AI Search: Was wirklich wirkt | GEO-Beratung | URWORTE

Ihre Kunden fragen ChatGPT, Gemini und Perplexity. Diese Seite erklärt, was sich messbar geändert hat, welche Maßnahmen belegt sind und welche nur verkauft werden. Mit Quellen und Datum.

Kein Verkaufsgespräch. Sie schildern Ihre Ausgangslage, ich sage Ihnen, ob und wo sich Arbeit an der KI-Sichtbarkeit für Sie rechnet. Auch wenn die Antwort „noch nicht” lautet.

Was ist AI Search?

AI Search bezeichnet Suchsysteme, die auf eine Frage eine generierte Antwort ausgeben statt einer Linkliste: Google AI Overviews, Google AI Mode, ChatGPT, Perplexity und Gemini. Für Unternehmen ändert sich dadurch dreierlei.

Erstens sinken die Klicks. Laut Sistrix (Februar 2026) fällt die Klickrate auf Position 1 bei Keywords mit AI Overview von 27 auf 11 Prozent.

Zweitens ist der verbleibende Traffic klein, aber die Qualität ist umstritten. Anbieterzahlen wie Semrush (Juni 2025) nennen eine 4,4-mal höhere Konversion aus KI-Suche; eine unabhängige Auswertung von Amsive (September 2025) fand dagegen keinen statistisch signifikanten Unterschied (4,87 gegenüber 4,60 Prozent, p = 0,79).

Drittens braucht es dafür meist keine neue Disziplin. Google ordnet die Optimierung für generative Suche offiziell als SEO ein (Google Search Central, Mai 2026). Was zusätzlich zählt, sind zitierfähige Sätze, klare Entitäten und echte Erwähnungen außerhalb der eigenen Website.

Zwei Bedeutungen, die ständig verwechselt werden

Wer „AI Search” recherchiert, landet in zwei völlig verschiedenen Welten. Das ist keine Wortklauberei, sondern der häufigste Grund für aneinander vorbeilaufende Projektgespräche.

Bedeutung 1: KI-gestützte Websuche. Gemeint sind AI Search Engines wie ChatGPT, Perplexity, Gemini und Googles AI Overviews. Sie beantworten Fragen direkt, statt eine Liste von Suchergebnissen auszugeben. Hier geht es um Ihre Sichtbarkeit nach außen, also darum, ob Ihr Unternehmen in fremden Antworten vorkommt.

Bedeutung 2: Ein Suchdienst für Unternehmensdaten. Gemeint ist meist Azure AI Search von Microsoft, bis Oktober 2019 Azure Search, danach Azure Cognitive Search und seit November 2023 Azure AI Search (Microsoft Learn, Juni 2026). Vergleichbare Dienste heißen etwa Databricks AI Search. Hier geht es um Suche nach innen, also darum, ob Ihre Mitarbeitenden ihre eigenen Dokumente finden.

Der Unterschied entscheidet über das Budget. Bedeutung 1 ist ein Marketing- und Kommunikationsthema. Bedeutung 2 ist ein IT-Projekt im Bereich Enterprise Search, das auf Microsoft Azure oder einer vergleichbaren Plattform läuft.

Diese Seite behandelt schwerpunktmäßig Bedeutung 1. Die technische Mechanik dahinter ist allerdings in beiden Welten dieselbe, und deshalb lohnt der nächste Abschnitt auch dann, wenn Sie aus der IT kommen.

Wie funktioniert AI Search technisch?

Beide Welten arbeiten nach demselben Grundmuster: Erst wird gesucht, dann wird formuliert. Die klassische, rein linkbasierte Suche endet dagegen bei der Ergebnisliste. Genau dieser Zusatzschritt entscheidet darüber, ob Ihre Inhalte in einer Antwort auftauchen.

