Multimodal GEO — Sichtbarkeit jenseits von Text

Lektion 6.1: Der Multimodal Shift — Warum Text allein nicht mehr reicht

In den Modulen 1 bis 5 haben Sie gelernt, wie textbasierte Inhalte und strukturierte Daten die Grundlage für KI-Sichtbarkeit bilden. Dieses Wissen bleibt essenziell — es ist das Fundament. Aber das Fundament allein reicht nicht mehr.

Die neueste Generation von KI-Systemen versteht nicht nur Text. Sie sieht Bilder, hört Audio, analysiert Videos und kennt den Nutzer persönlich. Google Search Live ist seit März 2026 in über 200 Ländern verfügbar — mit Echtzeit-Sprachkonversation und Kamera-Erkennung. GPT-5.x verarbeitet Text, Bild, Audio und Video in einem einzigen Modell.

Die 3 Auslöser der multimodalen Revolution

1. Native Multimodalität: GPT-4o war das erste Modell, das Text, Bild und Audio gleichzeitig verarbeitete — nicht als separate Module, sondern als ein neuronaler Strang. Nachfolger wie GPT-5.x, Gemini 3.1 und Claude verfeinern diesen Ansatz.
2. Google Search Live: Seit März 2026 in 200+ Ländern: Echtzeit-Sprachkonversation + Kamera-Input. Ein Nutzer richtet sein Smartphone auf ein Produkt und fragt: „Was ist das? Wo bekomme ich es günstiger?" — Google antwortet in Echtzeit.
3. Personalisierte KI-Suche: Google Personal Intelligence verbindet Gmail, Photos, Drive und Calendar mit AI Mode. Die KI kennt den Nutzer persönlich.

Die 3 neuen GEO-Dimensionen

Dimension	Klassisches GEO (Modul 1–5)	Multimodales GEO (Modul 6)
Visual	Alt-Text-Formel	ImageObject Schema, IPTC, C2PA, Image Sitemaps
Audio	—	Speakable Schema, Voice-Optimierung, AudioObject
Video	—	VideoObject + Clip, SeekToAction, Transkripte
Kontext	Kontext-Marker	Personalisierte Kontextualisierung

Lektion 6.2: Visual GEO — Von Alt-Text zu maschinenlesbarem Bild-Kontext

In Modul 3 haben Sie die Alt-Text-Formel gelernt. Jetzt gehen wir tiefer: Bilder sind eigenständige Daten-Entitäten, die strukturiert, authentifiziert und maschinenlesbar gemacht werden müssen.

ImageObject Schema — Das Bild als strukturierte Entität

Ein Alt-Text sagt der KI: „Hier ist ein Bild von X." Ein ImageObject-Schema sagt ihr: „Hier ist ein digitales Asset mit Ersteller, Lizenz, Erstellungsdatum, Inhaltsbeschreibung und Authentizitätsnachweis."

{
  "@context": "https://schema.org",
  "@type": "ImageObject",
  "name": "Vitamin C Glow Serum — Produktansicht Frontal",
  "description": "Vitamin C Glow Serum, 30ml Glasflakon mit goldener
    Pipette, hochdosiertes Ascorbyl Glucoside, Beispiel Cosmetics",
  "contentUrl": "https://beispiel.de/images/serum-frontal.webp",
  "uploadDate": "2026-01-15",
  "encodingFormat": "image/webp",
  "creator": {
    "@type": "Person",
    "name": "Sarah Weber",
    "jobTitle": "Produktfotografin"
  },
  "copyrightHolder": {
    "@type": "Organization",
    "name": "Beispiel Cosmetics GmbH"
  },
  "representativeOfPage": true
}

Feld	Was es der KI sagt	Warum wichtig
creator + sameAs	Wer hat das Bild erstellt?	E-E-A-T: Verifizierbare Urheberschaft
copyrightHolder	Wem gehört es?	Authentizitätssignal — Original statt Stock
uploadDate	Wann hochgeladen?	Frische-Signal
representativeOfPage	Hauptbild der Seite?	KI wählt dieses Bild für Zitationen

IPTC-Metadaten — Das unsichtbare Datenpaket im Bild

Jede Bilddatei kann unsichtbare Metadaten enthalten, die direkt eingebettet sind — unabhängig vom HTML. Diese reisen mit dem Bild, egal wohin es kopiert wird.

IPTC-Feld	GEO-Relevanz
Creator	E-E-A-T: Originaler Content
Copyright Notice	Eigentumssignal
Digital Source Type	Unterscheidung: Foto vs. KI-generiert
Description	Semantischer Kontext

Das Feld Digital Source Type ist besonders mächtig: digitalCapture = echtes Foto, trainedAlgorithmicMedia = KI-generiert. Multimodale KIs bewerten echte Fotos als authentischer.

