Kurz zusammengefasst
Determinants sind die Fragen, die eine KI-Antwortmaschine geklärt haben muss, bevor sie einem Käufer eine Option empfiehlt. Es gibt fünf zentrale: Auswahlkriterien, Anwendungsfall, Zielgruppe, Glaubwürdigkeit und Markenassoziation. Jimmy Park von Opascope und Tobias Peschke von Loud & Lexis prägten den Begriff 2026 auf Basis von mehr als 659.000 erfassten KI-Antworten auf Kauf-Prompts.
Zuletzt aktualisiert: 16.11.2026
Über viele Jahre hat sich das digitale Marketing in gleichmäßigem Tempo entwickelt. Bezahlte Suche über Google Ads, bezahlte Anzeigen auf Facebook, Instagram und LinkedIn sowie die organische Suche bei Google entwickelten sich Jahr für Jahr weiter, während Marketer Targeting, Content und Messung auf denselben Kanälen verfeinerten. Im Lauf des Jahres 2026 hat sich das grundlegend verändert.
Auf einen Blick
- Begriff: Determinants, die Entscheidungskriterien, die ein LLM abwägt, bevor es eine Marke empfiehlt
- Geprägt von: Jimmy Park (Opascope) und Tobias Peschke (Loud & Lexis), 2026
- Fünf zentrale Determinants: Auswahlkriterien, Anwendungsfall, Zielgruppe, Glaubwürdigkeit, Markenassoziation
- Datenbasis: Mehr als 659.000 erfasste KI-Antworten auf Kauf-Prompts aus B2B und E-Commerce
- ChatGPT-Formulare: 37,55 % der Antworten enthielten vom 07.10. bis 07.11.2026 ein Multiple-Choice-Formular
- Kernthese: GEO wird nach Determinants optimiert und gemessen, das Prompt-Volumen ist die falsche Priorität
2026 haben große Sprachmodelle (LLMs) wie ChatGPT und Gemini sowie Googles AI Overviews dieses Muster durchbrochen und grundlegend verändert, wie Menschen im Web Informationen finden und nutzen. Laut der Umfrage des Pew Research Center von 2026 nutzt etwa die Hälfte der Erwachsenen in den USA2 KI-Chatbots, nach einem Drittel im Jahr 2024. Eine im Oktober 2026 veröffentlichte McKinsey-Befragung von rund 21.000 Verbrauchern in 11 Märkten3 ergab, dass inzwischen 53 % KI beim Einkaufen nutzen.
Dieser Wandel hat eine völlig neue Branche hervorgebracht: Generative Engine Optimization (GEO), manchmal auch Answer Engine Optimization (AEO) genannt. Die Branche hat praktischerweise einen Buchstaben in SEO ausgetauscht, um ein vertrautes Kürzel zu erhalten, und im Grunde gesagt:
„GEO ist wie Suchmaschinenoptimierung, nur eben für ChatGPT und Gemini.“
Alle
Die meisten Marken und Agenturen sind mit jahrzehntelangen Suchgewohnheiten bei GEO angekommen. Keyword-Targeting, On-Page-Content, Linkaufbau und Ranking-Tracking waren zur zweiten Natur geworden. Als LLMs wie ChatGPT abhoben, nahmen Teams deshalb SEO als Grundlage und suchten die Stellen, an denen GEO damit übereinstimmte oder davon abwich. Diese gespeicherte Trägheit erzwang Vergleiche zwischen zwei Dingen, die sich so wenig vergleichen lassen wie Äpfel mit Birnen.
Die Zukunft von GEO beginnt damit, diese alten Gewohnheiten einschließlich Keyword-Targeting und On-Page-Content neu zu definieren und zu betrachten, wie ein LLM zu einer Entscheidung kommt. Ein LLM wägt eine Reihe von Faktoren ab, die Determinants heißen, bevor es eine Marke empfiehlt. Die folgenden Abschnitte zeigen, was Determinants sind und was eine Marke bei jedem einzelnen tun kann.
GEO-Determinants: Die Zukunft der organischen Optimierung
Die Zukunft der organischen Optimierung sind Determinants, die Entscheidungskriterien, mit denen ein LLM eine Person bis zu einer Entscheidung führt. Wer über Determinants optimiert, zielt auf die Kernkonzepte, die LLMs wichtig sind, und diese Konzepte entsprechen der Psychologie, nach der Käufer entscheiden. Determinants sind zugleich das, worauf die LLMs selbst hin optimiert werden. Jeder Fortschritt der Technologie ist darauf ausgelegt, Menschen genauer zu verstehen. Das macht die Determinants zum treffendsten Fokus für GEO. Die Optimierung rund um die Determinants beginnt mit der Frage, was ein Determinant ist.
Was ist ein Determinant?
