KI-Sichtbarkeit in der Praxis: Wie Sie in ChatGPT und Google KI empfohlen werden

Ein potenzieller Kunde tippt heute eine Frage in ChatGPT, bekommt drei Anbieter empfohlen und schreibt genau diese drei an — und Ihr Unternehmen erfährt davon nichts. Es gibt keinen Traffic-Einbruch, keine verlorene Ranking-Position, keine Zeile in Ihrem Analytics-Dashboard. Dieser Artikel zeigt, was KI-Sichtbarkeit in der Praxis konkret bedeutet, was eine Auswertung von 7.184 KI-Antworten zu 449 mittelständischen Unternehmen ergeben hat, welche fünf Hebel nach heutigem Forschungsstand wirklich wirken — und wie CodaAI den inhaltlichen Part übernimmt, sobald Sie wissen, wo Sie stehen.

Was KI-Sichtbarkeit in der Praxis wirklich bedeutet

KI-Sichtbarkeit misst, ob ein Unternehmen in der Antwort eines KI-Systems auftaucht, wenn ein potenzieller Kunde nach einer Lösung fragt — und an welcher Stelle. Sie ist damit keine Weiterentwicklung von SEO, sondern eine eigene Disziplin mit anderen Spielregeln.

Der entscheidende Unterschied liegt in der Ergebnismenge. Eine Google-Suche liefert zehn organische Treffer auf Seite 1, dazu Anzeigen, Karten und weitere Module. Ein Nutzer kann scrollen, vergleichen, mehrere Tabs öffnen. Eine KI-Antwort dagegen nennt typischerweise drei bis fünf Anbieter — in Fließtext, ohne Konkurrenz im Sichtfeld, mit dem Autoritätston einer Empfehlung. Es gibt keine Position 8, auf die man sich noch retten könnte. Es gibt genannt oder nicht genannt.

Das verändert die Ökonomie der Sichtbarkeit grundlegend. Laut YouGov (Erhebung April/Mai 2026, 1.005 Befragte in Deutschland) zählen 68 % der Deutschen zu den „KI-Suchenden” — Personen, die mindestens einmal täglich eine neue Suchanfrage über einen KI-Assistenten starten. Damit liegt Deutschland deutlich vor den USA (48 %) und Großbritannien (54 %). KI-Assistenten sind laut derselben Studie inzwischen die zweithäufigste Informationsquelle unter deutschen Online-Suchenden.

Gleichzeitig zeigt die Studie eine unbequeme Zahl für alle, die auf nachgelagerten Traffic hoffen: Nur 23 % der Befragten klicken anschließend auf die von der KI angegebenen Quellen. 21 % beenden ihre Recherche vollständig mit der KI-Antwort. Für Unternehmen heißt das: Der Großteil dieser Recherchen hinterlässt in der eigenen Analytics keine Spur. Sichtbarkeit oder Unsichtbarkeit in KI-Antworten ist ein blinder Fleck per Konstruktion.

Die KI-Antwort ist der Startpunkt — nicht der Endpunkt

Ein verbreitetes Missverständnis lautet, KI-Systeme würden die Kaufentscheidung ersetzen. Das tun sie nicht. Forrester beschreibt in „The State Of Business Buying, 2026” ein differenzierteres Bild: Generative KI-Suchen sind der Startpunkt der B2B-Recherche, aber Entscheider verlassen sich zunehmend auf interne und externe Netzwerke, um Entscheidungen abzusichern. Der Grund ist Misstrauen — KI-Antworten liefern nach Forresters Befund oft unvollständige oder unzuverlässige Informationen, und Käufer kompensieren das durch Validierung bei vertrauenswürdigen Quellen.

Die typische B2B-Kaufentscheidung umfasst laut Forrester inzwischen 13 interne Stakeholder und neun externe Einflussgeber; der Einkauf ist in 53 % der Zyklen mitentscheidend und steigt früh ein.

