GEO- & KI-Sichtbarkeits-Glossar
30 Begriffe aus Generative Engine Optimization und KI-Suche, verständlich definiert — mit Links zu Dokumentation, Tools und Guides, in denen jedes Konzept in der Praxis auftaucht.
GEO (Generative Engine Optimization)
Generative Engine Optimization ist die Praxis, ein Unternehmen, eine Marke oder eine Website so aufzustellen, dass sie in den Antworten generativer KI-Systeme wie ChatGPT, Gemini, Perplexity und Google AI Overviews wahrscheinlicher erscheint — und empfohlen wird. Wo klassisches SEO für sortierte Linklisten optimiert, optimiert GEO für synthetisierte Antworten: Das Modell liest, fasst zusammen und empfiehlt, statt nur zu verlinken. Praktische GEO-Arbeit umfasst, Inhalte für KI-Crawler zugänglich zu machen, klare Faktenseiten darüber zu veröffentlichen, was das Unternehmen tut und wo, strukturierte Daten hinzuzufügen, Zitationen auf Quellen zu verdienen, denen die Engines vertrauen, und zu überwachen, wie oft die Marke tatsächlich erwähnt wird. GEO überschneidet sich stark mit AEO (Answer Engine Optimization); viele Teams verwenden die Begriffe synonym. Die Disziplin ist jung und Messkonventionen sind noch im Fluss — weshalb ehrliche Tools offenlegen, wie sie Prompts sampeln und welche Plattformen sie abfragen.
Verwandt: What is AI visibility? · Methodology
AEO (Answer Engine Optimization)
Answer Engine Optimization ist ein enger Verwandter von GEO: die Optimierung darauf, dass Answer Engines — Systeme, die mit einer einzigen synthetisierten Antwort statt einer Linkliste reagieren — Ihr Unternehmen korrekt beschreiben und empfehlen. Der Begriff ist bei Enterprise-Plattformen verbreitet (Profound etwa positioniert sich rund um AEO), während GEO im Kleinunternehmens- und Content-Marketing-Umfeld gebräuchlicher ist. In der Praxis ist die Arbeit dieselbe: sicherstellen, dass KI-Crawler die Website lesen können, eindeutige Fakten veröffentlichen (Leistungen, Standorte, Preise, Belege), konsistente Entitätsinformationen im Web pflegen und messen, ob die Engines Sie erwähnen oder zitieren, wenn Käufer relevante Fragen stellen. Der Hauptunterschied zum klassischen SEO: In einer Antwort gibt es keine Position 4 — man ist entweder Teil der Antwort oder unsichtbar, was die Bedeutung der Messung erhöht.
Verwandt: Profound alternative · How a scan works
KI-Sichtbarkeit
KI-Sichtbarkeit ist das Ausmaß, in dem eine Marke oder ein Unternehmen in KI-generierten Antworten erscheint, wenn Menschen relevante Fragen stellen — etwa ob ein Klempner in Köln genannt wird, wenn jemand einen Assistenten nach Klempner-Empfehlungen in Köln fragt. Sie ist das KI-Zeitalter-Pendant zu Suchrankings, aber schwerer zu beobachten: Antworten sind personalisiert, probabilistisch und ändern sich zwischen Durchläufen, sodass Sichtbarkeit durch das Sampling vieler Prompts und das Zählen von Erwähnungen, Positionen und Sentiment gemessen werden muss. Tools dieser Kategorie (darunter RankedByAI, neben Peec AI, Otterly.AI und anderen) automatisieren dieses Sampling und berichten Metriken wie Mention Rate und Share of Voice. Da sich die Sampling-Methoden zwischen Tools unterscheiden, sind absolute Zahlen weniger aussagekräftig als Trends, die konsistent mit derselben Methode gemessen werden — ein Grund, Tools zu bevorzugen, die ihre Methodik veröffentlichen.
