Der Moment vor dem Klick

Ein Einkäufer im technischen Vertrieb sucht einen Lohnfertiger für Präzisionsbauteile. Ein Studieninteressierter recherchiert Studiengänge im Medizin- oder Gesundheitsbereich. Eine Personalverantwortliche prüft Softwarelösungen für das Bewerbermanagement. In allen drei Fällen stellen immer weniger Menschen eine Suchmaschinenanfrage, und werten anschließend eine Liste von zehn Links (ten blue Links) aus. Stattdessen wird eine KI-gestützte Antwortmaschine befragt – und die Antwort kommt direkt: strukturiert, synthetisiert, im Mittel mit drei bis fünf konkreten Empfehlungen.

Dieser Moment – bevor eine Website aufgerufen, bevor ein Angebot eingeholt, bevor eine Entscheidung getroffen wird – ist der neue Wettbewerbsraum – Suchmaschine vs. Antwortmaschine! Wer in dieser Antwort erscheint, ist im Rennen. Wer fehlt, existiert in diesem Moment nicht – unabhängig davon, wie gut das Angebot ist, wie gepflegt die Website ist, wie stark das klassische Suchmaschinenranking.

Das ist keine Prognose. Es ist der gegenwärtige Zustand in einem wachsenden Segment der digitalen Recherche. Und es ist der Ausgangspunkt für eine Frage, die die meisten Unternehmen noch nicht systematisch stellen:

Nicht: Sind wir sichtbar? Sondern: Wirken unsere Inhalte?

Sie verlieren nicht ein Ranking. Sie verlieren den Moment der Entscheidung.

Sichtbarkeit und Wirksamkeit: Eine notwendige Unterscheidung

Der Sichtbarkeitsindex ist das meistzitierte Metriken-Konstrukt der deutschen SEO-Branche, sein Erfinder Johannes Beus teils als Lichtgesalt der SEO-Gemeinde mit seinem Tool und Firma Sistrix gefeiert. Der Sichtbarkeitsindex misst präzise, was er messen soll: die Präsenz einer Domain in klassischen Suchergebnissen, gewichtet nach Suchvolumen und Rankingposition eines definierten Keyword-Sets. Als Maßstab für die Leistungsfähigkeit einer Website in der organischen Suche hat er sich über Jahre, gar Jahrzehnte bewährt – und Sistrix als Plattform bildet noch deutlich mehr ab als diese eine Kennzahl: Backlink-Profile, Wettbewerbsvergleiche, SERP-Features.

Die Frage, die der Sichtbarkeitsindex nicht beantwortet, ist eine andere: Was passiert, nachdem ein RAG-System – ein KI-gestütztes Suchsystem mit Webzugriff – eine Seite abgerufen hat? Wird der Inhalt als zitierfähige Quelle erkannt, extrahiert und in eine generierte Antwort eingebaut? Oder wird er abgerufen und verworfen, weil er die strukturellen Anforderungen an eine zitierfähige Quelle nicht erfüllt? Diese Frage beschreibt eine eigene Dimension: Wirksamkeit.

Sichtbarkeitsindex	Wirksamkeitsindex
Misst Rankingpräsenz in Suchergebnissen	Misst Zitierfähigkeit im Retrieval-Moment
Kennzahl: organische Sichtbarkeit der Domain	Kennzahl: Wirksamkeit aller relevanten Quellen
Inhalte der eigenen Domain als Bezugsgröße	Inhalte (intern und extern) als Quelleneinheit
Etablierter Branchenstandard	Neuer Messrahmen für das GEO-Zeitalter

Der Sichtbarkeitsindex misst, ob Sie gefunden werden. Der Wirksamkeitsindex misst, ob das, was gefunden wird, Ihnen nützt.