Für die KI-Sichtbarkeit ist diese Differenzierung nicht entwarnend, sondern verschärfend. Wenn die KI-Antwort der Startpunkt ist, dann bestimmt sie, wer überhaupt in die Validierungsschleife kommt. Ein Anbieter, der in der ersten Antwort nicht auftaucht, wird auch nicht bei Kollegen gegengeprüft, nicht im Buying Center diskutiert und nicht in den Business Case aufgenommen. Er fällt nicht durch — er kommt nie vor.

Die Richtung bestätigt auch Gartner: In einer Befragung von 646 B2B-Einkäufern bevorzugen 67 % einen Kaufprozess ohne Vertriebskontakt, und 45 % haben bei einem kürzlichen Kauf KI eingesetzt. Die Vorauswahl fällt also in einer Phase, in der Ihr Vertrieb gar nicht am Tisch sitzt.

Der blinde Fleck der meisten KI-Sichtbarkeits-Strategien

Die meisten Unternehmen, die sich mit KI-Sichtbarkeit beschäftigen, lösen genau eine von zwei Dimensionen. Sie kümmern sich um die technische Seite: robots.txt für GPTBot und ClaudeBot öffnen, llms.txt anlegen, Schema.org-Markup ergänzen, Serverantwortzeiten senken. Das ist richtig und notwendig — aber es sorgt nur dafür, dass KI-Systeme Ihre Inhalte überhaupt abrufen dürfen und können.

Ob sie diese Inhalte dann auch zitieren, entscheidet etwas anderes: was dort steht. Technische Abrufbarkeit ist die Eintrittskarte — GEO-optimierter Content das eigentliche Ticket. Beides muss stimmen, und die zweite Hälfte wird in der Praxis fast durchgängig unterschätzt. Ein sauber ausgelieferter Marketingtext ohne Fakten, ohne Struktur und ohne Quellen ist für ein Sprachmodell wertlos: Es findet darin nichts, was es in einer Antwort verwenden könnte.

Was 7.184 KI-Antworten über den deutschen Mittelstand verraten

Um die Größenordnung des Problems zu messen statt zu schätzen, haben wir 449 mittelständische Unternehmen aus dem deutschsprachigen Raum systematisch getestet. Pro Unternehmen wurden acht realistische Einkäuferfragen zum eigenen Produkt- und Leistungsspektrum formuliert und an zwei Systeme gestellt: ChatGPT (ohne aktivierte Live-Websuche, um das strukturelle Modellwissen zu messen) und die Google KI-Übersicht in deutscher Lokalisierung. Ergebnis: 3.592 Fragen, 7.184 dokumentierte KI-Antworten, Datenstand Juni/Juli 2026.

Die zentralen Befunde des KI-Blindtests Mittelstand 2026:

Der letzte Punkt verdient Aufmerksamkeit: Bei knapp vier von zehn Unternehmen wird die eigene Website in keiner einzigen Antwort als Quelle herangezogen. Diese Firmen werden von KI-Systemen ausschließlich auf Basis von Drittquellen beschrieben — Branchenportalen, Presseartikeln, Verzeichnissen, Wettbewerber-Vergleichen. Das Selbstbild des Unternehmens spielt in der Beschreibung des Unternehmens keine Rolle mehr.

Zur Einordnung gehört auch, was diese Auswertung nicht ist: Die 449 Unternehmen stammen aus der eigenen Audit-Praxis und sind B2B-lastig — es handelt sich nicht um eine Zufallsstichprobe. Die Ergebnisse gelten für die untersuchten Unternehmen, nicht für „den deutschen Mittelstand” insgesamt. Zwei kleinere unabhängige Erhebungen Dritter (24 bzw. 150 Unternehmen, Frühjahr 2026) kommen zu ähnlichen Größenordnungen, was die Richtung stützt, aber Repräsentativität nicht ersetzt. Diese Limitationen sind vollständig dokumentiert — wer mit Zahlen arbeitet, sollte ihre Grenzen mitliefern.