Verwandt: What is AI visibility? · Visibility grade & mention rate
KI-Suche
KI-Suche ist der Oberbegriff für Sucherlebnisse, bei denen ein generatives Modell die Antwort verfasst: ChatGPT mit Browsing, Perplexity, Google AI Overviews und AI Mode, Microsoft Copilot und ähnliche Produkte. Sie unterscheidet sich von der klassischen Suche in drei Punkten, die für Unternehmen zählen. Erstens ist die Antwort synthetisiert — Nutzer sehen oft nie eine Linkliste. Zweitens wählt das Modell eine kleine Menge von Quellen, um seine Antwort zu fundieren; eine vertrauenswürdige Quelle zu sein zählt mehr als Platz zehn im Ranking. Drittens variieren Antworten zwischen Durchläufen, Nutzern und Formulierungen, was Sichtbarkeit zu einer statistischen Eigenschaft statt einer festen Position macht. Ein wachsender Teil der Kaufrecherche beginnt heute in diesen Oberflächen — deshalb ist das Messen und Verbessern der KI-Suchpräsenz zu einer eigenen Disziplin geworden (siehe GEO).
Verwandt: Which AI platforms are covered · AI visibility benchmark
Answer Engine (Antwortmaschine)
Eine Answer Engine ist ein System, das auf eine Anfrage mit einer direkt verfassten Antwort statt einer Dokumentliste reagiert. ChatGPT, Perplexity, Gemini, Copilot und Googles AI Overviews verhalten sich alle wie Answer Engines: Sie sammeln oder erinnern Informationen, synthetisieren sie und präsentieren eine Empfehlung oder Erklärung, manchmal mit Zitationen. Für Unternehmen ist die entscheidende Eigenschaft die Selektion: Eine Answer Engine nennt typischerweise nur eine Handvoll Optionen, sodass die Aufnahme binär und kompetitiv ist. Der Begriff grenzt diese Systeme von Suchmaschinen (die Links ranken) und reinen Chatbots (die womöglich gar nichts abrufen) ab. Für Answer Engines zu optimieren — AEO — bedeutet, eine der wenigen Optionen zu werden, die die Engine als sicher und relevant für eine Empfehlung einstuft, und korrekt beschrieben zu werden, wenn sie es tut.
Verwandt: Which AI platforms are covered · Tool alternatives
LLM (großes Sprachmodell)
Ein großes Sprachmodell ist das neuronale Netz im Kern moderner KI-Assistenten — GPT-4o und seine Nachfolger, Gemini, Claude, Llama, DeepSeek und andere. LLMs werden auf riesigen Textkorpora trainiert, um Sprache vorherzusagen, was ihnen breites Wissen verleiht — mit zwei Einschränkungen, die für Sichtbarkeitsarbeit zählen: Ihr eingebautes Wissen hat ein Stichtagsdatum, und sie können plausible, aber falsche Aussagen erzeugen (Halluzinationen). Assistenten kompensieren das durch Grounding: Sie rufen zum Antwortzeitpunkt frische Webinhalte ab und zitieren sie. Für ein Unternehmen bedeutet das zwei getrennte Oberflächen, die es zu beeinflussen gilt — was das Modell aus Trainingsdaten bereits über Sie glaubt, und was es live von Ihrer Website und Drittquellen über Sie liest. GEO adressiert beide, aber die Live-Abruf-Oberfläche ist die, die Sie am schnellsten ändern können.
Verwandt: How a scan works · Methodology
Prompt
Ein Prompt ist der Text, den ein Nutzer an einen KI-Assistenten sendet — in der Sichtbarkeitsarbeit speziell die käuferartigen Fragen, deren Antworten Ihnen wichtig sind, etwa „bestes CRM für eine kleine Kanzlei“ oder „bezahlbarer Hochzeitsfotograf in München“. Sichtbarkeits-Tools verfolgen einen Prompt-Satz je Marke: Sie senden jeden Prompt planmäßig an KI-Plattformen und protokollieren, ob die Marke erwähnt wird, an welcher Position, mit welchem Sentiment und welche Wettbewerber erscheinen. Die Prompt-Auswahl ist der größte methodische Hebel der Kategorie: handverlesene Prompts können eine Marke schmeicheln, während automatisch generierte Käuferfragen abbilden sollen, was echte Kunden fragen. Da Antworten probabilistisch sind, beweist ein einzelner Durchlauf wenig; aussagekräftige Messung sampelt viele Prompts wiederholt und berichtet Raten statt Einzelergebnisse.