# ExifTool — IPTC-Metadaten setzen
exiftool -Creator="Sarah Weber" \
         -CopyrightNotice="© 2026 Beispiel Cosmetics GmbH" \
         -DigitalSourceType="digitalCapture" \
         vitamin-c-serum.webp

C2PA Content Credentials

Die Coalition for Content Provenance and Authenticity (C2PA) macht die Herkunft digitaler Medien kryptographisch nachweisbar. Immer mehr Hardware-, Software- und Plattform-Anbieter setzen auf C2PA als Industriestandard für die Kennzeichnung KI-generierter und authentischer Inhalte.

• Hardware: Google Pixel 10 und Sony PXW-Z300 betten C2PA bei Aufnahme ein
• Software: Adobe Photoshop/Lightroom unterstützen Content Credentials nativ
• Plattformen: YouTube integriert C2PA + SynthID

Image Sitemaps

Image Sitemaps geben multimodalen Crawlern eine Prioritätsliste der wichtigsten Bild-Assets — statt alle Bilder analysieren zu müssen.

<url>
  <loc>https://beispiel.de/produkte/serum</loc>
  <image:image>
    <image:loc>https://beispiel.de/images/serum.webp</image:loc>
    <image:caption>Vitamin C Glow Serum, 30ml, Beispiel Cosmetics</image:caption>
    <image:title>Vitamin C Glow Serum — Produktansicht</image:title>
  </image:image>
</url>

Lektion 6.3: Audio GEO — Speakable Schema + Voice-Optimierung

Google Search Live ermöglicht Echtzeit-Sprachkonversation in 98+ Sprachen. Nutzer fragen per Stimme — und die KI antwortet per Stimme. Eine neue technische Schicht wird entscheidend: Speakable Schema.

Was ist Speakable Schema?

Speakable ist eine offizielle Schema.org-Property, die KI-Assistenten mitteilt, welche Textpassagen sich zum Vorlesen eignen. Es ist ein Highlighter: „Wenn du diese Seite vorließt, nimm diese Absätze."

{
  "@context": "https://schema.org",
  "@type": "WebPage",
  "name": "Vitamin C Glow Serum — Produktseite",
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": [
      ".product-summary",
      ".product-key-facts",
      ".product-faq-answer"
    ]
  }
}

5 Regeln für voice-optimierte Texte

#	Regel	Detail
1	Kürze	Voice-Antworten: 15–30 Sekunden = 25–50 Wörter. Langer Text wird gekürzt — die KI wählt, was wegfällt.
2	Zahlen mit Kontext	Speakable-Passagen so schreiben, dass sie vorgelesen natürlich klingen. „€49,90/Monat" → ausformulieren.
3	Keine Tabellen/Listen	Voice kann keine Tabelle vorlesen. Top-3-Vorteile als einen fließenden Satz formulieren.
4	Markenname vorn	In den ersten 10 Wörtern der Speakable-Passage — der Nutzer soll wissen, wer empfohlen wird.
5	Natürlich klingen	Laut vorlesen! Klingt es wie ein freundlicher Berater oder wie ein Geschäftsbericht?

Voice-Query-Patterns

Merkmal	Text-Query	Voice-Query
Länge	2–4 Wörter	5–10 Wörter (natürliche Sprache)
Struktur	Keyword-basiert	Frageform („Welches X ist am besten für Y?")
Erwartung	Liste von Optionen	Eine einzige, direkte Antwort

Voice-Queries matchen besonders gut auf FAQ-Schema mit natürlichsprachlichen Fragen. Nicht: „Was sind die Vorteile?" Sondern: „Welches Anti-Aging-Serum eignet sich für empfindliche Haut ab 40?"

AudioObject und Podcast-Schema

{
  "@context": "https://schema.org",
  "@type": "PodcastEpisode",
  "name": "GEO für E-Commerce — Warum Strukturierte Daten
    über Umsatz entscheiden",
  "datePublished": "2026-04-01",
  "duration": "PT32M15S",
  "associatedMedia": {
    "@type": "AudioObject",
    "contentUrl": "https://beispiel.de/podcast/ep14.mp3",
    "encodingFormat": "audio/mpeg"
  },
  "transcript": "https://beispiel.de/podcast/ep14-transcript.txt"
}

Lektion 6.4: Video GEO — VideoObject, Clip, SeekToAction

Video ist die datenreichste Modalität — und gleichzeitig die am schlechtesten für KI aufbereitete. Ein typisches Unternehmensvideo hat vielleicht einen Titel und eine kurze Beschreibung. Für die KI ist das, als würde man ein 500-Seiten-Buch mit „Interessantes Buch" betiteln.