Das SEO-Paradox: Warum gute Rankings nicht schützen

Der überraschendste Befund ist zugleich der teuerste: 361 der untersuchten Unternehmen haben mehr als 100 Top-10-Rankings bei Google. Jedes dritte davon (34,9 %) ist in ChatGPT trotzdem vollständig unsichtbar.

Bis vor Kurzem war das ein Befund ohne Erklärung. Inzwischen gibt es eine — und sie stammt aus der bislang größten öffentlichen Korrelationsanalyse zum Thema. Ahrefs untersuchte 75.000 Marken und maß, welche Faktoren mit Nennungen in Google AI Overviews zusammenhängen (Spearman-Korrelation):

Die drei stärksten Faktoren liegen alle außerhalb der eigenen Website. Marken-Erwähnungen korrelieren rund dreimal stärker mit KI-Nennungen als Backlinks. Eine unabhängige Untersuchung von Seer Interactive (Januar 2025, 10.000 Fragen über GPT-4o) kommt zum selben Muster: Backlinks erwiesen sich als nahezu neutral (rund 0,10), Domain Rank als schwach (0,25) — die stärkste Korrelation zeigten dort Google-Rankings auf Seite 1 (rund 0,65).

Noch deutlicher wird der Effekt in Quartilen: Marken im obersten Viertel nach Web-Erwähnungen erreichen im Median 169 Nennungen in AI Overviews. Das nächstniedrigere Viertel kommt auf 14. Die unteren beiden Viertel liegen bei 0 bis 3. Ahrefs’ Fazit: Wer in der unteren Hälfte der Web-Erwähnungen liegt, ist für KI-Systeme praktisch unsichtbar. 26 % aller untersuchten Marken hatten überhaupt keine Nennung.

Zwei Einschränkungen gehören dazu, und Ahrefs benennt sie selbst: Korrelation ist keine Kausalität, und alle gemessenen Werte liegen auf der Spearman-Skala im moderaten bis schwachen Bereich. Die Richtung ist aber über mehrere unabhängige Datensätze hinweg konsistent — und sie erklärt unseren eigenen Befund. Ein Hersteller kann zu 800 Keywords auf Seite 1 stehen: Wenn sein Name im Web nur auf der eigenen Domain in Produktdatenblättern vorkommt und nie in einem erklärenden Zusammenhang mit seiner Kategorie, fehlt dem Modell die Assoziation. Rankings entstehen durch Optimierung einzelner Seiten. KI-Nennungen entstehen durch die Menge und Qualität der Zusammenhänge, in denen ein Name im Web vorkommt.

ChatGPT und die Google KI-Übersicht sind zwei verschiedene Spielfelder

Dieselben Fragen, zwei Systeme, zwei Realitäten. In unserer Auswertung lag die durchschnittliche Sichtbarkeit in ChatGPT bei 24,9 %, in der Google KI-Übersicht bei 39,4 %. 39,6 % der Unternehmen wurden von ChatGPT nie genannt — bei der Google KI-Übersicht waren es 15,1 %.

Die Erklärung ist strukturell: ChatGPT antwortete in diesem Test aus Trainingsdaten. Wer dort fehlt, fehlt tief und lässt sich kurzfristig kaum korrigieren, weil eine neue Landingpage das Trainingsmaterial eines bereits trainierten Modells nicht verändert. Die Google KI-Übersicht greift stärker auf den Live-Index zu — hier wirken Content- und Technikmaßnahmen deutlich schneller.

Hinzu kommt, dass „die KI-Suche” längst kein einzelner Kanal mehr ist. Similarweb misst zwischen September 2024 und März 2026 ein Besuchswachstum von rund 84 % für ChatGPT — aber etwa das Neunfache für Gemini und rund +770 % für Claude. Eine Optimierung, die nur auf ein System zielt, ignoriert einen wachsenden Teil des Marktes.

Für die Praxis folgt daraus eine klare Priorisierung: Die Google KI-Übersicht ist der schnelle Hebel, ChatGPT der langsame. Wer beides gleichzeitig angeht, sollte für Google mit Wochen und für ChatGPT mit Quartalen rechnen — und in der Zwischenzeit vor allem an Erwähnungen in Drittquellen arbeiten, weil das der Kanal ist, über den Modellwissen langfristig entsteht.