Das Oxford-Wörterbuch definiert einen Determinant als:
a thing that decides whether or how something happens (etwas, das entscheidet, ob oder wie etwas geschieht)1
Um zu verstehen, wie Determinants die Sichtbarkeit einer Marke in LLMs beeinflussen, hilft das Beispiel einer Person, die online einen Flachbildfernseher kauft. Noch bevor sie ein einziges Angebot öffnet, steht bereits fest, welche Dinge den Kauf entscheiden werden. Dazu gehören, wer fernsehen wird, in welchem Raum das Gerät steht, wofür es vor allem genutzt wird, was sich die Person leisten kann und welche Marke ein Freund empfiehlt. Vielleicht schreibt sie nichts davon auf. Trotzdem entscheiden diese Dinge über das Ergebnis.
Der Begriff Determinant ist für GEO wichtig, weil jeder, der eine Entscheidung trifft, im echten Leben oder in einem LLM, dieselben Dinge durcharbeitet wie diese Person beim Fernseherkauf. Eine Suchmaschine konnte Nutzer zur Information führen und ihnen überlassen, sie zu lesen und das Problem selbst zu lösen. Ein LLM hat diese Aufgabe übernommen. Es muss die Nutzer deshalb durch den gesamten Entscheidungsprozess führen. Das gelingt nur, wenn es herausfindet, was für diese Person über das Ergebnis entscheidet.
In GEO ist ein Determinant eine Frage, die das Modell geklärt haben muss, bevor es empfehlen kann. Die Situation des Käufers beantwortet sie. Das Modell bewertet jede Option anhand dieser Antwort. Die fünf Determinants bleiben von Kategorie zu Kategorie gleich, die Entscheidungsfaktoren innerhalb jedes Determinants ändern sich mit der Kategorie. Entscheidungsfaktoren sind die Punkte, die das Modell für einen Käufer in einer Situation abwägt, etwa die Akkulaufzeit bei einem Verbrauchergerät oder eine Sicherheitsfunktion bei B2B-Software. Der klassische Kauftrichter kann sich dadurch manchmal vollständig innerhalb einer Abfolge von Prompts eines einzigen Nutzers abspielen.
Abbildung 1 folgt der Kaufreise einer Person beim Fernseherkauf mit einem LLM über vier Phasen: Aufmerksamkeit, Abwägung, Bewertung und Entscheidung.
Abbildung 1. Der Kauftrichter in einem LLM
Prompts und Fragen sind beispielhaft, für eine Person, die online einen Flachbildfernseher auswählt.
Welche fünf zentralen Determinants wägt ein LLM ab?
Eine Marke, die gewählt werden will, muss wissen, worüber das Modell entscheidet. Sie muss diese Dinge für das Modell leicht auffindbar und leicht belegbar machen. Es gibt noch weitere Determinants. Die folgenden fünf sind die ersten, mit denen sich eine Marke beschäftigen sollte.
Auswahlkriterien. Auswahlkriterien sind die Maßstäbe, nach denen das Modell Marken vergleicht, darunter Preis und Budget, Funktionen, Qualität, Format, Support und Compliance. Das Modell beginnt mit allgemeinen Kriterien der Kategorie und verfeinert sie in Schleifen, während es mehr über den Käufer erfährt, bis eine Marke die Messlatte überspringt.
Anwendungsfall. Der Anwendungsfall ist die Aufgabe, die der Käufer heute oder geplant erledigt haben will: das Problem, das Ziel, wo und wie das Produkt eingesetzt wird und welches Wachstum der Käufer erwartet. Zum Anwendungsfall gehört auch das bestehende Setup des Käufers, nach dem LLMs wie ChatGPT und Gemini gesondert fragen: die Plattformen, Produkte und Integrationen, die der Käufer bereits hat oder an die er gebunden ist.
Zielgruppe. Bei der Zielgruppe ermittelt das Modell, wer die Person ist, oder nutzt, was es bereits über sie weiß: Rolle, Unternehmensgröße, Erfahrung, Alter und die Situation der Person oder des Einkaufsgremiums. In jeder Branche ordnet das Modell Käufer einer kleinen Zahl von Zielgruppentypen zu, ähnlich wie Personas. Eine Marke muss wissen, nach welchen Typen das Modell in ihrer Kategorie sucht. Bei B2B-Software hat ChatGPT nach der Größe des Betriebs gefragt. Diese Antwort zeigt dem Modell, welchen Käufertyp es bedient, bevor es auch nur ein Produkt abwägt. Zur Zielgruppe gehört auch der Standort, also wo der Käufer lebt oder wo ein Unternehmen tätig ist. In manchen Branchen wirkt der Standort als eigenständiger Determinant. Bei B2B-Dienstleistungen und -Produkten tauchen zum Beispiel schnell Fragen zu Datenregeln und Lieferungen ins Ausland auf.
Glaubwürdigkeit. Glaubwürdigkeit ist der Nachweis, den das Modell abwägt, bevor es empfiehlt, etwa Bewertungen und Rezensionen, Artikel und Studien Dritter, Zertifizierungen und Erwähnungen durch Fachleute.