Sichtbarkeit ist in der Regel eine Voraussetzung für Wirksamkeit – aber keine Garantie. Ein RAG-System kann nur zitieren, was es abrufen kann. Wer für relevante Sub-Queries nicht indexiert ist, scheidet aus dem Retrieval-Prozess aus, bevor er überhaupt bewertet wird. In diesem Sinne bleibt klassisches SEO die (technische) Grundlage. Aber die Umkehrung gilt ebenfalls: Wirksamkeit ist auch ohne ausgeprägte klassische Sichtbarkeit erreichbar. Ein spezialisierter Anbieter, der für ein enges Themenfeld kohärente, tiefe und zitierfähige Inhalte bereitstellt, kann in KI-Antworten als Quelle erscheinen – unabhängig davon, wie er im klassischen Suchergebnis positioniert ist. RAG-Systeme bewerten Relevanz und Zitierfähigkeit im Moment des Abrufs – (primär) nicht die Rankinghistorie einer Domain.

Was zwischen Sichtbarkeit und Wirksamkeit liegt, lässt sich in drei Dimensionen beschreiben, auf denen der Wirksamkeitsindex als konzeptioneller Rahmen aufbaut:

Ein empirischer Befund unterstreicht die Dringlichkeit dieser Unterscheidung: Eine HAR-Analyse des ChatGPT-Netzwerkverkehrs des geschätzten Kollegen Alin Radulescu – eine Aufzeichnung aller Requests zwischen Browser und Server – zeigt auch noch einmal deutlich, dass ChatGPT (aber auch andere LLMs) bei der Verarbeitung einer Anfrage im Hintergrund parallele Suchanfragen auslöst, sogenannte Query Fan-Outs. Diese Teilanfragen laufen unabhängig vom initialen Nutzer-Prompt. Die Suchergebnisse landen dabei nicht als Freitext, sondern als strukturierte Objekte in den Metadaten der Antwort-Knoten – in definierten Feldern wie search_result_groups und citations. Was in diesen Feldern landet, wird zitiert. Was dort nicht als strukturierte Einheit extrahierbar ist, wird nicht zitiert. Rhetorik und Textqualität spielen in diesem Moment keine Rolle. Struktur und Informationsgüte entscheidet.

• Extrahierbarkeit: Der Grad, in dem relevante Inhalte als strukturierter, lesbarer Text vorliegen – zugänglich für den Retrieval-Prozess, nicht eingeschlossen in Formate, die keine direkte Textextraktion erlauben. Oder präziser formuliert: Extrahierbarkeit ist nicht nur eine Frage des Formats. Sie beginnt früher – im Embedding-basierten Kandidatenfilter, den moderne KI-Suchsysteme dem eigentlichen Zitierungsprozess vorschalten. Perplexity, Google und ChatGPT arbeiten mehrstufig: Zunächst wird aus Milliarden von Seiten eine Kandidatenmenge gebildet – auf Basis semantischer Ähnlichkeit, berechnet über Embeddings. Nur wer in diese Kandidatenmenge gelangt, kommt überhaupt in die engere Auswahl für eine Zitierung. Wer dort nicht erscheint, wird nicht zitiert – unabhängig von der Textqualität aller nachfolgenden Schritte. Extrahierbarkeit ist damit die Eintrittsbedingung für jeden weiteren Wirksamkeitsfaktor.
• Antwortdichte: Der Anteil der für ein Themenfeld typischen Sub-Queries, die eine Domain eigenständig und vollständig beantwortet – als zitierfähige Antworteinheit, nicht als Verweis auf weiterführende Dokumente.
• Kohäsion: Das Ausmaß, in dem alle relevanten Inhaltseinheiten – eigene und externe, auf der Website, auf Plattformen, in Portalen – als erkennbarer, konsistenter Wissensverbund zusammenwirken.

Das Kohäsionsproblem: Substanz ohne Zusammenhang

Die verbreitete Annahme lautet: Wer wenig in KI-Antworten erscheint, hat zu wenig Content produziert. Diese Diagnose ist in vielen Fällen falsch. Das eigentliche Problem ist struktureller Natur – und es betrifft Organisationen mit erheblicher inhaltlicher Substanz ebenso wie solche, die erst am Beginn ihrer Content-Strategie stehen.

