12.000+ Marken verfolgen & gewinnen KI-Suche mit GEOly
Von Anker SOLIX bis xTool — die oben genannten Marken sehen bereits, wie ChatGPT, Gemini und Perplexity sie erwähnen, zitieren und empfehlen. Ihre Marke wird gerade in der KI diskutiert. Sehen Sie es.
Kostenlos starten · Keine Kreditkarte erforderlich
Was sind Grounding Queries? Die versteckten KI-Suchen | GEOly | GEO-Datenplattform für DTC-Marken
Was sind Grounding Queries? Die versteckten Suchen, die entscheiden, ob KI Sie zitiert
Zusammenfassung
Eine Grounding Query ist die maschinengenerierte Suche, die eine KI vor dem Antworten für sich selbst ausführt — die verborgene Retrieval-Schicht, die entscheidet, welche Seiten in AI Overviews, ChatGPT, Gemini und Perplexity zitiert werden. So funktionieren sie und so gewinnen Sie sie.
2026/07/05
16 Min. Lesezeit
Aktualisiert 2026/07/23
Kurze Antwort: Eine Grounding Query ist eine Suche, die ein KI-System für sich selbst generiert und ausführt — im Hintergrund, bevor es eine Antwort schreibt —, um frische, überprüfbare Fakten aus dem Live-Web zu holen, statt sich auf eingefrorene Trainingsdaten zu verlassen. Sie sehen diese Suchen nie, aber sie entscheiden, welche Seiten in AI Overviews, Google AI Mode, Gemini, ChatGPT, Copilot und Perplexity gelesen, für vertrauenswürdig befunden und zitiert werden. Im KI-Zeitalter zählt es weit weniger, für die Anfrage zu ranken, die ein Mensch eintippt, als für die Anfrage aufzutauchen, die die Maschine generiert.
Die Definition in einem Satz
Wenn Sie einem großen Sprachmodell eine Frage stellen, entscheidet es als Erstes: Kann ich das aus dem Gedächtnis beantworten, oder muss ich im Web nachsehen? Muss es nachsehen, schreibt es Ihre Frage still in eine oder mehrere präzise, faktenförmige Suchen um, führt sie gegen einen Live-Index aus (Google für Gemini und AI Mode, Bing für Copilot), liest die Ergebnisse und „erdet" seine Antwort an dem, was es gefunden hat. Diese maschinengenerierten Suchen sind Grounding Queries.
Sie sind der Unterschied zwischen einer KI, die selbstbewusst halluziniert, und einer, die sagt „laut [Ihrer Seite]…". Grounding ist die Retrieval-Schicht, die unter jeder KI-Sichtbarkeitsmetrik liegt, die Ihnen wichtig ist — Erwähnungsrate, Zitationsrate, Share of Voice. Inhalt, der nie für eine Grounding Query auftaucht, hat bei all diesen Metriken eine harte Obergrenze von null.
Der dreischichtige Query-Stack: getippte Anfrage → Fan-out → Grounding
Die größte Verwirrungsquelle ist, drei verschiedene Dinge in eine einzige „Suche" zusammenzufassen. Es sind getrennte Schichten, und man optimiert jede anders.
Abbildung 1 — Wie aus einem Prompt viele Maschinensuchen werden: Fan-out für Breite, Grounding für Tiefe.
Schicht 1 — Die Anfrage, die Sie tippen. Was der Mensch eingibt: „Welcher Verlobungsring hat die beste Diamantqualität fürs Geld?" Umgangssprachlich, unordentlich, voller Absicht.
