Die Integration großer Sprachmodelle (LLMs) in moderne Suchmaschinen hat die digitale Auffindbarkeit erheblich verändert und das Suchverhalten von der deterministischen Webseiten-Rangfolge hin zur probabilistischen Entitätszitierung in KI-generierten Antworten verschoben. Im Gegensatz zu traditionellen Suchmaschinen, die geordnete Listen von Hyperlinks präsentieren, synthetisieren generative Suchsysteme kontextbezogene Antworten und zitieren gezielt Unternehmen basierend auf semantischer Relevanz, Vertrauenssignalen, Bewertungsstimmung und inferred Benutzerintention. Diese Transformation stellt konventionelle Suchmaschinenoptimierungsstrategien (SEO) infrage, die ursprünglich zur Optimierung der Positionsplatzierung und nicht zur Einbeziehung in generative Antworten entwickelt wurden. Dieses Papier stellt Generative Engine Optimization (GEO) vor, ein geospatiales künstliches Intelligenzrahmenwerk, das entwickelt wurde, um die Sichtbarkeit von Unternehmen in generativen Suchumgebungen zu modellieren, messen und verbessern. Das vorgeschlagene Rahmenwerk integriert Geospatial-Analyse, semantische Entitätserkennung und maschinelles Lernen basierte Vorhersagemodelle zur Bewertung der Auffindbarkeit innerhalb von KI-generierten Antworten. Ein Überwachungssystem namens GeoRank360 wurde entwickelt, um Unternehmenszitierungen über mehrere generative Plattformen hinweg zu verfolgen und eine einheitliche Metrik namens Generative Visibility Score (GVS) zu berechnen, die Zitierhäufigkeit, semantische Prominenz, Sentimentstärke, Entitätskonsistenz und zeitliche Stabilität einbezieht. Eine empirische Bewertung, durchgeführt über 100 lokale Unternehmen, fünf generative Suchplattformen, 500 Abfragevariationen und über 4.000 Geo-Gitterkoordinaten, zeigt eine räumliche Sichtbarkeitsvolatilität von 35 % bis 60 %, die deutlich höher ist als die Schwankungen in traditionellen Suchrankings. Die Vorhersagemodelle erzielen eine Genauigkeit von bis zu 87,1 % bei der Prognose generativer Zitationsresultate. Die Ergebnisse deuten darauf hin, dass die semantische Relevanz einen größeren Einfluss auf die Sichtbarkeit in generativen Suchantworten hat als die geografische Nähe. Das vorgeschlagene GEO-Rahmenwerk schafft eine Grundlage für zukünftige Forschung in den Bereichen Modellierung der Sichtbarkeit generativer Suche, semantische Ranganalyse und KI-gesteuerte lokale Entdeckungssysteme.
Devansh Indrodiya (Do,) untersuchte diese Fragestellung.