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation ist das Verfahren, mit dem ein Sprachmodell Antworten auf Grundlage abgerufener Dokumente formuliert statt aus seinem Trainingswissen. Vereinfacht: Ein LLM bekommt zur Frage passende Textstellen mitgeliefert und darf nur daraus antworten.

Der Ablauf hat drei Stufen. Die Abfrage des Nutzers wird in eine maschinell vergleichbare Form gebracht. Passende Passagen werden aus einem Index geholt. Anschließend nutzt das Modell diese Passagen, um kontextbezogene Antworten zu generieren.

RAG ist der Grund, warum KI-Antworten überhaupt Quellen nennen können. Große Sprachmodelle, also Large Language Models (LLMs), wissen von sich aus nichts über Ihr Unternehmen. Sie wissen nur, was ihnen im Moment der Anfrage vorgelegt wird.

Für Sie folgt daraus die zentrale Konsequenz dieser Seite: Nicht Ihre Website wird zitiert, sondern einzelne Passagen daraus. Ob KI-Modelle eine Passage auswählen, entscheidet sich an ihrer Eindeutigkeit, nicht an der Gestaltung der Seite.

Vektorsuche, Volltextsuche und Hybridsuche

Damit passende Passagen gefunden werden, laufen in der Regel zwei Suchverfahren parallel.

Die Volltextsuche arbeitet mit Wörtern und ist stark bei exakten Treffern: Produktcodes, Eigennamen, Fachbegriffe, Datumsangaben. Sie ist das, was seit jeher unter Suche verstanden wird, und sie ist keineswegs überholt.

Die Vektorsuche arbeitet mit Bedeutung. Bei der Vektorisierung werden Texte in Zahlenreihen übersetzt, sogenannte Embeddings. Inhaltlich Ähnliches liegt darin nah beieinander, auch ohne gemeinsames Stichwort. Vector Search findet deshalb Antworten auf umschriebene Fragen, die eine Wortsuche verfehlt.

Weil beide Verfahren unterschiedliche Stärken haben, kombiniert die Hybridsuche sie. Azure AI Search führt Volltext- und Vektorabfrage parallel aus und führt die beiden Trefferlisten mit Reciprocal Rank Fusion zusammen, einem Verfahren, das nicht die Punktwerte, sondern die Rangplätze verrechnet (Microsoft Learn, 2026). Optional bewertet ein Semantic Search Reranker die Treffer anschließend erneut.

Bei sehr großen Datenmengen wird nicht jeder Vektor mit jedem verglichen. Stattdessen kommen Verfahren der Approximate Nearest Neighbor Suche zum Einsatz, etwa der HNSW-Algorithmus. Sie liefern nicht garantiert das exakte, aber sehr zuverlässig ein sehr nahes Ergebnis, und das um Größenordnungen schneller.

Was daraus für Ihre Inhalte folgt: Ein Text, der erst nach drei Absätzen sagt, worum es geht, wird schlechter indiziert und schlechter abgerufen. Ein Absatz, der seine Kernaussage im ersten Satz trägt, gewinnt in beiden Verfahren.

Query Fan-out und Grounding bei Google

Google zerlegt eine Frage zusätzlich in mehrere synthetische Teilfragen und sucht parallel danach. Das Verfahren ist in mehreren Patentschriften beschrieben, unter anderem in US20240289407A1. Eine Seite, die nur die Hauptfrage beantwortet, die Teilfragen aber verfehlt, wird häufig nicht zitiert.

Wichtig für die Praxis: Diese Teilfragen sind keine Keywords. Eine kontrollierte Auswertung fand, dass 95 Prozent von ihnen null Suchvolumen haben. Sie lassen sich nicht recherchieren, nur inhaltlich antizipieren.

Beim anschließenden Grounding zieht das System oft nur 150 bis 300 Zeichen aus einem Dokument heran. Deshalb entscheidet der Textanfang überproportional darüber, ob eine Seite in der Antwort vorkommt.

