AI Visibility
Model
Stand: Oktober 2026
Für Marken und Produkte

Vier Fragen entscheiden, ob eine KI Ihre Marke empfiehlt.

Das Modell zeigt, wo eine Maßnahme ansetzt und wie gut ihre Wirkung belegt ist. Die Wirkung ist je Engine verschieden und schwankt.

Zum Changelog

Die vier Fragen im Überblick

Das AI Visibility Model in vier Fragen Kennen und Finden sind zwei parallele Wege. Beide münden in Empfehlen. Empfehlen führt zu Kaufen. Die Agenten-Schleife führt von Kaufen zurück zu Finden. Unter allen vier Fragen liegt das Band Zugang und Rechte. Der Rahmen steht für die Messung. Messung Agenten-Schleife Kennen Kennt mich das Modell? Finden Findet es mich jetzt? Empfehlen Empfiehlt es mich? Kaufen Kann man bei mir kaufen? Zugang und Rechte liegt unter allen vier Fragen
Kennen
Kennt mich das Modell?

Was das Modell aus dem Training über Marke und Produkte weiß.

Finden
Findet es mich jetzt?

Was das Modell im Moment der Anfrage sucht, abruft und in den Kontext nimmt.

Empfehlen
Empfiehlt es mich?

Welche Marke das Modell in der Antwort nennt, zitiert oder als Anzeige zeigt.

Kaufen
Kann man bei mir kaufen?

Ob ein Agent oder ein Besucher den Kauf abschließen kann.

Arbeitsmodell

32 Hebel in elf Stufen und einer Querschicht. Jede Karte nennt ihren Evidenzgrad und zeigt je Engine-Familie, ob der Hebel geprüft ist.

Evidenzgrad
belegt6 Hebel
Primärquelle der Engine oder des Protokolls, oder kontrollierte Studie auf Produktiv-Engines. Eine Primärquelle belegt den Mechanismus, nicht die Stärke der Wirkung.
gemischt6 Hebel
Studien widersprechen sich, die Wirkung hängt von der Engine ab oder schwankt, oder sie ist nur im Labor gemessen.
plausibel20 Hebel
Aus der Mechanik hergeleitet, oder nur durch Daten eines Anbieters gestützt.
Engines
  • OpenAIChatGPT, ChatGPT Search
  • GoogleGemini, AI Overviews, AI Mode
  • AnthropicClaude
  • PerplexityPerplexity
  • MicrosoftCopilot
validiert
Geprüft. Der Hebel greift bei dieser Engine.
trifft nicht zu
Geprüft. Der Hebel greift bei dieser Engine nicht oder ist dort nicht nötig.
offen
Nicht geprüft.

32 Hebel

Kennen

Kennt mich das Modell?

K1

Pretraining-Corpus

Monate bis Jahre
Was über Marke und Produkte in den Trainingsdaten steht. Wirkt erst mit dem nächsten Modell.
Hebel 1
Wikipedia-Artikel pflegen
plausibel
Artikel zu Marke und Produkten in allen Zielsprachen anlegen und aktuell halten.
Entitätwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 2
Wikidata und Knowledge Graph
plausibel
Den Wikidata-Eintrag vollständig pflegen und von gleichnamigen Entitäten abgrenzen.
Entitäthergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 3
Einheitliche Benennung
plausibel
Marke, Produkte und Kategorien in allen Quellen gleich schreiben.
Entitäthergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 4
Earned Media und Fachpresse
plausibel
Redaktionelle Erwähnungen in Fachmedien und Nachrichtenportalen aufbauen, in jeder Zielsprache.
Contentwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: Generative Engine Optimization: How to Dominate AI Search (2025-09-10)Hintergrund: Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
Hebel 5
Foren und Community
plausibel
In Foren und auf Reddit präsent sein. Nach Daten eines Tool-Anbieters schwankt der Anteil an den Zitaten stark.
Contentwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: Why Did ChatGPT Stop Citing Reddit? Inside the August 2026 Citation Collapse (2026-08-20)Hintergrund: Google's Guide to Optimizing for Generative AI Features on Google Search (2026-07-10)
Hebel 6
Video und Podcasts
plausibel
Videos und Podcasts mit Substanz veröffentlichen.
Contentwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 7
Review-Plattformen und Marktplätze
plausibel
Auf Review-Plattformen und Marktplätzen mit echten Bewertungen vertreten sein.
Contentwirkt auch auf: E2, A1hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: LLM Seeding Explained: A Data-First Strategy (2026-01-22)
Hebel 8
Vergleiche Dritter
plausibel
In unabhängigen Vergleichen und Bestenlisten vorkommen.
Contentwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: Self-promotional listicles analysis: Data from 232,000 citations (2026-03-03)
K2

