Die Princeton GEO-Studie: Methodik, Ergebnisse und Kritik

Die Princeton GEO-Studie ist der Ausgangspunkt jeder ernsthaften Beschäftigung mit Generative Engine Optimization. Wer im DACH-B2B verstehen will, warum Statistiken, Quellenangaben und Zitate in KI-Antworten plötzlich als Optimierungshebel gelten, kommt an diesem Paper nicht vorbei. Es lieferte 2024 erstmals einen messbaren, reproduzierbaren Beleg dafür, dass sich Inhalte gezielt so gestalten lassen, dass generative Suchsysteme sie häufiger und prominenter zitieren. Dieser Artikel ordnet die Studie ein, erklärt ihre Methodik, interpretiert das viel zitierte Kernergebnis korrekt und benennt die Grenzen, die bei der Übertragung auf heutige Systeme und den deutschsprachigen Markt zu beachten sind.

Was die Princeton GEO-Studie ist und warum sie relevant bleibt

Die Arbeit mit dem Titel "GEO: Generative Engine Optimization" stammt von Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan und Ameet Deshpande. Sie wurde auf der ACM-SIGKDD-Konferenz 2024 (KDD 2024) veröffentlicht und ist als Preprint unter arXiv 2311.09735 frei zugänglich. Die Autoren prägten den Begriff Generative Engine Optimization und definierten ihn als eigenständige Disziplin neben der klassischen Suchmaschinenoptimierung.

Die Relevanz ergibt sich aus der Ausgangslage. Klassisches SEO optimiert auf Rankings, also auf Positionen in einer Ergebnisliste. Generative Suchsysteme wie Google AI Overviews, ChatGPT Search oder Perplexity liefern stattdessen eine synthetisierte Antwort und verweisen nur noch auf ausgewählte Quellen. Die Princeton-Studie war die erste Arbeit, die diese neue Realität nicht nur beschrieb, sondern in einem kontrollierten Experiment vermaß. Sie verschob die Frage von "Wie ranke ich höher?" zu "Wie werde ich in die generierte Antwort übernommen?". Genau diese Verschiebung macht das Paper zum Gründungsdokument einer Disziplin, deren Taktiken heute in jedem GEO-Leitfaden auftauchen.

Wichtig für die Einordnung: Die Studie ist akademisch, nicht kommerziell. Ihre Aussagen sind nicht das Marketingversprechen eines Tool-Anbieters, sondern das Ergebnis eines peer-reviewten Experiments. Das verleiht ihr einen Vertrauensvorsprung, den man bei vielen späteren Branchen-Studien nicht voraussetzen kann.

Die Methodik: GEO-bench und die neuen Sichtbarkeitsmetriken

Das Herzstück der Studie ist ein eigens entwickeltes Benchmark-Framework namens GEO-bench. Es umfasst 10.000 Suchanfragen, aufgeteilt in 8.000 Trainings-, 1.000 Validierungs- und 1.000 Testanfragen, gezogen aus neun verschiedenen Datenquellen über 25 Domains wie Kunst, Gesundheit oder Spiele. Damit der Datensatz die reale Suchwelt abbildet, hielten die Autoren die typische Anfrageverteilung ein: 80 Prozent informationale, je 10 Prozent transaktionale und navigationale Anfragen. Diese Breite ist entscheidend, denn sie verhindert, dass ein Ergebnis nur für eine einzige Nische gilt.

Der zweite methodische Beitrag sind zwei neue Metriken, mit denen sich Sichtbarkeit in einer generierten Antwort überhaupt erst quantifizieren lässt. Beide messen etwas anderes als ein klassisches Ranking:

Position-Adjusted Word Count: Diese Kennzahl zählt, wie viele Wörter einer KI-Antwort auf eine bestimmte Quelle zurückgehen, und gewichtet sie nach ihrer Position in der Antwort. Eine Quelle, die früh und ausführlich verarbeitet wird, erhält einen höheren Wert als eine, die nur am Rand vorkommt. Sie misst also Umfang und Prominenz der Übernahme.

Subjective Impression: Diese Metrik nutzt ein Sprachmodell als Bewerter und beurteilt die wahrgenommene Relevanz, Einflussstärke und Nützlichkeit einer zitierten Quelle innerhalb der Antwort. Sie erfasst damit qualitative Aspekte, die eine reine Wortzählung nicht abbildet.

