Trust ist nicht neu. Neu ist, dass KI Suchen Aussagen prüfen könnte.

Trust ist in der Suche nichts Neues. Im Gegenteil: Man könnte sogar sagen, dass Google von Anfang an vor allem ein Vertrauensproblem lösen musste. Das offene Web war immer zu groß, zu chaotisch und zu leicht manipulierbar, um einfach nur Dokumente zu finden, in denen die richtigen Wörter vorkommen. Suchmaschinen mussten schon immer entscheiden: Welche Quellen sind relevant? Welche sind verlässlich? Welche sind manipulativ? Welche verdienen Sichtbarkeit?

Genau deshalb fand ich Heather Physiocs CAMPIXX-Vortrag „From Sources to Signals: Trust is the Next Competitive Layer in AI Search“ so spannend, den mir mein Team freundlicherweise aus Berlin mitgebracht hat. Nicht, weil Trust plötzlich als neues Thema in Search auftaucht. Sondern weil sich durch KI Suchen die Frage verändert, wie Trust ermittelt, verarbeitet und dargestellt werden kann.

Meine Einordnung dazu:

Heather beschreibt eine Richtung, der ich grundsätzlich zustimme. Trust wird in der KI-basierten Suche noch wichtiger werden. Aber aktuelle KI-Suchen sind aus meiner Sicht noch längst nicht so weit, wie ihre Oberfläche manchmal suggeriert. Sie wirken oft wie saubere Synthese und Quellenabwägung. In der Praxis ist vieles noch deutlich primitiver: Retrieval, Ranking, Mustererkennung, Zusammenfassung, sprachliche Verdichtung — und am Ende ein Antworttext mit Quellenlinks.

Das ist hilfreich. Aber es ist noch keine echte Quellenkritik.

Von SEO, GEO und AEO zu Discoverability

Ein guter Ausgangspunkt in Heathers Vortrag ist ihre Klammer um die vielen neuen Akronyme der Branche. SEO, GEO, AEO, AIO, GSO, LEO, HEO — am Ende geht es für sie um ein gemeinsames Ziel: Discoverability. Also darum, in digitalen Informationssystemen auffindbar, verständlich, auswählbar und vertrauenswürdig zu sein.

Das ist eine wichtige Rahmung. Denn die Debatte um GEO wird oft so geführt, als hätten wir es mit einer komplett neuen Disziplin zu tun. Tatsächlich ist vieles davon eine Weiterentwicklung von SEO: technische Zugänglichkeit, Relevanz, Autorität, Struktur, Reputation, Entitäten, Content-Qualität und Nutzerwert bleiben relevant.

Google selbst formuliert es ähnlich: Aus Sicht von Google Search gelten SEO-Best-Practices auch für generative AI Features weiter; AI Overviews und AI Mode sind in die bestehenden Search-Ranking- und Qualitätssysteme eingebettet und nutzen Inhalte aus dem Search Index.

GEO ist deshalb nicht das Ende von SEO. GEO ist eher SEO unter neuen Bedingungen: Die Antwortoberfläche verändert sich, die Rolle von Quellen verändert sich, und die operative Einheit verschiebt sich zunehmend von der URL zur Aussage.

Trust war schon immer das Kernproblem von Search

Wenn Heather sagt, „Trust is the next frontier in the AI search battle“, sollte man das nicht so lesen, als sei Trust in der Suche neu. Das wäre historisch falsch.

PageRank war ein früher Trust-Proxy: Wenn viele relevante und selbst vertrauenswürdige Seiten auf eine Seite verweisen, ist das ein Signal für Autorität. Später kamen Qualitäts- und Spam-Systeme hinzu: Panda gegen dünne und massenhaft produzierte Inhalte, Penguin gegen manipulative Linkmuster, E-A-T und später E-E-A-T als Qualitätsrahmen für Expertise, Erfahrung, Autorität und Vertrauenswürdigkeit, Helpful Content gegen SEO-first Content ohne echten Nutzerwert.

