Der GEO Guide Schweiz – alles über KI-Sichtbarkeit.

GEO ist die Disziplin, Inhalte, Struktur und technische Signale einer Website so zu gestalten, dass generative KI-Systeme – ChatGPT, Google Gemini, Perplexity und weitere – eine Marke als verlässliche Quelle erkennen und in ihren Antworten zitieren. Google selbst betont, dass die Optimierung für generative KI-Suche aus technischer Sicht weiterhin klassisches SEO ist: AEO und GEO sind nach dieser Einordnung neue Bezeichnungen für dieselbe zugrunde liegende Arbeit, angewendet auf neue Suchoberflächen. Der Unterschied liegt vor allem in der Zielmetrik: Statt einer Ranking-Position in zehn blauen Links zählt bei GEO, ob und wie oft eine Marke in einer KI-generierten Antwort namentlich erscheint – gemessen als Citation Rate.

Die Dimension dieser Verschiebung ist erheblich: Google AI Overviews erreichen mittlerweile über 1,5 Milliarden Nutzer monatlich in mehr als 200 Ländern und decken über 50 % aller Suchanfragen ab. Google AI Mode hat im Mai 2026 die Marke von 1 Milliarde monatlichen Nutzern überschritten und läuft standardmässig auf dem Modell Gemini 3.5 Flash. ChatGPT zählt rund 900 Millionen wöchentlich aktive Nutzer, Perplexity verarbeitet über 500 Millionen Anfragen pro Monat. Wer in diesen Systemen nicht sichtbar ist, verliert einen wachsenden Anteil der Recherche-Reise potenzieller Kunden – noch bevor diese überhaupt eine klassische Suchmaschine öffnen.

Begrifflich hat sich GEO erst ab etwa 2023 etabliert, parallel zur wachsenden Verbreitung von ChatGPT und der Einführung von Googles Search Generative Experience (SGE), dem Vorläufer der heutigen AI Overviews. Seither kursieren mehrere verwandte Begriffe – AEO (Answer Engine Optimization), LLMO (Large Language Model Optimization) und GEO selbst – die sich in der Praxis stark überschneiden. Google hat in seinen offiziellen Search-Central-Dokumenten inzwischen klargestellt, dass es sich dabei aus seiner Sicht um umetikettierte Varianten derselben grundlegenden SEO-Arbeit handelt, angewendet auf neue Antwortformate. Für die praktische Umsetzung ist diese begriffliche Klärung hilfreich: Unternehmen müssen kein komplett neues Fachgebiet von Grund auf aufbauen, sondern bestehende SEO-Kompetenz gezielt um KI-spezifische Anforderungen erweitern.

Für Schweizer Unternehmen kommt eine zusätzliche Dimension hinzu: die Mehrsprachigkeit. KI-Systeme verarbeiten Anfragen auf Deutsch, Französisch und Italienisch grundsätzlich getrennt, da Embeddings sprachspezifisch berechnet werden. Ein Unternehmen, das nur auf Deutsch zitierbare Inhalte bereitstellt, bleibt bei französisch- oder italienischsprachigen Anfragen unsichtbar – selbst wenn es seine Leistungen auch in der Romandie oder im Tessin anbietet. Eine vollständige GEO-Strategie für die Schweiz berücksichtigt deshalb von Anfang an, für welche Sprachregionen zitierbare Inhalte tatsächlich notwendig sind, statt Inhalte nachträglich automatisiert zu übersetzen.

Large Language Models (LLMs) verarbeiten Text nicht über Keyword-Abgleich, sondern über Vector Embeddings – mathematische Repräsentationen von Bedeutung, die semantische Ähnlichkeit berechenbar machen. Ein Text wird dabei zunächst in sogenannte Tokens zerlegt (meist Wortteile oder ganze Wörter), die anschliessend als hochdimensionale Vektoren dargestellt werden. Zwei Textpassagen mit ähnlicher Bedeutung erhalten ähnliche Vektoren, selbst wenn sie unterschiedliche Wörter verwenden – ein Grund, warum klassische Keyword-Optimierung im GEO-Kontext deutlich an Bedeutung verliert.

Bei aktuellen Anfragen greifen viele Systeme zusätzlich auf Retrieval-Augmented Generation (RAG) zurück: Das Modell sucht aktiv nach passenden, möglichst aktuellen Quellen und bindet deren Inhalt direkt in die generierte Antwort ein, statt sich ausschliesslich auf statische Trainingsdaten zu verlassen. Dieser Retrieval-Schritt funktioniert ähnlich wie eine Suchmaschine im Hintergrund: Das System berechnet die Embedding-Ähnlichkeit zwischen der Nutzeranfrage und einer grossen Menge potenzieller Quellen und wählt die am besten passenden Abschnitte aus, bevor das Sprachmodell daraus eine Antwort formuliert.

Für Website-Betreiber ergeben sich daraus drei technische Kernanforderungen: Erstens müssen Inhalte serverseitig gerendert sein, da KI-Crawler kein JavaScript ausführen und client-seitig nachgeladene Inhalte schlicht nicht sehen. Zweitens müssen Inhalte in klar abgegrenzte, eigenständig verständliche Passagen strukturiert sein, damit ein RAG-System sie isoliert abrufen und sinnvoll in eine Antwort einbauen kann. Drittens müssen die relevanten Crawler – GPTBot, ClaudeBot, PerplexityBot, Google-Extended – überhaupt technischen Zugriff auf die Website erhalten, da sonst weder Indexierung noch Echtzeit-Retrieval möglich sind.

