Was GEO eigentlich meint

Der Begriff Generative Engine Optimization stammt aus einer Forschungsarbeit von Wissenschaftlern der Princeton University, des IIT Delhi, der Georgia Tech und des Allen Institute for AI. Das Paper wurde im November 2023 veröffentlicht und 2024 auf der Konferenz KDD vorgestellt. Die Autoren beschreiben GEO als Ansatz, mit dem Inhalte in den Antworten generativer Suchsysteme sichtbarer werden. Laut ihren Tests lässt sich diese Sichtbarkeit um bis zu 40 Prozent steigern (GEO: Generative Engine Optimization, arXiv).

Interessant ist, welche Maßnahmen dort am besten abgeschnitten haben: Quellenangaben, Zitate und belastbare Zahlen. Klassisches Keyword-Stuffing brachte dagegen kaum etwas und schnitt bei Perplexity sogar schlechter ab als der unveränderte Text. Für KI-Antworten zählen also nachprüfbare Fakten mit Beleg. Das ist zufällig genau das Prinzip, nach dem Wikipedia seit über zwei Jahrzehnten arbeitet.

Während sich klassische SEO darum dreht, in der Trefferliste von Google möglichst weit oben zu stehen, geht es bei GEO um etwas anderes. Die Frage ist, ob ein Sprachmodell Ihren Namen kennt, richtig einordnet und in seiner Antwort erwähnt, wenn jemand nach Ihrer Branche, Ihrem Fachgebiet oder direkt nach Ihnen fragt.

Warum Sprachmodelle Wikipedia so gut kennen

Große Sprachmodelle lernen ihr Grundwissen aus riesigen Textsammlungen. Wikipedia ist darin zwar mengenmäßig nur ein kleiner Teil, wird aber bewusst bevorzugt. Am besten dokumentiert ist das bei GPT-3, dem Vorgänger der heutigen ChatGPT-Modelle. OpenAI hat die Zusammensetzung der Trainingsdaten damals offengelegt (Brown et al., „Language Models are Few-Shot Learners“):

Die letzte Spalte ist die aufschlussreichste. Das allgemeine Web hat das Modell nicht einmal zur Hälfte gesehen, Wikipedia dagegen mehr als dreimal. Die Autoren begründen das ausdrücklich: Datensätze, die sie für hochwertiger halten, wurden häufiger in das Training einbezogen. Inhalte aus Wikipedia prägen das Wissen eines Modells deshalb stärker als ein beliebiger Text gleicher Länge auf einer Unternehmenswebsite.

Bei neueren Modellen legen die Anbieter ihre Trainingsdaten kaum noch so detailliert offen. Dass Wikipedia weiterhin eine zentrale Rolle spielt, zeigt sich aber an anderer Stelle. Im Januar 2026 gab die Wikimedia Foundation bekannt, dass unter anderem Amazon, Meta, Microsoft, Mistral AI und Perplexity zahlende Partner von Wikimedia Enterprise sind, also Wikipedia-Daten in großem Umfang über eine offizielle Schnittstelle beziehen. Google war schon vorher Kunde (Wikimedia Enterprise). Unternehmen bezahlen nicht für Daten, die sie nicht brauchen.

Wikipedia als Quelle in KI-Antworten

Neben dem Training gibt es einen zweiten Weg, auf dem Wikipedia in KI-Antworten landet: die Live-Recherche. ChatGPT mit Websuche, Perplexity oder die KI-Übersichten von Google suchen bei vielen Fragen aktuelle Quellen im Netz und verlinken sie in der Antwort.

Das Analyse-Unternehmen Profound hat solche Zitate zwischen August 2024 und Juni 2025 ausgewertet. Bei ChatGPT war Wikipedia die mit Abstand meistzitierte Domain: 7,8 Prozent aller Quellenangaben und knapp 48 Prozent der Nennungen unter den zehn häufigsten Quellen. Bei Perplexity und den Google-KI-Übersichten lag dagegen Reddit vorn (Profound: AI Platform Citation Patterns).