Post-Training

je Modell-Release
RLHF, System-Prompts und Regeln des Anbieters. Legt fest, wie das Modell Marken grundsätzlich behandelt. Kaum beeinflussbar.
Hebel 9
Randbedingung: Quellenkritik
plausibel
Ob Modelle Eigenlob und Vergleiche des Herstellers abwerten, ist offen. Die Daten sprechen bisher dagegen. Neutral und belegbar schreiben schadet nicht.
Contentwirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: Self-promotional listicles analysis: Data from 232,000 citations (2026-03-03)
Finden

Findet es mich jetzt?

F1

Suchentscheidung und Fan-out

pro Anfrage
Das Modell entscheidet, ob es sucht, und zerlegt die Frage in Unter-Anfragen: Preis, Vergleich, Alternativen.
Hebel 10
Unter-Anfragen abdecken
plausibel
Für jede Unter-Anfrage eine eigene Antwort haben: Preis, Vergleich, Alternativen, Kompatibilität.
Contentwirkt auch auf: F4hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
F2

Index

Tage bis Wochen
In welchem Index die Seiten liegen: eigener Crawl, Bing, Google, Brave. Je Engine verschieden.
Hebel 11
In die Such-Indizes kommen
belegt
Seiten in die Such-Indizes bringen, die die Engines nutzen. Dazu die Such-Crawler der Engines zulassen, zum Beispiel OAI-SearchBot.
Technik
Engines OpenAI: validiert Google: validiert Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Anthropic, Perplexity, Microsoft.

QuellenAI Features and Your Website (2025-12-10)Overview of OpenAI Crawlers (Abruf 2026-10-07)
Hebel 12
Interne Verlinkung
plausibel
Verwandte Seiten verknüpfen, damit Crawler alle Produktseiten finden.
Technikhergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 13
Deduplizierung und Canonical
plausibel
Dubletten abbauen und Canonicals setzen, damit der Index die maßgebliche Version führt.
Technikhergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
F3

Live-Fetch

pro Anfrage
Abruf im Moment der Antwort. Braucht Zugang. Fetcher ohne JavaScript brauchen HTML, das der Server rendert.
Hebel 14
HTML vom Server
gemischt
Inhalte im HTML ausliefern, das der Server rendert. Die Crawler von ChatGPT, Claude und Perplexity führten in einem Log-Vergleich von 2024 kein JavaScript aus, Gemini rendert JavaScript.
Technik
Engines OpenAI: validiert Google: trifft nicht zu Anthropic: validiert Perplexity: validiert Microsoft: offen

Nicht geprüft: Microsoft.

