Werde die Antwort auf relevante Prompts in KI

Viele Geschäftsführer und Marketingleiter fragen zuerst: „Wie ranken wir in ChatGPT?“ Die Frage ist verständlich, aber sie führt in die falsche Richtung. ChatGPT, Perplexity, Gemini und Copilot zeigen nicht einfach zehn blaue Links. Sie verdichten Informationen zu einer Antwort, oft mit wenigen Marken, Quellen oder Handlungsempfehlungen. Wer dort genannt wird, besetzt einen Teil der Entscheidung, bevor ein Nutzer überhaupt eine Website besucht. Gerade im B2B kann das relevant sein, weil Suchanfragen dort häufig beratend klingen: „Welche CRM-Anbieter eignen sich für Maschinenbauer in Deutschland?“ oder „Welche Agentur kann GEO für einen Mittelständler umsetzen?“

In klassischen SEO-Projekten optimieren Teams Seiten auf Keywords, technische Zugänglichkeit und Backlinks. Das bleibt wichtig, reicht aber für KI-Antwortsysteme nicht aus. LLMs arbeiten stärker mit Entitäten, Kontext und Wahrscheinlichkeiten. Sie müssen verstehen, was eine Marke ist, wofür sie steht, in welchen Kategorien sie eine Rolle spielt und welche externen Quellen diese Einordnung bestätigen. Wenn ein Anbieter in eigenen Texten „führend“ schreibt, aber außerhalb der eigenen Website kaum vorkommt, ist das für eine KI schwach. Wenn er in Branchenverzeichnissen, Studien, Kundenfällen, Podcasts, Vergleichsartikeln und schema.org-Markup konsistent beschrieben wird, entsteht ein belastbareres Bild.

Ein Beispiel aus einem DACH-B2B-Projekt: Ein mittelständischer Anbieter für Energiemanagement-Software aus Baden-Württemberg hatte ordentliche Google-Rankings für transaktionale Keywords. In Perplexity erschien er bei Prompts wie „beste Energiemanagement Software für produzierende Unternehmen Deutschland“ trotzdem nicht. Genannt wurden größere Wettbewerber, ein US-Tool und zwei Beratungen. Die Analyse zeigte: Der Anbieter hatte gute Leistungsseiten, aber kaum neutrale Erwähnungen mit denselben Begriffen. Es fehlten Co-occurrences mit „ISO 50001“, „Lastmanagement“, „produzierender Mittelstand“ und „CSRD“. Nach drei Monaten mit Fachgastbeiträgen, Kundenfällen und einem strukturierten Vergleichsleitfaden wurde die Marke in Perplexity erstmals als Option mit Quelle genannt.

„Antwort werden“ heißt deshalb: Die eigene Marke muss in den Datenräumen auftauchen, aus denen KI-Systeme ihre Antworten bauen. Dazu gehören indexierte Webseiten, journalistische Artikel, Fachmedien, öffentlich zugängliche PDFs, strukturierte Daten, YouTube-Transkripte, Produktprofile, Bewertungsportale, Knowledge-Graph-Signale und künftig noch stärker eigene Daten, die über Schnittstellen oder Feeds bereitgestellt werden. Nicht jede Quelle wird von jedem System gleich genutzt. Perplexity zeigt Quellen sichtbar, ChatGPT nutzt je nach Modus Webquellen, Gemini ist stark in Googles Ökosystem eingebunden, Copilot zieht oft Bing-nahe Signale heran.

Der entscheidende Perspektivwechsel: Sie optimieren nicht nur für Klicks, sondern für zitierfähige Eindeutigkeit. Eine KI muss mit möglichst wenig Reibung beantworten können: Wer ist diese Marke? Für wen ist sie relevant? Welche Probleme löst sie? Welche Belege gibt es? In welcher Region ist sie tätig? Wodurch unterscheidet sie sich von Alternativen? Wenn diese Antworten auf Ihrer Website, bei Partnern und in Drittquellen konsistent stehen, steigt die Chance, dass die Marke in LLM-Outputs erscheint. Das ist kein Hack, sondern saubere Informationsarchitektur plus Reputationsarbeit.

