Herzlich willkommen zum Vortrag SEO im Zeitalter von KI. Wir stehen vor dem größten Paradigmenwechsel der Websuche seit 25 Jahren. Suchmaschinen listen nicht mehr nur Hyperlinks auf – sie lesen, analysieren und synthetisieren Inhalte direkt. In dieser Stunde zeige ich Ihnen, wie sich oberösterreichische Industrie- und B2B-Unternehmen in generativen Antwortsystemen wie ChatGPT, Perplexity und Google AI Overviews als führende Autorität verankern.

Unsere heutige Agenda gliedert sich in fünf logische Blöcke. Zunächst beleuchten wir den Paradigmenwechsel vom Web-Index zur Antwortsynthese. Danach steigen wir in die technischen Grundlagen ein: RAG, Embeddings und Wissensgraphen. Im dritten Block stelle ich Ihnen die konkrete Drei-Säulen-Methodik inklusive Schema.org-Implementierung vor. Block vier widmet sich autonomen Entwickler-Agenten und dem Model Context Protocol im Live-Workflow. Schließlich betrachten wir Architekturen für den Mittelstand, Share of Model und beantworten Ihre Fragen.

Über ein Vierteljahrhundert funktionierte die Websuche nach einem einfachen Prinzip: Der Nutzer gibt Suchbegriffe ein, und die Suchmaschine liefert zehn blaue Hyperlinks. Wer Informationen wollte, musste auf externe Dokumente klicken. Heute erleben wir einen radikalen Bruch: Generative Antwortsysteme listen nicht mehr nur Dokumente auf – sie lesen sie, vergleichen Aussagen und synthetisieren eine maßgeschneiderte Antwort direkt im Antwortfenster. Die Zitation entscheidet über den Markenerfolg.

Kommen wir zu einer der drängendsten Herausforderungen für moderne Webseiten: Dem sogenannten Zero-Click-Dilemma, bei dem Suchmaschinen den Klick auf Ihre Domain überflüssig machen. Die empirischen Daten sprechen hierzu eine deutliche Sprache: Über 64 Prozent aller Suchanfragen weltweit enden heute ohne einen einzigen Klick. Für Verlage und traditionelle Webportale ist das eine existenzielle Krise. Für den B2B-Mittelstand in Oberösterreich hingegen eröffnet sich eine historische Chance: Wir optimieren nicht mehr für Klicks, sondern für Zitation und unumstößliche Markennennung – denn das gewinnt Kunden mit höchster Kaufabsicht.

Um in dieser neuen Welt zielgerichtet zu handeln, müssen wir vier zentrale Optimierungsdisziplinen klar voneinander abgrenzen – unser Begriffs-Quartett aus SEO, AEO, GEO und AIO. SEO optimiert URLs für die Plätze eins bis zehn im klassischen Web-Index. AEO zielt auf Position Zero: prägnante Antworten in Google Featured Snippets. GEO – Generative Engine Optimization – optimiert für Zitationen in reinen Sprachmodellen wie ChatGPT, Perplexity und Claude. AIO schließlich fokussiert auf die Einbindung in KI-Snapshots traditioneller Suchmaschinen wie Google AI Overviews.

Sehen wir uns nun an, wie moderne KI-Suchmaschinen unter der Haube arbeiten: Die Schlüsseltechnologie heißt Retrieval-Augmented Generation, kurz RAG. Sie schlägt die entscheidende Brücke zwischen statischem Trainingswissen und aktuellem Webinhalten. RAG löst dieses Problem in vier Phasen: Zunächst analysiert der Parser die Nutzerfrage und extrahiert Entitäten. In Phase zwei ruft das System die semantisch ähnlichsten Text-Chunks live aus dem Web-Index ab. In Phase drei werden diese Chunks direkt in den Kontext-Prompt des Modells injiziert. Erst jetzt synthetisiert das LLM eine faktengetreue Antwort mit überprüfbaren Quellen-Chips.

