Denkstruktur GEO
AI Visibility —
die wesentlichen
Frameworks & Modelle.
29 konzeptionelle Frameworks und Denkmodelle rund um Generative Engine Optimization. Keine Tools, keine Vendor-Plattformen — nur Denkstruktur. Sortiert nach Herkunft, Optimierungseinheit und epistemischer Qualität. Jedes Modell mit Originalquelle.
29
Frameworks total
9
Akademisch
7
Practitioner
4
Bausteine
2
Gegenpositionen
Achse 1
Optimierungseinheit
Was wird optimiert — die Seite, der Chunk, die Entität, das gesamte Corpus oder die Marken-SERP?
Page
Chunk / Passage
Entity
Corpus
Brand-SERP
Agent-Decision
Achse 2
Pipeline-Stufe
Wo greift das Framework in die LLM-Pipeline ein — beim Pretraining, beim RAG-Retrieval, bei der Antwortsynthese oder bei der Agent-Selektion?
Pretraining-Corpus
RAG-Retrieval
Answer-Synthesis
Agent-Selection
Achse 3
Epistemische Qualität
Kontrolliertes Experiment, Benchmark, Case Study, Theorie oder Opinion/Manifesto?
Controlled Exp.
Benchmark
Case Study
Theoretical
Opinion
Achse 4
Akronym-Position
Ist das Framework eine neue Disziplin, eine Erweiterung von SEO — oder lehnt es neue Akronyme grundsätzlich ab?
Replacement
Additive
Deflationary
Entwicklungslinie
Die Akronym-Genealogie von klassischem SEO bis zur agentenbasierten Optimierung.
Hauptlinie (Kalicube-Genealogie)
SEO
→
AEO~2018
→
AIEO2022
→
GEO2023
→
AAO2025
→
AAIO2026
Akademische Linie (Princeton → CMU)
Princeton GEO2023
→
GEO-bench2024
→
AutoGEO2026
→
AgenticGEO2026
Practitioner-Linie
Entity SEO2015+
→
E-E-A-T (AI)2022+
↔
Rel. Engineering2024
↔
Corpus Eng.2025
Akademische Frameworks
9 Modelle
Peer-reviewed oder universitäre Arbeiten mit kontrollierten Experimenten und messbaren Outcomes.
Princeton GEO Framework
Academic · 2023
Aggarwal et al. — erstes Paper das "GEO" als Begriff definiert. Testet 9 Taktiken (Quellenangaben, Statistiken, Fluency, autoritativer Ton u.a.) gegen den Generative Engine Impression Score. Kontrolliertes Experiment, falsifizierbar. Grundlage für fast alles danach.
AutoGEO
CMU · ICLR'26
Carnegie Mellon. Entdeckt Engine-Präferenzregeln automatisch statt sie vorzugeben — konzeptueller Shift von "9 festen Taktiken" zu "gelernten Präferenzregeln". Direkter Nachfolger des Princeton-Papers.
AgenticGEO
Academic · 2026
Behandelt GEO als Closed-Loop-Optimierungsproblem: Agent iteriert Content → beobachtet Citation-Outcome → updated. Selbst-evolvierendes System, konzeptuell anders als das statische A/B-Testen von Princeton.
QuellearXiv 2603.20213
GEO-SFE — Structural Feature Engineering
Academic · 2026
Isoliert Content-Struktur (Heading-Dichte, Listen, Tabellen, Passage-Länge) als kausalen Hebel für Zitation — getrennt von semantischen Taktiken. Relevanz: direkte Operationalisierung für strukturelle Content-Entscheidungen.
QuellearXiv 2603.29979
Citation Failure Repair
Academic · 2026
Inverses Framework: fragt nicht "was erhöht Zitationen" sondern "warum scheitert Zitation und wie repariert man das". Diagnostische Taxonomie von Citation-Failure-Modes. Komplementär zu prescriptiven Frameworks.
QuellearXiv 2603.09296
Cooperative Web Content Optimization
Academic · 2025
Argumentiert: unilaterale Visibility-Optimierung ignoriert den Nutzen der generativen Engine selbst. Schlägt kooperatives Publisher↔Engine-Framing vor, bei dem beide gemeinsam Antwortqualität verbessern.
