierung vom März 2026 analysierte 863.000 SERPs und vier Millionen AI-Overview-URLs.

37,9 Prozent der zitierten URLs standen in den ersten zehn SERP-Blöcken derselben Query. Bei reinen Blue Links lag der Top-10-Anteil bei 37,1 Prozent. Die Autoren weisen auf eine verbesserte Parsing-Methode und einen Modellwechsel seit der älteren Messung hin. Aus dem Vergleich lässt sich deshalb kein sauberer Zeittrend ableiten.

Beide Studien messen Citation→SERP-Overlap. Sie messen nicht, welcher Anteil aller rankenden Seiten später zitiert wird. Dieser Unterschied ist klein im Satz und groß in der Aussage.

Die beobachteten Zitatraten und Quellenpools unterschieden sich nach Engine. Die Domain-Conversion ist die Zahl der zitierten Domains geteilt durch die Zahl der abgerufenen Domains. Die Methodik der Retrieval-Zitat-Auswertung entdoppelt die Domains je Projekt-Engine-Zelle.

Über alle acht B2B-Projekte erhielten 55,6 Prozent der abgerufenen Domains mindestens eine Citation. Der Mittelwert je Projekt lag bei 76,8 Prozent für Google AI Overview, 47,7 Prozent für Perplexity und 40,9 Prozent für ChatGPT. Die zitierten Domain-Pools überschnitten sich je Engine-Paar und Projekt nur zu 0,12 bis 0,21.

Das sind keine Zielwerte. Die anonymisierten Daten decken einen Monat, kommerzielle Prompt-Sets und einen Messstack ab. Das Working Paper ist nicht peer-reviewed. Die Auswertung ist korrelativ: Sie zeigt Häufigkeiten und Unterschiede, keine Ursache.

Woran Sie einen Retrieval Gap erkennen

Beginnen Sie nicht mit einer Liste vermeintlicher GEO-Faktoren. Lokalisieren Sie zuerst den Übergang, an dem die Seite verschwindet.

Signal	Was bestätigt ist	Was Sie daraus nicht wissen	Nächster Test
URL liefert 200, ist nicht noindex und steht in einer Sitemap	Die Seite ist erreichbar und nicht ausdrücklich von der Indexierung ausgeschlossen	Ob eine bestimmte Engine sie indexiert, kennt oder für den Prompt abruft	Indexstatus, robots.txt, CDN/WAF und interne Links prüfen
OAI-SearchBot oder PerplexityBot steht im Server-Log	Der Request nennt diesen User-Agent	Ob der Agent echt ist, welcher Vorgang den Zugriff auslöste und ob eine Citation folgte	User-Agent mit veröffentlichter IP-Liste verifizieren; Zugriffe nach Agent trennen
Ein verifizierter ChatGPT-User- oder Perplexity-User-Request liegt vor	Der jeweilige Anbieter ordnet diesen Agenten Nutzeraktionen zu	Ob der Inhalt ausgewählt oder sichtbar zitiert wurde	Antwort und Citations desselben Runs sichern, wenn die Zuordnung möglich ist
Eine Messplattform weist die URL als retrieved aus	Die URL lag nach Plattformdefinition im Antwortprozess	Ob diese Definition mit einem Server-Fetch übereinstimmt	Methodik der Plattform lesen und Retrieval gegen Citation pro Prompt stellen
Die Antwort enthält eine sehr ähnliche Aussage, aber keinen Link	Die Seite ist eine mögliche Quelle	Ob die Aussage aus Ihrer Seite, einer Parallelquelle oder Trainingswissen stammt	einzigartige Formulierung vergleichen, Runs wiederholen, als Hypothese markieren
Die URL erscheint als Citation	Die Seite war in diesem Run sichtbare Quelle	Ob das Ergebnis morgen, in einem anderen Konto oder einer anderen Engine stabil bleibt	festes Prompt-Set wiederholt und engine-spezifisch messen

Ein manueller Prompt-Test sieht Citations und Brand Mentions. Für den Retrieval-Schritt brauchen Sie Plattformdaten oder einen zugänglichen Trace. Genau dort verläuft die Grenze zwischen einer Beobachtung und einer plausiblen Geschichte.

Der konkrete Fall steht im Beitrag „Abgerufen, aber nicht zitiert: die wertvollste Lücke in Ihrer KI-Sichtbarkeit“. Wenn Sie die Messung systematisch aufbauen wollen, wechseln Sie danach in die Kategorie GEO-Audit.

