Was die akademische Forschung über GEO sagt
Das Grundlagenpaper zum Generative Engine Optimization liefert eine Testmethodik, keine Zauberformel. Was es zeigt, und wo seine Grenzen liegen.
Das am häufigsten zitierte Referenzpapier zu diesem Thema trägt den Titel "GEO: Generative Engine Optimization" und wurde 2024 von Forschern veröffentlicht, die mit Princeton, Georgia Tech, dem Allen Institute for AI und dem IIT Delhi verbunden sind. Es liefert keine Zauberformel dafür, von einer KI zitiert zu werden, sondern eine Methodik, um verschiedene Techniken zur Content-Optimierung gegen simulierte generative Engines zu testen und zu vergleichen.
Das Grundlagenpapier: "GEO: Generative Engine Optimization"
Diese Arbeit gilt allgemein als eine der ersten, die GEO als eigenständige Disziplin neben SEO formalisiert, indem sie folgende Frage stellt: Da generative Engines Antworten aus mehreren Quellen synthetisieren, statt sie einfach nur zu ranken – welche Merkmale eines Inhalts erhöhen die Wahrscheinlichkeit, dass er in der generierten Antwort aufgegriffen und hervorgehoben wird? Um diese Frage zu beantworten, bauten die Autoren einen Satz von Anfragen über verschiedene Domänen hinweg auf, gedacht als reproduzierbarer Benchmark zum Vergleich verschiedener Versionen desselben Inhalts.
Warum dieses Papier für das Feld GEO wichtig war
Vor solchen Arbeiten blieb die Diskussion über Sichtbarkeit in KI-Antworten weitgehend anekdotisch: individuelle Beobachtungen, nicht reproduzierbare Tests, aus dem traditionellen SEO übernommene und per Analogie angewandte Intuitionen. Der Hauptbeitrag des Papiers ist daher nicht eine bestimmte einzelne Technik, sondern die Tatsache, überhaupt einen systematischen, geteilten Bewertungsrahmen vorgeschlagen zu haben, der es anderen Forschern erlaubte, die Ergebnisse zu reproduzieren, anzufechten oder zu verfeinern. Diese Art offener Methodik – mehr als jede einzelne darin enthaltene Zahl – wurde zum Bezugspunkt für nachfolgende Veröffentlichungen zu diesem Thema.
Wie die Forscher die generative Sichtbarkeit bewerteten
Die Methode besteht darin, dieselbe Anfrage an eine generative Engine zu stellen, zu beobachten, welche Quellen in der erzeugten Antwort zitiert werden und mit welchem relativen Gewicht, dann den Inhalt einer Quelle nach einer bestimmten Technik zu verändern (Hinzufügen von Zitaten, Umformulierung usw.) und das Experiment zu wiederholen, um zu sehen, ob sich ihre Sichtbarkeit in der generierten Antwort ändert. Dieser Ansatz orientiert sich an Methoden aus der Information-Retrieval-Forschung zur Bewertung der Relevanz von Ergebnissen, angepasst an einen Fall, in dem das Endergebnis keine Liste von Links mehr ist, sondern ein zusammenfassender Text.
Die wichtigsten getesteten Technikfamilien
Die Forscher untersuchten mehrere Kategorien von Inhaltsänderungen: das Hinzufügen von Zitaten und Statistiken, das Einfügen von Zitaten, die anerkannten Persönlichkeiten zugeschrieben werden, die Vereinfachung der Sprache, die Anreicherung mit relevanten Keywords sowie die allgemeine Verbesserung von Sprachfluss und Struktur. Der zentrale Befund dieser Forschung ist, dass einige dieser Techniken einen messbaren Effekt auf die Sichtbarkeit einer Quelle in der generierten Antwort haben, dieser Effekt jedoch weder einheitlich noch garantiert ist: Sein Ausmaß variiert je nach getesteter Domäne (Gesundheit, Recht, Technologie...), verwendeter Engine und Art der Anfrage. Mit anderen Worten: Die Existenz messbarer Optimierungshebel ist belegt, aber keine Technik funktioniert universell und konstant.
Seit der Veröffentlichung dieser ersten Arbeit haben andere Forschungsteams und mehrere Unternehmen der Branche eigene Studien oder Benchmarks zu verwandten Fragen veröffentlicht, teils mit unterschiedlichen Methoden und Schlussfolgerungen. Diese Vielfalt ist eher gesund für das Feld: Sie signalisiert, dass keine einzelne Studie, so rigoros sie auch sein mag, als endgültige Wahrheit zu diesem Thema behandelt werden sollte. Ein seriöser Forscher oder Praktiker gleicht mehrere Quellen miteinander ab, statt sich auf eine einzige Referenz zu verlassen, egal wie oft sie zitiert wird.
Die Grenzen dieser Forschung
Diese Arbeit hat wichtige Einschränkungen, die man im Kopf behalten sollte. Sie bildet die generativen Engines und Modelle so ab, wie sie zum Zeitpunkt der Veröffentlichung 2024 existierten: Kommerzielle Systeme entwickeln sich schnell weiter, und Ergebnisse, die unter einer Testkonfiguration erzielt wurden, lassen sich nicht zwangsläufig identisch auf die aktuellen Versionen von ChatGPT, Perplexity, Gemini oder Claude übertragen. Die Anzahl der getesteten Domänen und Anfragen bleibt, so repräsentativ sie auch angelegt sein mag, eine begrenzte Stichprobe im Vergleich zur tatsächlichen Vielfalt der Anwendungsfälle. Schließlich unterscheidet sich eine kontrollierte Forschungsumgebung von einem kommerziellen Produktionssystem, das Partnerschaften, Sicherheitsfilter oder öffentlich nicht dokumentierte Geschäftslogiken einbeziehen kann, die im experimentellen Rahmen fehlen.
Was das für Ihre Content-Strategie bedeutet
Diese Art akademischer Forschung sollte eher als richtungsweisende Bestätigung denn als präzises Handbuch gelesen werden: Sie belegt, dass die Optimierung für generative Engines kein Zufallsphänomen ist und dass messbare Hebel existieren, liefert aber keine Formel im Stil von "diese Technik erhöht die Sichtbarkeit um diesen Prozentsatz", die für Ihren konkreten Fall gelten würde. Die richtige Vorgehensweise besteht darin, sich auf die großen Prinzipien zu stützen, die sie bestätigt – die Bedeutung von Quellenangaben, behandelt in der Lektion zu Zitaten, Zahlen und Belegen, und die Bedeutung der wahrgenommenen Glaubwürdigkeit einer Quelle, behandelt in der Lektion zu E-E-A-T –, während Sie direkt an Ihren eigenen Inhalten und Anfragen beobachten, was tatsächlich funktioniert, statt sich auf eine einzelne Zahl zu verlassen, selbst wenn sie aus einem seriösen Forschungspapier stammt. Wie bei den Marktdaten aus der Lektion zu den GEO-Zahlen bleibt es die beste Haltung, vor dem Wiederholen einer Schlussfolgerung die Primärquelle zu prüfen. Bevor Sie ein Ergebnis aus einem Forschungspapier zitieren, machen Sie es sich zur Gewohnheit, mindestens das Abstract und den Methodikabschnitt zu lesen statt nur den Titel oder einen Presseartikel darüber: Dort finden sich meist die Nuancen und Einschränkungen, die die mediale Umformulierung tendenziell glättet.