Schicht 2 — Fan-out-Queries (Query Fan-out). Semrush definiert Query Fan-out als „einen Prozess des KI-Suchsystems, der eine Nutzeranfrage in mehrere Unterabfragen aufteilt, für jede Unterabfrage Informationen sammelt und die relevanten Informationen dann zu einer einzigen Antwort zusammenführt". Die KI zerlegt Ihren einen Prompt in eine Breite paralleler Untersuchen, um ein reiches Bild aufzubauen: „best value engagement ring brands", „lab-grown vs natural diamond quality", „Tiffany vs Blue Nile price". In einem dokumentierten Beispiel , um einen einzigen Urlaubsplanungs-Prompt zu beantworten. Beim Fan-out geht es um : ein weites Netz über viele Quelltypen (offizielle Seiten, Reviews, Foren, Expertenbeiträge).
feuerte Google AI Mode acht gleichzeitige Suchen ab
Abdeckung
Schicht 3 — Grounding Queries. Wo Fan-out breit ist, ist Grounding tief und schmal. Eine Grounding Query sucht nicht die zehn besten Artikel zu einem Thema; sie jagt den einen präzisesten, aktuellsten, am besten zitierbaren Datenpunkt, um vor dem Niederschreiben eine bestimmte Aussage zu verifizieren.
Die praktische Erkenntnis: Fan-out bringt das Publikum; Grounding bringt die KI dazu, der Antwort zu trauen. Sie brauchen eine zweigleisige Strategie, nicht nur eine.
Wie Grounding tatsächlich funktioniert (unter der Haube)
Grounding ist eine Anwendung von Retrieval-Augmented Generation (RAG): Die flüssige, aber eingefrorene Sprachfähigkeit des Modells wird an eine externe, aktuelle Quelle der Wahrheit gebunden. Googles eigene Gemini-API dokumentiert die Pipeline ausdrücklich, und sie gilt für jedes geerdete KI-System.
Abbildung 2 — Die Grounding-Entscheidung (stabil vs. volatil) und die Retrieval-Pipeline.
Das Modell liest Ihren Prompt und entscheidet, ob eine Suche die Antwort verbessern würde. Das ist eine Routing-Entscheidung, kein Reflex — stabile Fakten überspringen sie, volatile Fakten lösen sie aus (siehe nächster Abschnitt).
Wird Grounding benötigt, generiert das Modell automatisch eine oder mehrere Suchanfragen — und formuliert Ihre natürlichsprachliche Frage in knappe, retrieval-optimierte Strings um.
Es führt diese Suchen aus, liest die zurückgegebenen Passagen und synthetisiert sie zu einer einzigen Antwort.
Es gibt die Antwort samt Grounding-Metadaten zurück, die seine Arbeit benennen.
In der Gemini-API sind diese Metadaten einsehbar — das klarste Fenster in das tatsächliche Verhalten der Blackbox:
Feld
Was es offenlegt
webSearchQueries
Die genauen Grounding Queries, die das Modell ausgeführt hat — die umformulierten Suchen, nicht Ihr Prompt
groundingChunks
Die Webquellen (URIs + Titel), die es abgerufen und genutzt hat
groundingSupports
Welche Sätze der Antwort auf welche Quellen abbilden — Attribution auf Passagenebene
searchEntryPoint
Die gerenderten „Search Suggestions"-Chips, die Nutzern angezeigt werden
Daraus folgen zwei Dinge, die die meisten SEOs übersehen:
Die Retrieval-Einheit ist eine Passage, keine Seite.groundingSupports bindet einzelne Aussagen an einzelne Chunks. Eine Seite kann für einen Satz geerdet und für den Rest ignoriert werden. Sie optimieren Passagen, nicht Dokumente.
Grounding kostet etwas, also ist die Maschine selektiv. Google berechnet Grounding with Google Search mit rund 35 US-Dollar pro 1.000 geerdete Anfragen (und auf Gemini 3 pro jeder Suche, die das Modell ausführt). Weil Grounding Geld und Latenz kostet, erdet das Modell nur, wenn sich der Nutzen lohnt — genau deshalb ist welche Anfragen geerdet werden vorhersehbar und strategisch.
Grounding vs. Fan-out im direkten Vergleich
Abbildung 3 — Zwei Retrieval-Schichten, zwei verschiedene Wege zum Gewinnen.