Clip Schema — Zeitstempel-basierte Zitationen

Clip-Schema erlaubt der KI, spezifische Stellen innerhalb eines Videos zu zitieren — nicht das ganze Video, sondern exakt die 30 Sekunden, die die Frage beantworten.

{
  "@type": "VideoObject",
  "name": "Vitamin C Serum Anwendung",
  "hasPart": [
    {
      "@type": "Clip",
      "name": "Richtige Dosierung: 3-4 Tropfen",
      "startOffset": 46,
      "endOffset": 105,
      "url": "https://beispiel.de/video/serum#t=46,105"
    },
    {
      "@type": "Clip",
      "name": "Einarbeitungstechnik",
      "startOffset": 106,
      "endOffset": 180,
      "url": "https://beispiel.de/video/serum#t=106,180"
    }
  ]
}

SeekToAction — Die KI darf direkt springen

"potentialAction": {
  "@type": "SeekToAction",
  "target": "https://beispiel.de/video/serum?t={seek_to_second_number}",
  "startOffset-input": "required name=seek_to_second_number"
}

In Kombination mit Clip-Schema weiß die KI nicht nur dass sie springen darf, sondern auch wohin.

YouTube GEO — Der zweitgrößte Suchkanal

Element	Typisch (80% aller Videos)	GEO-Optimiert
Titel	Clickbait oder generisch	Faktenbasiert, Keyword + Brand
Description	2 Sätze + Link-Dump	Answer-Dense 200 Zeichen + Transkript + Chapters + FAQ
Chapters	Keine	Mind. 4 mit deskriptiven Titeln
Closed Captions	Auto-generiert (fehlerhaft)	Manuell korrigiert
Pinned Comment	Keiner	FAQ oder Zusammenfassung

Lektion 6.5: Personalisierte KI-Suche — GEO im individuellen Kontext

Google Personal Intelligence verbindet Gmail, Photos, Drive und Calendar mit AI Mode. Die KI kennt den Nutzer persönlich — und generiert individualisierte Antworten.

Was sich verändert

Ohne Personal Intelligence: „Welchen CRM-Anbieter empfiehlst du?" → Generische Top-5-Liste.

Mit Personal Intelligence: KI weiß aus Gmail: 3 Mitarbeiter, deutschsprachig, DSGVO-Fokus. → „Für dein 3-Personen-Team mit DSGVO-Fokus empfehle ich [Anbieter X] — EU-Hosting, ab €29/Monat."

Granularität in strukturierten Daten

Kontext-Signal	Standard GEO	Multimodal GEO
Zielgruppe	„Für KMUs"	„Für Teams mit 3–20 Personen, DACH"
Preisbereich	„Premium"	Exakte Startpreise pro Paket
Compliance	—	„DSGVO-konform, EU-Hosting, ISO 27001"
Sprache	—	availableLanguage: ["de", "en"]
Geografie	Stadt/Land	areaServed + eligibleRegion

Lektion 6.6: Multimodal Middleware — Edge Routing für verschiedene Crawler-Typen

In Modul 5 lernten Sie Edge Routing für Text-Bots. Im multimodalen Zeitalter wird die Logik komplexer: Verschiedene Bots haben verschiedene Fähigkeiten.

Multimodale Crawler erkennen

Crawler	Modalität	Was er verarbeitet
GPTBot	Text + Schema	HTML, JSON-LD. Bild-Verarbeitung nicht öffentlich dokumentiert.
ChatGPT-User	Text + Bild	Lädt Seiten wie ein Browser. Kann Bilder „sehen".
Google-Extended	Steuerungs-Token	Kein eigener Crawler — steuert via robots.txt, ob Googlebot-Daten (inkl. Bild/Video) für Gemini genutzt werden.
Googlebot-Image	Bilder	Bild-spezifisch: Alt-Text + IPTC.
Googlebot-Video	Video	Video-spezifisch: Thumbnails, Metadaten.

Lazy Loading — Der stille Killer für Visual GEO

Lazy Loading ist für Menschen eine Performance-Verbesserung, für KI-Crawler ein Risiko: Viele Bots laden Seiten ohne zu scrollen und ohne JavaScript auszuführen. Kritisch ist vor allem JS-basiertes Lazy Loading (data-src-Pattern): Diese Bilder existieren für den Bot nicht. Natives loading="lazy" ist weniger kritisch — die Bild-URL steht im src und ist für HTML-Parser sichtbar.

Lösung: Produktbilder „above the fold“ (die ersten 1–3) niemals lazy-loaden, für kritische Bilder auf JS-Lazy-Loading verzichten (echtes src-Attribut ausliefern). Bei Middleware: loading="lazy" durch loading="eager" ersetzen für Bot-Requests.