Das technologische Herzstück von RAG ist die semantische Suche über sogenannte Embeddings – der fundamentale Übergang von reinen Zeichenketten hin zu echten Bedeutungen im hochdimensionalen Vektorraum. Texte werden durch neuronale Netze in Vektoren mit über 1.500 Dimensionen übersetzt. Wer heute noch reine Keyword-Wiederholungen betreibt, optimiert für ein System, das längst nicht mehr existiert. Entscheidend ist die Kosinus-Ähnlichkeit: Themen, die dieselbe Bedeutung haben – wie industrielle Wärmepumpen und B2B-Dekarbonisierung –, liegen im Vektorraum eng beieinander. Typischerweise sind Werte über null Komma zweiundachtzig nötig, um in das Kontextfenster zu gelangen.

Neben unstrukturierten Vektoren spielen Wissensgraphen und eindeutige Entitäten die entscheidende Rolle: Sie verhindern, dass reine Text-Embeddings bei komplexen B2B-Abfragen versagen. Hier kommen Wissensgraphen ins Spiel. Entitäten wie Unternehmen, Personen, Produkte und Industriestandards werden als eindeutige Knoten modelliert und über gerichtete Kanten verknüpft. Der entscheidende Vorteil: Sprachmodelle wissen dadurch zweifelsfrei und ohne Halluzinationen, dass ein bestimmtes Produkt von Ihrem Unternehmen stammt und welchen Normen es genügt.

Die Synthese aus Vektorsuche und Wissensgraphen führt uns direkt zu Microsofts bahnbrechender Innovation: GraphRAG im direkten Vergleich zu traditionellem Basic RAG. Basic RAG scheitert an globalen Fragen wie 'Welche Trends prägen die Industrie in Oberösterreich?', weil es nur nach isolierten Wortübereinstimmungen sucht. GraphRAG hingegen baut hierarchische Entitäten-Graphen und fasst ganze Themen-Cluster in sogenannten Community Summaries zusammen. Das Ergebnis: Bis zu achtzig Prozent höhere Antwortqualität bei komplexen Marktanalysen.

Dass Generative Engine Optimization funktioniert, ist keine Spekulation, sondern wissenschaftlich bewiesen. Eine wegweisende Studie von Princeton, Georgia Tech und dem Allen Institute for AI evaluierte über 10.000 Suchabfragen. Das Ergebnis: Strukturierte Primärdaten-Zitationen und statistische Belege steigern die Sichtbarkeit in LLMs um bis zu 40 Prozent. Reine Marketing-Floskeln und Keyword-Stuffing hingegen senken die Zitationswahrscheinlichkeit messbar um 15 Prozent ab.

Wie setzen wir das in der unternehmerischen Praxis um? Ich habe dafür die Drei-Säulen-Methodik entwickelt. Säule eins ist die Struktur: Maschinenlesbare Schema.org-Auszeichnungen und semantisches HTML5. Säule zwei ist der Inhalt: Hoher Information Gain, Primärdaten und das BLUF-Prinzip. Säule drei ist die Autorität: E-E-A-T-Signale, Peer-Review und verifizierte Experten-Entitäten. Zusammen tragen diese drei Säulen Ihr Share of Model in allen führenden Sprachmodellen.

Steigen wir nun tiefer in die technische Umsetzung ein: Unser Deep-Dive zu Schema.org zeigt, wie dieser Standard zur verbindlichen Lingua Franca für moderne Webcrawler wird. Für den B2B-Bereich sind fünf Typen unverzichtbar: Organization für Ihr Unternehmen, Person für Ihre Experten, Product für Ihre Maschinen, TechArticle für Fachbeiträge und FAQPage für Q&A. Der wichtigste Schlüssel lautet @id: Er fungiert als globale, eindeutige URI. Damit weiß Perplexity oder Google zweifelsfrei, dass ein bestimmter Fachartikel von einem verifizierten Ingenieur Ihres Unternehmens stammt.

In unserem Code-Deep-Dive werfen wir einen genauen Blick auf die praktische JSON-LD Syntax und sehen, wie ein syntaktisch valider Schema.org-Graph aufgebaut wird. In JSON-LD nutzen wir das @graph-Array, um mehrere Entitäten miteinander zu verdrahten. Hier sehen Sie mich als Person mit meiner ORCID-ID und meiner Rolle an der Fachhochschule Oberösterreich. Darunter wird ein konkretes Industrieprodukt definiert – inklusive MPN-Teilenummer, ISO-Zertifizierung und Link zum Datenblatt. Ein KI-Crawler wie GPTBot liest diese Daten in fünf Millisekunden aus und speichert sie als harte Fakten.

