Wer heute Kunden über seine Website gewinnen möchte, bekommt schnell eine neue Abkürzung angeboten: GEO, Generative Engine Optimization. Die Frage dahinter ist berechtigt: Wie wird ein Unternehmen in KI-Antworten sichtbar? Meine erste Gegenfrage lautet allerdings: Beantwortet seine Website überhaupt die Fragen, wegen derer potenzielle Kunden dort landen?
Seit über 25 Jahren optimiere ich Websites; meine Erfahrung umfasst mehr als 300 Kundenprojekte. Für mich beginnt diese Arbeit nicht mit dem nächsten Algorithmus-Trick, sondern mit der Zielgruppe: Was sucht sie? Was muss sie verstehen? Was schafft Vertrauen? Und wo scheitert der nächste Schritt zur Anfrage oder Bestellung?
Ich arbeite mit anerkannten Usability-Leitlinien und Forschungsergebnissen. Mit eigenen Studien, Tracking, Auswertungen und Blickbewegungsanalysen überprüfe ich, wie die konkrete Website genutzt wird. Ich berate nicht nur, sondern setze Verbesserungen selbst um – für inhabergeführte Unternehmen, B2B-Anbieter und Online-Shops.
Die Veröffentlichung „KI & SEO im deutschen E-Commerce“ von LEAP, powered by SISTRIX, ist ein guter Anlass, diesen Ansatz zu überprüfen. Sie zeigt Veränderungen der Suchlandschaft auf Basis von Daten aus September 2025. Einige ihrer strategischen Schlussfolgerungen gehen aus meiner Sicht jedoch weiter als die dargestellten Daten. [1]
Meine strategische Überzeugung: Ich muss nicht jeden Algorithmuswechsel vorhersagen. Je besser Suchsysteme Relevanz und Qualität erkennen, desto sinnvoller ist es, genau diese Grundlagen für die Zielgruppe zu verbessern. Mein zusätzlicher Anspruch: Das Angebot soll Menschen überzeugen und ihnen den Weg zur Anfrage oder Bestellung erleichtern.
Was die Untersuchung tatsächlich untersucht
Hinter den rund 2.000 Shops im Titel stehen laut Methodik 1.859 umsatzstarke B2C-Onlineshops, aufgeteilt in 24 Branchen. Die Analyse betrachtet unter anderem organische Sichtbarkeit, den Anteil organischen Traffics, Google AI Overviews und den Einsatz bestimmter A/B-Testing-Tools. Die Angaben zu AI Overviews beziehen sich auf Mitte September 2025. Es handelt sich damit um einen historischen Branchenstand, nicht um aktuelle Quoten für jede Website. [1, S. 17–19, 35–47]
Das ist als Orientierung nützlich. Ein großer Onlineshop hat aber andere Voraussetzungen als ein spezialisierter Industriezulieferer oder ein inhabergeführter Dienstleister. Die Umsatzstärke einer Stichprobe macht sie nicht automatisch repräsentativ für deren Informationsangebot, Besucherzahlen oder Vertriebswege.
Für mich ist entscheidend: Die Veröffentlichung beschreibt einen Zustand. Sie dokumentiert keinen kontrollierten Versuch, der zeigt, welche konkrete Website-Änderung zusätzliche KI-Nennungen verursacht. Auch die Wirkung einzelner Usability-Maßnahmen auf Rankings oder Umsatz wird darin nicht experimentell geprüft. [1]
Sichtbarkeit ist nicht dasselbe wie Geschäftserfolg
Die Studie nennt einen medianen SEO-Traffic-Anteil von 42,5 Prozent und deutet einen hohen organischen Anteil als Indikator für Profitabilität. [1, S. 21–24]
Hier trenne ich genauer. Ein hoher Anteil sagt zunächst etwas über die Verteilung der Besucherquellen. Ob daraus ein gutes Geschäft wird, hängt auch von Anfragequalität, Bestellungen, Margen und den Kosten der Kundengewinnung ab. Der SEO-Anteil kann sogar steigen, weil ein Unternehmen seine Werbekampagnen reduziert – ohne einen einzigen zusätzlichen organischen Kunden zu gewinnen.
Ich möchte nicht nur wissen, ob eine Website häufiger gefunden wird. Ich möchte wissen, ob die richtigen Menschen kommen und ihren nächsten Schritt schaffen.
Das gilt auch für KI-Antworten. Eine Nennung ist ein möglicher Kontaktpunkt, aber noch keine Anfrage. Ein Klick ist ein Besuch, aber noch kein Auftrag. Ich messe diese Schritte getrennt, damit aus einer schönen Sichtbarkeitskurve keine unbelegte Erfolgsgeschichte wird.
