SEO, GEO, AEO & AIO: Leitfaden fürs KI-Zeitalter

Die Art und Weise, wie Menschen und Maschinen Informationen im Internet suchen und verarbeiten, hat sich grundlegend verändert. Während vor wenigen Jahren die klassische Suchmaschinenoptimierung (SEO) der alleinige Standard war, um im Netz gefunden zu werden, bestimmen heute Generative AI Engines (wie ChatGPT Search, Perplexity, Claude und Gemini) sowie Answer Engines (wie Google [Goo24] AI Overviews) maßgeblich die Informationsbeschaffung.

Damit eine persönliche, wissenschaftliche oder unternehmerische Website im modernen KI-Zeitalter sichtbar, zitierfähig und maschinenlesbar bleibt, reicht SEO alleine nicht mehr aus. Wir müssen Websites multidimensional optimieren: für SEO, GEO, AEO und AIO.

In diesem Artikel erklären wir die vier Begriffe kurz und zeigen anschließend Schritt für Schritt, wie wir diesen Ansatz auf dieser Website (hackenberg.tech, entwickelt auf Basis des modernen Web-Frameworks Astro) strategisch und technisch umgesetzt haben.

1. Was unterscheidet SEO, GEO, AEO und AIO? Die vier Dimensionen im Vergleich

In der aktuellen Fachdiskussion kursieren verschiedene Akronyme für das Auffinden digitaler Inhalte. Wichtig ist festzuhalten: GEO, AEO und AIO sind keine Gegensätze zum klassischen SEO, sondern evolutionäre Erweiterungen, die auf denselben Fundamenten – sauberem HTML5, semantischer Autorität, schneller Auslieferung und strukturierten Daten – aufbauen. Wie Aggarwal et al [Agg24]. (ACM KDD 2024) in ihrer richtungsweisenden Benchmark-Studie zu Generative Engine Optimization nachgewiesen haben, korreliert die Zitationshäufigkeit in generativen Systemen stark mit fundierten Belegen, präzisen Faktenzitaten und technischer Maschinenlesbarkeit.

1. SEO (Search Engine Optimization)

Klassische Suchmaschinenoptimierung bildet das technische Fundament für jede Form der Web-Auffindbarkeit:

• Zielgruppe: Klassische Web-Crawler von Google, Bing und DuckDuckGo.
• Kernfokus: Technische Crawlbarkeit, saubere HTML5-Hierarchie (<h1>–<h6>), schnelle Ladezeiten (Core Web Vitals), mobile Responsivität, OpenGraph-Tags, XML-Sitemaps und Keyword-Relevanz. Ohne saubere SEO-Indexierung haben auch KI-Crawler keine verlässliche Basis.

2. GEO (Generative Engine Optimization)

Generative Engine Optimization erweitert dieses Fundament gezielt für sprachmodellbasierte Such- und Synthesesysteme:

• Zielgruppe: Generative KI-Suchmaschinen und RAG-Systeme (Retrieval-Augmented Generation) wie Perplexity, ChatGPT Search, Claude und Gemini.
• Kernfokus: Hochgradig zitierfähige Fakten, Standard-Formate wie llms.txt, eindeutige Knowledge-Graph-Verknüpfungen (sameAs), statistisch verifizierte Aussagen und explizite Bot-Freigaben in der robots.txt.

3. AEO (Answer Engine Optimization)

Answer Engine Optimization richtet die Textdramaturgie auf direkte, sofort extrahierbare Faktenantworten aus:

• Zielgruppe: Direct Answer Engines, Featured Snippets und Sprachassistenten (Siri, Alexa, Google AI Overviews).
• Kernfokus: Das „Answer-First“-Muster (prägnante 40–60 Wörter Kernaussagen direkt unter Überschriften), strukturierte FAQs mit FAQPage-Schema sowie übersichtliche Datentabellen und Aufzählungslisten.

4. AIO (Artificial Intelligence Optimization)

Artificial Intelligence Optimization adressiert schließlich die programmatische Schnittstelle zu autonomen Software-Agenten:

• Zielgruppe: Autonome KI-Agenten, RAG-Pipelines und automatisierte Coding-Assistenten.
• Kernfokus: Maschinenlesbare Manifest-APIs (/content-manifest.json), tiefgreifendes JSON-LD Schema.org Markup (Person, ScholarlyArticle, SoftwareApplication, Course, Service) und Bereitstellung strukturierter Agenten-Tools (MCP).