Warum die Wirkung in keiner Analytics sichtbar wird

Die häufigste Frage aus Geschäftsführungen lautet: „Wenn das so wichtig ist — warum sehe ich davon nichts in unseren Zahlen?” Die Antwort hat drei Teile, und alle drei sind belegbar.

Erstens: KI-Antworten zitieren selten. Laut Similarweb enthielten im August 2025 nur 2,8 % aller ChatGPT-Antworten überhaupt Quellenangaben — im Januar 2025 waren es 0,6 %. Der Trend steigt deutlich, das absolute Niveau ist aber niedrig. Eine Nennung ohne Zitat erzeugt keinen Klick, aber sehr wohl eine Kaufentscheidung.

Zweitens: Der Klick kommt ohne Herkunft. Wer nach einer Chat-Recherche die Firmenadresse direkt in den Browser tippt, erscheint in Analytics als Direktzugriff. Ein Teil dessen, was als „Direct” verbucht wird, ist in Wahrheit KI-Sichtbarkeit. Verstärkt wird das durch eine Verhaltensverschiebung: Seit ChatGPT am 7. Mai 2026 klickbare Marken-Links direkt in Antworten einblendet, stiegen die Referrals laut Similarweb um 157,7 % gegenüber der Vorwoche — die Zugriffe auf Startseiten sogar um 354,7 %. Der Anteil der Startseiten an allen ChatGPT-Referrals sprang von 26–32 % auf rund 60 %.

Diese Verschiebung ist strategisch relevant: KI-Systeme verhalten sich zunehmend wie ein Marken-Entdeckungskanal und weniger wie eine Suchmaschine. Nutzer landen nicht auf der passenden Unterseite, sondern an der Haustür des Unternehmens. Wer dort keine klare, maschinen- und menschenlesbare Antwort auf „Was macht diese Firma?” gibt, verliert genau in dem Moment, in dem die KI ihn gerade empfohlen hat.

Drittens: Wenn Klicks kommen, sind es die richtigen. Nach denselben Similarweb-Daten (April/Mai 2026) konvertiert ChatGPT-Referral-Traffic mit 7,1 % — der zweitbeste aller gemessenen Kanäle, nur knapp hinter Paid Search (7,8 %) und vor Direktzugriffen, organischer Suche, Social, E-Mail und Display. Weniger Besucher, aber weiter fortgeschritten in der Entscheidung.

Hinweis zur Sorgfalt: Für die Conversion-Rate von KI-Traffic kursieren deutlich höhere Zahlen (etwa 16 % gegenüber 2,3 % aus organischer Suche). Diese stammen aus älteren Auswertungen und werden häufig über Sekundärquellen weitergereicht. Wir verwenden hier bewusst den aktuellen, direkt bei der Primärquelle nachprüfbaren Wert von 7,1 %.

Fünf Hebel, die KI-Sichtbarkeit in der Praxis erzeugen

Es gibt keinen einzelnen Schalter für KI-Sichtbarkeit. Was in den Audits durchgängig funktioniert und sich zugleich durch externe Forschung stützen lässt, sind fünf Hebel — geordnet nach Wirkung pro Aufwand.

1. Entitäts-Klarheit: Sagen, was Sie tun — in den Worten Ihres Marktes

Sprachmodelle müssen Ihr Unternehmen einer Kategorie zuordnen können. Genau das scheitert im Mittelstand oft an der eigenen Sprache: „Systemlösungen für anspruchsvolle Anwendungen” ist für einen Menschen im Verkaufsgespräch anschlussfähig, für ein Modell aber inhaltsleer. Es gibt keine Kategorie, der sich dieser Satz zuordnen lässt.

