Von der passenden Seite zur Markennennung: Warum GEO kein einzelner Score ist
Eine neue Studie zerlegt KI-Sichtbarkeit in ihre Einzelteile: Wie oft wird eine Marke in GPT- und Gemini-Antworten genannt – und was unterscheidet die Fälle, in denen das passiert, von denen, in denen es nicht passiert? Die Antwort hängt stark von einem einzigen Faktor ab: ob die eigene Domain überhaupt unter den genannten Quellen auftaucht.
Ein Faktor, der die Markennennung beeinflusst, macht fast den gesamten Unterschied: ob die eigene Website überhaupt als Quelle sichtbar wird.
- →Eine neue, nicht begutachtete Studie modelliert KI-Sichtbarkeit als mehrstufige Kette: inhaltliche Passung → Aufnahme in den Retrieval-Pfad → Auswahl zur Markennennung, ergänzt um bereits vorhandene Markenbekanntheit.
- →Datengrundlage: 34.960 GPT- und Gemini-Beobachtungen aus 75 anonymisierten Kundenprojekten des GEO-Anbieters Aiso, über 2.854 unterschiedliche Prompts.
- →Ohne eigene Domain unter den genannten Quellen lag die Markennennungsrate nur bei 2,8 % (GPT) bzw. 3,8 % (Gemini) – mit eigener Domain unter den Quellen stieg sie auf 49,0 % bzw. 58,4 %.
- →Das Modell erreicht eine hohe Vorhersagegüte (AUC 0,963 GPT / 0,942 Gemini) – frühere Sichtbarkeit war dabei selbst bereits ein sehr starker Prädiktor.
Eine Kette statt eines Scores
Der Autor Benjamin Tannenbaum modelliert KI-Sichtbarkeit in einem am 19. September 2026 veröffentlichten Preprint als mehrstufige Kette statt als einzelnen Score: Zuerst muss ein Inhalt inhaltlich zur Anfrage passen, dann in den sichtbaren Retrieval-Pfad des Sprachmodells aufgenommen werden, erst danach kann die Marke überhaupt zur Nennung ausgewählt werden – zusätzlich beeinflusst von bereits vorhandener Markenbekanntheit. Grundlage sind 34.960 GPT- und Gemini-Beobachtungen aus 75 anonymisierten Kundenprojekten des GEO-Anbieters Aiso, verteilt auf 2.854 unterschiedliche Prompts.
Der entscheidende Befund liegt in der zweiten Stufe. Erscheint die eigene Domain nicht unter den für den Nutzer sichtbaren Quellen, liegt die Markennennungsrate bei nur 2,8 % (GPT) beziehungsweise 3,8 % (Gemini). Taucht die eigene Domain dort auf, steigt die Rate auf 49,0 % beziehungsweise 58,4 % – eine Vervielfachung um das 15- bis 17-Fache. Das darauf trainierte Vorhersagemodell erreicht mit einer AUC von 0,963 (GPT) und 0,942 (Gemini) eine hohe Güte.
Die Studie geht noch einen Schritt weiter und ergänzt dieses Retrieval-Signal um eine zweite Facette: „Branded Fan-out“. Damit ist gemeint, dass das KI-System bei seiner internen Recherche mindestens eine Sub-Suchanfrage stellt, die den Markennamen selbst enthält – das Modell „sucht“ die Marke also aktiv mit, statt sie nur zufällig über eine allgemeine Anfrage zu finden. Kommen eigene Domain-Präsenz und Branded Fan-out zusammen, steigt die Markennennungsrate auf 91,4 % (GPT) beziehungsweise sogar 100 % (Gemini):
„If Match is weak, improve the page. If Match is strong but Exposure is weak, work on retrieval and distribution.“ — Benjamin Tannenbaum
Neben dem aktuellen Quellenkontakt bei genau dieser Anfrage nutzt das Modell noch ein zweites, unabhängiges Signal: die bisherige Sichtbarkeit einer Marke in früheren KI-Antworten. Dieses Signal wirkt selbstverstärkend – und zwar in beide Richtungen. Besonders deutlich zeigt sich das im ungünstigsten Fall:
„Prior visibility is independently persistent. A previous non-mention plus no current own-domain exposure yields next-run mention rates of 1.6% and 1.9%.“ — Benjamin Tannenbaum
Wer also weder in der Vergangenheit genannt wurde noch aktuell Domain-Präsenz vorweisen kann, liegt sogar unter der Basis-Nennungsrate ohne Quellenkontakt (2,8 % bzw. 3,8 %) – bei nur 1,6 % beziehungsweise 1,9 %. Fehlende Sichtbarkeit ist damit kein neutraler Ausgangspunkt, sondern ein Nachteil, der sich ohne Gegenmaßnahme eher verstärkt als von selbst auflöst.
Behauptung: „Die Studie beweist, dass eine eigene Zitierung automatisch zu mehr Markennennungen führt.“
Einordnung: Nicht belegt. Es handelt sich um eine Beobachtungsstudie – der Zusammenhang zwischen Domain-Präsenz unter den genannten Quellen und Markennennung ist stark, aber nicht als Kausalität nachgewiesen.
Behauptung: „Die Ergebnisse basieren auf einer breiten, unabhängig geprüften Datengrundlage.“
Einordnung: Nein. Die Daten stammen aus 75 Kundenprojekten eines einzelnen GEO-Anbieters (Aiso), sind größtenteils nicht öffentlich einsehbar, und das Preprint ist von einem einzelnen Autor verfasst, nicht begutachtet.
