AgenticGEO: Wenn KI-Agenten lernen, Ihre Inhalte für die KI-Suche zu optimieren

Basierend auf dem Paper "AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization" von Yuan, Wang, Wang, Sun, Wang & Li (Beihang University). Veröffentlicht im März 2026.

Paper: arXiv:2603.20213 | Code: github.com/AIcling/agentic_geo

Kurze Erinnerung: Was ist GEO?

Wenn Sie unseren vorherigen Artikel zum GEO-Grundlagenpapier nicht gelesen haben, hier die Kurzfassung:

KI-Suchmaschinen (ChatGPT, Perplexity, Google AI Overviews) zeigen Ihnen keine Linkliste mehr — sie lesen Websites und geben Ihnen eine synthetisierte Antwort. Generative Engine Optimization (GEO) besteht darin, Ihre Webinhalte so zu modifizieren, dass diese KI-Suchmaschinen sie eher in ihre Antworten aufnehmen und zitieren. Es ist SEO, aber für das KI-Zeitalter.

Das originale GEO-Paper (2024) zeigte, dass Strategien wie das Hinzufügen von Statistiken, Zitaten und Referenzen die Sichtbarkeit um bis zu 40% steigern konnten. Aber es handelte sich um feste, für alle identische Strategien — derselbe Trick, angewandt auf jeden Inhalt.

AgenticGEO stellt die Frage: Was wäre, wenn ein KI-Agent für jeden spezifischen Inhalt die beste Strategie finden und sich kontinuierlich verbessern könnte?

Das Problem des GEO der ersten Generation

Das GEO-Grundlagenpapier testete 9 Strategien (Zitate hinzufügen, Statistiken einfügen, Lesbarkeit verbessern usw.) und zeigte, dass sie funktionieren — im Durchschnitt. Aber als die AgenticGEO-Forscher genauer hinschauten, fanden sie ein kritisches Problem:

Fast die Hälfte aller Inhalte konnte durch keine der bestehenden festen Strategien verbessert werden.

Denken Sie darüber nach: Einem juristischen Artikel zu sagen, er solle "Statistiken hinzufügen", kann helfen, aber einem persönlichen Essay zu sagen, er solle "Statistiken hinzufügen", kann ihn verschlechtern. Der originale GEO-Ansatz war wie ein Arzt, der jedem Patienten dasselbe Medikament verschreibt, unabhängig von den Symptomen.

Drei spezifische Probleme:

1. Vielfalt der Inhalte — Verschiedene Artikel erfordern verschiedene Optimierungsansätze. Ein Rezeptblog und ein wissenschaftlicher Artikel haben nichts gemeinsam.
2. Unvorhersehbarkeit der Suchmaschinen — KI-Suchmaschinen sind Black Boxes, die sich ständig ändern. Eine Strategie, die heute auf Perplexity funktioniert, könnte morgen nicht mehr funktionieren oder auf Google AI Overviews versagen.
3. Feedback ist teuer — Um zu wissen, ob Ihre Optimierung funktioniert hat, müssen Sie den Inhalt an die KI-Suchmaschine senden und das Ergebnis überprüfen. Das lässt sich für jeden Inhalt nicht tausendmal durchführen.

Die Kernidee: Ein KI-Agent, der seine eigenen Strategien weiterentwickelt

AgenticGEO basiert auf einem erstaunlich eleganten Konzept: Statt dass Menschen feste Strategien entwerfen, lässt man einen KI-Agenten Strategien automatisch entdecken, weiterentwickeln und auswählen — und sich über die Zeit kontinuierlich verbessern.

Das System hat drei Schritte: Lernen → Weiterentwickeln → Anwenden.

Schritt 1: Lernen (Offline-Ausrichtung des Critic)

Bevor irgendeine Online-Aktion stattfindet, trainiert AgenticGEO ein kleines, schlankes KI-Modell namens Critic. Stellen Sie sich den Critic als einen Praktikanten vor, der vergangene Beispiele studiert, um sein Urteilsvermögen zu entwickeln.

Folgendes passiert:

• Ein Set von Inhalt-Anfrage-Paaren nehmen
• Verschiedene Umschreibungsstrategien auf jedes anwenden
• Diese durch eine generative Suchmaschine laufen lassen und die Ergebnisse messen
• Den Critic trainieren, vorherzusagen: "Wie stark wird sich bei diesem Inhalt und dieser Strategie die Sichtbarkeit verbessern?"

Der Critic basiert auf einem kleinen Sprachmodell (Qwen2.5-1.5B — winzig nach heutigen Standards) mit einem Scoring-Kopf darüber. Er lernt, Sichtbarkeitsgewinne vorherzusagen, ohne die teure generative Suchmaschine jedes Mal befragen zu müssen.

Warum das wichtig ist: Einmal trainiert, kann der Critic Tausende von Strategie-Inhalt-Kombinationen in Sekunden bewerten, anstatt auf langsame und teure Antworten der KI-Suchmaschine zu warten.