QuellenThe rise of the AI crawler (2024-12-17)
Hebel 15
Markdown per Content-Negotiation
plausibel
Auf Accept: text/markdown eine Markdown-Fassung ausliefern. Optional.
Technikhergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
F4

Reranking und Kontextauswahl

pro Anfrage
Welche Passagen in den Kontext kommen.
Hebel 16
Passagen, die allein tragen
gemischt
Jeden Abschnitt so schreiben, dass er allein eine Frage beantwortet. Eine feste Länge ist nicht belegt.
Contentwirkt auch auf: E1
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenStructural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior (2026-03-31)Google's Guide to Optimizing for Generative AI Features on Google Search (2026-07-10)
Hebel 17
Überschriften, Listen, Tabellen
gemischt
Mit Überschriften, Listen und Tabellen gliedern. Fragen als Überschrift formulieren.
Contentwirkt auch auf: E1
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenStructural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior (2026-03-31)Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
Hebel 18
Aktualität und Datum
gemischt
Inhalte aktuell halten und das Datum sichtbar zeigen. Die Wirkung ist im Labor gemessen und hängt von der Art der Anfrage ab.
Content
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenWhat Gets Cited: Competitive GEO in AI Answer Engines (2026-05-25)Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
Empfehlen

Empfiehlt es mich?

E1

Synthese und Grounding

pro Anfrage
Wie die Antwort gebaut wird und welche Aussagen sie übernimmt.
Hebel 19
Belegte Substanz
gemischt
Aussagen mit Quellen, Zahlen und Zitaten belegen, wo sie etwas aussagen. Die Menge allein wirkt nicht.
Content
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenGEO: Generative Engine Optimization (2023-11-16)Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End (2026-09-07)
Hebel 20
Klare, sachliche Sprache
gemischt
Klar und sachlich schreiben. Die Definition steht am Anfang des Abschnitts.
Content
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenGEO: Generative Engine Optimization (2023-11-16)Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
Hebel 21
Expertise und Autorenschaft
plausibel
Autoren, Qualifikation und Datum nennen. Eine direkte Wirkung auf LLM-Antworten ist nicht gemessen.
Entitätwirkt auch auf: K1hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
E2

Nennung und Zitation

pro Anfrage
Welche Marke genannt oder zitiert wird und an welcher Position.
Hebel 22
Belegbare Alleinstellungsmerkmale
plausibel
Alleinstellungsmerkmale belegen und so formulieren, dass ein Modell sie wörtlich übernehmen kann.
Contentwirkt auch auf: E1hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
E3

Bezahlte Platzierung

laufend
Anzeigen in ChatGPT und AI Mode. Eine eigene, bezahlte Spur.
Hebel 23
Anzeigen in KI-Antworten
belegt
OpenAI betreibt Anzeigen in ChatGPT, Google testet Anzeigen in AI Mode. Das ist eine bezahlte Spur neben der organischen Antwort. Belegt ist die Existenz, nicht die Wirkung.
Commerce
Engines OpenAI: validiert Google: validiert Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Anthropic, Perplexity, Microsoft.

QuellenNew ad formats built with Gemini coming to Google Search (2026-05-20)Ads | OpenAI Developers (Abruf 2026-10-07)
Kaufen

Kann man bei mir kaufen?

A1

Agenten-Aktion

pro Aufgabe
Feeds, ACP und UCP, MCP und Apps. Rückweg zu F1.
Hebel 24
Produkt-Feeds
belegt
Preis, Verfügbarkeit und Attribute als Feed und als strukturierte Produktdaten bereitstellen.
Commercewirkt auch auf: E2
Engines OpenAI: validiert Google: validiert Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Anthropic, Perplexity, Microsoft.

Quellenagentic-commerce-protocol/agentic-commerce-protocol (2026-04-17)AI Features and Your Website (2025-12-10)
Hebel 25
Commerce-Protokolle ACP und UCP
belegt
Die Commerce-Protokolle für Agenten anbinden: ACP (OpenAI und Stripe) und UCP. Belegt ist die Spezifikation, nicht die Wirkung.
Commerce
Engines OpenAI: validiert Google: offen Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Google, Anthropic, Perplexity, Microsoft.

