openPR bei Google bevorzugen.
(openPR) Die Agentur FischerNetzDesign aus Bornheim bei Bonn bietet Generative Engine Optimization (GEO) an. Sie unterstützt Unternehmen dabei, ihre Sichtbarkeit in den Antworten von KI-Assistenten wie ChatGPT, Gemini und Perplexity zu analysieren und zu verbessern. Inhaber Robert Fischer arbeitet seit 2012 als Suchmaschinenoptimierer und erweitert damit sein bisheriges Angebot aus Webdesign und SEO.
Grundlage sind eigene Messungen
Die Arbeit stützt sich auf eigene Messungen. In einer Untersuchung vom 29.09.2026 stellte Fischer in zehn Branchen und 32 deutschen Orten typische Kundenfragen an ChatGPT, Gemini und Perplexity und wertete 4.000 Antworten aus. Im Mittel wurden nur 5 Prozent der genannten Betriebe von allen drei Diensten genannt. Stellt man einem Dienst dieselbe Frage am selben Tag zweimal, stimmen die genannten Betriebe bei Perplexity zu 76 Prozent überein, bei Gemini zu 47 Prozent und bei ChatGPT zu 27 Prozent.
„Viele Betriebe fragen einen KI-Assistenten einmal nach sich selbst und ziehen daraus ihren Schluss“, sagt Robert Fischer. „Unsere Messungen zeigen, dass eine einzelne Antwort wenig aussagt. Deshalb fragen wir bei jedem Dienst mehrfach und über einen längeren Zeitraum.“
Analyse, Umsetzung, laufende Messung
FischerNetzDesign bietet GEO in drei Schritten an. Das Einstiegsangebot heißt „GEO-Erstanalyse“: Sie zeigt für zehn typische Kundenfragen, ob und wie ChatGPT, Gemini und Perplexity ein Unternehmen nennen und bei welchen Kundenfragen ein Unternehmen in KI-Antworten genannt wird und auf welche Quellen sich die Dienste dabei stützen. Zur Umsetzung gehört die Anpassung der Website; dazu liefert die Agentur eine Auswertung, welche Verzeichnisse, Portale oder andere Stellen wie Berufsgenossenschaften und Innungen für den Betrieb sinnvoll sind. Die laufende Messung prüft in festen Abständen, ob sich die Nennungen verändert haben.
Bericht und Daten
Kurzbericht (6 Seiten): https://geo-evidenz.de/untersuchung/kurzbericht.html
Zitierfähige Fassung: https://doi.org/10.5281/zenodo.23222448
Daten: https://doi.org/10.5281/zenodo.23207495
