GEO-Optimizer (LMO / KI-Sichtbarkeit)

Klassisches SEO optimiert für ein Ranking-Verfahren. GEO/LMO optimiert dafür, dass ein Sprachmodell einen Text als Quelle auswählt und zitiert. Die Mechanik dahinter: KI-gestützte Suchsysteme kombinieren Retrieval (Auswahl relevanter Quellen) mit Generierung (das Modell fasst zusammen und zitiert selektiv). Sichtbarkeit entsteht durch Extrahierbarkeit, Faktendichte, Entitätsklarheit und Konsistenz über mehrere Quellen hinweg, nicht durch Keyword-Dichte oder Backlinks.

Dieser Skill arbeitet auf vier Ebenen. Alle vier werden bei jedem Durchlauf geprüft, auch wenn nur ein Teilaspekt genannt wird (z. B. "schreib mir ein FAQ-Schema") — die anderen Ebenen kurz mitprüfen und Lücken benennen, auch wenn nur das FAQ-Schema geliefert wird.

Womit dieser Skill arbeitet

• Ein fertiger Text (eingefügt, als Datei oder Link), der überarbeitet werden soll
• Ein frisch entstandener Entwurf, z. B. direkt im Anschluss an einen Content-Skill
• Nur ein Teilbaustein auf Zuruf (Meta-Description, FAQ-Schema, Autoren-Box), wenn das explizit eingegrenzt wird

Bei fremden Texten (Kunden, Dritte) gilt eine Grenze: Inhalt, Struktur und Extrahierbarkeit dürfen frei bearbeitet werden. EEAT-Signale, die Tatsachenbehauptungen über die Autorin oder den Autor sind (Credentials, Erfahrung), werden nur geprüft und als Lücke benannt, nie erfunden.

Ebene 1: Inhalt

• Suchintention identifizieren: Welche Frage beantwortet der Text implizit? Diese Frage in den ersten zwei bis drei Sätzen direkt beantworten, nicht erst nach der Einleitung.
• Verständlichkeit: Fachbegriffe korrekt verwenden, bei Bedarf im Nebensatz erklären statt in einem separaten Erklärabsatz.
• Präzision: vage Aussagen ("viele Unternehmen", "oft zeigt sich") durch konkrete Zahlen, Zeiträume oder Quellenangaben ersetzen, wo die Information vorliegt oder recherchierbar ist.
• Fachtiefe: Aussagen begründen, nicht nur behaupten. Eine These ohne Warum ist für ein Modell so wenig zitierfähig wie für eine Leserin.
• Füllwörter und Redundanzen streichen.

Ebene 2: LMO / KI-Extrahierbarkeit

• Answer-Block am Anfang: zwei bis vier Sätze, die die Kernaussage direkt liefern. Als normaler Fliesstext-Absatz, nicht als Blockquote oder Callout-Box, da Extraktionslogik reinen Text bevorzugt.
• In sich abgeschlossene Absätze: jeder Absatz sollte auch isoliert zitierfähig sein. Vermeiden: "wie oben erwähnt", "siehe weiter unten".
• Definitionen klar markieren: Formulierungen wie "X bezeichnet..." oder "X ist..." an prominenter Stelle, nicht in einem Nebensatz versteckt.
• FAQ-Block am Ende: vier bis acht Fragen, formuliert wie ein Mensch sie tatsächlich in ein Suchfeld oder einen Chat eingeben würde, nicht wie eine Marketingfrage. Antwort direkt darunter, zwei bis vier Sätze, in sich vollständig.
• Fakten mit Herkunft: Zahlen und Studienangaben nie ohne Quelle im Text, da Zitierfähigkeit von nachprüfbarer Herkunft abhängt.

Beispiel Answer-Block: Schwach: "In diesem Artikel geht es um die Frage, wie Unternehmen KI sinnvoll einsetzen können, wobei verschiedene Aspekte eine Rolle spielen." Stark: "Unternehmen setzen KI dann sinnvoll ein, wenn sie zuerst den Prozess klären und erst danach das Werkzeug wählen. Die drei häufigsten Fehler sind ein fehlendes Zielbild, ungeprüfte Datenqualität und fehlende menschliche Kontrolle."

Beispiel FAQ-Eintrag: Schwach formuliert: "Was gibt es bei KI zu beachten?" Nutzernah formuliert: "Ist ChatGPT für vertrauliche Firmendaten sicher?" Antwort: "Nicht ohne Enterprise-Vertrag mit entsprechenden Datenschutz-Garantien. Die kostenlose oder Plus-Version kann Eingaben zu Trainingszwecken nutzen, sofern das nicht explizit deaktiviert wurde."

Ebene 3: EEAT-Signale

Prüfen, ob folgende Signale vorhanden sind, und Lücken konkret benennen:

• Experience: erkennbare eigene Erfahrung oder Praxisbeispiele, nicht nur Sekundärwissen
• Expertise: Fachbegriffe korrekt und im Kontext verwendet, der Fachkenntnis zeigt
• Authority: Autorenangaben, die Kompetenz belegen (Titel, Position, Referenzen)
• Trust: nachprüfbare Quellen, erkennbares Datum, Transparenz (z. B. offengelegter KI-Einsatz)

Für eigene Texte: einen Autoren-Box-Vorschlag ausschliesslich mit den tatsächlich hinterlegten Angaben erstellen (Position, Lehrtätigkeit, Publikationen, Referenzen). Autorennamen immer vollständig ausschreiben.

Für fremde oder Kundentexte: nur prüfen und die fehlenden Signale benennen. Keine Credentials, Erfahrungswerte oder Autorenangaben für Dritte erfinden.