Typische Ursachen: vier Ebenen statt einer Checkliste

1. Technische Verfügbarkeit

Der einfachste Fehler ist ein geschlossener Zugang. Eine WAF blockiert den Bot, robots.txt schließt den Search-Crawler aus, der Server liefert zeitweise 5xx, oder eine Seite darf nicht indexiert werden. Google verlangt für AI features eine indexierte, snippet-fähige Seite. OpenAI und Perplexity veröffentlichen User-Agents und IP-Bereiche für ihre Search-Crawler.

Der beobachtbare Test ist direkt: Statuscode, gerendertes HTML, robots-Regeln, WAF-Ereignisse und verifizierte Agent-IP. Besteht die Seite diesen Test, ist nur die technische Voraussetzung erfüllt. Selection und Citation bleiben offen.

Die Grundlagen zu Statuscodes stehen im Beitrag über Crawl Budget: Wie HTTP-Status-Codes Ihr SEO-Ranking beeinflussen. Er ist hier Fundament, kein Beleg für einen Zitationsfaktor.

2. Semantische Eindeutigkeit

Eine Engine muss erkennen, welche Organisation, welches Produkt und welche Aussage zusammengehören. Wechselnde Namen, widersprüchliche Leistungsbeschreibungen oder eine unklare Seitenhierarchie erschweren diese Zuordnung vermutlich. Das ist eine Diagnosehypothese, kein belegter Citation-Faktor. Strukturierte Daten sind eine Möglichkeit, sichtbare Beziehungen maschinenlesbar auszudrücken. Ob das die Citation verändert, ist offen.

Prüfen Sie deshalb die Konsistenz: derselbe Markenname, dieselben Produktbezeichnungen, klare Beziehungen und eine Seite mit einem erkennbaren Gegenstand. Verwechselt eine Engine Ihre Marke weiterhin, liegt die nächste Arbeitsebene bei den Entity Maps.

3. Evidenz und Quellenwert

Eine generative Antwort braucht Belege für einzelne Aussagen. Ein Absatz ohne Datum, Methode oder Primärbeleg liefert dafür weniger überprüfbare Informationen als eine Seite, die diese Angaben nennt. Ob die Engine diese Seite auswählt, bleibt damit offen. Wie stark solche Eingriffe wirken, lässt sich nicht als allgemeiner Faktor verkaufen.

Das GEO-Paper testete neun Methoden auf GEO-bench mit 10.000 Queries. Die stärksten Varianten steigerten die dort definierte Visibility um bis zu 40 Prozent. Der reale Perplexity-Test umfasste 200 Samples und vorgegebene Datei-Uploads. Diese Ergebnisse sprechen für überprüfbare Aussagen, Zitate und Statistiken im getesteten Setup. Sie garantieren keinen Uplift auf Ihrer Website in einer heutigen öffentlichen Engine.

Der praktische Test bleibt konkret: Welche Aussage soll die Engine belegen, und ist Ihre Seite dafür die präziseste überprüfbare Quelle? Wenn Sie neuen Content planen, führt die Kategorie AI-Content-Strategie weiter.

4. Engine-spezifische Auswahl

ChatGPT SEO und Perplexity SEO benennen als Suchphrasen dieselbe Absicht: in der jeweiligen Antwort sichtbar werden. Für die Diagnose dürfen sie nicht zusammenfallen. Die Anbieter dokumentieren unterschiedliche Crawler und Fetcher, die eigenen Daten zeigen unterschiedliche Zitatraten und Quellenpools.

Im eigenen B2B-Sample unterschieden sich Zitatraten und Quellenpools nach Engine. Die Daten erklären nicht, warum eine bestimmte URL in einem einzelnen Run erscheint. Daraus folgt eine Messregel: Prompts, Retrieval und Citations je Engine getrennt auswerten.

Zeigt ein Trace Retrieval ohne Citation, liegt die beobachtete Lücke nach dem Abruf; die Selection-Ursache bleibt offen. Fehlt bereits das Retrieval einer indexierten Seite, liegt die Lücke davor. Derselbe Gesamtwert für „KI-Sichtbarkeit“ verdeckt diesen Unterschied.

Welche Rolle Retrieval-Augmented Generation bei der Diagnose spielt

Retrieval-Augmented Generation, kurz RAG, bezeichnet ein Architekturprinzip, bei dem ein generatives Modell auf extern abgerufene Dokumente zugreift. Die Grundlagenarbeit zu Retrieval-Augmented Generation verbindet parametrisches Modellwissen mit einer nicht-parametrischen Wissensquelle.

Das erklärt die Idee hinter dem Abruf. Es beschreibt öffentliche Answer Engines nicht vollständig. ChatGPT, Perplexity und Google legen ihre produktiven Architekturen nur teilweise offen und ändern Routing, Modelle und Quellenwege. Für Website-Verantwortliche ist deshalb die beobachtbare Kette wichtiger als die vermutete interne RAG-Variante.