Dimension
Grounding Query
Fan-out-Query
Zweck
Eine bestimmte Aussage verifizieren
Die gesamte Informationslandschaft kartieren
Breite
Schmal — 1–2 autoritative Quellen
Weit — viele parallele Unterabfragen
Passender Inhalt
Primärforschung, Statistiken, Specs, Preise
Vergleiche, Thought Leadership, FAQs
Bevorzugte Quellen
Strukturiert, institutionell, „amtlich"
Vielfältig — Experten, Social, Reviews, offiziell
Zitationsverhalten
Oft unzitiert, prägt aber das Antwortvertrauen
Häufiger sichtbar zitiert
So gewinnt man
Die zitierbare Quelle eines Fakts sein
Überall präsent sein, wo das Thema diskutiert wird
Welche Anfragen werden tatsächlich geerdet? (Die nützlichste Erkenntnis des Feldes)
Nicht jede Anfrage löst Grounding aus — und zu wissen, welche es tun, ist der Kern der Strategie. Die schärfste Formulierung stammt von Mark Williams-Cook: KI-Systeme erden Anfragen, deren Antworten volatil sind, und überspringen Anfragen, deren Antworten stabil sind.
„What do red blood cells do?" → Kein Grounding. Die Antwort ist gesichertes Wissen; die Token-Vorhersagen des Modells sind hochkonsistent. Um zu ändern, wie die KI das beantwortet, müsste jemand das Modell neu trainieren.
„What happened in the news today?" / „best AI visibility tool 2026" / „is X in stock" → Grounding. Die Antworten verschieben sich über die Zeit, die interne Zuversicht des Modells ist niedrig/schwankend, also greift es zum Live-Web.
Diese Volatilität ist sogar messbar. ChatGPT legt ein internes search_prob-Signal offen; ein Wert um 0,65+ deutet darauf hin, dass das Modell wahrscheinlich eine Websuche ausführt. Googles Gemini-API lässt Sie Grounding direkt inspizieren. Auch Community-ML-Modelle schätzen die Grounding-Wahrscheinlichkeit.
Warum das so wichtig ist:
Geerdete Anfragen lassen sich in Tagen beeinflussen. Veröffentlichen oder aktualisieren Sie den richtigen faktenförmigen Inhalt, lassen Sie ihn crawlen, und Sie können die Antwort der KI fast sofort verschieben — ohne Neutraining.
Nicht geerdete („gelöstes Wissen") Anfragen sind kurzfristig nahezu unbeweglich. Sie mit Inhalt zu jagen ist verschwendete Mühe.
So können Sie eine Keyword-Liste triagieren. Von etwa 500 verwandten Keywords sind vielleicht 200+ Anfragen mit stabilem Wissen, die kurzfristig keine Investition wert sind. Konzentrieren Sie Ihr GEO-Budget auf das geerdete, konvertierbare Teilset.
Warum Grounding Queries das Fundament von GEO sind
Klassisches SEO optimiert für das, was Menschen tippen. Generative Engine Optimization (GEO) optimiert für das, was Maschinen suchen. Das ist der ganze Wandel in einer Zeile.
Abbildung 4 — Retrieval ist das Haupttor: ohne es ist jede KI-Sichtbarkeitsmetrik null.
Weil der Nutzer die Grounding Query nie sieht, findet der gesamte Wettbewerb in einer Zero-Click-Blackbox statt — nur aus den Ausgaben beobachtbar, sofern eine Plattform Ihnen die Daten nicht aushändigt. Und die Einsätze sind kontraintuitiv:
Retrieval ist der Türsteher. Jede nachgelagerte Metrik — Erwähnungsrate, Zitationsrate, Produktkarten-Aufnahme, KI-Share-of-Voice — sitzt unter dem Retrieval. Tauchen Sie nicht für die Grounding Query auf, kann keine davon ungleich null sein.
