[{"data":1,"prerenderedAt":713},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fde\u002Fai\u002Fgeo-marken-in-llm-antworten-positionieren":13},{"i18nKey":4,"paths":5},"ai-001-2026-07",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fai\u002Fgeo-posicionamiento-marca-respuesta-chatgpt","\u002Fen\u002Fai\u002Fgeo-positioning-your-brand-in-llm-answers","\u002Fes\u002Fai\u002Fgeo-posicionar-tu-marca-en-respuestas-llm","\u002Ffr\u002Fai\u002Fstrategie-geo-positionner-ta-marque-dans-les-reponses-chatgpt","\u002Fit\u002Fai\u002Fgeo-posizionare-il-marchio-nelle-risposte-llm","\u002Fru\u002Fai\u002Fgeo-pozicionirovanie-brenda-v-otvetax-llm","\u002Ftr\u002Fai\u002Fgeo-markani-chatgptnin-cevabina-yerlestirmek",{"_path":14,"_dir":15,"_draft":16,"_partial":16,"_locale":17,"title":18,"description":19,"publishedAt":20,"modifiedAt":20,"category":21,"i18nKey":4,"tags":22,"readingTime":27,"author":28,"body":29,"_type":123,"_id":708,"_source":709,"_file":710,"_stem":711,"_extension":712},"\u002Fde\u002Fai\u002Fgeo-marken-in-llm-antworten-positionieren","ai",false,"","GEO: Deine Marke in ChatGPTs Antwort Positionieren","Wie du deine Inhaltsarchitektur für AI Overviews und LLM-Zitate optimierst. Generative Engine Optimization Strategie für 2026.","2026-07-04","geo",[21,23,24,25,26],"llm-citation","ai-overviews","content-architecture","generative-search",9,"Roibase",{"type":30,"children":31,"toc":700},"root",[32,40,47,52,57,62,67,73,78,83,108,113,118,320,325,353,358,551,556,562,567,572,577,593,599,604,617,622,627,632,638,643,670,683,689,694],{"type":33,"tag":34,"props":35,"children":36},"element","p",{},[37],{"type":38,"value":39},"text","Wenn dein Markenname nicht in Googles AI Overviews auftaucht, nicht in ChatGPTs Antworten zitiert wird und nicht in Perplexitys Responses referenziert wird — dann nimmt dein Konkurrent diesen Traffic. 2026 verlaufen bereits 43 % aller Suchanfragen über eine LLM-Schnittstelle (Gartner). Traditional SEO war Ranking-orientiert. GEO ist Citation-orientiert. Nicht Platzierung, sondern Referenz. Nicht Snippet, sondern Attribution. Dieser Artikel erklärt die Engineering-Seite der Inhaltsarchitektur, die deinen Markennamen in generative Antworten einbettet.",{"type":33,"tag":41,"props":42,"children":44},"h2",{"id":43},"wie-der-citation-mechanismus-funktioniert",[45],{"type":38,"value":46},"Wie der Citation-Mechanismus Funktioniert",{"type":33,"tag":34,"props":48,"children":49},{},[50],{"type":38,"value":51},"LLMs verwenden bei der Antwortgenerierung Retrieval-Augmented Generation (RAG). Eine Benutzeranfrage wird in einen Embedding konvertiert, die Vektor-Ähnlichkeit findet die nächsten Dokumente, diese werden in das Context Window injiziert, und das Modell synthetisiert daraus eine Antwort. Falls es ein Zitat hinzufügt, zeigt es in einer Fußnote, welches Dokument es verwendet hat.",{"type":33,"tag":34,"props":53,"children":54},{},[55],{"type":38,"value":56},"Um in diesem Prozess zu gewinnen, brauchst du zwei Bedingungen: (1) die Embedding-Ähnlichkeit erhöhen, (2) wenn im Context Window vorhanden, ein starkes \"Authority Signal\" senden. Das sind zwei getrennte Probleme. Das erste ist Retrieval Engineering, das zweite Content Engineering.",{"type":33,"tag":34,"props":58,"children":59},{},[60],{"type":38,"value":61},"In der Retrieval-Schicht gewichtet das LLM folgende Signale: semantic density (Information pro