Generative Engine Optimization: Was die Forschung über GEO weiß

Generative Engine Optimization ist seit 2024 ein eigenes Forschungsfeld. Seitdem erscheinen Studien aus Informatik, Marketing und Informationswissenschaft, die messen, wie oft KI-Antworten erscheinen, welche Quellen sie auswählen, wie viel Traffic sie Websites kosten und welche Maßnahmen die Sichtbarkeit in diesen Antworten nachweislich erhöhen. Dieser Beitrag fasst die wichtigsten Befunde aus elf wissenschaftlichen Arbeiten zusammen und übersetzt sie in konkrete Maßnahmen für Unternehmen. Er ergänzt unseren Grundlagenartikel zu GEO SEO und die Leistungsseite GEO Optimierung. Wie die Systeme selbst funktionieren, erklärt der Beitrag KI-Suche: Systeme, Technik und Folgen für Websites.

Was Generative Engine Optimization ist

Der Begriff Generative Engine Optimization wurde 2024 von einem Forschungsteam um Pranjal Aggarwal und Ameet Deshpande von der Princeton University geprägt. Die Autoren beschreiben generative Suchmaschinen als Systeme, die Informationen aus mehreren Quellen sammeln, mit einem Sprachmodell zusammenfassen und als direkte Antwort ausgeben. Für Website-Betreiber entsteht dadurch ein Problem: Sie haben kaum Kontrolle darüber, ob und wie ihre Inhalte in diesen Antworten vorkommen (Aggarwal et al., 2024).

GEO ist die Antwort auf dieses Problem. Gemeint sind alle Maßnahmen, die die Wahrscheinlichkeit erhöhen, dass ein Inhalt von einem generativen System abgerufen, als Quelle ausgewählt, korrekt wiedergegeben und sichtbar zitiert wird. Das unterscheidet sich von klassischer Suchmaschinenoptimierung in einem zentralen Punkt: Es geht nicht mehr um eine Position in einer Liste, sondern darum, Teil einer Antwort zu werden.

Neuere Arbeiten präzisieren den Begriff weiter. Kim et al. (2026) sprechen von Search-Augmented Generative Engines, also Systemen, die zuerst im Web suchen, die Treffer neu bewerten und erst dann eine Antwort formulieren. Optimierung muss deshalb auf drei Stufen wirken: beim Abruf, bei der Neubewertung und bei der Antwortgenerierung. Wer nur an der Formulierung seiner Texte arbeitet, aber im Suchindex nicht auffindbar ist, kommt in der Antwort nicht vor.

Wie oft KI-Antworten erscheinen

Wie relevant GEO ist, hängt davon ab, wie oft Nutzer überhaupt KI-Antworten sehen. Die Forschung liefert dazu je nach Methode unterschiedliche, aber übereinstimmend hohe Werte. Eine Untersuchung mit 11.500 realen Nutzeranfragen findet, dass Google für 51,5 Prozent der Anfragen ein AI Overview oberhalb der organischen Ergebnisse ausspielt (Grossman et al., 2026). Ein Feldexperiment mit echten Nutzern misst AI Overviews bei rund 41 Prozent der beobachteten Anfragen, bei informationsorientierten Anfragen sind es 53 Prozent (Agarwal & Sen, 2026).

Eine groß angelegte Messung von Xu et al. (2026) kommt über alle Anfragen hinweg auf eine Aktivierungsrate von 13,7 Prozent, zeigt aber den entscheidenden Unterschied: Bei Anfragen in Frageform steigt die Rate auf 64,7 Prozent, bei anderen Anfragen liegt sie bei 9,5 Prozent. Eine Studie mit mehreren Tausend Teilnehmern bestätigt das Muster für die Nutzerseite. Fragen lösten in 49 Prozent der Fälle eine KI-Antwort aus, Aussagen in 16 Prozent und navigationsorientierte Suchen nur in 4 Prozent (Li & Aral, 2025).

Für Unternehmen heißt das: Je näher eine Suchanfrage an einer echten Frage ist, desto wahrscheinlicher entscheidet eine KI-Antwort darüber, wer gesehen wird. Genau diese Anfragen stehen am Anfang vieler Kaufentscheidungen: Welche Versicherung passt zu mir, welcher Anbieter ist seriös, was kostet eine Leistung.