KI-Zitate folgen nicht den klassischen Rankings. Rund 67 % der KI-Zitate ranken nicht in den Top 10 der entsprechenden Anfrage. Seiten haben 1.000+ KI-Grounding-Zitate angesammelt und blieben in der Blue-Link-Suche nahezu unsichtbar. Die alte Anzeigetafel misst das neue Spiel nicht.
Auch der Quellen-Mix ist anders. Community-Quellen boxen über ihrer Gewichtsklasse — allein Reddit macht rund ein Fünftel der Off-Site-KI-Zitate aus, Tendenz steigend. Grounding belohnt echte Präsenz dort, wo ein Thema diskutiert wird, nicht nur eine polierte Landingpage.
Fallstudie: Grounding Queries in freier Wildbahn (Tiffany in der Verlobungsring-Kategorie)
Alles oben Genannte bleibt abstrakt, bis Sie einer echten KI-Engine dabei zusehen. Unten steht ein Live-GEOly-Report für einen Demo-Workspace, der Tiffany & Co. in der Schmuck-/Verlobungsring-Kategorie verfolgt — die genauen Grounding- und Fan-out-Queries, die die KI ausführte, direkt aus der Blackbox gezogen. (Die Screenshots zeigen die reale Produktoberfläche von GEOly im englischen Original.)
1. Das Ausmaß der verborgenen Suchschicht
Abbildung 5 — GEOlys AI-Search-Keywords-Ansicht: die gesamte Grounding-Schicht einer Marken-Kategorie.
Über das verfolgte Zeitfenster stellte die KI 7.412 Suchen in 287 Themen, die GEOly zu 470 Keyword-Roots aggregiert. Tiffany — eine der bekanntesten Schmuckmarken der Welt — taucht in nur 66 dieser 470 Roots auf. Es gibt 74 Frühsignal-Lücken, die Aufmerksamkeit verdienen, und 11 % aller KI-Suchen zielen auf Reddit. Nichts davon erscheint in der Google Search Console; es existiert nur in der Grounding-Schicht. Die Keyword-Karte zeigt, wen die KI bei jedem Root nennt — bei „engagement ring" (728×) sind es Brilliant Earth, Blue Nile, James Allen und Brilliance; Tiffany steht nirgends darauf.
2. Die Grounding Queries selbst
Abbildung 6 — Bohren Sie in einen Keyword-Root und die Blackbox öffnet sich: „AI's actual search phrases" sind die Grounding Queries.
Bohren Sie in den „engagement ring"-Root, und Sie sehen das echte Verhalten der Maschine. Die KI führte hier 728 Suchen aus, ausgelöst durch 262 verschiedene Nutzer-Prompts, und Tiffany erscheint in nur 6 % davon. GEOly legt „AI's actual search phrases" offen — buchstäblich die Grounding Queries, die das Modell generierte:
„most secure emerald cut engagement ring settings"
„solitaire vs halo engagement ring value appearance"
„best durable oval engagement ring settings long term reviews"
„blue sapphire vs white sapphire engagement ring durability appearance over time"
„vintage style lab grown engagement ring settings"
Beachten Sie, wie unähnlich diese einem Keyword sind: lang, vergleichend, attributgetrieben, ultraspezifisch. Kein Keyword-Tool würde Ihnen je „blue sapphire vs white sapphire … durability appearance over time" liefern. Und beachten Sie, wer die Zitate gewinnt — Drittanbieterseiten, nicht die Marke: usajewels.com (×37), elle.com (×31), rings.com (×28), naturaldiamonds.com (×27).
3. Fan-out in Aktion — und das sichtbar gemachte Volatilitätssignal
Abbildung 7 — Ein Prompt, fünf Grounding Queries: GEOlys AI query fan-out, jede Anfrage mit „Time-sensitive" getaggt.