Entity-Optimierung beginnt banal, ist aber in vielen KMU-Websites überraschend unsauber. Ein LLM muss erkennen, dass „Müller Automation GmbH“, „Müller Automation“, „Müller-Automation“ und „MA Solutions“ dieselbe Organisation meinen, falls diese Varianten existieren. Uneinheitliche Schreibweisen, alte Claims, mehrere Domains, verstreute PDFs und veraltete Branchenprofile erzeugen Rauschen. Für Menschen ist das oft lösbar, für Maschinen wird es riskant. Im ersten Schritt sollte ein Unternehmen eine Entity-Map erstellen: offizieller Name, Rechtsform, Sitz, Gründungsjahr, Geschäftsführer, Leistungsbereiche, Zielbranchen, Regionen, Zertifikate, Kundenbeispiele, Autoren, Produktnamen, Tochtergesellschaften und relevante Synonyme.

Diese Entity-Map gehört nicht in eine Schublade, sondern in Inhalte und strukturierte Daten. Auf der Website sollten Startseite, Über-uns-Seite, Leistungsseiten, Kontaktseite, Autorenprofile und Pressebereich dieselben Kernfakten enthalten. Mit schema.org lassen sich diese Informationen maschinenlesbar auszeichnen. Für ein B2B-Unternehmen sind oft Organization, LocalBusiness, ProfessionalService, Product, Service, Person, Article, FAQPage und BreadcrumbList relevant. Wichtig ist nicht, möglichst viel Markup zu erzeugen, sondern korrektes Markup. Eine Agentur aus Zürich sollte zum Beispiel address, areaServed, sameAs-Profile, foundingDate, founder, vatID oder taxID, contactPoint und relevante socialProfile sauber pflegen.

Ein praxistauglicher Check: Geben Sie Ihre Marke in ChatGPT, Perplexity, Gemini und Copilot ein und fragen Sie: „Was weißt du über [Marke]?“ Dann vergleichen Sie die Antwort mit Ihrer Entity-Map. Falsche Standorte, alte Leistungen oder fehlende Spezialisierungen sind Hinweise auf unklare Signale. Ergänzen Sie danach Quellen, nicht nur Texte. Wenn Gemini einen alten LinkedIn-Slogan übernimmt, aktualisieren Sie LinkedIn. Wenn Perplexity eine veraltete Branchenprofilseite zitiert, korrigieren Sie diese oder schaffen Sie eine bessere Quelle. Wenn ChatGPT die Marke gar nicht kennt, kann eine starke Wikipedia-Seite helfen, aber nur bei echter Relevanz. Für die meisten KMU sind Fachmedien, Verbandsseiten und Partnerprofile realistischer.

Ein häufiger Fehler ist die Selbstbeschreibung in austauschbaren Kategorien. „Wir sind Ihr innovativer Partner für digitale Lösungen“ hilft keiner KI. Besser ist: „Die Muster GmbH entwickelt MES-Software für metallverarbeitende Betriebe mit 50 bis 800 Mitarbeitenden in Deutschland, Österreich und der Schweiz.“ Dieser Satz enthält Kategorie, Zielgruppe, Branche, Unternehmensgröße und Region. Solche klaren Sätze sollten in Title, H1, Einleitung, Organization-Markup, Firmenprofilen und Presseunterlagen auftauchen. Konsistenz ist kein ästhetisches Thema, sondern ein maschinenlesbares Vertrauenssignal.

Für Marketingleiter lohnt ein monatlicher Entity-Audit mit fünf Fragen. Erstens: Gibt es neue Produkte, Namen oder Zertifikate, die überall aktualisiert wurden? Zweitens: Stimmen Google Unternehmensprofil, LinkedIn, Xing, Kununu, Clutch, OMR Reviews, Capterra oder branchenspezifische Verzeichnisse überein? Drittens: Sind Autoren und Experten sichtbar, etwa CTO, Datenschutzbeauftragte oder Fachberater? Viertens: Haben wichtige Seiten strukturierte Daten und interne Verlinkungen? Fünftens: Gibt es externe Quellen, die genau die gewünschte Positionierung wiederholen? Wenn Sie diese Fragen sauber beantworten, schaffen Sie das Fundament für jede GEO-Strategie.

