Google hat zum ersten Mal offiziell beschrieben, wie KI-Antworten in der Google-Suche entstehen — und wie Websitebetreiber dafür optimieren sollen. Das Dokument heißt "Optimizing your website for generative AI features on Google Search" und es räumt mit gleich mehreren GEO-Mythen auf, die in den letzten Monaten verkauft wurden.
Wir haben es gelesen, mit unseren eigenen Citation-Daten abgeglichen — und unseren GEO-Audit anschließend in vier Punkten neu aufgesetzt. Dieser Artikel erklärt, was Google wirklich sagt, was es für Ihre Website bedeutet und was wir bei Rankion daraus gebaut haben.
Was Google tatsächlich sagt
Die Kernbotschaft ist erstaunlich nüchtern: Für Google AI Overviews und AI Mode gibt es keine eigene SEO-Disziplin. Es ist weiter normale Suchmaschinenoptimierung, mit einem stärkeren Akzent auf Inhalten, die nur Sie liefern können.
Drei Aussagen aus dem Dokument haben unsere Branche besonders überrascht:
llms.txtbringt für Google nichts. Google liest die Datei nicht, gewichtet sie nicht, berücksichtigt sie nicht.- AI-spezifisches Schema.org bringt für Google nichts. Es gibt keine "AI-Markup-Variante", die Sie zusätzlich auszeichnen sollten.
- "Content-Chunking" für LLMs bringt für Google nichts. Sie müssen Ihre Texte nicht in 200-Wort-Häppchen schneiden, damit sie zitiert werden.
Stattdessen empfiehlt Google: First-Hand-Perspektive, klare Entitätsstruktur, gute interne Verlinkung, sauberes Rendering, technisch crawlbar. Also weitgehend dasselbe, was seit zehn Jahren guter SEO ist — nur konsequenter.
Das war — ehrlich gesagt — unbequem für uns, weil wir bis dahin Standards mit kommunizierten, die Google jetzt explizit als wirkungslos kennzeichnet. Deshalb haben wir die Reißleine gezogen und unseren Stack umgebaut.
Aber es gibt sieben AI-Engines — nicht eine
Hier kommt der zweite, oft übersehene Punkt: Googles Guideline gilt für Google. ChatGPT Search, Perplexity, Claude, Copilot, Gemini und Grok sind eigene Systeme mit eigener Retrieval-Logik. Sie zitieren anders, sie crawlen anders, sie wichten anders.
Ein einziger "AI-SEO-Tipp" für "die KI" ist deshalb sachlich falsch. Was bei Perplexity hilft (klare extraktive Passagen, frischer Zeitstempel), ist für Google AI Overviews irrelevant. Was Claude beim Browsen bevorzugt (semantisch dichte Definitionen), gewichtet ChatGPT Search anders.
Wir haben deshalb eine Engine Capability Matrix gebaut: 7 Engines × 14 Signale × je Zelle eine Evidenzstufe (confirmed, confirmed_negative, observed, hypothesis, not_applicable). Sie ist die einzige Quelle der Wahrheit für jeden Engine-spezifischen Optimierungstipp in Rankion. Öffentlich abrufbar über GET /v1/engines.
Konkret heißt das: Wenn unser Audit Ihnen sagt "schreibe llms.txt für Engine X", dann nur weil die Matrix das für X als observed oder hypothesis markiert hat — und niemals für Google, weil Google es selbst als confirmed_negative ausgewiesen hat.
Was wir konkret gebaut haben
1. Zwei Scores statt einem
Der GEO-Audit liefert ab sofort zwei Werte statt einer einzelnen "AI-Visibility-Punktzahl":
- Technical Eligibility — hochkonfidente, von Google bestätigte Voraussetzungen:
noindex, Canonical, hreflang,<html lang>, AI-Bots inrobots.txt. Das ist das harte Gate. Bestehen Sie es nicht, wird Ihre Seite in den KI-Engines nicht ausgeliefert — egal wie viel Mühe Sie sich beim Content geben. - Content/GEO Signals — probabilistische Signale: Entitätsklarheit, Aktualität, strukturierte Daten, optional
llms.txt. Diese helfen je nach Engine unterschiedlich stark.
Die alte Gesamtpunktzahl bleibt aus Kompatibilitätsgründen erhalten, ist aber neu gewichtet: Hypothesen-Checks zählen nur noch mit halbem Gewicht. Die Zahl, die Sie sehen, lehnt sich also klar auf Google-bestätigte Signale.
2. Evidenzstufen auf jeder Empfehlung
Jeder einzelne Audit-Befund trägt ab jetzt ein sichtbares Tier-Label:
- Tier A (etabliert) — von mindestens einer Engine offiziell bestätigt oder in echten Zitations-Daten beobachtet. Im Audit grün markiert.
