LLMs und die Zukunft des Marketing: GEO als Schlüssel zur zitierten Autorität

Die digitale Marketinglandschaft befindet sich an einem historischen Wendepunkt. Wir erleben den Übergang von einer linkbasierten Aufmerksamkeitsökonomie zu einer synthesegestützten Informationsversorgung. Während die klassische Suchmaschinenoptimierung (SEO) über zwei Jahrzehnte hinweg das Ranking in Listen aus „blauen Links" definierte, erzwingt der Aufstieg großer Sprachmodelle (LLMs) eine radikale Neuausrichtung.

Generative Engine Optimization (GEO) tritt als jene Disziplin hervor, die Inhalte so strukturiert, dass sie von KI-Systemen wie ChatGPT, Perplexity, Gemini und Microsoft Copilot nicht nur gefunden, sondern als maßgebliche Quellen zitiert und integriert werden.

1. Der Paradigmenwechsel: Von der Suche zur Synthese

In der Ära der generativen Motoren tritt an die Stelle der bloßen Auflistung die Synthese. KI-Agenten nutzen Techniken wie Retrieval-Augmented Generation (RAG), um in Echtzeit Informationen aus dem Web zu beziehen, diese zu gewichten und in eine kohärente, narrative Antwort einzubetten.

Dieser Prozess erschüttert die SEO-Industrie grundlegend. Webarchitekturen, die primär für menschliche Nutzer und klassische Crawler entworfen wurden, müssen nun für KI-Agenten refakturiert werden.

Neu hinzugekommen ist die Fan-out-Mechanik: Google beschreibt, dass generative Suchfunktionen Retrieval-Augmented Generation und Query Fan-out nutzen, um eine Anfrage in mehrere Teilfragen aufzufächern und Antworten aus einem ganzen Themencluster statt aus einer einzelnen Seite zusammenzusetzen. Wer zitiert werden will, gewinnt also nicht mehr allein über eine rankende Seite, sondern über die Tiefe und Vernetzung eines Themenclusters.

2. Die Mechanik der KI-Sichtbarkeit: Erreichbarkeit vor Token-Budget

Um eine Webseite effektiv zu optimieren, ist ein tiefes Verständnis der RAG-Architektur notwendig. Der Prozess verläuft in drei Phasen: Retrieval, Ranking und Generation.

Lange kursierte die These, ein durchschnittliches HTML-Dokument sprenge mit über 80.000 Token und einem CSS-/JavaScript-Anteil von 90 % das Kontextfenster der Modelle – und nur radikal bereinigter Code oder Markdown-Versionen kämen durch. Google widerspricht dem inzwischen ausdrücklich in der eigenen Dokumentation: Perfekt semantisches HTML sei nicht erforderlich, maschinenlesbare Sonderformate, Markdown-Duplikate oder spezielles KI-Markup seien für generative Suchfunktionen nicht nötig. Der Fokus solle stattdessen auf menschlicher Lesbarkeit liegen.

Unsere Empfehlung: Der belegte Hebel ist Erreichbarkeit, nicht Formatoptimierung. Die Seite muss crawlbar sein, mit Statuscode 200 antworten und Preview-Snippets erlauben – ein einzelnes nosnippet-Directive kann Zitate vollständig verhindern. Vermeiden Sie weiterhin rein client-seitiges Rendering ohne Server-HTML, da KI-Crawler überwiegend das vom Server ausgelieferte HTML lesen und keine interaktiven Elemente bedienen.