Ein konkretes Beispiel aus der Analysepraxis illustriert die Mechanik: Eine staatliche Hochschule mit einem gesundheitswissenschaftlichen Studiengang verfügt über ein umfangreiches FAQ-Dokument mit mehr als 25 strukturierten Fragen und Antworten, die sämtliche relevanten Aspekte des Studiengangs abdecken. Ein Studiengangsflyer wiederum dokumentiert das vollständige Curriculum über sieben Semester. Ein Interview mit der Studiendekanin enthält eine präzise Berufsdefinition, die Abgrenzung zum ärztlichen Berufsbild und eine Einordnung in den gesellschaftlichen Kontext des medizinischen Fachkräftemangels – von einer namentlich genannten Expertin formuliert und damit grundsätzlich für LLMs zitierfähig. Ein aktiver institutioneller Video-Kanal zeigt Studierendenstimmen, Laboreinblicke und Einblicke in das klinische Praxissemester.

Diese Inhalte wurden im Rahmen einer systematischen GEO-Analyse anhand von zwölf für diesen Studiengang exemplarischen Sub-Queries geprüft. Das Ergebnis: Drei bis vier der zwölf Sub-Queries werden von der zentralen Studiengangseite (nahezu) vollständig beantwortet. Die übrigen acht bis neun bleiben entweder unbeantwortet oder werden nur fragmentarisch adressiert.

Sub-Query (Fan-Out)	Abgedeckt?	Konsequenz
Was ist ein Physician Assistant?	Fehlt vollständig	Kein Definitionsblock auf der Hauptseite
PA Studium Voraussetzungen / ohne Abitur	Nur im PDF	FAQ-PDF nicht als HTML verfügbar
PA Gehalt / Einstiegsgehalt	Fehlt vollständig	Orientierungswert nicht vorhanden
PA vs. Arzt – was ist der Unterschied?	Fehlt vollständig	Abgrenzung nur im Newsartikel, nicht verknüpft
PA Berufsbild / Tätigkeiten	Schwach vorhanden	Flyer-Inhalte nicht als HTML eingebunden
PA Zukunft / Ärztemangel	Angedeutet	Keine Zahlen, kein Beleg
PA Bewerbung – wie läuft das ab?	Nur im PDF	Bewerbungsprozess nicht als HTML-Schritte
PA Studienverlauf – Semester-Übersicht	Nur in einem PDF	Curriculum strukturell nicht zugänglich
PA Master-Studium danach?	Nur in einem im PDF	Anschlussprogramme nicht auf Seite
PA Studium in Deutschland – Vergleich	Fehlt vollständig	Keine Einordnung im Hochschulvergleich
Ist PA in Deutschland rechtlich anerkannt?	Fehlt vollständig	Rechtsstatus nicht adressiert
PA Praxissemester – Ablauf	Gut vorhanden	Als FAQ-Akkordeon ausbaubar

Die Ursache ist nicht fehlendes Material. Die Ursache ist dessen Verteilung und fehlende strukturelle Vernetzung, bzw. deren Verschränkung. Die HAR-Analyse des ChatGPT-Netzwerkverkehrs liefert dafür die technische Erklärung: Wenn ein KI-System auf externe Quellen zugreift, fließen die Ergebnisse als strukturierte JSON-Daten in den Antwortpfad ein – nicht als Fließtext. Ein PDF, das nicht als strukturierter HTML-Text vorliegt, produziert keine extrahierfähige JSON-Einheit. Es existiert im Retrieval-Moment (noch) nicht.