Markenassoziation. Die Markenassoziation beschreibt, wie stark das Modell eine Marke mit ihrer Kategorie verbindet. Sie entsteht daraus, wie oft beide im Web gemeinsam vorkommen, und aus dem, was das Modell bereits gespeichert hat. 1993 begründete der Marketingforscher Kevin Keller18 den Markenwert mit den Assoziationen, die eine Marke im Gedächtnis eines Käufers hat. Daraus folgt, dass die gespeicherten Assoziationen eines Modells auf dieselbe Weise wirken.
Die ersten drei Determinants bewegt eine Marke über ihre eigenen Seiten. On-Page-Content, eine der Gewohnheiten, die neu definiert werden mussten, wird nun rund um die Determinants aufgebaut. Eine Marke kann die Fakten veröffentlichen, die Käufer vergleichen, den Preis eingeschlossen, die Aufgaben benennen, die sie erledigt, und die Setups, zu denen sie passt, und klar sagen, wen sie bedient. Glaubwürdigkeit und Markenassoziation bewegen sich langsamer, über Dritte.
Die Daten hinter den Determinants: mehr als 659.000 erfasste KI-Antworten
Die eigenen Daten hinter den Determinants umfassen mehr als 659.000 Antworten auf erfasste Kauf-Prompts aus B2B und E-Commerce, von LLMs und Antwortmaschinen wie ChatGPT, Gemini und Google AI Overviews. Alle fünf zentralen Determinants kommen in den kodierten ChatGPT-Antworten aus diesem Datenbestand vor, die übrigen Engines sind noch nicht kodiert. Kodiert heißt, dass jede Antwort gelesen und mit den Determinants markiert wurde, die sie erwähnt.
Über eigene Kundenkonten in B2B, E-Commerce, Konsumgütern und weiteren Branchen hinweg kommt jeder Determinant in folgendem Anteil der kodierten ChatGPT-Antworten vor, gezählt als Anteil der Antworten, die ihn mindestens einmal erwähnen:
- Anwendungsfall: 92,5 %
- Bestehendes Setup (Teil des Anwendungsfalls): 36,4 %
- Auswahlkriterien: 83,9 %
- Zielgruppe: 59,8 %
- Glaubwürdigkeit: 55,6 %
- Markenassoziation: mindestens 17,1 %
In 94,4 % dieser Antworten kommen zwei oder mehr Determinants gemeinsam vor.
Die Markenassoziation ist ein Mindestwert, weil die Kodierung nur Antworten zählt, die eine genannte Marke als Kategorieführer, Standardwahl, beliebteste Marke oder Branchenstandard darstellen. Die Anteile zeigen, wie oft jeder Determinant in einer Antwort vorkommt. Sie messen nicht, wie stark jeder Determinant die endgültige Wahl beeinflusst.
Abbildung 2. Wie oft die einzelnen Determinants in ChatGPT-Antworten vorkommen
Anteil der kodierten ChatGPT-Antworten, die den jeweiligen Determinant erwähnen, jede Branche gleich gewichtet. Eine Antwort kann mehrere erwähnen.
Quelle: eigene ChatGPT-Daten. Bronze markiert einen Unter-Determinant.
Am 25. September 2026 tauchte in den eigenen Daten das erste Multiple-Choice-Formular auf. In den 135.517 Antworten davor hatte ChatGPT kein einziges gezeigt. Die Formulare verbreiteten sich, nachdem OpenAI am 7. Oktober 2026 GPT-69 vorgestellt und erklärt hatte, Antworten könnten „tappable buttons, forms“ enthalten, also antippbare Schaltflächen und Formulare. Die Veränderung zeigt sich in drei Zahlen aus eigenen ChatGPT-Daten:
- 0 Formulare in 135.517 ChatGPT-Antworten vor dem 25. September 2026
- 37,55 % der Antworten enthielten vom 7. Oktober bis 7. November 2026 ein Formular (15.092 von 40.193; 39,44 % bei gleicher Gewichtung jeder Branche)
- 88,62 % von 38.578 Formularfragen fragen nach Zielgruppe, Anwendungsfall, bestehendem Setup oder Auswahlkriterien (90,41 % bei gleicher Gewichtung jeder Branche)
Die Formularfragen verteilen sich wie folgt, als Anteil an allen 38.578 Fragen vom 25. September bis 7. November 2026, jede Frage zugeordnet zu dem Determinant, nach dem sie fragt:
- Anwendungsfall: 33,77 %
- Bestehendes Setup: 9,38 %
- Auswahlkriterien inklusive Budget: 23,79 %
- Zielgruppe: 21,68 %
- Standort: 7,65 %
- Glaubwürdigkeit: 0,02 %
- Markenassoziation: 0 %
ChatGPT fragt Käufer in 0,02 % der Formularfragen nach Glaubwürdigkeit und in 0 % nach der Marke. Daraus folgt, dass das Modell diese beiden Punkte selbst beurteilt, aus dem, was es im Training gespeichert hat, und aus dem, was es bei der Retrieval-Augmented Generation (RAG)19 liest. RAG ist der Schritt, in dem das Modell vor der Antwort externe Informationen aus einer Websuche oder einem indexierten Dokumentenbestand heranzieht und seine Antwort darauf stützt.
