Velella/Generative Engine Optimization
Generative Engine Optimization: Stand der Forschung
Wer eine KI nach einer Empfehlung fragt, erhält eine fertige Antwort statt einer Trefferliste. Die Disziplin, in dieser Antwort vorzukommen, heißt Generative Engine Optimization, kurz GEO. Sie ist jung, wird intensiv beforscht und ist besser belegt, als ihr Ruf vermuten lässt. Dieser Beitrag ordnet die Studienlage ein.
Von VelellaStand 21. November 2026Lesezeit etwa 9 Minuten
Das Wichtigste
- GEO ist seit 2024 ein eigenes Forschungsfeld mit Veröffentlichungen auf den führenden Fachkonferenzen der Informatik1, 2, 3.
- Im ersten großen Experiment stieg die Sichtbarkeit optimierter Texte in KI-Antworten um bis zu rund 40 Prozent1.
- Eine unabhängige Überprüfung zeigt: Am zuverlässigsten wirken die Grundlagen, also Auffindbarkeit und inhaltliche Passung. Isolierte Tricks wirken kaum2.
- KI-Systeme stützen sich stark auf unabhängige Drittquellen. Wie eine Praxis dort erscheint, lässt sich gestalten4, 5.
Was GEO ist
Eine klassische Suchmaschine liefert eine Rangliste von Links, und der Nutzer wählt aus. Eine generative Suchmaschine liest mehrere Quellen, fasst sie zusammen und formuliert selbst eine Antwort. Für den Anbieter ändert sich damit das Ziel: Es genügt nicht mehr, weit oben zu stehen. Die eigene Information muss in die Antwort eingehen.
Den Begriff Generative Engine Optimization haben Aggarwal und Kollegen von der Princeton University und dem Indian Institute of Technology Delhi geprägt. Ihre Arbeit erschien 2024 auf der KDD, einer der wichtigsten Konferenzen für Datenanalyse. Sie beschreibt GEO als Verfahren, mit dem Urheber die Sichtbarkeit ihrer Inhalte in generierten Antworten verbessern, und führt dafür eigene Messgrößen ein1.
Warum das Thema an Gewicht gewinnt
In Deutschland recherchieren nach einer repräsentativen Befragung 80 Prozent der Menschen online zu Symptomen und Gesundheitsfragen. 70 Prozent von ihnen nutzen dafür auch einen KI-Chatbot6.
Zugleich verändert die KI-Antwort das Verhalten in der klassischen Suche. Das Pew Research Center hat das Surfverhalten von 900 Erwachsenen in den USA über einen Monat ausgewertet. Erschien über den Suchergebnissen eine KI-Zusammenfassung, klickten Nutzer in 8 Prozent der Fälle auf ein Suchergebnis, ohne Zusammenfassung in 15 Prozent. Auf eine Quelle innerhalb der Zusammenfassung klickte nur 1 Prozent7.
Die Folgerung ist nüchtern: Ein wachsender Teil der Nutzer liest die Antwort und klickt nicht weiter. Wer in der Antwort genannt wird, ist sichtbar. Wer nur in der Trefferliste darunter steht, wird seltener erreicht.
Was die Forschung zur Wirksamkeit zeigt
Aggarwal und Kollegen prüften neun Verfahren auf einem Datensatz von 10.000 Suchanfragen. Am besten schnitten Texte ab, die Zitate, Zahlenangaben und Quellenverweise enthielten. Die Sichtbarkeit stieg je nach Messgröße um bis zu rund 40 Prozent, auf einer real betriebenen Antwortmaschine um bis zu 37 Prozent. Das bloße Anreichern mit Suchbegriffen brachte keinen Vorteil, und die Wirkung unterschied sich je nach Themengebiet1.
Puerto und Kollegen, unter anderem von der Technischen Universität Darmstadt und der Universität Mannheim, haben diese und weitere Verfahren 2025 unabhängig überprüft. Ihr Ergebnis fällt strenger aus: Die meisten der speziell für KI-Antworten entwickelten Textverfahren waren für sich genommen weitgehend wirkungslos. Deutlich wirksamer war es, die Quelle im Suchkontext des Modells weiter nach vorn zu bringen, also klassische Suchmaschinenoptimierung. Setzen viele Anbieter dieselben Verfahren ein, sinkt der Vorteil für jeden einzelnen2.
Wan, Wallace und Klein von der University of California, Berkeley, untersuchten, welche Belege ein Sprachmodell überzeugen, wenn sich Quellen widersprechen. Entscheidend war vor allem, wie genau ein Text zur gestellten Frage passt. Stilmerkmale wie ein neutraler Ton oder wissenschaftliche Verweise hatten für sich genommen wenig Einfluss3.
Die drei Arbeiten widersprechen sich weniger, als es scheint. Sie messen Verschiedenes und führen zum selben Schluss: Wirksam ist, was die eigene Information auffindbar macht und sie präzise auf die Frage des Nutzers zuschneidet. Einzelne Kunstgriffe am Text tragen wenig. Das ist eine gute Nachricht für alle, die seriös arbeiten wollen.