3. Crawler-Steuerung: Training, Antwort und Agent

Lange galt llms.txt – eine Markdown-Datei im Stammverzeichnis, die Inhalte für KI-Agenten auflistet – als kommender Standard. Die Datenlage widerlegt das: Google bestätigt in der eigenen Search-Dokumentation, dass llms.txt weder positiven noch negativen Einfluss auf Rankings oder AI Overviews hat und von der Suche ignoriert wird. John Mueller nennt sie eine vorübergehende Krücke, um Tokens für KI-Coding-Tools zu sparen, nicht für die Suche gemacht; ein selbst deklariertes Manifest könne ohnehin nicht zwischen Websites differenzieren, weil jede Seite behaupten würde, die beste zu sein. Die Zahlen bestätigen das: Bei über 137.000 untersuchten Domains werden 97 % aller llms.txt-Dateien nie gelesen, die Adoptionsrate liegt bei rund 10 %, und unter den 50 meistzitierten Domains führt genau eine die Datei. In einer Meta-Analyse über 23 GEO-Faktoren ist llms.txt mit 2,0 von 10 Punkten der am schwächsten belegte überhaupt.

Eine schmale Ausnahme bleibt: Wenn ein KI-Agent bereits auf der Website navigiert – etwa im Rahmen neuer Funktionen für agentisches Browsen –, kann ein automatisiertes Inhaltsverzeichnis die Navigation erleichtern. llms.txt ist damit kein Weg, gefunden zu werden, sondern bestenfalls ein Weg, sich innerhalb einer Seite navigieren zu lassen.

Wichtiger als llms.txt ist die saubere Steuerung der KI-Crawler selbst – und die Unterscheidung zwischen Training, Index/Zitation und nutzergesteuertem Live-Abruf:

Entscheidend ist die Trennung der Rollen: Weil Training und Suche getrennte Agenten sind, kann eine Website sich vom Modelltraining ausnehmen (z. B. über GPTBot oder ClaudeBot) und trotzdem für Zitate in KI-Antworten in Frage kommen, solange die Search- und User-Bots zugelassen bleiben. Ein Vorbehalt gehört dazu: Bittet ein Nutzer ChatGPT oder Perplexity, eine bestimmte URL zusammenzufassen, behandeln die Anbieter das oft als nutzergesteuerten Zugriff, für den robots.txt-Regeln nicht wie erwartet greifen.

4. Inhaltsstrategie: Faktendichte und „Answer Capsules"

KI-Modelle filtern werbliches „Gerede" oft aus und bevorzugen Sätze mit konkreten Datenpunkten, um das Risiko von Halluzinationen zu minimieren.

Diese Werte stammen aus einem vielzitierten Princeton/KDD-Benchmark von 2024 und sind ein Laborbefund auf synthetischen Suchanfragen, kein Feldbeweis aus echten KI-Antworten – Statistiken bleiben darin mit rund 41 % die wirksamste Einzeltaktik. Feldnahe Bewertungen bestätigen zumindest die Richtung: In einer aktuellen Faktoren-Analyse erreichen „Answer Near the Top" 8,8 von 10 Punkten, „AI-ready Structure" 8,6 und „Self-Contained Passages" 8,0.

Das Konzept der Antwort-Kapseln (Answer Capsules):

Erstellen Sie prägnante Blöcke von 40 bis 60 Wörtern, die eine Frage direkt und ohne Umschweife beantworten. Ein effektiver Aufbau folgt dem Muster: Definition – Differenzierung – Beleg. Platzieren Sie diese am Anfang relevanter Abschnitte, um der KI das „Lifting" zu erleichtern.

5. Knowledge Engineering: Verschachteltes Schema-Markup

Strukturiertes Daten-Markup in Form von JSON-LD bleibt für Rich Results nützlich, ist laut Google aber kein besonderes Signal für generative KI-Features – strukturierte Daten ersetzen keine gut lesbaren, menschverständlichen Inhalte. Die sameAs-Verknüpfung bleibt trotzdem sinnvoll: Sie verbindet die eigene Webseite mit anderen maßgeblichen Identifikatoren wie Wikipedia-Einträgen, LinkedIn-Unternehmensprofilen oder Wikidata-IDs und stützt so die Entitätserkennung.