Agentische Suche

Die nächste Stufe verschiebt die Arbeit vom Menschen zur Maschine. Ein AI Agent formuliert nicht mehr eine Suchanfrage, sondern plant mehrere, führt sie parallel aus, bewertet die Ergebnisse und fragt bei Lücken nach.

Microsoft nennt das agentic retrieval und stellt es in Azure AI Search seit der REST-API-Version 2026-04-01 allgemein bereit (Microsoft Learn, 2026). Bei agentischen Verfahren gilt: Je klarer ein Dokument strukturiert ist, desto weniger Durchläufe braucht der Agent und desto wahrscheinlicher landet Ihre Passage in der Antwort.

Für Websites hat das eine unmittelbare Folge. KI-Agenten und AI Tools konsumieren Seiten maschinell, ohne Layout, ohne Scrollen, oft ohne JavaScript. Was nicht im ausgelieferten HTML steht, existiert für sie nicht. Wer heute Agents und Tools als Zielgruppe mitdenkt, baut keine Spielerei, sondern Infrastruktur.

Interne KI-Suche: wenn AI Search die eigene Wissensdatenbank meint

Wenn in Ihrem Unternehmen von AI Search gesprochen wird, ist häufig eine interne, KI-gestützte Suche über eigene Dokumente gemeint. Der Aufbau folgt demselben RAG-Muster.

Zuerst werden Datenquellen angebunden. Bei Azure AI Search sind das typischerweise Azure Blob Storage, Microsoft SharePoint, Azure Cosmos DB oder Microsoft OneLake, der Data Lake aus Microsoft Fabric (Microsoft Learn, 2026). Die Inhalte werden zerlegt, vektorisiert und indiziert.

Anschließend beantwortet ein Modell Fragen darauf, meist über Azure OpenAI in Foundry Models. Konfiguriert wird das im Microsoft Foundry-Portal, das bis Anfang 2026 Azure AI Foundry hieß. Das Ergebnis ist ein AI Assistant, der Mitarbeiterfragen in natürlicher Sprache beantwortet und die Quelle mitliefert.

Der schwierige Teil ist selten die Technik. Er liegt in Berechtigungen, Aktualität und Compliance: Wer darf welches Dokument sehen, was passiert mit veralteten Ständen, und wie werden personenbezogene Daten und die Anforderungen der EU-KI-Verordnung berücksichtigt. Natural Language Processing löst diese Fragen nicht, es macht sie nur sichtbarer.

Meine Rolle in solchen Projekten: Ich baue keine Azure-Infrastruktur. Ich sorge dafür, dass die Inhalte, die dort hineinlaufen, überhaupt maschinell verwertbar sind, und begleite die Governance-Seite. Für die technische Umsetzung arbeiten Sie mit Ihrem IT-Dienstleister, und ich sage Ihnen offen, wann Sie mich dafür nicht brauchen.

Wie stark verändert AI Search den Traffic in Deutschland?

Für den deutschsprachigen Markt liegen belastbare Zahlen vor, und sie fallen ähnlich aus wie die US-Werte.

Laut Sistrix (Februar 2026, Auswertung von 100 Millionen Keywords) sinkt die Klickrate auf Position 1 bei Keywords mit AI Overview von durchschnittlich über 27 Prozent auf 11 Prozent. Das ist ein Klickverlust von fast 60 Prozent auf dem ersten Platz.

Hochgerechnet bedeutet das laut derselben Auswertung rund 265 Millionen verlorene Klicks pro Monat in Deutschland. Über alle Keywords hinweg liegt der Rückgang bei 6,6 Prozent.

Die Spannweite zwischen Branchen reicht von rund 1 Prozent bis über 24 Prozent. Betroffen ist weniger, wer in einer bestimmten Branche arbeitet, als wer viel informativen Traffic hat.