Auch das Nutzungsverhalten verschiebt sich. In einer Befragung von 2024 gaben 85 Prozent der Teilnehmer an, generative KI zu nutzen, und 63 Prozent davon nutzten sie für die Informationssuche, den häufigsten Anwendungsfall überhaupt (Li & Aral, 2025). Eine Studie mit 1.526 Teilnehmern zeigt zudem, dass ChatGPT-Nutzer bei praktischen Suchaufgaben schneller zur richtigen Antwort kamen als Google-Nutzer, dabei aber deutlich seltener Originalquellen aufriefen (Kaiser et al., 2025).

Was mit dem Traffic passiert

Der wirtschaftlich wichtigste Befund betrifft die Klicks. In einem randomisierten Feldexperiment reduzierten eingeblendete AI Overviews die organischen Klicks um 38 Prozent und erhöhten den Anteil der Suchen ohne jeden Klick um 33 Prozent. Wurde das AI Overview für dieselben Anfragen entfernt, stiegen die ausgehenden organischen Klicks um 88 Prozent gegenüber der Kontrollgruppe (Agarwal & Sen, 2026).

Eine zweite Arbeit nutzt die schrittweise Einführung von AI Overviews in verschiedenen Ländern und vergleicht Wikipedia-Artikel in unterschiedlichen Sprachen. Über 161.382 Artikelpaare hinweg sank der tägliche Traffic auf englische Artikel durch AI Overviews um rund 15 Prozent (Khosravi & Yoganarasimhan, 2026). Der Effekt ist kleiner als im Feldexperiment, aber über Monate stabil.

Interessant ist, wohin die Aufmerksamkeit wandert. Eine Untersuchung zu Reddit zeigt, dass Diskussionen in Communities, die von AI Overviews zitiert werden, um 12 Prozent mehr Kommentare und um 12,4 Prozent mehr aktive Autoren erhielten (Zhang, Cui & Zhang, 2026). Wer zitiert wird, gewinnt also weiterhin Besucher und Beteiligung. Wer nicht zitiert wird, verliert sie.

Für Publisher kommt ein zweiter Effekt hinzu. Mehr als die Hälfte der von AI Overviews zitierten Seiten finanziert sich über Display-Werbung, während Googles eigene Anzeigen weiterhin auf den Ergebnisseiten erscheinen, teilweise oberhalb des AI Overviews (Xu et al., 2026). Die Wertschöpfung verschiebt sich damit von der zitierten Seite zur Plattform.

Welche Maßnahmen nachweislich wirken

Die Studie von Aggarwal et al. (2024) ist bis heute die am häufigsten zitierte Arbeit zu konkreten GEO-Maßnahmen. Das Team hat mit GEO-bench einen Datensatz aus rund 10.000 Anfragen über viele Themengebiete aufgebaut und neun Optimierungsmethoden an realen generativen Suchmaschinen getestet. Gemessen wurde, wie viel Platz eine Quelle in der Antwort erhält und wie prominent sie dort steht.

Das zentrale Ergebnis: Die besten Methoden erhöhten die Sichtbarkeit einer Quelle um bis zu 40 Prozent. Im Einzelnen zeigte sich folgendes Bild.

Zwei Details sind für die Praxis besonders wichtig. Erstens wirken die Methoden je nach Themenfeld unterschiedlich: Statistiken helfen vor allem bei Recht, Verwaltung und Meinungsfragen, Zitate bei gesellschaftlichen, erklärenden und historischen Themen (Aggarwal et al., 2024). Zweitens ist die Kombination aus flüssigem Text und ergänzten Statistiken die stärkste getestete Variante. Inhalt und Form müssen also zusammen optimiert werden.

Eine Befragung von Digital-Fachleuten bestätigt die Richtung aus Sicht der Praxis. Semantische Keyword-Verwendung, Inhaltsqualität und strukturierte Daten bleiben für Sichtbarkeit in KI-Systemen entscheidend, und Nutzersignale gewinnen an Gewicht (Makrydakis, Spiliotopoulos & Lymperi, 2025).

Eine wichtige Einschränkung liefert die jüngste Forschung. Kim et al. (2026) haben GEO-Methoden in einer realistischen Umgebung mit vollständiger Such-, Neubewertungs- und Antwortpipeline getestet. Dort verlieren viele der einfachen Textoptimierungen ihre Wirkung und verschlechtern teilweise sogar den Abruf und die Neubewertung. Strukturelle Informationen wie Schema-Markup mildern diesen Effekt. Die Autoren schließen daraus, dass wirksame Optimierung auf jede Stufe der Pipeline zugeschnitten sein muss. Für Unternehmen heißt das: Textliche GEO-Maßnahmen funktionieren nur auf einem technisch und inhaltlich sauberen SEO-Fundament.