Das FAQ-Dokument: 25 Antworten als nicht extrahierbarer Content

Das FAQ-Dokument liegt als PDF vor. PDFs sind für Suchmaschinen grundsätzlich indexierbar – aber sie liefern RAG-Systemen keinen strukturierten, direkt bzw. strukturiert extrahierbaren Text. Jede der 25 Fragen ist eine eigenständige potenzielle Sub-Query. Keine einzige beantwortet die Hauptseite als HTML-Text mit Schema-Auszeichnung. Das System, das nach Zulassungsvoraussetzungen oder dem Bewerbungsablauf fragt, findet auf der zentralen Seite keine verwertbare Antwort – obwohl die Antwort im Content-Kosmos der Hochschule durchaus in relevant inhaltlicher Ausprägung existiert.

Der Studiengangsflyer: Curriculum im toten Format

Der Studiengangsflyer existiert als PDF, verlinkt von der Hauptseite, aber inhaltlich nicht in diese integriert. Das vollständige Curriculum – sieben Semester, alle Lehrveranstaltungen, alle Anschlussprogramme – ist für das Retrieval-System strukturell nicht verfügbar. Es ist vorhanden. Es ist (nicht reziprok) verlinkt. Es ist nur nicht wirksam.

Das Experteninterview: Expertenwissen strukturell isoliert

Das Interview mit der Studiendekanin ist an anderer Stelle auf einer Newsseite publiziert. Das eigentliche Problem ist nicht das Veröffentlichungsdatum oder gar der URL-Pfad (news) – es ist die strukturelle Isolation: keine reziproke/ bidirektionale Verlinkung zur Studiengangseite, kein Schema-Markup, das Expertin, Institution und Studiengang als zusammengehörig ausweist, kein thematischer Kontext, der dem RAG-System ermöglicht, diesen Artikel als Teil eines kohärenten Wissensverbunds zu identifizieren. Das Expertenwissen der Studiendekanin – eine der stärksten zitierfähigen Quellen, die die Hochschule besitzt – wirkt für das System wie ein Einzeldokument ohne erkennbare Zugehörigkeit.

Der Video-Kanal: Inhalt ohne Textzugang

Die Videos auf dem institutionellen Kanal enthalten weder strukturierte Transkripte noch Beschreibungen, die eine Fan-Out-Analyse der abgedeckten Sub-Queries erkennen lassen. Der Kanal ist nicht mit der Studiengangseite verlinkt. Studierendenstimmen zu Praxiserfahrungen, Professorenaussagen zur Berufsperspektive, Laboreinblicke zur Ausbildungsqualität – als zitierfähige Textquellen für RAG-Systeme existieren diese Inhalte nicht.

Das Ergebnis ist präzise beschreibbar: Ein RAG-System, das nach diesem Studiengang befragt wird, findet eine Domain mit erkennbarer Substanz – aber keine kohärente Quelle. Es findet Fragmente an verschiedenen Stellen, kann sie aber nicht als zusammengehöriges Wissensmodell zusammensetzen. Die Domain wirkt dünn. Nicht weil sie es ist, sondern weil ihre Substanz strukturell zerstreut ist, Inhalte nicht verschränkt und in sich nicht schlüssig referenzierend sind.

Das RAG-System sucht keine einzelne perfekte Seite. Es sucht eine kohärente Quelle – eine Domain, deren Inhalte gemeinsam das Bild einer verlässlichen, erfahrenen und autoritativen Quelle erzeugen. Was Google als E-E-A-T bewertet, erkennt ein RAG-System als Zitierbarkeit. Beides entsteht nicht isoliert – sondern durch Kohäsion. Eine technische Präzisierung unterstreicht diese These: Neuere Embedding-Modelle – darunter Perplexitys pplx-embed – nutzen sogenanntes Late Chunking. Das bedeutet, dass bei der Berechnung der semantischen Repräsentation eines einzelnen Textabschnitts der gesamte thematische Kontext der Seite einfließt. Eine Seite mit thematisch unverbundenen Abschnitten – also genau das Silo-Problem, das in unserem Fallbeispiel beschrieben wird – erzeugt dadurch schwächere Embedding-Signale auf Chunk-Ebene. Kohäsion ist nicht nur eine redaktionelle Qualitätseigenschaft. Sie ist eine messbare technische Variable im Retrieval-Prozess.

