Ehrliche Gedanken zu GEO: keine Daten, kein Playbook, ein bewegliches Ziel

Vorwarnung: Das hier sind großteils schlechte Nachrichten.

Jedes Mal, wenn ich LinkedIn öffne, begrüßt mich eine Wand aus GEO-, AI-SEO- und LLM-SEO-Posts. In jeder Form, in jeder Geschmacksrichtung, jeder mit einem Engagement-Köder als Einstieg und den “neuesten, besten” (und meist sich wiederholenden) Behauptungen. Die reichen von “es ändert sich nichts” über “… ist tot” bis “alles ändert sich”, oder eine Mischung aus allen dreien.

Und siehe da, die meisten davon sind … wie sag ich das nett … weder überprüfbar noch widerlegbar. Hypothesen, formuliert als wahre Ratschläge. Oder einfach gesagt: B*llshit. Wirklich.

Wie solche Ratschläge entstehen

Ich glaube, der Prozess sieht ungefähr so aus:

• Geh zu ChatGPT.
• Prompt: “Schreib mir einen LinkedIn-Post über GEO.”
• Nimm das Ergebnis als echten Ratschlag und poste es auf Social Media.

Nur damit das klar ist: So funktionieren LLMs nicht, und so solltest du sie auch nicht verwenden.

Heraus kommt ein gut klingender, selbstsicherer Absatz, der alles hat: Answer first, schema.org, EEAT, CSV/JSON. Mit Fakten hat er aber nichts zu tun. Er basiert auf keiner Spezifikation, keiner etablierten Best Practice, keinen Daten und keiner Forschung.

Eine KI “weiß” keine Fakten. Sie erzeugt aneinandergereihte Ketten von Tokens, auch bekannt als Best Guesses. Best Guesses, die manchmal so gut sind, dass man sie für Intelligenz halten könnte. Aber Best Guesses über ein Feld, das sich gerade erst entwickelt, sind keine besonders guten Best Guesses. Vor allem nicht, wenn sie als Ratschlag, als Fakt oder als Social-Media-Post verpackt sind.

Wo GEO gerade steht

Stand September 2025 hat GEO, Generative Engine Optimization, drei große Probleme.

1. Zu wenig Daten. Wir wissen nicht, was Menschen tatsächlich in ChatGPT eintippen (keine Prompt-Daten; die SEO-Analogie wäre: keine Suchanfragen-Daten). Wir wissen nicht, wann wir auftauchen (keine Impressionen). Und wir sehen nur teilweise, wann jemand einen Link anklickt, der auf unsere Website führt (zu wenige Klickdaten, nur teilweise Traffic-Daten in der Onpage-Analytics).

Für Google AI Overviews haben wir ein bisschen mehr Daten. Aber naja, Google macht es uns nicht gerade leicht, AI Overviews und AI Mode von der klassischen Suche zu unterscheiden.

2. Keine klaren Best Practices. Wir haben keine stabilen, wiederverwendbaren Playbooks. Und wir haben auch nicht das Messsystem, um sie zu überprüfen.

3. Ein sehr schnell bewegliches Ziel. Das KI-Feld bewegt sich schnell. Selbst wenn sich die großen Versionen (zum Zeitpunkt des Schreibens ChatGPT 5) nicht oft ändern, werden die Modelle laufend getunt, verändert und nachtrainiert, ohne dass irgendjemand ankündigt, dass sich etwas geändert hat.

Ja, ist mühsam. Ist halt so. GEO ist noch keine ausgereifte Business-Disziplin. Es ist ein Feld aus Hypothesen, Experimenten und der Arbeit mit der dünnen Datenbasis, die wir haben. GEO ist eine Disziplin im Werden, also behandle sie auch so.

Das hatten wir schon einmal

Genau da stand SEO von den 2000ern bis in die ersten Jahre der 2010er. Es hat ungefähr acht Jahre gedauert, bis die Best Practices im SEO klar waren, auch die Praktiken der Datenanalyse.

Wie lange wird es bei GEO dauern? Ich weiß es nicht.

Aber: SEO war fast ein Jahrzehnt lang auch keine ausgereifte Disziplin, und trotzdem haben Leute damit gearbeitet, mit massivem, massivem Erfolg. Das war hypothesengetrieben: Daten-Setup, Experiment, Versuch, Irrtum, Wiederholung. Genau da sind wir jetzt auch.

Wenn dir jemand erzählt, es gäbe schon klare Best Practices, dann geh einfach. Du hast Besseres zu tun.

Der Unterschied heute: Klassisches SEO ist gelöst, da geht es nur noch um die Umsetzung. GEO ist nicht gelöst. Den Weg nach vorne müssen wir selbst schlagen, kartieren und freiräumen, er wird uns nicht serviert. (Wenn dich das nicht abschreckt, schreib mir wegen eines SEO/GEO-Projekts: fe@f19n.com.)

Wo du anfängst: bei den Daten

Gewissheit in ungewissen Zeiten zu verkaufen, wäre leicht. Aber es gibt keine. Gerade stecken wir alle in derselben Schleife:

• Daten-Setup verfeinern
• experimentieren
• versuchen
• scheitern
• wiederholen

Alle.

Wenn du wissen willst, wo du anfangen sollst: bei den Daten. Die Daten in deiner Onpage-Analytics (GA4, Matomo, …) sind nicht optimal, ja. Aber sie sind da, und es werden mit der Zeit mehr.