Wort), freshness (Veröffentlichungsdatum), domain authority (Backlink-Profil + Trust Score), structured data markup (schema.org). Es geht nicht nur um Keyword Stuffing — \"semantic proximity\" im Embedding-Raum ist kritisch. Für eine Anfrage wie \"E-Commerce Conversion Rate Optimierung\" muss deine Seite eine hohe Co-Occurrence von Begriffen wie \"Conversion Rate\", \"Checkout Flow\", \"Cart Abandonment\" haben.",{"type":33,"tag":34,"props":63,"children":64},{},[65],{"type":38,"value":66},"Nachdem das Modell im Context Window angekommen ist, entscheidet es \"von welcher Quelle soll ich zitieren\" und sucht dabei nach einem Authoritäts-Signal. Wo kommt dieses Signal her? Aus der Struktur deines Inhalts. Klare Überschriften, Quellenangaben bei numerischen Aussagen, Formulierungen wie \"according to X study\", statistische Präzision. Modelle wie Claude sind während des Trainings auf zitier-intensive Korpora wie Wikipedia, PubMed und arXiv ausgesetzt — wenn sie das gleiche Muster in deinem Content sehen, ist die Wahrscheinlichkeit höher, dass sie zitieren.",{"type":33,"tag":41,"props":68,"children":70},{"id":69},"citation-freundliche-inhaltsarchitektur",[71],{"type":38,"value":72},"Citation-freundliche Inhaltsarchitektur",{"type":33,"tag":34,"props":74,"children":75},{},[76],{"type":38,"value":77},"Ein klassischer Blog-Artikel folgt einer narrativen Struktur — Einleitung, Entwicklung, Schluss. Für GEO ist diese Struktur ineffizient. LLM-Retrieval sucht nach einem \"Frage → direkte Antwort\"-Fluss. Dafür muss dein Inhalt in atomare Informationsblöcke aufgeteilt sein.",{"type":33,"tag":34,"props":79,"children":80},{},[81],{"type":38,"value":82},"Szenario-Beispiel: Inhalt zum Thema \"Cart Abandonment Rate im Shopify-Shop reduzieren\". In klassischer Struktur:",{"type":33,"tag":84,"props":85,"children":86},"ul",{},[87,93,98,103],{"type":33,"tag":88,"props":89,"children":90},"li",{},[91],{"type":38,"value":92},"Einleitungsparagraph (Was ist Cart Abandonment, warum ist es wichtig)",{"type":33,"tag":88,"props":94,"children":95},{},[96],{"type":38,"value":97},"3 Absätze zu Ursachen",{"type":33,"tag":88,"props":99,"children":100},{},[101],{"type":38,"value":102},"4 Absätze zu Lösungsvorschlägen",{"type":33,"tag":88,"props":104,"children":105},{},[106],{"type":38,"value":107},"Fazit",{"type":33,"tag":34,"props":109,"children":110},{},[111],{"type":38,"value":112},"In dieser Struktur kann das LLM auf die Frage \"What is cart abandonment rate benchmark\" keinen direkten Antwortblock finden. Die Benchmark-Zahl ist in 4 Absätzen versteckt.",{"type":33,"tag":34,"props":114,"children":115},{},[116],{"type":38,"value":117},"Citation-freundliche Struktur:",{"type":33,"tag":119,"props":120,"children":124},"pre",{"className":121,"code":122,"language":123,"meta":17,"style":17},"language-markdown shiki shiki-themes github-dark","## Cart Abandonment Rate: Branchenbenchmarks\n\nE-Commerce Durchschnitt: 69,8 % (Baymard Institute, Q2 2026).\nMode: 68,3 %, Elektronik: 77,2 %, Kosmetik: 63,1 %.\n\n## Verteilung der Cart Abandonment Ursachen\n\n1. Unerwartet hohe Versandkosten — 48 %\n2. Erzwungene Kontoerstellung — 24 %\n3. Langer Checkout-Prozess — 18 %\n...