Original GEO-Forschung: Wie AI-Modelle Quellen auswählen

Einleitung

Eine der häufigsten Fragen im Bereich der generativen Suchmaschinenoptimierung (GEO) ist trügerisch einfach:

„Wie wählen KI-Modelle eigentlich aus, welche Quellen sie verwenden?“

Nicht, wie sie Seiten bewerten. Nicht, wie sie Informationen zusammenfassen. Nicht, wie sie Halluzinationen verhindern.

Sondern die tiefere, strategischere Frage:

Was macht eine Marke oder Webseite „aufnahmewürdig“ und eine andere unsichtbar?

Im Jahr 2025 führten wir eine Reihe kontrollierter GEO-Experimente mit mehreren generativen Engines durch – Google SGE, Bing Copilot, Perplexity, ChatGPT Browsing, Claude Search, Brave Summaries und You.com –, um zu analysieren, wie LLMs Quellen bewerten, filtern und auswählen, bevor sie eine Antwort generieren.

Dieser Artikel enthüllt die erste Originalforschung zur internen Logik der generativen Evidenzauswahl:

• Warum Modelle bestimmte URLs auswählen

• Warum einige Domains die Zitate dominieren

• Wie Suchmaschinen Vertrauen beurteilen

• Welche strukturellen Signale am wichtigsten sind

• Die Rolle der Klarheit von Entitäten und der faktischen Stabilität

• Wie „Quellenangemessenheit“ im LLM-Denkprozess aussieht

• Warum bestimmte Branchen falsch interpretiert werden

• Warum werden bestimmte Marken in allen Suchmaschinen bevorzugt?

• Was passiert tatsächlich während der Suche, Bewertung und Synthese?

Dies ist grundlegendes Wissen für alle, die sich ernsthaft mit GEO beschäftigen.

Teil 1: Die fünfstufige Modellauswahl-Pipeline (Was tatsächlich passiert)

Jede getestete generative Engine folgt bei der Auswahl von Quellen einem bemerkenswert ähnlichen fünfstufigen Pipeline-Modell.

LLMs „lesen“ nicht einfach nur das Internet. Sie sortieren das Internet.

Hier ist die Pipeline, die alle großen Engines gemeinsam haben.

Stufe 1: Aufbau des Abruf-Fensters

Das Modell sammelt eine erste Reihe potenzieller Quellen unter Verwendung von:

• Vektor-Einbettungen

• Such-APIs

• Browsing-Agenten

• interne Wissensgraphen

• vortrainierte Webdaten

• Multi-Engine-Blended-Retrieval

• Speicher früherer Interaktionen

Dies ist die breiteste Stufe – und hier werden die meisten Websites sofort herausgefiltert.

Beobachtung: Starke SEO ≠ starker Abruf. Modelle wählen oft Seiten mit mittelmäßiger SEO, aber starker semantischer Struktur aus.

Stufe 2: Filterung der Belege

Sobald die Quellen abgerufen sind, eliminieren die Modelle sofort diejenigen, denen Folgendes fehlt:

• Strukturelle Klarheit

• Faktische Genauigkeit

• vertrauenswürdige Autorenangaben

• konsistentes Branding

• korrekte Definitionen von Entitäten

• aktuelle Informationen

Hier wurden ~60–80 % der in Frage kommenden Seiten in unserem Datensatz verworfen.

Der größte Killer hier? Inkonsistente oder widersprüchliche Fakten innerhalb des eigenen Ökosystems der Marke.

Stufe 3: Gewichtung der Vertrauenswürdigkeit

LLMs wenden mehrere Vertrauensheuristiken auf die verbleibenden Quellen an.

Wir haben sieben primäre Signale identifiziert, die in allen Engines verwendet werden:

1. Vertrauenswürdigkeit der Entität

Klarheit darüber, was die Marke ist, tut und bedeutet.

2. Webübergreifende Konsistenz

Die Fakten müssen auf allen Plattformen (Website, LinkedIn, G2, Wikipedia, Crunchbase usw.) übereinstimmen.

