AEO und GEO für AI Overviews, ChatGPT, Claude, Gemini und Perplexity

• Suchergebnisse verändern sich zunehmend von einer bloßen Linkliste hin zu Quellseiten, die die KI anstelle des Nutzers liest, und AI Overviews, ChatGPT, Claude, Perplexity und Gemini greifen alle in Echtzeit auf Web-Seiten zu
• AEO (Answer Engine Optimization) ist die Arbeit, zur zitierten Quelle zu werden, wenn eine Answer Engine direkt Antworten liefert; GEO (Generative Engine Optimization) ist die Arbeit, in Antworten vorzukommen, die eine generative KI verfasst
• Google definiert beide Konzepte in seinem eigenen Leitfaden zur KI-Optimierung als Abwandlungen der bestehenden SEO und stellt ausdrücklich fest, dass dieselben Ranking- und Qualitätssysteme sowohl die normale Suche als auch AI Overviews bestimmen
• Voraussetzung für Sichtbarkeit in KI-Funktionen ist die Eignung für normale Such-Snippets; Probleme mit gesperrtem Crawling, Rendering oder Indexierung haben Vorrang vor der Inhaltsoptimierung
• Zitierte Seiten enthalten konkrete Zahlen, eigene Erfahrungen und unverwechselbare Details, die ein Modell nicht allein aus Trainingsdaten schreiben kann; AEO/GEO ist keine von SEO getrennte Disziplin, sondern deren Verlängerung

---

Definition und Einordnung von AEO und GEO

• Anders als noch vor zwei Jahren eröffnet Google Suchergebnisse heute mit AI Overviews, ChatGPT und Claude ziehen Web-Ergebnisse in Echtzeit in Antworten hinein, Perplexity baut sein Produkt genau darauf auf, und Gemini ist mit einem Tipp über alle Google-Oberflächen erreichbar
• Seiten sind nicht länger das Ziel, sondern die Quelle, die ein Modell stellvertretend für den Nutzer liest
• AEO (Answer Engine Optimization): die Arbeit, zur Quelle zu werden, die genutzt wird, wenn eine Answer Engine statt einer Linkliste direkt antwortet
• GEO (Generative Engine Optimization): die Arbeit, in Antworten vorzukommen, die eine generative KI unter Bezug auf Seiten von Grund auf formuliert
• Googles Leitfaden zur KI-Optimierung definiert: „Optimierung für generative KI-Suche ist Optimierung für das Sucherlebnis und damit weiterhin SEO“
  • Dieselben Ranking- und Qualitätssysteme, die die Liste blauer Links bestimmen, entscheiden auch über die Sichtbarkeit in AI Overviews
  • Verbesserungen auf der einen Seite verbessern auch die andere
• Jede KI-Oberfläche nutzt unterschiedliche Web-Indizes, doch die meisten dieser Indizes sind Unterergebnisse derselben Crawl-, Render- und Qualitätsarbeit

Eignung (Eligibility) geht allem anderen voraus

• Damit eine Seite in KI-Funktionen erscheinen kann, muss sie zuerst für normale Such-Snippets geeignet sein
  • Die URL muss indexiert sein
  • Crawling muss in robots.txt erlaubt sein
  • Snippets müssen erlaubt sein (nosnippet, max-snippet:0 fehlen)
  • Inhalte müssen ohne schwere JavaScript-Ausführung geladen werden
• In der URL-Prüfung der Google Search Console sollte das gerenderte HTML über „Test live URL“ überprüft werden
  • Wenn der Hauptinhalt im gerenderten HTML fehlt, muss das vor jeder anderen Maßnahme behoben werden
  • Server-Side Rendering und statische Generierung sind die sichersten Ansätze
• Ein curl-Test im Terminal kann als 30-Sekunden-Prüfung dienen, aber ein per UA-Spoofing erzeugtes 200 OK ist kein Beleg für echten Crawler-Zugriff
  • Bot-Betreiber blockieren UA-Spoofing
  • Verlässliche Prüfung erfolgt über veröffentlichte IP-Bereiche oder Reverse-DNS-Einträge
  • Google, OpenAI, Anthropic und Perplexity veröffentlichen alle IP-Bereiche in ihrer Bot-Dokumentation

