GEO-Glossar: Die wichtigsten Begriffe für KI-Sichtbarkeit
Generative Engine Optimization ist eine junge Disziplin — und die Begriffe sind noch nicht standardisiert. Dieses Glossar definiert die zentralen Konzepte, die wir in unseren GEO-Audits und Artikeln verwenden. Proprietäre Begriffe von The Visibility Shift sind als solche gekennzeichnet.
KPIs für KI-Sichtbarkeit
AMCR — AI Mention Coverage RateTVS-Framework
Der Prozentsatz der relevanten KI-Anfragen, bei denen eine Marke namentlich erwähnt wird. Formel: Anzahl Testfragen mit Markenerwähnung / Gesamtzahl Testfragen × 100. Die bereinigte AMCR schließt direkte Brand-Fragen (Bias-Fragen) aus und zeigt die tatsächliche Sichtbarkeit bei Fragen, die Nutzer ohne eine bestimmte Marke im Sinn stellen.
Ausführliche Definition mit Benchmarks und Berechnungsbeispielen
ACCR — AI Citation Coverage RateTVS-Framework
Der Prozentsatz der relevanten KI-Anfragen, bei denen die eigene Website (Domain) als Quelle verlinkt wird. Formel: Anzahl Testfragen mit eigener Domain als Quelle / Gesamtzahl Testfragen × 100. Die ACCR misst, ob die eigene Website als Quelle genutzt wird — nicht nur, ob die Marke erwähnt wird. Eine Marke kann hohe AMCR und niedrige ACCR haben, wenn KI-Plattformen die Information von Drittquellen beziehen.
AMCR-ACCR-GapTVS-Framework
Die Differenz zwischen AMCR und ACCR in Prozentpunkten. Ein Gap über 10 Prozentpunkte zeigt ein Source-Authority-Problem: Die Marke wird erwähnt, weil sie auf externen Portalen vorkommt, aber die eigene Website wird nicht als Quelle verlinkt. Der Gap ist das wichtigste diagnostische Signal in unseren GEO-Audits — er zeigt, ob die KI-Sichtbarkeit auf eigener Stärke basiert oder auf der Autorität Dritter.
SOVAR — Share of Voice in AI ResponsesTVS-Framework
Der prozentuale Anteil der eigenen Markenerwähnungen an allen Markenerwähnungen in KI-Antworten zum selben Fragen-Set. Zeigt die relative Position im Wettbewerb: Eine AMCR von 20 % klingt solide — bis der SOVAR zeigt, dass der Marktführer bei 43 % liegt.
SOCAR — Share of Citations in AI ResultsTVS-Framework
Der prozentuale Anteil der eigenen Website-Zitationen an allen Zitationen in KI-Antworten zum selben Fragen-Set. Misst Website-Autorität im Wettbewerbsvergleich. Einschränkung: Bei Google AI Overviews ist der SOCAR ein Näherungswert, da eingeklappte Source Cards (+N weitere) nicht vollständig auswertbar sind.
AI Mention Baseline
Die initiale Messung der AMCR/ACCR/SOVAR/SOCAR-Werte zu einem definierten Zeitpunkt, mit einem festen Set an Testfragen über vier Plattformen (ChatGPT, Perplexity, Claude, Google AI Overviews). Die Baseline ist der Referenzpunkt, gegen den alle zukünftigen Messungen verglichen werden. Ohne Baseline gibt es keinen messbaren Fortschritt.
GEO-Kernkonzepte
GEO — Generative Engine Optimization
Die systematische Optimierung von Marken, Websites und Inhalten für KI-generierte Suchergebnisse. GEO ergänzt SEO um eine neue Dimension: Nicht nur in Linklisten gefunden werden, sondern in den generierten Antworten von ChatGPT, Perplexity, Claude und Google AI Overviews als Quelle zitiert und als Marke empfohlen werden.
LLMO — Large Language Model Optimization
Synonym für GEO mit Fokus auf die Optimierung für Sprachmodelle (LLMs). Die Begriffe GEO und LLMO werden im DACH-Markt weitgehend austauschbar verwendet. GEO betont den Suchkontext (Generative Engines), LLMO betont die Technologie (Large Language Models).
Product Page ParadoxTVS-Konzept
Das empirisch belegte Phänomen, dass Unternehmen mit objektiv besserem Content in KI-Antworten seltener zitiert werden als Wettbewerber mit schwächerem Content, aber stärkerer Brand Authority. In unseren Audits zeigt sich konsistent: Brand Authority überkompensiert Content-Qualität. Content-Optimierung ohne Autoritätsaufbau ist notwendig, aber nicht hinreichend.
Gate-Risiko
Wenn ein E-E-A-T-Score unter einer kritischen Schwelle liegt, besteht das Risiko, dass die Website gar nicht als Kandidat für KI-Antworten berücksichtigt wird — unabhängig von der Content-Qualität. E-E-A-T funktioniert als Gate, nicht als Ranking: Wer die Schwelle nicht überschreitet, wird aussortiert, bevor der Content überhaupt geprüft wird.
Chunk-Eigenständigkeit
Die Eigenschaft eines Textabschnitts, auch ohne den umgebenden Kontext verständlich und zitierfähig zu sein. KI-Systeme extrahieren keine ganzen Seiten, sondern einzelne Absätze oder Abschnitte (Chunks). Ein Chunk, der auf Informationen aus vorherigen Absätzen angewiesen ist, kann nicht isoliert zitiert werden — und wird es deshalb auch nicht.