Quellenagentic-commerce-protocol/agentic-commerce-protocol (2026-04-17)Universal-Commerce-Protocol/ucp (2026-08-25)
Hebel 26
MCP-Server und Apps
plausibel
Einen MCP-Server oder eine App anbieten, über die Agenten Produkte abfragen.
Commercehergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 27
Konsistente Produktdaten
plausibel
Dieselben Produktdaten auf der Website, in Feeds, auf Marktplätzen und bei Händlern.
Commercehergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Hebel 28
Konditionen maschinenlesbar
plausibel
Preis, Verfügbarkeit, Versand, Rückgabe und Garantie maschinenlesbar auszeichnen.
Commercewirkt auch auf: E2hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
A2

Landung und Conversion

pro Sitzung
Besuch, Produktseite, Checkout, AI-Referrer.
Hebel 29
Produktseite als Landeseite
plausibel
Die Produktseite so bauen, dass ein Besucher aus einer KI-Antwort ohne Umweg kaufen kann.
Commercehergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Z

Zugang und Rechte

laufend
robots.txt für Training und Suche, WAF und verifizierte Bots für User-Fetcher, Web Bot Auth, Pay-per-Crawl, Lizenzen. Wirkt auf K1, F2, F3, A1.
Hebel 30
Bot-Zugang nach Typ
belegt
In der robots.txt Training und Suche getrennt regeln. Für User-Fetcher wie ChatGPT-User gilt die robots.txt nicht sicher.
Technikwirkt auch auf: K1, F2, F3
Engines OpenAI: validiert Google: offen Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Google, Anthropic, Perplexity, Microsoft.

QuellenOverview of OpenAI Crawlers (Abruf 2026-10-07)
Hebel 31
WAF und verifizierte Bots
belegt
Verifizierte Bots in der WAF durchlassen und die 403-Rate im Log prüfen.
Technikwirkt auch auf: F3, A1
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenWeb Bot Auth (2026-07-01)Verified bots (2026-07-01)
Hebel 32
Pay-per-Crawl und Lizenzen
plausibel
Bewusst entscheiden, welche Bots zahlen, welche frei crawlen und welche gesperrt sind.
Technikwirkt auch auf: K1hergeleitet
Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
QuellenHintergrund: Cloudflare's new policy pushes AI companies to pay for publishers' content (2026-07-01)

Messung: Welche Messwege taugen, klären wir im nächsten Schritt.

Nicht belegt

Was wir nicht empfehlen

nicht belegt

llms.txt

Otterly zählte 84 von über 62.100 AI-Bot-Besuchen in 90 Tagen auf die Datei. Ahrefs fand bei 97 % der Dateien keine einzige Anfrage, und Google schreibt, die Suche nutze llms.txt nicht.

Engines OpenAI: offen Google: trifft nicht zu Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: OpenAI, Anthropic, Perplexity, Microsoft.

llms.txt and AI Visibility: Results from OtterlyAI's GEO Study (2026-02-05)We Analyzed 137K Sites: 97% of llms.txt Files Never Get Read (2026-06-15)Google's Guide to Optimizing for Generative AI Features on Google Search (2026-07-10)
nicht belegt

Schema Markup für Zitate in LLM-Antworten

Ahrefs wertete 1.885 Seiten mit neuem Schema aus: ChatGPT plus 2,2 %, AI Mode plus 2,4 %, beide nicht von null zu unterscheiden, AI Overviews minus 4,6 %. Google schreibt, es brauche kein spezielles schema.org-Markup, und für Rich Results bleibt es sinnvoll (Hebel 24).

Engines OpenAI: trifft nicht zu Google: trifft nicht zu Anthropic: offen Perplexity: offen Microsoft: offen

Nicht geprüft: Anthropic, Perplexity, Microsoft.

We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved. (2026-05-11)Google's Guide to Optimizing for Generative AI Features on Google Search (2026-07-10)
nicht belegt

Feste Chunk-Längen

Laut Ahrefs geschieht das Chunking im System der Engine, und Absatzlängen von 50 oder 150 Wörtern ändern daran nichts. Google nennt keine ideale Seitenlänge.

Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
SEO “Chunk Optimization” is Overrated (2025-08-21)Google's Guide to Optimizing for Generative AI Features on Google Search (2026-07-10)
nicht belegt

Keyword-Anreicherung

Laut einer Survey-Tabelle zur Princeton-Studie liegt Keyword Stuffing bei einer Metrik unter der Basislinie (17,7 gegenüber 19,3) und bei der anderen leicht darüber (20,2 gegenüber 19,3). Einen klaren Gewinn zeigt das nicht.

Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
GEO: Generative Engine Optimization (2023-11-16)Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
nicht belegt

Mehr Zitate und Statistiken als reine Menge

Die Validierungsstudie arXiv 2609.07559 misst die Hebel von 2023 auf zehn Engine-Familien neu und findet bei keiner eine Wirkung auf die Zitation. Der Survey 2607.14035 berichtet, dass reine Umschreibungen den Abruf verschlechtern können.

Engines OpenAI: offen Google: offen Anthropic: offen Perplexity: offen Microsoft: offen Je Engine nicht geprüft.
Scoring Without the Engine: Validating a Deterministic, Manipulation-Resistant Content Score for Generative Engines, End to End (2026-09-07)Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) (2026-07-15)
Anhang A

28 GEO-Frameworks

Framework Typ Kernthese Jahr Quelle
Akademisch
Princeton GEOAcademicNeun Methoden getestet, bis zu 40 % mehr Sichtbarkeit in GEO-bench.2023geprüft
AutoGEOCMU / ICLRPräferenzregeln der Engines werden automatisch gefunden.2025 (ICLR '26)geprüft
AgenticGEOAcademicGEO als geschlossener Regelkreis.2026geprüft
GEO-SFEAcademicModelliert, wie die Struktur des Contents die Zitation beeinflusst.2026geprüft
Citation Failure RepairAcademicEine Taxonomie dafür, warum Zitation scheitert.2026geprüft
E-GEOAcademicGEO-Benchmark für E-Commerce.2025geprüft
FeatGEOAcademicZitation und Content-Qualität zugleich optimieren.2026geprüft
AAIOFloridi et al.Optimierung für Agenten, mit einer GELSI-Schicht.2025geprüft
Practitioner
Relevance EngineeringPractitionerSEO als Engineering rund um das LLM-Retrieval.2025geprüft
Corpus EngineeringPractitionerDas ganze Corpus ist die Einheit, die optimiert wird.2026geprüft
MERITPractitionerMentions, Evidence, Relevance, Inclusion, Transformation.2025geprüft
Kalicube ProcessPractitionerUnderstandability, Credibility, Deliverability.2015+geprüft
Aleyda Solis 3-LayerPractitionerPresence, Readiness, Business Impact.ungeprüftkeine geprüfte Quelle
AAOPractitionerGewählt werden, wenn kein Mensch mehr entscheidet.ungeprüftkeine geprüfte Quelle
7 Pillars of LLM VisibilityPractitionerSieben Säulen dafür, dass eine Marke zitiert wird.2026geprüft
Konzeptionelle Schirme
AEOUmbrellaVor den LLMs: Featured Snippets, Schema, People Also Ask.2017geprüft
LLMOUmbrellaVon LLMs zitiert werden.ungeprüftkeine geprüfte Quelle
AIO / AI-SEOUmbrellaSynonym zu GEO.2023+geprüft
GAIOUmbrellaVariante aus DACH und EU.ungeprüftkeine geprüfte Quelle
AIEOUmbrellaZwischenstufe von AEO zu AAO.2024geprüft
Gegenpositionen
Lily Ray: E-E-A-TDeflationaryGut umgesetztes E-E-A-T macht GEO als eigene Disziplin überflüssig.2025geprüft
Rand Fishkin: Search EverywhereDeflationaryDie Marke muss auf allen Oberflächen präsent sein.2025geprüft
Strategische Narrative
BCG GXOConsultingAEO, GEO und Multi-Turn unter einem Consulting-Schirm.2025geprüft
McKinsey New Front DoorConsultingAI Search wird zum ersten Anlaufpunkt im Internet. Die Umsatzprognose bis 2028 haben wir nicht geprüft.ungeprüftkeine geprüfte Quelle
Bausteine
Entity SEO / Knowledge GraphFoundationKnowledge Graph und Wikidata als Fundament.ungeprüftkeine geprüfte Quelle
Training Data SeedingFoundationReddit, Wikipedia und Foren als zentraler Hebel.2023+geprüft
RAG-Side / Chunk OptimizationTechnicalChunking, Embeddings, Struktur der Passagen.2024+geprüft
E-E-A-T Extended for AIFoundationGoogles Qualitätsrahmen als Signal für LLMs.2022+geprüft
Anhang B