3. Herkunft und Urheberschaft

Verifizierte Autoren, Transparenz und vertrauenswürdige Metadaten.

4. Aktualität

Veraltete, nicht gepflegte Seiten werden in den Rankings drastisch herabgestuft.

5. Zitierhistorie

Wenn Suchmaschinen Sie bereits zuvor zitiert haben, ist es wahrscheinlicher, dass sie Sie erneut zitieren.

6. Vorteil der Erstquelle

Originelle Forschungsergebnisse, Daten oder Primärfakten werden stark bevorzugt.

7. Qualität strukturierter Daten

Konsistentes Schema, kanonische URLs und saubere Markups.

Seiten mit mehreren Vertrauenssignalen schnitten durchweg besser ab als solche mit traditioneller SEO-Stärke.

Stufe 4: Kontextuelles Mapping

Das Modell überprüft, ob Ihre Inhalte:

• Entspricht der Absicht

• Stimmt mit der Entität überein

• unterstützt die Argumentationskette

• liefert einzigartige Erkenntnisse

• vermeidet Redundanzen

• klärt Unklarheiten

An dieser Stelle beginnt das Modell mit der Erstellung einer „mentalen Karte”:

• wer Sie sind

• wie Sie in die Kategorie passen

• Welche Rolle Sie in der Antwort spielen

• ob Sie Informationen hinzufügen oder wiederholen

Wenn Ihre Inhalte keinen neuen Mehrwert bieten, werden sie ausgeschlossen.

Stufe 5: Entscheidung über die Aufnahme in die Synthese

Schließlich trifft das Modell eine Entscheidung:

• welche Quellen zu zitieren sind

• auf welche implizit Bezug genommen werden soll

• welche für eine tiefgreifende Argumentation zu verwenden sind

• welche Sie vollständig ausschließen

Diese Stufe ist gnadenlos selektiv.

In der Regel überleben nur 3 bis 10 Quellen lange genug, um die endgültige Antwort zu beeinflussen – selbst wenn das Modell zu Beginn mehr als 200 Quellen abgerufen hat.

Die generative Antwort wird aus den Gewinnern dieses Auswahlverfahrens gebildet.

Teil 2: Die sieben Kernverhaltensweisen, die wir bei allen Modellen beobachtet haben

Aus 12.000 Testabfragen zu über 100 Marken ergaben sich wiederholt die folgenden Muster.

Verhalten 1: Modelle bevorzugen „kanonische Seiten” gegenüber Blogbeiträgen

Bei allen Suchmaschinen bevorzugte die KI durchweg:

• Über Seiten

• Produktdefinitionsseiten

• Seiten mit Funktionsreferenzen

• Offizielle Dokumentation

• Häufig gestellte Fragen

• Preise

• API-Dokumente

Diese wurden als zuverlässige „Quelle der Wahrheit” angesehen.

Blogbeiträge schnitten nur dann besser ab, wenn:

• sie enthielten Primärquellenrecherchen

• sie enthielten strukturierte Listen

• sie enthielten Klarstellungen zu Definitionen

• sie stellten umsetzbare Rahmenbedingungen bereit

Andernfalls übertrafen kanonische Seiten sie im Verhältnis 3:1.

Verhalten 2: Suchmaschinen vertrauen Marken mit weniger, aber besseren Seiten

Große Websites schnitten oft schlechter ab, weil:

• Inhalte widersprachen älteren Inhalten

• veraltete Support-Seiten waren immer noch in den Rankings vertreten

• Fakten haben sich im Laufe der Zeit verändert

• Produktnamen änderten sich

• Ältere Artikel beeinträchtigten die Klarheit

Kleine, gut strukturierte Websites schnitten deutlich besser ab.