Verwandt: How prompts work · Add, edit & disable prompts
Prompt-Sampling
Prompt-Sampling ist die Messtechnik hinter den meisten KI-Sichtbarkeitsmetriken: Statt eine Frage einmal zu stellen, sendet ein Tool viele relevante Prompts (und wiederholt sie oft über die Zeit) und aggregiert die Ergebnisse zu Raten — Mention Rate, Durchschnittsposition, Share of Voice. Sampling ist nötig, weil KI-Antworten nicht deterministisch sind: Dieselbe Frage kann über Durchläufe, Nutzer und Formulierungen hinweg unterschiedliche Empfehlungen liefern. Solides Sampling erfordert einen repräsentativen Prompt-Satz (echte Käuferfragen, nicht Rosinenpickerei), ausreichendes Volumen, konsistente Planung und ehrliche Offenlegung der Stichprobengröße — kleine Stichproben verdienen explizite Hinweise. Beim Vergleich von Tools oder beim Lesen eines Sichtbarkeits-Scores lautet die erste Frage, wie die Prompts gewählt wurden und auf wie vielen Samples die Zahl beruht; ohne diesen Kontext ist ein Prozentsatz Marketing, keine Messung.
Verwandt: Methodology · How a scan works
Käuferfrage
Eine Käuferfrage ist ein Prompt, der so formuliert ist, wie ein echter potenzieller Kunde fragen würde — „wer ist der beste Notfall-Zahnarzt mit Wochenendöffnung in Hamburg?“ statt „Zahnarzt Hamburg“. Käuferfragen sind für die KI-Sichtbarkeit wichtig, weil Assistenten konversationelle Anfragen beantworten und weil kaufnahe Fragen der Ort sind, an dem eine Empfehlung zu Umsatz wird. Tools unterscheiden sich darin, wie sie sie beziehen: Manche lassen Nutzer Prompts von Hand eingeben (mit dem Risiko, schmeichelhafte Anfragen zu verfolgen), andere generieren Käuferfragen automatisch aus Kategorie, Leistungen und Standort des Unternehmens — mit dem Ziel einer repräsentativen Stichprobe echter Nachfrage. Ein guter Käuferfragen-Satz deckt die gesamte Reise ab — Entdeckung („Optionen für X“), Vergleich („X vs. Y“) und Validierung („Ist X vertrauenswürdig?“) —, sodass die Sichtbarkeitsmetriken widerspiegeln, wie das Unternehmen über die gesamte Kaufentscheidung hinweg erscheint.
Verwandt: How prompts work · Prompt suggestions & export
Mention Rate (Erwähnungsrate)
Die Mention Rate ist der Prozentsatz gesampelter KI-Antworten, die eine Marke überhaupt erwähnen — die grundlegendste KI-Sichtbarkeitsmetrik. Stellt ein Tool Assistenten fünfzig für Ihr Unternehmen relevante Käuferfragen und Ihre Marke wird in zehn Antworten genannt, beträgt Ihre Mention Rate 20 %. Sie wird üblicherweise ergänzt durch Position (sind Sie die erste Empfehlung oder eine Randnotiz?), Sentiment (wie werden Sie beschrieben?) und Share of Voice (wie schneiden Sie gegen Wettbewerber auf denselben Prompts ab?). Da Antworten zwischen Durchläufen variieren, ist die Mention Rate eine statistische Schätzung: Sie braucht angemessene Stichprobengrößen und konsistente Methodik, und ehrliche Berichte legen beides offen. Über die Zeit auf einem stabilen Prompt-Satz verfolgt, ist sie das sauberste Einzelsignal dafür, ob Ihre GEO-Arbeit Früchte trägt.
Verwandt: Visibility grade & mention rate · AI visibility benchmark
Zitation (Citation)
In der KI-Suche ist eine Zitation ein Quellenlink, den ein Assistent an einen Teil seiner Antwort anhängt — die Seiten, die Perplexity als Referenzen auflistet, oder die Links unter einem Google AI Overview. Zitationen zählen doppelt. Für Nutzer sind sie die Vertrauensspur; für Unternehmen sind sie der Mechanismus, durch den Inhalte Präsenz in Antworten verdienen: Wird Ihre Seite zitiert, sind Sie Teil der Antwort, selbst wenn Ihr Markenname nicht fällt. Zitierbar zu sein erfordert crawlbare, faktische, gut strukturierte Seiten, die häufige Fragen direkt beantworten. Zu analysieren, welche Domains eine Engine für Ihre Kategorie zitiert, zeigt, wo Abdeckung zu verdienen ist — Verzeichnisse, Bewertungsportale, Lokalnachrichten, Fachpublikationen. Eine Seite, die trotz guter klassischer Rankings nie zitiert wird, deutet oft auf Crawler-Blockierung hin oder auf Inhalte, aus denen Modelle Fakten nicht leicht extrahieren können.