Generative KIs haben gelernt: Anonyme Texte im Internet sind oft Falschinformationen oder billiger KI-Spam. Deshalb evaluieren Modelle sogenannte E-E-A-T-Signale: Experience, Expertise, Authoritativeness und Trustworthiness. Wer über Wissensgraphen verifiziert ist, vervierfacht seine Glaubwürdigkeit bei KI-Suchanfragen. Im B2B-Mittelstand gilt daher eine klare Regel: Machen Sie Ihre Ingenieure und Fachexperten auf der Website namentlich sichtbar und verknüpfen Sie deren Profile mit akademischen Datenbanken und Patentregistern!

Wie muss Content für KI-Crawler aufgebaut sein? Google hat dafür ein entscheidendes Patent angemeldet: den Information Gain Score. Wer den Leser mit langatmigen Einleitungen quält, wird abgewertet. Das Erfolgsprinzip heißt BLUF: Bottom Line Up Front. Die präzise Antwort gehört in die ersten vierzig bis fünfzig Wörter direkt unter die Überschrift. Dahinter folgen dichte Vergleichstabellen und echte Messwerte. Nur was neues, unersetzliches Wissen liefert, wird von der KI zitiert.

Wie lässt sich diese Qualität kontinuierlich sichern, ohne dass Entwickler und Redakteure verzweifeln? Durch autonome Entwickler-Agenten. Statt einmal im Quartal eine SEO-Agentur für teures Geld drüberschauen zu lassen, fungiert der Agent als intelligenter Pre-Gatekeeper. Vor jedem Git-Commit analysiert er den Code, injiziert fehlende Schema-Entitäten, prüft die Barrierefreiheit und deployt fehlerfreien Code vollautomatisch auf das globale Edge-Netzwerk.

Kommen wir nun zum technologischen Bindeglied moderner KI-Agenten: Dem Model Context Protocol, kurz MCP, als offenem Standard zur Entkopplung von Modellintelligenz und Werkzeugausführung. MCP trennt die reine Sprachintelligenz von der Ausführungsumgebung. Der Agent kommuniziert über ein standardisiertes JSON-RPC-Protokoll mit lokalen Servern: einem Server für das Dateisystem, einem für Chrome DevTools und einem für die Google Search Console API. Damit kann der Agent Fehler nicht nur beschreiben, sondern direkt im Code beheben.

Betrachten wir nun unseren Live-Demo-Stack im Detail: Vier aufeinander abgestimmte Komponenten für kompromisslose Geschwindigkeit und optimale Maschinenlesbarkeit. Als Frontend-Framework nutzen wir Astro: Es erzeugt statisches HTML mit null JavaScript-Ballast. Die Optimierung übernimmt der Google Anti-Gravity Agent direkt auf der Konsole. Als Versionskontrolle und CI/CD-Pipeline dient GitHub Pages mit automatisierten Actions. Und die Erfolgsmessung erfolgt über Plausible Analytics – zu 100 Prozent DSGVO-konform und ohne nervigen Cookie-Banner.

Automatisierte Qualitätsaudits und perfekte Lighthouse-Scores sind heute die unverzichtbare Eintrittskarte für KI-Crawler. Warum sind Ladezeit und saubere Semantik für Sprachmodelle so lebenswichtig? Crawler wie GPTBot und Google-Extended haben strenge Timeout-Limits von wenigen Sekunden. Wenn Ihre Website schwerfälliges JavaScript lädt oder fehlerhafte HTML-Hierarchien aufweist, bricht der Crawler ab. Durch unseren Lighthouse MCP führt der Entwickler-Agent vor jedem Release einen automatischen Test durch. Das Ziel: Perfekte 100 von 100 Punkten in allen Kategorien für garantierte Indexierung.

