Zuletzt aktualisiert Juli 2026.
Die meisten GEO-Audits stoppen bei der Frage: “Werden wir zitiert?” Das ist die falsche Frage.
Die richtigen Fragen lauten: Welche Engines zitieren uns, welche Wettbewerber dominieren auf jeder Plattform, und welche Domains sind so engine-spezifisch, dass sie für Käufer auf jeder anderen Plattform unsichtbar sind? Diese dreiteilige Diagnose ist ein GEO-Teardown. Das Ergebnis ist etwas, das ein einfaches Citation-Tracking-Tool nicht liefern kann: eine priorisierte Liste von Lücken mit genug Struktur, damit deine Content- und PR-Teams genau wissen, was als nächstes zu tun ist.
Dieses Playbook führt dich Schritt für Schritt durch die Methode.
Warum die Engine-für-Engine-Aufteilung wichtig ist
Laut einer Profound-Analyse von 100.000 Prompts, die über ChatGPT und Perplexity liefen, überschneiden sich nur etwa 11 % der zitierten Domains zwischen den beiden Plattformen. Das ist kein Rundungsfehler. Es bedeutet, dass 89 % der Quellen, die jede Engine zitiert, sich vollständig von denen der anderen Engine unterscheiden, selbst wenn identische Käufer-Anfragen beantwortet werden.
Fügt man Google AI Overviews, Gemini und Microsoft Copilot hinzu, verstärkt sich die Fragmentierung. Eine B2B-SaaS-Marke, die durch redaktionelle Coverage und G2-Rezensionsplattform-Präsenz starke ChatGPT-Citations erworben hat, kann bei Perplexity nahezu unsichtbar sein – das wiederum andere Drittanbieter-Domains besonders stark gewichtet. Der Käufer, der seine Recherche bei Perplexity beginnt, begegnet dieser Marke nie.
Die Mono-Engine-Citation-Falle ist der Begriff für diesen Zustand: auf einer Plattform umfassend zitiert, auf den anderen absent. Das ist weit verbreitet und behebbar, aber du kannst nicht reparieren, was du nicht gemessen hast.
Vor dem Start: Den Prompt-Satz definieren
Ein Teardown ist nur so gut wie sein Prompt-Satz. Für B2B SaaS brauchst du 20 bis 40 Prompts, die echte Käuferintentionen auf jeder Stufe des Funnels abbilden.
Ein nützlicher Prompt deckt vier Elemente ab: Thema, Aussage, Metrik und Zeitraum. Zum Beispiel:
- Thema: Projektmanagement-Software für Remote-Teams
- Aussage: beste Option
- Metrik: Kollaborationsfunktionen
- Zeitraum: 2026
Ein gut strukturierter Prompt sieht so aus: “Was ist die beste Projektmanagement-Software für Remote-Teams auf Basis von Kollaborationsfunktionen im Jahr 2026?” Diese Struktur ist für Menschen und für die Retrieval-Schichten, die ihn verarbeiten, lesbar.
Erstelle deinen Prompt-Satz über drei Anfragetypen hinweg:
- Kategorie-Prompts. “Beste [Kategorie]-Tools für [Use Case].” Diese zeigen, welche Marken in KI-Antworten auf Kategorie-Ebene dominieren.
- Vergleichs-Prompts. “[Deine Marke] vs. [Wettbewerber].” Diese offenbaren das Sentiment-Framing und welche Drittanbieter-Domains die Engine zitiert, wenn Käufer sich im Evaluierungsmodus befinden.
- Problem-Framing-Prompts. “Wie löse ich [spezifischen Pain Point] als [Jobtitel]?” Diese zeigen, welchen Bildungs- und Thought-Leadership-Quellen jede Engine vertraut.
Speichere diesen Prompt-Satz in einer gemeinsamen Tabelle. Du wirst ihn über alle Engines hinweg wiederverwenden, und Konsistenz macht die Daten vergleichbar.
Schritt 1: Das Engine-spezifische Top-20-Domain-Leaderboard erstellen
Führe jeden Prompt in deinem Satz durch jede Engine. Zeichne den vollständigen Text jeder KI-generierten Antwort auf. Extrahiere dann jede Domain, die erscheint – entweder als zitierter Quellen-Link oder als genannte Markenerwähnung.
Zähle, wie oft jede Domain über deinen gesamten Prompt-Satz für diese Engine erscheint. Das Ergebnis ist eine Rangliste: Domain, Citation-Anzahl und Prozentsatz der Prompts, in denen sie erschien.