Verwandt: Citation gap · How a scan works
Citation Gap (Zitationslücke)
Eine Citation Gap ist die Menge der Quellen, die KI-Assistenten beim Beantworten von Käuferfragen in Ihrer Kategorie zitieren — die Ihr Unternehmen aber nicht erwähnen. Wenn Assistenten bei „beste Boutique-Hotels in Porto“ wiederholt zwei Reiseführer, eine Bewertungsplattform und einen Lokalblog zitieren und Ihr Hotel auf keiner dieser Quellen erscheint, sind diese vier Quellen Ihre Citation Gap. Sie ist einer der handlungsrelevantesten Befunde der KI-Sichtbarkeitsarbeit, weil sie einen abstrakten Score in eine konkrete Outreach-Liste verwandelt: Lassen Sie sich auf genau den Quellen listen, bewerten oder erwähnen, denen die Engines für Ihre Nische bereits vertrauen. Eine Citation Gap zu schließen bewegt die Sichtbarkeit meist schneller als On-Site-Änderungen allein, da Assistenten sich auf diese Drittquellen stützen, um zu entscheiden, welche Optionen sicher zu empfehlen sind.
Verwandt: Citation gap · Website diagnosis
Grounding (Fundierung)
Grounding ist der Prozess, durch den ein KI-Assistent seine Antwort auf abgerufene, überprüfbare Inhalte stützt — typischerweise Live-Webergebnisse — statt sich nur auf das Trainingsgedächtnis zu verlassen. Wenn Perplexity das Web durchsucht und Seiten zitiert oder Gemini vor der Antwort Google-Ergebnisse einbezieht, ist die Antwort fundiert. Grounding zählt für Unternehmen, weil es der schnelle Weg zur Sichtbarkeit ist: Modell-Neutraining dauert Monate und liegt außerhalb Ihrer Kontrolle, aber fundierte Antworten spiegeln wider, was jetzt im Web steht. Ist Ihre Website crawlbar, sind Ihre Fakten aktuell und beschreiben vertrauenswürdige Drittquellen Sie korrekt, können fundierte Antworten Sie schon Tage nach einer Korrektur empfehlen. Das ist auch der Grund, warum das Blockieren von KI-Crawlern meist kontraproduktiv ist: Ein Assistent kann eine Antwort nicht auf Inhalte stützen, die er nicht lesen kann.
Verwandt: Which AI platforms are covered · Methodology
RAG (Retrieval-Augmented Generation)
Retrieval-Augmented Generation ist die Architektur hinter fundierten KI-Antworten: Bevor eine Antwort generiert wird, ruft das System relevante Dokumente ab (aus einem Suchindex, einer Datenbank oder dem Live-Web) und speist sie in den Kontext des Modells ein, sodass die Antwort auf aktuellen, spezifischen Informationen basieren kann statt allein auf Trainingsgedächtnis. RAG ermöglicht es einem Assistenten, ein Restaurant zu kennen, das letzten Monat eröffnet hat, oder einen Preis, der sich gestern geändert hat. Für Sichtbarkeitsarbeit definiert RAG das Spielfeld: Der Abrufschritt verhält sich weitgehend wie eine Suchmaschine (Auffindbarkeit und Relevanz zählen), und der Generierungsschritt entscheidet, was gesagt wird (Klarheit und Extrahierbarkeit Ihrer Inhalte zählen). Inhalte, die leicht abzurufen und leicht zu zitieren sind — direkte Antworten, saubere Struktur, eindeutige Fakten —, gewinnen in RAG-Pipelines.
Verwandt: How a scan works · Get recommended by ChatGPT
Halluzination
Eine Halluzination ist eine selbstbewusste, aber falsche Aussage eines Sprachmodells — eine falsche Öffnungszeit, eine Leistung, die Sie nicht anbieten, ein Preis, den Sie nie hatten, oder ein Unternehmen, das nicht existiert. Halluzinationen entstehen, weil LLMs plausiblen Text erzeugen, statt verifizierte Fakten nachzuschlagen, und sie sind kommerziell relevant: Ein Assistent, der Ihre Preise halluziniert oder Ihr Einzugsgebiet falsch angibt, führt Ihre Kunden aktiv in die Irre. Die wichtigsten Abwehrmaßnahmen liegen auf Ihrer Seite: Veröffentlichen Sie klare, aktuelle, eindeutige Fakten auf Seiten, die KI-Crawler lesen können, halten Sie Dritteinträge konsistent und überwachen Sie, was Assistenten tatsächlich über Sie sagen, um Fehler früh zu erkennen. Fundierte Antworten halluzinieren weniger als reine Gedächtnisantworten — ein weiterer Grund, Ihre Website für Retrieval-Systeme leicht nutzbar zu machen.
