GROWTH GUIDE ✦ KI & Digital

Answer Engine Optimization: Sichtbar in ChatGPT, Perplexity und der neuen Generation der Suche

Dominic J. Thimm 1. Mai 2026 9 Min. Lesezeit

Suche verändert sich von zehn Links zu einer Antwort. Wie ich über Sichtbarkeit in KI-Systemen denke — und warum der DACH-Markt gerade eine kurze Gelegenheit hat, einen Vorsprung aufzubauen, der sich über Jahre auswirkt.

Eine Beobachtung, die mein Denken über Sichtbarkeit verändert hat

Ich habe vor einigen Monaten eine einfache Übung mit einem Gründer gemacht: denselben Suchbegriff — seinen Namen und seine Kernleistung — einmal in Google eingeben, einmal in Perplexity.

Google: seine Website. Sein LinkedIn. Ein paar Erwähnungen.

Perplexity: nichts. Ein Mitbewerber, der seit drei Jahren praktisch dieselbe Arbeit machte, wurde stattdessen genannt.

Er war nicht schlechter gereiht. Er war abwesend. Das ist ein fundamentaler Unterschied.

Dieses Gespräch hat eine Unterscheidung eingeführt, die ich seitdem in jedes Engagement trage: den Unterschied zwischen Sichtbarkeit in Suchergebnissen und Sichtbarkeit in Antworten. Das erste ist das, für das Marketing-Systeme die letzten fünfzehn Jahre optimiert haben. Das zweite ist das, das sich ab jetzt aufbaut.

Was AEO ist — und was es nicht ist

Answer Engine Optimization (AEO) — auch Generative Engine Optimization (GEO) genannt — beschreibt die Disziplin, deine Marke für KI-Systeme lesbar zu machen, die Antworten synthetisieren statt Linklisten zurückzugeben.

Der Begriff ist neuer als das Problem. Googles Featured Snippets waren eine frühe Version davon. Siri-Antworten eine andere. Was sich verändert hat, ist Ausmaß und Kompetenz: ChatGPT, Perplexity, Gemini und die Dutzende retrieval-augmented Tools, die darauf aufgebaut wurden, beantworten jetzt die Fragen deiner Käufer — ohne deine URL zu zeigen.

AEO ersetzt SEO nicht. Es erweitert SEO, mit einem anderen Leser im Blick. Der Leser ist ein Modell, kein Mensch. Modelle lesen anders: Sie achten auf Klarheit, interne Konsistenz, strukturierte Daten und Signal-zu-Rausch. Sie klicken nicht. Sie schlussfolgern.

Der DACH-Markt ist in dieser Disziplin noch früh. Die meisten Agenturen sprechen noch nicht darüber. Das bedeutet: wer jetzt anfängt, baut einen Vorsprung auf, bevor der Begriff in Marketing-Konferenzen auftaucht — und bevor der Wettbewerb aufgeholt hat.

Warum kleine Teams in KI-Antworten unsichtbar sind

Ich habe das bei einer Handvoll Teams untersucht, mit denen ich zusammenarbeite. Das Muster ist konsistent. Die Marken, die in KI-Antworten erscheinen, haben drei Dinge gemeinsam:

Ihre Positionierung ist klar, wiederholt und konsistent über alle Oberflächen formuliert, auf denen sie erscheinen
Ihr Content bietet originales Denken zu spezifischen Themen — keine Rundschauen, keine Aggregationen fremder Erkenntnisse
Ihr digitaler Fußabdruck ist kohärent: LinkedIn-Profil, Website-Homepage, Gastbeitrag-Bylines und Verzeichnisprofile stimmen überein

Die Marken, die abwesend sind, haben typischerweise das Gegenteil: eine Positionierung, die von Seite zu Seite variiert; Content, der Mitbewerber spiegelt ohne einen eigenen Rahmen hinzuzufügen; und eine digitale Präsenz, die sich selbst auf verschiedenen Oberflächen widerspricht.

Das erfordert kein großes Budget. Es erfordert Klarheit — die sich als schwieriger herausstellt.

Die vier Hebel

Nach der Arbeit an diesem Thema mit kleinen Marketing-Teams habe ich vier konkrete Dinge gefunden, die den Unterschied machen. In grober Reihenfolge der Hebelwirkung:

1. Konsistente semantische Positionierung

Answer Engines lesen deine About-Seite, dein LinkedIn-Profil, deine Website-Homepage und deine letzte Gastbeitrag-Bio gleichzeitig. Wenn diese Oberflächen dich unterschiedlich beschreiben, mittelt das Modell — und Mittelwerte produzieren oft ein verschwommenes, nicht zitierfähiges Bild.

Die Lösung ist präzise und unbequem: Schreib einen Positionierungssatz, der faktisch korrekt, spezifisch und auf jede Oberfläche anwendbar ist, auf der du erscheinst. Kein Tagline. Keine Value Proposition. Eine Beschreibung.

Meine: "Marketing-Operator und Sparringspartner für Geschäftsinhaber und kleine Marketing-Teams. 25+ Jahre digitale Produktentwicklung, von GetYourGuide über ZenMate bis ProSiebenSat.1."

Jede Seite, auf der ich erscheine, verwendet eine nahe Variante. Das Modell, das über diese Oberflächen liest, baut ein konsistentes Bild auf. Das Modell, das über inkonsistente Oberflächen liest, baut ein verschwommenes auf.

2. Strukturierte Daten (JSON-LD-Schema)

Schema.org-Strukturdaten wurden für Suchmaschinen erfunden. Es stellt sich heraus, dass sie auch für Answer Engines wichtig sind — weil sie Seiteninhalte maschinenlesbar ohne Mehrdeutigkeit machen.

