Publikationen & Referenzen

Kernpublikationen

GEO: Generative Engine Optimization

Autoren: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande
Institutionen: Princeton University, IIT Delhi, Adobe Research
Konferenz: KDD 2024 (ACM SIGKDD)
Link: arXiv:2311.09735
Zusammenfassung: Erstes akademisches Framework zur Optimierung der Content-Sichtbarkeit in generativen Suchmaschinen. 9 Optimierungsstrategien wurden an 10.000 Suchanfragen getestet. Zentrales Ergebnis: Das Hinzufügen von Statistiken verbesserte die Sichtbarkeit um +115,1 %.
Ausführliche Zusammenfassung →

llms.txt-Vorschlag

Autor: Jeremy Howard
Link: llmstxt.org
Zusammenfassung: Ein Vorschlag für eine standardisierte Datei, die LLMs Informationen über eine Website bereitstellt. Vergleichbar mit robots.txt, aber für KI-Nutzung statt Crawler-Steuerung konzipiert.

Branchenberichte & Richtlinien

Microsoft: Optimizing Content for AI-Powered Search Answers

Herausgeber: Microsoft (Bing Webmaster Blog)
Datum: Oktober 2025
Zusammenfassung: Offizielle Richtlinien mit 3 Prinzipien für KI-Content-Optimierung: Struktur, Autorität und Aktualität.
Ausführliche Zusammenfassung →

Ahrefs: Web Mentions vs. Backlinks für KI-Sichtbarkeit

Herausgeber: Ahrefs
Datensatz: 75.000 Marken
Zusammenfassung: Web Mentions (Marke + Keyword) sind 3-fach prädiktiver für KI-Sichtbarkeit als traditionelle Backlinks.

Gartner: The Future of Search

Herausgeber: Gartner
Datum: Februar 2024
Zusammenfassung: Prognose, dass die Nutzung traditioneller Suchmaschinen bis 2026 um 25 % sinken wird, da Nutzer auf KI-gestützte Alternativen umsteigen.

Go Fish Digital: Conversion-Raten bei KI-Suche

Herausgeber: Go Fish Digital
Zusammenfassung: Traffic aus KI-gestützter Suche konvertiert 25-fach besser als traditioneller Such-Traffic — dank vorvalidierter Nutzerabsicht.

Aktualisierungen 2025–2026

Die LLMO-Landschaft hat sich seit dem ursprünglichen GEO-Paper schnell weiterentwickelt. Die folgenden Quellen werden als laufende Primärreferenzen verfolgt.

Cloudflare Radar — AI Insights

Herausgeber: Cloudflare
URL: radar.cloudflare.com/ai-insights
Typ: Live-Dashboard (kontinuierlich aktualisiert)
Relevanz: Öffentliche Daten zu KI-Bot-Crawl-Anteilen, führenden KI-Crawlern (GPTBot, ClaudeBot, PerplexityBot, Bytespider, Google-Extended usw.) und domainspezifischen KI-Bot- vs. Referral-Verhältnissen. Cloudflare hat 2024 KI-Bot-Blocking eingeführt und über 2025 hinweg vierteljährliche Trenddaten veröffentlicht.

OpenAI GPTBot Documentation

Herausgeber: OpenAI
URL: platform.openai.com/docs/bots
Typ: Offizielle Crawler-Offenlegung
Relevanz: Kanonische Referenz für GPTBot User-Agent, IP-Bereiche, robots.txt-Anweisungen und Opt-out-Semantik. Wird kontinuierlich aktualisiert.

Anthropic Crawler Disclosure

Herausgeber: Anthropic
URL: support.anthropic.com
Typ: Offizielle Crawler-Offenlegung
Relevanz: Kanonische Referenz für ClaudeBot-, Claude-Web- und Claude-User-User-Agents und wie Site-Betreiber sie steuern.

llms.txt Adoption Tracker

Herausgeber: directory.llmstxt.cloud
URL: directory.llmstxt.cloud
Typ: Community-gepflegtes Verzeichnis
Relevanz: Verfolgt Sites, die den /llms.txt-Standard übernommen haben. Die Adoption hat sich 2025 hinweg auf Dokumentationsseiten (Anthropic, Mintlify, Stripe-artige API-Docs) ausgeweitet.

Schema.org Releases (2025)

Herausgeber: schema.org
URL: schema.org/docs/releases.html
Typ: Versionierte Vokabular-Releases
Relevanz: Fortlaufende Erweiterungen am Vokabular für LLMO-Komponente 2 (Strukturierte Formatierung). Verfolge neue Typen, die für die KI-Konsumption relevant sind (z. B. LearningResource, EducationalOccupationalCredential).

Weiterführende Forschung

Schema.org Structured Data

URL: schema.org
Relevanz: Der Vokabularstandard für die JSON-LD-Implementierung strukturierter Daten in LLMO-Komponente 2 (Strukturierte Formatierung).

Google Structured Data Documentation

URL: developers.google.com/search/docs/appearance/structured-data
Relevanz: Implementierungsrichtlinien für strukturierte Daten, die sowohl von Suchmaschinen als auch von KI-Systemen erkannt werden.

Mitwirken

Kennen Sie eine relevante Publikation oder einen Bericht? Erstellen Sie ein Issue oder reichen Sie einen Pull Request ein, um die Liste zu ergänzen.