Verwandt: Data privacy & retention · Methodology
Knowledge Cutoff (Wissensstichtag)
Der Knowledge Cutoff ist das Datum, an dem die Trainingsdaten eines Sprachmodells enden — alles, was danach geschah, ist für das eingebaute Gedächtnis des Modells unsichtbar. Liegt der Cutoff eines Modells vor Ihrem Rebranding, Ihrem neuen Standort oder der Gründung Ihres Unternehmens, sind seine nicht fundierten Antworten veraltet oder lassen Sie aus. Cutoffs sind der Grund, warum Grounding für Unternehmen so wichtig ist: Assistenten, die Live-Webinhalte abrufen, können unabhängig vom Trainingszeitpunkt von Ihnen wissen; reine Gedächtnisantworten nicht. Praktisch teilt der Cutoff GEO in zwei Horizonte: Trainingsdaten beeinflussen (langsam, indirekt — breit und konsistent im Web beschrieben werden, damit künftige Modellversionen Sie lernen) und Retrieval beeinflussen (schnell — aktuelle Fakten heute crawlbar und zitierbar machen). Beide Oberflächen zu überwachen verrät, welches Problem Sie tatsächlich haben.
Verwandt: How a scan works · Set up weekly monitoring
Trainingsdaten
Trainingsdaten sind das Textkorpus, aus dem ein Sprachmodell lernt — Webseiten, Bücher, Code, Foren und lizenzierte Quellen, gesammelt bis zum Wissensstichtag des Modells. Was das Web während der Sammlung über Ihr Unternehmen sagte, prägt, was das Modell standardmäßig über Sie glaubt: Ein Unternehmen, das konsistent auf vielen seriösen Seiten beschrieben wird, wird tendenziell korrekt erinnert; eines mit spärlicher oder widersprüchlicher Abdeckung kann vergessen oder verzerrt werden. Sie können Trainingsdaten nicht rückwirkend bearbeiten, aber künftige Runden beeinflussen: Anhaltende, faktische, konsistente Abdeckung auf crawlbaren Seiten ist das, woraus die Modelle von morgen lernen. In der Zwischenzeit lässt Retrieval (RAG) aktuelle Assistenten das heutige Web lesen — weshalb GEO-Arbeit beide Horizonte anvisiert: langfristige Reputation im Korpus und kurzfristige Genauigkeit zum Abrufzeitpunkt.
Verwandt: Get recommended by ChatGPT · AI Crawler Checker
KI-Crawler
KI-Crawler sind die Bots, mit denen KI-Unternehmen Webinhalte abrufen — OpenAIs GPTBot und OAI-SearchBot, Anthropics ClaudeBot, Google-Extended, PerplexityBot, Metas Crawler und andere. Sie dienen zwei unterschiedlichen Zwecken: Trainingsdaten für künftige Modelle zu sammeln und Seiten live abzurufen, um aktuelle Antworten zu fundieren. Ob diese Bots Ihre Website lesen können, wirkt sich direkt auf Ihre KI-Sichtbarkeit aus: Eine Website, die sie blockiert (absichtlich oder durch fehlkonfigurierte robots.txt, Firewalls oder Bot-Schutz), kann in fundierten Antworten nicht zitiert werden und trägt nichts zu künftigen Trainingsdaten bei. Den Crawler-Zugang zu prüfen — welche Bots erlaubt, welche blockiert sind und ob das Ihrer Absicht entspricht — ist einer der ersten Checks jeder KI-Sichtbarkeitsdiagnose und eine der günstigsten Korrekturen, wenn er falsch steht.