\n\n## Maßnahmen zur Senkung der Abbruchquote\n\nNach A\u002FB-Test-Daten (n = 1.240 Shopify-Shops):\n- Exit-Intent Popup: −12 % Abbruch\n- Progressive Checkout: −8 % Abbruch\n- One-Click Upsell: +3,2 % AOV, aber −2 % Abbruch\n","markdown",[125],{"type":33,"tag":126,"props":127,"children":128},"code",{"__ignoreMap":17},[129,141,151,161,170,178,187,195,210,223,237,246,254,263,271,280,294,307],{"type":33,"tag":130,"props":131,"children":134},"span",{"class":132,"line":133},"line",1,[135],{"type":33,"tag":130,"props":136,"children":138},{"style":137},"--shiki-default:#79B8FF;--shiki-default-font-weight:bold",[139],{"type":38,"value":140},"## Cart Abandonment Rate: Branchenbenchmarks\n",{"type":33,"tag":130,"props":142,"children":144},{"class":132,"line":143},2,[145],{"type":33,"tag":130,"props":146,"children":148},{"emptyLinePlaceholder":147},true,[149],{"type":38,"value":150},"\n",{"type":33,"tag":130,"props":152,"children":154},{"class":132,"line":153},3,[155],{"type":33,"tag":130,"props":156,"children":158},{"style":157},"--shiki-default:#E1E4E8",[159],{"type":38,"value":160},"E-Commerce Durchschnitt: 69,8 % (Baymard Institute, Q2 2026).\n",{"type":33,"tag":130,"props":162,"children":164},{"class":132,"line":163},4,[165],{"type":33,"tag":130,"props":166,"children":167},{"style":157},[168],{"type":38,"value":169},"Mode: 68,3 %, Elektronik: 77,2 %, Kosmetik: 63,1 %.\n",{"type":33,"tag":130,"props":171,"children":173},{"class":132,"line":172},5,[174],{"type":33,"tag":130,"props":175,"children":176},{"emptyLinePlaceholder":147},[177],{"type":38,"value":150},{"type":33,"tag":130,"props":179,"children":181},{"class":132,"line":180},6,[182],{"type":33,"tag":130,"props":183,"children":184},{"style":137},[185],{"type":38,"value":186},"## Verteilung der Cart Abandonment Ursachen\n",{"type":33,"tag":130,"props":188,"children":190},{"class":132,"line":189},7,[191],{"type":33,"tag":130,"props":192,"children":193},{"emptyLinePlaceholder":147},[194],{"type":38,"value":150},{"type":33,"tag":130,"props":196,"children":198},{"class":132,"line":197},8,[199,205],{"type":33,"tag":130,"props":200,"children":202},{"style":201},"--shiki-default:#FFAB70",[203],{"type":38,"value":204},"1.",{"type":33,"tag":130,"props":206,"children":207},{"style":157},[208],{"type":38,"value":209}," Unerwartet hohe Versandkosten — 48 %\n",{"type":33,"tag":130,"props":211,"children":212},{"class":132,"line":27},[213,218],{"type":33,"tag":130,"props":214,"children":215},{"style":201},[216],{"type":38,"value":217},"2.",{"type":33,"tag":130,"props":219,"children":220},{"style":157},[221],{"type":38,"value":222}," Erzwungene Kontoerstellung — 24 %\n",{"type":33,"tag":130,"props":224,"children":226},{"class":132,"line":225},10,[227,232],{"type":33,"tag":130,"props":228,"children":229},{"style":201},[230],{"type":38,"value":231},"3.",{"type":33,"tag":130,"props":233,"children":234},{"style":157},[235],{"type":38,"value":236}," Langer Checkout-Prozess — 18 %\n",{"type":33,"tag":130,"props":238,"children":240},{"class":132,"line":239},11,[241],{"type":33,"tag":130,"props":242,"children":243},{"style":157},[244],{"type":38,"value":245},"...