GEO, AEO, LLMO: drei Kürzel, ein Messproblem

Für ein und dieselbe Sache kursieren derzeit drei Kürzel. GEO. AEO. LLMO. Sie sind innerhalb weniger Monate aufgetaucht, die einen verwenden sie synonym, die anderen grenzen sie streng gegeneinander ab, und einig ist man sich nur darin, dass man sich Sorgen machen sollte.

Die kurze Fassung vor der langen: Alle drei beschreiben überlappende Sichten auf eine einzige Lage. Generative KI-Systeme beantworten Fragen, indem sie eine Handvoll Marken nennen, und die meisten Unternehmen wissen nicht, ob sie dazugehören. Alles Weitere ist Vokabular.

Was jedes Kürzel behauptet

GEO: Generative Engine Optimization

GEO hat die klarste Herkunft. Der Begriff kommt aus der akademischen Forschung, nicht aus einer Agentur, und er wurde geprägt, um eine bestimmte Frage zu benennen: Wenn ein generatives System eine Antwort synthetisiert, statt Links auszugeben, was macht dann eine Quelle wahrscheinlicher, in dieser Synthese verwendet und genannt zu werden?

Gemeint sind Engines als Systeme: etwas, das abruft, intern gewichtet, zusammenfasst und Prosa ausgibt. Dazu zählen ChatGPT, Claude, Gemini und Perplexity, dazu die KI-Zusammenfassungen, die über die klassische Suche gelegt werden. Die Erfolgseinheit ist keine Position in einer Liste. Sie ist die Frage, ob Ihr Name in einem Absatz vorkommt, in dem nur für wenige Namen Platz ist.

AEO: Answer Engine Optimization

AEO ist der ältere Gedanke in neuen Kleidern. Er ist älter als die aktuelle Welle der Chatbots und beschrieb ursprünglich die Optimierung für hervorgehobene Snippets, Sprachassistenten und alles andere, was eine Antwort zurückgibt statt einer Seite voller Optionen. Strukturierte Daten, Überschriften in Frageform, die direkte Antwort im ersten Satz eines Abschnitts. Das war AEO, lange bevor irgendjemand von Sprachmodellen sprach.

Seither wurde das Etikett gedehnt, bis es auch generative Chatoberflächen abdeckt, und genau deshalb steht es heute so unbequem neben GEO. Wer AEO sagt, meint meist entweder die Variante mit Schema-Markup und Snippets oder die Variante mit Sprachmodellen. Häufig beides, ohne zu bemerken, dass es verschiedene Maschinen mit verschiedenen Fehlerbildern sind.

LLMO: Large Language Model Optimization

LLMO zielt am engsten und am wörtlichsten: Es will beeinflussen, was ein Sprachmodell selbst sagt, im Unterschied zu dem, was ihm eine Abrufschicht vorlegt. Die Unterscheidung lohnt sich, denn hier zeigen die Kürzel tatsächlich auf verschiedene Mechanismen.

Ein Modell kann Ihnen auf zwei sehr verschiedene Weisen antworten. Es kann aus dem antworten, was es im Training aufgenommen hat. Dann gibt es keine lebende Quelle, keine Zitation, und was Sie vergangene Woche veröffentlicht haben, spielt für die Ausgabe keine Rolle. Oder es antwortet aus Dokumenten, die im Moment der Anfrage abgerufen werden. Dann ist enorm wichtig, was gerade jetzt im offenen Netz steht. Die meisten Systeme tun beides, und sie sagen Ihnen nicht, welcher Modus welchen Satz erzeugt hat.

LLMO zielt, wörtlich genommen, auf den ersten Modus, und der erste Modus ist praktisch unerreichbar. Sie können keine Seite in die Gewichte eines Modells einreichen. Sie können nicht redigieren, was es gelernt hat. Was das Kürzel auch nahelegt: Niemand optimiert ein Sprachmodell von außen.

Warum es drei davon gibt

Neue Kategorien erzeugen Vokabular. So weit, so normal. Bemerkenswert ist die Richtung, in die dieses Vokabular zeigt.

Jedes der drei Kürzel endet auf Optimization. Alle drei beschreiben einen Eingriff. Keines beschreibt eine Messung. Das ist ein seltsames Fundament für eine Disziplin, denn die Eingriffsseite ist genau der Teil, dessen Beherrschung bislang niemand nachweisen kann, während die Messseite jedem offensteht, der bereit ist hinzusehen.