Verwandt: AI Crawler Checker · Website diagnosis
robots.txt
robots.txt ist die Klartextdatei im Stammverzeichnis einer Website, die Crawlern mitteilt, welche Pfade sie abrufen dürfen. Sie ist zur primären Kontrollfläche für KI-Zugriff geworden: Regeln für User Agents wie GPTBot, ClaudeBot, Google-Extended oder PerplexityBot entscheiden, ob diese Systeme Ihre Inhalte für Training oder Live-Antworten lesen dürfen. Zwei Fehlermuster sind häufig. Manche Websites blockieren KI-Crawler unbeabsichtigt — ein pauschales Disallow aus einem Template oder darüberliegender Bot-Schutz — und wundern sich dann, warum Assistenten sie nie zitieren. Andere nehmen an, robots.txt garantiere Einhaltung; sie ist eine Konvention, kein Durchsetzungsmechanismus, auch wenn die großen KI-Crawler dokumentieren, dass sie sie respektieren. Die eigene robots.txt gegen die tatsächlichen KI-Sichtbarkeitsziele zu prüfen ist ein Fünf-Minuten-Check mit überproportionaler Wirkung — in beide Richtungen.
Verwandt: AI Crawler Checker · Website diagnosis
llms.txt
llms.txt ist eine vorgeschlagene Konvention — eine Markdown-Datei unter /llms.txt —, die großen Sprachmodellen eine kuratierte, maschinenfreundliche Zusammenfassung einer Website gibt: was das Unternehmen ist, was seine Schlüsselseiten enthalten und wo die wichtigsten Informationen zu finden sind. Die Idee ist analog zu robots.txt (ein Standardort, den Bots kennen), aber auf Verständnis statt Zugriffskontrolle ausgerichtet: Statt Ihre gesamte Website zu parsen, kann ein Modell ein prägnantes Dokument lesen, das Sie kontrollieren. Die Adoption durch KI-Anbieter ist noch uneinheitlich und im Wandel, daher sollte eine llms.txt-Datei als kostengünstige Ergänzung — nie als Ersatz — für crawlbare Seiten, strukturierte Daten und klare On-Page-Fakten behandelt werden. Sie ist billig zu erzeugen, leicht aktuell zu halten und harmlos, wo sie ignoriert wird.
Verwandt: llms.txt Generator · Website diagnosis
Strukturierte Daten
Strukturierte Daten sind maschinenlesbares Markup in Webseiten — meist JSON-LD mit schema.org-Vokabular —, das Fakten explizit ausweist: Dies ist ein LocalBusiness namens X, an Adresse Y, geöffnet zu diesen Zeiten, mit diesen Leistungen und dieser Bewertung. Suchmaschinen nutzen es seit Jahren für Rich Results; für KI-Systeme reduziert es Mehrdeutigkeit genau dort, wo Mehrdeutigkeit schadet, und hilft Retrieval-Pipelines und Answer Engines, korrekte Namen, Preise, Standorte und Beziehungen zu extrahieren, statt sie aus Fließtext zu erschließen. Gut strukturierte Seiten lassen sich präziser zitieren und werden in synthetisierten Antworten seltener verzerrt. Die üblichen Prioritäten für eine Unternehmenswebsite: Organization- oder LocalBusiness-Markup, Product oder Service wo relevant, FAQPage für Frageinhalte — und Konsistenz zwischen Markup und sichtbarem Text.
Verwandt: Website diagnosis · Fix prescriptions & verification
JSON-LD
JSON-LD (JavaScript Object Notation for Linked Data) ist das empfohlene Format zum Einbetten strukturierter Daten in Webseiten: ein Script-Block mit einem JSON-Objekt, das die Entitäten der Seite mit schema.org-Typen beschreibt. Anders als ältere Formate, die Markup mit sichtbarem HTML verweben (Microdata, RDFa), lebt JSON-LD in einem eigenständigen Block — was das Generieren, Validieren und Synchronhalten mit dem Seiteninhalt erleichtert. Für die KI-Sichtbarkeit ist JSON-LD das praktische Vehikel der meisten Strukturdaten-Arbeit: LocalBusiness-Details, Produkt- und Preisfakten, FAQs, Artikel-Metadaten und Organisationsidentität reisen darin. Suchmaschinen parsen es direkt, und sauberes JSON-LD korreliert mit Seiten, die Answer Engines korrekt zitieren können. Validierungstools fangen Syntaxfehler ab; die schwierigere Disziplin ist, die Aussagen im Markup wahr und aktuell zu halten.