Quellen

Hier stehen nur Quellen, die wir abgerufen und geprüft haben.

Princeton GEO
GEO: Generative Engine Optimization
arxiv.org/abs/2311.09735 (2023-11-16)
AutoGEO
What Generative Search Engines Like and How to Optimize Web Content Cooperatively
arxiv.org/abs/2510.11438 (2025-10-13)
AutoGEO
cxcscmu/AutoGEO
github.com/cxcscmu/AutoGEO (2025)
AgenticGEO
AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization
arxiv.org/abs/2603.20213 (2026-03-02)
GEO-SFE
Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior
arxiv.org/abs/2603.29979 (2026-03-31)
Citation Failure Repair
Diagnosing and Repairing Citation Failures in Generative Engine Optimization
arxiv.org/abs/2603.09296 (2026-03-10)
E-GEO
E-GEO: A Testbed for Generative Engine Optimization in E-Commerce
arxiv.org/abs/2511.20867 (2025-11-25)
FeatGEO
Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility
arxiv.org/abs/2604.19113 (2026-04-21)
AAIO
Agentic AI Optimisation (AAIO): what it is, how it works, why it matters, and how to deal with it
arxiv.org/abs/2504.12482 (2025-04-16)
Relevance Engineering
An Introduction to the Relevance Engineering Framework: The Future of Search
ipullrank.com/relevance-engineering-introduction (2025-05-08)
Relevance Engineering
The AI Search Manual
ipullrank.com/ai-search-manual (2025-08-07)
Corpus Engineering
Corpus Engineering vs Relevance Engineering: How They Compare
www.searchbloom.com/blog/corpus-engineering-vs-relevance-engineering/ (2026-05)
MERIT
The MERIT Framework for AI SEO
www.searchbloom.com/merit-framework-whitepaper (2025-10)
Kalicube Process
The Kalicube Process
kalicube.com/entity/the-kalicube-process/ (Abruf 2026-10-07)
7 Pillars of LLM Visibility
The 7 Pillars of LLM Visibility: A Framework for Getting Your Brand Cited by AI
limy.ai/blog/the-7-pillars-of-llm-visibility-a-framework-for-getting-your-brand-cited-by-ai (2026-03-05)
AEO
Answer Engine Optimization (AEO) - Coined by Jason Barnard in 2017
kalicube.pro/methodologies/answer-engine-optimization (geändert 2026-05-15)
AIO / AI-SEO
Generative engine optimization
en.wikipedia.org/wiki/AI_SEO (2026)
AIEO
AI Assistive Engine Optimization (AIEO) - Coined by Jason Barnard in 2024
kalicube.pro/methodologies/ai-assistive-engine-optimization (geändert 2026-05-15)
Lily Ray: E-E-A-T
GEO, AEO, LLMO: Separating Fact from Fiction & How to Win in AI Search
www.amsive.com/insights/seo/geo-aeo-llmo-separating-fact-from-fiction-how-to-win-in-ai-search/ (2025-11-12)
Rand Fishkin: Search Everywhere
Seriously, please stop with the new acronyms. It's still SEO: Search Everywhere Optimization.
sparktoro.com/blog/its-still-seo-search-everywhere-optimization/ (2025-05-30)
BCG GXO
The Future of Discoverability
www.bcg.com/x/the-multiplier/the-future-of-discoverability (2025-05-13)
Training Data Seeding
LLM Seeding Explained: A Data-First Strategy
aisearch.similarweb.com/blog/llm-seeding/ (2026-01-22)
RAG-Side / Chunk Optimization
ChunkRAG: Novel LLM-Chunk Filtering Method for RAG Systems
arxiv.org/abs/2410.19572 (2024-10-25)
E-E-A-T Extended for AI
Our latest update to the quality rater guidelines: E-A-T gets an extra E for Experience
developers.google.com/search/blog/2022/12/google-raters-guidelines-e-e-a-t (2022-12-15)
Anhang C