Kennzahl	Wert	Quelle, Stand
Klickrate Position 1 ohne AI Overview	über 27 Prozent	Sistrix, Februar 2026
Klickrate Position 1 mit AI Overview	11 Prozent	Sistrix, Februar 2026
Klickverlust Deutschland pro Monat	rund 265 Millionen Klicks	Sistrix, Februar 2026
Anteil Keywords mit AI Overview in DE	rund 20 Prozent, Long Tail rund 30 Prozent	Sistrix, Februar 2026
Klickrate mit AI Overview, US-Vergleich	8 statt 15 Prozent	Pew Research Center, Juli 2025

Zur Einordnung gehört die Gegenstimme. Google hält der Sistrix-Auswertung methodische Lücken vor, unter anderem fehlende Angaben zum Zeitraum und zur Trennung von Mobil- und Desktop-Traffic. Sistrix-Gründer Johannes Beus verweist darauf, dass einzelne Kunden gleichzeitig Traffic-Rekorde melden. Beides kann zutreffen: Der Suchkuchen wächst, der Anteil, der als Klick auf einer Website ankommt, schrumpft.

Lohnt sich AI-Search-Optimierung überhaupt?

Für viele Unternehmen lautet die ehrliche Antwort: teilweise, und nicht sofort.

Laut einer Auswertung von Conductor über 13.770 Domains machen KI-Referrals rund 1,08 Prozent aller Sessions aus. Wer Volumen sucht, findet es hier nicht.

Bei der Qualität gehen die Zahlen auseinander, und das ist selbst ein Befund. Anbieterseitig meldet Semrush (Juni 2025) eine 4,4-mal höhere Konversion aus KI-Suche, Adobe Analytics für das erste Quartal 2026 eine um 42 Prozent höhere Conversion-Rate bei KI-Referral-Traffic. Eine unabhängige Auswertung von Amsive (September 2025) fand dagegen keinen statistisch signifikanten Unterschied zur klassischen organischen Suche. Behandeln Sie die höheren Werte als Anbieterinteresse, nicht als gesicherten Fakt.

Hinzu kommt ein indirekter Effekt. Laut Seer Interactive (November 2025) verzeichneten in AI Overviews zitierte Marken 35 Prozent mehr organische Klicks. Zitiert zu werden wirkt also auch dort, wo der Klick anschließend klassisch kommt.

Meine Empfehlung, bevor Sie investieren: Legen Sie vorab fest, wann Sie wieder aufhören. Bleibt Ihr KI-Referral-Anteil zwei Quartale unter 0,5 Prozent und verschwindet gleichzeitig der Conversion-Vorteil, gehört das Budget zurück in klassische Suche und Vertrieb. Überschreitet er 3 Prozent, sollten Sie deutlich mehr investieren als geplant.

Ist GEO dasselbe wie SEO?

Zu etwa vier Fünfteln ja. Und das sagt Google selbst.

Die offizielle Position von Google Search Central lautet sinngemäß, dass die Optimierung für generative KI-Suche eine Optimierung der Search Experience und damit weiterhin SEO ist. Wer saubere, belegte, gut strukturierte Inhalte publiziert, arbeitet bereits an seiner KI-Sichtbarkeit.

Der Rest ist allerdings real. Laut Ahrefs (März 2026) stammen nur noch 38 Prozent der in AI Overviews zitierten Quellen aus den organischen Top 10. Im Juli 2025 waren es 76 Prozent. Eine gute Google-Position ist längst keine Garantie mehr für ein Zitat.

Bei ChatGPT und Perplexity ist der Abstand größer, weil beide nicht aus dem Google-Index schöpfen. Dort zählen Erwähnungen außerhalb der eigenen Website stärker: Fachmedien, Verzeichnisse, Communities, Videoplattformen.

Mein Fazit als Berater: Generative Engine Optimization ist kein eigenes Fach neben SEO. Sie ist eine Erweiterung der Zielgrößen und eine Gewichtsverlagerung Richtung Sprachqualität und externer Präsenz. Wer Ihnen eine neue Geheimdisziplin verkauft, verkauft Ihnen ein Etikett.