Verwandt: Website diagnosis · llms.txt Generator
Entität
Eine Entität ist ein eindeutig identifizierbares Ding — ein bestimmtes Unternehmen, eine Person, ein Produkt oder ein Ort — im Gegensatz zu einer bloßen Zeichenkette. Such- und KI-Systeme denken zunehmend in Entitäten: „Rosas Bäckerei in der Hauptstraße“ sollte sich zu einem konsistenten Unternehmen mit einer Adresse, einem Satz Öffnungszeiten und einer Reputation auflösen, egal wie der Name formuliert wird. Entitätsklarheit ist fundamental für KI-Sichtbarkeit, weil Assistenten Entitäten empfehlen, keine Keywords. Sie entsteht durch Konsistenz: derselbe Name, dieselbe Adresse und dieselben Kernfakten auf Ihrer Website, Ihrem Google Business Profile, in Verzeichnissen und sozialen Profilen; strukturierte Daten, die die Entität explizit deklarieren; und Drittabdeckung, die sie bestätigt. Inkonsistente Entitätssignale — alte Adressen, Namensvarianten, doppelte Einträge — lassen Modelle zögern, Sie verwechseln oder auslassen.
Verwandt: Website diagnosis · What is AI visibility?
E-E-A-T
E-E-A-T steht für Experience, Expertise, Authoritativeness und Trustworthiness (Erfahrung, Fachwissen, Autorität, Vertrauenswürdigkeit) — das Framework aus Googles Search Quality Rater Guidelines zur Beurteilung von Inhaltsqualität. Es ist kein direkter Rankingfaktor, sondern eine Beschreibung dessen, was Qualitätssysteme belohnen wollen, und das Konzept überträgt sich natürlich auf KI-Antworten: Assistenten empfehlen tendenziell Unternehmen, die im offenen Web glaubwürdig wirken — echte Autorenschaft, überprüfbare Qualifikationen, konsistente Fakten, echte Bewertungen, Abdeckung auf unabhängigen vertrauenswürdigen Quellen. Für GEO übersetzt sich E-E-A-T in praktische Arbeit: Inhalte veröffentlichen, die Erfahrung aus erster Hand zeigen; die Menschen hinter dem Unternehmen sichtbar machen; Bewertungen und Erwähnungen verdienen, die Sie nicht kontrollieren; Behauptungen überprüfbar halten. Inhalte, die Autorität vortäuschen, scheitern meist genau im entscheidenden Moment — wenn eine Engine sie mit dem Rest des Webs abgleicht.
Verwandt: Get recommended by ChatGPT · Fix prescriptions & verification
Sentiment-Analyse
Sentiment-Analyse in der KI-Sichtbarkeit misst, wie eine Marke in KI-Antworten beschrieben wird — nicht nur, ob sie erscheint. Als „beliebte Wahl mit durchweg starken Bewertungen“ erwähnt zu werden und als „Option, bei der einige Kunden Abrechnungsprobleme melden“ erwähnt zu werden, sind beides Erwähnungen — mit gegensätzlichem kommerziellem Wert. Sichtbarkeits-Tools klassifizieren die Sprache rund um jede Markenerwähnung (positiv, neutral, negativ, oft mit feineren Kategorien) und aggregieren sie über gesampelte Prompts, wodurch Tonalität neben Mention Rate und Share of Voice zu einer verfolgbaren Metrik wird. Sentiment-Befunde sind auf eine spezifische Weise handlungsrelevant: Assistenten spiegeln meist das Sentiment ihrer Quellen, sodass negatives KI-Sentiment sich typischerweise auf identifizierbare Bewertungsplattformen, Forenthreads oder Artikel zurückführen lässt — was Ihnen genau sagt, wo Reputationsarbeit nötig ist.
Verwandt: Share of voice, sentiment & trends · How a scan works
AI Overviews
AI Overviews sind die KI-generierten Zusammenfassungen, die Google für viele Anfragen über den klassischen Ergebnissen zeigt — verfasst von Gemini-Modellen aus abgerufenen Webinhalten, mit Quellenlinks. Zusammen mit dem umfassenderen AI Mode stellen sie den größten Einsatz von KI-Antworten dar, weil sie Mainstream-Google-Nutzer erreichen, die nie ein KI-Produkt gewählt haben. Ihre praktische Wirkung ist doppelt. Die Aufnahme wird binär: Ein Overview nennt wenige Optionen, und Unternehmen außerhalb verlieren Aufmerksamkeit, selbst wenn sie darunter organisch ranken. Und Klicks gehen zurück: Nutzer, die ihre Antwort im Overview erhalten, besuchen oft keine Website mehr (siehe Zero-Click-Suche). In AI Overviews zu erscheinen folgt dem Playbook fundierter Antworten — crawlbare Inhalte, klare Fakten, starke Entitätssignale und Präsenz auf den Quellen, denen Googles Systeme für das Thema bereits vertrauen.