Auch bei Prozentzahlen zählt die richtige Frage
Auf Seite 38 stehen 4,3 Prozent für den medianen Anteil von Keywords mit AI Overview. Die daneben genannten 2,3 Prozent beziehen sich laut Beschriftung dagegen auf die betroffenen Keywords, bei denen ein Unternehmen als Quelle verlinkt wird. Das sind unterschiedliche Bezugsgrößen. Ich würde daraus weder durch Subtraktion eine Lücke berechnen noch eine Traffic-Verlustquote ableiten. Die Veröffentlichung relativiert auf derselben Seite selbst frühere Einschätzungen zu den Auswirkungen. [1, S. 38]
Das Henne-Ei-Problem: Was verursacht die KI-Sichtbarkeit?
Wenn eine bekannte Marke sowohl bei Google als auch in KI-Antworten erscheint, ist damit noch nicht erklärt, warum. Denkbar ist, dass dieselben Voraussetzungen beides begünstigen: ein umfangreiches Informationsangebot, fachliche Reputation, Verlinkungen oder eine gut erschlossene Website.
Das ist eine mögliche Erklärung, kein Ergebnis dieser Studie. Um sie gegen die Wirkung spezieller GEO-Maßnahmen abzugrenzen, müssten entsprechende Veränderungen und Vergleichsgruppen untersucht und andere Einflüsse berücksichtigt werden.
Fairerweise: LEAP betont selbst die Bedeutung klassischer SEO-Grundlagen. Der Bericht behauptet nicht, Technik, Relevanz und Autorität seien plötzlich überflüssig. Mein Einwand betrifft deshalb nicht diese Grundlage, sondern die Sicherheit, mit der aus beschreibenden Zahlen weitreichende Handlungszwänge abgeleitet werden. [1, S. 39–41]
KI-Suche ist nicht nur das, was ein Modell einmal gelernt hat
Die Vorstellung, KI gebe lediglich ihr Trainingsmaterial wieder, greift für moderne Suchsysteme zu kurz. Google beschreibt für seine generativen Suchfunktionen Retrieval-Augmented Generation: Relevante, aktuelle Seiten werden aus dem Suchindex abgerufen und für die Antwort herangezogen. Beim sogenannten Query Fan-out erzeugt das System zusätzlich verwandte Suchanfragen. [2]
Für mich ist das ein wichtiger Unterschied: Ich muss nicht darauf warten, dass ein zukünftiges Modell meine neue Website irgendwann mittrainiert. Ich muss dafür sorgen, dass relevante Informationen auffindbar, zugänglich und verständlich sind.
Google ordnet die Optimierung seiner generativen Suchfunktionen ausdrücklich weiterhin als SEO ein. Die Dokumentation zu AI Overviews und AI Mode verweist auf bestehende SEO-Grundlagen und verlangt keine besondere KI-Schreibweise oder spezielle strukturierte Daten. Diese Aussage betrifft Google Search – sie ist keine pauschale Beschreibung aller KI-Anbieter. [2], [3]
Die Oberfläche verändert sich. Der Bedarf an brauchbaren Informationen bleibt.
Position 11: „Angebote“
Schritt 1 von 4 · Beispielvektoren
Die Berechnung beginnt erst nach einem Klick.
Berechnete Werte ansehen
| Token | Q · K / √4 | Gewicht |
|---|
Ergebnisvektor:
Wie ein Sprachmodell Kontext gewichtet
Self-Attention verbindet Tokenpositionen miteinander. Das Beispiel macht einen Rechenschritt sichtbar: Aus Vergleichen entstehen Gewichte, mit denen Informationen kombiniert werden.
Starten Sie den Ablauf oder gehen Sie Schritt für Schritt vor. Die Zeile mit der gewählten Position ist umrandet. Rot zeigt die aktuell berechneten Verbindungen und Gewichte.
Fest gewählte Beispielvektoren, ein Attention-Kopf, zwölf vereinfachte Wort-Tokens. Die kausale Maske erlaubt nur den bisherigen Kontext. Anders als hier kann BERT Kontext aus beiden Richtungen verarbeiten. Kein trainiertes LLM, kein Google-Rankingmodell und keine Messung von Nutzeraufmerksamkeit.
Das Rechenprinzip
Q = XWQ, K = XWK, V = XWV. Anschließend: Attention = softmax(QKT/√dk + Maske)V. Hier ist dk = 4. Spätere Positionen erhalten vor Softmax den Wert −∞ und damit Gewicht 0. Jede Zeile der Gewichte summiert sich auf 1.
Die Eingangswerte und Projektionsmatrizen sind deterministisch gewählt, nicht aus Text gelernt. Deshalb lassen sich aus den gezeigten Gewichten keine sprachlichen Bedeutungen ableiten. Ein vollständiges LLM enthält weitere Köpfe, Schichten und Verarbeitungsschritte.
