AgenticGEO: Selbstentwickelnde Agenten verbessern generative Engine-Optimierung

Generative Suchmaschinen haben die klassische, rankingbasierte Retrieval‑Methode durch die Synthese von Large Language Models (LLMs) ersetzt. Dabei verschiebt sich das Optimierungsziel von der Sichtbarkeit einzelner Treffer hin zu einer umfassenden Einbindung von Inhalten in die von den Modellen erzeugten Zusammenfassungen. Das neue Feld der Generative Engine Optimization (GEO) zielt darauf ab, die Sichtbarkeit und die Attribution von Quellen in diesen „black‑box“ Ausgaben gezielt zu erhöhen, indem die Ausgangsinhalte strategisch angepasst werden.

Aktuelle Ansätze beruhen meist auf statischen Heuristiken, der Optimierung einzelner Prompt‑Varianten oder der Ableitung von Engine‑Präferenzregeln. Diese Methoden leiden unter Überanpassung, mangelnder Flexibilität gegenüber unterschiedlichen Content‑Typen und einer Unfähigkeit, sich an die sich ständig ändernden Verhaltensweisen der generativen Modelle anzupassen. Zudem erfordert die Optimierung einen enormen Interaktionsaufwand mit den Engines, was in der Praxis kaum umsetzbar ist.

Um diese Herausforderungen zu überwinden, präsentiert AgenticGEO ein selbstentwickelndes, agentisches Framework, das die Optimierung als content‑bedingtes Kontrollproblem formuliert. Durch die Nutzung eines MAP‑Elites‑Archivs entstehen vielfältige, zusammengesetzte Strategien, die robust auf die unvorhersehbaren Reaktionen der Black‑Box‑Engines reagieren. Ein Co‑Evolving‑Critic fungiert als leichtgewichtiger Surrogat‑Evaluator, der Engine‑Feedback approximiert und so die evolutionäre Suche sowie die planungsbasierte Inferenz effizient steuert. Umfangreiche Experimente an zwei repräsentativen Engines zeigen, dass AgenticGEO den aktuellen Stand der Technik übertrifft und damit einen bedeutenden Fortschritt in der Generative Engine Optimization darstellt.