Solche Anteile schwanken allerdings stark. Sie hängen vom KI-System, von der Art der Frage und vom Zeitraum ab, und spätere Auswertungen anderer Anbieter kommen teils auf deutlich niedrigere Werte. Gleichbleibend ist vor allem das Muster: Wenn eine KI eine Person, ein Unternehmen oder eine Organisation einordnen soll, greift sie besonders gern auf Wikipedia zurück. Bei Fragen wie „Wer ist …?“ oder „Was macht die Firma …?“ ist ein Wikipedia-Artikel oft die naheliegendste neutrale Quelle.

Entitäten, Wikidata und das Knowledge Panel

Suchmaschinen und Sprachmodelle denken zunehmend in Entitäten statt in Wörtern. Eine Entität ist ein eindeutig bestimmbares Ding: eine bestimmte Person, ein bestimmtes Unternehmen, ein bestimmter Ort. Damit eine KI „die Müller GmbH aus Augsburg“ nicht mit einem gleichnamigen Betrieb in Hamburg verwechselt, braucht sie gesicherte Merkmale wie Gründungsjahr, Sitz, Branche, Gründer oder offizielle Website.

Diese Merkmale stehen in strukturierter Form auf Wikidata, der freien Wissensdatenbank der Wikimedia-Projekte. Ein Wikipedia-Artikel ist in der Regel mit einem Wikidata-Eintrag verknüpft, der ihn mit allen anderen Sprachversionen und mit maschinenlesbaren Fakten verbindet. Zusammen bilden Artikel und Datenobjekt eine Art Personalausweis Ihrer Marke im offenen Netz.

Google selbst schreibt, dass die Fakten im Knowledge Graph „aus einer Vielzahl von Quellen“ stammen (Google: Funktionsweise des Knowledge Graph). Welche das genau sind, legt Google nicht offen. In der Praxis sieht man aber bei sehr vielen Infoboxen rechts neben den Suchergebnissen einen kurzen Wikipedia-Auszug samt Link. Wer einen Wikipedia-Artikel hat, liefert diesen Systemen also eine konsistente, überprüfbare Beschreibung. Wer keinen hat, überlässt das Bild anderen Quellen: Branchenverzeichnissen, Bewertungsportalen oder Foren.

Was ein Wikipedia-Artikel für GEO leisten kann, und was nicht

Wir erleben regelmäßig, dass Anfragen mit überzogenen Erwartungen beginnen. Deshalb hier die nüchterne Einordnung:

Vor allem der letzte Punkt wird oft unterschätzt. Über die Live-Suche kann ein neuer Artikel recht schnell in KI-Antworten auftauchen. Bis er im Grundwissen eines Modells ankommt, vergeht dagegen meist deutlich mehr Zeit, nämlich bis zum nächsten Trainingsstand.

Voraussetzung: Relevanz und belastbare Quellen

Nicht jedes Unternehmen und nicht jede Person bekommt einen Wikipedia-Artikel. Die deutschsprachige Wikipedia hat eigene Relevanzkriterien, für Unternehmen etwa Schwellen bei Mitarbeiterzahl oder Umsatz oder eine nachweisbare überregionale Bedeutung. Wer sie nicht erfüllt, riskiert, dass der Artikel nach kurzer Zeit wieder verschwindet.

Genauso wichtig sind die Quellen. Jede wesentliche Aussage muss nach den Belegregeln durch zuverlässige, möglichst unabhängige Veröffentlichungen gestützt sein, also etwa Fachpresse, Zeitungsberichte, Bücher oder amtliche Register. Pressemitteilungen und die eigene Website reichen dafür nicht. Hier schließt sich der Kreis zur GEO-Forschung: Belegte Fakten machen einen Artikel für die Wikipedia-Community glaubwürdig, und genau diese Art von Inhalt bevorzugen auch generative Suchsysteme.