Fortgeschrittene Strategien setzen zudem auf verschachteltes Schema (Nested Schema). Anstatt isolierte Blöcke zu definieren, sollte das Produkt innerhalb des Organisationsschemas eingebettet werden. Ergänzen Sie das knowsAbout-Property, um Fachgebiete explizit zu deklarieren und so die Relevanz für spezifische Themenabfragen zu sichern.

6. Plattformspezifische Optimierungsmuster

Trotz technischer Gemeinsamkeiten haben die führenden Plattformen unterschiedliche Schwerpunkte:

7. Messung 2026: nativer KI-Kanal und seine Lücken

Die Zeit selbstgebauter Regex-Kanalgruppen ist vorbei. Seit dem 13. Mai 2026 erkennt Google Analytics 4 (GA4) KI-Assistenten nativ und weist sie einem eigenen Kanal zu – ohne Setup, ohne UTM-Bastelei.

Verlassen sollte man sich darauf trotzdem nicht ganz. Der native Kanal erfasst fünf Quellen: ChatGPT, Gemini, DeepSeek, Copilot und Grok. Claude und Perplexity fehlen und landen weiterhin unter Referral. Er wirkt nicht rückwirkend. Und er erfasst ausgerechnet die größte Oberfläche nicht: Klicks aus Google AI Overviews und AI Mode zählen weiterhin als Organic Search – dafür startete die Google Search Console im Juni 2026 einen eigenen Bericht „Generative AI" mit Impressionen für beide Flächen.

Drei Attributionslücken sollten Sie kennen:

Die ehrlichste Ebene bleibt das Server-Log: welche KI-Crawler welche Seiten holen, wie oft, mit welchem Statuscode. Ergänzt um promptbasiertes Monitoring – ob und wie die Marke in tatsächlichen KI-Antworten auftaucht – ergibt das ein belastbares Bild. Reines Traffic-Reporting allein liefert das nicht.

Zur Einordnung: KI-Plattformen machen aktuell rund 0,32 % des globalen Website-Traffics aus, nach 0,24 % 2025 und 0,02 % 2024 – im DACH-Raum liegen die Werte meist zwischen 0,2 und 0,6 %. ChatGPT führt mit knapp 75 % des KI-Referral-Traffics vor Gemini (11,6 %), Perplexity (7,2 %), Copilot (3,5 %) und Claude (2,6 %). Der Grund, sich trotz des geringen Volumens damit zu befassen, ist die Qualität: KI-verwiesene Besucher konvertieren laut Semrush rund 4,4-mal so gut wie organische Suchbesucher, im B2B-Bereich werden Faktoren von 6 bis 23 berichtet, und Adobe maß im Mai 2026 über mehr als eine Billion Besuche auf US-Retail-Seiten eine um 54 % höhere Conversion bei KI-verwiesenem Traffic.

Fazit: GEO ist SEO mit zusätzlichen Schritten

In einer Welt, in der die KI die Antwort liefert, ist es wertvoller, das Zitat in der Antwort zu sein als der zehnte Link auf einer Ergebnisseite. Das ändert aber nichts an der Grundannahme: GEO ersetzt SEO nicht, sondern erweitert es. Google sagt das inzwischen selbst in der eigenen Dokumentation, und Erreichbarkeit, Ranking und Markenautorität bleiben die tragenden Fundamente – nur die Oberfläche, auf der sie sich auszahlen, hat sich vervielfacht.

Wer als Marketer in dieser neuen Ära bestehen will, muss die Grenzen zwischen SEO, technischem Engineering und strategischer PR trotzdem auflösen. Marken, die auf Erreichbarkeit, Themencluster und Earned Media statt auf kurzlebige Checklisten-Taktiken wie llms.txt setzen, sichern sich die Pole-Position in der Informationsarchitektur der Zukunft.

*GEO: Generative Engine Optimization on Pranjal Aggarwal et al. – ACM DL (offiziell): https://dl.acm.org/doi/10.1145/3637528.3671900. Ergänzend: Google, „Optimizing your website for generative AI features on Google Search" (Mai 2026).