Die Evaluierung selbst lief über ein generatives System, das auf einem damals aktuellen GPT-Modell aufsetzte und Suchergebnisse als Quellengrundlage nutzte. Für jede Testanfrage wurde der Inhalt einer Zielquelle nach einer GEO-Methode überarbeitet und anschließend gemessen, ob und wie stark sich die Sichtbarkeit dieser Quelle in der generierten Antwort veränderte.

Die neun getesteten GEO-Methoden und ihre Wirkung

Die Studie testete neun konkrete Content-Manipulationen gegen einen unoptimierten Ausgangszustand. Die wichtigsten lassen sich in drei Gruppen einteilen:

Autoritätssignale (die Gewinner): Hierzu zählen Statistics Addition (Einbau passender Zahlen und Statistiken), Quotation Addition (Ergänzung relevanter Zitate) und Cite Sources (Hinzufügen von Quellenangaben mit Verweisen auf glaubwürdige Belege). Diese drei Methoden waren die stärksten der gesamten Untersuchung.

Sprachliche Optimierung: Dazu gehören Fluency Optimization (flüssigere, klarere Formulierung), Authoritative (autoritativerer Tonfall) und Technical Terms (Einbau fachsprachlicher Begriffe). Diese Methoden wirkten moderat und stark abhängig vom Fachgebiet.

Wirkungslose oder schädliche Ansätze: Keyword Stuffing, also das mechanische Wiederholen von Suchbegriffen, gehörte zu den schwächsten Ansätzen und konnte die Sichtbarkeit gegenüber dem Ausgangszustand sogar verschlechtern. Das ist ein zentraler Befund: Klassische SEO-Spam-Taktiken übertragen sich nicht auf generative Systeme.

Der praktisch wertvollste Befund liegt in der Kombination. Die Autoren zeigten, dass das Zusammenspiel von sprachlicher Optimierung und dem Einbau von Statistiken jede Einzelmethode übertrifft. Für DACH-B2B heißt das: Es geht nicht darum, eine einzelne Taktik zu wählen, sondern Belegdichte und Lesbarkeit gemeinsam zu erhöhen.

Das Kernergebnis "bis zu 40 Prozent" richtig interpretieren

Die meistzitierte Zahl der Studie ist die Headline-Aussage, dass sich die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern lässt. Diese Zahl wird in der Praxis häufig falsch verstanden, deshalb lohnt eine präzise Einordnung.

Erstens ist es ein Maximalwert, kein Durchschnitt. Konkret erreichten die drei stärksten Methoden Cite Sources, Quotation Addition und Statistics Addition eine relative Verbesserung von 30 bis 40 Prozent auf der Position-Adjusted-Word-Count-Metrik. Es handelt sich also um die Spitze des Möglichen unter idealen Bedingungen, nicht um eine Garantie für jeden Inhalt.

Zweitens ist es eine relative, nicht absolute Verbesserung. Sie beschreibt den Zuwachs gegenüber dem unoptimierten Ausgangszustand derselben Quelle innerhalb desselben Antwortkontexts. Wer ohnehin schon dominant zitiert wird, hat weniger Spielraum nach oben.

Drittens, und das ist der strategisch wichtigste Punkt, profitierten niedriger positionierte Quellen am stärksten. Die Studie beschreibt einen Ausgleichseffekt: Inhalte, die ohne Optimierung kaum sichtbar waren, gewannen durch GEO-Methoden überproportional. Für kleinere und mittlere Anbieter aus dem DACH-Raum ist das die eigentliche gute Nachricht. GEO ist kein Werkzeug, das nur etablierte Marktführer noch sichtbarer macht, sondern eines, das Underdogs eine realistische Chance auf Erwähnung gibt.

Domänenspezifität: Warum dieselbe Methode unterschiedlich wirkt

Ein oft übersehener Befund der Studie ist die Domänenabhängigkeit. Über die 25 abgedeckten Domains hinweg wirkte keine Methode überall gleich. In manchen Fachgebieten zogen Statistiken die Sichtbarkeit am stärksten nach oben, in anderen waren es Zitate oder ein autoritativerer Sprachstil.