Auch das Erfolgs-Monitoring muss im Zeitalter der KIs neu gedacht werden: Mit datenschutzkonformem Tracking via Plausible erfassen wir KI-Referrals vollständig ohne störende Cookie-Banner. Mit unserem KI-Referrer Dashboard in Plausible Analytics erfassen wir exakte Referral-Daten. Sie zeigen sofort, wie viele Anfragen direkt von chatgpt.com, perplexity.ai oder claude.ai überschwappen – und Besucher über KIs verweilen viermal länger, weil sie bereits durch die Synthese vorqualifiziert sind. Gleichzeitig wahren wir maximale Datenschutz-Exzellenz: Plausible benötigt keinerlei Cookies, ist zu 100 Prozent DSGVO-konform und das Skript wiegt weniger als ein Kilobyte – ganz ohne lästiges Consent-Banner!

Was ist die entscheidende KPI der Zukunft? Es ist nicht mehr das Keyword-Ranking, sondern der Share of Model – kurz SoM. Hier zählen auch sogenannte Unlinked Brand Mentions: Selbst wenn kein klickbarer Link ausgegeben wird, verankert die reine Nennung Ihre Marke fest im Modell. Der Wettbewerbs-Benchmark zeigt die Wirkung: Mit zweiundvierzig Prozent Share of Model dominiert das optimierte Unternehmen die Kaufberatung gegenüber dem Wettbewerb.

Die entscheidende kaufmännische Frage lautet: Wie berechnet sich der konkrete Business ROI von Generative Engine Optimization im Vergleich zu traditionellem SEO? Entscheidend ist der betriebswirtschaftliche Pipeline-Wert. Ein traditioneller SEO-Trichter generiert vielleicht 10.000 Klicks mit einer Konversionsrate von 1,2 Prozent – das sind 120 weitgehend unqualifizierte Leads. Im GEO-Trichter bricht der Traffic durch Zero-Click zwar um 55 Prozent auf 4.500 Klicks ein, aber die Konversionsrate vervierfacht sich auf 4,8 Prozent. Das Ergebnis: 216 abschlussreife Leads und ein mehr als verdreifachter Pipeline-Wert von über sieben Millionen Euro. Weniger Klicks – aber deutlich mehr Umsatz!

Werfen wir nun einen Blick auf den aktuellen Tool-Markt und die Entscheidungsmatrix zwischen spezialisierten GEO-Plattformen und etablierten Enterprise-Suiten. Auf der einen Seite spezialisierte GEO-Tools wie Limy.ai oder AIclicks, die sich voll auf automatisierte Share-of-Model-Metriken fokussieren. Auf der anderen Seite bewährte Enterprise-Suiten, die Stärken beim Google AI Overview Tracking und bei Entitäten-Backlink-Graphen ausspielen. Für den Einstieg im Mittelstand reicht meist die gezielte Nutzung bestehender Tools kombiniert mit eigenem Prompt-Testing.

Betrachten wir, wie globale Großkonzerne führende Enterprise-Plattformen wie Adobe AEM und Sitecore für generative Antwortsysteme skalieren. Adobe Experience Manager setzt auf Edge Delivery Services, um weltweite Ladezeiten unter fünfhundert Millisekunden zu garantieren und Content-Fragmente automatisch mit semantischen Entitäten zu taggen. Sitecore nutzt XM Cloud und den Content Hub als zentralen B2B-Wissensgraphen, der per GraphQL-Schnittstelle sowohl Webseiten als auch KI-Bots synchron speist. Beide Systeme beweisen: Die Entkopplung von Inhaltsgraphen und Auslieferungsschicht ist der Schlüssel zur Zukunft.

Jetzt zur entscheidenden Frage für unsere Unternehmen im Traunviertel: Müssen Sie Ihr bestehendes TYPO3, WordPress oder SAP-System für ein Vermögen wegwerfen? Die klare Antwort lautet: Nein! Wir etablieren die Zwei-Geschwindigkeiten-Architektur. Ihr stabiles Kernsystem bleibt als System of Record im Hintergrund bestehen. Davor schalten wir eine extrem schlanke, blitzschnelle Semantik- und Edge-Schicht mit Astro. Diese Schicht zieht sich Produktdaten per API, reichert sie mit Schema.org-Wissensgraphen an und liefert sie in 300 Millisekunden an KI-Crawler aus. Maximale Zukunftssicherheit bei minimalem Budget!