Heather zeigt diese Entwicklung selbst in ihrer Präsentation: PageRank, Florida, Content Farms, Caffeine, Panda, Penguin, E-A-T, Helpful Content und E-E-A-T erscheinen dort als historische Reaktionen auf Manipulation, Content-Skalierung, Qualitätsprobleme und Vertrauensdefizite.

Google beschreibt seine Ranking-Systeme bis heute als automatisierte Systeme, die viele Faktoren und Signale über hunderte Milliarden Webseiten und Inhalte auswerten, um relevante und hilfreiche Ergebnisse zu präsentieren. Außerdem betont Google, dass seine Systeme hilfreiche, verlässliche und menschenorientierte Inhalte priorisieren sollen — nicht Inhalte, die primär zur Manipulation von Rankings erstellt wurden.

Trust war also immer da.

Nur: Klassische Suche konnte Trust lange Zeit nicht wirklich auf Claim-Ebene prüfen.

Die alte Suche brauchte Proxys

Das ist der entscheidende Punkt.

Klassische Suchmaschinen konnten sehr gut darin werden, wahrscheinliche Vertrauenswürdigkeit zu modellieren. Aber sie konnten im offenen Web nicht zuverlässig jede einzelne Aussage in jedem Dokument lesen, zerlegen, semantisch verstehen, gegen andere Quellen prüfen, inhaltlich bewerten und sauber einordnen.

Also brauchte es Proxys.

Links. Brands. Domain-Autorität. Reputation. Nutzerverhalten. Autorenschaft. Entitäten. Themenhistorie. Spam-Signale. Struktur. Technische Qualität. Erwähnungen. Mediale Präsenz.

Eine starke Marke hatte im klassischen SEO oft Vorteile — nicht zwingend, weil jede einzelne Aussage dieser Marke automatisch richtiger war, sondern weil Marken mehr Reputation zu verlieren haben, häufiger von anderen zitiert werden, stärker in Entitätsgraphen verankert sind und tendenziell weniger aggressiv spammen können, ohne langfristige Kosten zu tragen.

Brands funktionieren in diesem Sinne als Vertrauenspfänder.

Das ist nicht perfekt, aber nachvollziehbar. Wenn eine Suchmaschine eine konkrete Aussage nicht zuverlässig inhaltlich prüfen kann, muss sie stärker fragen: Wer sagt das? Wer verweist darauf? Wie lange existiert diese Quelle? Passt das Thema zur bekannten Expertise? Gibt es Manipulationsmuster? Wirkt die Quelle insgesamt vertrauenswürdig?

Klassisches SEO war deshalb nie nur Keyword-Optimierung. Es war immer auch Arbeit an Vertrauenssignalen — nur eben überwiegend über Proxy-Metriken auf Quellen-, Dokument-, Domain- und Markenebene.

Was durch LLMs theoretisch neu wird

Mit LLMs verändert sich nun der Möglichkeitsraum.

Der entscheidende Unterschied zwischen klassischer Suche und AI Search liegt nicht darin, dass Trust plötzlich wichtig wird. Der Unterschied liegt darin, wo Trust entstehen könnte.

Im klassischen SEO wurde Vertrauen vor allem auf Quellenebene modelliert:

• Ist diese Domain vertrauenswürdig?
• Ist diese Marke bekannt? Wird nach ihr gesucht?
• Ist diese:r Autor:in relevant?
• Hat diese Seite Links von vertrauenswürdigen Quellen?
• Ist diese Quelle thematisch etabliert?

In der KI Suche kommt theoretisch eine tiefere Ebene hinzu:

• Ist diese konkrete Aussage belastbar?
• Welche Quelle belegt sie?
• Gibt es unabhängige Bestätigung?
• Gibt es Widerspruch?
• Ist das Fakt, Meinung, Erfahrung, Interpretation oder Marketing?
• Welche Perspektive steckt dahinter?
• Welche Unsicherheit müsste genannt werden?

