Entity-SEO für KI-SEO (GEO): Was steckt dahinter und warum machen es gute SEOs wahrscheinlich schon?

Si Quan Ong von Ahrefs hat das mal provokativ formuliert: "You don't have to do entity SEO. Why? Because you're probably already doing it." Das ist kein Trick. Der Satz hat einen echten Kern. Wer ordentliches SEO betreibt, strukturiert Inhalte um Themen, baut Kontext auf und zeigt thematische Tiefe. Das ist im wesentlichen Entity SEO.

Warum trotzdem ein Artikel darüber? Weil eben viele B2B-Websites eben kein ordentliches SEO betreiben. Und weil Entity SEO einen konkreten Rahmen bietet, um zu verstehen, wie moderne Suchmaschinen und generative KI-Systeme Inhalte verarbeiten und darüber entscheiden, wen sie zitieren. Wer das versteht, kann gezielt nachjustieren.

Der Begriff selbst ist unter SEO-Experten umstritten. Manche halten ihn für eine unnötige Neuerfindung, manche für nützlich. Wir behandeln ihn hier als nützliches Konzept, aber nicht als neuen SEO-Zaubertrick.

• Du willst direkt zu den praktischen Tipps? Dann spring hier hin: Praktische Umsetzung
• Du bist grundsätzlicher an der Frage interessiert, wie GEO / KI-SEO für B2B-Unternehmen funktioniert? Dann lies gern unseren Übersichtsartikel und komm anschließend gerne hierhin zurück.

Was ist eine Entität? Things, not strings.

Google hat 2012 den Knowledge Graph vorgestellt, mit einem simplen Leitgedanken: "Things, not strings."

Keywords sind Zeichenketten. Das Wort "Bank" kann eine Sitzgelegenheit sein, ein Geldinstitut oder ein Flussufer. Für eine Maschine ist das ohne weiteren Kontext nicht eindeutig zu trennen.

Eine Entität ist dagegen ein eindeutiges Konzept: die Commerzbank AG mit Sitz in Frankfurt, gegründet 1870, börsennotiert im DAX. Keine Ambiguität. Eine klar beschreibbare Einheit in einem semantischen Netz, die mit anderen Entitäten in definierten Beziehungen steht.

Google hat dieses Prinzip genutzt, um von einer reinen Textsuche zu einer Antwortmaschine zu werden. Statt Seiten nach Keyword-Häufigkeit zu ranken, versucht das System zu verstehen, worum es wirklich geht.

Das zugrundeliegende Modell nennt sich Entity-Attribute-Value (EAV) und beschreibt, wie diese Beziehungen gespeichert werden:

• Entität: das Objekt, z.B. ein Unternehmen
• Attribut: eine Eigenschaft dieses Objekts, z.B. "gegründet in" oder "Hauptsitz"
• Value: der konkrete Wert, z.B. "Frankfurt" oder "1870"

Aus solchen Tripeln baut sich das semantische Netz auf. Die Entität "Commerzbank" ist über maschinenlesbare Verbindungen mit "Deutschland", "Bankensektor" und "DAX" verknüpft. Genau diese Verbindungen machen sie für KI-Systeme greifbar und referenzierbar.

Wie KI-Systeme Suchanfragen verarbeiten: Query Fan-Out

Klassische Suche: eine Anfrage rein, passende Ergebnisse raus. Das war gestern.

Moderne KI-Systeme (Google AI Overviews, ChatGPT, Perplexity und andere) arbeiten nach einem anderen Prinzip. Eine einzige Nutzeranfrage wird intern in mehrere parallele Unteranfragen zerlegt. Das nennt sich Query Fan-Out, und das Prinzip gilt systemübergreifend, nicht nur bei Google.

Ein konkretes Beispiel:

Ursprüngliche Anfrage: "Welche Buchhaltungssoftware eignet sich für ein B2B-Unternehmen mit 15 Mitarbeitern?"