Hier liegt der Kern des Kohäsionsproblems, und hier ist auch die Verbindung zu E-E-A-T – Googles Qualitätsrahmen für Expertise, Erfahrung, Autorität und Vertrauenswürdigkeit – unmittelbar: Kohäsion ist die strukturelle Voraussetzung dafür, dass E-E-A-T-Signale überhaupt wirksam werden. Das Interview mit der Studiendekanin ist ein starkes Expertensignal – aber nur dann, wenn das RAG-System den Zusammenhang zwischen dieser Expertin, dieser Institution und diesem Studiengang herstellen kann. Ein Preis, eine Akkreditierung, eine Auszeichnung als Bildelement in der Sidebar oder als Caption in einem Social-Media-Post – für das Retrieval-System existieren diese Signale schlicht nicht. E-E-A-T entsteht nicht auf einer Seite. Es entsteht im nachvollziehbaren, strukturierten Zusammenspiel aller Signale.

Diese strukturelle Zerstreuung entsteht nicht durch Nachlässigkeit. Sie entsteht durch die Art, wie Organisationen Inhalte produzieren bzw. die Produktion denken: Die Redaktion veröffentlicht Artikel. Das Marketing erstellt Flyer und Broschüren. Die Socialmedia-Abteilunb bzw. Verantwortliche/n bespielt den Video-Kanal. Die Fachkoordination pflegt das FAQ-Dokument. Externe Portale erhalten einmalig einen Profileintrag, der im schlimmsten Fall nie mehr gepflegt wird. Keine dieser Einheiten wurde mit der Frage entwickelt (oder weitergedacht), die ein RAG-System implizit stellt: Können diese Inhalte gemeinsam ein vollständiges, kohärentes Wissensmodell erzeugen?

Fehlende interne Kohäsion öffnet das Feld für externe Inkohärenz

Das Kohäsionsproblem beschränkt sich nicht auf die eigene Domain. Es hat eine zweite Dimension, die in ihrer Tragweite häufig unterschätzt wird.

„Wer nicht selbst kommuniziert, wird kommuniziert“ – dieser Grundsatz ist in der Kommunikationswissenschaft seit Jahrzehnten bekannt. Er beschreibt die Dynamik, nach der das Bild einer Organisation in der öffentlichen Wahrnehmung nicht im Vakuum entsteht, sondern durch die Summe aller verfügbaren Signale – einschließlich derer, die die Organisation nicht selbst gesetzt hat.

Im GEO-Kontext bekommt diese Erkenntnis eine neue, messbare Präzision. Das System, das eine inhaltliche Lücke füllt, ist nicht ein Journalist mit einer Perspektive oder ein Wettbewerber mit einem Motiv. Es ist ein Algorithmus, der wertneutral (außer es ist Grok, oder andere, rechtsintendierte oder Menschenrechtsnegierende LLMs) aggregiert. Dieser Algorithmus bewertet Quellen nach Erreichbarkeit, Struktur und Autorität – nicht nach Absicht, nicht nach Aktualität im inhaltlichen Sinne, nicht nach der Frage, ob eine Aussage im Interesse der betroffenen Organisation liegt.

Eine Organisation, die den eigenen semantischen Raum nicht kohärent besetzt, konkurriert im Retrieval-Prozess mit unkontrollierten Fremdsignalen – Bewertungsplattformen, Portaleinträge, Social-Media-Beiträge, Wikipedia-Artikel mit möglicherweise veralteten Angaben, Kommentarspalten etc. Jedes dieser Signale hat für das RAG-System (prinzipiell) dasselbe formale Gewicht wie sorgfältig produzierte eigene Inhalte – wenn es strukturell besser aufbereitet ist.

Fehlende interne Kohäsion öffnet das Feld für externe Inkohärenz.