Das ist die eigentliche Verschiebung: von Source Trust zu Claim Trust.

Heather beschreibt genau diese Richtung mit ihren Platform Verification Signals. Dazu gehören Atomic Fact-Checking, Entity Cross-Checking und Multi-Source Consensus: Antworten werden in einzelne Fakten zerlegt, Claims gegen externe Evidenz geprüft, Entitäten mit Knowledge Graphs abgeglichen und mehrere Quellen miteinander verglichen.

Das ist aus meiner Sicht der wichtigste Gedanke des Vortrags.

Klassische Suche fragte vor allem: Ist diese Quelle wahrscheinlich vertrauenswürdig?
KI Suche könnte zusätzlich fragen: Ist diese konkrete Aussage belastbar?

Aber: Aktuelle KI-Suchen sind noch nicht dort

Und hier kommt meine wichtigste Einschränkung:

Ich glaube nicht, dass aktuelle KI-Suchen diese Vision bereits zuverlässig erfüllen.

Viele AI-Search-Ergebnisse sehen aus wie eine abgewogene Synthese. Sie formulieren flüssig, ordnen scheinbar ein, liefern Quellenlinks und wirken dadurch oft belastbarer, als sie sind. Aber darunter passiert häufig noch etwas deutlich Einfacheres: Suche, Retrieval, Ranking, Zusammenfassung, Mustererkennung und plausible sprachliche Verdichtung.

OpenAI beschreibt ChatGPT Search als Funktion, die Fragen mit aktuellen Webinformationen und Links zu relevanten Quellen beantworten kann. Gleichzeitig unterscheidet OpenAI selbst zwischen Search und Deep Research: Search ist für schnelle Fakten und kurze Zusammenfassungen mit Links gedacht; Deep Research nimmt sich mehr Zeit, liest und analysiert viele Quellen und erstellt ausführlichere dokumentierte Berichte.

Diese Unterscheidung ist wichtig. Eine schnelle KI-Antwort mit Quellenlinks ist nicht automatisch eine gründliche Analyse. Zitation ist nicht Verifikation.

Aktuelle KI-Suchen können Quellen zitieren, ohne sie wirklich tief zu prüfen.
Sie können Konsens simulieren, ohne echten Konsens zu belegen.
Sie können Meinungen zusammenfassen, ohne Interessenlagen sauber offenzulegen. Sie können Haltungen glätten, ohne Konflikte angemessen darzustellen. Sie können Autorität übernehmen, ohne die konkrete Aussage ausreichend zu validieren.

Das heißt nicht, dass AI Search nutzlos ist. Im Gegenteil. Für viele Low-Stakes-Situationen — Orientierung, Inspiration, erste Recherche, Zusammenfassung großer Informationsmengen — ist das enorm hilfreich. Heather unterscheidet in ihrer Präsentation selbst zwischen Low-Stakes- und High-Stakes-Situationen: Bei hohen Risiken, etwa Gesundheit, wichtigen Kaufentscheidungen oder spezialisierter Forschung, werden Quellenbewertung, Kontext und Vertrauen deutlich kritischer.

Aber genau deshalb sollten wir aktuelle AI Search nicht überschätzen. Sie ist noch nicht die wissenschaftliche Redaktion, als die sie manchmal erscheint.

Trust Gap: Wenn Oberfläche vertrauenswürdiger wirkt als der Prozess

Heather spricht in ihrem Vortrag vom Trust Gap. Besonders spannend finde ich daran: Es geht nicht nur darum, dass KI-Antworten falsch sein können. Es geht darum, dass sie Vertrauen erzeugen können, obwohl die zugrunde liegende Prüfung nicht ausreichend ist.

