Lokales GEO, oder wie Geografie wieder zu einem Hebel für KI-Sichtbarkeit wird
Ein Handwerker in Lyon tippt „bester Klempner in meiner Nähe" in ChatGPT. Lokales SEO verschwindet nicht mit den LLMs, aber seine Mechanik ändert sich: Geografie wird zu einem semantischen Filter, bevor sie ein Nähe-Filter ist. So rekonstruieren generative Engines den lokalen Kontext — und das macht wirklich den Unterschied, um zitiert zu werden.
Ein Handwerker in Lyon tippt "bester Klempner in meiner Nähe" in ChatGPT. Eine Expatriate sucht auf Perplexity "wo vegan essen im 11. Arrondissement". Ein B2B-Einkäufer fragt Gemini, welcher CRM-Integrator mit Sitz in Lille innerhalb von 48 Stunden verfügbar ist. Drei Anfragen, eine Gemeinsamkeit: Sie erwarten eine Antwort, die in einem konkreten Gebiet verankert ist.
Lokales SEO gibt es seit fünfzehn Jahren. Google-Unternehmensprofil, Kundenbewertungen, konsistente NAP-Angaben, Städteseiten. All dieses Know-how verschwindet nicht mit den LLMs. Aber seine Mechanik ändert sich. Eine klassische Suchmaschine gleicht Ihre geolokalisierte Position mit einem Index nahegelegener Ergebnisse ab. Ein LLM dagegen muss den lokalen Kontext aus dem Text verstehen, die Anfrage umformulieren und Quellen zum Zitieren auswählen. Geografie wird zu einem semantischen Filter, bevor sie ein Nähe-Filter ist.
Warum Lokalisierung mit den LLMs wieder an Bedeutung gewinnt
Generative Engines verarbeiten eine lokale Anfrage, indem sie sie zerlegen. "Bester Klempner in meiner Nähe" wird zu einer Reihe von Unteranfragen: Welche Art von Dienstleistung wird gesucht, welches geografische Gebiet deckt "in meiner Nähe" ab, welche Kriterien definieren "bester" (Bewertungen, Verfügbarkeit, Preise, Spezialisierung). Diese Zerlegung in Fan-out-Queries begünstigt Unternehmen, deren Content jede dieser Unterfragen direkt beantwortet, statt solcher, die sich mit einem bloßen Adresseintrag begnügen.
ChatGPT, Perplexity und Gemini haben nicht alle dasselbe Maß an geografischer Präzision. Perplexity stützt sich stark auf aktuelle Webquellen und zitiert gerne lokale Verzeichnisse, Regionalpresseartikel, Nachbarschaftsforen. ChatGPT bevorzugt bei aktivierter Websuche Seiten, die ihr Einzugsgebiet klar im Text nennen, nicht nur in den Metadaten. Gemini, verbunden mit dem Google-Ökosystem, greift weiterhin auf das Unternehmensprofil und Bewertungen zurück, formuliert die Antwort aber mit eigenen Worten um, was die direkte Verbindung zu Ihrem Eintrag verwässert.
Ergebnis: Ein lokales Unternehmen, das auf Google Maps gut positioniert ist, kann in einer ChatGPT-Antwort unsichtbar bleiben, wenn seine Website nirgends explizit in einem für eine KI lesbaren Text sagt: "Wir sind in Villeurbanne, Vénissieux und Caluire tätig."
Wie LLMs den lokalen Kontext rekonstruieren
Ein LLM weiß nicht, wo Sie sind, es sei denn, die Anwendung teilt es ihm mit. Es arbeitet also mit den expliziten geografischen Signalen, die die Anfrage und die Quellen enthalten. Drei Arten von Signalen zählen.
Das erste sind textliche Erwähnungen des Gebiets. Eine Seite, die "Paris, Boulogne-Billancourt, Neuilly-sur-Seine" ausgeschrieben in einem normalen Satz nennt, wird eher mit diesen Städten in Verbindung gebracht als eine Seite, die sich mit einer Postleitzahl in der Fußzeile begnügt.
Das zweite sind Drittquellen, die die lokale Präsenz bestätigen. Ein Regionalpresseartikel, ein Eintrag in einem Branchenverzeichnis, eine datierte und lokalisierte Google-Bewertung, eine Erwähnung in einem Forum wie Reddit oder einer lokalen Facebook-Gruppe. LLMs gewichten die Übereinstimmung mehrerer unabhängiger Quellen stärker als eine einzelne Website, die sich selbst zum lokalen Experten erklärt.
Das dritte sind strukturierte Daten. Das LocalBusiness-Schema wird weiterhin von generativen Engines gelesen, die das rohe HTML crawlen — vorausgesetzt, die Seite wird nicht vollständig clientseitig per JavaScript gerendert. Eine in JSON-LD hinterlegte Adresse, Öffnungszeiten und ein Servicegebiet geben der KI ein sauberes, eindeutig interpretierbares Signal.
