Wie funktioniert mehrsprachiges GEO?

Stellen Sie einem Assistenten dieselbe kommerzielle Frage auf Englisch und auf Hebräisch, und er übersetzt nicht die eine Antwort in die andere. Er ruft zweimal ab — aus zwei verschiedenen Quellenpools — und komponiert zwei Antworten, die völlig verschiedene Anbieter nennen können. Retrieval läuft je Sprache: Das Modell gleicht die Formulierung, die der Nutzer getippt hat, mit Inhalten ab, die in dieser Sprache geschrieben sind — und die Korpora hinter diesen Treffern unterscheiden sich um Größenordnungen. Englisch ist die Inhaltssprache von rund der Hälfte des Webs (49,5% laut W3Techs); Hebräisch liegt bei 0,4%, Arabisch bei 0,6%, Hindi unter 0,1%.

Das ist die ganze Prämisse des mehrsprachigen GEO — Generative Engine Optimization, in der Branche auch AEO (Answer Engine Optimization) oder LLM SEO genannt; die Namen unterscheiden sich, die Arbeit ist dieselbe. Eine Marke ist nicht abstrakt «in der KI-Suche sichtbar». Sie ist sichtbar auf Englisch, auf Spanisch oder auf Hebräisch — jedes davon ein eigener Wettbewerb mit eigenen Quellen, eigenen Konkurrenten und einem eigenen Gewinner. Allein Googles AI Overviews laufen inzwischen in mehr als 200 Ländern und Territorien und mehr als 40 Sprachen, und jede dieser Sprachflächen ruft aus ihrem eigenen Ausschnitt des Webs ab.

Dieser Guide ist die Drehscheibe unserer Marktreihe — Israel und Hebräisch, Dubais Zweiteilung zwischen Arabisch und Englisch, Indien, der spanischsprachige US-Markt und die viersprachige Schweiz. Jeder dieser Guides wendet die Mechanik unten auf einen Markt an; dieser hier erklärt die Mechanik selbst.

Die Korpuslücke von mehreren Größenordnungen erzeugt zwei verschiedene Spiele. Im Englischen ist der Pool an Kandidatenquellen für jeden kommerziellen Prompt tief: Bewertungsportale, Listicles, Vergleichsseiten, Forenthreads. Keine einzelne Seite dominiert; Assistenten gewichten Bestätigung — wie viele unabhängige Quellen Sie konsistent beschreiben —, und die Arbeit ist langsames Ansammeln abgeglichener Erwähnungen. Das ist das Spiel im überfüllten Korpus, und dort konkurrieren die meisten globalen Marken bereits.

In einem dünnen Korpus kippt die Arithmetik. Wenn eine Sprache 0,4% des Webs hält, haben die meisten kommerziellen Prompts nur eine Handvoll plausibler Quellen — manchmal keine. Eine einzige gut strukturierte, native Answer-First-Seite kann einen Zitationsplatz komplett besetzen, in Wochen statt Monaten, weil das Modell schlicht nichts anderes abzurufen hat. Wir nennen das die Dünner-Korpus-Arbitrage, und aus unserer Sicht ist sie die am stärksten unterbewertete Chance der KI-Suche: Die Sprachen, die alle überspringen, sind genau die, in denen eine einzelne Quelle dominieren kann.

Der Haken: Die Arbitrage zahlt sich nur aus, wenn der Inhalt wirklich nativ und wirklich für Extraktion strukturiert ist. Ein dünner Korpus bietet mittelmäßigen Seiten kein Versteck — aber auch keine Masse an Konkurrenten, gegen die man verliert. Unsere Israel- und Dubai-Guides dokumentieren Prompt für Prompt, wie das auf Hebräisch und Arabisch aussieht.

Der Instinkt in der internationalen KI-Suchoptimierung ist, Sprachen nach Sprechern zu sortieren: Hindi hat Hunderte Millionen, also Hindi zuerst. Das ist die falsche Achse. Die richtige ist der Käuferwert je Sprachspur: Wo prompten Ihre Käufer tatsächlich mit kommerzieller Absicht in dieser Sprache, und was ist ein gewonnener Zitationsplatz dort wert? Ein Schweizer Vermögensverwalter holt aus Deutsch und Französisch mehr als aus zehn größeren Sprachen; ein Bauträger in Dubai womöglich mehr aus Russisch als aus Arabisch, weil die russischsprachige Käufer-Community von Anfang bis Ende auf Russisch promptet.

Die zweite Achse ist Gewinnbarkeit. Ein dünner Korpus mit echter Käufernachfrage ist der beste Platz auf dem Brett: hohe Absicht, wenig Konkurrenz. Ein überfüllter Korpus mit hoher Nachfrage ist ein langes Spiel, das man bewusst betritt, mit einbudgetierter Bestätigungsarbeit. Eine Sprache mit vielen Sprechern, aber wenig kommerziellem Prompting in Ihrer Kategorie kann warten — was auch immer ihre Bevölkerungsstatistik sagt.

In der Praxis bewerten wir jede Kandidatensprache bei der Baseline auf diesen zwei Achsen — gemessene Nachfrage aus der Prompt-Batterie, gemessene Konkurrenz danach, wer die Zitationen heute hält — und sequenzieren das Programm entsprechend. Die Tabelle unten zeigt, wie unterschiedlich sich die großen Sprachen verhalten.