\n",{"type":33,"tag":130,"props":247,"children":249},{"class":132,"line":248},12,[250],{"type":33,"tag":130,"props":251,"children":252},{"emptyLinePlaceholder":147},[253],{"type":38,"value":150},{"type":33,"tag":130,"props":255,"children":257},{"class":132,"line":256},13,[258],{"type":33,"tag":130,"props":259,"children":260},{"style":137},[261],{"type":38,"value":262},"## Maßnahmen zur Senkung der Abbruchquote\n",{"type":33,"tag":130,"props":264,"children":266},{"class":132,"line":265},14,[267],{"type":33,"tag":130,"props":268,"children":269},{"emptyLinePlaceholder":147},[270],{"type":38,"value":150},{"type":33,"tag":130,"props":272,"children":274},{"class":132,"line":273},15,[275],{"type":33,"tag":130,"props":276,"children":277},{"style":157},[278],{"type":38,"value":279},"Nach A\u002FB-Test-Daten (n = 1.240 Shopify-Shops):\n",{"type":33,"tag":130,"props":281,"children":283},{"class":132,"line":282},16,[284,289],{"type":33,"tag":130,"props":285,"children":286},{"style":201},[287],{"type":38,"value":288},"-",{"type":33,"tag":130,"props":290,"children":291},{"style":157},[292],{"type":38,"value":293}," Exit-Intent Popup: −12 % Abbruch\n",{"type":33,"tag":130,"props":295,"children":297},{"class":132,"line":296},17,[298,302],{"type":33,"tag":130,"props":299,"children":300},{"style":201},[301],{"type":38,"value":288},{"type":33,"tag":130,"props":303,"children":304},{"style":157},[305],{"type":38,"value":306}," Progressive Checkout: −8 % Abbruch\n",{"type":33,"tag":130,"props":308,"children":310},{"class":132,"line":309},18,[311,315],{"type":33,"tag":130,"props":312,"children":313},{"style":201},[314],{"type":38,"value":288},{"type":33,"tag":130,"props":316,"children":317},{"style":157},[318],{"type":38,"value":319}," One-Click Upsell: +3,2 % AOV, aber −2 % Abbruch\n",{"type":33,"tag":34,"props":321,"children":322},{},[323],{"type":38,"value":324},"Hier ist jede H2 ein unabhängiger \"Informationsatom\". Das LLM kann auf die Frage \"What reduces cart abandonment\" direkt die Liste aus dem Context Window extrahieren und zitieren. Information Density statt Paragraph Flow hat Priorität.",{"type":33,"tag":34,"props":326,"children":327},{},[328,330,336,338,344,345,351],{"type":38,"value":329},"Strukturierte Datenmarkup ist eine separate Schicht. Es gibt Typen wie ",{"type":33,"tag":126,"props":331,"children":333},{"className":332},[],[334],{"type":38,"value":335},"HowTo",{"type":38,"value":337},", ",{"type":33,"tag":126,"props":339,"children":341},{"className":340},[],[342],{"type":38,"value":343},"FAQPage",{"type":38,"value":337},{"type":33,"tag":126,"props":346,"children":348},{"className":347},[],[349],{"type":38,"value":350},"DefinedTerm",{"type":38,"value":352}," in schema.org. Wenn du diese einbindest, erscheinst du in Googles Rich Results, aber das erzeugt auch ein Signal in der LLM-Retrieval. OpenAIs Web Crawler (OAI-SearchBot) liest strukturierte Daten und verwendet sie als gewichtete Signale während des Embeddings.",{"type":33,"tag":34,"props":354,"children":355},{},[356],{"type":38,"value":357},"Code-Beispiel — ein FAQ Schema:",{"type":33,"tag":119,"props":359,"children":363},{"className":360,"code":361,"language":362,"meta":17,"style":17},"language-json shiki shiki-themes github-dark","{\n  \"@context\": \"https:\u002F\u002Fschema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{\n    \"@type\": \"Question\",\n    \"name\": \"Was ist die E-Commerce Cart Abandonment Rate?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"2026 Branchendurchschnitt: 69,8 %. Mode: 68,3 %, Elektronik: 77,2 %.