QuellearXiv 2608.11390
E-GEO — E-commerce GEO Testbed
Academic · 2025
Domain-spezialisierter GEO-Benchmark für E-Commerce / Produktempfehlungen. Konzeptuell am nächsten an produktzentrierter AI-Visibility-Messung — direkt relevant für Brand- und Produkt-Scans.
QuellearXiv 2511.20867
Multi-Objective GEO ("Think Before Writing")
Academic · 2026
Erweitert GEO von Single-Objective (Citation Rate) auf gemeinsame Optimierung von Citation + faktischer Genauigkeit + Antwortqualität. Löst den Widerspruch: mehr Sichtbarkeit durch falsche Claims schadet.
AAIO — Agentic AI Optimisation
Floridi et al. · 2026
Floridi et al., Minds & Machines (Springer). Erstes peer-reviewed Treatment von agentenseitiger Optimierung. Fügt eine GELSI-Schicht (Governance, Ethics, Legal, Safety, Inclusion) hinzu, die kein Practitioner-Framework besitzt.
Practitioner-Modelle
7 Modelle
Konzeptionelle Frameworks aus SEO-Praxis und Agenturen — operationalisierbar, aber meist ohne kontrollierte Experimente.
Relevance Engineering
iPullRank · Mike King
Rahmt SEO um LLM-Retrieval, Embeddings und Passage-Level-Relevanz. Optimierungseinheit: Passage/Chunk. Beschreibt SEO als Engineering-Disziplin rund um semantische Ähnlichkeit statt Keyword-Match.
Quelleipullrank.com
Corpus Engineering
Searchbloom · 2025
Optimierungseinheit: das gesamte Corpus einer Entität (nicht einzelne Seiten oder Chunks). Cross-domain semantische Infrastruktur, Entity-Evolution-Tracking, Information-Gain auf Corpus-Ebene. Komplement/Gegenstück zu Relevance Engineering.
Quellesearchbloom.com
MERIT
Searchbloom · 2025
Mentions · Evidence · Relevance · Inclusion · Transform. Benanntes 5-Säulen-Modell spezifisch für AI Answer Engines (ChatGPT, Perplexity, AI Overviews). Peer zu anderen Pillar-Frameworks.
Kalicube Process
Jason Barnard · 2015+
Drei-Phasen-Pipeline: Understandability → Credibility → Deliverability. Frühestes Brand-Entity-Build-Pipeline-Framework; hat AEO (2018) und AIEO erfunden. Sequenziert Markenarbeit als Pipeline statt als Qualitätsbar.
Quellekalicube.com
Aleyda Solis 3-Layer Framework
Aleyda Solis · 2025
Presence / Readiness / Business Impact. Erstes weit verbreitetes Modell das Messung (Presence in LLM-Antworten), kausale Diagnose (technische/content Readiness) und Outcome (Business Impact) trennt. Löst "was messen wir überhaupt".
Quellealeydasolis.com
AAO — Assistive Agent Optimization
Search Engine Land · 2025
SEO → AEO → AIEO → AAO Genealogie. Rollenbasiertes Framing: "be chosen when no human is in the loop". Verschiebt die konzeptuelle Frontier von "zitiert werden" zu "von Agenten ausgewählt werden".
Quellesearchengineland.com
7 Pillars of LLM Visibility
Limy · 2025
Benanntes Pillar-Stack-Framework für Brand-Zitation durch AI. Konkurriert mit MERIT als Referenz-Struktur für Practitioner-Gespräche.
Quellelimy.ai
Akronym-Schirme
5 Begriffe
Konzeptionelle Umbrella-Begriffe — oft austauschbar verwendet, aber mit unterschiedlichen Schwerpunkten.
AEO — Answer Engine Optimization
Kalicube · ~2018
Pre-LLM-Ära: Featured Snippets, Schema, "People Also Ask". Von Jason Barnard geprägt. Historischer Ausgangspunkt der Genealogie.