Fehlt ein Veröffentlichungs- oder Aktualisierungsdatum im Text, das als Lücke markieren. Aktualität ist ein direktes Trust-Signal, das viele Systeme bei der Quellenauswahl gewichten.

Ebene 4: Technik & Struktur

Überschriften-Hierarchie

• H1: nur der Artikeltitel, genau einmal. Nie eine zweite H1 im Fliesstext.
• H2: alle Hauptabschnitte (Answer-Block, inhaltliche Abschnitte, FAQ, ggf. Quellen)
• H3: Unterabschnitte, falls nötig
• Listen als echte Bullet- oder nummerierte Listen, nie als Pseudo-Liste mit Bindestrichen im Fliesstext
• Fett sparsam für Kernbegriffe, kursiv für Werktitel und Fremdbegriffe
• Links als klickbare Links, nie als nackte URL im Fliesstext
• Vor Abschluss kontrollieren: keine rohen Markdown-Zeichen im gerenderten Ergebnis, keine übersprungenen Ebenen (nie H1 direkt zu H3)

Meta-Title: 50 bis 60 Zeichen, Hauptbegriff oder Kernaussage vorne, keine Klickbait-Füllwörter.

Meta-Description: 150 bis 160 Zeichen, beantwortet die Suchintention direkt, Hauptbegriff einmal natürlich eingebettet.

Interne Links: Wenn eine Liste bestehender Artikel oder URLs mitgeliefert wird, dort sinnvolle Verlinkungsstellen im Text vorschlagen. Ohne diese Liste nur Platzhalter setzen, z. B. "[interner Link zu einem Artikel über Prompt-Frameworks]". Nie URLs erfinden.

Semantisches HTML: echte Überschriften-Tags, echte Listen, <strong> nur für Kernbegriffe, keine Formatierung über reine CSS-Tricks.

Strukturierte Daten (JSON-LD): passende Schemas liefern, ready-to-copy.

Article-Schema (Grundgerüst für jeden Artikel):

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "[Titel, max. 110 Zeichen]",
  "description": "[Meta-Description]",
  "datePublished": "[YYYY-MM-DD]",
  "dateModified": "[YYYY-MM-DD]",
  "author": {
    "@type": "Person",
    "name": "[Vor- und Nachname]",
    "jobTitle": "[z. B. KI-Berater, Keynote Speaker]",
    "url": "[Autoren-URL]"
  },
  "publisher": {
    "@type": "Organization",
    "name": "[Publikationsname]"
  }
}

FAQPage-Schema (wenn ein FAQ-Block vorhanden ist):

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "[Frage 1]",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "[Antwort 1]"
      }
    }
  ]
}

HowTo-Schema (nur wenn der Text tatsächlich eine Schritt-für-Schritt-Anleitung ist, nicht erzwingen):

{
  "@context": "https://schema.org",
  "@type": "HowTo",
  "name": "[Titel]",
  "step": [
    {
      "@type": "HowToStep",
      "name": "[Schritt-Titel]",
      "text": "[Schritt-Beschreibung]"
    }
  ]
}

Ablauf

1. Text entgegennehmen (bestehend oder frisch entworfen)
2. Alle vier Ebenen durchgehen, auch wenn nur eine davon explizit genannt wird
3. Ergebnis in dieser Reihenfolge liefern:

1. GEO-Kurzbefund

Kompakt, je Ebene ein bis zwei Sätze: was ist stark, was fehlt. Kein Fliesstext-Report, sondern Orientierung vor der Detailarbeit.

2. Überarbeiteter Text

Vollständiger Text mit eingebautem Answer-Block, FAQ-Abschnitt, sauberer H1-H3-Struktur und ggf. Platzhaltern für interne Links.

3. Meta-Title & Meta-Description

Mit Zeichenzahl angeben.

4. Strukturierte Daten

JSON-LD-Snippets (Article immer, FAQPage wenn ein FAQ-Block existiert, HowTo nur bei Anleitungscharakter).

5. Plattform-Hinweis

Kurz erwähnen: JSON-LD entfaltet nur auf Plattformen mit Custom-Code-Zugang technische Wirkung (Ghost, WordPress, eigene Website). Auf Medium oder Substack lässt sich der Code nicht einbinden, das FAQ bleibt dort aber als sichtbarer Textabschnitt wertvoll für die Extrahierbarkeit.

Grenzen

• Erfindet keine internen Links, keine Studienangaben, keine EEAT-Signale für Dritte
• Kennt die reale Sitemap oder URL-Struktur einer Website nicht, ausser sie wird mitgeliefert
• Schema Markup entfaltet nur auf Plattformen mit Custom-Code-Zugang technische Wirkung, unabhängig davon liefert es als Referenz trotzdem Struktur

Verhältnis zu anderen Skills

• Läuft sinnvoll direkt nach einem Recherche- oder Content-Skill: der Artikel steht bereits (TLDR, H2/H3, Quellen), dieser Skill schärft die GEO-Ebene und ergänzt FAQ, Schema Markup und Meta-Angaben
• Funktioniert genauso eigenständig auf jedem fertigen Text, unabhängig davon, wie er entstanden ist

---

Zuletzt aktualisiert: 28.08.2026 · Version 1.0.0 · skills.fragroger.ai

Lizenz: CC BY-NC-ND 4.0 (Namensnennung – nicht kommerziell – keine Bearbeitungen). Nutzung nur für den Eigengebrauch. https://creativecommons.org/licenses/by-nc-nd/4.0/deed.de