Abbildung 3. Wonach die Multiple-Choice-Formulare von ChatGPT fragen
Anteil an allen 38.578 Formularfragen vom 25.09. bis 07.11.2026, zugeordnet zu dem Determinant, nach dem jede Frage fragt. 3,71 % fragen nach keinem.
Quelle: eigene ChatGPT-Daten. Bronze markiert einen Unter-Determinant.
Fortschritte im Reasoning von LLMs drehen sich um Determinants
Die Unternehmen und Forschenden, die LLMs entwickeln, arbeiten fortlaufend daran, wie ein Modell herausfindet, was dem Käufer am wichtigsten ist. Patentanmeldungen, Release Notes und eigene Tests zeigen übereinstimmend, dass führende KI-Labore ihre Modelle rund um Determinants verfeinern.
Patentanmeldungen zeigen diese Arbeit bereits 2024. Googles Patentanmeldung US20250356223A14, eingereicht am 16. Mai 2024, beschreibt einen Shopping-Chatbot, der vor der Antwort einen verborgenen Plan schreibt. Dieser Plan enthält „a list of considerations“, also eine Liste von Überlegungen. Googles US20260094193A15, eingereicht am 30. September 2024, beansprucht, dass das LLM „ein Schema mit mehreren Unterscheidungsmerkmalen auf Basis der Nutzeranfrage definiert“, und zwar in der mittleren Phase des Entscheidungsprozesses. Die seit 2024 öffentliche Dokumentation von Googles Content Warehouse API6 führt zudem ein Shopping-Feld für „attributes mined from mentions in web articles“, also Merkmale, die aus Erwähnungen in Webartikeln gewonnen werden. Anmeldungen und Dokumentation zeigen die Designabsicht des Unternehmens, das die größte Suchmaschine betreibt.
Die Unternehmen hinter KI-Assistenten beschreiben dasselbe Ziel in ihren Produktankündigungen. OpenAI startete am 24. November 2025 die Funktion Shopping Research8. Sie fragt nach Budget, nach der Person, für die ein Produkt gedacht ist, und nach den wichtigen Funktionen, bevor sie einen Kaufratgeber erstellt. Im Juni 2026 hieß es in den Release Notes von OpenAI7, ein Update habe GPT-5.5 Instant besser darin gemacht, das eigentliche Ziel hinter einer Frage zu erkennen, wenn Nutzer eine Entscheidung treffen, Optionen recherchieren oder einkaufen. Perplexity10 erklärt, sein Shopping-Assistent lerne die Muster von Käufern aus früheren Suchen. Microsoft11 erklärt, Copilot lerne, was ein Käufer möchte, je mehr dieser von sich preisgibt.
Die eigenen Daten zeigen dasselbe Muster. ChatGPT beendet eine Kaufantwort manchmal mit schriftlichen Rückfragen, die die Determinants direkt benennen. Solche Listen tauchten in 7,2 % von 135.517 ChatGPT-Antworten vom 24. November 2025 bis 23. September 2026 auf, mit einem Höchstwert von 15,97 % in der Woche vom 29. Juni 2026. In einem eigenen Test der Autoren erhielten GPT-5.6 und Gemini 3.8 Flash jeweils dieselben Kauf-Prompts. Beide Modelle fragten weitgehend nach denselben Determinants, mit einer mittleren Übereinstimmung von 0,83 auf einer Skala, bei der 1 identisch bedeutet. Beide fragten nach Auswahlkriterien, Anwendungsfall, Zielgruppe und bestehendem Setup. Keines fragte nach Glaubwürdigkeit oder Markenassoziation.
Patente, Produktupdates und eigene Daten beschreiben übereinstimmend ein LLM, das vor der Antwort herausfindet, was für den Käufer zählt. Für eine Marke heißt das: Die Seiten, die ein LLM liest, müssen dieselben Fragen zu Zielgruppe, Anwendungsfall, bestehendem Setup und Auswahlkriterien beantworten.
Forschende untersuchten Determinants schon Jahrzehnte vor der KI
Determinants sind als Fokus für LLMs schlüssig, weil Menschen nach Determinants entscheiden. Psychologen haben diesen Prozess über Jahrzehnte dokumentiert, lange vor ChatGPT und AI Overviews.
1968 führten Myers und Alpert den Begriff der determinant attributes ein, also der bestimmenden Merkmale. Gemeint sind Merkmale, die einem Käufer wichtig sind und sich zugleich zwischen den Optionen unterscheiden, was sie zu den Merkmalen macht, die eine Wahl entscheiden (Myers und Alpert, 196814). Spätere Arbeiten zeigten, wie Käufer diese Kriterien anwenden. Menschen streichen Optionen Merkmal für Merkmal (Tversky, 197215). Bei einer langen Liste prüfen sie zuerst wenige Merkmale und vergleichen das Verbleibende im Detail (Payne, 197616).