Schritt 2: Weiterentwickeln (Online-Koevolution)

Hier wird es interessant. AgenticGEO verwendet einen aus der Evolutionsbiologie entlehnten Ansatz namens MAP-Elites — eine Technik zur Aufrechterhaltung einer vielfältigen Population qualitativ hochwertiger Lösungen.

Das Strategiearchiv

Stellen Sie sich eine Bibliothek von Optimierungsstrategien vor. Jede Strategie ist ein Satz von Anweisungen zum Umschreiben von Inhalten (z.B.: "Autoritative Zitate hinzufügen und in klare Abschnitte umstrukturieren" oder "Sprache vereinfachen und statistische Belege hinzufügen"). Aber im Gegensatz zu den 9 festen Strategien des originalen GEO:

• Beginnt mit Basisstrategien (ähnlich denen des originalen GEO)
• Entwickelt neue Strategien durch Mutation und Kombination bestehender
• Behält nur die besten UND vielfältigsten — nicht nur die einzige beste

Vielfalt ist entscheidend. MAP-Elites behält nicht nur den besten Performer. Es pflegt ein Raster von Strategien, die jeweils die beste in ihrer Nische sind. Eine Strategie kann die beste für wissenschaftliche Inhalte sein, eine andere für Meinungsartikel, eine weitere für E-Commerce-Produktseiten. Das Archiv bewahrt sie alle.

Die Koevolutionsschleife

Hier ist der Zyklus:

1. Auswählen einer Elternstrategie aus dem Archiv
2. Mutieren mittels eines LLM-"Evolvers" (Qwen2.5-7B), der Variationen erzeugt
3. Der Critic bewertet die neue Strategie kostengünstig (kein Suchmaschinenaufruf nötig)
4. Gelegentlich verifizieren mit der echten generativen Suchmaschine (teuer, aber notwendig)
5. Archiv aktualisieren — wenn die neue Strategie gut UND ausreichend anders ist, erhält sie einen Platz
6. Critic aktualisieren — echtes Suchmaschinen-Feedback nutzen, um den Critic kalibriert zu halten

Der Critic und das Archiv entwickeln sich gemeinsam weiter — daher "Koevolution." Der Critic wird besser darin, Strategien zu beurteilen, und die Strategien werden besser darin, Inhalte zu optimieren. Ein Kreislauf der gegenseitigen Verbesserung.

Suchmaschinenaufrufe reduzieren

Zentrale Innovation: Der Critic fungiert als Torwächter. Statt jede neue Strategie gegen die echte KI-Suchmaschine zu testen (teuer), filtert der Critic die Kandidaten vor. Nur die vielversprechendsten werden mit echten Suchmaschinenaufrufen verifiziert.

Das Ergebnis: AgenticGEO behält 98,1% seiner Leistung bei nur 41,2% des Suchmaschinen-Feedbacks, das sonst nötig wäre. Eine massive Kostenreduktion.

Schritt 3: Anwenden (Agentische Mehrstufige Umschreibung)

Zum Zeitpunkt der Inferenz — wenn Sie tatsächlich einen Inhalt optimieren wollen — wendet AgenticGEO nicht nur eine einzelne Strategie an. Es startet einen mehrstufigen Planungsprozess:

1. Der Critic analysiert Ihren Inhalt und die Zielanfrage
2. Er wählt die 25 vielversprechendsten Strategien aus dem weiterentwickelten Archiv
3. Er wählt die beste aus und wendet sie an (Umschreibung via Qwen2.5-32B)
4. Er bewertet das Ergebnis und entscheidet: "Ist das gut genug, oder muss ich eine weitere Strategie anwenden?"
5. Er kann bis zu 3 Umschreibungsstufen verketten, wobei jede auf der vorherigen aufbaut

Das ist der "agentische" Teil — das System trifft autonome Entscheidungen darüber, was zu tun ist, bewertet seine eigene Arbeit und iteriert. Es führt nicht einfach eine Vorlage aus; es plant und passt sich an.

Die Ergebnisse: State of the Art auf ganzer Linie

AgenticGEO wurde gegen 14 Baselines getestet (einschliesslich der originalen GEO-Strategien, AutoGEO und anderer Methoden) auf 3 Datensätzen und 2 verschiedenen generativen Suchmaschinen (Qwen2.5-32B und Llama-3.3-70B als zugrundeliegende GE-Modelle).