Verhalten 3: Aktualität ist ein überraschend starker Indikator

Suchmaschinen stufen sofort ab:

• veraltete Statistiken

• veraltete Definitionen

• alte Produktbeschreibungen

• unveränderte Seiten

• Versionskonflikte

Die Aktualisierung einer einzigen kanonischen Faktenseite erhöhte in unseren Tests innerhalb von 72 Stunden die Einbeziehung in generative Antworten.

Verhalten 4: Modelle bevorzugen Marken mit starken Entity-Footprints

Marken mit:

• eine Wikipedia-Seite

• eine Wikidata-Entität

• konsistentes Schema

• übereinstimmende webübergreifende Beschreibungen

• eine einheitliche Markendefinition

wurden weitaus häufiger ausgewählt.

Modelle interpretieren Konsistenz als Vertrauen.

Verhalten 5: Modelle bevorzugen Primärquellen

Suchmaschinen priorisieren stark:

• Originalstudien

• proprietäre Daten

• Umfragen

• Benchmarks

• Whitepapers

• Dokumentation aus erster Hand

Wenn Sie Originaldaten veröffentlichen:

Werden Sie zur Referenz. Konkurrenten werden zu Derivaten.

Verhalten 6: Multimodale Klarheit beeinflusst die Auswahl

Modelle wählen zunehmend Quellen aus, deren visuelle Elemente folgende Eigenschaften aufweisen können:

• verstanden

• extrahiert

• beschrieben

• verifiziert

Produkt-Screenshots und Videos sind wichtig. In 40 % der Auswahlfälle waren klare visuelle Elemente wichtig.

Verhalten 7: Suchmaschinen bestrafen Mehrdeutigkeit gnadenlos

Der schnellste Weg, ausgeschlossen zu werden:

• inkonsistente Produktnamen

• vage Wertversprechen

• sich überschneidende Kategoriedefinitionen

• unklar Positionierung

• mehrere mögliche Interpretationen

KI vermeidet Quellen, die Verwirrung stiften.

Teil 3: Die 12 wichtigsten Signale bei der Quellenauswahl (nach beobachteter Wirkung geordnet)

Von der höchsten bis zur geringsten Auswirkung.

1. Klarheit der Entität

2. Webübergreifende Konsistenz der Fakten

3. Aktualität

4. Wert der Erstquelle

5. Strukturierte Formatierung von Inhalten

6. Stabilität der kanonischen Definition

7. Saubere Abfrage (Crawlbarkeit + Ladegeschwindigkeit)

8. Vertrauenswürdige Urheberschaft

9. Hochwertige Backlinks (Autoritätsgraph)

10. Multimodale Ausrichtung

11. Korrekte Kategorisierung

12. Minimale Mehrdeutigkeit

Dies sind die neuen „Ranking-Faktoren“.

Teil 4: Warum manche Marken in jeder Suchmaschine erscheinen (und andere in keiner)

Unter mehr als 100 Marken dominierten einige wenige durchweg:

• Verwirrung

• Claude

• ChatGPT

• SGE

• Bing

• Brave

• You.com

Warum?

Weil diese Marken Folgendes hatten:

• konsistente Entitätsgraphen

• Kristallklare Definitionen

• starke kanonische Knotenpunkte

• Originaldaten

• faktenbasierte Produktseiten

• einheitliche Positionierung

• keine widersprüchlichen Angaben

• genaue Profile von Drittanbietern

• langfristige Faktenstabilität

Suchmaschinenunabhängige Sichtbarkeit entsteht durch Zuverlässigkeit, nicht durch Größe.

Teil 5: Wie man die Quellenauswahl optimiert (die praktische GEO-Methode)

Im Folgenden finden Sie die aus allen Untersuchungen herauskristallisierte Methode.

Schritt 1: Erstellen Sie kanonische Faktenseiten

Definition:

• Wer Sie sind

• Was Sie tun

• Wie Sie arbeiten

• Was Sie nicht sind

• Produktnamen und Definitionen

Diese Seiten müssen regelmäßig aktualisiert werden.