Verwandt: Which AI platforms are covered · Semrush AI Toolkit alternative
Zero-Click-Suche
Eine Zero-Click-Suche ist eine Anfrage, die der Nutzer löst, ohne eine Website anzuklicken — die Antwort wird direkt auf der Ergebnisseite oder in der Chat-Oberfläche konsumiert. Featured Snippets begannen den Trend; AI Overviews und Chat-Assistenten beschleunigen ihn stark, weil eine synthetisierte Antwort die meisten Klickgründe beseitigt. Für Unternehmen verändert das den Funnel: Traffic-Metriken unterschätzen Ihre reale Präsenz in Kaufentscheidungen, da ein Assistent Sie — korrekt und überzeugend — einem Nutzer empfehlen kann, der Ihre Website nie berührt, bevor er anruft oder vorbeikommt. Die strategischen Konsequenzen: Sichtbarkeit in Antworten messen, nicht nur Sessions in Analytics; sicherstellen, dass kritische Fakten (Angebot, Standort, Kontakt, Belege) innerhalb der Antworten selbst korrekt sind; und die Beschreibung Ihres Unternehmens durch den Assistenten wie eine Landingpage behandeln, die Sie optimieren müssen, ohne sie zu besitzen.
Verwandt: What is AI visibility? · AI visibility benchmark
Sichtbarkeitsnote
Eine Sichtbarkeitsnote ist ein zusammenfassender Score — RankedByAI verwendet Buchstabennoten von A bis F —, der die KI-Sichtbarkeitsmessungen eines Unternehmens zu einem lesbaren Urteil verdichtet. Hinter dem Buchstaben stehen gesampelte Metriken: wie oft Assistenten das Unternehmen bei relevanten Käuferfragen erwähnen, seine Position unter den Empfehlungen, Sentiment und Site-Readiness-Faktoren wie Crawler-Zugang und strukturierte Daten. Eine Note ist ein Kommunikationsmittel, kein Präzisionsinstrument: Ihr ehrlicher Zweck ist, relativen Status und Fortschritt lesbar zu machen (ein D, das nach Korrekturen zum B wird, erzählt eine klare Geschichte), nicht Dezimalgenauigkeit zu behaupten. Jede vertrauenswürdige Note legt ihre Eingaben, Stichprobengrößen und Methodik offen und kennzeichnet kleine Stichproben explizit. Vergleichen Sie Noten nur innerhalb der konsistenten Methode eines Tools — ein „B“ von zwei verschiedenen Tools bedeutet zwei verschiedene Dinge.
Verwandt: Visibility grade & mention rate · Methodology
Monitoring-Kadenz
Die Monitoring-Kadenz ist die Häufigkeit, mit der KI-Sichtbarkeitsmessungen wiederholt werden — tägliche, wöchentliche oder monatliche Wiederholungen desselben Prompt-Satzes über dieselben Plattformen. Die Kadenz zählt, weil KI-Antworten driften: Modelle werden aktualisiert, Retrieval-Indizes aufgefrischt, Wettbewerber veröffentlichen Inhalte und Bewertungen sammeln sich an — jede Einzelmessung ist nur eine Momentaufnahme. Für die meisten kleinen Unternehmen passt eine wöchentliche Kadenz: häufig genug, um bedeutsame Verschiebungen zu erkennen und zu prüfen, ob Korrekturen gewirkt haben (die Diagnose- → Fix- → Re-Scan-Schleife), ohne im Rauschen der Lauf-zu-Lauf-Zufälligkeit zu ertrinken, das tägliches Sampling verstärkt. Konsistenz schlägt Frequenz — dieselben Prompts, Plattformen und Methoden je Zyklus machen Trendlinien aussagekräftig. Die Kadenz ist zudem eine Preisachse dieser Kategorie: Viele Tools reservieren tägliche Updates für höhere Stufen — stimmen Sie die bezahlte Kadenz darauf ab, wie schnell Sie tatsächlich auf Befunde reagieren.
Verwandt: Set up weekly monitoring · Email notifications
Tools im Vergleich? Zu den Alternativen-Seiten →