Die nächste Evolutionsstufe im B2B-Marketing ist Closed-Loop GEO: Ein vollständig geschlossener Regelkreis vom KI-Zitationsverlust über autonome Agenten-Anpassung direkt ins CRM. Marketing Automation funktioniert hier als adaptiver Zyklus. Wenn ein Monitoring-Tool meldet, dass Ihre Nennung bei einem wichtigen Suchbegriff sinkt, löst ein Webhook einen Entwickler-Agenten aus. Dieser analysiert die Lücke, erzeugt neue Primärdaten und aktualisiert den Code. Nach Freigabe durch Ihren Experten geht das Update live – und das CRM trackt den resultierenden Lead. Die Reaktionszeit auf Marktveränderungen sinkt von sechs Monaten auf vierundzwanzig Stunden!

Lassen Sie uns die theoretischen Konzepte anhand von zwei echten Praxis-Fallstudien mit konkreten, messbaren Ergebnissen untermauern. Fall A: Ein B2B-Technologiekonzern stellte seine globale Website auf Edge Delivery und Schema-Entitäten um. Das Ergebnis: 38 Prozent mehr Zitationen in Google AI Overviews und Perplexity – bei einer Reduktion der Ladezeit um sechzig Prozent. Fall B: Ein Medizintechnik-Hersteller strukturierte 1.200 Fachartikel in einem semantischen Wissensgraphen. Ergebnis: 45 Prozent mehr Sichtbarkeit bei hochgradig regulierten Kundenanfragen in ChatGPT Search. Der gemeinsame Nenner: Nicht mehr Text, sondern präzisere semantische Modellierung war der Schlüssel!

Kommen wir zum strategischen Fazit unseres Vortrags: Drei goldene Leitregeln für Geschäftsführer, Marketingleiter und IT-Architekten. Erstens: Vom Keyword zur Entität. Bauen Sie Wissensgraphen, keine Keyword-Friedhöfe. Strukturierte Daten nach Schema.org sind ab heute die Pflicht, nicht mehr die Kür. Zweitens: Entwickler-Agenten als Gatekeeper. Nutzen Sie autonome Dev-Agenten via MCP, um Qualität, Ladezeiten und Semantik vor jedem Release automatisiert abzusichern. Drittens: Information Gain erzeugen. Publizieren Sie exklusive Primärdaten, Praxismessungen und technische Fakten – denn Sprachmodelle zitieren nur das, was einzigartig ist.

Damit Sie die Erkenntnisse ab morgen direkt in die Praxis umsetzen können, empfehle ich einen dreistufigen 90-Tage-Fahrplan für eine zukunftssichere GEO-Architektur im Unternehmen. Tage eins bis dreißig: Audit und Baseline. Messen Sie Ihren aktuellen Share of Model mit einem Panel aus 50 Prompts und prüfen Sie Ihre Schema.org-Validität. Tage einunddreißig bis sechzig: Struktur und Content. Verknüpfen Sie E-E-A-T-Autorenprofile, bauen Sie BLUF-Antwortmodule auf Ihren wichtigsten Produktseiten und testen Sie lokale MCP-Agenten. Tage einundsechzig bis neunzig: Closed-Loop und Skalierung. Etablieren Sie die Zwei-Geschwindigkeiten-Architektur und verknüpfen Sie das Zitations-Monitoring direkt mit Ihrer Lead-Pipeline im CRM.

Damit schließe ich den Vortragsteil und freue mich auf die Diskussion mit Ihnen. Wie stark spüren Ihre Betriebe im Traunviertel bereits den Rückgang klassischer Klicks? Wo sehen Sie die größten Hürden beim Einsatz lokaler Entwickler-Agenten? Alle Folien, Notizen und weiterführenden Code-Beispiele finden Sie öffentlich auf hackenberg.tech. Ich danke Ihnen herzlich für Ihre Aufmerksamkeit und freue mich auf Ihre Fragen!