Diese Dynamik entfaltet sich in drei beobachtbaren Stufen:

Drei Stufen der externen Inkohärenz Das stille Vakuum: Die Organisation hat keine kohärenten eigenen Signale für bestimmte Sub-Queries geliefert. Das RAG-System findet Fragmente und füllt die Lücken mit dem, was verfügbar ist. Die Organisation wird nicht (unbedingt) falsch dargestellt – sie wird mindestens unvollständig dargestellt: mit den Attributen, die externe Quellen ihr zuschreiben, nicht mit denen, die sie sich selbst zuschreibt. Dies ist der häufigste und zugleich unsichtbarste Fall. Die unkontrollierte Übernahme: Externe Signale sind strukturierter oder autoritativer als eigene. Eine Bewertungsplattform mit klarem Datenmodell und hoher Domain-Autorität wird möglicherweise bevorzugt abgerufen gegenüber einer Karriereseite, die dieselben Themen weniger strukturiert adressiert. Ein Wikipedia-Eintrag mit veralteten Angaben kann für ein RAG-System eine autoritativere Quelle darstellen als der aktuelle Jahresbericht derselben Organisation – wenn er besser strukturiert und stärker verlinkt ist. Das System zitiert, was es besser lesen, besser einordnen, für wahrscheinlich relevanter einschätzen kann. Nicht was inhaltlich wahrer ist. Die aktive Verdrängung: Ein einzelnes, gut indexiertes und strukturiertes negatives Signal dominiert das Retrieval für bestimmte Anfragen dauerhaft – weil kein kohärentes eigenes Gegengewicht existiert. Ein unbeantworteter kritischer Kommentar auf einer stark frequentierten Plattform, ein Pressebericht über einen vergangenen Vorfall, eine veraltete Produktbeschreibung auf einem Aggregator-Portal: Jedes dieser Signale kann das Retrieval für die betroffene Anfrage hartnäckig besetzen.

Das zweite konkrete Beispiel aus unserer Analysepraxis als SEO-/GEO-Agentur illustriert Stufe 2 und Stufe 3 in ihrer Kombination: Ein bundesweit genutztes Studiengangsportal – nachweislich eine von RAG-Systemen genutzte Quelle für Anfragen zu Studienmöglichkeiten in Deutschland – enthielt in seinem Eintrag für den beschriebenen Studiengang eine Formulierung, die den Beruf des Physician Assistant darüber definierte, was er nicht ist: eine Tätigkeit für Menschen, die nicht die volle ärztliche Verantwortung übernehmen wollen. Diese Formulierung wurde von einem KI-System als Kerndefinition des Berufsfelds im Kontext der verknüpften Hochschule reproduziert. Die Hochschule wusste davon nichts – weil sie die Darstellung ihrer Studiengänge in KI-Antworten nicht systematisch überwachte.

Der Schaden ist mehrschichtig: rhetorisch, weil das Defizitnarrativ die Zielgruppe nicht anspricht; fachlich, weil Physician Assistants innerhalb ihres definierten Kompetenzbereichs erhebliche Eigenverantwortung tragen; strategisch, weil diese Formulierung in einem Moment reproduziert wird, in dem ein Studieninteressierter eine Entscheidung vorbereitet.

Das Diagnose-Framework: Warum man nicht zitiert wird – und was dagegen zu tun ist

Wirksamkeit ist nicht zufällig. Sie ist das Ergebnis struktureller Eigenschaften von Inhalten – und damit ist ihr Fehlen diagnostizierbar. Die folgende Systematik beschreibt einen vierstufigen Diagnoseprozess für Domains, die in KI-Antworten unterrepräsentiert sind. Ausgangspunkt ist ein definiertes Set an Prompts und den daraus abgeleiteten Fan-Out-Sub-Queries für das relevante Themenfeld.

Stufe 1: Wird die Domain direkt zitiert?

Wenn ja: Die Sub-Query ist bereits optimal bedient. Die Ressourcen sollten auf Sub-Queries konzentriert werden, bei denen das noch nicht der Fall ist. Wenn nein: weiter zu Stufe 2.

Stufe 2: Wird die Domain als Quelle abgerufen, aber nicht explizit zitiert?