Das System erzeugt intern unter anderem:

• "Buchhaltungssoftware für kleine Unternehmen Deutschland"
• "DATEV Alternativen für Mittelstand"
• "Cloud-Buchhaltung Kosten Vergleich"
• "Buchhaltungssoftware mit DATEV-Schnittstelle"
• "Einfache Buchhaltung für Geschäftsführer ohne Buchhaltungskenntnisse"

Jede dieser Unteranfragen wird separat verarbeitet, die Ergebnisse zusammengeführt und zu einer einzigen Antwort synthetisiert.

Die Konsequenz: Wer nur auf einen exakten Suchbegriff optimiert, deckt im besten Fall eine dieser Unteranfragen ab. Wer ein Thema semantisch vollständig abdeckt (mit Kontext, Vergleichen, Definitionen, Anwendungsfällen und Preisangaben) hat eine deutlich bessere Chance, in mehreren dieser Fan-Out-Anfragen aufzutauchen.

Warum klassisches SEO unter Druck gerät

Google AI Overviews liefern Antworten direkt im Suchfenster. Das hat messbare Auswirkungen auf die Klickraten organischer Ergebnisse, auch für Seiten auf Position 1. Wer früher mit einem Top-Ranking verlässlich Traffic generiert hat, verliert heute einen Teil davon an KI-Antworten, die Nutzer gar nicht mehr auf die Seite weiterleiten.

Gleichzeitig verändert sich, was überhaupt in diese KI-Antworten gelangt. Domain Authority (die gesammelte Backlinkpower einer Domain) verliert an Gewicht. Aktuelle Analysen zeigen: Es gibt kaum einen Zusammenhang zwischen klassischer Domain Authority und der Platzierung in KI-Antworten. Fast die Hälfte der von KI-Systemen zitierten Quellen kommt von Seiten, die in der klassischen Suche auf Position 5 oder schlechter stehen.

Was stattdessen zählt: thematische Tiefe und Autorität auf einem spezifischen Themenfeld, sogenannte Topical Authority.

Dabei gibt es eine weitere Einschränkung, die oft unterschätzt wird. Die sogenannte Disconnected Entity Hypothesis beschreibt das Problem: Eine Entität, die im semantischen Netz isoliert steht (also kaum Verbindungen zu anderen vertrauenswürdigen Entitäten hat und von wenig externen Quellen erwähnt wird), wird von KI-Systemen faktisch ignoriert. Eine Website, die ausschließlich auf sich selbst verlinkt und nirgends extern referenziert wird, existiert für generative Systeme so gut wie nicht. Es bringt also relativ wenig, sich mit Themen wie "Grounding Pages" zu befassen, wenn alles drum herum noch nicht stimmt.

Wie Google das Denken gelernt hat: Hummingbird, BERT, MUM

Diese ganze Verschiebung von bloßer Domain Authority hin zu Topical Authority hat Google über Jahre mit gezielten Updates vorbereitet:

• Hummingbird (2013): Erstes großes Update, das nicht mehr nur einzelne Wörter, sondern die Bedeutung ganzer Suchanfragen zu verstehen versuchte. Der Startpunkt für semantische Suche.
• BERT (2019): Ein KI-Modell, das Sprache im Satzkontext versteht, also nicht Wort für Wort, sondern im Zusammenhang mit dem Rest der Aussage. Damit wurde Google deutlich besser darin, die Absicht hinter Anfragen zu erkennen.
• MUM, Multitask Unified Model (2021): Deutlich mächtiger als BERT. Kann Informationen aus verschiedenen Sprachen und Formaten gleichzeitig verarbeiten und komplexere, mehrstufige Anfragen beantworten.

Jedes dieser Updates hat Google ein Stück weiter in Richtung Antwortmaschine verschoben und weg von der reinen Keyword-Suche.

Entity SEO für klassische Google-Suche vs. generative KI

"Entity SEO" bedeutet nicht überall dasselbe.

Beim klassischen Google Knowledge Graph geht es darum, eindeutige Datenstrukturen bereitzustellen, idealerweise über Wikipedia, Wikidata oder strukturierte Daten auf der eigenen Website. Das befüllt eine zentralisierte Datenbank, aus der Google Faktenwissen bezieht.