Welche Maßnahmen sind belegt?

Maßnahme	Wirkung	Evidenz
Zitate, Statistiken und Quellenangaben im Text	Am besten belegter Einzelhebel der GEO-Forschung (Aggarwal et al., KDD 2024, peer-reviewed)	empirisch
Vollständige Antwort in den ersten 150 Wörtern	Systeme ziehen bevorzugt frühe Textstellen heran	empirisch bis Expertenpraxis
Eigenständig lesbare Absätze mit Kernaussage am Anfang	Passagen werden einzeln bewertet, nicht ganze Artikel	Expertenpraxis
Präsenz außerhalb der eigenen Website	Wikipedia, YouTube und Community-Plattformen gehören laut Pew Research Center (Juli 2025) zu den meistzitierten Quellen	empirisch, korrelativ
Erreichbarkeit für KI-Crawler	Ohne Zugang kein Zitat, unabhängig von der Textqualität	bestätigt

Alle fünf Punkte sind im Kern gutes Publizieren. Das ist die unbequeme Wahrheit dieser Disziplin.

Welche Maßnahmen wirken nachweislich nicht?

Diese Liste kostet mich Aufträge. Sie steht trotzdem hier.

llms.txt. Die viel beworbene Datei hat keinen belegten Effekt auf Zitate. Eine Ahrefs-Auswertung über 137.000 Domains fand, dass 97 Prozent dieser Dateien nie von einem Bot abgerufen wurden. Google unterstützt das Format nach eigener Aussage nicht und plant es nicht.

Schema-Markup als Zitationshebel. Strukturierte Daten sind für klassische Suche und Entitätsverständnis sinnvoll, ein direkter Effekt auf KI-Zitate ist in Feldstudien nicht messbar. Schema ist ein Hygienefaktor, kein Zitat-Schalter.

Künstliches Zerhacken von Texten. Google bezeichnet AI-spezifisches Umschreiben und Content-Chunking ausdrücklich als nicht erforderlich. Wird ein Text dadurch schlechter lesbar, schadet die Maßnahme doppelt.

Die 40-Prozent-Zahl aus dem GEO-Paper. Sie wird gern als generische Steigerung verkauft. Tatsächlich ist es ein Maximalwert aus einem simulierten Testaufbau, kein Durchschnitt und keine Zusage für Ihre Website.

Ein einzelner AI-Visibility-Score. Dazu der nächste Abschnitt.

Wie lässt sich KI-Sichtbarkeit messen?

Teilweise. Und das ist die wichtigste Erwartung, die vor Projektbeginn geklärt gehört.

Das Kernproblem ist die Volatilität. Laut Profound (2026) sind 40 bis 60 Prozent der von KI-Systemen zitierten Domains einen Monat später andere, bei identischen Prompts. Über sechs Monate liegt der Wert bei 70 bis 90 Prozent. Ein Dashboard, das daraus eine einzige Zahl macht, misst vor allem Rauschen.

Belastbar ist ein Query-Bank-Verfahren: 30 bis 50 realistische Nutzerfragen, wöchentlich und wiederholt gegen AI Mode, ChatGPT und Perplexity getestet, dokumentiert mit Datum, Oberfläche, Zitatstatus und zitierten Wettbewerbern. Erst Wiederholung macht aus einer Beobachtung eine Messung.

Ergänzend liefert die Google Search Console seit Juni 2026 Impressionen aus AI Overviews und AI Mode, allerdings ohne Klicks und ohne CTR. Und in Ihrer Analytics gehört KI-Referral-Traffic sauber getaggt, sonst landet er als „direct” im Nichts.

Was ich Ihnen nicht verspreche: eine bestimmte Zahl an Zitaten, eine garantierte Position in einer KI-Antwort oder einen Sichtbarkeits-Score, der nur nach oben zeigt.