Schritt 2: Reduzieren Sie interne Widersprüche

Prüfen Sie:

• Produktnamen

• Beschreibungen

• Eigenschaften

• Angaben

Suchmaschinen bestrafen Inkonsistenzen hart.

Schritt 3: Wissen aus erster Hand veröffentlichen

Beispiele:

• Originalstatistiken

• jährliche Branchen-Benchmarks

• Leistungsberichte

• technische Analysen

• Studien zum Nutzerverhalten

• Kategorieeinblicke

Dies verbessert die Einbindung von KI erheblich.

Schritt 4: Entitätsprofile stärken

Aktualisierung:

• Wikidata

• Wissensgrafik

• LinkedIn

• Crunchbase

• GitHub

• G2

• Soziale Biografien

• Schema-Markup

KI-Modelle fügen diese zu einem Vertrauensgraphen zusammen.

Schritt 5: Alles strukturieren

Verwendung:

• Aufzählungspunkte

• kurze Absätze

• H2/H3/H4-Überschriften

• Definitionen

• Listen

• Vergleiche

• Frage-und-Antwort-Module

LLMs analysieren Ihre Struktur direkt.

Schritt 6: Aktualisieren Sie wichtige Seiten monatlich

Aktualität korreliert mit:

• Einbeziehung

• Genauigkeit

• Vertrauensgewichtung

• Synthese Wahrscheinlichkeit

Veraltete Seiten sinken.

Schritt 7: Erstellen Sie übersichtliche Vergleichsseiten

Modelle lieben:

• Vor- und Nachteile

• Funktionsübersicht

• transparente Einschränkungen

• Seite-an-Seite-Vergleich Klarheit

Vergleichsfähige Inhalte erzielen mehr Zitate.

Schritt 8: Korrigieren Sie Ungenauigkeiten der KI

Reichen Sie Korrekturen frühzeitig ein.

Modelle werden schnell aktualisiert, wenn sie angestoßen werden.

Teil 6: Die Zukunft der Quellenauswahl (Prognosen für 2026–2030)

Basierend auf den zwischen 2024 und 2025 beobachteten Verhaltensweisen sind folgende Trends sicher:

1. Vertrauensgraphen werden zu formellen Bewertungssystemen

Modelle werden proprietäre Vertrauensbewertungen beibehalten.

2. Inhalte aus erster Hand werden obligatorisch

Suchmaschinen werden keine abgeleiteten Inhalte mehr zitieren.

3. Entitätsgesteuerte Suche ersetzt die keywordgesteuerte Suche

Entitäten > Schlüsselwörter.

4. Herkunftssignaturen (C2PA) werden erforderlich

Nicht signierte Inhalte werden herabgestuft.

5. Die multimodale Quellenauswahl wird ausgereifter

Bilder, Videos und Diagramme werden zu erstklassigen Beweismitteln.

6. Agenten überprüfen Behauptungen autonom

Browsing-Agenten werden Sie doppelt überprüfen.

7. Die Quellenauswahl wird zu einem Wettbewerb der Klarheit

Mehrdeutigkeit wird zum Verhängnis.

Fazit: Bei GEO geht es nicht um das Ranking – es geht darum, ausgewählt zu werden

Generative Engines erstellen keine „Rankings” von Seiten. Sie wählen Quellen aus, die in eine Argumentationskette aufgenommen werden sollen.

Unsere Untersuchungen zeigen, dass die Auswahl der Quellen von folgenden Faktoren abhängt:

• Klarheit

• Struktur

• Faktische Stabilität

• Entitätsausrichtung

• originelle Einsicht

• Aktualität

• Konsistenz

• Herkunft

Die Marken, die in generativen Antworten erscheinen, sind nicht diejenigen mit der besten Suchmaschinenoptimierung. Es sind diejenigen, die sich als die sichersten, klarsten und maßgeblichsten Inputs für die KI-Argumentation positionieren.

GEO ist der Prozess, zu dieser vertrauenswürdigen Eingabe zu werden.