Diese fünf Faktoren wirken nicht isoliert, sondern verstärken sich gegenseitig. Ein faktendichter, gut formulierter Antwortblock (Citability) nützt wenig, wenn er in einem unstrukturierten Textwall ohne Überschriften versteckt ist (Strukturelle Lesbarkeit). Ebenso wertlos ist exzellenter Content, wenn die zugehörige Seite per JavaScript nachgeladen wird und KI-Crawler sie gar nicht erst lesen können (Technische Zugänglichkeit). In der Praxis empfiehlt sich daher, die fünf Faktoren als Reihenfolge zu behandeln: zuerst die technische Basis sicherstellen, dann die Struktur optimieren, danach Citability-Blöcke formulieren, anschliessend multimodale Elemente ergänzen und parallel kontinuierlich an Autorität und Aktualität arbeiten.

Besonders der Faktor Autorität wird in der Praxis häufig unterschätzt, weil er am wenigsten mit klassischer On-Page-Optimierung zu tun hat. Während sich Citability und Struktur direkt auf der eigenen Website umsetzen lassen, erfordert der Aufbau von Markenerwähnungen aktive Präsenz auf Plattformen wie Reddit, YouTube oder Wikipedia – ein Bereich, der in klassischen SEO-Workflows oft fehlt und entsprechend zusätzliche Ressourcen benötigt.

☐ robots.txt erlaubt GPTBot, OAI-SearchBot, ClaudeBot und PerplexityBot

☐ Zentrale Inhalte sind serverseitig gerendert (kein reines Client-Side-JavaScript)

☐ Organization-, LocalBusiness-, Service- und FAQ-Schema sind als JSON-LD implementiert

☐ Kernantworten sind in 130–170-Wörter-Blöcken formuliert

☐ Jede wichtige Seite hat ein aktuelles „zuletzt aktualisiert"-Datum

☐ FAQ-Bereiche beantworten die häufigsten Kundenfragen in Frage-Antwort-Form

☐ Die Marke wird aktiv auf Wikipedia, Reddit, YouTube oder LinkedIn erwähnt oder diskutiert

☐ Die Citation Rate wird regelmässig über Testanfragen in ChatGPT, Gemini und Perplexity gemessen

Fehler 1 – AI-Crawler unbewusst blockieren: Viele Websites blockieren GPTBot, ClaudeBot oder PerplexityBot über generische Bot-Schutzmassnahmen, ohne es zu merken. Eine regelmässige Prüfung der robots.txt und der Server-Logs auf blockierte Crawler-Zugriffe ist daher unerlässlich.

Fehler 2 – Zu viel Vertrauen in llms.txt: Die Datei wird in der Branche oft überschätzt. Sie ersetzt weder strukturierte Daten noch hochwertigen, gut strukturierten Content – beides hat deutlich grösseren Einfluss auf die Citation Rate.

Fehler 3 – Ausschliesslicher Fokus auf die eigene Website: Da Markenerwähnungen auf Drittplattformen stärker mit KI-Sichtbarkeit korrelieren als Backlinks, ist eine GEO-Strategie ohne jegliche externe Präsenz (Wikipedia, Reddit, YouTube) unvollständig.

Fehler 4 – Veraltete Inhalte ohne Aktualisierungsroutine: Einmal erstellte, aber nie aktualisierte Inhalte verlieren mit der Zeit an Citability, da Aktualität ein zunehmend gewichteter Faktor ist. Ein fester Redaktionsplan für zentrale Seiten ist daher Teil jeder nachhaltigen GEO-Strategie.

Fehler 5 – Erfolg nur an einer einzigen Plattform messen: Da nur rund 11 % der Domains gleichzeitig von ChatGPT und Google AI Overviews zitiert werden, führt die Messung an nur einer Plattform zu einem verzerrten Bild der tatsächlichen Sichtbarkeit.

Fehler 6 – Schema-Markup ohne inhaltliche Substanz: Strukturierte Daten werden manchmal als reine technische Checkbox-Übung behandelt, ohne dass der zugrunde liegende Inhalt tatsächlich faktendicht und zitierwürdig ist. Schema-Markup kann fehlende Inhaltsqualität nicht kompensieren – es macht lediglich vorhandene Qualität besser auffindbar.

Fehler 7 – Mehrsprachigkeit ignorieren: Gerade in der Schweiz führt das Fehlen französisch- oder italienischsprachiger Inhalte dazu, dass ganze Kundensegmente in KI-Antworten unsichtbar bleiben, obwohl die deutschsprachige Version hervorragend optimiert ist.

Mit kombiniert über 4 Milliarden monatlichen Nutzern allein bei Google AI Overviews, Google AI Mode und ChatGPT ist KI-gestützte Suche längst kein Nischenphänomen mehr, sondern ein fester Bestandteil der Customer Journey. Unternehmen, die heute in die fünf zentralen Ranking-Faktoren investieren – Citability, strukturelle Lesbarkeit, multimodale Inhalte, Autorität und technische Zugänglichkeit – sichern sich einen Sichtbarkeitsvorteil, der mit wachsender Konkurrenz im GEO-Bereich schwerer aufzuholen sein wird. Der grösste Hebel liegt dabei meist nicht in komplexen technischen Projekten, sondern in den Grundlagen: AI-Crawler freigeben, Inhalte klar strukturieren und konsequent aktuell halten. Wer diese Basis erst einmal geschaffen hat, kann GEO-Massnahmen schrittweise vertiefen – von der ersten Citation-Rate-Messung über gezielten Aufbau von Markenerwähnungen bis hin zu einer vollständig mehrsprachigen GEO-Strategie für alle Schweizer Sprachregionen.