In gleichem Maße, wie man hört, dass GEO (Generative Engine Optimization) Recruiter vor schier unlösbare Probleme stellt, weil Bewerber angeblich nicht mehr googeln (Spoiler: tun sie sehr wohl), hört man zunehmend auch die These, KI würde Jobbörsen den Todesstoß versetzen. Die Argumentation scheint auf den ersten Blick plausibel: Jobsuchende fragen ChatGPT & Co., welche Arbeitgeber am besten sind und wo sie die besten Jobs finden. Die KI spuckt dann eine direkte Empfehlung aus und Jobbörsen als teure Mittler werden überflüssig. Eine schöne neue Welt für Arbeitgeber, die sich die Kosten für Indeed und StepStone sparen können.
Was aber, wenn die Realität möglicherweise genau andersherum funktioniert?
Warum die These vom Ende der Jobbörsen durch KI auf wackeligen Beinen steht
Um dem Ganzen auf den Grund zu gehen, habe ich mir vier in den letzten Monaten veröffentlichte wissenschaftliche Studien zum Thema GEO, also der Optimierung von Website-Inhalten für KI-Modelle, angeschaut. Die Erkenntnisse legen etwas völlig Gegensätzliches zu den Todesrufen nahe:
KI bedeutet nicht den Tod der Jobbörsen, sondern stärkt vielmehr deren Position.
Wer das für eine steile These hält, sollte weiterlesen.
Was ist eigentlich GEO?
Bevor wir in die Details einsteigen, ein kurzer Blick auf den Begriff selbst. GEO steht für Generative Engine Optimization und wurde erstmals 2024 von Forschern der Princeton University in ihrer Studie “GEO: Generative Engine Optimization” geprägt. Die Idee dahinter: Während klassische Suchmaschinenoptimierung (SEO) darauf abzielt, in den Google-Ergebnissen möglichst weit oben zu erscheinen, zielt GEO darauf ab, in den Antworten von KI-Systemen wie ChatGPT, Claude oder Perplexity zitiert zu werden.
Der entscheidende Unterschied: Bei Google sieht der Nutzer eine Liste von zehn (und mehr) Links und entscheidet selbst, welchen er anklickt. Bei ChatGPT & Co. erhält er eine fertige Antwort, in der bestimmte Quellen zitiert werden. Aber eben nur diese. Wer hier nicht zitiert wird, existiert für den Nutzer nicht. Das verändert die Spielregeln grundlegend.
Die zentrale Erkenntnis zeigt sich konsistent über alle vier Studien hinweg: KI-Systeme bevorzugen „Earned Media“, also redaktionelle Drittquellen, unabhängige Bewertungen und autoritative Plattformen, gegenüber „Brand Media“, also unternehmenseigenen Inhalten wie der firmeneigenen Website.
Die Zahlen sind dabei bemerkenswert eindeutig. So zeigen die Autoren der Navigating the Shift-Studie in einem Datensatz zum Thema Consumer Electronics bspw. eine klare Präferenz der KI-Engines für Earned Media. In der Auswertung verteilen sich die Anteile wie folgt:
Google: 41 % Earned, 34 % Social, 26 % Brand
GPT-4o: 57 % Earned, 8 % Social, 35 % Brand
Claude: 65 % Earned Media, 1 % Social Media, 34 % Rest Brand Media
Perplexity: 50 % Earned, 11 % Social, 39 % Brand
Gemini: 46 % Earned, 7 % Social, 47 % Brand
Die Grafik zeigt, welche Quellen KI je nach Suchintention nutzt: Während Earned Media in frühen Entscheidungsphasen dominiert, wird Brand Media erst bei konkreten Transaktionen bedeutsam.
Social Media ohne Bedeutung
Die Bochumer Studie bestätigt dieses Muster. Auch sie zeigt, dass Social-Media-Quellen im Mittel eher selten sind. Sie spricht sogar von “close to zero”. Allerdings gibt es durchaus Kategorien, in denen der Einfluss von Social-Media-Quellen bei 5–7 % liegt. Diese Zahlen scheinen also zu belegen, dass KI-Systeme nutzergenerierten Inhalten eher misstrauen und stattdessen eher auf redaktionelle Autorität vertrauen. In dieser Hinsicht scheint die KI deutlich schlauer als so mancher Erdenbürger zu sein.