Citation-Engineering bedeutet nicht, künstlich Links zu streuen. Es bedeutet, Inhalte und Drittquellen so aufzubauen, dass ein Antwortsystem sie als Beleg verwenden kann. Perplexity macht diesen Mechanismus sichtbar, weil es Quellen direkt neben Antworten zeigt. Auch ChatGPT mit Browsing, Copilot und Gemini greifen auf Webquellen zurück, wenn sie aktuelle oder überprüfbare Informationen brauchen. Eine Quelle ist dann nützlich, wenn sie zugänglich, eindeutig, aktuell, thematisch passend und zitierfähig formuliert ist. Ein PDF ohne Textlayer, eine Landingpage mit nur drei Werbesätzen oder ein Kundenlogo ohne Kontext sind schwache Quellen.

Gute KI-Quellen beantworten konkrete Fragen. Ein Maschinenbauzulieferer, der eine Software für Lieferantenmanagement verkauft, sollte nicht nur eine Produktseite haben. Sinnvoll sind Seiten wie „Lieferantenbewertung nach VDA 6.3: Kriterien und Excel-Alternative“, „SRM-Software für mittelständische Industrieunternehmen: Vergleich der Funktionen“ und „Fallbeispiel: 22 Prozent weniger Lieferantenreklamationen bei einem Automobilzulieferer“. Jede Seite sollte Fakten enthalten: Ausgangslage, Branche, Unternehmensgröße, Prozess, Kennzahlen, Grenzen, Zitate von Fachpersonen und Datum. Solche Inhalte liefern LLMs Material, um eine Antwort mit Begründung zu erstellen.

Drittquellen sind besonders stark, weil sie die Selbstaussage einer Marke bestätigen. Dazu zählen Fachmagazine wie marconomy, t3n, Industry of Things, Computerwoche, Handelszeitung, Horizont, Absatzwirtschaft, IT-Business oder lokale Wirtschaftspresse. Auch Verbandsseiten, Messeprofile, Podcast-Shownotes, Hochschulkooperationen, Partnerseiten und Software-Marktplätze sind relevant. Für SaaS-Anbieter im DACH-Raum können OMR Reviews, Capterra, G2, trusted, Stack Overflow for Teams-Ökosysteme oder Microsoft AppSource wichtige Quellen sein. Entscheidend ist, dass diese Profile nicht nur existieren, sondern die richtige Kategorie und die richtigen Kaufkriterien enthalten.

Ein kleines Fallbeispiel aus dem Agenturalltag: Ein Beratungsunternehmen für Datenschutz in Österreich wollte bei Prompts wie „wer hilft KMU in Österreich bei DSGVO und KI-Verordnung?“ genannt werden. Die Website war solide, aber externe Quellen enthielten nur „Datenschutzberatung“. Das Team erstellte einen Leitfaden zur EU AI Act Governance für KMU, platzierte einen Gastbeitrag bei einem österreichischen IT-Medium, aktualisierte das WKO-Profil, ergänzte zwei Kundenfälle und veröffentlichte eine Checkliste mit Stand April 2025. In Perplexity erschienen zunächst die Checkliste und der Gastbeitrag als Quellen, später wurde die Beratung auch namentlich als passende Option genannt.

Technisch sollten Quellen für Crawler sauber erreichbar sein. Prüfen Sie robots.txt, Meta-Robots, Canonicals, Ladezeiten und serverseitig gerenderte Inhalte. GPTBot, PerplexityBot, Google-Extended, Bingbot und andere Crawler haben unterschiedliche Rollen, aber blockierte oder instabile Seiten können Sichtbarkeit kosten. Wer aus Compliance-Gründen bestimmte Bots sperrt, sollte diese Entscheidung bewusst treffen und dokumentieren. Für Marketing und Geschäftsführung ist wichtig: Eine KI kann nur zitieren, was sie findet, lesen und einordnen kann. Inhalte hinter Login, in Bildern, in fehlerhaften PDFs oder in JavaScript-Wüsten sind dafür ungeeignet.