Der ehrliche Stand der Dinge: Wir können zuverlässig beobachten, was generative Systeme heute über eine Marke sagen, welche Marken stattdessen genannt werden und wie sich das je Plattform und je Sprache unterscheidet. Was niemand kann, ist garantieren, dass eine bestimmte Maßnahme daran etwas ändert. Die Branche hat drei Namen für eine Methode hervorgebracht und fast nichts für das, was diese Methode überhaupt erst brauchbar machen würde: einen Ausgangswert.

Ein Markt, der Methode verkauft, bevor er messen kann, verkauft Zuversicht. Die Kürzel sind die Verpackung.

Das Missverständnis, das im Deutschen zuerst weg muss: GEO ist keine Geografie

Hierzulande sitzt die Verwechslung tiefer als anderswo, weil die Silbe schon vergeben ist. Geodaten, Geotargeting, Geofencing, Geokoordinaten: Wer GEO-Tracking hört, denkt an einen Peilsender im Fahrzeug. Ein GEO-Tool klingt nach Kartendienst, ein GEO-Report nach Standortauswertung. Deshalb in aller Deutlichkeit, bevor der Text weiterläuft:

GEO steht für Generative Engine Optimization. Es bedeutet nicht Geolokalisierung. Es bedeutet nicht geografisches Targeting, keine Kartentreffer, keine Umkreissuche, keine lokale Suchmaschinenoptimierung. Es hat mit dem Standort Ihrer Nutzer nichts zu tun.

Die Kollision ist ein Zufall der Abkürzung. Die Vorsilbe steht seit sehr langer Zeit für die Erde, also kann ein Beitrag mit dem Titel „GEO-Strategie für Ihr Unternehmen" plausibel beides meinen, und reichlich veröffentlichtes Material wirft tatsächlich beides durcheinander.

Die Faustregel für die Lektüre ist einfach. Sobald ein Text in diesem Umfeld von Unternehmensprofilen, Öffnungszeiten oder Umkreisradien spricht, lesen Sie über lokale Suche. Das ist ein reales Handwerk mit realen Fachleuten. Es ist nur nicht dieses hier. Die beiden Disziplinen teilen sich drei Buchstaben und sonst nichts.

Unter den Etiketten ist das Problem ein einziges

Ziehen Sie das Vokabular ab, und es bleibt Folgendes. Jemand fragt einen Assistenten, welches Werkzeug, welchen Lieferanten, welches Produkt er in Betracht ziehen soll. Der Assistent liefert keine Liste aller Anbieter. Er schreibt ein oder zwei Sätze Prosa und nennt eine kleine Zahl von Unternehmen. Es gibt keine zweite Seite, kein „weitere Ergebnisse anzeigen". Die ausgelassenen Marken haben nicht knapp verloren. Sie kamen im Gespräch überhaupt nicht vor, und der Fragende hat keine Möglichkeit zu erfahren, dass es sie gibt.

Das ist das ganze Problem, und kein Kürzel ändert etwas daran. Die Fragen, die Sie beantwortet brauchen, bleiben deshalb dieselben, welches Wort Sie auch für die Disziplin wählen.

• Nennt das System Sie, wenn jemand die Frage stellt, die Ihre Einkäufer tatsächlich stellen, und nicht die Frage, in der Ihr Markenname schon vorkommt?
• Zitiert es Sie, mit Link, oder erwähnt es Sie bloß? Das sind verschiedene Ergebnisse. Ein Modell kann Ihr Produkt zutreffend beschreiben und Ihnen keinen einzigen Besuch schicken, weshalb Analysewerkzeuge davon strukturell nichts sehen können.
• Wer wird an Ihrer Stelle genannt? Das ist meist die unangenehmste Antwort, denn oft steht dort nicht der Wettbewerber aus Ihrer eigenen Marktkarte. Modelle gruppieren Marken danach, wie das Netz über sie spricht, nicht danach, wie Sie Ihre Kategorie segmentieren.
• In welcher Sprache? Sichtbarkeit überquert keine Grenzen. Eine Marke, die ein Assistent auf Englisch souverän empfiehlt, kann bei derselben Frage auf Deutsch vollständig fehlen, weil das deutschsprachige Netz weniger über sie hergibt. Es gibt keine einzelne globale Antwort, die man prüfen könnte.