1982 verknüpfte Gutman Produktmerkmale mit den Ergebnissen, die ein Käufer von einem Produkt erwartet, und mit den persönlichen Werten hinter diesen Ergebnissen (Gutman, 198217). Was ein Käufer vergleicht, hängt davon ab, was er erledigt haben will und wer er ist. Ein Elternteil, das einen Kinderwagen für Gehwege in der Stadt kauft, vergleicht Gewicht und Faltmaß. Wer läuft und einen Jogging-Kinderwagen kauft, vergleicht Federung und Radgröße. Ein LLM steht bei einer Empfehlung vor demselben Problem. Das erklärt, warum LLMs nach Anwendungsfall und Zielgruppe fragen, bevor sie Optionen vergleichen.
LLMs lernen aus dem, was Menschen geschrieben haben, und dieses Geschriebene trägt in sich, wie Menschen wählen. In einer 2025 in Nature veröffentlichten Studie trainierten Binz und Kollegen Metas Llama-Modell mit mehr als 10.000.000 menschlichen Entscheidungen aus 160 psychologischen Experimenten nach. Das daraus entstandene Modell Centaur sagte die Entscheidungen von Teilnehmenden, die es nie gesehen hatte, genauer voraus als bestehende kognitive Modelle (Binz et al., 202513).
Vor den LLMs arbeiteten Käufer diese Schritte über eine Reihe von Google-Suchen ab, von der Kategorie über einen Vergleich bis zu Bewertungen, und grenzten die Liste dabei ein. Heute übernimmt ein LLM diesen Prozess für den Käufer. Ein Modell, das Menschen beim Entscheiden helfen soll, lernt die Faktoren, nach denen Menschen entscheiden. Deshalb tauchen Zielgruppe, Anwendungsfall und Auswahlkriterien in den Antworten von ChatGPT auf und in den Fragen, die es Käufern stellt.
Mit einem SEO-Playbook lässt sich GEO nicht gewinnen
Suchmaschinen und LLMs wurden entwickelt, um zwei grundlegend verschiedene Probleme zu lösen. Deshalb verhalten sich SEO und GEO wie Äpfel und Birnen. Eine Suchmaschine hilft Nutzern, Informationen zu finden, also arbeitet SEO daran, eine Seite auf der Liste zu platzieren, die Nutzer durchlesen. Ein LLM gibt Nutzern die Antwort, also arbeitet GEO daran, eine Marke zu dieser Antwort zu machen. Das Suchen, Lesen und Vergleichen, das Nutzer früher selbst erledigten, geschieht heute in Sekunden, als hätte eine ganze Armee die Google-Suchen ausgeführt und käme mit einer zusammengefassten Antwort und einer Empfehlung zurück.
Eine Auswertung von mehr als 160 Audits von GEO-Kampagnen zeigt, dass Marken und Agenturen diese Kampagnen durch eine SEO-Brille gestalten. Die Kampagnen beginnen mit einer Liste von Sichtbarkeits-Prompts, die in ein GEO-Tool geladen werden. Die Tools schicken diese Prompts durch die LLMs und zeigen, welche Marken genannt und welche Seiten zitiert wurden. Das Team liest die Antworten, untersucht die Zitate und nutzt sie, um stärkere Artikel zu schreiben, in der Hoffnung, dass der nächste Durchlauf die Marke nennt.
In diesen Kampagnen floss der größte Aufwand in die Suche nach den Sichtbarkeits-Prompts, die Menschen am häufigsten eingeben, so wie SEO-Teams nach Keywords mit hohem Suchvolumen gejagt haben. Diese Gewohnheit stammt direkt aus der Keyword-Recherche und jahrelanger SEO-Taktik. Ziel war eine kurze Liste der Prompts mit dem höchsten Volumen, ein Sichtbarkeitswert für diese Prompts und eine Linie in einem Diagramm, die nach oben zeigt. Dieser Ansatz geht davon aus, dass ein LLM wie eine Suchmaschine mit längerem Suchfeld funktioniert.
Käufer formulieren Prompts und interagieren mit LLMs auf unterschiedliche Weise. Das prägt, wie das Modell antwortet und was es für jeden Nutzer im Gedächtnis speichert. Identische Prompts können deshalb je nach dem im Hintergrund geladenen Gedächtnis sehr unterschiedliche Antworten liefern, ein Effekt, der Memory Fog heißt. In Tests mit eigenen Daten lieferten dieselben Determinant-Prompts mit und ohne hinterlegte Persona unterschiedliche Antworten. Dabei waren 70 % der wichtigsten Determinants in beiden Durchläufen gleich. Bei so viel Schwankung gehört der Aufwand in die Suche nach den Entscheidungskriterien, die das Modell nutzt, also den Determinants, statt in das Prompt-Volumen.