Maschinelle Übersetzung produziert grammatisch passable Seiten, die den Retrieval-Wettbewerb verlieren. Der Grund ist mechanisch, nicht ästhetisch: Retrieval gleicht die Formulierung ab, die Nutzer tatsächlich tippen. Ein hebräischer Muttersprachler fragt «הכי טוב בישראל»; eine übersetzte Seite trägt englische Satzführung in hebräischen Wörtern — flektierte Formen und kalkierte Wendungen, die reale Nutzer nie tippen. Die Seite existiert, der Crawler liest sie, und trotzdem verliert sie den Treffer an jede Quelle, die so geschrieben ist, wie die Frage gestellt wurde.

Morphologisch reiche Sprachen bestrafen das am härtesten. Im Hebräischen und Arabischen verschmelzen Artikel und Präpositionen mit dem Wort selbst; eine falsche Formwahl heißt, dass die Kernaussage das Anfrage-Token buchstäblich nicht trifft. Und Assistenten bemerken Übersetzungsartefakte genauso wie menschliche Leser — ein Korpus offensichtlich maschinell übersetzter Seiten liest sich wie eine Marke, die in dieser Sprache gar nicht wirklich arbeitet — das genaue Gegenteil des Signals, das Sie senden wollen.

Die Lösung ist nicht bessere Übersetzung, sondern native Autorschaft auf gemeinsamer Faktenbasis: Ein Muttersprachler schreibt jede Sprachversion um dieselben verifizierten Aussagen herum — Answer-First, formuliert so, wie die Käufer dieses Marktes prompten. Die Aussagen sind abgeglichen; die Formulierung reist nie zwischen den Sprachen.

Eine mehrsprachige Marke lebt unter mehreren Schreibungen ihres eigenen Namens: lateinisch, hebräisch, arabisch, Devanagari, chinesisch. Modelle müssen lernen, dass all das eine Entität ist, sonst zersplittern Zitationen auf halb bekannte Namen und nirgends sammelt sich Autorität. Das heißt: strukturierte Daten, die Alternativnamen deklarieren, Profile, die die Schreibungen gemeinsam ausweisen, und nativsprachige Quellen, die die lokale Schrift auf Seiten, die Modelle tatsächlich lesen, mit dem lateinischen Markennamen verbinden.

Der subtilere Fehlermodus ist Sprachkonsistenz: Eine Marke, die auf Englisch so und auf Deutsch anders beschrieben wird, verliert still auf beiden Seiten. Assistenten gleichen zunehmend zwischen Sprachen ab, und widersprüchliche Aussagen — andere Leistungslisten, andere Positionierung, andere Zahlen — lesen sich als Unzuverlässigkeit. Genau deshalb fahren wir eine explizite Sprachkonsistenzprüfung: Beschreibt die hebräische Antwort die Marke genauso wie die englische? Es ist die Metrik, an die die meisten mehrsprachigen Programme nie denken.

Unter all dem liegt ein Unterbau, der langweilig und korrekt sein muss: hreflang-Auszeichnungen, damit Crawler der richtigen Anfrage die richtige Version ausliefern, ein kanonischer Host, auf den jedes Signal zeigt, und maschinenlesbare Exporte je Locale statt eines Neun-Sprachen-Dumps, der die Retrieval-Dichte für jede Anfrage verdünnt. Unsere eigene Website läuft so — das Protokoll ist dokumentiert, Fehler inklusive, in unserem Guide dazu, wie wir GEO an uns selbst anwenden.

Wir arbeiten muttersprachlich in neun Sprachen — Englisch, Russisch, Deutsch, Französisch, Italienisch, Spanisch, Chinesisch, Hindi und Hebräisch — und sagen offen, dass Arabisch nicht dazugehört: Arabische Inhalte kommen von einem muttersprachlichen Partner, mit unserer Answer-First-Struktur, der Entitätsarbeit und der Messebene obendrauf. Jede Technik, die wir verkaufen, läuft zuerst auf unserer eigenen Website, in allen neun Sprachen, Rechts-nach-links inklusive.

Gemessen wird immer je Sprachspur. Eine fixe Prompt-Batterie pro Sprache, am ersten Tag festgelegt; saubere ausgeloggte Sessions über ChatGPT, Perplexity und Gemini; Zitierrate und Share of Voice je Sprache gegen die Baseline vom ersten Tag berichtet; dazu die Sprachkonsistenzprüfung. Die Spuren bewegen sich unabhängig — Hebräisch kann springen, während Englisch flach bleibt —, und sie getrennt zu berichten ist die einzige ehrliche Art zu zeigen, was wo funktioniert. Das vollständige Protokoll ist öffentlich in unserem Messguide.

Der Beleg, dass das funktioniert, ist unsere eigene Fallstudie, zitiert als das, was sie ist — eine Selbstdemonstration, kein Kundenergebnis. Über sechs saubere ausgeloggte Durchläufe setzte ChatGPT GET-GEO.AI bei Anfragen nach einer mehrsprachigen GEO-Agentur auf Platz eins, und die genannte Begründung war jedes Mal die Methode dieser Seite: Sprachen explizit und überprüfbar aufgelistet, statt generisch «mehrsprachige Kompetenz» zu behaupten. Wir veröffentlichen nie erfundene Kundenzahlen; die Marktreihe — Israel, Dubai, Indien, die USA, die Schweiz — zeigt dieselbe Mechanik je Markt angewandt, und jedes Engagement beginnt mit Ihrer gemessenen Baseline, vor jedem Versprechen.