Nehmen Sie einen echten Nutzer-Prompt — „Which engagement rings for women have the best diamond quality for the price" — und GEOly zeigt den AI query fan-out: Das Modell stellte 5 verschiedene Grounding Queries, um ihn zu beantworten, darunter:
„best value engagement ring diamond quality price brands"
„best value engagement rings diamond quality ideal cut lab grown vs natural 2026"
„…for the price lab grown vs natural engagement rings retailers 2026"
„…2026 lab grown vs natural engagement ring buying guide"
Jede einzelne ist mit Comparison · Pricing · Time-sensitive getaggt — genau das Volatilitätsprofil, das Grounding erzwingt (Erinnerung: volatile Antworten werden geerdet, stabile nicht). Und jede nennt Rivalen — Blue Nile, Brilliant Earth, Rare Carat, Bliss Diamond, Grown Brilliance —, während Tiffany fehlt.
Was der Fall beweist: Die Grounding-Schicht ist real, messbar und unerbittlich. Eine kategoriedefinierende Marke kann in 94 % der Suchen, die zählen unsichtbar sein — schlicht, weil ihr Inhalt nicht die faktenförmigen, vergleichsgetriebenen, zeitkritischen Anfragen beantwortet, die die KI tatsächlich ausführt. Jeder Screenshot oben ist ein Live-GEOly-Report — und die Lücke, die er offenlegt, ist genau die Chance, die Sie schließen können.
Wie man Grounding Queries tatsächlich *sieht*
Man kann nicht optimieren, was man nicht beobachten kann. Heute existieren vier Fenster, grob nach Direktheit geordnet:
Bing Webmaster Tools → AI-Performance-Report. In der Public Preview im Februar 2026 ausgerollt und im Juni 2026 um Intents, Topics, Citation Share und eine Compare-Ansicht erweitert. Das ist die erste Mainstream-Konsole, die Exposure auf Grounding-Query-Ebene und zitierte URLs für Copilot/Bing-gestützte Antworten offenlegt.
Die Gemini-API groundingMetadata. Wenn Sie gegen Gemini bauen, liefert webSearchQueries buchstäblich die vom Modell ausgeführten Suchen zurück — die Ground Truth dafür, wie Ihre Prompts geerdet werden.
Prompt-Level-Monitoring über Engines hinweg. Weil jede Engine anders umformuliert, ist die dauerhafte Methode, Ihre Zielfragen in großem Maßstab zu prüfen und zu inspizieren, was jede Engine zitiert. GEOly etwa verfolgt Prompt-Level-Ergebnisse über sieben Engines — ChatGPT, Gemini, Perplexity, Copilot, Grok, Google AI Mode und AI Overviews — und rekonstruiert die Grounding- und Fan-out-Queries hinter den Antworten.
search_prob / Grounding-Wahrscheinlichkeitssignale, um zu klassifizieren, welche Ihrer Keywords geerdet vs. gelöst sind, bevor Sie einen Dollar Content-Budget ausgeben.
Wie man Grounding Queries gewinnt: ein Playbook in acht Punkten
Grounding belohnt Inhalt, der präzise, atomar, frisch und für die Extraktion strukturiert ist. Tun Sie dies:
Faktenförmige Lücken füllen. Grounding Queries jagen Datenpunkte: Preise, Specs, Vergleiche, Daten, Prozente, „wie viele", „ab wann". Wenn der zitierbare Fakt über Ihre Kategorie nicht in sauberer Form auf Ihrer Seite steht, dann auf der von jemand anderem.
Primärforschung veröffentlichen. Originalumfragen, proprietäre Statistiken und regelmäßig aktualisierte Benchmarks sind das am meisten unterschätzte GEO-Asset. Sie machen Sie zur Endquelle eines Fakts — genau das, wonach eine Grounding Query gebaut ist.
In atomaren Passagen („Chunks") schreiben. Weil die Retrieval-Einheit die Passage ist (groundingSupports), beginnen Sie jeden Abschnitt mit einer direkten, in sich geschlossenen Antwort und untermauern sie dann. Jede Überschrift sollte allein als Antwort auf eine Unterfrage stehen können — Semrush nennt das „writing for NLP".