Auf einen Blick

Visuelle Zusammenfassung des Vorstehenden. Ersetzt keinen der Abschnitte oben — jede Aussage steht dort ausführlich und mit Quelle.

Wie ich mit Ihnen daran arbeite

Wenn es über die Sichtbarkeit hinausgeht und Sie den KI-Einsatz im Unternehmen insgesamt ordnen wollen: KI-Beratung für den Mittelstand.

Warum ein Texter und kein Technik-Dienstleister

Die meisten Anbieter in diesem Feld kommen von der Technik. Sie denken in Tools, Scores und Dashboards. Ich komme von der Sprache.

Das ist hier kein Stilargument. AI Systems wählen Sätze aus. Ob ein Satz ausgewählt wird, entscheidet sich an Eindeutigkeit, Beleg und Verständlichkeit ohne Kontext. Das sind Textfragen, keine Konfigurationsfragen.

Dazu kommt die Prüfhaltung: 25 Jahre als Texter und Konzeptioner für erklärungsbedürftige Produkte, sieben KI-Zertifizierungen mit öffentlich einsehbaren Nachweisen, darunter ISO/IEC 42001 (PECB) und EU AI Act kompakt (appliedAI), sowie die Ausbilderprüfung der IHK Düsseldorf. In einem AZAV-zertifizierten Kurs für angehende KI-Manager verantworte ich 320 Stunden Trainingsumfang.

Und diese Seite ist selbst der Beleg. Sie ist nach den Prinzipien gebaut, die sie beschreibt: jede Zahl mit Quelle und Datum, jeder Absatz einzeln lesbar, jede Behauptung mit Evidenzgrad.

Für wen sich AI-Search-Arbeit derzeit nicht lohnt

Drei Fälle, in denen ich abrate.

Sie haben kaum Inhalte. Ohne belastbare Substanz gibt es nichts zu zitieren. Dann ist Content die Aufgabe, nicht GEO.

Ihr Geschäft ist rein lokal und transaktional. Bei der Suche nach einem Handwerker in der Nähe spielen lokale Suche und Bewertungen weiterhin die größere Rolle.

Sie erwarten kurzfristigen Traffic-Ersatz. Bei rund 1 Prozent Sessionanteil ersetzt KI-Traffic auf absehbare Zeit keinen organischen Traffic. Er ergänzt ihn, hochwertig, aber schmal.

Häufige Fragen zu AI Search

Quellen und Stand

Stand dieser Seite: 20. August 2026. Nächste Prüfung: Februar 2027.

Sistrix, Auswertung zu AI Overviews in Deutschland, Februar 2026 · Pew Research Center, Studie zur Google-Nutzung mit KI-Zusammenfassungen, Juli 2025 · Semrush, Analyse zur Conversion aus KI-Suche, Juni 2025 · Amsive, unabhängige Konversionsstudie zu KI-Referral-Traffic, September 2025 · Adobe Analytics, Auswertung zu KI-Referral-Traffic, Q1 2026 · Seer Interactive, CTR-Analyse zu AI Overviews, November 2025 · Ahrefs, Studien zu AIO-Zitaten und llms.txt, 2026 · Conductor, Analyse zu KI-Referral-Anteilen · Profound, Auswertung zur Zitationsvolatilität, 2026 · Aggarwal et al., GEO: Generative Engine Optimization, KDD 2024 · Google Search Central, Dokumentation zu generativer Suche, Mai 2026 · Google-Patentschrift US20240289407A1 · Microsoft Learn, Dokumentation zu Azure AI Search: Hybridsuche und Reciprocal Rank Fusion, Vektorranking und HNSW, agentic retrieval, Produktnamenshistorie, abgerufen August 2026.

Zahlen zu KI-Suche altern schnell. Diese Seite wird halbjährlich geprüft. Wenn Ihnen eine Angabe veraltet erscheint, schreiben Sie mir.