Entity-Optimierung für GEO: Wie KI-Modelle deine Marke erkennen

TL;DR: KI-Modelle wie ChatGPT oder Perplexity empfehlen keine Keywords — sie empfehlen Entitäten, die sie kennen. Wer als Marke nicht in Knowledge Graphs, Wikidata und konsistenter Fremdberichterstattung verankert ist, existiert für diese Kanäle nicht. Dieser Post erklärt das Warum und gibt eine konkrete 5-Schritte-Checkliste.

Wer heute bei ChatGPT fragt „Welches Tool eignet sich für X?", bekommt eine Liste von Markennamen. Keine Suchergebnisse, keine blauen Links — Namen. Genau diese Namen stammen nicht aus einem Index, der täglich aktualisiert wird. Sie kommen aus dem, was das Modell während des Trainings als verlässlich, konsistent und prominent gelernt hat. Ist deine Marke dort nicht verankert, wirst du nicht genannt. Das ist das Kernproblem, das Generative Engine Optimization (GEO) adressiert — und Entity-Optimierung ist der wichtigste Hebel darin.

Was ist eine Entität — und warum KI-Modelle anders denken als klassische Suchmaschinen

Eine Entität ist ein eindeutig identifizierbares Konzept: eine Person, eine Organisation, ein Produkt, ein Ort. In klassischer SEO war das Matching-Prinzip simpel: Du optimierst eine Seite auf ein Keyword, die Suchmaschine gleicht Anfragen mit dem Index ab und rankt Treffer.

Sprachmodelle arbeiten anders. Sie haben keinen aktualisierbaren Index. Sie haben internalisiertes Wissen — Muster, Assoziationen und Beziehungen, die aus Milliarden von Texten destilliert wurden. Wenn GPT auf „Projektmanagement-Tools" antwortet, greift es nicht auf eine Trefferliste zurück, sondern auf erlernte Assoziationen: Notion ist ein Tool für Notizen und Projektmanagement, 2013 gegründet, verbreitet bei Indie-Makern und Teams.

Der entscheidende Unterschied: Eine Suchmaschine kann eine Seite ranken, die gestern online gegangen ist. Ein Sprachmodell kann das nicht. Es kennt nur, was während des Trainings ausreichend oft und konsistent beschrieben wurde. Deine Marke muss als Entität im Modell verankert sein — nicht als Keyword auf einer Seite.

Das bedeutet: Klassische On-Page-SEO ist für LLMs weitgehend wirkungslos. Keyword-Dichte, Meta-Tags, interne Verlinkung — keines davon beeinflusst direkt, ob ein Modell deinen Namen kennt. Was zählt, ist semantische Präsenz in den Datenquellen, aus denen das Modell gelernt hat.

Wo KI-Modelle ihr Wissen herholen: Knowledge Graphs, Wikidata und Trainingsdaten verstehen

Sprachmodelle werden auf riesigen Textkorpora trainiert: Web-Crawls (vor allem Common Crawl), Wikipedia, Bücher und strukturierte Datenquellen. Für Entity-Optimierung sind letztere besonders relevant.

Knowledge Graphs sind strukturierte Datenbanken, die Entitäten und ihre Eigenschaften maschinenlesbar speichern. Googles Knowledge Graph ist der bekannteste — er treibt die Info-Boxen in Suchergebnissen an und ist eine wichtige Referenzquelle für verschiedene Modelle. Wer dort als Entität existiert, hat strukturell höhere Chancen, auch in Modellantworten aufzutauchen.

Wikidata ist das offene, editierbare Pendant — von der Wikimedia Foundation betrieben, frei zugänglich und direkt mit Wikipedia verknüpft. Wikidata-Einträge fließen in Trainingskorpora, in Googles Knowledge Graph und dienen Modellen wie Gemini oder GPT als Referenz. Ein Wikidata-Eintrag für deine Marke ist damit einer der direktesten und günstigsten Hebel, die es gibt.

Wikipedia selbst wird stark gewichtet und ist oft die primäre Entitätsbeschreibung für Modelle. Das Problem: Strenge Relevanzkriterien machen einen eigenen Artikel für kleine Marken ohne signifikante Fremdberichterstattung schwierig bis unmöglich. Wikidata ist für die meisten Gründer der realistischere Einstieg.

Externe Berichterstattung und Schema.org: Wenn Fachmedien oder relevante Publikationen deine Marke konsistent mit denselben Attributen beschreiben, behandeln Trainingskorpora das als verlässliches Signal. Konsistenz ist dabei entscheidend — widersprüchliche Beschreibungen schwächen das Entitätsprofil. Schema.org-Markup (Organization, Product, Person) auf der eigenen Website hilft Crawlern, Eigenschaften maschinenlesbar zu erfassen. Kein Alleinstellungsmerkmal, aber ein Hygiene-Faktor.