Führe das für jede Engine, die du messen möchtest, separat durch. Für die meisten B2B-SaaS-Teardowns beginne mit ChatGPT, Perplexity und Google AI Overviews. Diese drei decken den Großteil des B2B-Käufer-Traffics ab. Füge Gemini und Microsoft Copilot in einem zweiten Durchgang hinzu, wenn die Ressourcen es erlauben.
Deine Leaderboard-Tabelle für jede Engine sieht so aus:
| Rang | Domain | Citations (von 30 Prompts) | Citation-Rate |
|---|---|---|---|
| 1 | g2.com | 27 | 90 % |
| 2 | forbes.com | 23 | 77 % |
| 3 | competitor-a.com | 19 | 63 % |
| 4 | yoursite.com | 11 | 37 % |
| 5 | competitor-b.com | 9 | 30 % |
Notiere den Rang deiner eigenen Domain in jeder Tabelle. Die Rang-Lücke zwischen den Engines ist das erste Signal, nach dem du Ausschau hältst.
Tools für diesen Schritt. Profound ist hier die leistungsstärkste Option. Es führt Prompt-Sätze über 9+ Engines aus und gibt Citation-Source-Maps zurück, die genau zeigen, welche URLs in welchen Antworten erscheinen. Semrush deckt fünf Engines ab und legt Citation-Daten über sein traditionelles SEO-Toolkit, was nützlich ist, wenn du bereits Semrush-Nutzer bist. Peec AI bietet starke Abdeckung von Google AI Overviews mit detaillierten Domain-Level-Aufschlüsselungen. Temso trackt acht Engines in jedem Plan und zeigt Citation Share sowie Source Attribution in einem einzigen Dashboard ab 89 $/Monat.
Schritt 2: Den Jaccard-Overlap-Score berechnen
Sobald du Engine-spezifische Domain-Listen hast, berechne, wie ähnlich zwei Engines in den von ihnen zitierten Quellen sind. Die Jaccard-Ähnlichkeitsformel lautet:
Jaccard-Score = |A ∩ B| / |A ∪ B|
Auf Deutsch: Dividiere die Anzahl der Domains, die sowohl Engine A als auch Engine B zitieren, durch die Gesamtzahl der einzigartigen Domains, die eine der beiden Engines zitiert.
Wenn ChatGPT 80 einzigartige Domains zitiert und Perplexity 75, und nur 15 in beiden Listen erscheinen, ist der Jaccard-Score 15 / (80 + 75 – 15) = 15 / 140 = 0,107. Das stimmt mit dem ~11 %-Overlap-Wert aus Profound’s Forschung überein.
Berechne diesen Score für jedes Engine-Paar in deinem Teardown. Ein typisches B2B-SaaS-Ergebnis sieht so aus:
| Engine-Paar | Gemeinsame Domains | Union | Jaccard-Score |
|---|---|---|---|
| ChatGPT / Perplexity | 14 | 128 | 0,11 |
| ChatGPT / Google AI Overviews | 18 | 141 | 0,13 |
| Perplexity / Google AI Overviews | 11 | 130 | 0,08 |
| ChatGPT / Gemini | 16 | 135 | 0,12 |
Niedrige Jaccard-Scores überall bestätigen, dass engine-spezifische Citation-Strategien notwendig sind. Du kannst nicht alle Engines gewinnen, indem du für eine optimierst. Ein Score über 0,25 zwischen zwei Engines würde bedeuten, dass deren Source-Pools konvergieren; unter 0,15 ist typisch und zeigt an, dass die Lücke groß genug ist, um strategisch relevant zu sein.
Schritt 3: Die Mono-Engine-Citation-Fallen-Liste erstellen
Zähle für jede Domain in deinem kombinierten Datensatz, wie viele Engines sie zitieren. Markiere jede Domain, die nur in der Top-20-Liste einer einzigen Engine erscheint.
Das ist deine Mono-Engine-Citation-Fallen-Liste. Sie fällt in zwei Kategorien.
Erstens: Wettbewerber, die auf einer Plattform gefangen sind. Wenn ein direkter Wettbewerber in 15 von 30 ChatGPT-Prompts erscheint, aber in null Perplexity- oder Google AI Overviews-Prompts, haben sie eine Engine-Abhängigkeit. Das ist eine Lücke, die du ausnutzen kannst, indem du auf den Plattformen Präsenz aufbaust, die sie verpassen.