Tabellen und Listen nutzen. Strukturierte Daten sind trivial maschinell extrahierbar und überproportional geerdet. Vergleichstabellen, Spec-Sheets und nummerierte Schritte sind Grounding-Magnete.
Themencluster für die Fan-out-Schicht bauen. Eine Pillar-Page für das breite Thema, verlinkt mit granularen Cluster-Seiten für jede Unterabfrage, baut die thematische Autorität auf, die KI-Systeme priorisieren — und deckt die Breite der Unterabfragen ab, in die ein einzelner Prompt ausfächert.
Strukturiertes Markup (JSON-LD) implementieren. Schema (Product, Offer, FAQ usw.) macht Aussagen für Maschinen eindeutig und hebt Extraktion und Snippet-Aufnahme spürbar.
Frisch und datiert halten. Nur Anfragen mit volatilen Antworten werden geerdet — Frische ist also das Signal. Setzen Sie sichtbare „zuletzt aktualisiert"-Daten an die Daten. Veraltete Statistiken verlieren still das Zitat.
Pro Fakt eine kanonische URL festlegen und die Drittanbieter-Schicht bespielen. Zersplittern Sie Ihre beste Statistik nicht über fünf Posts — bündeln Sie Autorität auf einer einzigen, verlinkbaren, aktualisierbaren Quelle des Rekords. Verstärken Sie dann die Präsenz außerhalb Ihrer Domain: Reviews, Analystenerwähnungen und authentische Community-Teilnahme (Reddit, Nischenforen) gewinnen die Fan-out-Schicht.
Und die Grundvoraussetzung: crawlbar bleiben. Wenn Ihre robots.txt die KI-Crawler blockiert oder Ihre Fakten hinter JavaScript liegen, das der Retriever nicht rendern kann, haben Sie die Grounding Query verloren, bevor sie begann.
Fallstudie — Stripe. Semrush hebt Stripe als Vorbild zweigleisiger Optimierung hervor: Lösungsseiten, zugeschnitten auf verschiedene Geschäftsphasen und Anwendungsfälle (Fan-out-Breite), detaillierte Unterabschnitte, die spezifische Unterthemen mit direkten Erklärungen beantworten (Grounding-Tiefe), Inhalt verteilt über Blog, Guides und Support-Center, alles sauber strukturiert. Das Ergebnis: Stripe übertrifft die Sichtbarkeit der Konkurrenz über Google AI Mode, ChatGPT/SearchGPT, Perplexity und Gemini.
Eine praxistaugliche Fünf-Schritte-Diagnose
Intent auf Retrieval-Typ abbilden. Klassifizieren Sie für jede Zielanfrage: geerdet oder gelöst? Grounding-lastig oder Fan-out-lastig?
Ihre Grounding-Eignung prüfen. Besitzen Sie zitierbare, präzise, aktuelle Fakten für Ihre Kategorie — oder nur Prosa?
Ihre Fan-out-Abdeckung prüfen. Sind Sie über die Breite der Quelltypen präsent, die die KI abtastet, oder nur auf Ihrer eigenen Seite?
Die Lücken finden. Wo beantwortet die KI Ihre Kategoriefrage ohne Sie? Das sind Ihre Retrieval-Löcher.
Das getippte Keyword optimieren statt die Grounding Query. Sie schreiben für eine Suche, die die Maschine in dieser Form nie ausführt — und behandeln Grounding Queries wie Head-Term-Keywords von 2019.
Gelöstem-Wissen-Anfragen hinterherjagen. Kein noch so großer Inhalt bewegt eine Antwort, die das Modell bereits „kennt". Erst triagieren.
Nur eine Engine beobachten. Jede Engine formuliert anders um; Bings Report ist ein Proxy, nicht das ganze Bild.
Eine einzige riesige Pillar-Page. Grounding will atomare, extrahierbare Passagen, keine 5.000-Wörter-Wand. Fan-out will Breite, keinen einzelnen Monolithen.