Übrigens ist die Präferenz für Earned Media kein reines Consumer-Phänomen. Vielmehr zeigen alle Studien ein allgemeines Auswahlmuster von KI-Systemen:
Je erklärungsbedürftiger, vergleichender oder folgenreicher eine Entscheidung ist, desto stärker stützen sich die Systeme auf neutrale Drittquellen statt auf die Selbstdarstellung der Anbieter.
Was bedeuten die Erkenntnisse fürs Recruiting?
Um zu verstehen, was diese Erkenntnisse (mit großer Wahrscheinlichkeit) fürs Recruiting bedeuten, lohnt sich ein Blick auf die Analogie von E-Commerce zum Recruiting.
Die klassische Customer Journey im E-Commerce verläuft in mehreren Phasen:
Awareness (ich werde auf ein Produkt aufmerksam),
Consideration (ich vergleiche Alternativen),
Decision (ich entscheide mich für einen Anbieter)
Transaction (ich kaufe).
Die Analogie zur Candidate Journey
Die Toronto-Studie vom Januar 26 hat genau diese Customer-Journey-Phasen untersucht und festgestellt, dass KI-Systeme je nach Phase auf unterschiedliche Quellentypen referenzieren. Die Studie zeigt, dass bei informationellen Anfragen (“Was ist X?”) und Consideration-Anfragen (“Welches Produkt ist besser?”) Earned Media mit bis zu 86 % dominiert (Claude). Erst bei transaktionalen Anfragen (“Wo kaufe ich X?”) gewinnt die Brand-Seite an Relevanz (bis zu 68 %, Gemini), weil die KI dann auf offizielle Händler- und Herstellerseiten verweist.
Ein Job ist kein Produkt, aber der Funnel ist ähnlich
Klar, ein Job oder der Wechsel zum neuen Arbeitgeber ist kein Produkt. Aber der Funnel im Recruiting ähnelt dem im E-Commerce erstaunlich stark:
In der Awareness-Phase wird ein potenzieller Kandidat auf einen Arbeitgeber aufmerksam – sei es durch eine Stellenanzeige in einer Jobbörse, durch den prominent platzierten Karriere-Button oder durch eine Empfehlung.
In der Consideration-Phase vergleicht er Stellenangebote, liest Bewertungen auf kununu oder recherchiert Benefits und Unternehmenskultur.
In der Decision-Phase entscheidet er sich für eine Stelle bei diesem einen Arbeitgeber.
Die Transaction entspricht der Bewerbung.
Natürlich gibt es einen offensichtlichen Unterschied zwischen einem Produktkauf und einer Jobentscheidung: Ein gekauftes Smartphone kann ich bei Nichtgefallen zurückschicken. Einen unterschriebenen Arbeitsvertrag jedoch nicht. Die Entscheidung für einen Arbeitgeber ist in der Regel also langfristiger und folgenreicher als eine Kaufentscheidung.
Dennoch lässt eben diese Analogie zum E-Commerce-Funnel meines Erachtens durchaus eine Übertragung der Studienergebnisse auf die Candidate Journey zu.
Warum die Karriereseite wichtig bleibt
Genau deshalb bleibt die Karriereseite auch weiterhin wichtig und entscheidend für den Recruiting-Erfolg. Schließlich ist dies der Ort, an dem Unternehmen (im Idealfall) die Hosen runterlassen. Glaubwürdige, relevante Inhalte, authentische Einblicke, echte Mitarbeiterstimmen, nachvollziehbare Informationen zu Kultur und Arbeitsalltag: Das liefert keine Jobbörse und kein KI-System (und wenn doch, dann kann die KI diese Informationen eben erst durch diese Informationsquelle generieren!). Der entscheidende Punkt ist jedoch (übertragen auf die Studienerkenntnisse), dass die Karriereseite im Funnel als Brand Media oft erst dann relevant wird, wenn die KI den Arbeitgeber bzw. den Job bereits empfohlen hat. Wer in der Awareness- und Consideration-Phase nicht präsent ist, taucht auch nicht im „Relevant Set“ von Jobsuchenden auf.
Welche Rolle spielen ATS-Systeme im GEO-Kontext?
Aus GEO-Perspektive sind ATS (Applicant Tracking Systems, also Bewerbermanagement-Systeme) in erster Linie technische Infrastruktur, nicht aber autoritative Quelle. Werden Stellen ausschließlich auf der Domain des ATS-Anbieters ausgespielt, verliert der Arbeitgeber an Entitätssignalen und Brand Awareness insbesondere gegenüber KI-Systemen, die Domains und Quellen streng unterscheiden. Strategisch sinnvoll ist daher, im Sinne einer durchdachten Bewerbungsarchitektur die Jobs ausschließlich per API auf der eigenen Karriereseite auszuspielen und das ATS auf die Abwicklung des Bewerbungsprozesses zu beschränken. So bleibt die Marke sichtbar, die Karriereseite fungiert als inhaltliche Referenz, und das ATS erledigt ausschließlich das, wofür es gedacht ist: den Prozess, nicht die Positionierung.