Zentrale Ergebnisse:

• 46,4% durchschnittlicher Sichtbarkeitsgewinn gegenüber nicht optimiertem Inhalt
• Übertrifft alle 14 Baselines bei jeder Datensatz/Suchmaschinen-Kombination
• Cross-Domain-Transfer funktioniert — Strategien, die auf einer Domäne (z.B. Wissenschaft) entwickelt wurden, übertragen sich gut auf unbekannte Domänen (z.B. Recht, Gesundheit)
• Cross-Engine-Transfer funktioniert — Strategien, die für eine KI-Suchmaschine optimiert wurden, verbessern auch die Sichtbarkeit auf einer anderen

Dieser letzte Punkt ist besonders wichtig. Es bedeutet, dass das System nicht eine spezifische Suchmaschine "ausnutzt" — es lernt, Inhalte auf eine Weise zu verbessern, die mehrere KI-Systeme anerkennen.

Warum "selbst-evolutionär" zählt

Die meisten KI-Optimierungssysteme sind statisch: Man trainiert sie einmal, setzt sie ein, und sie werden nach und nach veraltet. AgenticGEO ist so konzipiert, dass es sich kontinuierlich weiterentwickelt:

• Neue Inhaltstypen? Das Archiv entwickelt neue Strategien.
• Das Suchmaschinenverhalten ändert sich? Der Critic rekalibriert sich mit frischem Feedback.
• Neue Domänen? Der Cross-Domain-Transfer liefert einen Startpunkt, und die Evolution schliesst die Lücken.

Die Forscher liefern ein theoretisches Argument, das zeigt, dass der Koevolutionsprozess einen sublinearen Regret erreicht — die Fehler des Systems nehmen im Laufe der Zeit mit einer mathematisch garantierten Rate ab.

Vergleich mit anderen Ansätzen

Praktische Implikationen

Für Content-Ersteller

Die unmittelbare Lektion ist, dass personalisierte Optimierung generische Ratschläge schlägt. "Überall Statistiken einfügen" ist ein im Durchschnitt korrekter Rat, aber die richtige Strategie hängt von Ihrem spezifischen Inhalt, Ihrer Branche und der KI-Suchmaschine ab, die Sie anvisieren. Tools, die auf AgenticGEO-ähnlichen Ansätzen aufbauen, könnten langfristig inhaltsspezifische Empfehlungen bieten.

Für die GEO-Forschungsgemeinschaft

AgenticGEO verschiebt den Fokus des Feldes von "Welche feste Strategie ist die beste?" zu "Wie baut man Systeme, die Strategien automatisch entdecken und anpassen?" Das ist eine grundlegend andere Forschungsrichtung — und eine skalierbarere.

Für Entwickler von KI-Suchmaschinen

Das Paper wirft eine wichtige Frage auf: Wenn GEO-Tools immer ausgefeilter werden, müssen KI-Suchmaschinen dann ihre Abwehrmechanismen weiterentwickeln? Es entsteht ein Wettrüsten zwischen Content-Optimierern und den Suchmaschinen, die diese Inhalte konsumieren. Der evolutionäre Ansatz von AgenticGEO ist besonders schwer zu kontern, da er sich nicht auf einen einzelnen Exploit stützt — er entdeckt kontinuierlich neue.

Unter der Haube: Technischer Stack

Für die technisch Interessierten:

• Critic-Modell: Qwen2.5-1.5B mit LoRA-Fine-Tuning (2 Epochen) + MLP-Wertkopf
• Strategie-Evolver: Qwen2.5-7B-Instruct
• Content-Umschreiber: Qwen2.5-32B-Instruct
• Getestete generative Suchmaschinen: Qwen2.5-32B-Instruct und Llama-3.3-70B-Instruct
• Archiv: MAP-Elites Quality-Diversity
• Inferenz: Top-25-Strategieauswahl, bis zu 3 Umschreibungsstufen
• Training: Hybrid-Loss (Huber-Regression + paarweises rank-aware Alignment)
• Lizenz: MIT (vollständig Open Source)

Das Gesamtbild

AgenticGEO stellt einen Wandel dar in unserer Denkweise über Content-Optimierung für die KI-Suche. Das originale GEO-Paper sagte "Hier sind 9 Tricks, die helfen." AgenticGEO sagt "Lassen Sie uns ein System bauen, das seine eigenen Tricks entdeckt, den richtigen für jede Situation auswählt und sich kontinuierlich verbessert."

Das ist der Unterschied zwischen einem Kochbuch und einem Spitzenkoch. Das Kochbuch gibt Ihnen Rezepte. Der Koch versteht die Zutaten, die Techniken und die Vorlieben der Gäste — und erfindet neue Gerichte nach Bedarf.

Während KI-Suchmaschinen zum dominierenden Weg werden, Informationen zu finden, wird die Fähigkeit, in ihren Antworten sichtbar zu bleiben, für Content-Ersteller existenziell. AgenticGEO legt nahe, dass die Zukunft dieser Optimierung keine Checkliste von Tipps sein wird — es werden KI-Agenten sein, die Inhalte für andere KI-Agenten optimieren.

Willkommen im Meta-Spiel.

Paper: Yuan, J., Wang, J., Wang, Z., Sun, Q., Wang, R., & Li, J. (2026). AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization. arXiv:2603.20213