Mirza Irfan Baig · SEO & GEO

GEO-Praxis · August 2026

Kleine Unternehmen in KI-Antworten bringen

Ich trainiere GEO in messbaren Experimenten an echten Marken – für ein SEO-Team in Pakistan. Gemessen wird, ob ChatGPT, Gemini und die AI Overviews ein Unternehmen beim Namen nennen; danach werden Website und Fragen-Set so lange verändert, bis sie es tun. Hier steht, was die Zahlen gemacht haben.

4Marken laufend gemessen
0 → 9 %KI-Sichtbarkeit in vier Tagen
4 → 49Markennennungen, Druckerei
94KI-Readiness-Score, 16/17

Die Methode

Klassisches SEO fragt nach der Position. GEO stellt die schwierigere Frage: Fällt der Name des Unternehmens in der Antwort – und aus welchen Quellen hat das Modell sie gebaut? Das ist der Ablauf, den ich fahre.

Schritt 1

Messen, was die KI sagt

Sichtbarkeit über 30 Tage, Anzahl Nennungen, Durchschnittsrang und Sentiment je Marke über die Tracking-API – dazu der Wettbewerb, der stattdessen zitiert wird.

Schritt 2

Zitate lesen, nicht Scores

Die Antwort-Transkripte werden nach dem echten Markennamen und der Domain durchsucht. Eine Marke zählt erst, wenn das Modell sie wirklich nennt – nicht, wenn zufällig ein ähnliches Wort vorkommt.

Schritt 3

Unwinnbare Fragen streichen

Nationale „bester Anbieter“-Fragen gehören den großen Marken. Die werden pausiert. Lokale Fragen mit Kaufabsicht sind gewinnbar – die bleiben.

Schritt 4

Search Console als Quelle

Die Suchanfragen der letzten 90 Tage, für die eine Website bereits Impressionen bekommt, werden zu den natürlichsprachigen Fragen umgeschrieben, die Menschen einem Assistenten wirklich stellen.

Schritt 5

Website maschinenlesbar machen

Schema, eine Markdown-Fassung jeder Seite per Content Negotiation, Agent- und MCP-Discovery, saubere Crawl-Signale – damit ein KI-Agent das Unternehmen auslesen kann, statt zu raten.

Schritt 6

Eine starke Seite je Cluster

Vergleichsratgeber und lokale Leistungsseiten, gebaut, um zitiert zu werden – niemals dünne Massentexte, die die Modelle ohnehin übergehen.

Drei Fälle

Alle Werte stammen aus den API-Snapshots der Tracking-Plattform, jeweils vor und nach der Arbeit, im rollierenden 30-Tage-Fenster. Die Marken sind hier nach Branche und Region anonymisiert; die Fassung mit Namen und vollständigen Monatsberichten gebe ich auf Anfrage weiter.

Stickerei & Berufsbekleidung · Orange County, Kalifornien

2. → 6. August 2026
0 %≈ 9 %KI-Sichtbarkeit, 30 Tage
0≈ 49Markennennungen
≈ 3,9Durchschnittsrang
≈ 77Sentiment

Ausgangslage: null Nennungen über alle gemessenen Fragen. Das Fragen-Set war voll mit nationalen „beste Stickerei in den USA“-Fragen, die zwei große US-Anbieter praktisch besetzen.

  • Antwort-Transkripte gelesen – Nennungen gab es, aber ausschließlich bei Fragen zu Laguna Hills und Orange County.
  • 24 nationale und ertraglose Fragen pausiert, die 7 lokalen behalten, bei denen die Marke bereits genannt wurde.
  • 12 neue Fragen aus der Search Console gebaut – Stickerei Irvine, Express-Stickerei, Kappen-Stickerei, Mission Viejo, Aliso Viejo, Costa Mesa: exakt die lokalen Begriffe mit vorhandenen Impressionen.
  • Daraus eine Regel, die ich seitdem überall anwende: pausieren statt löschen – ein erneutes Anlegen kostet Abfrage-Credits.

Druckerei · Irvine / Orange County, Kalifornien

1. → 6. August 2026 Technische KI-Readiness
1 %≈ 3 %KI-Sichtbarkeit, 30 Tage
4≈ 49Markennennungen
6,3≈ 4,0Durchschnittsrang
94KI-Readiness · 16/17

Der schwierigste Fall. Zu Beginn erschien die Druckerei in 1 % der Antworten mit vier Nennungen, während ein großer Online-Anbieter 19 % hielt und eine Handelskette 13 %. Bei „Visitenkarten“ gewinnt man gegen diese Marken nicht – also wurde die Strategie vollständig auf lokale Kaufabsicht umgestellt und die Website selbst maschinenlesbar gemacht.