Earned Media im Recruiting: Jobbörsen, Bewertungsportale und Fachpresse?
Wenn Studien also zeigen, dass KI-Systeme “Earned Media” bevorzugen, stellt sich die Frage, was diese Drittquellen im Recruiting-Kontext sind. Wenn wir die in den Studien identifizierten Muster anwenden, wären aus Sicht der KI-Systeme die Jobbörsen „Earned Media”. Sie sind als autoritative Drittquellen mit hohem Vertrauenswert zu verstehen, die über Jahre Domain-Autorität aufgebaut haben und wiederum auf eine Unmenge anderer Unternehmen referenzieren.
Übertragen auf das Recruiting entsprechen Testberichte auf Fachpublikationen wie TechRadar oder CNET den Arbeitgeberbewertungen auf kununu, Glassdoor & Co. Vergleichsportale und E-Commerce-Plattformen entsprechen Jobbörsen wie Indeed, StepStone oder kimeta. Brand-Websites, also die offiziellen Herstellerseiten, entsprechen den Karriereseiten. Und Social-Media-Inhalte, Foren und nutzergenerierte Inhalte entsprechen den Selbstdarstellungen auf LinkedIn, TikTok & Co.
Die eigene Karriereseite eher als “Brand Media” einzuschätzen, scheint nach der Studien-Systematik logisch: Warum sollte eine KI einem Unternehmen glauben, dass es “ein attraktiver Arbeitgeber” ist? Das behauptet schließlich jeder von sich. Eine unabhängige Quelle, wie eine Jobbörse oder ein Bewertungsportal, ist da (scheinbar) glaubwürdiger.
Warum Jobbörsen von KI profitieren
Die Princeton-Studie zeigt einen weiteren relevanten Effekt, der die These stützt: Quellen von Google AI Overview und organische Top-10-Ergebnisse zeigen nur eine begrenzte Überschneidung. Die Bochumer Studie geht noch einen Schritt weiter und zeigt, dass GPT-Tool praktisch gar keine Überlappung („almost 0“) mit den organischen Google-Ergebnissen aufweist.
Auf Deutsch: Wer als Unternehmen (z. B. mit seiner Karriereseite oder seinen Stellenanzeigen) bei Google auf Platz 1 rankt oder in den Google-Jobs-Ergebnissen auftaucht, ist in der KI-Antwort nahezu unsichtbar. Genau hier profitieren Jobbörsen von strukturellen Vorteilen:
Hohe Domain Authority: Sie gehören zu den meistbesuchten Websites.
Backlink-Profile: Tausende Arbeitgeber verlinken auf sie (und umgekehrt).
Strukturierte Daten: Sie arbeiten (hoffentlich) mit strukturierten Daten, weil Stellenanzeigen (in der Regel) gemäß schema.org aufgebaut sind.
Jobbörsen gehören also zu den Websites mit der höchsten Domain Authority und Verlinkungsdichte im Internet. Daher werden sie von KI-Systemen im Live-Zugriff bevorzugt angesteuert und als vertrauenswürdige Quelle eingestuft.
Das “Big Brand Bias” Dilemma
Hier kommt ein entscheidender Faktor ins Spiel: Der “Big Brand Bias”. Bei populären Marken dominiert das Pre-Training-Wissen des Modells. So werden bspw. bei einer Frage nach den besten SUVs Toyota und Honda fast immer genannt, weil sie im „Gedächtnis“ der KI verankert sind. Bei Nischen-Entitäten hingegen – also unbekannten oder spezialisierten Anbietern – ist das Modell auf die aktuell abgerufenen Quellen angewiesen.
Fürs Recruiting heißt das: Da große Arbeitgeber (Siemens, BMW, Telekom) im Pre-Training verankert sind, werden sie ohnehin genannt. Für mittelständische oder regionale Arbeitgeber ist die Jobbörsen-Präsenz hingegen oft der einzige Weg, überhaupt im LLM-Kontext aufzutauchen. Das Pre-Training “kennt” sie nicht, die eigene Karriereseite wird als Brand Media abgewertet. Ergo: Die Jobbörse ist der Authority-Hebel.