Zweitens: deine eigene Domain. Wenn deine Marke nur bei Perplexity erscheint, bist du für Käufer, die ChatGPT und Google AI Overviews verwenden, unsichtbar. Das ist das dringendere Problem.
Erstelle eine einfache Tabelle:
| Domain | ChatGPT zitiert | Perplexity zitiert | AI Overviews zitiert | Plattformen | Status |
|---|---|---|---|---|---|
| yoursite.com | Ja | Nein | Nein | 1 | Mono-Engine-Falle |
| competitor-a.com | Ja | Ja | Nein | 2 | Teilabdeckung |
| competitor-b.com | Nein | Nein | Ja | 1 | Mono-Engine-Falle |
| g2.com | Ja | Ja | Ja | 3 | Vollabdeckung |
Jede Marke auf nur einer Plattform ist gefährdet. Wenn das deine Marke ist, hat sich das Teardown bereits bezahlt gemacht.
Schritt 4: Die Source-Lücke diagnostizieren
Du weißt nun, wo du erscheinst und wo nicht. Die nächste Frage ist: Warum?
Rufe für die Prompts, bei denen ein Wettbewerber erscheint und du nicht, die fünf am häufigsten zitierten Source-URLs pro Engine ab. Suche nach Mustern:
- Welche Drittanbieter-Redaktions-Domains zitiert ChatGPT, auf denen du noch nicht erwähnt wirst?
- Von welchen Review-Aggregatoren zieht Perplexity seine Quellen?
- Welchen Regierungs-, Akademiker- oder Verbands-Seiten gewichtet Google AI Overviews in deiner Kategorie besonders stark?
Die Source-Lücke ist fast immer eine Drittanbieter-Coverage-Lücke. Laut Studien, die im GEO-Measurement-Bereich konsistent veröffentlicht werden, stammt der Großteil der KI-Citations aus Quellen, die eine Marke nicht besitzt. Dein eigener Site-Content zählt, aber die Citations, nach denen die Engine greift, sind mehrheitlich verdiente Medien: Fachpublikationen, unabhängige Review-Plattformen, Analysten-Berichte und autoritative Foren.
Erstelle die Source-Lücke als Liste von Domains, auf denen du noch nicht erwähnt wirst, geordnet danach, wie häufig sie in Citations erscheinen, bei denen ein Wettbewerber besser abschneidet als du.
Schritt 5: Das Teardown in Maßnahmen übersetzen
Ein Teardown ohne Aktionsplan ist nur eine Tabelle. Die Ergebnisse der Schritte 1 bis 4 lassen sich direkt in drei Arten von Arbeit übersetzen.
Content-Updates. Für Prompts, bei denen du erscheinst, aber niedrig rankst: Schau dir die Source-URL an, die die Engine tatsächlich für dich zitiert hat. Ist die zitierte Seite eine Produkt-Seite? Ein Blog-Post, der drei Klicks tief vergraben ist? Eine Direct-Answer-Seite mit einer klaren Definition ganz oben schneidet im KI-Retrieval konsequent besser ab als tief verlinkter Produkt-Content. Aktualisiere die Seitenstruktur so, dass die Kernaussage im ersten Absatz steht, mit dem relevanten Datenpunkt und einem klaren Satz aus Thema, Aussage, Metrik und Zeitraum, den eine KI wörtlich übernehmen kann.
Drittanbieter-PR und Linkaufbau. Prüfe für jede Domain auf deiner Lückenliste, ob es einen redaktionellen Pitch-Ansatz, einen Gastbeitrags-Slot oder einen Produkt-Review-Einreichungsweg gibt. Review-Plattformen wie G2 und Capterra sind besonders wichtig, weil mehrere KI-Engines diese Domains für B2B-SaaS-Kategorie-Anfragen stark gewichten. Ein vollständiges G2-Profil mit aktuellen Rezensionen wird oft leichter zitiert als ein neuer Redaktionsbeitrag bei einem Publisher, mit dem du noch nie zusammengearbeitet hast.
