Für den Einstieg in ein GEO-Audit würde ich mit einer recht bodenständigen Frage beginnen: Wenn jemand nach dem sucht, was Sie verkaufen, schlägt die KI Sie vor? Und worauf stützt sie sich dabei?
Bei GEO geht es um die Arbeit an der Sichtbarkeit in den Antworten generativer Suchmaschinen. So betrachtet können wir erst einmal eine Tabelle öffnen, bevor wir die Kreditkarte zücken.
Muss man also 5.000 € in ein Tool stecken, um anzufangen?
Kommt darauf an. Aber ich würde diese Frage gern stellen können, ohne als Geizhals der Besprechung zu gelten.
Die 5.000 € stehen hier für ein hypothetisches Budget, nicht für den Preis eines bestimmten Anbieters. Ein Jahresabonnement, eine Audit-Dienstleistung und eine Monatslizenz lassen sich natürlich nicht wie drei Konservendosen vergleichen.
So würde ich mit DataForSEO eine erste Bestandsaufnahme aufbauen. Und dafür würde ich anschließend eine Plattform bezahlen.
Mit Fragen beginnen, die einen Kunden bringen können
Nehmen wir ein fiktives Beispiel: Ein Unternehmen verkauft Rechnungssoftware für Selbstständige.
Ich würde mit Vertriebsanfragen, eingegangenen Einwänden und bereits in der Search Console erkannten Suchanfragen beginnen. Letztere liefern Anhaltspunkte; sie werden dadurch nicht automatisch zu tatsächlich in ChatGPT verwendeten Prompts.
Danach würde ich ein kleines Fragenpanel zusammenstellen:
„Welche Rechnungssoftware sollte man als Selbstständiger wählen?“
„Mit welchem Tool kann man Rechnungen stellen und unbezahlte Rechnungen anmahnen?“
„Welche Alternative zu [Wettbewerber] gibt es für ein kleines Unternehmen?“
„Kann man mit [Marke] Anzahlungen verwalten?“
Ich würde Fragen, die die Marke bereits nennen, von Fragen nach einer Lösung trennen. Wer zitiert wird, nachdem er der KI selbst seinen Namen genannt hat, gehört in eine eigene Spalte.
Für einen Pilotversuch schlage ich 30 Fragen vor, die verschiedene Bedürfnisse abdecken. Das ist ein praktischer Ausgangspunkt, keine repräsentative Stichprobe sämtlicher Gespräche im Markt.
DataForSEO: Entscheiden, was man beobachtet
DataForSEO bietet unter anderem zwei Produktfamilien, die man unterscheiden sollte.
LLM Responses ermöglicht es, Modelle per API abzufragen, unter anderem von OpenAI, Anthropic, Google und Perplexity. Das ist nützlich, um Antworten unter festgelegten Bedingungen zu vergleichen. Daraus würde ich nicht ableiten, dass ein angemeldeter Nutzer in seiner Anwendung dasselbe sieht. Dokumentation zu LLM Responses.
LLM Scraper erfasst Suchergebnisse auf den unterstützten Oberflächen. Als Ausgangspunkt würde ich hier ChatGPT wählen. Beim dokumentierten Endpunkt lassen sich Standort, Sprache und das Verhalten der Websuche festlegen. Es bleibt eine Beobachtung unter diesen Bedingungen, kein Einblick in sämtliche personalisierten Sitzungen. Dokumentation zum ChatGPT LLM Scraper.
Mein Pilotversuch würde sich daher auf ChatGPT beschränken. Für eine Erweiterung der Untersuchung würde ich getrennte Erhebungen hinzufügen und jeweils die Methode angeben. Auch die Ergebnisse von Google AI Overviews würde ich separat halten.
Ein großer „KI-Sichtbarkeitsscore“, der diese Oberflächen ohne Erklärung vermischt, würde mich vor allem dazu bringen, die Anleitung aufzuschlagen.