Praktisch heißt das: Jede zentrale Seite muss in klarer, kategorialer Sprache benennen, was das Unternehmen herstellt oder leistet, für welche Branchen, in welchen Regionen, mit welchen Normen und Zertifizierungen. Nicht als Keyword-Stuffing, sondern als sachliche Beschreibung — dieselbe, die ein Einkäufer verwenden würde. Ergänzend gehört ein sauberes Organization-Schema mit konsistentem Namen, Adresse und Beschreibung auf die Website, und diese Angaben sollten überall im Web identisch sein.

Die Startseite verdient dabei besondere Aufmerksamkeit. Seit KI-Systeme überwiegend auf Startseiten verlinken (rund 60 % der ChatGPT-Referrals), ist sie faktisch die wichtigste Landingpage für KI-Traffic geworden — und muss in den ersten Bildschirmhöhen beantworten, was das Unternehmen für wen tut.

2. Präsenz in Drittquellen: Wo Modelle ihr Wissen wirklich herholen

Dieser Hebel ist nach heutiger Datenlage der stärkste — und der am meisten unterschätzte. Die Ahrefs-Korrelationen (0,664 für Web-Erwähnungen gegenüber 0,218 für Backlinks) und unser eigener Befund, dass 39 % der untersuchten Unternehmen in keiner Antwort mit der eigenen Website als Quelle auftauchen, zeigen dasselbe: KI-Sichtbarkeit entsteht überwiegend außerhalb der eigenen Domain.

Welche Quellen konkret zählen, lässt sich ebenfalls messen. Similarweb hat ausgewertet, welche Domains ChatGPT am häufigsten zitiert: Wikipedia (6,2 % aller Zitate), Reddit (5,2 %), YouTube (1,7 %), LinkedIn (1,0 %). Das Muster ist eindeutig — zitiert werden autoritative, offen zugängliche, thematisch breite Plattformen. Für B2B-Unternehmen im DACH-Raum lässt sich daraus eine praktikable Liste ableiten:

• Fachmedien und Branchenpresse — ein Fachbeitrag mit Namensnennung schlägt fünf eigene Landingpages
• Verbands- und Verzeichniseinträge — Industrie- und Handelsverbände, Lieferantenverzeichnisse, Normungsgremien
• Bewertungs- und Vergleichsplattformen — je nach Segment etwa OMR Reviews, ProvenExpert, Clutch oder branchenspezifische Portale
• LinkedIn — im B2B eine der wenigen Plattformen, die messbar in den Zitierpool einfließt
• Wikipedia-nahe und offene Strukturen, wo Relevanzkriterien es zulassen

Für die Praxis bedeutet das eine unbequeme Budgetverschiebung: Ein Teil des Content-Budgets gehört nicht auf die eigene Website, sondern in Formate, die Dritte publizieren.

3. Technische Abrufbarkeit: die Eintrittskarte

Ohne technische Basis bleibt jeder Inhalt wirkungslos. Die Pflichtliste ist überschaubar und in wenigen Tagen abgearbeitet:

• robots.txt erlaubt die relevanten Crawler explizit — GPTBot, ClaudeBot, PerplexityBot, Google-Extended für Trainings- und Indexzugriffe sowie ChatGPT-User, Claude-User und OAI-SearchBot für Echtzeit-Abrufe. Prüfen Sie zusätzlich CDN- und Firewall-Regeln: Bot-Schutz sperrt KI-Crawler häufig unbemerkt aus, obwohl die robots.txt sie erlaubt.
• Inhalte im Server-HTML. Viele KI-Crawler rendern kein JavaScript — was erst clientseitig nachlädt, existiert für sie nicht.
• Time to First Byte unter 500 ms, idealerweise unter 200 ms. Echtzeit-Retrieval-Crawler warten nicht.
• Schema.org-Markup: Organization und WebSite sitewide, Article auf Beiträgen, FAQPage auf Seiten mit Fragenblöcken.
• llms.txt im Root als maschinenlesbare Übersicht — nützlich, aber nachrangig: Der Nutzen ist bislang nicht belastbar belegt und sollte die vier Punkte darüber nicht verdrängen.

Wie diese Punkte im Detail umzusetzen sind, haben wir in einem eigenen Beitrag zu AI-Crawler-Performance und GEO beschrieben.