Die Studienlage (und anekdotische Evidenz) legt das Gegenteil nahe: KI nutzt Jobbörsen als autoritative Quelle und verstärkt damit deren Gatekeeping-Funktion. Folgendes Szenario soll das verdeutlichen:
Jemand fragt ChatGPT: “Welche Unternehmen in Bielefeld suchen aktuell PHP-Entwickler?”
ChatGPT sucht im Web (Live-Suche).
Es bevorzugt Earned Media (65-95% Anteil laut Studien).
Jobbörsen sind hochautoritative Earned-Media-Quellen.
Ergebnis: Die KI zitiert Jobbörsen. Arbeitgeber, die dort vertreten sind, landen in der Antwort. Wer dort fehlt, existiert für die KI womöglich nicht.
Das sieht dann z. B. so aus:
Fazit: Die Jobbörse als Mittler verschwindet nicht. Im Gegenteil: Sie wird zur Quelle, die die KI zitiert.
Die Jobbörse ist nicht dem Untergang geweiht. Sie bestimmt maßgeblich darüber, wer überhaupt als Arbeitgeber empfohlen wird.
Anekdotische Evidenz stützt die These
Die hier ausgewerteten Studien untersuchen zwar nicht explizit die Candidate Journey. Aber meine eigenen Beobachtungen zeigen ein ähnliches Muster: Unternehmen mit starker Jobbörsen-Präsenz tauchen auch dann in ChatGPT-Antworten auf, selbst wenn deren eigene Karriereseite oder das Stellenportal – sagen wir es diplomatisch – Optimierungspotenzial hat.
Ein Arbeitgeber mit mittelmäßiger Karriereseite, aber prominenter Präsenz auf Jobbörsen, schlägt einen Arbeitgeber mit exzellenter Karriereseite ohne Jobbörsen-Präsenz.
Bezogen auf die Studienergebnisse kann mal also durchaus Analogien zur Logik der Earned-Media-Präferenz herstellen. Die eigene Karriereseite hat nicht den „Trust“ oder „Authoritiveness“, den große Jobbörsen über Jahrzehnte aufgebaut haben und den KI-Systeme priorisieren. Sie profitiert aber von Sichtbarkeit, wenn das Unternehmen aktiv in Jobbörsen vertreten ist.
Welche Rolle spielen Nischen-Jobbörsen?
Bleibt die Frage, welche Bedeutung in diesem Kontext Nischen-Jobbörsen wie Greenjobs, Stack Overflow oder Medi-Jobs haben. Auf den ersten Blick haben sie natürlich deutlich weniger “Domain Authority” als die Platzhirsche – also weniger Gesamtstärke, weniger Backlinks, weniger Traffic. Aber fallen sie deshalb durch das Raster?
Wirft man einen Blick auf die Toronto-Studie vom Januar 2026, so scheint es, als könne man Entwarnung geben. Denn diese differenziert zwischen “Popular Entities” und “Niche Entities”. Bei Nischenthemen zeigen die untersuchten KI-Systeme ein deutlich anderes Verhalten: Sie verlassen sich weniger auf vortrainiertes Allgemeinwissen und greifen gezielt auf wenige, hochspezialisierte Quellen zurück – ein Muster, das die Autoren als “Knowledge Seeking” beschreiben.
Domain Authority vs. Topical Authority
Überträgt man diese Ergebnisse aufs Recruiting, so bedeutet das, dass bei einer Nischen-Anfrage wie “Zeige mir Stellen für SAP-Architekten in der Chemiebranche”, vermutlich eher Spezialisten-Jobbörsen oder sogar Karriereseiten als Quelle genannt werden, da die KI Quellen bevorzugt, die eine hohe Dichte an genau diesen Begriffen und Kontexten, also eine hohe “Topical Authority” haben. Eine spezialisierte IT-Jobbörse liefert präzisere Signale als Indeed, wo “SAP” nur eines von Millionen Keywords ist.
Auch die Toronto-Studie vom September 2025 stützt diese These. Bei der Untersuchung lokaler Dienstleister zeigt sich, dass KI-Systeme in fragmentierten Märkten ein viel breiteres Spektrum an Quellen nutzen. Die Domain-Überlappung zwischen den verschiedenen KI-Systemen ist hier besonders gering, weil jedes System auf unterschiedliche spezialisierte Verzeichnisse zurückgreift.