Die Präsentation nennt dafür mehrere Faktoren: ein „veneer of rigor“ im AI-Design, inkonsistente Unsicherheitsmarkierung, Zitationen selbst dann, wenn Links problematisch sind, hilfreiche Nutzermetriken als Vertrauensanker und Sycophancy, also Antworten, die sich an bestehende Meinungen anpassen und psychologischen Widerstand senken.

Das ist für SEO und GEO zentral.

Denn AI Search verändert nicht nur die Auffindbarkeit von Inhalten. Sie verändert auch die Wahrnehmung von Autorität. Wenn ein System eine Antwort formuliert, wirkt sie anders als eine Liste aus zehn blauen Links. Die Plattform übernimmt mehr Deutungsarbeit. Sie synthetisiert, gewichtet, verkürzt und präsentiert.

Damit wird Trust nicht nur ein Rankingproblem. Trust wird ein Begründungsproblem.

Drei Ebenen von Trust: Source, Claim, Stance

Für die operative Einordnung hilft mir ein dreistufiges Modell.

1. Source Trust: Wer spricht?

Das ist die klassische SEO-Ebene. Hier geht es um Autorität, Marke, Reputation, Backlinks, Erwähnungen, Autorprofile, Domainhistorie, redaktionelle Standards, technische Qualität und thematische Expertise.

Diese Ebene bleibt wichtig. Ohne Source Trust kommt ein Inhalt oft gar nicht in den relevanten Auswahlraum. Auch AI Search baut nicht im luftleeren Raum, sondern greift auf indexierte, auffindbare, strukturierte und bereits bewertete Quellen zurück.

2. Claim Trust: Was wird behauptet?

Das ist die neue GEO-Ebene. Hier geht es um die konkrete Aussage: Ist sie belegt? Ist sie aktuell? Ist sie präzise? Gibt es Primärquellen? Gibt es Daten? Gibt es unabhängige Bestätigung? Gibt es Widerspruch? Ist die Aussage überzogen oder sauber eingeschränkt?

Hier liegt das große Potenzial von LLM-basierter Suche. Nicht nur Quellen zu finden, sondern Aussagen zu prüfen. Aber genau hier liegt auch die größte Diskrepanz zwischen Vision und Realität. Denn heutige Systeme können Claims zwar extrahieren und vergleichen, aber sie tun das noch nicht durchgängig so sauber, wie gute Journalistinnen, Wissenschaftler oder Fachredaktionen es tun würden.

3. Stance Trust: Aus welcher Perspektive wird gesprochen?

Das ist die unterschätzte Ebene. Nicht jede Aussage ist ein Fakt. Viele Aussagen sind Meinungen, Empfehlungen, Bewertungen, Haltungen oder interessengeleitete Interpretationen. Gerade im Marketing, in Produktvergleichen, in politischen Debatten, in Wissenschaftskommunikation oder bei YMYL-Themen ist entscheidend, aus welcher Perspektive gesprochen wird.

Ist es ein Anbieter? Ein Affiliate? Eine unabhängige Redaktion? Ein:e Betroffen:e? Ein:e Wissenschaftler:in? Eine Lobbyorganisation? Ein Wettbewerber? Eine Marke mit Verkaufsinteresse?

Gute AI Search müsste künftig besser zwischen Fakt, Erfahrung, Meinung, Haltung und Marketing unterscheiden. Aktuelle Systeme sind darin aber noch begrenzt. Sie können Perspektiven sprachlich erkennen, aber nicht zuverlässig und konsistent epistemisch gewichten.

Was Marketer von Journalismus und Wissenschaft lernen können

Einer der stärksten Teile in Heathers Vortrag ist der Rückgriff auf Journalismus und Wissenschaft. Beide Disziplinen haben unterschiedliche Geschwindigkeiten und Arbeitsweisen, aber sie teilen zentrale Prinzipien: Genauigkeit, Evidenz, Skepsis, Transparenz, klare Narrative, Fact-Checking und Vertrauen als Währung.