\"\n    }\n  }]\n}\n","json",[364],{"type":33,"tag":126,"props":365,"children":366},{"__ignoreMap":17},[367,375,400,421,434,455,476,489,510,527,535,543],{"type":33,"tag":130,"props":368,"children":369},{"class":132,"line":133},[370],{"type":33,"tag":130,"props":371,"children":372},{"style":157},[373],{"type":38,"value":374},"{\n",{"type":33,"tag":130,"props":376,"children":377},{"class":132,"line":143},[378,384,389,395],{"type":33,"tag":130,"props":379,"children":381},{"style":380},"--shiki-default:#79B8FF",[382],{"type":38,"value":383},"  \"@context\"",{"type":33,"tag":130,"props":385,"children":386},{"style":157},[387],{"type":38,"value":388},": ",{"type":33,"tag":130,"props":390,"children":392},{"style":391},"--shiki-default:#9ECBFF",[393],{"type":38,"value":394},"\"https:\u002F\u002Fschema.org\"",{"type":33,"tag":130,"props":396,"children":397},{"style":157},[398],{"type":38,"value":399},",\n",{"type":33,"tag":130,"props":401,"children":402},{"class":132,"line":153},[403,408,412,417],{"type":33,"tag":130,"props":404,"children":405},{"style":380},[406],{"type":38,"value":407},"  \"@type\"",{"type":33,"tag":130,"props":409,"children":410},{"style":157},[411],{"type":38,"value":388},{"type":33,"tag":130,"props":413,"children":414},{"style":391},[415],{"type":38,"value":416},"\"FAQPage\"",{"type":33,"tag":130,"props":418,"children":419},{"style":157},[420],{"type":38,"value":399},{"type":33,"tag":130,"props":422,"children":423},{"class":132,"line":163},[424,429],{"type":33,"tag":130,"props":425,"children":426},{"style":380},[427],{"type":38,"value":428},"  \"mainEntity\"",{"type":33,"tag":130,"props":430,"children":431},{"style":157},[432],{"type":38,"value":433},": [{\n",{"type":33,"tag":130,"props":435,"children":436},{"class":132,"line":172},[437,442,446,451],{"type":33,"tag":130,"props":438,"children":439},{"style":380},[440],{"type":38,"value":441},"    \"@type\"",{"type":33,"tag":130,"props":443,"children":444},{"style":157},[445],{"type":38,"value":388},{"type":33,"tag":130,"props":447,"children":448},{"style":391},[449],{"type":38,"value":450},"\"Question\"",{"type":33,"tag":130,"props":452,"children":453},{"style":157},[454],{"type":38,"value":399},{"type":33,"tag":130,"props":456,"children":457},{"class":132,"line":180},[458,463,467,472],{"type":33,"tag":130,"props":459,"children":460},{"style":380},[461],{"type":38,"value":462},"    \"name\"",{"type":33,"tag":130,"props":464,"children":465},{"style":157},[466],{"type":38,"value":388},{"type":33,"tag":130,"props":468,"children":469},{"style":391},[470],{"type":38,"value":471},"\"Was ist die E-Commerce Cart Abandonment Rate?\"",{"type":33,"tag":130,"props":473,"children":474},{"style":157},[475],{"type":38,"value":399},{"type":33,"tag":130,"props":477,"children":478},{"class":132,"line":189},[479,484],{"type":33,"tag":130,"props":480,"children":481},{"style":380},[482],{"type":38,"value":483},"    \"acceptedAnswer\"",{"type":33,"tag":130,"props":485,"children":486},{"style":157},[487],{"type":38,"value":488},": {\n",{"type":33,"tag":130,"props":490,"children":491},{"class":132,"line":197},[492,497,501,506],{"type":33,"tag":130,"props":493,"children":494},{"style":380},[495],{"type":38,"value":496},"      \"@type\"",{"type":33,"tag":130,"props":498,"children":499},{"style":157},[500],{"type":38,"value":388},{"type":33,"tag":130,"props":502,"children":503},{"style":391},[504],{"type":38,"value":505},"\"Answer\"",{"type":33,"tag":130,"props":507,"children":508},{"style":157},[509],{"type":38,"value":399},{"type":33,"tag":130,"props":511,"children":512},{"class":132,"line":27},[513,518,522],{"type":33,"tag":130,"props":514,"children":515},{"style":380},[516],{"type":38,"value":517},"      \"text\"",{"type":33,"tag":130,"props":519,"children":520},{"style":157},[521],{"type":38,"value":388},{"type":33,"tag":130,"props":523,"children":524},{"style":391},[525],{"type":38,"value":526},"\"2026 Branchendurchschnitt: 69,8 %. Mode: 68,3 %, Elektronik: 77,2 %.