GEO in der Praxis: Warum 62 Prozent der KI-Empfehlungen nach einer Rückfrage verschwinden

Eine KI empfiehlt deine Marke, sobald jemand nach den besten Tools in deinem Feld fragt. Sobald derselbe Nutzer nachhakt und „für ein kleines Team“ ergänzt, ist deine Marke aus der Antwort verschwunden. Genau diesen Effekt hat die Analysefirma Clovion jetzt in großem Stil gemessen. Wer wie ich Content-Systeme baut, hört die Frage nach Sichtbarkeit in KI-Antworten inzwischen in fast jedem Gespräch.

Was die Clovion-Daten zeigen

Clovion hat 69.120 mehrstufige Gespräche über Claude, ChatGPT und Gemini ausgewertet, verteilt auf 36 Kategorien aus B2B-Software und Fintech. Der Aufbau war simpel: eine Eröffnungsfrage wie „beste CRM-Tools“, danach eine einzige realistische Rückfrage.

Sobald die Rückfrage den Kontext verengt, etwa auf „für ein kleines Team“, fallen 62 Prozent der zuerst empfohlenen Marken aus der zweiten Antwort. Bei „für ein großes Unternehmen“ sind es rund 72 Prozent. Wiederholt der Nutzer nur dieselbe Frage, bleiben 90 Prozent stehen. Die Instabilität entsteht also genau dann, wenn ein echter Interessent das tut, was echte Interessenten immer tun: nachfragen.

Warum das dein GEO-Reporting auf den Kopf stellt

Die meisten Sichtbarkeits-Checks für KI-Antworten prüfen nur die erste Antwort auf eine Frage. Nach dieser Logik stehst du gut da. Nur endet kein Kaufprozess nach der ersten Frage. Menschen konkretisieren, grenzen ein, fragen nach dem Preis. Wer nur den ersten Prompt trackt, misst eine Sichtbarkeit, die im echten Gespräch längst weg ist.

Das hängt direkt an dem Muster, das ich schon bei den Google AI Overviews beschrieben habe: Sichtbarkeit und tatsächliche Wirkung driften auseinander. Für Generative Engine Optimization heißt das, der richtige Messpunkt ist das ganze Gespräch und nicht der erste Satz.

Der Dezimalfehler, der das eigentliche Learning liefert

Der interessanteste Teil steht nicht in den Kernzahlen, sondern in einer Korrektur. Der erste Entwurf des Reports enthielt einen verrutschten Dezimalpunkt: aus 330 dokumentierten Widersprüchen wurden 33, aus 2.040 betroffenen Marken wurden 204. Erst bei der Prüfung fiel es auf.

Genau hier greift mein Prinzip. Eine flüssig formulierte KI-Auswertung sieht fertig und vertrauenswürdig aus, auch wenn eine Null an der falschen Stelle steht. Ohne einen Menschen, der die Zahl gegen die Quelle prüft, wäre der Fehler durchgerutscht. Deshalb baue ich meine Systeme so, dass die finale Kontrolle beim Menschen bleibt.

Was du jetzt konkret tun kannst

Aus der Studie und aus meiner Arbeit lassen sich drei Schritte ableiten.

Erstens: Miss das ganze Gespräch, nicht die erste Antwort. Prüfe deine Sichtbarkeit auch nach einer typischen Rückfrage deiner Zielgruppe, nach Teamgröße, Branche oder Budget. Erst dann siehst du, ob du im Kaufmoment noch da bist.

Zweitens: Geh modellspezifische Schwächen gezielt an. Die Daten zeigen klare Unterschiede, Claude untertreibt Funktionen häufiger, Gemini übertreibt eher. Wenn eine KI deine Leistung falsch beschreibt, kläre zuerst die faktischen Fehler, Modell für Modell.

Drittens: Prüfe Zahlen, bevor du sie nutzt. Der Dezimalfehler in dieser Studie ist die beste Erinnerung daran, keine Statistik aus einer KI-Antwort oder einem Report zu übernehmen, ohne die Originalquelle gesehen zu haben.