Neu seit 2026

Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)
arxiv.org/abs/2607.14035 (2026-07-15)
Der Survey ordnet 2023 bis 2026 ein und nennt, welche Befunde sich nicht halten.
Mechanism Design for Generative Engines: From Exploitation toward Win-Win Outcomes
arxiv.org/abs/2608.11390 (2026-08-11)
Das Paper fragt, wie Engines und Publisher beide gewinnen, statt Engines auszutricksen.
Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots
arxiv.org/abs/2606.12439 (2026-05-18)
Das Paper nennt Risiken von GEO: Konzentration, Offenlegung und blinde Flecken der Forschung.
Counter-GEO-Bench: Evaluating Defenses Against Information-Distorting Generative Engine Optimization
arxiv.org/abs/2609.02316 (2026-09-02)
Der Benchmark prüft, wie gut Abwehr gegen GEO wirkt, die Informationen verzerrt (EMNLP 2026).
Don't Measure Once: Measuring Visibility in AI Search (GEO)
arxiv.org/abs/2604.07585 (2026-04-08)
Eine einzelne Messung reicht nicht. Die Antworten schwanken, also muss die Messung wiederholt werden.
Designing Agent-Ready Websites for AI Web Agents: A Framework for Machine Readability, Actionability, and Decision Reliability
arxiv.org/abs/2607.12056 (2026-07-13)
Das Paper beschreibt, was eine Seite für Agenten lesbar, bedienbar und verlässlich macht.
agentic-commerce-protocol/agentic-commerce-protocol
github.com/agentic-commerce-protocol/agentic-commerce-protocol (2026-04-17)
Die Spezifikation von OpenAI und Stripe regelt Warenkorb, Feed, Bestellung und Authentifizierung für Agenten.
Universal-Commerce-Protocol/ucp
github.com/Universal-Commerce-Protocol/ucp (2026-08-25)
Das GitHub-Repository des Universal Commerce Protocol. Der neueste Release ist v2026-08-25.
Changelog

Was sich an unserem Wissen ändert

Hier steht, wie sich unser Wissen über die Wirkung der Hebel ändert: neue Belege, Gegenbelege und jede Änderung eines Evidenzgrads oder eines Engine-Zustands.

Engine-Familien eingeführt

Die Karten zeigen jetzt je Engine-Familie, ob ein Hebel geprüft ist. Zum Start sind 15 von 185 Feldern gefüllt. Alle anderen sind offen.

Quellen geprüft, Evidenzgrade festgelegt

Jede Quelle auf dieser Seite ist abgerufen und geprüft. Acht Hebel sind schwächer belegt als in der Erstbewertung angenommen.

Vom Pipeline Canvas zum Modell

Die lineare Kette mit vier Stufen ist durch vier Fragen und eine Mechanik mit elf Stufen und einer Querschicht ersetzt. Alle 32 Hebel haben eine Erstbewertung. Diese Erstbewertung war vorläufig und nicht veröffentlicht.

Erstbewertung: 7 belegt, 12 gemischt, 13 plausibel.