Die Datenerhebung in der Praxis
Ich schlage folgendes Vorgehen vor: 30 Fragen, jeweils an drei verschiedenen Terminen erhoben, mit denselben Parametern. Die drei Durchläufe sollen eine mögliche Variabilität sichtbar machen, ohne den Anspruch, sie statistisch aufzuklären.
In DataForSEO würde ich den Endpunkt ChatGPT LLM Scraper Live Advanced wählen: POST /v3/ai_optimization/chat_gpt/llm_scraper/live/advanced. Jede Anfrage enthält eine Aufgabe: die Frage im Feld keyword, dazu einen Standort und eine Sprache aus den unterstützten Listen.
Auch force_web_search würde ich für die gesamte Serie einheitlich festlegen. Wird die Option aktiviert, untersucht man die Bedingung einer erzwungenen Websuche. Das muss im Bericht stehen; selbst bei aktivierter Option sind zitierte Quellen nicht garantiert.
Bevor ich das gesamte Panel abfrage, würde ich einen Testaufruf durchführen. Ich würde den Aufgabenstatus, das Vorhandensein einer Antwort und deren Kosten prüfen. Ein fehlgeschlagener Aufruf bleibt eine fehlende Erhebung: Er ist kein Beweis dafür, dass die Marke fehlt.
Anschließend versendet ein Skript oder eine Automatisierung die Fragen, speichert die Rohantworten und befüllt eine Tabelle. Eine Zeile pro Beobachtung, mit Frage, Datum, Parametern, angegebenem Modell, Antwort, erwähnten Marken, zitierten Links und Kosten.
Ich würde die vollständigen Antworten aufbewahren. Wenn eine Zahl merkwürdig aussieht, möchte ich sie auf den Text zurückführen können, aus dem sie entstanden ist.
Die kleine Rechnung, die Preise einordnet
Laut dem am 17. September 2026 eingesehenen Tarif kostet LLM Scraper Live bei DataForSEO 0,004 $ pro Ergebnisseite. Für unser hypothetisches Szenario, unter der Annahme einer abgerechneten Seite pro Erhebung und ohne zusätzliche Aufrufe:
30 Fragen × 3 Erhebungen = 90 Seiten. 90 × 0,004 $ = 0,36 $ für die Datenerhebung.
Das sind die theoretischen Datenkosten dieses Pilotversuchs. Der erste Test, mögliche Wiederholungen und weitere Aufrufe kommen hinzu. Preise für LLM Scraper.
Außerdem muss man Verbrauch und Zahlung unterscheiden: DataForSEO nennt eine Mindestaufladung von 50 $ sowie ein Testguthaben von 1 $. Dieses Guthaben lässt sich vor dem Aufladen zum Testen nutzen; ein Verbrauch von wenigen Cent bedeutet nicht, dass man das Konto mit wenigen Cent aufladen kann. Von DataForSEO angegebene Bedingungen.
Eine weitere Falle: Der Preis für LLM Responses Live von 0,0006 $ pro Aufgabe ist eine Grundgebühr, zu der die Kosten des Modellanbieters hinzukommen. Das ist nicht der Gesamtpreis unserer Erhebung mit ChatGPT Scraper. Preise für LLM Responses.
Ich könnte hier aufhören und Ihnen die große Geschichte vom Berater verkaufen, der eine Software für wenige Cent ersetzt.
Nur hätte ich dann vergessen, meine Zeit abzurechnen. Die Auswahl der Fragen, Entwicklung, Fehler, Auswertung und Wartung gehören ebenfalls auf die Rechnung.
Eine günstige API macht das Audit nicht kostenlos. Sie hilft zu verstehen, welchen Teil der Arbeit man tatsächlich einkauft.
Antworten lesen, bevor man einen Score erstellt
Ich würde mindestens unterscheiden zwischen einer erwähnten Marke, einer für das Bedürfnis empfohlenen Marke und einer als Quelle zitierten Domain. Eine Marke kann auftauchen, weil von ihr abgeraten wird; sie kann auch aufgrund eines Artikels eines Dritten empfohlen werden, ohne Link zu ihrer eigenen Website.
