GEO: Generative Engine Optimization ist ein 2024 auf der ACM-SIGKDD-Konferenz vorgestellter Aufsatz von Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan und Ameet Deshpande. Der Aufsatz führte den Begriff Generative Engine Optimization akademisch ein und legte ein Rahmenwerk zu seiner systematischen Untersuchung vor.
Zusammenfassung
Der Aufsatz geht von der Beobachtung aus, dass klassische Suchmaschinenoptimierung für KI-basierte Antwortsysteme wie ChatGPT oder Perplexity wirkungslos wird, weil diese Systeme keine Trefferliste, sondern eine synthetisierte Antwort mit ausgewählten Quellenverweisen erzeugen.
Die Autor:innen führen dafür ein flexibles Black-Box-Optimierungsrahmenwerk ein, mit dem sich der Effekt verschiedener Inhaltsanpassungen auf die Sichtbarkeit in generativen Antworten systematisch messen lässt.
Begriffsgeschichte
Eine erste Fassung erschien am 16. November 2023 auf arXiv; die Arbeit wurde zur 30. ACM-SIGKDD-Konferenz für Wissensentdeckung und Data Mining angenommen, die im August 2024 in Barcelona stattfand. Bis zur Konferenzfassung im Juni 2024 durchlief der Aufsatz mehrere Überarbeitungen.
Methodische Grundlagen
Das Rahmenwerk testet neun unterschiedliche Optimierungsmethoden für Webinhalte – darunter das Ergänzen von Statistiken, das Hinzufügen von Zitaten und Quellenangaben sowie gezielte Flüssigkeits-Optimierung des Textes. Es misst deren Wirkung auf die Sichtbarkeit in Antworten generativer Suchsysteme anhand eines eigens entwickelten Benchmarks (GEO-bench).
Anwendungsfelder
Die zentrale empirische Erkenntnis: Gezielte GEO-Optimierung kann die Sichtbarkeit einer Quelle in generativen Antworten um bis zu 40 Prozent steigern, wobei die Wirksamkeit einzelner Methoden je nach Themenbereich stark variiert (Aggarwal u. a. 2024). Der Aufsatz gilt seither als Referenzpunkt für die akademische wie praxisorientierte GEO-Forschung, auf die auch neuere Arbeiten wie Studien zu Citation-Mustern in KI-Suchplattformen aufbauen.
Verwandte Begriffe
- AI Visibility – verwandtes Konzept zur Messung der Sichtbarkeit in generativen Antwortsystemen
- Citation Share – misst genau jene Citation-Muster in KI-Suchplattformen, auf die spätere Arbeiten aufbauend auf diesem Aufsatz Bezug nehmen
Quellenangaben
- Aggarwal, Pranjal / Murahari, Vishvak / Rajpurohit, Tanmay / Kalyan, Ashwin / Narasimhan, Karthik / Deshpande, Ameet, 2024. GEO: Generative Engine Optimization. In: Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024). arXiv: 2311.09735.