  • HowTo-Schema als JSON-LD auf Startseite, Express-Seite und Datei-Upload – der einzige Readiness-Check, der zuvor durchfiel.
  • Markdown-Fassung jeder Seite, ausgeliefert per Content Negotiation: ein Agent mit Accept: text/markdown bekommt sauberen Text statt Layout.
  • Agent-Discovery/.well-known/agent.json, MCP-Server-Card und Link-Header – dazu ein WebMCP-Skript mit Firmendaten, Leistungen und Bestellablauf.
  • Content-Signal-Direktiven in der robots.txt sowie Layout-Shift-Korrekturen an den Produktkacheln.
  • Fragen-Set nach demselben Verfahren neu gebaut: 23 lokale aktiv, 34 nationale pausiert, zwölf davon direkt aus der Search Console.

Zwei Referenzmarken · Druck (Kalifornien) und Salon/Spa (Ontario)

Basiswerte August 2026
25 %Sichtbarkeit · Druckmarke
92Nennungen · Platz 4 von 51
9 %Sichtbarkeit · Salon
3,8Durchschnittsrang · Salon

Nicht jedes Projekt ist eine Rettungsaktion. Diese beiden wurden gemessen, um festzustellen, wie „gut“ in einem lokalen Markt überhaupt aussieht. Die Druckmarke steht auf Platz 4 von 51 zitierten Entitäten ihrer Region – hinter einer nationalen Franchise-Kette mit 44 %, aber vor jedem unabhängigen Wettbewerber. Der Salon hält 9 % in einem Markt, in dem das stärkste lokale Spa bei 18 % liegt.

  • Je Marke erfasst, welche Wettbewerber die Modelle zitieren und mit welchem Anteil – einschließlich der Verzeichnisse und Vergleichsartikel, aus denen die Antworten tatsächlich gebaut werden.
  • Daraus ein Content-Briefing: die Seitentypen, die zitiert werden – Vergleichsratgeber, lokale Leistungsseiten mit echten Fotos und Bewertungen – gegenüber jenen, die nie vorkommen.
  • Ein Muster bestätigt, das mehr wert ist als jedes einzelne Ranking: die Modelle stützen sich stark auf Verzeichnisprofile und erklärende Vergleichsartikel. Beides wird seitdem bewusst gepflegt.

Was diese Zahlen belegen – und was nicht

Die ehrliche Lesart

Ein Teil jedes Anstiegs kommt daher, dass sich ändert, welche Fragen gemessen werden – nationale, die ein kleines Unternehmen nie gewinnen kann, fallen weg, lokale kommen dazu. Das ist eine bewusste strategische Entscheidung, kein Trick. Es bedeutet aber, dass die Prozentwerte kein reiner Eins-zu-eins-Vergleich sind.

Sauber ist die Zahl der Nennungen: 0 → 49 und 4 → 49 sind echte Zitate eines echten Markennamens in echten KI-Antworten. Vorher gab es sie nicht.

Warum ich das dazusage

GEO ist ein junges Feld voller Schaufensterkennzahlen. Zu wissen, welche der eigenen Zahlen weich ist – und das zu sagen, bevor jemand fragt –, ist der Unterschied zwischen einem Bericht, auf dessen Basis ein Unternehmen entscheiden kann, und einem, der nur gut aussieht.

Jeder Wert hier lässt sich auf einen datierten API-Snapshot zurückführen, der beim Projekt liegt.

Wie die Arbeit läuft

Monatliche Performance-Berichte je Marke und eine Statusdatei je Projekt – damit die nächste Person nicht raten muss.

PraxisWie das aussieht
MonatsberichtJe Marke: Sichtbarkeit, Nennungen, Rang, Sentiment, Anrufe und Website-Klicks – die Veränderungen in verständlicher Sprache erklärt
Fragen-InventarJede gemessene Frage mit ID und Status – aktiv, pausiert, gelöscht – und dem Grund für die Änderung
Datierte API-SnapshotsRohdaten als JSON je Abrufdatum, damit jeder Wert in jedem Bericht nachprüfbar bleibt
Schriftliche ProjektregelnWas nicht kaputtgehen darf: Formulare, Schema-Typen, und welche Fragen nie massenhaft gelöscht werden
Search Console als QuelleNeue Fragen entstehen aus echten 90-Tage-Suchdaten, nie aus Vermutungen

Fassung mit Markennamen und vollständigen Monatsberichten anfragen →