\"\n",{"type":33,"tag":130,"props":528,"children":529},{"class":132,"line":225},[530],{"type":33,"tag":130,"props":531,"children":532},{"style":157},[533],{"type":38,"value":534},"    }\n",{"type":33,"tag":130,"props":536,"children":537},{"class":132,"line":239},[538],{"type":33,"tag":130,"props":539,"children":540},{"style":157},[541],{"type":38,"value":542},"  }]\n",{"type":33,"tag":130,"props":544,"children":545},{"class":132,"line":248},[546],{"type":33,"tag":130,"props":547,"children":548},{"style":157},[549],{"type":38,"value":550},"}\n",{"type":33,"tag":34,"props":552,"children":553},{},[554],{"type":38,"value":555},"Wenn du dieses Markup auf deine Seite legst, wird die Frage-Antwort-Übereinstimmung während der LLM-Retrieval die Semantic Similarity erhöhen.",{"type":33,"tag":41,"props":557,"children":559},{"id":558},"authority-signal-engineering",[560],{"type":38,"value":561},"Authority Signal Engineering",{"type":33,"tag":34,"props":563,"children":564},{},[565],{"type":38,"value":566},"Um zitiert zu werden, muss dein Inhalt als \"vertrauenswürdig\" wahrgenommen werden. LLMs haben während des Trainings gesehen, welcher Inhalt zitiert wurde — Wikipedia-Artikel mit Referenzlisten, Research Papers mit Bibliographien. Wenn sie das gleiche Muster in deinem Inhalt sehen, erkennen sie das Signal \"diese Quelle ist citation-würdig\".",{"type":33,"tag":34,"props":568,"children":569},{},[570],{"type":38,"value":571},"Praktische Umsetzung: Jede numerische Aussage mit einer Quellenangabe versehen. Statt \"E-Commerce Konversionsrate liegt im Durchschnitt bei 2,86 % (Adobe Analytics, Q1 2026)\" einfach \"durchschnittlich 2,86 %\" zu schreiben, ist schwächer — das LLM kann die Zahl verwenden, aber wird wahrscheinlich nicht zitieren, weil das Authority-Signal fehlt.",{"type":33,"tag":34,"props":573,"children":574},{},[575],{"type":38,"value":576},"Zweite Schicht: Zeige First-Party Data. Wenn du von deinen eigenen Experimenten, A\u002FB-Test-Ergebnissen, Customer Cohort Analysen sprichst, bewertet das LLM das als \"Primary Source\". Der Satz \"64 % unserer Kunden verlassen in den ersten 7 Tagen\" ist citation-würdiger als die generische Aussage \"einige Kunden verlassen früh\". Die Kombination aus Zahl + Zeitraum + Methodik (wie Cohort Analysis) erzeugt ein Authority-Signal.",{"type":33,"tag":34,"props":578,"children":579},{},[580,582,591],{"type":38,"value":581},"Dritte Schicht: Internal Linking Architektur. Wenn du auf deiner Seite auf eine andere Seite verlinkst, bewertet das LLM den Link als \"related context\". Wenn du auf ",{"type":33,"tag":583,"props":584,"children":588},"a",{"href":585,"rel":586},"https:\u002F\u002Fwww.roibase.com.tr\u002Fde\u002Fgeo",[587],"nofollow",[589],{"type":38,"value":590},"Generative Engine Optimization",{"type":38,"value":592}," verlinkst, versteht das LLM, dass du ein tieferes Content Cluster zu diesem Thema hast — Topical Authority Signal. Denke in Hub-Spoke-Modellen statt in Orphan Pages. Eine \"Pillar Page\" (Hub), umgeben von 5–7 \"Cluster Pages\" (Spokes). Wenn das LLM während des Retrievals einen