Information Gain
Der einzigartige Informationswert, den ein Content-Stück bietet und den kein anderer verfügbarer Content abdeckt. Für KI-Systeme ist Information Gain ein zentrales Relevanzkriterium: Wenn 50 Websites dieselbe Information bieten, hat keine einen Vorteil. Wenn eine Website eigene Daten, proprietäre Frameworks oder dokumentierte Fallstudien bietet, hat sie Information Gain — und wird bevorzugt zitiert.
Content Authority
Die Fähigkeit einer Website, als vertrauenswürdige Quelle für ein bestimmtes Thema wahrgenommen zu werden. Content Authority entsteht durch die Kombination aus Content-Qualität, Themenbreite, Quellenangaben und externen Signalen. In unseren Audits zeigt sich: Content Authority ist der stärkere Hebel als Brand Authority, weil sie aktiv aufgebaut werden kann — auch von neuen Unternehmen.
Technische Begriffe
E-E-A-T — Experience, Expertise, Authoritativeness, Trustworthiness
Das Bewertungsframework von Google für die Qualität von Inhalten und Quellen. KI-Systeme wenden ähnliche Kriterien an, wenn sie entscheiden, welche Quellen in ihre Antworten aufgenommen werden. In unseren GEO-Audits bewerten wir E-E-A-T auf Source-Entity-Ebene (die gesamte Domain, nicht einzelne Seiten). Niedrige Scores in einer Dimension können ein Gate-Risiko darstellen.
Entity-Disambiguierung
Der Prozess, durch den KI-Systeme unterscheiden, welche Entität mit einem bestimmten Namen gemeint ist. Wenn mehrere Unternehmen, Produkte oder Konzepte ähnliche Namen tragen, kann ein Sprachmodell nicht zuverlässig zuordnen, welche Entität gemeint ist — und wird keine Empfehlung aussprechen. Lösung: Konsistente Beschreibung auf mehreren unabhängigen Quellen (Multi-Source Corroboration).
Multi-Source Corroboration
Das Prinzip, dass KI-Systeme Informationen stärker gewichten, wenn sie von mehreren unabhängigen Quellen bestätigt werden. Eine Marke, die nur auf der eigenen Website beschrieben wird, hat schwache Signale. Eine Marke, die konsistent auf Website, LinkedIn, Google Business Profil, Branchenportalen und Fachmedien beschrieben wird, hat starke Corroboration — und wird häufiger empfohlen.
Cross-Source-Konsistenz
Die Übereinstimmung der Markenbeschreibung über alle Plattformen hinweg. Wenn die eigene Website die Marke als 'Workforce Management' beschreibt, LinkedIn als 'HR-Lösung' und Bewertungsportale als 'HR-Plattform', kann kein KI-System eine konsistente Empfehlung formulieren. Lösung: Brand Identity Blocks — standardisierte Textbausteine, die auf allen Plattformen identisch verwendet werden.
Brand Identity Block
Ein standardisierter Textbaustein mit der Kernbeschreibung eines Unternehmens, der auf allen Plattformen identisch eingesetzt wird: Website, LinkedIn, Google Business Profil, Branchenverzeichnisse. Stärkt gleichzeitig Entity-Disambiguierung und Multi-Source Corroboration.
Gatekeeper-Portal
Ein externes Portal oder Verzeichnis, das KI-Systeme als Einstiegspunkt für ihre Recherche nutzen. ChatGPT, Perplexity und Claude folgen bei Websuchen Links auf den Top-Ergebnissen und werten auch die verlinkten Seiten aus. Portale, die bei diesen Suchen regelmäßig erscheinen, fungieren als Gatekeeper: Wer dort gelistet ist, wird häufiger als Quelle herangezogen. Die relevanten Gatekeeper-Portale variieren je nach Branche.
Retrieval-Pool
Die Menge an Quellen, die ein KI-System bei einer Anfrage als Kandidaten für seine Antwort in Betracht zieht. Bevor ein Sprachmodell entscheidet, welche Quelle am relevantesten ist, prüft ein Quality Classifier, ob eine Quelle überhaupt in den Pool aufgenommen wird. Quellen mit schwachen E-E-A-T-Signalen werden möglicherweise gar nicht berücksichtigt — unabhängig von ihrer Content-Qualität.
Quality Classifier
Ein vorgelagerter Filter in der KI-Pipeline, der Quellen nach Qualitätskriterien bewertet, bevor sie dem Sprachmodell als Kandidaten präsentiert werden. Der Quality Classifier entscheidet, ob eine Quelle in den Retrieval-Pool aufgenommen wird. Er basiert auf E-E-A-T-ähnlichen Signalen und funktioniert als Gate, nicht als Ranking.
Source Entity Level
Die Bewertungsebene, auf der KI-Systeme die Vertrauenswürdigkeit einer Quelle einschätzen. Nicht die einzelne Seite wird bewertet, sondern die gesamte Domain (Entity). Eine Website mit starken E-E-A-T-Signalen auf Domain-Ebene profitiert auf allen ihren Seiten — eine Website mit schwachen Signalen wird auf keiner ihrer Seiten als Quelle bevorzugt.
GEO Content Quality ScoreTVS-Framework
Ein Score, der die Zitierfähigkeit eines Contents für KI-Systeme misst. Basiert auf mehreren Kriterien, darunter Chunk-Eigenständigkeit, Answer-First-Struktur, Quellenangaben, Informationsdichte und FAQ-Format.
Verwandte Themen
Wie sichtbar ist Ihre Marke in KI-Antworten?
Sie möchten wissen, wie Ihre Marke bei diesen Metriken abschneidet?
Erstgespräch vereinbaren