Für B2B-Anwender bedeutet das eine konkrete Handlungsanweisung: Es gibt keine universelle GEO-Formel. Ein technisches Industrieprodukt, eine Rechtsberatung und ein Software-as-a-Service-Angebot brauchen unterschiedliche Schwerpunkte. Wo Vertrauen über harte Daten entsteht, lohnt sich Statistik-Dichte. Wo es über Expertise und Reputation entsteht, lohnen sich attribuierte Zitate. Die Studie liefert damit kein Rezept, sondern eine Methodik zum Testen. Wer GEO ernst nimmt, misst die Wirkung pro Themenfeld statt eine Pauschalstrategie über alle Inhalte zu legen.

Kritik und Grenzen der Studie

So bedeutend die Princeton-Studie ist, ihre Aussagekraft hat klare Grenzen, die man für eine seriöse Anwendung kennen muss.

Synthetische und teilweise undurchsichtige Evaluierung: Die Sichtbarkeit wurde maschinell gemessen, teils mit einem Sprachmodell als Bewerter. Das generative System und seine Quellenauswahl bleiben eine Black Box. Es ist nicht vollständig nachvollziehbar, warum eine Quelle bevorzugt wurde.

Modellstand 2023/2024: Die Experimente liefen mit dem damaligen Stand der Modelle und Suchsysteme. Die heutigen Engines wie Google AI Overviews, Google AI Mode, Perplexity oder Claude arbeiten mit neueren Architekturen, anderem Retrieval und teils völlig anderer Quellenlogik. Die konkreten Prozentwerte sind daher nicht eins zu eins auf 2026 übertragbar.

Zero-Sum-Aufbau: Im Experiment konkurrierten nur wenige Quellen um die Sichtbarkeit innerhalb einer Antwort. In einem solchen geschlossenen Setup fallen relative Gewinne größer aus als in der offenen Realität, in der ein System aus Millionen Seiten auswählt. Die Verbesserungswerte sollten deshalb als Richtungsindikator gelesen werden, nicht als exakte Prognose für die eigene Website.

Generalisierbarkeit: Die Studie testete die generative Synthese, nicht jedes heutige Produkt. Dass der Mechanismus grundsätzlich funktioniert, gilt als gut belegt. Dass die exakten Zahlen für ein bestimmtes System von heute gelten, ist eine Annahme, keine bewiesene Tatsache.

Von der Studie zur Praxis: Operationalisierung der Befunde

Die Forschungsergebnisse lassen sich in vier praktische Hebel übersetzen, die im DACH-B2B unmittelbar umsetzbar sind:

Front-Loading: Die wichtigste Antwort gehört an den Anfang eines Abschnitts. Generative Systeme verarbeiten frühe, klar formulierte Aussagen bevorzugt. Das deckt sich mit dem Befund, dass prominente Platzierung in der Position-Adjusted-Word-Count-Logik höher gewichtet wird.

Answer Islands: Inhalte sollten in eigenständige, semantisch vollständige Passagen gegliedert sein, die eine Frage komplett beantworten. Solche abgeschlossenen Blöcke lassen sich leichter als Ganzes in eine KI-Antwort übernehmen.

Fakten- und Statistik-Dichte: Da Statistics Addition zu den stärksten Methoden zählte, ist konkrete, belegte Datendichte ein direkter GEO-Hebel. Eigene, proprietäre Zahlen sind dabei besonders wertvoll, weil sie nicht beliebig austauschbar sind.

Schema und Struktur: Strukturierte Daten und saubere Überschriften-Hierarchien helfen Systemen, Inhalte korrekt zuzuordnen. Sie sind die technische Operationalisierung der inhaltlichen Befunde.

Aktueller Forschungsstand seit Princeton

Die Princeton-Studie war der Anfang, nicht das letzte Wort. Mehrere Folgearbeiten bestätigen die Grundrichtung und relativieren einzelne Annahmen.

Erweiterte Frameworks haben den ursprünglichen Methodenkatalog vergrößert und um strukturelle Merkmale ergänzt, etwa Lesbarkeit, Formatierung und semantische Klarheit. Die Stoßrichtung bleibt dieselbe: Autoritätssignale und gute Struktur erhöhen die Zitierwahrscheinlichkeit.

Besonders aufschlussreich ist die Forschung zur Frage, was KI-Sichtbarkeit außerhalb der Seite treibt. Eine Analyse von 1.000 Domains ergab, dass die Domain-Autorität deutlich mit KI-Erwähnungen zusammenhängt (Pearson 0,65, Spearman 0,57). Bemerkenswert ist dabei, dass Nofollow-Links nahezu denselben Zusammenhang mit KI-Sichtbarkeit zeigen wie Follow-Links. Für die Praxis verschiebt das den Fokus von der reinen Linkmacht hin zu Reputation und Erwähnungen insgesamt. Markenpräsenz und Backlinks sind in der KI-Welt enger verwandt, als das klassische SEO nahelegt.

