GEO Paper: Was die Wissenschaft sagt
Das GEO (Generative Engine Optimization)-Paper ist das erste akademische Framework zur Optimierung der Content-Sichtbarkeit in KI-gestützten Suchmaschinen. Veröffentlicht auf der KDD 2024 (ACM SIGKDD), liefert es empirische Belege für Content-Optimierungsstrategien, auf denen das LLMO Framework aufbaut.
Paper-Details
Abschnitt betitelt „Paper-Details“| Feld | Wert |
|---|---|
| Titel | GEO: Generative Engine Optimization |
| Autoren | Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande |
| Institution | Princeton University, IIT Delhi, Adobe Research |
| Konferenz | KDD 2024 (ACM SIGKDD) |
| arXiv | 2311.09735 |
| Veröffentlicht | 2024 |
Forschungsaufbau
Abschnitt betitelt „Forschungsaufbau“Die Forscher erstellten GEO-Bench, einen Benchmark mit 10.000 Suchanfragen aus verschiedenen Domänen. Sie testeten 9 Content-Optimierungsstrategien an einer generativen Suchmaschine, um zu messen, welche Ansätze die Quellensichtbarkeit verbesserten.
Die 9 getesteten Strategien
Abschnitt betitelt „Die 9 getesteten Strategien“- Cite Sources
- Quotation Addition
- Statistics Addition
- Fluency Optimization
- Unique Words
- Technical Terms
- Authoritative Tone
- Easy-to-Understand Language
- Keyword Stuffing
Zentrale Ergebnisse
Abschnitt betitelt „Zentrale Ergebnisse“Wirksamkeit der Strategien
Abschnitt betitelt „Wirksamkeit der Strategien“| Strategie | Sichtbarkeitsverbesserung | LLMO-Komponente |
|---|---|---|
| Statistics Addition | +115,1 % | Zitiersignale |
| Cite Sources | +77,0 % | Zitiersignale |
| Quotation Addition | +72,2 % | Autoritätssignale |
| Authoritative Tone | +21,5 % | Wissensklarheit |
| Fluency Optimization | +15,2 % | Wissensklarheit |
| Technical Terms | +5,8 % | Wissensklarheit |
| Easy-to-Understand | +2,4 % | Wissensklarheit |
| Unique Words | -3,1 % | — |
| Keyword Stuffing | -10,2 % | — |
Die drei wirksamsten Strategien
Abschnitt betitelt „Die drei wirksamsten Strategien“Die drei effektivsten Strategien haben eine Gemeinsamkeit: Sie liefern überprüfbare, externe Belege.
-
Statistics Addition (+115,1 %): Das Hinzufügen konkreter Zahlen und Datenpunkte machte Inhalte mehr als doppelt so sichtbar. Beispiel: „Der Umsatz stieg um 34 % im Jahresvergleich” vs. „Der Umsatz stieg deutlich.”
-
Cite Sources (+77,0 %): Die Referenzierung spezifischer Papers, Berichte oder Dokumentationen erhöhte die Sichtbarkeit um 77 %. KI-Systeme bevorzugen Inhalte, die sie gegenprüfen können.
-
Quotation Addition (+72,2 %): Die Einbindung direkter Zitate von Experten oder autoritativen Quellen erzeugte eine Glaubwürdigkeit, die KI-Systeme erkannten und zitierten.
Was nicht funktioniert
Abschnitt betitelt „Was nicht funktioniert“- Keyword Stuffing (-10,2 %): Traditionelle SEO-Taktiken schaden der KI-Sichtbarkeit aktiv. KI-Systeme können künstliche Keyword-Häufungen erkennen und abstrafen.
- Unique Words (-3,1 %): Die Verwendung ungewöhnlicher Begriffe verbesserte die Sichtbarkeit nicht. Klarheit schlägt Raffinesse.
Implikationen für LLMO
Abschnitt betitelt „Implikationen für LLMO“1. Zitiersignale sind die wirkungsvollste Komponente
Abschnitt betitelt „1. Zitiersignale sind die wirkungsvollste Komponente“Die GEO-Daten zeigen, dass Zitiersignale (Statistiken, Quellen, Zitate) die größten Sichtbarkeitsverbesserungen erzielen. Deshalb setzt das LLMO Framework Zitiersignale als Komponente 5 ein — den Schlussstein, der die Wirkung aller anderen Komponenten multipliziert.
2. Inhaltsklarheit ist wichtig, aber weniger als Belege
Abschnitt betitelt „2. Inhaltsklarheit ist wichtig, aber weniger als Belege“Strategien im Bereich Wissensklarheit (autoritativer Ton, Flüssigkeit, verständliche Sprache) zeigten allesamt positive, aber moderate Verbesserungen (2–22 %). Gutes Schreiben ist notwendig, aber nicht ausreichend. Der Multiplikator entsteht durch das Hinzufügen überprüfbarer Fakten.
3. SEO-Taktiken sind für KI kontraproduktiv
Abschnitt betitelt „3. SEO-Taktiken sind für KI kontraproduktiv“Keyword Stuffing, der Grundpfeiler früher SEO, hat die KI-Sichtbarkeit aktiv reduziert. Das bestätigt, dass LLMO einen grundlegend anderen Ansatz als traditionelle SEO erfordert.
Domänenspezifische Unterschiede
Abschnitt betitelt „Domänenspezifische Unterschiede“Das GEO-Paper stellte fest, dass die Wirksamkeit der Strategien je nach Domäne variiert:
- Faktische/wissenschaftliche Anfragen: Statistics Addition war am wirksamsten
- Meinungsbasierte/subjektive Anfragen: Quotation Addition erzielte die besten Ergebnisse
- Technische Anfragen: Cite Sources hatte den größten Effekt
Das deutet darauf hin, dass die LLMO-Implementierung an die jeweilige Content-Domäne angepasst werden sollte. Eine Forschungsseite profitiert am meisten von Statistiken, während ein Thought-Leadership-Blog stärker von Expertenzitaten profitiert.
Wie LLMO auf GEO aufbaut
Abschnitt betitelt „Wie LLMO auf GEO aufbaut“Das LLMO Framework erweitert GEO in drei Bereichen:
- Breiterer Anwendungsbereich: GEO konzentriert sich auf generative Suchmaschinen. LLMO deckt alle LLM-Interaktionen ab, einschließlich direkter Abfragen, RAG und KI-Agenten.
- Implementierungsfokus: GEO identifiziert, was funktioniert. LLMO zeigt, wie man es umsetzt — mit konkreten Dateiformaten (llms.txt), strukturierten Daten (JSON-LD) und Content-Design-Patterns.
- Retrieval-Ebene: GEO geht davon aus, dass Inhalte bereits abgerufen wurden. LLMO fügt die Komponente Abrufsignale hinzu, um sicherzustellen, dass Inhalte überhaupt erst auffindbar sind.
Weiterführende Lektüre
Abschnitt betitelt „Weiterführende Lektüre“- Vollständiges Paper auf arXiv
- LLMO Framework im Überblick
- Zitiersignale — Umsetzung der wirksamsten GEO-Strategie