Die Logik dahinter: In fragmentierten Märkten gibt es keine einzelne dominierende “Big Brand”. Die KI muss sich auf spezialisierte Aggregatoren und Verzeichnisse verlassen, um die Fragmentierung zu durchdringen. Nischen-Jobbörsen können in diesem Kontext also als strukturierte Verzeichnisse für spezifische Berufsfelder verstanden werden.
Man kann das als Unterschied zwischen “Domain Authority” und “Topical Authority” beschreiben. Indeed oder StepStone haben eine gigantische Domain Authority – die Seiten sind insgesamt mächtig. Eine Nischen-Börse wie Greenjobs hat zwar eine geringe Domain Authority, aber eine extrem hohe thematische Autorität für ihr Spezialgebiet. Je spezifischer der Prompt also ist, umso höher gewichtet die KI die thematische Passung.
Aber: Nischen-Jobbörsen müssen als vertrauenswürdige Quelle überzeugen
Allerdings gibt es eine wichtige Einschränkung. Chen et al. zeigen in ihrer Untersuchung, dass KI-Modelle wie Claude oder ChatGPT tendenziell eher “konservativ” sind und sich auf eine kleine Menge etablierter Domains konzentrieren, um Halluzinationen zu vermeiden. Wenn eine Nischen-Jobbörse zu klein oder technisch schlecht optimiert ist (keine strukturierten Daten, keine saubere Architektur, keine nachweisbare Autorität), fällt sie durchs Raster. Um von der KI als vertrauenswürdige Quelle erkannt zu werden, muss diese Jobbörse z. B. mit ausreichend Content und sauberer technischer Umsetzung mit vollständigem Schema-Markup überzeugen.
Für Arbeitgeber ergibt sich daraus eine differenzierte Strategie. Die großen Platzhirsche liefern durch ihre schiere Masse und Domain-Autorität das “Grundrauschen” für die KI – sie sind die sichere Bank. Etablierte Nischen-Jobbörsen fungieren als “Spezial-Experten” für hochspezifische Anfragen. Je spezialisierter die gesuchte Zielgruppe, desto relevanter werden die Nischen-Portale.
Für große, bekannte Arbeitgeber, die ohnehin im Pre-Training verankert sind, ist die Jobbörsen-Präsenz vermutlich weniger kritisch. Für mittelständische oder regionale Arbeitgeber hingegen könnte die Jobbörsen-Präsenz der einzige Hebel sein, um überhaupt in den Antworten aufzutauchen. Ob bei den Big Playern dann eine minimale Präsenz mit drei Stellenanzeigen ausreicht oder eine kritische Masse von 50 oder mehr Stellen erforderlich ist, um als Arbeitgeber sichtbar zu sein, lässt sich aus den Studien nicht ableiten. Aber die Logik spricht dafür: Wer gar nicht präsent ist, existiert für die KI nicht. Und wer nur sporadisch präsent ist, baut keine nachhaltige Authority auf.
Was die GEO-Studien über Content-Optimierung sagen
Die Princeton-Studie hat verschiedene Optimierungsmethoden getestet und gemessen, welche die Sichtbarkeit in generativen Suchmaschinen erhöhen. Die folgenden Effektgrößen ergeben sich aus der von den Autoren verwendeten Berechnung relativer Verbesserungen gegenüber dem jeweiligen Ausgangswert und machen deutlich, welche Maßnahmen in diesem experimentellen Setting tatsächlich wirken. Die Ergebnisse sind aufschlussreich und eine klare Absage an klassisches Marketing-Bla-Bla und die auf Karriereseiten vorherrschende Selbstbeweihräucherung:
“Quotation Addition“(das Hinzufügen von Zitaten): + ca.40 %
“Statistics Addition” (das Einfügen von konkreten Zahlen und Statistiken): + ca. 30 %
“Fluency Optimization” (die Verbesserung der sprachlichen Qualität): + ca. 28 %
“Cite Sources” (das Belegen von Aussagen mit Quellenangaben): + ca. 27 %
Besonders interessant ist, was nicht funktioniert: Keyword Stuffing, also das übermäßige Wiederholen von Schlüsselwörtern, führte zu einer verminderten Sichtbarkeit. Die oft verbreitete SEO-Taktik scheint in der GEO-Welt also nicht zu funktionieren.
Was bedeutet das für Karriereseiten? Die Phrasen-Schleudern, die wir alle kennen, sind kontraproduktiv. “Wir sind ein dynamisches Unternehmen mit flachen Hierarchien und einem motivierten Team” enthält weder Zitate noch Statistiken noch Quellenangaben. Es ist pures Marketing-Blabla und KI-Systeme durchschauen das.