Was wirklich den Unterschied macht
Viele lokale Unternehmen glauben, eine Seite pro Stadt reiche aus. Das ist ein Fehler, der im klassischen SEO schon teuer war und im GEO noch teurer ist. Eine Seite "Klempner in Villeurbanne", die den Inhalt von "Klempner in Vénissieux" kopiert und nur den Stadtnamen ändert, liefert keine neue Information. Ein LLM, das mehrere Quellen vergleicht, erkennt diese Duplizierung und bevorzugt eine Quelle, die eine echte lokale Verankerung beschreibt: eine aktive lokale Telefonnummer, ein namentlich genanntes Kundenzeugnis, einen kürzlich erzählten Einsatz mit überprüfbaren Details.
Content, der funktioniert, beantwortet präzise lokale Fragen. Nicht "unsere Klempnerdienstleistungen", sondern "was kostet eine Rohrverstopfung-Beseitigung in Lyon 2026" oder "wie lange dauert im Durchschnitt der Einsatz eines Klempners im 6. Arrondissement". Dieses Detailniveau entspricht dem, was die Fan-out-Queries der LLMs zu füllen versuchen.
Lokale Presse und spezialisierte Verzeichnisse spielen eine überproportionale Rolle. Ein Artikel in Le Progrès, der Ihr Unternehmen erwähnt, wiegt in den Augen eines LLM oft schwerer als eine für das Keyword optimierte Seite auf Ihrer eigenen Website. Der Grund ist einfach: Eine unabhängige Drittquelle gilt als glaubwürdiger als eine Selbstauskunft. Unternehmen, die in lokale Pressearbeit und Partnerschaften mit Branchenverzeichnissen investieren, bauen unbewusst lokales GEO-Kapital auf.
So überschneiden und unterscheiden sich die beiden Disziplinen:
| Hebel | Lokales SEO | Lokales GEO |
|---|---|---|
| Google-Unternehmensprofil | Direktes Ranking-Signal in Maps | Sekundäres Signal, vor allem von Gemini genutzt |
| Kundenbewertungen | Beeinflusst Ranking und Klickrate | Quelle für Social Proof, in der generierten Antwort zitiert |
| Duplizierte Städteseiten | Toleriert, wenn leicht differenziert | Nachteilig, wird als hohler Content erkannt |
| Lokale Presse und Verzeichnisse | Nützlich für Linkaufbau | Drittquelle, die das LLM zur Glaubwürdigkeit zitiert |
| Strukturierte LocalBusiness-Daten | Optional, hilft bei Rich Snippets | Schlüsselsignal, wenn die Seite ohne JavaScript lesbar ist |
| Echte geografische Nähe | Direkter Ranking-Faktor (IP, GPS) | Fehlt, außer die App übermittelt die Position an die KI |
Fallstricke, die man vermeiden sollte
Die erste Falle ist zu glauben, das Google-Unternehmensprofil reiche noch aus, um alles abzudecken. Es bleibt unverzichtbar für Maps und für Gemini, wird aber von ChatGPT oder Perplexity, die sich stärker auf das offene Web stützen, nicht auf dieselbe Weise gelesen.
Die zweite Falle ist die Über-Optimierung nach Stadt. Fünfzig automatisch generierte Seiten für fünfzig Nachbargemeinden zu erstellen, erzeugt Content, den LLMs als programmatischen Spam identifizieren. Besser sind zehn Seiten, die eine präzise lokale Realität erzählen, als fünfzig hohle Seiten.
Die dritte Falle ist zu vergessen, dass Aktualität zählt. Eine drei Jahre alte Bewertung, ein Artikel von 2021, eine Adresse, die sich ohne Aktualisierung geändert hat: LLMs, die aktuelle Quellen bevorzugen, verwerfen diese Signale zugunsten aktuellerer Konkurrenten, selbst bescheidener.
Die letzte Falle besteht darin, lokales GEO als einmaliges Projekt zu behandeln. Sichtbarkeit in generativen Antworten entsteht über die Zeit, durch die Anhäufung konsistenter Erwähnungen im gesamten Web: eigene Website, Presse, Verzeichnisse, Bewertungen, lokale soziale Netzwerke. Ein einmaliges Audit reicht nicht aus. Nötig ist ein Monitoring, das Anfrage für Anfrage überprüft, wie jedes LLM Ihre lokale Präsenz wiedergibt.
Vurto überwacht genau das, was ChatGPT, Gemini, Perplexity und Claude über Ihr Unternehmen antworten, Stadt für Stadt, und zeigt die Bereiche auf, in denen Ihre lokale Präsenz für KIs weiterhin unsichtbar bleibt.