2. Wie sieht unser strategischer und technischer Umsetzungsansatz aus?

Um diese Website (hackenberg.tech) systematisch für alle vier Dimensionen aufzustellen, haben wir eine Architektur umgesetzt, die sowohl menschlichen Besuchern eine erstklassige UX bietet als auch Maschinen maximale Transparenz garantiert.

Schritt 1: Das maschinenlesbare Fundament (llms.txt & llms-full.txt)

Basierend auf dem aufstrebenden Community-Vorschlag von Answer.AI (llmstxt.org) haben wir zwei zentrale Text-Dateien bereitgestellt:

• public/llms.txt: Eine strukturierte Übersicht über Dr. Georg Hackenberg, Hauptforschungsgebiete, Kernprojekte (wie CADdrive, unsere Cloud-Plattform für CAD-Kollaboration, und Mentawise, unsere Plattform für kognitives Training) und die Navigationsstruktur der Website.
• src/pages/llms-full.txt.ts: Ein dynamischer Endpunkt, der beim Aufruf von /llms-full.txt den gesamten Content-Corpus der Website (alle Blogbeiträge, Publikations-Abstracts, Kursübersichten, Softwareprojekte und Beratungsleistungen) in einer einzigen sauberen Markdown-Datei aggregiert. Dadurch können RAG-Engine-Crawler den vollständigen Inhalt mit einem einzigen Request erfassen.

Schritt 2: Eindeutige Identitäten via JSON-LD Schema.org Markup

Um Verwechslungen bei KI-Modellen zu vermeiden und Dr. Georg Hackenberg als eindeutige Entität im globalen Wissensgraphen zu verankern, haben wir über eine wiederverwendbare Astro-Komponente typisierte Schema.org-Daten integriert:

• Person & ProfilePage: Auf der Startseite mit Verknüpfung zu Affiliationen (FH Oberösterreich) und externen Profilen (sameAs: ORCID, Google Scholar, DBLP – die weltweite Informatik-Bibliografie, GitHub, LinkedIn, YouTube).
• BlogPosting & BreadcrumbList: Auf allen Blogbeiträgen für Autor, Veröffentlichungsdatum und Pfadnavigation.
• ScholarlyArticle: Auf allen Forschungspublikationen inklusive Autorenliste, BibTeX-Metadaten und Verlag-Links.
• SoftwareApplication: Auf Projekten wie CADdrive und Mentawise mit Repositories und Anwendungs-Kategorien.
• Course: Auf akademischen Lehrveranstaltungen mit Lehrzielen und Anbietern.
• Service: Auf Beratungs- und Workshop-Angeboten.

Schritt 3: KI-Bot-Freigaben & RSS 2.0 Syndikation

In der public/robots.txt wurden KI-Such-Crawler explizit freigeschaltet:

User-agent: GPTBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: Google-Extended
Allow: /

# LLM Standard Definition
# llms.txt: https://hackenberg.tech/llms.txt
# llms-full.txt: https://hackenberg.tech/llms-full.txt

Zusätzlich generiert @astrojs/rss unter /rss.xml ein valides RSS 2.0 XML-Feed für Feed-Reader und automatisierte Aggregatoren.

Schritt 4: „Answer-First“-Muster & FAQ-Integration (AEO)

Für Antwort-Engines wie Google AI Overviews und Perplexity haben wir auf Detailseiten prägnante Key Takeaways / Executive Summary-Blöcke integriert. Zudem nutzt die Website auf der Startseite ein strukturiertes FAQPage-Schema für direkte Antworten auf häufige Fragen. Dieses Answer-First-Muster adressiert nicht nur maschinelle RAG-Extraktoren, sondern begegnet auch der menschlichen Reizüberflutung – ein kognitives Phänomen, das wir in unserer interdisziplinären Analyse zur Psychologie der modernen Informationstechnologie detailliert aufschlüsseln.

Schritt 5: Maschinenlesbares Content-Manifest (/content-manifest.json)

Der Endpunkt /content-manifest.json wurde erweitert, sodass autonome KI-Agenten das Verzeichnis der Website programmatisch abfragen und filtern können.

3. Fazit

Die Zukunft des Web-Engineerings liegt in der Symbiose aus ästhetischer Experience für Menschen und perfekter Strukturierung für Maschinen. Durch die Kombination aus klassischem SEO, generativer Optimierung (GEO), direkter Antwortbereitschaft (AEO) und strukturierter KI-Vorbereitung (AIO) bleibt diese Website auch im Zeitalter intelligenter Agenten bestens auffindbar und zitierfähig.