Generative KI-Systeme funktionieren anders. Sie extrahieren Informationen auf Absatzebene aus dem gesamten Web, nicht aus einer zentralen Datenbank, sondern aus tausenden unabhängiger Quellen. Was zählt, ist nicht ein einzelner Wikipedia-Eintrag, sondern die konsistente Erwähnung und Beschreibung einer Entität über viele unabhängige Quellen hinweg.

Hinzu kommt: Die bevorzugten Datenquellen unterscheiden sich je nach System.

• ChatGPT greift bevorzugt auf Nachrichtenportale und Wikipedia zurück
• Google Gemini bezieht YouTube, Diskussionsforen und Fachblogs stark mit ein
• Perplexity kombiniert Live-Websuche mit Trainingsdaten

Analysen zeigen, dass nur rund 11 Prozent der Domains gleichzeitig von ChatGPT und Perplexity zitiert werden. Wer sich nur auf ein System optimiert, verliert in den anderen.

Warum Präsenz auf mehreren Plattformen entscheidet

Es gibt einen psychologischen Effekt, der auch bei KI-Systemen eine Rolle spielt: den Mere-Exposure-Effekt. Das Prinzip ist einfach. Je öfter ein Konzept in vertrauenswürdigen Quellen auftaucht, desto vertrauter wird es dem verarbeitenden System. Auf KI übertragen: Modelle werden durch Wiederholung in verlässlichen, unabhängigen Quellen zuverlässiger. Sie halluzinieren seltener über eine Entität, die konsistent und widerspruchsfrei aus mehreren externen Quellen beschrieben wird.

Studien belegen: Marken, die auf vier oder mehr externen Plattformen präsent sind, werden deutlich häufiger in KI-Antworten zitiert. Ein Blog auf der eigenen Website reicht dafür nicht.

Die Realität für B2B-Unternehmen: Plattformpräsenz aufbauen

Wikipedia ist für die meisten B2B-Unternehmen kein realistischer Startpunkt. Die redaktionellen Relevanzkriterien sind streng. Wer kein hinreichendes öffentliches Interesse nachweisen kann, kommt nicht rein.

Was stattdessen funktioniert, insbesondere im deutschen B2B-Kontext:

• Branchenspezifische Verzeichnisse: Wer liefert was, Kompass, EUROPAGES, Verbands-Mitgliedsverzeichnisse
• Bewertungsplattformen, wo sie relevant sind: OMR Reviews für Software, Trustpilot, Kununu für Arbeitgebermarke, Capterra für spezifische Zielgruppen
• Fachforen und Communities, in denen die eigene Zielgruppe aktiv ist
• LinkedIn, sowohl Unternehmensseite als auch Beiträge mit echter Substanz
• YouTube, insbesondere für Gemini-Sichtbarkeit, da das System YouTube-Inhalte stark heranzieht

Das Ziel ist konsistente, extern validierte Präsenz, nicht maximale Sichtbarkeit auf einer einzigen Plattform.

Praktische Umsetzung

1. Marken-Entität sauber definieren

Unternehmensname, Adresse, Gründungsjahr, Beschreibung: überall identisch. Keine Abkürzungen auf einer Plattform, ausgeschriebener Name auf einer anderen. Entitätsverwirrung sabotiert die Zuordnung im semantischen Netz. Das klingt jetzt trivial, ist in der Praxis aber einer der häufigsten Fehler.

2. Schema.org-Markup auf der eigenen Website implementieren

Mindestens für das Unternehmen selbst:

• Organization-Schema mit name, url, logo, foundingDate, description
• sameAs: verlinkt auf externe Profile (LinkedIn-Unternehmensseite, Wikidata-Eintrag, Branchenportale). Das ist der maschinenlesbare Klebstoff, der isolierte Außenpräsenzen zu einer einzigen Entität zusammenführt
• mainEntityOfPage auf der "Über uns"-Seite setzen

Kein aufwendiges Projekt. Einmal korrekt aufgesetzt, selten angefasst.