Link von einer Cluster-Seite zum Hub sieht, kann es auch die Hub-Seite in den Context ziehen.",{"type":33,"tag":41,"props":594,"children":596},{"id":595},"citation-tracking-und-optimierungs-loop",[597],{"type":38,"value":598},"Citation Tracking und Optimierungs-Loop",{"type":33,"tag":34,"props":600,"children":601},{},[602],{"type":38,"value":603},"In Traditional SEO trackst du Impressionen\u002FKlicks\u002FPositionen in der Google Search Console. Bei GEO ist der Metriken-Satz anders: Citation Count, Citation Context Quality, Retrieval Frequency. Ein Standard-Dashboard gibt es noch nicht — Custom Tracking ist nötig.",{"type":33,"tag":34,"props":605,"children":606},{},[607,609,615],{"type":38,"value":608},"Wie misst man Citation Count? Manuelle Methode: ChatGPT, Perplexity, Claude mit der Zielabfrage abfragen, die Fußnoten-Referenzen prüfen. Skalierbare Methode: Queries über die API senden, die Response parsen, auf Citations prüfen, in ein Logging-System schreiben. OpenAI API hat einen ",{"type":33,"tag":126,"props":610,"children":612},{"className":611},[],[613],{"type":38,"value":614},"logprobs",{"type":38,"value":616}," Parameter, der Citation-Tokens zurückgibt — du kannst sehen, welcher Token aus welcher Source stammt.",{"type":33,"tag":34,"props":618,"children":619},{},[620],{"type":38,"value":621},"Workflow-Beispiel: Jeden Morgen um 09:00 Uhr deine Zielkeyword-Liste (50 Queries) an die ChatGPT API senden, Response parsen, auf Citations prüfen, falls vorhanden in Notion oder Airtable speichern. Einmal pro Woche diese Daten aggregieren und Trend-Analyse durchführen. Welche Inhalte erhalten Citations, welche nicht? Nicht zitierten Content mit den obigen Strukturierungs-Prinzipien überarbeiten.",{"type":33,"tag":34,"props":623,"children":624},{},[625],{"type":38,"value":626},"Citation Context Quality Metriken: Wo taucht das Zitat in der Antwort auf? Im Einleitungsparagraph oder im \"Further Reading\" Bereich? Im ersten Fall ist die Sichtbarkeit höher. Wenn du die Response als JSON parsest, kannst du den Position Index des Citations extrahieren. Ziel: In den Top 3 Citations sein.",{"type":33,"tag":34,"props":628,"children":629},{},[630],{"type":38,"value":631},"Retrieval Frequency: Bei wie vielen verschiedenen LLM-Modellen erscheinst du im Retrieval für eine bestimmte Abfrage? Du bei ChatGPT, aber nicht bei Perplexity? Verschiedene Modelle verwenden verschiedene Embedding-Algorithmen — ChatGPT nutzt OpenAI Embeddings, Perplexity Hybrid (OpenAI + eigener RAG Stack). Wenn du überall sichtbar sein willst, muss dein Content in beiden Embedding-Spaces optimiert sein. Dieses Dual-Optimization-Problem — Keyword Density + Semantic Density Balance.",{"type":33,"tag":41,"props":633,"children":635},{"id":634},"gegenargument-unzuverlässigkeit-der-attribution",[636],{"type":38,"value":637},"Gegenargument: Unzuverlässigkeit der Attribution",{"type":33,"tag":34,"props":639,"children":640},{},[641],{"type":38,"value":642},"Das größte Risiko von GEO: Das LLM nutzt deinen Inhalt, ohne zu zitieren. In Traditional SEO zeigt Google dich im Snippet, gibt aber einen Link — Traffic kommt. Wenn ein LLM deine Daten nutzt, ohne zu referenzieren, ist das ein Zero-Click Outcome. Du hast Sichtbarkeit, aber keinen Traffic.",{"type":33,"tag":34,"props":644,"children":645},{},[646,648,654,655,661,662,668],{"type":38,"value":647},"OpenAI und Google geben teilweise