Welche Quellen KI-Systeme bevorzugen
Chen und Kollegen von der University of Toronto verglichen 2025 die Quellen von ChatGPT, Perplexity und Gemini mit denen der Google-Suche. KI-Systeme bevorzugten deutlich unabhängige Drittquellen wie Fachpublikationen, Verzeichnisse und Testberichte gegenüber den eigenen Seiten eines Anbieters. Google gewichtete ausgewogener. Zudem unterschieden sich die Systeme untereinander erheblich4.
Für Gesundheitsfragen bestätigt sich das Bild. In einer Stichprobe von 100 Verbraucherfragen stammten mehr als 75 Prozent der 615 von ChatGPT zitierten Quellen von etablierten Einrichtungen8. Bei der Frage nach einem Behandler am Ort nannten die Modelle in einer orthopädischen Untersuchung Websites von Praxen und Kliniken, Bewertungsportale und lokale Medien als Grundlage5.
Für eine Praxis folgt daraus zweierlei. Die eigene Website bleibt die Quelle für alles, was nur die Praxis weiß. Ebenso wichtig ist, wie die Praxis in Portalen, Verzeichnissen von Fachgesellschaften und der lokalen Berichterstattung erscheint.
Wie zuverlässig KI-Antworten sind
Liu, Zhang und Liang von der Stanford University prüften 2023 vier generative Suchmaschinen. Im Mittel waren nur 51,5 Prozent der erzeugten Sätze vollständig durch die angegebenen Quellen gedeckt, und nur 74,5 Prozent der Quellenangaben stützten den zugehörigen Satz9. Die Systeme sind seither weiterentwickelt worden. Das Grundproblem besteht fort.
In der orthopädischen Untersuchung gaben die Modelle die Kontaktdaten der empfohlenen Ärzte nur in 23 Prozent der Fälle richtig wieder, sechs von 74 genannten Namen waren erfunden5.
Für Praxen ist das ein eigenes Argument, sich mit dem Thema zu befassen. Unabhängig von jeder Optimierung lohnt es zu wissen, was KI-Systeme über die eigene Praxis ausgeben, und falsche Angaben an der Quelle zu berichtigen.
Wo seriöse Optimierung endet
Die Forschung zeigt auch, was technisch möglich und dennoch abzulehnen ist. Kumar und Lakkaraju von der Harvard University wiesen nach, dass sich ein Modell mit einer gezielt konstruierten, für Menschen sinnlosen Zeichenfolge dazu bringen lässt, ein Produkt an erster Stelle zu empfehlen. Die Autoren werten das selbst als Gefahr für den fairen Wettbewerb10.
Google hat 2026 eine eigene Anleitung veröffentlicht. Danach ist die Optimierung für KI-Antworten in der Google-Suche keine eigene Disziplin, sondern beruht auf denselben Grundlagen wie die Suchmaschinenoptimierung. Am wichtigsten seien eigenständige Inhalte aus erster Hand. Gesonderte Dateien für KI-Systeme, das Zerlegen von Texten in kleine Abschnitte und besondere Auszeichnungen seien für Google nicht erforderlich. Vor unechten Erwähnungen und massenhaft erzeugten Seiten wird ausdrücklich gewarnt11.
Die Grenze lässt sich klar ziehen. Seriös ist, was die tatsächliche Leistung einer Praxis vollständig, richtig und verständlich darstellt. Unseriös ist, was ein Modell über die Praxis täuscht. Für Arztpraxen kommt hinzu, dass irreführende Werbung ohnehin unzulässig ist.
Die Studien im Überblick
| Arbeit | Anlage | Kernergebnis |
|---|---|---|
| Aggarwal et al. 20241 | Experiment, 10.000 Suchanfragen, neun Verfahren | Zitate, Zahlen, Quellen: bis rund 40 % mehr Sichtbarkeit |
| Puerto et al. 20252 | Unabhängige Überprüfung, zwei Aufgaben, sechs Themengebiete | Textverfahren allein kaum wirksam; klassische Grundlagen deutlich wirksamer |
| Wan et al. 20243 | Analyse widersprüchlicher Quellen | Passung zur Frage zählt mehr als Stil |
| Chen et al. 20254 | Vergleich dreier KI-Systeme mit Google | Deutliche Bevorzugung unabhängiger Drittquellen |
| Liu et al. 20239 | Prüfung von vier generativen Suchmaschinen | 51,5 % der Sätze vollständig belegt |
| Chapekis und Lieb 20257 | Surfdaten von 900 Erwachsenen, 68.879 Suchen | Klicks auf Ergebnisse: 8 % mit, 15 % ohne KI-Zusammenfassung |
Grenzen der Evidenz
- Die Experimente zur Wirksamkeit arbeiten mit englischsprachigen Datensätzen und überwiegend mit Wissens- und Produktfragen1, 2. Eine Studie zur Optimierung von Arztpraxen liegt nach unserer Recherche nicht vor.