Grundlage: Vaswani et al. (2017), Attention Is All You Need, Abschnitte 3.2.1 und 3.2.3.
Google versteht mehr als Keywords – aber misst nicht automatisch Ihre gesamte Usability
Mein fachlicher Hintergrund liegt in der Informatik und der Mensch-Maschine-Interaktion. Deshalb interessiert mich nicht nur, was ein SEO-Werkzeug zählt, sondern was ein System tatsächlich leisten kann.
Google nennt unter anderem BERT, neural matching und RankBrain als Systeme zum Verständnis von Sprache, Konzepten und Suchabsichten. Auch Linkanalyse und PageRank gehören zum beschriebenen Systembestand. Relevanz lässt sich deshalb nicht auf die Häufigkeit eines Suchworts reduzieren. [4]
Die ursprüngliche BERT-Arbeit von Devlin und Kollegen beschreibt das Lernen von Sprachrepräsentationen unter Berücksichtigung des linken und rechten Kontexts. Das ist eine technische Grundlage für Sprachverständnis – kein Beweis dafür, dass ein Modell jede Website wie ein Usability-Experte bewertet. [5]
Google überprüft Änderungen seiner Suche außerdem mit Qualitätsbewertungen und Experimenten mit realen Nutzern. Die Bewertungen der Quality Rater beeinflussen die Platzierung einer einzelnen Website laut Google nicht unmittelbar. Sie dienen der Beurteilung der Suchqualität. [6]
Meine Schlussfolgerung daraus: Ich arbeite an verständlichen, relevanten und überprüfbaren Inhalten, weil sie Menschen weiterhelfen – und weil sich diese Ausrichtung mit Googles dokumentierten Qualitätszielen deckt. Daraus mache ich keine Behauptung, Google verwende dieselben Usability-Leitlinien wie ich als direkte Rankingformel.
Kein A/B-Testing-Tool heißt nicht: keine Optimierung
An dieser Stelle widerspreche ich der Veröffentlichung besonders deutlich. Auf Seite 44 wird A/B-Testing als einzige Methode dargestellt, die Nutzererfahrung nachweislich zu verbessern. Zugleich wird aus dem fehlenden Einsatz entsprechender Tools auf einen Verzicht auf datengetriebene UX-Optimierung geschlossen. [1, S. 44–45]
Ein Toolnachweis beantwortet diese Frage nicht. Er zeigt weder, wie gut ein Unternehmen testet, noch erfasst er automatisch alle eigenen oder serverseitigen Verfahren. Vor allem sind moderierte Nutzertests, Aufgabenanalysen, Befragungen und Eye-Tracking ebenfalls Wege, Probleme zu untersuchen und Verbesserungen zu überprüfen.
Ein konkretes Forschungsbeispiel liefern Seckler und Kollegen (2014): In einer kontrollierten Eye-Tracking-Untersuchung mit 65 Teilnehmenden wurden Webformulare anhand eines Bündels von 20 Leitlinien verbessert. Die überarbeiteten Formulare wurden schneller ausgefüllt, benötigten weniger Absendeversuche und führten zu höherer berichteter Zufriedenheit. Gemessen wurden konkrete Nutzungsergebnisse, nicht die bloße Installation einer Testsoftware. [7]
A/B-Tests sind wertvoll, wenn die Fragestellung und die erforderliche Datenmenge dazu passen. Bei einer B2B-Website mit wenigen qualifizierten Anfragen würde ich aber zunächst prüfen, welche Methode überhaupt belastbare Antworten liefern kann. Ein beobachtetes Verständnisproblem muss nicht monatelang bestehen bleiben, nur weil für einen Conversion-Test noch nicht genügend Daten vorliegen.
Ebenso wenig ist eine höhere Conversion-Rate automatisch ein Beleg für ein besseres Google-Ranking. Google bestätigt den Einsatz der Core Web Vitals, beschreibt aber keinen universellen Usability-Score, der sämtliche Verbesserungen direkt in Positionen übersetzt. [8]
Was ich an einer Website konkret verbessern würde
Meine Arbeit beginnt mit einer Geschäftssituation, nicht mit einer Abkürzung.
Erstens: die Entscheidungsfragen der Zielgruppe klären. Ein Einkäufer braucht möglicherweise technische Eignung, Lieferfähigkeit und belastbare Referenzen. Ein Shopkunde muss wissen, ob ein Produkt passt, was es kostet und wie Lieferung oder Rückgabe funktionieren. Ich prüfe, ob genau diese Informationen vorhanden und auffindbar sind.