Auf der Karriereseite fakten- und zitatebasiert formulieren
Wer seine Karriereseite oder Stellenanzeigen für GEO optimieren will, formuliert fakten- und zitatebasiert, z. B.
“93 Prozent unserer Auszubildenden werden nach der Ausbildung übernommen.“ (Statistics)
“Die strukturierte Einarbeitung hat mir den Einstieg sehr erleichtert’ – Maria., Pflegefachkraft seit 2021.” (Quotation)
“Unsere Mitarbeiterzufriedenheit liegt bei 4,6/5 Sternen (Quelle: kununu, Stand Jan 2026)” (Cite Sources)
Quellen zitieren und verlinken
Die Princeton-Studie zeigt noch einen weiteren interessanten Effekt: Die Kombination mehrerer Optimierungsmethoden verstärkt die Wirkung. “Cite Sources” in Kombination mit anderen Methoden führte durchschnittlich zu 31,4 % Verbesserung
Übertragen auf Karriereseiten bedeutet das, nicht nur Aussagen zu treffen, sondern diese auch zu belegen und idealerweise auf die Quelle zu verlinken. Die Verlinkung hat dabei einen doppelten Effekt. Erstens macht sie die Aussage verifizierbar: Wer will, kann nachschauen, ob die Behauptung stimmt. Zweitens verbindet sie die eigene Karriereseite (Brand Media) mit einer autoritativen Drittquelle (Earned Media). Das kununu-Profil “vererbt” quasi etwas von seiner Autorität an die Karriereseite und macht Aussagen für die KI glaubwürdiger.
Dasselbe gilt für Arbeitgebersiegel und Auszeichnungen. “Ausgezeichnet als familienfreundlicher Arbeitgeber (berufundfamilie Service GmbH, 2024-2027)” ist gut. Mit Link auf die Zertifizierungsseite ist es besser. Dass Arbeitgeber-Siegel wie Focus, Leading-Employers oder Arbeitgeber der Zukunftkeine autoritativen Quellen sind, sollte hoffentlich klar sein.
Strukturierte Daten und Google for Jobs
Noch ein paar Worte zu Google for Jobs. Diese Funktion aggregiert Stellenanzeigen aus verschiedenen Quellen und zeigt sie direkt in den Google-Suchergebnissen an. Für Googles Ökosystem, also AI Overview und Gemini, ist Google for Jobs eine relevante Datenquelle.
Für andere LLMs wie ChatGPT, Claude oder Perplexity hat Google for Jobs keine unmittelbare Bedeutung, weil sie keinen direkten Zugriff auf diese Funktion haben. Allerdings ist die technische Grundlage – strukturierte Daten nach schema.org dieselbe, die auch für andere KI-Systeme relevant ist.
Strukturierte Daten sorgen für KI-Lesbarkeit
Strukturierte Daten (z. B. JobPosting-Schema, EmployerAggregateRating-Schema, Organization-Schema, FAQ-Schema) machen Informationen maschinenlesbar. Sie erfüllen damit sowohl die Anforderungen von Google for Jobs als auch die Anforderungen anderer LLMs.
Anstatt dass die KI mühsam aus einem Fließtext herauslesen muss, dass eine Stelle “Pflegefachkraft” heißt, in “Münster” angesiedelt ist und ein Gehalt von “3.500 bis 4.200 Euro” bietet, sind diese Informationen in einem klar definierten Format hinterlegt, das Maschinen sofort verstehen können. Auch Arbeitgeberbewertungen lassen sich als strukturierte Daten hinterlegen.
Die Princeton-Studie zeigt, warum das relevant ist: Strukturierte, maschinenlesbare Inhalte erhöhen die Wahrscheinlichkeit, dass eine KI die Informationen korrekt extrahiert und zitiert. Wer seine Karriereseite mit vollständigem Schema-Markup versieht, erleichtert es der KI also, gefunden zu werden, und wird mit größerer Wahrscheinlichkeit als Quelle herangezogen.
Ein Wort zu llms.txt
Der neue vorgeschlagene Standard llms.txt (eine Art Inhaltsverzeichnis für KIs) wird oft diskutiert. Die Idee: Ähnlich wie robots.txt Suchmaschinen-Crawlern sagt, welche Seiten sie indexieren dürfen, soll llms.txt Large Language Models eine kuratierte Übersicht der wichtigsten Inhalte einer Website liefern.