Was Sie damit anfangen

Alle vier Punkte können Sie heute von Hand prüfen, kostenlos. Öffnen Sie einen Chat-Assistenten, stellen Sie die Frage, die ein Interessent stellen würde, bevor er von Ihnen weiß, und lesen Sie, wer genannt wird. Stellen Sie sie dann noch einmal. Die Antwort wird nicht identisch sein, denn diese Modelle sind probabilistisch, und eine einzelne Antwort ist eine Anekdote, kein Befund. Übersetzen Sie die Frage anschließend in jede Sprache, in der Sie verkaufen, und wiederholen Sie das Ganze.

Tun Sie das ehrlich, und Sie lernen an einem Nachmittag mehr, als ein Kürzel Ihnen je beibringen wird. Sie entdecken dabei auch, warum das nicht skaliert: Nötig sind Prompts mal Wiederholungen mal Plattformen mal Sprachen, und dieses Produkt wächst schneller als Ihre Geduld.

Genau diese Multiplikation ist der Grund, warum es Werkzeuge gibt, und sie ist der Teil, den PSentry automatisiert: ein Prompt-Set über ChatGPT, Claude, Gemini und Perplexity laufen lassen, in jeder Sprache und jedem Markt, in dem Sie tätig sind, und berichten, wo Sie genannt werden, wo Sie zitiert werden und wer an Ihrer Stelle genannt wird.

Zwei Grenzen, offen benannt, weil dieser Beitrag soeben einer ganzen Kategorie vorgeworfen hat, zu viel zu versprechen. Die Scans laufen nach Zeitplan, zweimal im Monat, nicht in Echtzeit. Und Messung bleibt Messung: Sie manipuliert nicht, was ein Modell sagt, und wer das Gegenteil behauptet, schuldet Ihnen einen Nachweis, den er nicht erbringen kann. Was Sie bekommen, ist ein Ausgangswert. Nachdem die Branche drei Kürzel hervorgebracht hat und keinen Ausgangswert, scheint das die richtige Reihenfolge zu sein.

Häufig gestellte Fragen

Welches Kürzel soll ich im Gespräch mit meinem Team verwenden?

GEO hat die nachvollziehbarste Herkunft und die geringste Unschärfe darüber, worauf es sich bezieht, und ist damit die sicherere Wahl für ein Dokument, das auch von anderen gelesen wird. Was immer Sie wählen: Definieren Sie es im ersten Absatz. Sonst nimmt die Hälfte Ihrer Leserschaft an, es gehe um Landkarten.

Wenn niemand beweisen kann, dass ein Eingriff wirkt, lohnt sich das Ganze überhaupt?

Das Messen lohnt sich, denn ohne Ausgangswert lässt sich kein Eingriff bewerten, und dieser Ausgangswert fehlt derzeit fast überall. Die vernünftige Haltung: herausfinden, wo Sie stehen, weiterhin klare und sachliche Inhalte über Ihre Tätigkeit veröffentlichen und skeptisch bleiben gegenüber jedem, der einen Hebel verspricht.

Ist AEO überholt, jetzt wo es GEO gibt?

Nicht überholt, nur älter und enger. Der strukturierte, direkte, Fragen beantwortende Schreibstil, für den AEO immer geworben hat, lässt sich für ein Modell tatsächlich leichter weiterverwenden als dichte Positionierungsprosa. Dieser Rat ist nicht falsch geworden. Er ist nur nicht mehr ausreichend.

Warum ändern sich die Antworten, wenn ich dieselbe Frage erneut stelle?

Weil Sprachmodelle aus einer Verteilung ziehen und nicht ein gespeichertes Ergebnis nachschlagen. Derselbe Prompt kann in aufeinanderfolgenden Durchläufen unterschiedliche Anbieterlisten hervorbringen. Das ist kein Defekt, den man wegkonfiguriert, und es ist genau der Grund, warum Wiederholung und nicht eine einzelne Prüfung eine Messung von einer Vermutung trennt.

Wird ein neues Kürzel alle drei ablösen?

Möglicherweise, und es wird keine Rolle spielen. Die zugrunde liegende Frage bleibt in jeder Fassung dieselbe: Wenn eine Maschine an Ihrer Stelle antwortet, nennt sie Ihren Namen, und in welchen Sprachen tut sie es nicht.