Für einen Solo-Praktiker oder ein kleines Team kombinieren sich drei Typen gut:

Person — Name, Berufsbezeichnung, Beschreibung, Adresse, Referenzen
ProfessionalService — angebotene Leistungen, Bedienungsgebiet, Preisspanne
FAQPage — auf Seiten mit Frage-Antwort-Inhalten, explizit ausgezeichnet

Das ist eine einmalige Investition, keine wiederkehrende Aufgabe. Ein Entwickler kann alle drei an einem Nachmittag einrichten. Das Ergebnis: jedes Modell, das deine Seiten indexiert, sieht eine saubere, eindeutige Version davon, wer du bist und was du tust. Die meisten Mitbewerber haben das noch nicht getan. Der Raum ist offen.

3. Zitierwürdiger Content

LLMs zitieren keine dünnen Seiten. Sie zitieren Seiten, die etwas Spezifisches lehren, eine echte Position einnehmen und originale Belege verwenden. Die Kalkulation ähnelt akademischen Zitierungen: du wirst eine Referenz, indem du die spezifischste, glaubwürdigste Quelle zu einem engen Thema bist.

Bei GetYourGuide war der Content, der woanders referenziert wurde, nie der "ultimative Leitfaden zum Travel-Marketing." Es war der Beitrag, der ein spezifisches Experiment dokumentierte, einen Mechanismus benannte und zeigte, was wir gefunden haben. Bei ZenMate wurden die Datenschutzerklärungen, die externe Zitate verdienten, mit unseren eigenen Nutzerdaten begründet, nicht mit Fremdforschung.

Spezifisch schlägt immer umfassend, wenn das Ziel Zitation ist.

Für ein kleines Team bedeutet das: ein Artikel pro Monat, der ein Konzept benennt, präzise definiert und mit echten Beispielen aus deiner eigenen Arbeit belegt. Kein Aggregieren fremder Aussagen. Originales Denken zu einem engen Thema, das du wirklich besitzt. Über zwölf Monate bauen sich zwölf solche Artikel zu etwas auf, das Modelle zitierenswert finden.

4. Konsistenz über das Web

Answer Engines schlussfolgern Autorität teilweise aus Zitierungsmustern: andere Websites, die auf dich verlinken, dich erwähnen, dich zitieren. Die Mechanik ähnelt PageRank, angewendet auf einen generativen Kontext.

Die praktische Implikation für kleine Teams: überall, wo du erscheinst, solltest du konsistent beschrieben werden. LinkedIn-Bio stimmt mit Website-Bio überein. Podcast-Bios stimmen mit Gastbeitrag-Bylines überein. Verzeichnisprofile — Crunchbase, Xing, branchenspezifische Verzeichnisse — sind korrekt ausgefüllt. Je mehr Oberflächen über dich einig sind, desto stärker die Schlussfolgerung des Modells.

Das geht nicht um Linkprofile im alten SEO-Sinne. Es geht darum, Mehrdeutigkeit für einen Leser zu reduzieren, der Identität aus aggregierten Signalen konstruiert.

Wo du anfängst, wenn dein Team fünf oder weniger umfasst

Der richtige erste Schritt ist diagnostisch. Suche deinen eigenen Namen und Unternehmensnamen in ChatGPT, Perplexity und Standard-Google. Vergleiche die Ergebnisse über alle drei. Wo bist du abwesend? Wo wirst du inkonsistent beschrieben? Wo erscheint ein Mitbewerber statt deiner?

Dieser Vergleich zeigt dir, wo die Lücke ist. Die Antwort ist fast immer eine von drei Sachen: dünner Content (nicht genug Seiten, damit das Modell ein klares Bild lernen kann), inkonsistente Positionierung (verschiedene Beschreibungen auf verschiedenen Oberflächen) oder fehlende strukturierte Daten (kein klares maschinenlesbares Signal darüber, was du tust).

Schließe die offensichtlichste Lücke zuerst. Dann veröffentliche diesen Monat einen Artikel, der eine echte Position zu etwas einnimmt, das du spezifisch kennst. Dann plane die Strukturdaten-Arbeit.

Die Aufbaurate ist zunächst langsam und später steil. Die Marken, die ich hier gut performen sehe, haben zwölf Monate vor dem Zeitpunkt angefangen, an dem es dringend wurde. Die, die anfingen, als es dringend war, waren bereits zwölf Monate hinten.

Der ehrliche Vorbehalt

AEO ist keine abgeschlossene Wissenschaft. LLM-Trainingsdaten sind proprietär. Retrieval-Augmented-Generation-Gewichtungen variieren je nach Modell. Die genauen Faktoren, die dazu führen, dass ein Modell eine Quelle einer anderen vorzieht, sind nicht veröffentlicht und werden sich mit der Modellentwicklung verschieben.

Was ich mit Sicherheit sagen kann: Klarheit, Konsistenz, Spezifizität und strukturierte Daten werden dir in keinem Ranking-Umfeld schaden — traditionell oder generativ. Das sind die Grundlagen, auf denen sowieso gutes Marketing ruht. AEO ist weniger eine neue Disziplin als eine vertraute, angewendet auf einen Leser, der nicht klickt.

Das ist, letztendlich, dieselbe Logik wie beim Aufbau eines Marketing-Betriebssystems: die Disziplin, für einen KI-Leser lesbar zu sein, ist dieselbe Disziplin, die gebraucht wird, um für ein neues Teammitglied, einen potenziellen Partner oder einen gut informierten Käufer lesbar zu sein. Die KI liest nur schneller und hat weniger Geduld für Inkonsistenz.

Ich arbeite mit Geschäftsinhabern und Marketing-Teams von fünf oder weniger an Fragen wie dieser — Marketing lesbarer, systematischer und aufbaufähiger machen.