Generative Engine Optimization: Warum KI-Systeme manche Studios empfehlen – und andere ignorieren

Die Mechanik: Retrieval, Synthese, Zitation

Answer Engines wie ChatGPT Search oder Perplexity arbeiten als Retrieval-Augmented-Generation-Systeme (RAG): Die Antwort entsteht nicht primär aus dem Trainingswissen des Modells, sondern aus live abgerufenen Webdokumenten, die das Modell zusammenfasst. Das hat zwei Konsequenzen, die viele unterschätzen.

Erstens bleibt die Auffindbarkeit über Suchindizes die Eintrittskarte: Was für die zugrunde liegende Suche unsichtbar ist, kann nicht abgerufen und folglich nicht zitiert werden – GEO ersetzt SEO nicht, es setzt es voraus. Zweitens verschiebt sich der Wettbewerb von der Position zur Selektion: Aus zehn abgerufenen Dokumenten werden zwei, drei zitiert. Die Auswahlkriterien dieser zweiten Stufe sind der eigentliche Hebel.

Was die Forschung zeigt: Zitierfähigkeit ist messbar gestaltbar

Die bislang einflussreichste Untersuchung dazu stammt von Aggarwal et al. („GEO: Generative Engine Optimization“, vorgestellt auf der ACM KDD 2024). Die Autoren testeten systematisch, welche Eigenschaften von Webinhalten deren Sichtbarkeit in generativen Antworten erhöhen. Ergebnis: Inhalte, die Statistiken, Zitate und nachvollziehbare Quellenangaben enthalten, steigerten ihre Sichtbarkeit in den Antworten um bis zu rund 40 % – während klassisches Keyword-Stuffing praktisch wirkungslos blieb.

Die Intuition dahinter: Ein Sprachmodell, das eine belastbare Antwort komponieren soll, bevorzugt Passagen, die es wörtlich oder paraphrasiert als Beleg verwenden kann – präzise Zahlen, klare Definitionen, überprüfbare Fakten. Vage Superlative („das führende Studio für ganzheitliche Regeneration“) liefern dem Modell nichts Zitierbares.

Für einen Studiobetreiber heißt das konkret: Die Seite, die „Ganzkörperkälte bei −110 °C, 3 Minuten, Einzelsitzung 59 CHF, 10er-Abo 490 CHF, ärztlich begleitete Erstberatung“ ausweist, ist strukturell zitierfähiger als die Seite, die „Premium-Cryo-Erlebnisse auf höchstem Niveau“ verspricht.

Entitäten statt Keywords: Konsistenz als Rankingfaktor der zweiten Stufe

KI-Systeme modellieren Anbieter als Entitäten – als Knoten mit Attributen wie Name, Ort, Leistungen, Preisen und Relationen zu anderen Entitäten. Widersprechen sich diese Attribute über die Quellen hinweg (auf der Website andere Öffnungszeiten als im Google-Business-Profil, drei Schreibweisen des Studionamens in Verzeichnissen), sinkt die Konfidenz des Systems – und mit ihr die Wahrscheinlichkeit, empfohlen zu werden.

Die technischen Werkzeuge dafür sind etabliert: Schema.org-Auszeichnung (Organization, Service, Offer, FAQPage) macht Attribute maschinenlesbar und eindeutig; konsistente NAP-Daten (Name, Address, Phone) über Website, Google Business und Verzeichnisse hinweg stabilisieren die Entität; und ein gepflegtes FAQ beantwortet exakt die Frageformen, in denen Nutzer mit KI-Systemen sprechen.

Dazu kommt ein junger De-facto-Standard: die llms.txt – 2024 von Jeremy Howard (Answer.AI) vorgeschlagen – stellt KI-Crawlern eine kompakte, maschinenlesbare Zusammenfassung des Angebots bereit, idealerweise automatisch generiert, damit Preise und Leistungen nie von der Website abweichen. Spiegelbildlich gehört die robots.txt auf den Prüfstand: Wer GPTBot, ClaudeBot oder PerplexityBot pauschal aussperrt, hat sich aus diesen Antwortsystemen selbst entfernt.

Die Besonderheit im Gesundheitskontext: Vorsicht schlägt Superlativ

Gesundheitsthemen behandeln Suchsysteme seit Jahren als besonders sensibel (in Googles Terminologie: „Your Money or Your Life“) – generative Systeme übernehmen diese Vorsicht. Bei gesundheitsnahen Fragen bevorzugen sie Quellen mit nüchterner, belegter, einordnender Sprache und meiden Absolutversprechen.

Damit konvergieren zwei Disziplinen auf denselben Schreibstil: Was heilmittelwerberechtlich sicher ist – präzise Fakten, ehrliche Einordnung der Evidenz, keine Heilsversprechen –, ist exakt das, was Ihre Zitierwahrscheinlichkeit in KI-Antworten maximiert. Compliance und GEO sind im Gesundheitsmarkt kein Zielkonflikt, sondern dieselbe Strategie.

Messbarkeit: Share of Recommendation statt Bauchgefühl

GEO ist steuerbar, weil es messbar ist – aber nur mit Systematik. Ein belastbares Monitoring stellt einem Panel realer Kundenfragen („Kryotherapie in [Stadt]“, „bestes Recovery-Studio [Region]“, „was kostet IHHT“) in festen Intervallen dieselben Prompts über mehrere Systeme (ChatGPT, Perplexity, Google AI) und protokolliert: Wird das Studio genannt? An welcher Position? Mit welcher Begründung und welcher zitierten Quelle? Daraus entsteht eine Kennzahl – der Anteil der Antworten, in denen Sie empfohlen werden –, die sich wie ein Ranking über Wochen verfolgen und auf Maßnahmen zurückführen lässt.

Zwei Erwartungen gehören dabei kalibriert: Die Systeme sind nicht deterministisch – dieselbe Frage kann unterschiedlich beantwortet werden, weshalb nur Trends über viele Messungen aussagekräftig sind. Und der Markt ist früh: Kaum ein lokaler Health-Anbieter betreibt GEO systematisch, weshalb der Vorsprung der ersten Bewegten derzeit überproportional groß ist – ein Fenster, das sich mit der Professionalisierung des Feldes schließen wird.