Für eine Erwähnungsquote wäre die Berechnung ausdrücklich angegeben: verwertbare Antworten, die die Marke enthalten, geteilt durch die verwertbaren Antworten derselben Gruppe. Fragen mit und ohne Markennennung bleiben getrennt; fehlende Erhebungen bleiben sichtbar.
Diese Quote beschreibt unser Fragenpanel unter unseren Erhebungsbedingungen. Sie entspricht weder einem Marktanteil noch einem Prozentsatz aller ChatGPT-Nutzer.
Ich würde auch die Quellenangaben in der Antwort selbst prüfen. Ein Link, der unter den Suchergebnissen des Modells zurückgegeben wird, beweist noch nicht, dass er dem Leser als Quelle genannt wurde. Die Dokumentation unterscheidet ausdrücklich zwischen abgerufenen, möglicherweise ungenutzten Ergebnissen und den Quellen, die der Antwort zugeordnet sind.
Aus der Bestandsaufnahme nützliche Arbeit machen
Stellen wir uns in unserem fiktiven Beispiel vor, dass die Antworten regelmäßig einen Wettbewerber für das Anmahnen unbezahlter Rechnungen empfehlen. Ich würde die zitierten Seiten lesen und dann vergleichen, was sie verständlich machen und was unsere eigene Website erklärt.
Bieten wir diese Funktion tatsächlich an? Ist sie dokumentiert? Sind ihre Grenzen und Bedingungen klar? Enthält die zitierte Quelle falsche oder veraltete Angaben?
Wenn eine Seite das Thema bereits behandelt, würde ich sie verbessern, bevor ich eine weitere erstelle. Eine neue Seite ist nur dann gerechtfertigt, wenn sie ein eigenständiges Bedürfnis erfüllt und einem tatsächlichen Angebot entspricht.
Der Maßnahmenplan würde die betroffene Seite, die festgestellte Lücke, die vorgeschlagene Korrektur und deren Überprüfung benennen. Hinzu kämen technische Prüfungen des Zugangs zu den relevanten Seiten. Die Erhebung der Antworten liefert die Sichtbarkeitsdiagnose; danach muss das Audit die Website und ihre Belege untersuchen.
Anschließend würde ich die Beobachtungen mit demselben Panel und denselben Einstellungen wiederholen. Eine Verbesserung nach einer Änderung wäre ermutigend, würde allein aber nicht beweisen, dass meine Änderung sie verursacht hat.
Wann ich die 5.000 € bezahlen würde
Für eine begrenzte erste Bestandsaufnahme würde ich mit diesem schlanken Aufbau beginnen, sofern jemand die Erhebung betreuen kann.
Wenn hingegen mehrere Teams mehrere Märkte verfolgen, auf einen verlässlichen Verlauf zugreifen, Ergebnisse teilen und bei fehlgeschlagenen Erhebungen benachrichtigt werden müssen, kann eine Plattform ihren Preis wert sein. Vorausgesetzt, man prüft, ob sie all das tatsächlich bietet.
Ich würde eine Vorführung mit meinen eigenen Fragen verlangen. Ich möchte die Rohantwort hinter einer Kennzahl sehen, meine Daten exportieren und verstehen, was bei einer fehlenden Erhebung passiert. Danach würde ich mir ansehen, wie viel Zeit das Team tatsächlich spart.
Dafür zahle ich wesentlich lieber als für eine Anzeige, deren Berechnung niemand erklären kann.
Also ja, es kommt darauf an. Bevor ich unterschreibe, möchte ich wissen, welche Entscheidungen ich mithilfe des Tools treffen kann.
Und wenn die einzige Antwort lautet „Ihren GEO-Score verfolgen“, bleibt meine Kreditkarte noch etwas länger in der Tasche.
Praxisnotizen · Methodenvorschlag auf Grundlage der am 17. September 2026 eingesehenen DataForSEO-Dokumentation. Fall und Budget dienen der Veranschaulichung: Der Artikel stellt weder eine Datenerhebung für einen Kunden noch tatsächlich erzielte Einsparungen dar.