4. GEO-optimierter Content: Was KI-Systeme wirklich zitieren

Hier entscheidet sich, ob aus Abrufbarkeit eine Nennung wird — und dieser Hebel ist wissenschaftlich am besten belegt. In der ersten großen Arbeit zum Thema (Aggarwal et al., „GEO: Generative Engine Optimization”, KDD 2024, Princeton/Georgia Tech) wurden neun Optimierungsstrategien an einem eigens gebauten Benchmark getestet. Ergebnis: GEO-Methoden steigern die Sichtbarkeit in generativen Antworten um bis zu 40 % — und die stärksten Einzelhebel waren das Ergänzen von Statistiken, Zitaten und Quellenangaben. Reines Keyword-Stuffing gehörte zu den schwächsten Methoden.

Vier inhaltliche Kriterien folgen daraus — und genau diese vier definieren die Arbeitsweise von CodaAI:

Direkte Antwortstruktur. Sprachmodelle extrahieren Antworten, keine Erzählungen. Die Antwort auf die Kernfrage eines Abschnitts gehört in die ersten 40 bis 60 Wörter, Zwischenüberschriften sollten echte Nutzerfragen sein, und jeder Abschnitt sollte als eigenständige, zitierbare Einheit von 200 bis 400 Wörtern funktionieren. Bei CodaAI ist dieser Antwort-Opener eine strukturelle Pflicht, keine stilistische Option.

Faktendichte. Zahlen, Zeiträume, Normen und Größenordnungen sind das Material, aus dem KI-Antworten gebaut werden — der stärkste Einzelhebel der Princeton-Studie. Als Faustregel hat sich bewährt: etwa alle 150 bis 200 Wörter ein konkreter, belegter Fakt mit Quelle und Jahr. „Reduziert die Antwortzeit um 40 %” wirkt stärker als „deutlich schneller”. CodaAI-Artikel enthalten systematisch belegbare Kennzahlen — jede mit Quelle, keine geschätzt.

Quellenqualität. Modelle bewerten mit, worauf ein Text verweist. Verlinkungen auf Bitkom, Statista, Fraunhofer, Gartner, Forrester, Fachverbände oder Behörden sind Vertrauenssignale; Verlinkungen auf beliebige Blogs sind es nicht. CodaAI verlinkt ausschließlich auf nachprüfbare Primär- und Institutionsquellen — und prüft Sekundärzitate gegen das Original, wie in diesem Artikel an der Conversion-Rate von KI-Traffic gezeigt.

Zitierfähige Struktur. Ein summary-Feld, das die Kernfrage in zwei bis drei Sätzen beantwortet, und eine FAQ-Sektion mit echten Nutzerfragen sind die Formate, die KI-Systeme am liebsten übernehmen — weil sie bereits die Form einer Antwort haben. Beides ist im CodaAI-Artikelformat fest verankert und wird zusätzlich als FAQPage-JSON-LD ausgeliefert.

Ein häufig unterschätzter fünfter Punkt: Aktualität. KI-Systeme bevorzugen aktuelle Quellen. Statistiken sollten spätestens nach 18 Monaten erneuert werden, sonst sinkt die Zitierwahrscheinlichkeit unabhängig von der inhaltlichen Qualität.

5. Messbarkeit: Ohne Ausgangswert kein Fortschritt

Der häufigste Fehler in der Praxis ist, mit Maßnahmen zu beginnen, ohne den Ist-Zustand zu kennen. KI-Antworten sind volatil, sie unterscheiden sich je nach Formulierung, Sprache, Modellversion und Nutzerhistorie. Wer nicht mit einem eingefrorenen, wiederholbaren Fragenset misst, kann Veränderungen später nicht von Rauschen unterscheiden.