Wie KI-Systeme Quellen auswählen

Eine verbreitete Annahme lautet, dass KI-Antworten einfach die Top-10 von Google zusammenfassen. Die Daten widersprechen dem. Bei Google AI Overviews stammen 29,8 Prozent der zitierten Domains nicht aus den organischen Ergebnissen der ersten Seite (Xu et al., 2026). Die zitierten Domains sind im Durchschnitt glaubwürdiger als die gleichzeitig angezeigten organischen Treffer. Google nutzt für die Antwort also einen eigenen Quellenpool mit eigener Priorisierung.

Der Vergleich verschiedener Systeme bestätigt das. Google-Suche, AI Overviews und Gemini greifen für dieselbe Anfrage auf weitgehend unterschiedliche Quellen zurück, die Überschneidung liegt im Schnitt unter 20 Prozent (Grossman et al., 2026). Klassische Suche bevorzugt populäre und institutionelle Websites aus Verwaltung und Bildung, generative Systeme bevorzugen häufiger Inhalte aus Googles eigenem Ökosystem. Websites, die Googles KI-Crawler blockieren, werden deutlich seltener in AI Overviews zitiert, selbst wenn die Inhalte zugänglich sind.

Zwei weitere Eigenschaften der Systeme sind für die Planung wichtig. AI Overviews liefern bei zwei Durchläufen derselben Anfrage unterschiedliche Ergebnisse und reagieren empfindlich auf kleine Änderungen der Formulierung (Grossman et al., 2026). Sichtbarkeit in KI-Antworten ist deshalb keine feste Position, sondern eine Wahrscheinlichkeit, die über viele Formulierungen einer Frage hinweg gemessen werden muss.

Dazu kommt die Rolle von Entitäten. Generative Systeme arbeiten mit Wissensstrukturen, in denen Unternehmen, Personen, Produkte und Orte als eindeutige Objekte mit Beziehungen hinterlegt sind. Je klarer eine Marke als Entität erkennbar ist, mit konsistenten Angaben auf der eigenen Website, in Verzeichnissen und in vertrauenswürdigen Drittquellen, desto leichter kann ein System sie zuordnen und nennen. Mehr dazu in unseren Beiträgen zu Entitäten SEO und Brand Mentions.

Vertrauen, Fehler und Risiken

Ob eine KI-Antwort das Verhalten der Nutzer verändert, hängt vom Vertrauen ab. Ein groß angelegtes Experiment zeigt, dass Nutzer, die generativer Suche stärker vertrauen, häufiger klicken und weniger Zeit mit der Prüfung der Antworten verbringen. Das Vertrauen steigt, wenn Quellen angegeben werden, und sinkt, wenn das System seine Unsicherheit offenlegt (Li & Aral, 2025). Für Unternehmen bedeutet das: Die Quellenangabe in der KI-Antwort ist der Moment, in dem Vertrauen auf die Marke übergeht.

Gleichzeitig sind die Systeme nicht fehlerfrei. In einer Analyse von 98.020 einzelnen Aussagen aus AI Overviews waren 11 Prozent nicht durch die zitierten Seiten gedeckt, 4,1 Prozent widersprachen den Quellen sogar (Xu et al., 2026). Schon früh wurde gewarnt, dass generative Suche durch das Zusammenfügen semantisch ähnlicher, aber inhaltlich falscher Textstellen unzuverlässiger werden kann als klassische Suche (Memon & West, 2024).

Daraus ergibt sich eine neue Aufgabe für Marketing und Kommunikation: nicht nur sichtbar werden, sondern auch korrekt wiedergegeben werden. Wer eindeutige, gut strukturierte und belegte Aussagen veröffentlicht, verringert das Risiko, dass ein System Preise, Leistungen oder Zuständigkeiten falsch zusammenfasst. Regelmäßiges Monitoring der KI-Antworten zu den eigenen Kernfragen gehört deshalb zu jeder GEO-Strategie.

Checkliste: GEO auf Basis der Forschung

Aus den Studien lassen sich zehn Maßnahmen ableiten, die wir in jedem GEO Audit prüfen.