Diese Folgeforschung bestätigt den Kern der Princeton-Studie und ergänzt ihn um eine wichtige Dimension: On-Page-Optimierung allein reicht nicht, sie muss durch externe Autorität gestützt werden.

llms.txt im Licht der Evidenz

Im GEO-Umfeld kursiert die Idee, mit einer Datei namens llms.txt eine kuratierte Inhaltskarte für Sprachmodelle bereitzustellen. Wichtig für eine evidenzbasierte Einordnung: Diese Idee ist nicht Teil der Princeton-Studie und durch sie auch nicht gedeckt.

Der Stand ist nüchtern. Trotz wachsender Verbreitung hat bislang kein großer KI-Anbieter offiziell bestätigt, llms.txt für die Antwortgenerierung zu nutzen. Branchen-Analysen finden bisher keinen belastbaren Zusammenhang zwischen dem Vorhandensein einer llms.txt und höheren Zitierungsraten. Der Kontrast zwischen Aufmerksamkeit und tatsächlicher Wirkung ist hier groß. Wer GEO seriös betreibt, sollte llms.txt als experimentell und niedrigprioritär einordnen und Ressourcen zuerst in belegte Hebel wie Belegdichte, Struktur und Reputation stecken.

DACH- und Österreich-Transfer

Die Princeton-Studie ist englischsprachig und US-zentriert. Die Frage, ob ihre Befunde im deutschsprachigen B2B gelten, lässt sich differenziert beantworten.

Der Mechanismus ist sprachunabhängig. Dass generative Systeme belegte, gut strukturierte und autoritative Inhalte bevorzugen, ist kein Effekt der englischen Sprache, sondern eine Eigenschaft der Antwortsynthese. Insofern sind die qualitativen Befunde übertragbar. Die exakten Prozentwerte sind es nicht, weil sie an die getesteten Systeme und englischsprachige Datensätze gebunden sind.

Die Marktrelevanz für Österreich wächst rapide. Laut Statistik Austria stieg die KI-Nutzung österreichischer Unternehmen auf 20,3 Prozent im Jahr 2024, nach 10,8 Prozent im Jahr 2023. Eine nahezu verdoppelte Adoption innerhalb eines Jahres. Besonders relevant für GEO: 41 Prozent der KI-nutzenden Unternehmen setzen KI zur Sprachgenerierung ein. Die Technologie, die hinter generativer Suche steht, ist im österreichischen Mittelstand also bereits angekommen.

Zwei Praxispunkte sind für den DACH-Raum entscheidend. Erstens verändert generative Suche das Klickverhalten messbar. Laut einer internationalen Ahrefs-Auswertung korreliert die Präsenz einer AI Overview inzwischen mit einer um 58 Prozent niedrigeren durchschnittlichen Klickrate, gegenüber 34,5 Prozent in der früheren Untersuchung von April 2025. Sichtbarkeit in der Antwort wird damit wichtiger als der reine Listenplatz. Zweitens ist der verbleibende Traffic wertvoller. Eine internationale Semrush-Studie ermittelte, dass ein KI-Suchbesucher auf Basis der Conversion Rate 4,4-mal so wertvoll ist wie ein klassischer organischer Suchbesucher. Für DACH-B2B-Anbieter, deren Verkaufszyklen lang und beratungsintensiv sind, verschiebt diese Kombination die Priorität klar in Richtung GEO.

Weiterführendes

Die Princeton GEO-Studie liefert das wissenschaftliche Fundament, aber keine fertige Strategie. Für die operative Umsetzung im DACH-B2B empfiehlt es sich, die Befunde mit den ergänzenden Themen dieser Wissensdatenbank zu verbinden: der Rolle von Statistiken und Daten als stärkstem Einzelhebel, dem Verhältnis von Brand Mentions zu Backlinks, der Content-Strukturierung über Front-Loading und Answer Islands sowie der laufenden Erfolgsmessung über geeignete GEO-Metriken. Wer die Studie als Hypothesengenerator nutzt und ihre Befunde im eigenen Themenfeld testet, statt die Prozentwerte als Versprechen zu lesen, holt den größten Nutzen heraus.