Heather übersetzt daraus ein Trust-Toolkit für Marketer: Attribution, Paper Trails, Datenprüfung, mehrere unabhängige Quellen, Bewertung von Interessen, Motiven und professionellen Qualifikationen, Rückverfolgung von Claims, Zitaten und Bildern zum Originalkontext sowie Abgleich mit bereits bestätigten Fakten.

Das ist aus meiner Sicht kein nettes Qualitätsideal, sondern eine operative Notwendigkeit.

Denn wenn AI Search künftig stärker auf Claim-Ebene arbeiten soll, müssen Inhalte so gebaut sein, dass Claims überhaupt prüfbar sind. Ein Inhalt ohne Quellen, ohne Autorenschaft, ohne Methode, ohne Datentransparenz, ohne Aktualitätsangabe und ohne klare Unterscheidung zwischen Fakt und Meinung ist für Menschen schwerer zu bewerten — und für Maschinen leichter falsch zu verdichten.

Was das operativ für SEO und GEO bedeutet

Die Konsequenz ist nicht: Klassisches SEO ist tot.
Die Konsequenz ist: Klassisches SEO bekommt eine tiefere Belegebene.

Technisches SEO, Indexierbarkeit, interne Verlinkung, strukturierte Daten, Performance, Snippet-Fähigkeit, Markenaufbau, PR, Backlinks und Autorität bleiben relevant. Für Googles generative AI Features müssen Seiten weiterhin indexiert und für Snippets geeignet sein; spezielle neue Dateien oder Markups wie LLMS.txt sind laut Google für die Sichtbarkeit in Google Search nicht erforderlich.

Aber darüber hinaus müssen SEO- und GEO-Teams anders arbeiten. Sie müssen nicht nur Inhalte produzieren, sondern Aussagen operationalisieren.

Claim Audits statt nur Keyword Audits

Die operative Einheit wird nicht nur die URL, sondern der Claim.

• Welche Aussagen machen wir?
• Welche sind belegt?
• Welche sind veraltet?
• Welche sind riskant?
• Welche sind Meinung, welche Fakt, welche Interpretation?
• Welche könnten von AI-Systemen falsch zusammengefasst werden?
• Welche Aussagen sind zu allgemein, zu absolut oder zu werblich?

Ein Claim Audit wird damit zu einem zentralen GEO-Werkzeug.

Evidence Layer statt bloßer Quellenliste

Es reicht nicht, am Ende ein paar Links anzuhängen!

Eine Evidence Layer zeigt: Woher kommt eine Aussage? Was ist die Primärquelle? Welche Methode liegt zugrunde? Wann wurde geprüft? Welche Einschränkungen gelten? Wer hat die Aussage fachlich verantwortet? Gibt es Gegenpositionen?

Das macht Inhalte nicht nur vertrauenswürdiger. Es macht sie auch leichter extrahierbar, zitierbar und prüfbar.

Originalität statt Commodity Content

Wenn AI-Systeme vorhandenes Wissen gut zusammenfassen können, verlieren austauschbare Zusammenfassungen an Wert.

Sichtbarkeit entsteht dann nicht durch mehr Content, sondern durch mehr Substanz: eigene Daten, Tests, Benchmarks, Interviews, Produktwissen, Fallstudien, Expertenkommentare, echte Erfahrung und originäre Perspektiven.

Heather nennt in ihren Selection Signals genau diese Punkte: sichtbare Bylines, Autorinformationen, transparente Quellen, Originalität, First-Hand-Perspektive, Original Research, Human Oversight und Abgrenzung von massenhaft produziertem AI-Slop.

Haltungs-Transparenz statt scheinbarer Neutralität

Gerade bei Bewertungen, Empfehlungen und Meinungsinhalten sollte klar sein, aus welcher Perspektive gesprochen wird.

Anbietercontent darf Anbietercontent sein. Ein Erfahrungsbericht darf subjektiv sein. Eine fachliche Einschätzung darf eine Haltung haben. Problematisch wird es, wenn Marketing wie unabhängige Forschung wirkt oder Meinung als Fakt präsentiert wird.