1. Fragen beantworten, nicht Keywords bedienen. Frageformulierte Anfragen lösen am häufigsten KI-Antworten aus. Jede wichtige Seite sollte die zentrale Frage ihrer Zielgruppe im ersten Absatz direkt beantworten.
2. Zahlen mit Quelle nennen. Statistiken mit Beleg gehören zu den wirksamsten Maßnahmen. Ersetze vage Adjektive durch konkrete, belegte Werte.
3. Zitate von Experten und Primärquellen einbauen. Wörtliche Aussagen erhöhen die Chance, in die Antwort übernommen zu werden.
4. Quellen offen verlinken. Belegte Inhalte werden häufiger zitiert und gelten als glaubwürdiger.
5. Verständlich schreiben. Kurze Sätze, klare Absätze und Zwischenüberschriften in Frageform bringen allein 15 bis 30 Prozent mehr Sichtbarkeit.
6. Keyword Stuffing beenden. Es bringt in generativen Systemen nichts und schadet der Lesbarkeit.
7. Strukturierte Daten pflegen. Schema-Markup für Organisation, Person, Produkt, FAQ und Artikel hilft Systemen beim Abruf und bei der Zuordnung.
8. KI-Crawler zulassen. Blockierte Crawler führen nachweislich zu weniger Zitaten. Prüfe robots.txt für GPTBot, Google-Extended, PerplexityBot und ClaudeBot und ergänze eine llms.txt.
9. Marke als Entität aufbauen. Konsistente Unternehmensdaten, Autorenprofile, Erwähnungen in Fachmedien und Verzeichnissen machen die Marke für Systeme eindeutig.
10. Sichtbarkeit messen. Teste die Kernfragen deiner Zielgruppe regelmäßig in ChatGPT, Perplexity und Google AI, werte KI-Referrer und Crawler-Zugriffe aus und prüfe, ob die Aussagen über dein Unternehmen stimmen.

Häufige Fragen zu Generative Engine Optimization

Quellen

• Agarwal, S. & Sen, A. (2026). The Impact of Google AI Overviews on Publisher Traffic and User Experience: Evidence from a Field Experiment. doi.org/10.2139/ssrn.6513059
• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference (KDD ’24). doi.org/10.48550/arXiv.2311.09735
• Grossman, R., Liu, S., Chen, M. K., Smith, M., Borcea, C. & Chen, Y. (2026). How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews. Proceedings of SIGIR ’26. ACM.
• Kaiser, C., Kaiser, J., Schallner, R. & Schneider, S. (2025). A New Era of Online Search? A Large-Scale Study of User Behavior and Personal Preferences during Practical Search Tasks with Generative AI versus Traditional Search Engines. CHI EA ’25. ACM. doi.org/10.1145/3706599.3720123
• Khosravi, M. & Yoganarasimhan, H. (2026). Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia. doi.org/10.48550/arXiv.2602.18455
• Kim, S., Jeong, W., Kim, S., Lee, S. & Lee, D. (2026). SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization. doi.org/10.48550/arXiv.2602.12187
• Li, H. & Aral, S. (2025). Human Trust in AI Search: A Large-Scale Experiment. doi.org/10.48550/arXiv.2504.06435
• Makrydakis, N. S., Spiliotopoulos, D. & Lymperi, A. (2025). Analysis of search engine optimization tactics in the context of digital marketing for enhancing websites ranking and visibility in Generative AI and large language models. International Journal of Research in Management, 7(1), 1107–1113.
• Memon, S. A. & West, J. D. (2024). Search engines post-ChatGPT: How generative artificial intelligence could make search less reliable. arxiv.org/abs/2402.11707
• Xu, H., Iqbal, U. & Montgomery, J. M. (2026). Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact. arxiv.org/abs/2605.14021
• Zhang, P., Cui, R. & Zhang, D. J. (2026). The Impact of AI Search on the Online Content Ecosystem: Evidence from Google and Reddit. arxiv.org/abs/2605.16428

Dirk Schiff

Dirk Schiff ist Inhaber der Agentur In-SEO.de und war zuvor Head of SEO bei AnalyticaA in München. Er ist Master (MBA) im Bereich Digital Business mit Schwerpunkt Search Engine (SEO und (SEA), Journalist (FJS) und Online Marketing Experte. Er optimiert seit über 19 Jahren Internetseiten. Er leitete bei stellenanzeigen.de den SEO-Bereich Inhouse, sowie für 40 Verlagsportale.