Was Sie als Nächstes tun sollten

Die Tabelle ordnet den nächsten Test danach, an welcher Stufe die Seite aus der Kette fällt.

Ihre Situation	Nächster Schritt	Ziel
Die Begriffe und Übergänge sind noch unklar	Gehen Sie noch einmal durch die Modellgrafik und die Signaltabelle	Diese Seite
Sie müssen reale Prompts, Mentions und Citations messen	Bauen Sie eine engine-spezifische Baseline auf	GEO-Audit
Crawler oder Indexierung wirken fehlerhaft	Prüfen Sie Zugriff, Rendering und Indexierbarkeit	Technische SEO
Die Marke oder das Angebot wird falsch zugeordnet	Klären Sie Entitäten und Beziehungen	Entity Maps
Inhalte werden abgerufen, aber selten zitiert	Vergleichen Sie Aussage, Evidenz und Konkurrenzquelle	AI-Content-Strategie
Sie brauchen einen Prozess von Messung bis Umsetzung	Sehen Sie sich die kommerzielle Fortsetzung an	Link am Seitenende

Die Reihenfolge trennt die Ursachen nach Stufe. Eine blockierte URL braucht keinen neuen Absatz. Eine häufig abgerufene, selten zitierte Seite braucht nicht automatisch eine technische Migration.

Häufige Fragen

Kann ich LLM-Sichtbarkeit aus der Google Search Console ablesen?

Nur für Google teilweise. Seit Juni 2026 rollt Google einen eigenen Generative-AI-Performance-Bericht für AI Overviews und AI Mode aus. Er zeigt Impressions, betroffene Seiten, Länder, Geräte und Zeitverläufe. Der Bericht zeigt keine Prompts, kein Retrieval, keine interne Selection und keine Daten für ChatGPT oder Perplexity.

Wie viele Prompt-Runs brauche ich für eine Diagnose?

Für diese Diagnose setze ich keinen universellen Mindestwert an. Verwenden Sie ein festes Prompt-Set und wiederholen Sie die Messung je Engine unter denselben Bedingungen. Die eigene Studie nutzte tägliche Messungen über einen Monat; das ist ein dokumentiertes Setup, keine allgemeine Vorgabe.

Welche Angaben gehören in ein Prompt-Testprotokoll?

Speichern Sie den exakten Prompt, Engine und Modellbezeichnung, Datum, Sprache oder Region, sichtbare Antwort, Citations und die Retrieval-Daten des Messsystems. Ohne diese Angaben lässt sich ein späterer Run nicht sauber mit dem ersten vergleichen.

Kann ich Ergebnisse vor und nach einer Seitenänderung vergleichen?

Ja, wenn Prompt-Set, Engine und Messbedingungen gleich bleiben. Dokumentieren Sie die Änderung und werten Sie mehrere Runs aus. Ein einzelner Unterschied nach dem Eingriff belegt noch keine Wirkung.

Wie gehe ich mit wechselnden Citations um?

Speichern Sie alle Runs eines Messfensters. Zählen Sie, wie oft eine URL im festgelegten Zeitraum retrieved und zitiert wurde, getrennt nach Engine. Nur so sehen Sie, ob der Screenshot einen einzelnen Run oder einen wiederkehrenden Befund zeigt.

Alle Beiträge zum Thema

• 19. Juli 2026 · 12 Min. · Datenauswertung

  Warum Sichtbarkeit in einer KI-Engine wenig über die nächste verrät: ein Monat Retrieval-Zitat-Daten aus acht B2B-Projekten

  Ein Monat Retrieval-Zitat-Daten aus acht B2B-Projekten, mit Methodik, Tabellen und Grenzen.

• 29. Juni 2026 · 17 Min. · Methodik

  Wie ChatGPT seine Quellen wählt – und welche GEO-Hebel daraus folgen

  Beobachtete Abrufmechanik, Quellenwege und die Grenze zwischen Befund und vermutetem Ranking-Faktor.

• 25. Juni 2026 · 7 Min. · Feldbeobachtung

  Abgerufen, aber nicht zitiert: die wertvollste Lücke in Ihrer KI-Sichtbarkeit

  Wie Sie den Gap nach dem Retrieval erkennen und vom fehlenden Abruf trennen.

• 30. Juni 2025 · 6 Min. · Technische Grundlage

  Crawl Budget: Wie HTTP-Status-Codes Ihr SEO-Ranking beeinflussen

  Technische Voraussetzungen für Crawling und Indexierung. Der Beitrag erklärt das Fundament, nicht die spätere Quellenauswahl.

Wenn aus der Diagnose ein priorisiertes Programm für GEO-Optimierung werden soll, lesen Sie weiter unter KI-Sichtbarkeit systematisch optimieren.