3. Thematische Tiefe statt Keyword-Streuung

Statt 15 dünner Seiten zu ähnlichen Themen: ein inhaltlich vollständiges Hub-Dokument (auch bekannt als Pillar-Page) pro Kernthema. Glossare, technische Leitfäden, strukturierte Vergleiche. Formate, die Fragen vollständig beantworten und klare Definitionen liefern. KI-Systeme ziehen diese Formate bevorzugt heran, weil sie semantisch dicht und klar strukturiert sind.

4. Konsistente Außenpräsenz aufbauen

Gezielt Erwähnungen auf externen Plattformen aufbauen: Gastbeiträge in Fachpublikationen, Interviews, Beiträge in Branchenforen, Einträge in relevanten Verzeichnissen. Nicht als Massenstrategie, sondern gezielt in den Kanälen, die für die eigene Zielgruppe relevant sind.

5. Multimodalen Content einbeziehen

Text allein reicht nicht. Videos (YouTube), Infografiken und Bildmaterial zum selben Thema liefern KI-Systemen mehrere unabhängige Signale zur selben Entität. Analysen zeigen deutlich höhere Zitationsraten für Inhalte, die Text, Bild und Video kombinieren.

6. Share of Voice in KI-Antworten tracken

Klassische Rankings werden durch neue Kennzahlen ergänzt:

• Wie oft wird die Marke in KI-Antworten zitiert?
• In welchem Kontext? Positiv, neutral, falsch?
• Bei welchen Themen ist die Marke sichtbar und bei welchen nicht?
• Brand Sentiment: Wie beschreiben KI-Systeme das Unternehmen, wenn sie es erwähnen?

Typische Entity-SEO-Fehler

Inkonsistente Markennamen und Angaben

"Mustermann GmbH" auf der Website, "Mustermann-GmbH" auf LinkedIn, "Mustermann" im Branchenverzeichnis. Für semantische Systeme ist das ein Problem. Wenn dieselbe Entität unterschiedlich bezeichnet wird, können die Informationen nicht sauber zu einem Knotenpunkt zusammengeführt werden. Das Ergebnis: fragmentierte Autorität statt einer starken Entität.

Fehlende oder falsche Schema-Attribute

Ohne sameAs und mainEntityOfPage fehlt die maschinenlesbare Verknüpfung zwischen der eigenen Website und den Außenpräsenzen. Suchmaschinen und KI-Systeme müssen dann selbst raten und kommen dabei häufig zu falschen Zuordnungen.

Isolierte Keyword-Optimierung ohne semantischen Kontext

Ein Text, der "Buchhaltungssoftware für KMU" zehnmal enthält, aber weder erklärt, was das Produkt macht, noch Kontext zu Anwendungsfall, Alternativen oder Preisstruktur aufbaut, wird von KI-Systemen nicht als relevante Quelle behandelt. Die semantische Analyse braucht Vollständigkeit, keine Keyword-Dichte.

Ausschließlich interne Publikation

Wer nur auf der eigenen Website veröffentlicht, baut keine externe Validierung auf. Ohne Erwähnungen auf Drittseiten entsteht keine Entitäts-Autorität, unabhängig davon, wie gut der eigene Content ist.

Grounding Pages als Wundermittel?

Dedizierte "maschinenlesbare" Seiten, auf denen Unternehmen sich selbst beschreiben, werden in der SEO-Praxis massiv überschätzt. Generative KI-Systeme gewichten externe, unabhängige Quellen stärker als selbst deklarierte Fakten. Stichwort "Disconnected Entity". Eine gut gepflegte "Über uns"-Seite mit sauberem Schema.org-Markup und wirklichen klaren Aussagen (siehe hierzu auch unseren Artikel, wie man einen guten "Chunk" für KI-SEO schreibt) ist in unserer Einschätzung deutlicher sinnvoller als eine künstliche Grounding Page.