Quellekalicube.pro
LLMO — Large Language Model Optimization
Conceptual
Content-seitiges Framing: von LLMs zitiert werden. Betont den Inhalt als primären Hebel, ignoriert technische oder Corpus-Dimensionen.
AIO / AI-SEO
Generic
Generische Umbrella-Begriffe — oft synonym zu GEO verwendet. Kein eigenständiges konzeptionelles Framework.
Quelleen.wikipedia.org
GAIO — Generative AI Optimization
DACH · EU
DACH/EU-Diskursvariante. Besonders relevant im deutschsprachigen Markt. Inhaltlich äquivalent zu GEO.
AIEO — AI Engine Optimization
Kalicube · 2022
Zwischenstufe in Kalicubes Genealogie zwischen AEO und AAO. Historisch relevant für das Verstehen des Akronym-Stammbaums.
Quellekalicube.pro
Gegenpositionen
2 Positionen
Frameworks die GEO als Konzept grundsätzlich hinterfragen oder ablehnen — wichtig für kritische Diskussion.
Lily Ray — "GEO = E-E-A-T done well"
Deflationary
Lehnt Akronym-Proliferation ab. Argument: GEO/AEO/LLMO kollabieren alle in gut ausgeführtem E-E-A-T. Kein neues Framework nötig. Epistemisch: Opinion. Wichtig als Gegenthese zu praktisch allen anderen Positionen auf dieser Liste.
Quelleamsive.com · Lily Ray
Rand Fishkin — Search Everywhere Optimization
SparkToro · Deflationary
Lehnt neue Akronyme ab. These: Brand-Präsenz quer über Surfaces (Reddit, YouTube, Podcasts, TikTok) ist der einheitliche Hebel. Verbindet sich mit "Training Data Seeding", ist aber eine benannte, eigenständige Position.
Quellesparktoro.com
Strategische Narrative
2 Frameworks
Executive-Level Positionierungen — keine Taktik-Frameworks, aber wichtig für Kundengespräche und Einordnung.
BCG GXO — Generative Experience Optimization
BCG X · 2025/26
BCG X "Future of Discoverability". Bündelt AEO + GEO + die breitere generative Experience (Multi-Turn, Multi-Modal). Sitzt als Strategie-Consulting-Umbrella über GEO.
Quellebcg.com/x
McKinsey — "New Front Door to the Internet"
McKinsey · 2025
Kein Taktik-Framework — kanonisches Executive-Narrativ ($750Mrd bis 2028 durch AI Search). Standardreferenz für CEO/CMO-Level-Positioning von GEO-Relevanz.
Quellemckinsey.com
Bausteine
4 Frameworks
Fundamentale Schichten, auf denen die meisten anderen Frameworks aufbauen — ohne sie zu benennen.
Entity SEO / Brand Knowledge Graph
Foundation
Knowledge Graph, Wikidata, Entity-Disambiguierung. Foundational Layer, den die meisten anderen Frameworks stillschweigend voraussetzen. Kalicubes "Understandability" beginnt hier.
Quellewordlift.io
Training Data Seeding
School of Thought
Reddit/Wikipedia/Forum-Präsenz als Kernhebel. "Go where the training data is." Verbindet sich mit Fishkins "Search Everywhere" und E-E-A-T-Erweiterungen. Pre-RAG-Schicht der Optimierung.
RAG-Side / Chunk Optimization
Technical Layer
Chunking, Embeddings, Passage-Struktur für RAG-Retrieval. Technische Schicht unter Relevance Engineering. Ahrefs-Gegenposition: "überbewertet". Enthält ChunkRAG und verwandte Frameworks.
E-E-A-T Extended for AI
Google Framework
Googles Qualitätsframework (Experience, Expertise, Authoritativeness, Trustworthiness) reinterpretiert für LLM-Zitation. Sitzt adjacent zu GEO-Frameworks — nicht konkurrierend, sondern als Qualitätssignal-Schicht.
Quelledevelopers.google.com
Quellen
29 Referenzen
Alle Originalquellen der Denkstruktur — Papers, definierende Artikel und Dokumentationen, in der Reihenfolge der Sektionen.