Die Realität ist allerdings ernüchternd: Stand Februar 2026 ist llms.txt noch experimentell und in der Praxis ohne große Bedeutung. Weder OpenAI noch Google noch Anthropic haben offiziell bestätigt, dass ihre Systeme dieses Format nutzen. Semrush berichtet in einer Analyse vom November 2025, dass in ihren Server-Logs keine Besuche von KI-Crawlern wie GPTBot, ClaudeBot oder PerplexityBot auf llms.txt-Dateien zu sehen waren.
Für Karriereseiten gilt: Eine llms.txt-Datei schadet nicht und ist mit wenig Aufwand erstellt, zumal einige WordPress-Plugins die Generierung inzwischen automatisieren. Aber llms.txt ist kein Gamechanger und ersetzt keinesfalls die Grundlagen: strukturierte Daten, inhaltliche Qualität und Earned-Media-Präsenz.
Jede KI tickt anders
Ein wichtiger Punkt, den alle vier Studien übereinstimmend zeigen: Es gibt nicht die eine GEO-Strategie, die für alle KI-Systeme funktioniert. Jedes System hat seine eigene Logik, seine eigenen Präferenzen und seine eigenen Eigenheiten.
Die Studien zeigen große Unterschiede zwischen den Systemen. Claude weist die höchste sprachübergreifende Stabilität auf. Die KI nutzt dieselben autoritativen, oft englischsprachigen Domains über Sprachgrenzen hinweg. Wer bei Claude in der deutschen Suche gefunden werden will, braucht gemäß Studie Präsenz in englischsprachigen Authority-Domains.
ChatGPT/GPT hingegen zeigt die niedrigste Stabilität. Der Chatbot wechselt das komplette Domain-Ökosystem je nach Sprache. Bei einer deutschen Anfrage zieht GPT komplett andere Quellen heran als bei einer englischen. Wer bei GPT in Deutschland sichtbar sein will, benötigt laut Studien auch deutschsprachige Quellen.
Eine Besonderheit ist Perplexity. Diese KI ist das einzige System, das YouTube-Content in signifikantem Maße einbezieht. Wer Employer-Branding-Videos auf YouTube hat, könnte bei Perplexity davon profitieren, bei Claude oder ChatGPT aber eher nicht.
Gemini zeigt die höchste Neigung zu Brand-Quellen, also offiziellen Unternehmensseiten (Chen et al., 2025, Figure 41). Das bedeutet: Bei Gemini könnte die eigene Karriereseite relevanter sein als bei anderen Systemen.
Was folgt daraus? Eine GEO-Strategie, die nur auf ein System optimiert, greift zu kurz. Allerdings ist bei KI ohnehin alles eine Black Box. Die Unsicherheit ist hoch, die Dynamik groß, und was heute funktioniert, kann morgen schon wieder Schnee von gestern sein.
Was bedeuten die GEO-Erkenntnisse für Arbeitgeber?
Eins dürfte nun klar sein: KI macht Jobbörsen nicht überflüssig. Vielmehr macht es sie zur autoritativen Quelle, die KI-Systeme zitieren. Fassen wir also noch einmal zusammen, wie sich die Studienerkenntnisse auf das Recruiting übertragen lassen:
Die Präsenz in Jobbörsen bleibt wichtig und ist möglicherweise wichtiger denn je. Jobbörsen sind als “Earned Media” der Authority-Anker für die KI. Wer dort nicht präsent ist, riskiert, in KI-Antworten nicht aufzutauchen. Das gilt besonders für mittelständische und regionale Arbeitgeber, die nicht durch Pre-Training-Bekanntheit profitieren.
Das aktive Management von Bewertungsportalen wird kritischer. Auch Kununu, Glassdoor & Co. sind verifizierbare Drittquellen, die KI-Systeme als Earned Media werten. Die Scores und Bewertungen dort beeinflussen, wie ein Arbeitgeber in KI-Antworten dargestellt wird.
Die Karriereseite muss Substanz liefern statt hohler Phrasen. Konkrete Zahlen, authentische Zitate, verifizierbare Quellenangaben sind die Faktoren, die entsprechend den Erkenntnissen der Princeton-Studie die Sichtbarkeit erhöhen. Marketing-Floskeln und Keyword-Stuffing schaden nachweislich.
Strukturierte Daten sind Pflicht, nicht Kür: Vollständiges JobPosting-Schema für jede Stellenanzeige, Organization-Schema für Arbeitgeberinformationen, FAQ-Schema für häufige Bewerberfragen, EmployerAggregateRating-Schema für Arbeitgeber-Bewertungen. Das alles ist keine Zukunftsmusik, sondern schon heute technische Mindestvoraussetzung für eine bessere Auffindbarkeit.
