Verstehen · Ziel-Fokus
GEO statt SEO? Zwei Zonen im LLM Retrieval Gap
Die Frage greift zu kurz: Ein Google-Ranking macht eine Seite auffindbar, doch Abruf, Verwendung und sichtbare Verlinkung entscheiden sich in weiteren Schritten.
GEO ergänzt SEO.
Ich verwende LLM Retrieval Gap als Arbeitsbegriff für diese Lücke, nicht als etablierten Suchbegriff; nach dem Guide können Sie Ranking, Abruf und Citation getrennt prüfen und Selection als offene Hypothese markieren.
Neue Analysen und Erkenntnisse
Drei KI-Engines, drei fast getrennte Quellenpools
Ein Monat über acht B2B-Projekte: ChatGPT, Perplexity und Google AI Overview zitieren abgerufene Quellen unterschiedlich häufig. Die zitierten Domain-Pools überschneiden sich je Engine-Paar nur zu 0,12 bis 0,21.
Wie ChatGPT seine Quellen wählt
Der Datenverkehr unter einer Antwort zeigt Abrufwege und Quelltypen. Eine belastbare Rangformel zeigt er nicht. Der Beitrag trennt beobachtete Mechanik von Vermutungen über Auswahlfaktoren.
Abgerufen, aber nicht zitiert
Eine Seite liegt bereits im Quellenpool, erscheint aber nicht als sichtbarer Beleg. Dieser Fall verlangt eine andere Prüfung als eine Seite, die gar nicht abgerufen wird.
Kurzantwort: GEO statt SEO?
GEO ergänzt SEO. Search Engine Optimization schafft die technische und inhaltliche Grundlage, damit Suchsysteme eine Seite crawlen, indexieren und für eine Frage einordnen können. Generative Engine Optimization richtet den Blick auf die generierte Antwort: Wird die Quelle abgerufen, ausgewählt, zitiert und die Marke korrekt dargestellt?
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 sogar eine technische Voraussetzung: Eine Seite muss laut Google Search Central indexiert sein und mit einem Snippet erscheinen dürfen, um als unterstützender Link infrage zu kommen. 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.
Dieser Guide bleibt bei der Diagnose. Die kommerzielle Fortsetzung steht am Seitenende.
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 diesen Guide 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 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. Finden Sie den Übergang, an dem Ihre Seite aus der Kette fällt.
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.
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.
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 den vier Assistants ChatGPT, Gemini, Copilot und Perplexity mit Google und Bing. Für den Google-Vergleich führt Ahrefs fünf Reihen, weil ChatGPT-In-Text-Citations und References getrennt zählen. Im Durchschnitt lagen 11,9 Prozent der ausgewerteten AI-Citations in Googles Top 10 für den ursprünglichen Prompt. Perplexity wich stark ab: Dort waren es 28,6 Prozent. Schon innerhalb derselben Studie gibt es also 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. In meiner Auswertung von acht B2B-Projekten erhielten 55,6 Prozent der abgerufenen Domain-Projekt-Beobachtungen 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 „abgerufen, aber nicht zitiert“ ist im gleichnamigen Beitrag ausführlich beschrieben. 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 und HTTP-Statuscodes. 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.
Retrieval Augmented Generation: wichtige Randnotiz, falscher Haupt-Intent
Retrieval-Augmented Generation, kurz RAG, bezeichnet ein Architekturprinzip, bei dem ein generatives Modell auf extern abgerufene Dokumente zugreift. Die grundlegende Arbeit von Lewis und Kollegen 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
| 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 teilweise. Google zählt Zugriffe aus AI Overviews und AI Mode zum Web-Suchtyp. Die Search Console trennt diesen Anteil nicht als vollständigen Retrieval- oder Citation-Datensatz. ChatGPT und Perplexity liegen außerhalb dieser Messung.
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
Drei KI-Engines, drei fast getrennte Quellenpools
Ein Monat Retrieval-Zitat-Daten aus acht B2B-Projekten, mit Methodik, Tabellen und Grenzen.
Wie ChatGPT seine Quellen wählt
Beobachtete Abrufmechanik, Quellenwege und die Grenze zwischen Befund und vermutetem Ranking-Faktor.
Abgerufen, aber nicht zitiert
Wie Sie den Gap nach dem Retrieval erkennen und vom fehlenden Abruf trennen.
Crawl Budget und HTTP-Statuscodes
Technische Voraussetzungen für Crawling und Indexierung. Der Beitrag erklärt das Fundament, nicht die spätere Quellenauswahl.
Weitere Ziele
Ein Retrieval Gap ist selten die ganze Diagnose. Technische Blockaden gehören in Technische SEO. Unklare Marken- und Produktbeziehungen führen zu Entity Maps. Für neue oder überarbeitete Quellenblöcke ist die AI-Content-Strategie der passende nächste Kontext. Die Messung über Prompts und Engines bündelt die Kategorie GEO-Audit.
Wenn aus der Diagnose ein priorisiertes Programm für GEO-Optimierung werden soll, lesen Sie weiter unter KI-Sichtbarkeit systematisch optimieren.