Zweitens: Aussagen mit Substanz füllen. Eigene Erfahrungen, nachvollziehbare Produktinformationen und konkrete Projektbeispiele leisten mehr als austauschbare Sätze über Qualität und Kompetenz. Wo Fachwissen entscheidend ist, muss erkennbar sein, wer eine Aussage trifft und worauf sie beruht.
Drittens: Inhalte und Technik gemeinsam verbessern. Verständliche Überschriften, passende interne Verlinkung und ein sauberer mobiler Anfrageweg gehören zusammen. Ein hilfreicher Text hinter einer technischen Zugriffssperre löst ebenso wenig wie eine perfekt schnelle Seite ohne Antworten.
Viertens: die Wirkung prüfen. Ich untersuche, ob Nutzer relevante Informationen finden, Aufgaben bewältigen und Kontakt aufnehmen oder bestellen können. Eye-Tracking hilft mir dabei, Aufmerksamkeit zu untersuchen; Nutzertests und Rückfragen helfen, Verständnisprobleme einzuordnen. Anschließend prüfe ich die Entwicklung der passenden Geschäftskennzahlen.
Fünftens: neue Suchwege mitbeobachten. Für relevante Kundenfragen lässt sich ergänzend beobachten, ob und in welchem Kontext das Unternehmen in KI-Antworten erscheint. Das ergänzt die Messung von Suchtraffic, qualifizierten Anfragen und Bestellungen. Es ersetzt sie nicht.
Mein Fazit: Ich optimiere für Kunden. Und mache die Qualität auffindbar.
Die LEAP-/SISTRIX-Veröffentlichung ist ein brauchbarer Ausgangspunkt, um über Veränderungen der Suche und die Qualität von Websites zu sprechen. Ich würde sie jedoch nicht als Beweis lesen, dass eine bestimmte Testsoftware Rankings verbessert oder spezielle KI-Maßnahmen automatisch neue Kunden bringen.
Mein Ansatz bleibt: Zielgruppe verstehen. Relevante Antworten liefern. Hürden beseitigen. Die Wirkung messen.
SEO ist für mich die Verbindung dieser Arbeit mit technischer Auffindbarkeit und nachvollziehbarer fachlicher Relevanz. KI-Sichtbarkeit kommt als weiteres Beobachtungsfeld hinzu. Neue Suchsysteme sind ein Grund, genauer hinzusehen – nicht, die Grundlagen gegen neue Schlagwörter auszutauschen.
Ihre Website muss nicht zuerst eine KI beeindrucken. Sie muss Ihren Kunden weiterhelfen – und für Suchsysteme zugänglich sein. Genau daran arbeite ich.
Was braucht Ihre Website, um mehr Kunden zu gewinnen?
Im kostenlosen, unverbindlichen Website-Analysegespräch besprechen wir, welche Ziele Sie verfolgen und wo der passende nächste Schritt liegt. Sie sprechen direkt mit mir – über Ihre Zielgruppe, Ihre Website und konkrete Verbesserungen.
Quellen und Einordnung
Diese Einordnung bezieht sich auf die veröffentlichte Analyse, nicht auf Unternehmensrohdaten. Googles Dokumentationen beschreiben die eigene Suche; sie sind keine unabhängigen Wirkungsstudien. Studienbefunde und meine Schlussfolgerungen sind im Text getrennt. Abruf der Webquellen: 15.09.2026.
- LEAP Digital Marketing GmbH, powered by SISTRIX (2025): KI & SEO im deutschen E-Commerce. Eine Datenanalyse der Top 2.000 Onlineshops. Insbesondere S. 17–19, 21–24, 35–45.
- Google Search Central: Optimizing your website for generative AI features on Google Search. Abschnitte „Is SEO still relevant for generative AI search?“ und „Apply foundational SEO best practices“. Originaldokumentation.
- Google Search Central: AI features and your website. Abschnitte „How AI features work in Search“ und „How to appear in AI features“. Originaldokumentation.
- Google Search Central: A guide to Google Search ranking systems. Abschnitte BERT, neural matching, RankBrain sowie Link analysis systems and PageRank. Originaldokumentation.
- Devlin, J., Chang, M.-W., Lee, K. & Toutanova, K. (2019; Preprint 2018): BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL. Original-Abstract bei Google Research.
- Google: Improving Search with rigorous testing. Insbesondere Live-Traffic-Experimente und Search Quality Tests. Offizielle Darstellung.
- Seckler, M., Heinz, S., Bargas-Avila, J. A., Opwis, K. & Tuch, A. N. (2014): Designing Usable Web Forms — Empirical Evaluation of Web Form Improvement Guidelines. CHI 2014, S. 1275–1284. Original-Abstract bei Google Research.
- Google Search Central: Understanding page experience in Google Search results. Insbesondere FAQ zu Rankings und Core Web Vitals. Originaldokumentation.