Wenn Menschen KI-Systeme nach dem besten Supermarkt, nachhaltigen Einkaufsangeboten oder empfehlenswerten Handelsmarken fragen, entsteht die Antwort nicht zwangsläufig als simple Ergebnisliste. KI neigt dazu, direkt eine Einordnung zu formulieren, indem sie Argumente anführt und bestimmte Narrative reproduziert. KI wird somit zu einem neuen Stakeholder, dem Inhalte zielgruppengerecht aufbereitet und präsentiert werden müssen – mit weitreichenden Veränderungen für die Reputationsarbeit von Unternehmen.
Dieses neue Arbeitsfeld wird häufig als Generative Engine Optimization, kurz GEO, bezeichnet. Auf dem Markt finden sich außerdem Begriffe wie LLM Optimization, LLMO, oder Generative AI Optimization, GAIO. Gemeint ist bei allen die strategische Aufgabe, Unternehmen und ihre Inhalte so aufzustellen, dass sie von KI-Systemen gefunden, verstanden und möglichst korrekt wiedergegeben werden.
Viele GEO-Analysen betrachten dabei rein quantitative Faktoren: Wie häufig wird ein Unternehmen genannt? Bei welchen Fragen taucht es auf? Wie sichtbar ist es im Vergleich zum Wettbewerb? Diese Kennzahlen liefern auch eine wichtige erste Orientierung, beantworten jedoch nicht, welche Reputation hinter einer Nennung entsteht. Genau hier setzte unsere Zusammenarbeit mit REWE an.
Für mehrere REWE-Marken und strategisch relevante Themenfelder untersuchten wir über einen definierten Zeitraum, wie häufig und in welchem Kontext sie in den Antworten verschiedener KI-Systeme vorkamen. Dabei analysierten wir insbesondere Argumente, Narrative, Zuschreibungen und wiederkehrende Deutungsmuster. Wir analysierten auch, mit welchen Argumenten, Narrativen und Frames die Marken verbunden werden. Dafür entwickelten wir ein systematisches Set relevanter Fragen und Szenarien. Diese Prompts wurden wiederholt an unterschiedliche KI-Modelle gesendet, um Muster, Abweichungen und wiederkehrende Argumentationslinien sichtbar zu machen. Ein von uns entwickelter agentischer Workflow unterstützte dabei, die Antworten zu erfassen, zu strukturieren und für die weitere Auswertung aufzubereiten.
Die technische Analyse war jedoch nur der Ausgangspunkt. Im nächsten Schritt wurden die Ergebnisse kommunikativ und strategisch interpretiert. Dadurch konnten wir konkrete datenbasierte Handlungsempfehlungen für REWE ableiten: Welche Kernbotschaften müssen konsistenter kommuniziert werden? Wo braucht es klarere Belege, bessere Strukturen oder zusätzliche externe Signale? Und welche Themen sollten kommunikativ stärker besetzt werden?
Die Analyse lieferte REWE eine datenbasierte Grundlage, um kommunikative Lücken zu erkennen, Kernbotschaften zu schärfen, relevante Quellen gezielter zu stärken und Themenfelder für die weitere Reputationsarbeit zu priorisieren. Der Case zeigt: KI-Reputation lässt sich nicht allein in Nennungen und Rankings erfassen. Unternehmen müssen verstehen, welche Geschichten generative Systeme über sie erzählen. Erst dann können sie gezielt daran arbeiten, dass ihre Botschaften gefunden, richtig verstanden und reproduziert werden.