Warum Marken ohne Entitäts-Präsenz in KI-Antworten systematisch unsichtbar bleiben

Das ist kein Randproblem. Der Anteil der Informationssuchen, der über LLM-Interfaces oder AI Overviews beantwortet wird, wächst. Für viele Fragen — „Was ist das beste Tool für X?", „Wie löse ich Y?" — ist eine KI-Antwort heute der erste Kontaktpunkt, oft auch der einzige.

Modelle geben in solchen Antworten keine vollständige Marktübersicht. Sie nennen Entitäten, die sie sicher kennen. Das Prinzip ähnelt dem Availability Bias beim Menschen: Was prominent und konsistent im Trainingskorpus auftaucht, wird empfohlen. Was selten oder widersprüchlich beschrieben ist, bleibt unerwähnt.

Strukturell benachteiligt sind:

• Neue Marken ohne historische Web-Präsenz in relevanten Korpora
• Nischen-Produkte, die in generalisierten Datensätzen unterrepräsentiert sind
• Gründer ohne persönliches Profil, die ihre Marke nicht mit bekannten Ankern (Personen, Institutionen, Branchen) verknüpft haben

Hinzu kommt ein Verdrängungseffekt: Modelle erfinden keine konsistenten Markennamen — sie kennen entweder einen, oder sie nennen einen, den sie kennen. Wer deinen Produktnamen nicht kennt, schlägt eine Alternative vor, die er kennt. Das ist der direkte Opportunity-Cost fehlender Entitäts-Präsenz.

Der Effekt ist selbstverstärkend: Wer in KI-Antworten genannt wird, bekommt Traffic, Erwähnungen und Links — was in zukünftigen Trainingsläufen die Entitäts-Präsenz weiter stärkt. Der richtige Zeitpunkt, damit anzufangen, war gestern. Der zweitbeste ist jetzt.

In 5 Schritten zur Entity-Optimierung: Checkliste für Gründer und Indie-Maker

Diese Checkliste ist bewusst auf das Machbare fokussiert — kein Budget für PR-Agenturen, keine 6-Monats-Roadmap.

1. Wikidata-Eintrag anlegen

   Erstelle unter wikidata.org einen Eintrag für deine Marke oder dich als Gründer. Pflichtfelder: Name, Beschreibung (1 Satz), offizielle Website (P856), Gründungsdatum (P571), Branche (P452). Verknüpfe, wenn möglich, mit bestehenden Wikipedia-Artikeln (z.B. der Branche oder Technologie). Ein vollständiger Eintrag ist indexierbar — ein leerer bringt nichts.

2. Kanonische Entitätsbeschreibung definieren

   Schreibe einen einzigen Satz, der deine Marke eindeutig beschreibt: Was ist sie, für wen, und was unterscheidet sie? Beispiel: „FORGE ist ein KI-gestütztes Betriebssystem für Solopreneure, das Aufgaben, Finanzen und Projekte in einer lokalen Umgebung verwaltet." Verwende exakt diese Formulierung überall: Website-Startseite, About-Seite, Wikidata, GitHub-Bio, Social-Profiles, Gastbeiträge. Konsistenz ist das Signal.

3. Schema.org-Markup implementieren

   Füge auf der Startseite Organization-Markup ein: Name, URL, Logo, Gründungsdatum, Beschreibung, Social-Links (sameAs). Bei Personenmarken: Person-Schema mit jobTitle, worksFor, sameAs. Das ist kein Wundermittel, aber es macht Crawler-Arbeit einfacher — und kostet 30 Minuten.

4. Externe Erwähnungen mit korrekter Beschreibung aufbauen

   Gastbeiträge, Podcast-Erwähnungen, Interviews, Tool-Verzeichnisse — alles, was deine Marke mit der kanonischen Beschreibung (Schritt 2) in externen Quellen platziert. Qualität vor Quantität: Ein Artikel in einem relevanten Fachmedium wiegt mehr als zehn Einträge in generischen Startup-Directories. Ziel: mindestens 5–10 externe Quellen, die deinen Namen konsistent beschreiben.

5. Gründerprofil als Anker-Entität aufbauen

   Personen sind oft leichter als Entität zu verankern als neue Marken. LinkedIn-Profil vollständig, GitHub-Bio konsistent, eigene Website mit Person-Schema. Wenn du in Interviews oder Artikeln als Gründer von [Marke] beschrieben wirst, überträgt sich das als Entitäts-Signal auf die Marke. Besonders wirksam für frühe Produkte ohne eigenständige Außenwahrnehmung.

Was du nicht tun musst

• Keinen Wikipedia-Artikel erzwingen — ohne echte Fremdberichterstattung wird er gelöscht
• Keine Keyword-Stuffing-Seiten für LLMs bauen — das funktioniert nicht
• Nicht auf schnelle Ergebnisse warten — Entitäts-Präsenz baut sich über Monate auf, nicht Wochen

Entity-Optimierung ist kein Sprint. Es ist die Arbeit, die sicherstellt, dass du noch in zwei Jahren in KI-Antworten vorkommst — auch wenn sich Modelle, Interfaces und Ranking-Algorithmen bis dahin mehrfach verändert haben.