zu, dass dieses Problem existiert — in AI Overviews werden Source Links nur zu 37 % angezeigt (BrightEdge, März 2026). Das heißt, 63 % Zero-Attribution. Wie erhöht man diese Quote? Durch Watermarking und Structured Attribution Enforcement. Watermarking: Einen \"Unique Identifier\" in deinen Inhalt einbetten (z.B. deinen Markennamen natürlich in jedem Absatz wiederholen). Structured Attribution: Schema Markup-Felder wie ",{"type":33,"tag":126,"props":649,"children":651},{"className":650},[],[652],{"type":38,"value":653},"author",{"type":38,"value":337},{"type":33,"tag":126,"props":656,"children":658},{"className":657},[],[659],{"type":38,"value":660},"publisher",{"type":38,"value":337},{"type":33,"tag":126,"props":663,"children":665},{"className":664},[],[666],{"type":38,"value":667},"datePublished",{"type":38,"value":669}," vollständig ausfüllen — LLMs lernen dieses Metadaten-Format während des Trainings und nutzen es im Citation Format.",{"type":33,"tag":34,"props":671,"children":672},{},[673,675,681],{"type":38,"value":674},"Zweiter Trade-off: Freshness vs. Depth. LLMs bevorzugen frische Inhalte (Retrieval gibt ",{"type":33,"tag":126,"props":676,"children":678},{"className":677},[],[679],{"type":38,"value":680},"publishedDate",{"type":38,"value":682}," höheres Gewicht). Aber tiefe Analyse braucht Zeit — 3.000 Wörter zu produzieren dauert 2 Wochen. In dieser Zeit können Konkurrenten 5 flache, aber frische Artikel veröffentlichen und dich im Retrieval Race schlagen. Lösung: Hybrid-Modell. Pillar Pages mit Depth-Fokus (3.000+ Wörter), Cluster Pages mit Freshness-Fokus (800–1.200 Wörter, 2–3 pro Woche veröffentlicht). Das LLM betritt die Cluster Page im Retrieval, verweist beim Zitieren aber auf die Pillar.",{"type":33,"tag":41,"props":684,"children":686},{"id":685},"was-du-jetzt-tun-solltest",[687],{"type":38,"value":688},"Was Du Jetzt Tun Solltest",{"type":33,"tag":34,"props":690,"children":691},{},[692],{"type":38,"value":693},"Um eine GEO-Strategie aufzubauen, miss zunächst deine Baseline: Wie viele Citations bekommst du derzeit? Wie oft erscheint dein Markenname in ChatGPT, Perplexity, Google AI Overviews? Manuelle Kontrolle: Wähle 20 Zielqueries aus, teste jede in 3 LLMs, erstelle eine Citation-Count-Tabelle. Wenn keine Citations vorhanden sind, überarbeite deine Inhaltsarchitektur nach den obigen Prinzipien. Füge Schema Markup hinzu, versehe numerische Claims mit Quellen, erstelle atomare Informationsblöcke. Nach 2 Wochen führe die gleichen Queries erneut aus — beobachte die Citation-Veränderung. Fortlaufende Iteration. Statt des 3-Monats-Rank-Tracking-Zyklus von Traditional SEO reicht ein 2-Wochen-Citation-Tracking-Zyklus für GEO — weil der LLM-Retrieval-Index häufiger aktualisiert wird.",{"type":33,"tag":695,"props":696,"children":697},"style",{},[698],{"type":38,"value":699},"html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}",{"title":17,"searchDepth":153,"depth":153,"links":701},[702,703,704,705,706,707],{"id":43,"depth":143,"text":46},{"id":69,"depth":143,"text":72},{"id":558,"depth":143,"text":561},{"id":595,"depth":143,"text":598},{"id":634,"depth":143,"text":637},{"id":685,"depth":143,"text":688},"content:de:ai:geo-marken-in-llm-antworten-positionieren.md","content","de\u002Fai\u002Fgeo-marken-in-llm-antworten-positionieren.md","de\u002Fai\u002Fgeo-marken-in-llm-antworten-positionieren","md",1785247476622]