Warum das Suchvolumen die falsche Priorität ist
Das Suchvolumen war eine Kennzahl für den Anfang des Trichters mit gemischter Aussagekraft. Es trieb Marken dazu, Keywords mit hohem Volumen zu jagen und möglichst viele Menschen auf eine Website zu bringen. Dieses Ziel passte zur Funktionsweise von Suchmaschinen. Googles Top-10-Ergebnisse wirkten wie ein breit gestreutes Portfolio von Antworten. Marken kämpften um einen Anteil der Klicks, indem sie möglichst weit oben auf der ersten Seite rankten.
LLM-Plattformen veröffentlichen kein Prompt-Volumen. Vier Muster darin, wie Käufer Prompts schreiben und wie LLMs antworten, machen jede Schätzung unzuverlässig:
Prompts sind Long-Tail. Prompts sind lange, ausführliche Fragen, die Budget, Situation und vorhandene Tools eines Käufers enthalten. Zwei Käufer tippen deshalb selten dasselbe. Bei Konten mit aktiviertem Gedächtnis verändert Memory Fog die Antwort zusätzlich, sodass auch zwei Käufer mit demselben Prompt unterschiedliche Antworten erhalten können.
KI folgt Verzerrungen. In einer Studie zu KI-Shopping-Agenten stellten Allouah und Kollegen12 fest, dass die getesteten Modelle die oberste Reihe von Optionen bevorzugten. In eigenen Direktvergleichen auf einem Modell, bei denen das Modell eine von zwei genannten Marken wählte, gewann die zuerst genannte Marke 54,7 % von 4.608 Urteilen.
Prompts mischen den Trichter. Ein einziger Prompt kann fragen, was eine Kategorie ist, drei Optionen vergleichen und um eine Empfehlung bitten. Ein Prompt kann also mehrere Phasen des Trichters umfassen, während ein Keyword meist in einer Phase lag.
Zero-Click-Prompts nennen keine Marke. Viele Prompts mit hohem Volumen sind informativ, etwa was eine Kategorie ist oder wie ein Produkt funktioniert. Das LLM beantwortet sie direkt, ohne Zitat und ohne Empfehlung, sodass das Volumen hinter diesen Prompts nie bei einer Marke ankommt.
Long-Tail-Prompts, verzerrte Antworten, ein gemischter Trichter und Zero-Click-Antworten machen das Suchvolumen zur falschen Kennzahl für GEO. Optimiert wird rund um die Determinants und die Entscheidungsfaktoren innerhalb jedes Determinants, weil ein Käufer die Determinants durcharbeitet, ganz gleich, mit welchem Prompt das Gespräch beginnt.
Warum Determinants der richtige Maßstab für die Leistung sind
Den genauen Prompt eines Käufers kann man kaum vorhersagen, den Weg, den er nimmt, dagegen schon eher. Um eine Marke, ein Produkt oder eine Dienstleistung zu wählen, muss eine Person die Determinants und die Entscheidungsfaktoren in jedem davon durcharbeiten. Das macht die Determinants zu einer stabileren Messgrundlage als Keywords, bei denen man die genauen Worte eines Käufers erraten muss.
Wer auf den einen Prompt optimiert, den ein Käufer vielleicht eingibt, deckt einen Weg von vielen ab. Ein Käufer kann mit einem Problem, einer Kategorie oder einem Wettbewerber beginnen. Das Gespräch kann die Determinants in beliebiger Reihenfolge durchlaufen. Weil ein Käufer viele Wege in vielen Reihenfolgen gehen kann, ist eine Optimierung rund um die Determinants nötig.
Leistung nach Determinants zu analysieren, Lücken zu finden und die Optimierung danach auszurichten, ist die wirksamste Strategie, mit der Marken KI-Empfehlungen gewinnen. Für jeden Determinant und seine Entscheidungsfaktoren sollte eine Kampagne erfassen, ob die Marke in der Antwort sichtbar ist, wo die Seiten der Marke einen Faktor unbeantwortet lassen und wie die Marke im Vergleich zu Wettbewerbern dasteht. Nach diesen Faktoren entscheidet ein Käufer. Er klärt einige oder alle Determinants, bevor er wählt.
Sichtbarkeits-Prompts in GEO-Tracking-Tools erfüllen weiterhin einen taktischen Zweck: Sie steuern die Optimierung der Seiten einer Marke und liefern wertvolle Daten zu Zitaten, Leistung, Arbeitsabläufen und Content-Produktion. Eine unabhängige Messung der Determinants geht darüber hinaus. Sie zeigt die Leistung frei von Prompt-Verzerrungen und technischen Änderungen und erkennt Branchentrends, Stimmungsverschiebungen bei Käufern und aktuelle Themen, die einen neuen Entscheidungsfaktor nach vorn bringen.
Fazit
Dieser Beitrag soll die GEO-Branche als Ganzes voranbringen und die Frage klären, ob sich SEO und GEO unterscheiden. Beide unterscheiden sich stark, mit zu vielen Unterschieden, um GEO als Spielart von SEO zu behandeln. GEO ist ein neues Spiel mit neuen Regeln. Dieser Beitrag legt die Idee und die Prämisse der Determinants als Grundlage für GEO und für die Optimierung für LLMs dar.