- Tier B (Hypothese) — plausibel, aber noch nicht empirisch belegt. Im Audit gelb markiert.
Das klingt klein, ist aber ein Kulturwechsel. Wer eine GEO-Empfehlung als "wirksam" verkauft, obwohl sie nur eine Hypothese ist, manipuliert. Wir labeln das jetzt offen.
3. Citation-Causality Validation — wir messen, was wirklich wirkt
Der spannendste Teil. Wir haben eine Methode gebaut, die für jeden GEO-Check rechnerisch nachweist, ob er mit echten LLM-Zitierungen korreliert oder nicht.
So funktioniert es:
- Wir nehmen Seiten, die in einer KI-Antwort zitiert wurden (
cited). - Wir nehmen vergleichbare Seiten aus den SERPs, die nicht zitiert wurden — unsere CCE-Counterfactuals.
- Wir lassen jeden GEO-Check auf beiden Sets laufen und berechnen den Lift = P(pass | cited) / P(pass | counterfactual), inklusive statistischer Signifikanz.
Das Ergebnis ist eine Tabelle, die die Audit-Checks danach sortiert, wie stark sie mit echten Zitierungen zusammenhängen. In Phase 2 — optional und freigeschaltet — dürfen Checks mit signifikantem Lift in der Matrix automatisch zu Tier A aufsteigen. Der Audit lernt also aus realen Daten und wird über die Zeit präzise statt dogmatisch.
4. Ehrliche Sprache
Wir reden ab jetzt anders über GEO. llms.txt, AI-spezifisches Schema und Chunking sind für Google kein Ranking-Faktor — Google sagt es selbst. Für die extraktiven Engines (ChatGPT, Perplexity, Claude, Copilot, Grok) sind sie Hypothese: plausibel, beobachtbar in einzelnen Fällen, aber nicht bewiesen.
Wir verkaufen keine Hypothese als Fakt. Das ist im Tool sichtbar, im Audit sichtbar, in der API sichtbar.
Was das für Ihre Website bedeutet
Drei klare Maßnahmen, die Sie ab heute umsetzen können:
- Hören Sie auf, für Google
llms.txtzu schreiben. Sie verschwenden Zeit. Wenn Sie es für Perplexity und Claude weiterführen, ist das in Ordnung — aber wissen Sie, dass es Hypothese ist. - Investieren Sie in First-Hand-Inhalte. Eigene Daten, eigene Studien, eigene Erfahrung. Das ist, was Google AI Overviews aktiv bevorzugen — und gleichzeitig das einzige Signal, das alle sieben Engines belohnen.
- Beheben Sie zuerst die Technical-Eligibility-Befunde im Audit. Ein
noindexauf einer wichtigen Seite, ein blockierender Eintrag inrobots.txtfürGoogle-ExtendedoderPerplexityBot, ein fehlendes<html lang="de">— das sind die harten Tore. Erst danach lohnt sich die Arbeit an den Content/GEO-Signalen.
Warum wir das gemacht haben
Wir müssen offen sein: Es wäre einfacher gewesen, weiter "20 GEO-Tipps für 2026" zu publizieren und alles als gleichwertig zu verkaufen. Wir haben uns dagegen entschieden, weil:
- Google jetzt offiziell widerspricht.
- Unsere eigenen Citation-Daten den Widerspruch bestätigen.
- GEO ohne empirische Grundlage in 24 Monaten dasselbe Glaubwürdigkeitsproblem hat wie SEO-Snake-Oil der 2010er-Jahre.
Wer das Tool ernst nimmt, will wissen, welche Empfehlung Evidenz hat und welche eine Wette ist. Genau das zeigt Rankion jetzt.
Selbst ausprobieren
- GEO-Audit starten: Lassen Sie eine Ihrer wichtigsten Landingpages prüfen und sehen Sie beide Scores plus die Tier-Labels nebeneinander.
- Engine-Matrix einsehen:
GET /v1/engines(öffentlich, kein Token) zeigt für jede der sieben Engines, welche Signale wie evidenzgestützt sind. - Citation-Causality auf eigene Daten: Im CCE-Modul können Sie pro Cluster sehen, welche Checks bei Ihren zitierten Seiten signifikant stärker zutreffen als bei den Counterfactuals.
Wenn Sie Rankion noch nicht testen: Der GEO-Audit ist in jedem Plan enthalten, und die Engine-Matrix ist ohne Login einsehbar. Damit kann jeder, der seine GEO-Strategie 2026 ehrlich aufstellen will, anfangen.
Wenn Sie eine Stelle in diesem Artikel kritisch sehen oder eigene Daten zu Citation-Causality teilen möchten: schreiben Sie uns. Wir aktualisieren die Engine-Matrix monatlich auf Basis neuer Belege — Ihre Beobachtungen fließen direkt in den öffentlichen Datensatz ein.