Für AI Search ist diese Unterscheidung entscheidend, weil Systeme sonst scheinbar neutrale Synthesen aus interessengeleiteten Quellen bauen.

Corroboration Building statt manipulativem Linkbuilding

Externe Bestätigung bleibt wichtig. Aber sie sollte nicht als Fake-Konsens verstanden werden.

In einer AI-Search-Welt geht es weniger darum, einzelne Links aufzubauen, und stärker darum, im relevanten Themenraum glaubwürdig bestätigt zu werden: durch Fachmedien, Studien, Partner, unabhängige Reviews, Branchenverzeichnisse, Expertenzitate, Community-Signale und nachvollziehbare Erwähnungen.

Heather warnt selbst vor der nächsten Manipulationswelle: AI-generierte Forenbeiträge, Fake-Reddit-Threads, künstliche positive Brand Mentions, umgeschriebener Wettbewerbercontent, synthetische Sites und Fake-Personas.

Das ist der Schatten der neuen Trust-Logik: Wo Systeme Konsens, Entitäten und semantische Nähe auswerten, entstehen Anreize, genau diese Signale künstlich zu erzeugen.

Die geschärfte These

Die beste Weiterentwicklung von Heathers Impuls lautet für mich:

Trust war immer die Währung von Search. Neu ist, dass AI Search diese Währung potenziell feiner auflösen kann: von der Quelle zur Aussage, von Autorität zu Evidenz, von Ranking zu Begründung.

Aber dieses Potenzial ist noch nicht vollständig Realität.

Aktuelle KI-Suchen sind oft noch gröber, als sie wirken. Sie fassen zusammen, verdichten, zitieren und plausibilisieren — aber sie prüfen noch nicht durchgängig wie gute Redaktionen oder wissenschaftliche Review-Prozesse.

Genau deshalb ist jetzt der richtige Zeitpunkt, Trust operativ aufzubauen.

Nicht als kosmetisches E-E-A-T-Label. Nicht als GEO-Hack. Nicht als Checkliste künstlicher Signale.

Sondern als Infrastruktur:

• klare Autorenschaft,
• nachvollziehbare Quellen,
• belastbare Claims,
• konsistente Entitäten,
• eigene Daten,
• transparente Methoden,
• redaktionelle Verantwortung,
• externe Bestätigung,
• klare Trennung von Fakt, Meinung und Marketing.

Fazit: Von vertrauenswürdigen Quellen zu begründbaren Aussagen

Heather Physiocs Vortrag ist stark, weil er AI Search als Vertrauensproblem beschreibt. Ich würde ihn aber bewusst historisch einordnen: Trust ist kein neues Thema in Search. Google versucht seit Jahrzehnten, vertrauenswürdige Quellen von weniger vertrauenswürdigen Quellen zu trennen.

Neu ist der Anspruch, dass AI Search nicht nur Quellen auswählen, sondern Aussagen synthetisieren und begründen muss.

Früher musste Google vor allem vertrauenswürdige Quellen erkennen.
Künftig müssen AI-Systeme vertrauenswürdige Aussagen begründen können.

Und genau darauf muss moderne SEO-/GEO-Arbeit vorbereiten.

Wir optimieren also nicht nur für das, was AI Search heute schon kann. Wir bauen die Infrastruktur für das, was AI Search können muss, wenn sie langfristig nützlich und vertrauenswürdig sein will.

Die nächste Reifestufe von SEO besteht deshalb nicht darin, Trust-Signale künstlich nachzubauen. Sie besteht darin, echte Vertrauenswürdigkeit maschinenlesbar, überprüfbar und zitierfähig zu machen.

Oder zugespitzt:

Trust war nie neu.
Neu ist der Wechsel von Trust-Proxys auf Quellenebene zu potenzieller Claim-Prüfung auf Aussageebene.
Und genau dort beginnt die eigentliche Arbeit von GEO.