Keine Metapher erfasst den Unterschied zwischen SEO und GEO perfekt, doch die Metapher von Fotografie und Film kommt ihm vielleicht nahe. Ein einzelnes Foto trägt viele Informationen. Über mehr als ein Jahrhundert prägten Fotos Zeitungen, Zeitschriften und Werbung. Ein Foto hält einen einzigen Moment mit einer einzigen Botschaft fest. Ein Film besteht aus einer Folge von Fotos. Wer diese Bilder über die Zeit aneinanderreiht, mit Ton und Musik, erzählt eine Geschichte, die kein einzelnes Foto erzählen kann. SEO hat den Schnappschuss optimiert, eine Seite für eine Suche. GEO optimiert den Film, ein Gespräch, das sich entfaltet, während das Modell mit dem Käufer die Determinants durcharbeitet.
Künftige Forschung und Veröffentlichungen werden beantworten, wie Marken, Unternehmen und Agenturen die Determinants für die Optimierung nutzen können. Diese Veröffentlichungen werden jeden der fünf zentralen Determinants und die Determinants jenseits dieser fünf vertiefen und zeigen, wie eine Marke für jeden einzelnen optimiert. Sie werden außerdem behandeln, wie sich über GEO unabhängig berichten lässt, wie man ein Prompt-Set rund um die Determinants aufbaut und wie Kontextdateien einem LLM eine verlässliche Faktenquelle über eine Marke geben.
Häufige Fragen
Den Begriff Determinants für GEO und LLMs prägten Jimmy Park von Opascope und Tobias Peschke von Loud & Lexis. Determinants sind die Fragen, die eine KI-Antwortmaschine geklärt haben muss, bevor sie einem Käufer eine Option empfiehlt. Es gibt fünf zentrale: Zielgruppe, Anwendungsfall, Auswahlkriterien, Glaubwürdigkeit und Markenassoziation. Die fünf Determinants bleiben von Kategorie zu Kategorie gleich, die Entscheidungsfaktoren innerhalb jedes Determinants ändern sich mit der Kategorie. Entscheidungsfaktoren sind die Punkte, die das Modell für einen Käufer in einer Situation abwägt, etwa die Akkulaufzeit bei einem Gerät oder eine Sicherheitsfunktion bei B2B-Software.
Jimmy Park von Opascope und Tobias Peschke von Loud & Lexis prägten den Begriff Determinants und etablierten das Framework im Lauf des Jahres 2026 als Zukunft von GEO. Die Forschung stützte sich auf mehr als 659.000 erfasste LLM-Antworten auf Käufer-Prompts, auf Patente dazu, wie KI-Systeme die Bedürfnisse von Käufern interpretieren, und auf den Code von Open-Source-LLMs, um zu sehen, wie Modelle diese Bedürfnisse erfassen und gewichten. Opascope und Loud & Lexis führten ihre Datensätze zusammen und validierten die Ergebnisse in gemeinsamen Experimenten.
Ja. Die fünf zentralen Determinants sind der Ausgangspunkt. Das Modell wägt auch weitere ab. Einige sind Unter-Determinants innerhalb eines zentralen Determinants. Der Standort, also wo der Käufer lebt oder wo ein Unternehmen tätig ist, gehört zur Zielgruppe und wirkt in manchen Branchen als eigenständiger Determinant. Das bestehende Setup, also die Plattformen, Produkte und Integrationen, die ein Käufer bereits hat oder an die er gebunden ist, gehört zum Anwendungsfall.
SEO und GEO verhalten sich wie Äpfel und Birnen. Eine Suchmaschine hilft Nutzern, Informationen zu finden, damit sie die Antwort selbst finden. Ein LLM findet die Antwort für die Nutzer, indem es die Quellen liest, die Optionen abwägt und eine Empfehlung gibt. SEO arbeitet daran, eine Seite zu ranken. GEO arbeitet daran, dem Modell zu geben, was es braucht, um eine Marke anhand der Determinants zu wählen.
Die Determinants wurden aus den Mustern in mehr als 659.000 erfassten Antworten auf Kauf-Prompts aus B2B und E-Commerce ermittelt, von LLMs und Antwortmaschinen wie ChatGPT, Gemini und Google AI Overviews. Weitere Forschung zu Patentanmeldungen führender KI-Labore und zur Entscheidungspsychologie seit 1968 schärfte die Konzepte. Alle fünf zentralen Determinants kommen in den kodierten ChatGPT-Antworten aus diesem Datenbestand vor, die übrigen Engines sind noch nicht kodiert.
Ja. ChatGPT fragt Determinants seit Langem über Rückfragen am Ende einer Antwort ab und bittet Käufer, Zielgruppe, Anwendungsfall oder Budget zu präzisieren, bevor es eine Empfehlung eingrenzt. In eigenen Daten begann ChatGPT am 25. September 2026, diese Abfrage mit strukturierten Multiple-Choice-Formularen zu verfeinern. Vom 7. Oktober bis 7. November 2026 enthielten 15.092 von 40.193 Antworten ein Formular (37,55 %). Von 38.578 Formularfragen fragen 88,62 % nach Zielgruppe, Anwendungsfall, bestehendem Setup oder Auswahlkriterien.