Das RAG-System hat die Seite im Retrieval-Prozess einbezogen, aber nicht als zitierfähige Quelle identifiziert. Das Problem liegt in der Zitierbarkeit des Inhalts, nicht in seiner Auffindbarkeit.

Maßnahmen: Antworteinheiten statt Fließtext – jeder relevante Abschnitt sollte, soweit sinnvoll, eine Sub-Query eigenständig und vollständig beantworten, ohne dass der Leser unbedingt den Gesamttext kennen muss. Deklarative Sprache statt beschreibender: „Der Physician Assistant übernimmt definierte klinische Aufgaben eigenverantwortlich“ ist zitierfähiger als „Im Studium lernen Sie, Patienten zu begleiten.“ Hohe Entitätsdichte: Fachbegriffe, Institutionen, Personen und Konzepte sollten explizit benannt und – wo nötig – kurz erläutert werden, um dem System semantische Ankerpunkte zu liefern.

Stufe 3: Rankt die Domain für die Sub-Query, wird aber nicht als Quelle abgerufen?

Die Seite ist indexiert und positioniert, wird aber im Retrieval-Prozess nicht als geeignete Quelle eingestuft. Das Problem liegt ziemlich sicher in der inhaltlichen Qualität und Autorität, eher nicht in der technischen Auffindbarkeit.

Maßnahmen: Konsens mit dem verfügbaren Breitenwissen herstellen – Inhalte, die von der belegbaren Mehrheitsmeinung abweichen, werden von RAG-Systemen tendenziell (!) nicht zitiert (Stichwort Trainingsdaten!), können aber (wenn korrekt) im Gegensatz auch entscheidend sein, weil es vielleicht ein ganz neuer Gesichtspunkt ist.
E-E-A-T-Signale ausbauen: namentlich genannte Expertinnen und Experten, explizit referenzierte Quellen, nachvollziehbare Belege für Erfahrung und Autorität.
Fan-Out-Abdeckung erweitern: Eine Seite, die mehrere zusammenhängende Sub-Queries beantwortet, wird häufiger als Primärquelle gewählt als eine Seite, die nur einen Aspekt adressiert.

WICHTIG: Das ist keine Taktik, sondern bedeutet nur, dass der Inhalt für den Suchenden vollumfänglich ist, und damit für sie/ ihn sehr zufriedenstellend! Im Zweifel etwas, was wir im SEO seit Anfang der 2000er, spätestens aber seit dem Pinguin und dem Panda „predigen“.

Stufe 4: Keine relevante Seite vorhanden?

Kein strukturell verwandtes Dokument ist indexiert, das die Sub-Query adressieren könnte. GEO setzt SEO voraus – nicht umgekehrt. Die Grundlage muss zuerst geschaffen werden: eine Seite bzw. relevanten Inhalt erstellen, intern verlinken, mit Schema-Markup auszeichnen etc. Erst wenn die Seite im Retrieval-Prozess erreichbar ist, kann ihre Wirksamkeit optimiert werden.

Die vier Stufen sind kein mechanisches Prüfschema. Ihr Wert liegt darin, das Problem auf der richtigen Ebene zu diagnostizieren – bevor Maßnahmen ergriffen werden. Eine Seite, die nicht zitiert wird, weil sie nicht existiert, erfordert eine andere Intervention als eine Seite, die nicht zitiert wird, obwohl sie gut rankt.

Der Wirksamkeitsindex: Ein konzeptioneller Rahmen für das GEO-Zeitalter

Was der Sichtbarkeitsindex für die klassische Suche leistet, fehlt für den GEO-Kontext noch: eine Messgröße, die Wirksamkeit operationalisiert und vergleichbar macht. Alle bestehenden Metriken im GEO-Umfeld messen, ob eine Marke in KI-Antworten genannt wird – nicht, ob die Inhalte strukturell so aufgestellt sind, dass sie zitiert werden können. Das ist eine fundamental andere Frage.