Ein Wikipedia-Artikel ist deshalb oft das Ergebnis einer Vorarbeit: Wer heute noch zu wenig unabhängige Berichterstattung hat, sollte zuerst daran arbeiten. Das stärkt die GEO-Sichtbarkeit ohnehin, denn Sprachmodelle lesen auch diese Quellen.

So passt Wikipedia in Ihre GEO-Strategie

Aus unserer Erfahrung bewährt sich eine klare Reihenfolge:

1. Relevanz ehrlich prüfen. Erfüllen Sie die Kriterien heute schon, oder fehlt noch etwas? Diese Frage entscheidet über alles Weitere.
2. Quellenlage aufbauen. Unabhängige Berichte, Fachartikel und Interviews sind die Grundlage für Wikipedia und zugleich eigenständige GEO-Signale.
3. Neutralen Artikel erstellen. Sachlich, vollständig belegt, im Stil einer Enzyklopädie. Ein Text, der nach Werbung klingt, übersteht die Sichtung durch die Community selten.
4. Wikidata pflegen. Gründungsdatum, Sitz, offizielle Website und Kennungen sollten stimmen und zu Ihrer eigenen Website passen.
5. Weitere Sprachversionen prüfen. Wer international tätig ist, profitiert von einem englischen Artikel besonders, weil englischsprachige Inhalte in vielen Trainingsdaten den größten Anteil haben.
6. Konsistenz herstellen. Die Angaben auf Ihrer Website, in Ihrem Impressum, in Branchenprofilen und auf Wikipedia sollten übereinstimmen. Widersprüche verunsichern Menschen und Maschinen gleichermaßen.
7. Ergebnis beobachten. Fragen Sie in regelmäßigen Abständen ChatGPT, Perplexity und Gemini nach Ihrem Unternehmen und notieren Sie, was sich verändert.

Häufige Fragen zu Wikipedia und GEO

Erwähnt ChatGPT mein Unternehmen, sobald es einen Wikipedia-Artikel gibt?

Nicht automatisch. Der Artikel erhöht die Wahrscheinlichkeit, dass Sie richtig erkannt und beschrieben werden. Ob Sie in einer Antwort auftauchen, hängt aber auch von der Frage, dem jeweiligen KI-System und weiteren Quellen ab.

Reicht ein Wikidata-Eintrag ohne Wikipedia-Artikel?

Ein Wikidata-Eintrag hilft bei der eindeutigen Zuordnung, enthält aber nur strukturierte Fakten und keinen Fließtext. Für die Beschreibung, die eine KI in Worte fasst, ist der Wikipedia-Artikel deutlich wertvoller. Auch für Wikidata gelten Anforderungen an Belege.

Kann ich meinen Wikipedia-Artikel einfach selbst schreiben?

Grundsätzlich kann jeder Wikipedia bearbeiten. Ohne Erfahrung mit Relevanzkriterien, Belegregeln und dem enzyklopädischen Stil scheitern Erstversuche allerdings häufig. Wichtig ist vor allem, die Regeln der Community zu kennen und einzuhalten.

Wie schnell wirkt ein neuer Artikel auf KI-Antworten?

Über die Live-Websuche von ChatGPT, Perplexity oder Google kann er innerhalb weniger Wochen sichtbar werden. Ins Grundwissen eines Sprachmodells gelangt er erst mit dem nächsten Trainingsstand, was oft Monate dauert.

Fazit

Für GEO ist ein Wikipedia-Artikel kein Allheilmittel, aber eines der solidesten Fundamente, die es gibt. Sprachmodelle haben Wikipedia beim Training bevorzugt, zitieren sie in der Live-Suche häufig und nutzen sie zusammen mit Wikidata, um Entitäten eindeutig zuzuordnen. Entscheidend ist, dass der Artikel die Relevanzkriterien erfüllt, sauber belegt ist und neutral bleibt. Ob das für Ihr Unternehmen oder für Sie als Person schon heute möglich ist, können Sie mit unserem kostenlosen Relevanzcheck in wenigen Minuten herausfinden. Einen Überblick über unsere Leistungen rund um Wikipedia-Artikel und Wikidata finden Sie auf unserer Startseite.