Behauptung: „Eine hohe Markennennungsrate bedeutet, dass die eigene KI-Sichtbarkeits-Strategie erfolgreich ist.“
Einordnung: Die Studie misst nur, ob eine Marke genannt wird – nicht, ob daraus ein Websitebesuch, eine Interaktion oder ein Geschäftsergebnis entsteht. Das bleibt explizit eine offene Frage, keine in der Studie beantwortete.
Behauptung: „Sichtbare Zitate in einer KI-Antwort bilden den tatsächlichen Retrieval-Prozess vollständig ab.“
Einordnung: Nein. Sichtbare Zitate sind nur ein unvollständiger Proxy für „Exposure“ – Modelle können auch auf Trainingswissen oder nicht sichtbar referenzierte Quellen zurückgreifen. Ein Teil der Seitenanalyse erfolgte zudem erst nach den gemessenen KI-Antworten, was die zeitliche Belastbarkeit einschränkt.
Behauptung: „Die 100-%-Markennennungsrate bei Gemini (Domain + Fan-out) bedeutet, dass dieses Szenario garantiert zur Nennung führt.“
Einordnung: Mit Vorsicht zu lesen. Eine glatte 100-%-Quote in einer Teilstichprobe ist häufig ein Hinweis auf eine kleine Fallzahl in genau diesem Segment, nicht auf eine Garantie. Die Studie nennt für diese einzelne Zelle keine gesonderte Stichprobengröße.
Eine Markennennung ist noch keine Zielerledigung
„A page is not simply ‘good for AI’ in the abstract; it is good or bad relative to a request.“ — Benjamin Tannenbaum
Die Studie liefert damit erstmals belastbare Zahlen für einen Mechanismus, der bislang vor allem qualitativ beschrieben wurde: Damit eine Marke überhaupt genannt werden kann, muss sie zunächst eine Kette technischer Hürden passieren – Passung, Retrieval, Auswahl. Genau hier endet die Studie aber auch. Sie beantwortet nicht, was nach der Nennung passiert: ob der Nutzer die Website besucht, mit der Marke interagiert oder daraus ein Geschäftsergebnis entsteht.
Für Unternehmen bedeutet das: Ein steigender GEO-Visibility-Score – mehr Nennungen, mehr Zitate – kann ein reales, sogar gut belegtes Zwischenergebnis sein, ohne bereits Erfolg zu bedeuten. Die Studie verbessert das Verständnis der vorgelagerten Sichtbarkeitskette erheblich. Für eine unternehmerische Bewertung muss diese Kette aber konsequent weitergeführt werden, bis zur Frage, ob nach der KI-Antwort noch ein sinnvoller Anlass für direkten Kontakt besteht.
Für die zehn wichtigsten Nutzerfragen mehrfach in GPT und Gemini prüfen, ob die eigene Domain überhaupt unter den genannten Quellen auftaucht – nicht nur, ob die Marke irgendwo erwähnt wird.
Erkennen, ob das Nutzerziel innerhalb der KI-Antwort bereits vollständig erfüllt ist – wenn ja, prüfen, welcher sinnvolle Anlass für direkten Kontakt danach noch bleibt.
GEO-Erfolg nicht an der Markennennung allein messen, sondern an dem, was danach passiert: Zielerledigung, direkte Interaktion, Geschäftswert.
GEO braucht mehr als einen Sichtbarkeits-Score
Match → Quellenkontakt → Markennennung → Zielerledigung → verbleibender Interaktionsbedarf → direkte Markenbeziehung → Geschäftswert: Erst diese vollständige Kette erklärt, warum ein steigender GEO-Visibility-Score ein reales Zwischenergebnis sein kann, ohne bereits Erfolg zu bedeuten. Wer GEO nur an der Markennennung misst, sieht die ersten drei Glieder dieser Kette – und verwechselt sie leicht mit dem Ganzen.
Dieselbe Kette, jetzt mit Zahlen für die ersten Stufen
Der Insight „Der Doom Loop der KI-Suche“ führt die Unterscheidung zwischen AI Utilization, Citation, Direct Interaction und Business Value bereits als qualitative These ein. Diese Studie liefert für die ersten beiden Stufen – Retrieval und Markennennung – erstmals belastbare empirische Zahlen.
Kurz beantwortet
Dass Markennennungen in GPT- und Gemini-Antworten stark davon abhängen, ob die eigene Domain unter den genannten Quellen erscheint: 2,8 % bzw. 3,8 % Nennungsrate ohne eigene Domain, 49,0 % bzw. 58,4 % mit eigener Domain unter den Quellen.
Mit Einschränkungen zu genießen: ein nicht begutachtetes Preprint eines einzelnen Autors, Datengrundlage aus Kundenprojekten eines einzelnen GEO-Anbieters, und eine Beobachtungsstudie, die keine Kausalität belegt.
Nein. Die Studie misst nur, ob eine Marke genannt wird – nicht, ob daraus ein Websitebesuch, eine direkte Interaktion oder ein Geschäftsergebnis entsteht. Diese Frage bleibt offen.
Für zentrale Nutzerfragen testen, ob die eigene Domain unter den von GPT und Gemini genannten Quellen auftaucht, und danach fragen, welcher Anlass für direkten Kontakt bestehen bleibt, wenn die KI-Antwort das Nutzerziel bereits vollständig erfüllt.
Wie Sie GEO-Erfolg über die Markennennung hinaus bis zum Geschäftswert messen.
Platz im GEO-Webinar sichern →