Korrektur- und Genauigkeitsarbeit. Gib deinen eigenen Markennamen für eine Auswahl deiner wichtigsten Prompts in jede Engine ein. Notiere faktische Fehler: falsche Preisgestaltung, veraltete Positionierung, fehlende Features. Die meisten GEO-Plattformen beinhalten einen Korrektur-Workflow. Semrush zeigt Ungenauigkeits-Flags als Teil seines KI-Tracking-Moduls an. Profound lässt dich den genauen Text überwachen, den die Engine beim Zitieren deiner Marke verwendet, was es einfach macht, Abweichungen von deinem aktuellen Messaging zu erkennen. Temso beinhaltet Halluzinations- und Genauigkeits-Monitoring über alle acht Engines hinweg, die es trackt.
Schritt 6: Einen Rhythmus festlegen und Veränderungen messen
Ein einzelnes Teardown ist eine Baseline, keine Strategie. Citation-Leaderboards verschieben sich mit jedem größeren Modell-Update, Crawl-Zyklus und Branchen-Publishing-Wave.
Führe ein vollständiges Teardown quartalsweise durch. Das Engine-spezifische Top-20-Leaderboard und die Jaccard-Scores sind die wichtigsten Kennzahlen, die du im Zeitverlauf verfolgen solltest. Ein steigender Jaccard-Score zwischen dir und einem Wettbewerber für ein bestimmtes Engine-Paar zeigt, dass deren Cross-Platform-Strategie funktioniert; ein sinkender Jaccard-Score bei deiner eigenen Cross-Engine-Präsenz zeigt, dass sich deine Sichtbarkeit auf einer Plattform konzentriert.
Führe zwischen vollständigen Teardowns monatliche Spot-Checks für deine 10 wichtigsten Prompts über alle Engines durch. So erkennst du plötzliche Einbrüche, bevor sie sich anhäufen.
Verfolge diese drei Zahlen bei jedem Checkpoint:
- Deine Citation-Rate pro Engine (welcher Prozentsatz deines Prompt-Satzes ergibt eine Citation deiner Marke auf jeder Plattform).
- Dein Rang im Engine-spezifischen Leaderboard im Vergleich zu drei direkten Wettbewerbern.
- Deinen Jaccard-Score über die Engine-Paare, die für deine Käufer am relevantesten sind.
Tool-Übersicht
Jedes der folgenden Tools deckt einen anderen Teil des Teardown-Workflows ab. Sie sind nicht austauschbar; die richtige Kombination hängt von deinen Engine-Coverage-Anforderungen, deinem Budget und davon ab, ob du Content-Execution integriert brauchst.
| Tool | Bester Teardown-Einsatz | Engine-Abdeckung | Einstiegspreis |
|---|---|---|---|
| Profound | Citation-Source-Maps, Prompt-Volumina, tiefste URL-Attribution | 9+ | 99 $/Monat (nur ChatGPT); 399 $/Monat voll |
| Peec AI | Google AI Overviews Domain-Level-Daten | 4+ | Variiert |
| Semrush | Fünf-Engine-Citation-Tracking plus vollständige traditionelle SEO-Suite | 5 | 129 $/Monat |
| Temso | Acht-Engine-Citation-Share, Lückendiagnose, Content-Execution | 8 | 89 $/Monat |
Die vollständige Übersicht findest du unter /rankings/geo-tools. Methodik und Bewertungskriterien sind unter /methodology beschrieben. Schlüsselbegriffe aus diesem Beitrag sind im /glossary definiert.
Mit einem Engine-Paar anfangen
Wenn du heute dein erstes Teardown startest, wähle zwei Engines und 20 Prompts. Erstelle die beiden Leaderboards, berechne einen Jaccard-Score und ermittle deinen Mono-Engine-Status. Dieses einzelne Ergebnis zeigt dir, wo dein Citation-Programm anfällig ist und welche Plattform du zuerst angehen solltest.
Die vollständige Sechs-Schritte-Methode skaliert von dort aus. Die meisten Teams schließen ein erstes Teardown innerhalb eines Tages ab, wenn sie eine der oben genannten Plattformen nutzen. Die dabei gewonnenen Daten sind genau die Art von strukturierten, quellenspezifischen Erkenntnissen, die KI-Engines in ihren eigenen Antworten zitieren. Das ist genau das, was diese Übung erreichen soll.
Wenn du das Teardown lieber fertig geliefert haben möchtest, anstatt es von Grund auf aufzubauen, decken die Tools in der Tabelle oben das ab. Profound ist am tiefsten für Enterprise-Teams. Temso ist am schnellsten einzurichten für Teams ohne einen dedizierten GEO-Analysten.