Unterscheidung zwischen Trainings-Crawlern und Such-Crawlern

• GPTBot, ClaudeBot: Trainings-Crawler; ihre Sperrung hat keinen Einfluss auf Sichtbarkeit in der Suche
• Google-Extended: steuert KI-Training plus Grounding in Gemini Apps und Vertex AI Grounding, hat aber keinen Einfluss auf Google-Suchranking oder die Eignung für AI Overviews
• Such-Indexer, die über Sichtbarkeit in KI-Antworten entscheiden:
  • Googlebot, Bingbot, OAI-SearchBot, Claude-SearchBot, PerplexityBot
• Viele Websites blockieren versehentlich einen davon und verlieren dadurch Sichtbarkeit
• Es ist eine robots.txt-Konfiguration möglich, die Sichtbarkeit in der KI-Suche erlaubt und Trainings-Bots zugleich blockiert
• Meta-Robots-Tags sind kein Mittel auf Site-Ebene, sondern eine Steuerung auf Seitenebene
• Das Opt-out für Google-Extended ist nur über ein robots.txt-Token möglich; Meta-Tags sind dafür nicht dokumentiert
• Jede Ebene ist ein Gate, und erst wenn alle Gates offen sind, haben nachgelagerte Optimierungen einen Sinn

Zitierte Inhalte sind das, was ein Modell nicht allein aus Trainingsdaten schreiben kann

• Generative Suche belohnt Konkretheit
  • Allgemeine Informationen kann ein Modell ohne Zitat zusammenfassen
  • Zitierte Seiten enthalten Dinge, die das Modell nicht selbst synthetisieren kann
• Googles Leitfaden betont die Erstellung von „einzigartigen, wertvollen und menschenzentrierten Inhalten“ und rät von Commodity-Content ab, der dasselbe sagt wie alle anderen Seiten
• Die Helpful-Content-Leitlinien behandeln, wie sich direkte Erfahrung, echte Fachkenntnis und eine eigene Perspektive zeigen lassen
• Vergleichsbeispiel zu einem Migrationsartikel für Next.js 16
  • Commodity-Version: vom Modell allein aus Trainingsdaten generierbar → wird nicht zitiert
  • Unverwechselbare Version: enthält die Zahl 47 kaputte Seiten, eine spezifische Falle bei einer Funktionssignatur und eine Zeitschätzung von 3 Stunden
  • Schon ein solches Detail kann eine Seite von einer „Trainingsdaten-Zusammenfassung“ zu einer „zitierten Referenz“ machen

Eine saubere technische Struktur hilft Crawlern und Modellen gleichermaßen

• Semantisches HTML ist Pflicht
  • Echte Heading-Ebenen mit sinnvoller Hierarchie verwenden
  • Die Antwort auf das Seitenthema weit oben platzieren
  • Inhalte nicht unter langen Einleitungen vergraben
• Eine verbesserte Version bietet klare Strukturen wie article, h1, section, h2
  • Für Crawler liefert sie Struktur, für Modelle klare Grenzen zwischen Überschrift, Lede und Haupttext
• Core Web Vitals fließen ins Ranking ein, und das Ranking wirkt wiederum direkt auf die Eignung für KI-Funktionen
  • Die für den Ranking-Algorithmus relevanten Werte sind 28 Tage Felddaten echter Chrome-Nutzer (CrUX), nicht lokale Lighthouse-Ergebnisse
  • Mit JavaScript-web-vitals lassen sich lokale Tests und die Daten auf Google-Seite besser aufeinander abstimmen

„Optimierungstricks“, die der Leitfaden verneint

• Das Hinzufügen einer llms.txt-Datei ist kein Ranking-Signal und wird von Googles KI-Funktionen nicht verwendet
• Inhalte in winzige Chunks zu zerlegen oder jede Überschrift in eine Frage umzuschreiben, ist unnötig (Modelle lesen den Kontext der ganzen Seite)
• Strukturierte Daten sind nützlich, wenn sie dokumentierte Rich Results unterstützen, aber nicht zwingend für Sichtbarkeit in KI-Funktionen
• Diese Zeit sollte lieber in tatsächliche Inhaltsqualität und Rendering investiert werden

Visuals, Schema und Commerce-Daten sind strukturierte Pipelines

• AI Overviews ziehen hochwertige Bilder und Videos direkt heran
  • Echte Screenshots, echte Diagramme, kurze Video-Walkthroughs sind nützlicher als Stockbilder
  • Es gelten die bekannten Grundlagen der Bild-SEO: beschreibender alt-Text, aussagekräftige Dateinamen, hilfreiche Bildunterschriften
• Vergleichsbeispiel für Alt-Text (Artikel zur Next.js-Performance)
  • Der Grund, warum die zweite Version in ein Bildkarussell von AI Overview gezogen wird, ist, dass sie hinreichend beschreibend ist, damit das Modell versteht, was das Bild belegt
• Strukturierte Daten lohnen sich zusätzlich, wenn sie bestimmte Rich Results unterstützen
  • Schema für Recipe, Product, FAQ, Event und Article hat in der normalen Suche jeweils dokumentierte Wirkung
  • Es speist dieselbe Verständnisschicht, die auch von KI-Funktionen genutzt wird
  • Vor dem Rollout sollten fehlende Pflichtfelder und Fehler mit dem Rich Results Test geprüft werden