Eine Marke kann ihre Seiten auf die Entscheidungsfaktoren in Zielgruppe, Anwendungsfall und Auswahlkriterien ausrichten, indem sie sagt, wen sie bedient, welche Aufgaben sie erledigt und welche Fakten Käufer vergleichen. Glaubwürdigkeit und Markenassoziation bewegen sich langsamer über Bewertungen, Studien, Zertifizierungen und Berichterstattung und hängen stärker davon ab, was das Modell im Training gelernt hat.
SEO bleibt wichtig, weil LLMs bei RAG Suchergebnisse nutzen, um einen Teil ihrer Quellen zu finden. Menschen werden Suchmaschinen außerdem weiter für gezielte Suchen nutzen. Suchmaschinen werden sich weiterentwickeln und auf absehbare Zeit in Gebrauch bleiben.
Quellen
- Oxford Learner's Dictionaries. Determinant. https://www.oxfordlearnersdictionaries.com/definition/english/determinant (read via the Internet Archive, Nov 9, 2026)
- Pew Research Center. Americans and AI 2026: Chatbots, Smart Devices and Views on Impact. June 17, 2026. https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026-chatbots-smart-devices-and-views-on-impact/
- McKinsey & Company. Who wins when AI does the shopping? New evidence on agentic commerce. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/who-wins-when-ai-does-the-shopping-new-evidence-on-agentic-commerce As reported by Retail Technology Innovation Hub, Oct 28, 2026. https://retailtechinnovationhub.com/home/2026/10/28/mckinsey-research-shows-retailers-are-losing-the-start-of-the-shopping-journey-to-ai-tools
- Google LLC. Machine-learning systems and methods for conversational recommendations. US20250356223A1. Filed May 16, 2024; published Nov 20, 2025. https://patents.google.com/patent/US20250356223A1/en
- Google LLC. Systems and methods for the generation of a comparative data structure using a large language model. US20260094193A1. Filed Sep 30, 2024; published Apr 2, 2026. https://patents.google.com/patent/US20260094193A1/en
- Google. GoogleApi.ContentWarehouse.V1.Model.KnowledgeAnswersIntentQueryShoppingIds. google_api_content_warehouse v0.4.0 documentation. https://hexdocs.pm/google_api_content_warehouse/0.4.0/GoogleApi.ContentWarehouse.V1.Model.KnowledgeAnswersIntentQueryShoppingIds.html
- OpenAI. ChatGPT release notes. June 24, 2026 entry. https://help.openai.com/en/articles/6825453-chatgpt-release-notes
- OpenAI. Introducing shopping research in ChatGPT. Nov 24, 2025. https://openai.com/index/chatgpt-shopping-research/
- OpenAI. GPT-6 and Intelligent UI for everyone. Oct 7, 2026. https://openai.com/index/gpt-6-for-everyone/
- Perplexity. Shopping that puts you first. Nov 25, 2025. https://www.perplexity.ai/hub/blog/shopping-that-puts-you-first
- Microsoft. Shopping with Microsoft Copilot. https://support.microsoft.com/en-au/microsoft-copilot/shopping-with-microsoft-copilot
- Allouah A, Besbes O, Figueroa JD, Kanoria Y, Kumar A. What Is Your AI Agent Buying? Evaluation, Implications and Emerging Questions for Agentic E-Commerce. arXiv:2508.02630. 2025. https://arxiv.org/abs/2508.02630
- Binz M, Akata E, Bethge M, et al. A foundation model to predict and capture human cognition. Nature. 2025;644(8078):1002-1009. https://doi.org/10.1038/s41586-025-09215-4
- Myers JH, Alpert MI. Determinant buying attitudes: meaning and measurement. J Mark. 1968;32(4):13-20. https://doi.org/10.1177/002224296803200404
- Tversky A. Elimination by aspects: a theory of choice. Psychol Rev. 1972;79(4):281-299. https://doi.org/10.1037/h0032955
- Payne JW. Task complexity and contingent processing in decision making. Organ Behav Hum Perform. 1976;16(2):366-387. https://doi.org/10.1016/0030-5073(76)90022-2
- Gutman J. A means-end chain model based on consumer categorization processes. J Mark. 1982;46(2):60-72. https://doi.org/10.1177/002224298204600207
- Keller KL. Conceptualizing, measuring, and managing customer-based brand equity. J Mark. 1993;57(1):1-22. https://doi.org/10.1177/002224299305700101
- Lewis P, Perez E, Piktus A, Petroni F, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401. https://arxiv.org/abs/2005.11401
Strategiegespräch
Wie sichtbar ist Ihre Marke
für ChatGPT & Co.?
Kostenloses Strategiegespräch, 30 Minuten, mit einer ersten Einschätzung Ihrer KI-Sichtbarkeit.
Strategiegespräch buchen →