- Die Verhaltensdaten des Pew Research Center stammen aus den USA und betreffen nur die Google-Suche7.
- Die Arbeit zu den bevorzugten Quellen ist eine Vorabveröffentlichung, ihre Zusammenfassung nennt keine Fallzahlen4.
- Die Systeme ändern sich schneller, als Studien erscheinen. Ein Ergebnis gilt für das geprüfte Modell zum geprüften Zeitpunkt.
Was daraus für Ihre Praxis folgt
Erst die GrundlagenEine technisch saubere, auffindbare Website mit vollständigen Praxisangaben wirkt nach heutigem Stand am zuverlässigsten2, 11.
Auf die Patientenfrage antwortenInhalte so aufbauen, dass sie die Fragen beantworten, die Patienten tatsächlich stellen. Passung zählt mehr als Stil3.
Drittquellen pflegenPortale, Verzeichnisse und lokale Berichterstattung prägen, was KI-Systeme über eine Praxis wissen4, 5.
Falsche Angaben berichtigenPrüfen, was die Systeme über die Praxis ausgeben, und Fehler an der Quelle korrigieren9, 5.
Messen statt vermutenDie Systeme unterscheiden sich untereinander und ändern sich laufend4. Belastbar ist nur die wiederholte Messung über mehrere Systeme.
Rechtlicher Rahmen
Für Arztpraxen gelten das Heilmittelwerbegesetz12 und die ärztliche Berufsordnung. Sachliche berufsbezogene Information ist erlaubt, anpreisende, irreführende oder vergleichende Werbung nicht13. Seriöse Optimierung für KI-Systeme bewegt sich vollständig in diesem Rahmen, weil sie auf richtige und vollständige Information setzt. Dieser Beitrag ersetzt keine Rechtsberatung.
Literatur
- Aggarwal P, Murahari V, Rajpurohit T, Kalyan A, Narasimhan K, Deshpande A. GEO: Generative Engine Optimization. In: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24). 2024. doi:10.1145/3637528.3671900 https://doi.org/10.1145/3637528.3671900
- Puerto H, Gubri M, Green T, Oh SJ, Yun S. C-SEO Bench: Does conversational SEO work? NeurIPS 2025, Datasets and Benchmarks Track. arXiv:2506.11097. https://arxiv.org/abs/2506.11097
- Wan A, Wallace E, Klein D. What evidence do language models find convincing? In: Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2024:7468–7484. doi:10.18653/v1/2024.acl-long.403 https://doi.org/10.18653/v1/2024.acl-long.403
- Chen M, Wang X, Chen K, Koudas N. Generative Engine Optimization: How to dominate AI search. arXiv:2509.08919 [Preprint]. 2025. https://arxiv.org/abs/2509.08919
- Emrich CM, Gazan EC, Baur AJ, Gabrielli AS, Bernstein JA, Landy DC. Can artificial intelligence models appropriately recommend knee arthroplasty surgeons? HSS J. 2026; online vor Druck. doi:10.1177/15563316251412853 https://doi.org/10.1177/15563316251412853
- Bitkom e. V. 8 von 10 suchen bei Krankheit oder Beschwerden Rat im Netz. Presseinformation vom 18. November 2026. Repräsentative Telefonbefragung, n = 1.132. https://www.bitkom.org/Presse/Presseinformation/8-von-10-suchen-Krankheit-Beschwerden-Rat-im-Netz
- Chapekis A, Lieb A. Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center, 22. Juli 2025. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
- Jacques E, Datuowei E, Jones V II, Basch C, Vanderpool C, Udeozo N, Chapa G. Authority signals in AI cited health sources: a framework for evaluating source credibility in ChatGPT responses. arXiv:2601.17109 [Preprint]. 2026. https://arxiv.org/abs/2601.17109
- Liu NF, Zhang T, Liang P. Evaluating verifiability in generative search engines. In: Findings of the Association for Computational Linguistics: EMNLP 2023. 2023:7001–7025. https://aclanthology.org/2023.findings-emnlp.467
- Kumar A, Lakkaraju H. Manipulating large language models to increase product visibility. arXiv:2404.07981 [Preprint]. 2024. https://arxiv.org/abs/2404.07981
- Google Search Central. Optimizing your website for generative AI features on Google Search. Dokumentation, Stand 10. Juli 2026. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
- Gesetz über die Werbung auf dem Gebiete des Heilwesens (Heilmittelwerbegesetz, HWG), § 11. https://www.gesetze-im-internet.de/heilmwerbg/__11.html
- Bundesärztekammer. (Muster-)Berufsordnung für die in Deutschland tätigen Ärztinnen und Ärzte (MBO-Ä), § 27: Erlaubte Information und berufswidrige Werbung.
Stand der Recherche: 21. November 2026. Vorabveröffentlichungen sind im Verzeichnis als Preprint gekennzeichnet.
Interessenkonflikt: Velella bietet Leistungen zur KI-Sichtbarkeit von Arztpraxen an.