Zentrale Oberflächen für lokale Unternehmen und Commerce

• Google Business Profile: ein verifiziertes Profil liefert Öffnungszeiten, Standort, Services und Reviews für lokale KI-Antworten
• Merchant Center: der Feed ist die Quelle für Produktinformationen in AI Overviews
• Der Leitfaden zur KI-Optimierung bezeichnet beide als zentrale Inputs für Business- und Commerce-Ergebnisse

Agenten-Erfahrungen sind die nächste Oberfläche

• Wir treten in eine Zeit ein, in der autonome Agenten für Nutzer browsen
  • Claude with computer use, ChatGPT Operator, der Assistant von Perplexity
• Googles Leitfaden zur KI-Optimierung empfiehlt, zu berücksichtigen, wie Agenten DOM, Controls und Inhalte interpretieren
• Websites mit verwirrendem Markup, versteckten Controls oder ausschließlich als Bild gerenderten Schlüsselinformationen sind für Agenten schwer zu bedienen
• Accessibility-Arbeit für Screenreader deckt weitgehend denselben Bereich ab
• Before/After-Beispiel für interaktive Controls auf einer Buchungsseite
  • Die verbesserte Version vermittelt dem Agenten drei Dinge: dass es ein Submit-Button ist, dass die Aktion „Confirm booking“ lautet und dass das Icon dekorativ ist
  • Ein Agent, der den Button zur Buchungsbestätigung nicht identifizieren kann, gibt auf und wechselt zu einer anderen Website
• Für Formularfelder gilt dasselbe Prinzip: Agenten lesen name, id, aria-label und das umgebende <label>-Element
• Der Wechsel zu type="datetime-local" ist eine kleine Änderung, bietet Browsern und Agenten aber einen nativen Datetime-Picker und die Verarbeitung strukturierter Werte
  • Der Agent muss das Format nicht erraten

Messen, was messbar ist, und nicht dem Unmöglichen nachjagen

• Search Console bleibt die maßgebliche Quelle für Daten auf Google-Seite
  • Traffic aus AI Overviews und AI Mode ist in den Standardbericht Web Performance integriert
  • Relevante Kennzahlen sind Impressions und Clicks
• Bing Webmaster Tools bietet das entsprechende Werkzeug für Bing und Copilot
• Vorsichtige, aber ableitbare Schlussfolgerung: Performance nach Suchanfragen mit konversationellen Starts wie how, what, why, is, can filtern
  • Solche Long-Tail-Queries lösen typischerweise AI Overviews aus
  • Eine auffällige Veränderung von Clicks im Verhältnis zu Impressions bei diesen Queries passt zu dem Muster, dass die Seite in KI-Antworten zusammengefasst statt besucht wird
  • Das sollte jedoch als Hypothese und nicht als Beweis behandelt werden (Layout-Änderungen, Ranking-Schwankungen, Änderungen im Query-Mix oder Saisonalität können ähnliche Muster erzeugen)
• So lässt sich direkt testen, ob ein Modell zitiert
  • Jede Oberfläche öffnen und die Frage eingeben, die der Inhalt beantworten sollte
  • Wenn die Domain in der Inline-Quellenliste oder in den Zitaten der Antwort erscheint, wird sie durchsucht
  • Das alle paar Wochen auf den wichtigsten Oberflächen für businessrelevante Themen wiederholen
  • Die Zahl der Cite-Events wie Backlinks nachverfolgen

Fazit: AEO und GEO sind keine von SEO getrennte Disziplin

• Die oben genannten Arbeiten decken alles ab, was der Google-Leitfaden zur KI-Optimierung empfiehlt und was andere KI-Suchoberflächen belohnen
• AEO und GEO sind kein von SEO getrenntes eigenes Fachgebiet, sondern dieselbe Arbeit mit schärferem Fokus auf Inhaltsoriginalität, Rendering und strukturierte Pipelines, die in alle KI-Oberflächen einspeisen