Glossaire GEO, AEO et LLM SEO - termes sans langue de bois | LLMscope

Définitions précises des termes utilisés en GEO, AEO et optimisation IA : GEO, AEO, LLM Search, RAG, GEO Score, RAG-Readiness, llms.txt, ai.json et plus.

LLMscope

Referenz

GEO-, AEO- und LLM-SEO-Glossar – sachliche Begriffe

Dieser Sektor erfindet Vokabeln schneller, als er sie genau definieren kann. Hier erfahren Sie, was jeder Begriff wirklich bedeutet, ohne Marketinginflation – Sie verwenden also das richtige Wort und wissen genau, was es bedeutet.

Grundlegende Konzepte

GEO - Generative Engine Optimization

Eine Reihe von Praktiken, die die Wahrscheinlichkeit erhöhen, dass eine Marke, ein Produkt oder eine Website von generativen Sprachmodellen – wie ChatGPT, Gemini, Perplexity oder Claude – zitiert wird, wenn sie Benutzerfragen beantworten. Im Gegensatz zu SEO gibt es kein öffentliches Ranking, auf das man zurückgreifen kann – man weiß nur, ob eine Marke erscheint, indem man systematisch Eingabeaufforderungen auslöst und die Antworten analysiert.

AEO - Answer Engine Optimization

Üben Sie die Optimierung, um in direkten Antworten herkömmlicher Suchmaschinen zu erscheinen – hervorgehobene Snippets, Antwortfelder und „Leute fragen auch“-Blöcke. Es gibt erhebliche technische Überschneidungen mit GEO (Struktur, Übersichtlichkeit, FAQ), die Bewertungsmechanismen und Zielmaschinen sind jedoch unterschiedlich: AEO bedient klassische Suchmaschinen, GEO bedient generative LLMs.

Suchebene, auf der ein Sprachmodell eine Echtzeit-Websuche durchführt, bevor es antwortet – zum Beispiel ChatGPT mit aktiver Suche oder Perplexity. Sie unterscheidet sich von der organischen Schicht (die das Modell bereits aus seinem Training kennt), weil sie von der traditionellen SEO der zum Zeitpunkt der Suche konsultierten Website abhängt.

RAG - Retrieval-Augmented Generation

Technologie, die es einem Sprachmodell ermöglicht, in Echtzeit auf externe und aktualisierte Informationen zuzugreifen, anstatt sich ausschließlich auf das in seinem Training festgelegte Wissen zu verlassen. Es ist der technische Motor hinter Funktionen wie der Websuche in KI-Assistenten und Geschäftssystemen, die ihre eigenen Wissensdatenbanken abfragen.

Metriken und Ergebnisse

GEO Score

Index von 0 bis 100, der die organische Sichtbarkeit einer Marke in LLM-Antworten misst und dabei die Häufigkeit der Erwähnung, die relative Position in der Antwort und die Zitierqualität kombiniert. Berechnet nur aus organischen Antworten – keine Websuche oder eingefügter RAG-Kontext – um die Zahl stabil und vergleichbar zu halten. Die vollständige Methodik finden Sie hier.

RAG-Readiness

Maß dafür, wie gut der Inhalt einer Website strukturiert ist, damit er von RAG-Systemen effektiv abgerufen werden kann – der Technologie, die LLMs den Zugriff auf aktuelle Informationen ermöglicht. Eine Website kann eine hohe RAG-Readiness, aber einen niedrigen GEO-Score aufweisen: Dies zeigt an, dass der Inhalt vorhanden und gut aufbereitet ist, aber noch nicht in das organische Wissen der Modelle integriert wurde.

IPD-IA – AI Digital Readiness Index

Unabhängiges Framework, das den Grad der digitalen Vorbereitung portugiesischer Unternehmenswebsites für KI-Response-Engines analysiert und dabei fünf Säulen bewertet: technische Struktur, semantische Struktur, KI-Vorbereitung, externe Autorität und Positionierungsstrategie. Sehen Sie sich die Ergebnisse nach Sektor an.

Technische Signale

llms.txt

Im Stammverzeichnis einer Domain veröffentlichte Datei, die KI-Crawler über die Struktur und den vorrangigen Inhalt der Website anleitet – für Sprachmodelle das Äquivalent dessen, was die sitemap.xml es ist für traditionelle Suchmaschinen.

ai.json

Strukturierte Metadatendatei im Stammverzeichnis einer Domain, die für die direkte Nutzung durch KI-Systeme konzipiert ist – beschreibt die Marke, Dienste und den Kontext auf maschinenlesbare Weise und ergänzt die strukturierten Daten, die bereits in HTML vorhanden sind.

Schema Markup / Strukturierte Daten

Standardisiertes Vokabular (Schema.org), das in den Code einer Seite eingefügt wird, um Entitäten, Produkte, Dienstleistungen oder Ereignisse explizit zu beschreiben, sodass Suchmaschinen und KI-Systeme den Inhalt eindeutig interpretieren können.

Entitätsklarheit

Grad, in dem ein LLM eindeutig identifizieren kann, was eine Marke ist, tut und für wen – ohne sich auf Schlussfolgerungen oder widersprüchliche Daten über Plattformen hinweg zu verlassen. Es ist einer der entscheidendsten Faktoren für die Wahrscheinlichkeit, dass eine Marke richtig zitiert wird.

Häufige Fragen

GEO et AEO sont-ils la même chose avec des noms différents ?
Nein. Es gibt technische Überschneidungen in den Grundlagen (Struktur, Klarheit, FAQ), aber AEO optimiert für traditionelle Suchmaschinen und deren Direct-Response-Blöcke, während GEO speziell für generative Sprachmodelle optimiert. Den vollständigen Vergleich finden Sie unter GEO vs SEO.
Dois-je implémenter llms.txt et ai.json séparément ?
Ja, sie dienen komplementären, aber unterschiedlichen Zwecken: llms.txt leitet die Navigation von KI-Crawlern durch die Website, während ai.json strukturierte Metadaten über die Marke selbst bereitstellt. Keines ersetzt das herkömmliche Schema-Markup in HTML.
Une RAG-Readiness élevée garantit-elle un GEO Score élevé ?
Nicht unbedingt. RAG-Readiness misst die technische Aufbereitung der Inhalte; Der GEO Score misst, ob diese Inhalte bereits in das organische Wissen der Modelle eingeflossen sind. Es kann eine Zeitverzögerung zwischen der Bereitstellung des richtigen Inhalts und seiner Widerspiegelung im Verhalten des Modells geben – Umschulungszyklen dauern Monate.

Weiter erkunden