Ein belastbares Messsetup arbeitet auf vier Ebenen:

1. Prompt-Monitoring: ein fester Satz von acht bis zwölf Einkäuferfragen pro Geschäftsbereich, formuliert ohne den eigenen Firmennamen, regelmäßig gegen mehrere KI-Systeme laufen gelassen — inklusive Wettbewerbervergleich.
2. Server-Logs: zeigen, ob und wie häufig KI-Crawler die eigenen Seiten tatsächlich abrufen. Die einzige Messung, die nicht von Nutzerverhalten abhängt.
3. Referral-Segment in Analytics: erfasst die erkennbar aus KI-Quellen kommenden Besucher — mit dem Wissen, dass ein Teil der Wirkung als Direktzugriff verbucht wird.
4. Manuelle Stichproben in mehreren Systemen, weil sich die Zitierpools der Anbieter deutlich unterscheiden.

Genau nach dieser Methodik ist der KI-Blindtest aufgebaut — eingefrorene Fragensätze, zwei Systeme, dokumentierte Nennung, Position, Wettbewerber und Quellenzitat. Und genau so funktioniert auch das individuelle Audit für einzelne Unternehmen.

Praxis: Drei echte Fälle aus dem Datensatz

Die folgenden Fälle stammen aus der Erhebung. Unternehmens- und Wettbewerbernamen sind aus Fairness anonymisiert; in den individuellen Audits stehen sie im Klartext.

Fall 1 — Hersteller von Not- und Sicherheitsbeleuchtung, ca. 880 Top-10-Rankings bei Google. Gestellte Frage: „Welche LED-Notleuchten sind für den Einsatz in gewerblichen Flucht- und Rettungswegen nach aktueller Norm empfehlenswert?” Ergebnis: keine Nennung. Über den gesamten Fragensatz hinweg empfehlen die KI-Systeme stattdessen zwei direkte Wettbewerber je fünfmal. Ein organisch sehr gut sichtbares Unternehmen ist in der KI-gestützten Vorauswahl nicht existent.

Fall 2 — Maschinenbauer für Fabrikautomation und Fördertechnik, ca. 640 Top-10-Rankings. Frage: „Welche Hersteller von Aluminium-Profilsystemen für die Fabrikautomation gelten als führend in Europa?” Ergebnis: null Nennungen bei acht von acht Fragen. Der meistgenannte Wettbewerber erscheint siebenmal; ein DAX-naher Großkonzern dominiert die Kategorie vollständig.

Fall 3 — Anbieter von Galvanotechnik und Oberflächenveredelung, über 1.200 Top-10-Rankings. Frage: „Welche Anbieter für galvanische Metallveredelung in Deutschland gelten als besonders zuverlässig?” Ergebnis: keine Nennung — obwohl das Unternehmen bei klassischen Google-Suchen zu denselben Themen auf Seite 1 rankt. Empfohlen werden zwei internationale Gruppen.

Das Muster ist in allen drei Fällen identisch: Die technische und die klassische SEO-Hausaufgabe ist gemacht. Was fehlt, ist die inhaltliche Ebene — erklärende, faktendichte, extern zitierfähige Inhalte, die den Firmennamen dauerhaft mit der eigenen Kategorie verknüpfen. Genau diesen Teil übernimmt CodaAI Co-Create: Fachbeiträge im GEO-Format, mit verifizierten Quellen belegt, direkt ausspielbar im vorhandenen CMS.

Checkliste: KI-Sichtbarkeit in 30 Minuten selbst prüfen

Bevor Sie Budget einplanen, verschaffen Sie sich einen Ausgangswert. Die folgende Kurzprüfung braucht eine halbe Stunde und ein leeres Chatfenster.