Quellen sollten nicht nur genannt, sondern verlinkt werden. Der Link auf das kununu-Profil oder auf die Zertifizierungs-Seite des (seriösen!) Arbeitgebersiegel-Anbieters macht Aussagen verifizierbar und verbindet die eigene Karriereseite mit autoritativen Quellen.
Jobbörsen wurden schon oft totgesagt. Diesmal könnten ihre Kritiker aber ganz besonders danebenliegen.
Eine Anmerkung zum Schluss: All die hier genannten Aspekte sind der Versuch, die Studienerkenntnisse auf das Recruiting und die Candidate Journey zu übertragen, und teilweise durch anekdotische Evidenz belegt. Keine der vier Studien untersucht explizit Recruiting oder Employer Branding. Meiner Einschätzung nach lassen sich die Erkenntnisse jedoch sehr gut aufs Recruiting übertragen.
Quellen:
Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024): “GEO: Generative Engine Optimization”, Princeton University, KDD ’24.
Kirsten, E., Grosse Perdekamp, J., Upadhyay, M., Gummadi, K. P., & Zafar, M. B. (2025): “Characterizing Web Search in the Age of Generative AI”, Ruhr University Bochum, Oktober 2025
Chen, M., Wang, X., Chen, K., & Koudas, N. (2025): “Generative Engine Optimization: How to Dominate AI Search”, University of Toronto, September 2025.
Chen, M., Wang, X., Chen, K., & Koudas, N. (2026): “Navigating the Shift”, University of Toronto, Januar 2026
Vielen Dank, sehr interessanter Artikel! Habe die These über den Tod der Jobbörsen schon mehrfach gehört, es aus dieser Sicht so zu beleuchten und auch Handlungsempfehlungen daraus abzuleiten finde ich super hilfreich. Interessant wäre nun eine Studie/Umfrage dazu, wieviele Menschen in Deutschland aktuell KI Systeme wirklich zur konkreten Jobsuche nutzen und wie sich diese Zahlen in den nächsten Jahren entwickeln.
Fragt man ChatGPT (5.2) heute danach erhält man folgende Rückmeldung:
"Es gibt zwar mehrere aktuelle Studien zur Nutzung von KI/ChatGPT in Deutschland, aber konkrete, repräsentative Zahlen darüber, wie viele Menschen KI-Tools speziell zum Suchen von Jobs oder nach guten Arbeitgebern nutzen, sind bislang nicht gesondert veröffentlicht worden."
personalmarketing2null
Moin Jasmin, danke für deinen Kommentar. Meinen Recherchen zufolge gibt es aktuell keine wirklich repräsentativen Daten, wer in Deutschland wirklich KI zur Jobsuche nutzt. Diese gibt es selbst im internationalen Kontext kaum. Ein paar Zahlen, die ich gefunden habe:
KI-Plattformen machen aktuell nur 0,15 % des globalen Internet-Traffics aus
Nur 6,9 % der Jobsuchenden in den USA nutzen generative KI-Plattformen wie ChatGPT, um nach Stellenangeboten zu suchen.
Zum Vergleich:
79,5 % nutzen allgemeine Jobbörsen, 54,9 % LinkedIn, 45 % Unternehmenswebseiten und 41,6 % klassische Suchmaschinen (iHire State of Online Recruiting 2025)
Moin! Ich bin Henner Knabenreich. Als Recruiting-Aktivist und Arbeitgebermarkenauftrittsoptimierer helfe ich Unternehmen, mit einer wertschätzenden und menschenzentrierten Ansprache passende Mitarbeiter zu finden. Mein Fokus: Karriereseiten, Stellenanzeigen und eine Bewerbungsarchitektur, die aus Interessenten Bewerber macht. Mein Wissen teile ich auch als Speaker, Personalmarketing-Coach, Berater und als Fachbuchautor der weltweit ersten Bücher über Karriereseiten und Google for Jobs. Ich hinterfrage den Status quo, lege gern den Finger in die Wunde und sage, was ich denke – und nicht, was alle hören wollen. Sie möchten mich für einen erfrischenden Vortrag buchen, eine wirklich funktionierende Karriereseite aufbauen, suchen einen Sparringspartner für Employer Branding oder wollen mit bewerberzentrierten Stellenanzeigen punkten? Dann kontaktieren Sie mich gern per E-Mail oder LinkedIn – ich freue mich auf Sie!
Jasmin
personalmarketing2null