Erwarten, dass On-Site-Inhalt Anfragen gewinnt, die zu Drittquellen auflösen. Wenn Reddit und Review-Seiten Ihre Kategorie für die KI definieren und Sie dort fehlen, verlieren Sie die Fan-out-Schicht komplett.
Annehmen, Top-10-Rankings = KI-Sichtbarkeit. Zwei Drittel der KI-Zitate kommen von außerhalb der Top 10. Anderes Spiel, andere Anzeigetafel.
FAQ
Sind Grounding Queries dasselbe wie die Keywords, die ich in der Search Console verfolge?
Nein. Ihre verfolgten Keywords sind das, was Menschen tippen. Grounding Queries sind die umformulierten, faktenförmigen Suchen, die die KInach dem Lesen Ihres Prompts generiert. Sie zielen häufig auf eine Absicht, die Ihre Keyword-Recherche nie zutage förderte.
Was ist der Unterschied zwischen einer Grounding Query und Query Fan-out?
Fan-out ist der Erweiterungsschritt — ein Prompt teilt sich in viele parallele Untersuchen für Breite. Grounding Queries sind die Suchen selbst, besonders die tiefen, schmalen, die eine bestimmte Aussage verifizieren. Fan-out ist breit; Grounding ist tief. Sie brauchen beides — siehe unseren vollständigen Leitfaden zu Query Fan-out.
Wie kann ich ChatGPTs Grounding Queries sehen?
Es gibt keinen direkten Feed. Nutzen Sie den AI-Performance-Report der Bing Webmaster Tools als Proxy für Copilot/Bing-geerdete Antworten und verfolgen Sie Prompt-Level-Ergebnisse (was zitiert wird) über Engines hinweg, um die Anfragen zu rekonstruieren.
Kann ich steuern, welche Grounding Queries eine KI generiert?
Nicht direkt — das Modell generiert sie. Aber Sie können steuern, ob Sie die beste Antwort sind, wenn es eine ausführt (durch Entity-Naming, konsistente Terminologie und Kategorieabdeckung), und Sie können vorhersagen, welche Ihrer Anfragen geerdet werden (volatil vs. stabil), um den Fokus zu setzen.
Wie schnell kann ich eine geerdete Antwort beeinflussen?
Bei echt geerdeten (volatilen) Anfragen in Tagen — den richtigen Fakt veröffentlichen/aktualisieren, crawlen lassen, und die KI kann ihn beim nächsten Retrieval aufgreifen. Gelöstem-Wissen-Anfragen sind ohne Neutraining praktisch unbeweglich.
Wo GEOly ins Bild passt
Grounding Queries sind per Design unsichtbar — genau das Problem, für das GEOly gebaut ist. Der Tiffany-Fall oben ist kein Mock-up; es ist ein Live-GEOly-Report. GEOly prüft KI-Engines in großem Maßstab über sieben Engines (ChatGPT, Gemini, Perplexity, Copilot, Grok, Google AI Mode, AI Overviews), rekonstruiert die Grounding- und Fan-out-Queries hinter den Antworten Ihrer Kategorie — bis zu den genauen Suchphrasen und wer zitiert wird —, zeigt Ihnen, welche Anfragen geerdet vs. gelöst sind, und verfolgt, ob Ihr Inhalt tatsächlich abgerufen und zitiert wird. Statt die Blackbox zu erraten, erhalten Sie die Query-Level-Karte (die 7.412 Suchen, die 470 Roots, die 6-%-Präsenzlücken), die Query-Fan-out-Analyse hinter jedem Prompt, ein vollständiges GEO-Audit Ihrer Lücken und die Citation Sources, aus denen die KI schöpft. Bereits von 12.000+ Marken genutzt, die ihre Präsenz in der KI-Suche überwachen.
Zusammengestellt im Juli 2026 aus einer Analyse der Top-Ergebnisse für „grounding queries", Semrushs Query-Fan-out-Leitfaden und Googles offizieller Gemini-Grounding-Dokumentation.