Der Wirksamkeitsindex ist ein konzeptioneller Rahmen, den ROCKITdigital gegenwärtig entwickelt. Er basiert (derzeit) auf den drei Dimensionen, die in diesem Artikel eingeführt wurden:

• Extrahierbarkeit misst, welcher Anteil der für ein Themenfeld relevanten Inhalte als strukturierter, direkt extrahierbarer HTML-Text vorliegt – gemessen gegen das Fan-Out-Profil der definierten Kernthemen. PDFs, Videos ohne Transkript und Inhalte hinter dynamischen Abfragesystemen werden nicht gewertet.
• Antwortdichte misst, wie viele der typischen Sub-Queries des Themenfelds die Domain und/ oder ein Inhalt bzw. ein Baustein in der Informationsarchitektur eigenständig und vollständig beantwortet – als geschlossene Antworteinheit, nicht als Verweis auf extern verstreute Dokumente. Die Grundlage ist eine systematisch erhobene Fan-Out-Analyse der relevanten Kernthemen.
• Kohäsion misst den Grad der semantischen und strukturellen Vernetzung aller relevanten Inhaltseinheiten – eigener und externer – zu einem erkennbaren Wissensverbund. Das schließt die eigene Website ebenso ein wie Portal-Einträge, Bewertungsplattformen, Video-Kanäle und alle weiteren öffentlich zugänglichen Signale, die ein RAG-System beim Retrieval berücksichtigt.

Der entscheidende Unterschied zum Sichtbarkeitsindex liegt in der dritten Dimension: Kohäsion erfasst nicht nur die eigene Domain, sondern den gesamten Signalraum – intern und extern. Das ist das Alleinstellungsmerkmal des Wirksamkeitsindex gegenüber allen bestehenden Metriken: Er misst, ob das, was ein RAG-System vorfindet, als kohärentes Wissensmodell funktioniert – oder als Ansammlung (relativ) unverbundener Fragmente.

Der Sichtbarkeitsindex misst, ob Sie gefunden werden. Der Wirksamkeitsindex misst, ob das, was gefunden wird, Ihnen nützt oder schlimmstenfalls schadet – im Moment, in dem ein KI-System entscheidet, wen es empfiehlt. Wie schätzen Sie Ihren Wirksamkeitsindex ein?

ROCKITdigital: GEO-Analyse und Wirksamkeitsdiagnose

ROCKITdigital ist eine digitale Marketingagentur mit über 25 Jahren Erfahrung, spezialisiert auf SEO, GEO und digitale Gesamtstrategien u.a. für (technische) B2B-Unternehmen und Organisationen. Die in diesem Artikel beschriebenen Methoden – gewichtete Fan-Out-Analyse, Wirksamkeitsdiagnose, Kohäsionsaudit – sind Teil unseres GEO-Beratungsansatzes.

Wenn Sie wissen möchten, wie wirksam Ihre Inhalte im Retrieval-Moment sind – und welche der drei Dimensionen bei Ihnen den größten Handlungsbedarf zeigen und Ihren Wirksamkeitsindex pushen – sprechen Sie uns an.

Weiterführende Inhalte, die wir in diesem Kontext empfehlen:

→ Deterministisch vs. probabilistisch – die technische Grundlage

Quellen

• Google LLC: Thematic Search – Patentanmeldung US20240386046A1, veröffentlicht November 2024. patents.google.com/patent/US20240386046A1/en
• Andrea Volpini / WordLift: „Why AI Cites Some Pages and Ignores Others“ – März 2026
• Alin Radulescu: Wie funktioniert ChatGPT? Die Architektur aus Sicht des Browsers – HAR-Analyse, LinkedIn Pulse, 2025.
• Wordsmattr: DACH-Studie Google AI Overviews, April 2025 – wordsmattr.io
• BrightEdge: AI Overviews Impact Report, 2025
• ROCKITdigital intern: Gewichtete Fan-Out-Analyse, Sub-Query-Audit Hochschule – eigene Methodik, März 2026