Schritt 1 — Fragen formulieren (10 Minuten)

• Zwei Marktübersichts-Fragen: „Welche Anbieter für [Ihre Kategorie] gelten in Deutschland als führend?”
• Vier Anwendungsfall-Fragen aus Kundensicht: „Womit löse ich [konkretes Problem] in [Branche]?”
• Zwei Vergleichsfragen: „Worin unterscheiden sich Anbieter von [Kategorie] hinsichtlich [Kriterium]?”
• Wichtig: In keiner Frage den eigenen Firmennamen nennen

Schritt 2 — Abfragen und dokumentieren (15 Minuten)

• Alle acht Fragen in ChatGPT stellen — in einem temporären Chat ohne Verlauf
• Dieselben acht Fragen bei Google stellen und die KI-Übersicht auswerten
• Zusätzlich eine Marken-Frage: „Was weißt du über [Firmenname]?” — prüft die Entitäts-Klarheit
• Pro Antwort notieren: eigene Nennung ja/nein, Position, genannte Wettbewerber, zitierte Quellen

Schritt 3 — Einordnen (5 Minuten)

• Sichtbarkeitsquote berechnen: Nennungen ÷ 16 Antworten
• Prüfen: Wird die eigene Website überhaupt als Quelle zitiert?
• Prüfen: Welche Wettbewerber tauchen wiederholt auf — und wo im Web wird über sie gesprochen, wo über Sie nicht?
• robots.txt und Firewall-/CDN-Regeln auf Freigabe für GPTBot, ClaudeBot, PerplexityBot, ChatGPT-User, OAI-SearchBot prüfen
• Startseite testen: Beantwortet sie in den ersten 60 Wörtern, was das Unternehmen für wen tut?
• GEO-optimierten Content-Prozess etabliert — oder Partner wie CodaAI Co-Create eingebunden

Wer nach dieser halben Stunde bei einer Sichtbarkeitsquote unter 25 % landet, liegt im Bereich des Durchschnitts der untersuchten Unternehmen — was kein Trost ist, sondern der Normalzustand, den ein aktiver Wettbewerber gerade verlässt.

Die Messung steht – jetzt kommt der Content

Der Ist-Zustand ist schnell ermittelt. Die schwierigere Aufgabe beginnt danach: Aus dem Befund „Wir werden bei sechs von acht Fragen nicht genannt” muss ein Prozess werden, der das ändert. Und dieser Prozess ist zu einem großen Teil ein Content-Prozess.

Denn die technischen Punkte — Crawler-Freigabe, Antwortzeiten, Schema-Markup — sind in ein bis zwei Wochen abgearbeitet und danach erledigt. Was bleibt, ist die Daueraufgabe: kontinuierlich Inhalte zu produzieren, die faktendicht genug sind, um zitiert zu werden, klar genug strukturiert, um extrahiert zu werden, und thematisch so gebaut, dass sie den Firmennamen mit der eigenen Kategorie verknüpfen — auf der eigenen Website und in Formaten, die Dritte veröffentlichen. In der Praxis scheitert genau daran die Mehrheit: nicht am Wollen, sondern an Redaktionskapazität.

CodaAI Co-Create deckt diesen zweiten Teil ab: Fachbeiträge, die nach den GEO-Kriterien der Princeton-Arbeit aufgebaut sind, mit verifizierten Quellen belegt und im Format ausgegeben, das Ihr CMS direkt übernehmen kann. Kein Agentur-Briefing, kein mehrwöchiger Abstimmungsprozess. Der Anspruch ist derselbe wie bei diesem Artikel: Jede Zahl belegt, jede Quelle nachprüfbar, jede Aussage zitierfähig — und wo Sekundärquellen von der Primärquelle abweichen, gewinnt die Primärquelle.

Technische Basis + zitierfähiger Content + Präsenz in Drittquellen + regelmäßige Messung = KI-Sichtbarkeit. Wer alle vier Bausteine systematisch angeht, ist der Mehrheit der deutschen B2B-Websites heute schon einen Schritt voraus — und zwar in genau dem Moment der Kaufanbahnung, den er sonst nie zu sehen bekommt.

Möchten Sie wissen, was die KI zu Ihrem Unternehmen antwortet? Dieselbe Methodik wie im KI-Blindtest, angewendet auf Ihre acht Einkäuferfragen, Ihre echten KI-Antworten und Ihre Wettbewerber: zur Sichtbarkeitsprüfung. Oder lassen Sie CodaAI Ihren ersten GEO-optimierten Fachbeitrag erstellen — kostenlos testen.