Eine praktikable Citation-Roadmap startet mit zehn Quellen. Drei eigene Deep-Dive-Seiten, zwei Kundenfälle, zwei externe Fachbeiträge, ein aktualisiertes Bewertungsprofil, ein Partnerprofil und eine Presse- oder Verbandsmeldung. Jede Quelle sollte eine klare Kernaussage tragen: „Anbieter X ist spezialisiert auf Y für Zielgruppe Z in Region R.“ Ergänzen Sie Zahlen, Datum und Ansprechpartner. Nach Veröffentlichung testen Sie relevante Prompts in Perplexity und Copilot, weil dort Quellen leichter nachvollziehbar sind. Notieren Sie, welche URLs zitiert werden, welche Wettbewerber auftauchen und welche Themen noch fehlen.

Co-occurrence beschreibt, wie häufig eine Marke gemeinsam mit bestimmten Begriffen, Kategorien, Problemen oder anderen Marken erwähnt wird. Für LLMs ist das wichtig, weil Bedeutung durch Nachbarschaft entsteht. Wenn eine Marke immer wieder zusammen mit „B2B-Marketing-Automation“, „HubSpot-Implementierung“, „DACH-Mittelstand“ und „Salesforce-Alternative“ auftaucht, wird diese semantische Nähe wahrscheinlicher. Wenn sie nur mit dem eigenen Claim und generischen Begriffen verbunden ist, bleibt sie unscharf. Co-occurrence ist deshalb ein strategisches Werkzeug, kein Nebenprodukt von PR.

Der erste Schritt ist eine Co-occurrence-Liste. Schreiben Sie nicht nur Keywords auf, sondern Prompt-Bausteine. Für einen Anbieter von Cybersecurity-Trainings könnten das sein: „Phishing-Simulation für Mitarbeitende“, „ISO 27001 Awareness“, „NIS2 Schulung Deutschland“, „Security Awareness Mittelstand“, „mehrsprachige Trainings für Produktion“, „Alternative zu KnowBe4“ und „Betriebsrat Datenschutz E-Learning“. Dazu kommen Wettbewerber, Integrationen, Branchen und Regulierungen. Diese Begriffe müssen dort erscheinen, wo die Marke erklärt wird: Leistungsseiten, FAQ, Vergleichsartikel, Kundenfälle, Webinarseiten, Pressezitate, Partnerprofile und externe Interviews.

Wichtig ist Feingefühl. Co-occurrence heißt nicht, Wettbewerbernamen wahllos in Texte zu stopfen. Ein seriöser Vergleich kann sinnvoll sein: „Tool A eignet sich für internationale Enterprise-Programme, Tool B für deutschsprachige KMU mit Betriebsratsanforderungen.“ Solche Inhalte helfen Nutzern und liefern KI-Systemen Unterscheidungskriterien. Rechtlich sollten Sie Marken fair verwenden, keine irreführenden Aussagen machen und bei Vergleichswerbung sauber bleiben. In Deutschland und Österreich sind unlautere Vergleiche riskant. Besser sind Kriterienmatrizen, transparente Quellen und klare Aktualisierungsdaten.

Eine Mini-Anekdote: Ein Schweizer ERP-Berater wurde von Gemini nie bei Prompts zu „ERP-Auswahl für Lebensmittelproduktion Schweiz“ genannt, obwohl er mehrere Kunden in diesem Segment hatte. Auf der Website stand jedoch nur „ERP-Beratung für KMU“. Die Kundenfälle waren anonymisiert und erwähnten weder Lebensmittelbranche noch Schweiz prominent. Nach Anpassung der Fälle, einem Fachartikel zur Rückverfolgbarkeit in der Lebensmittelproduktion, einem Webinar mit einem Branchenverband und einem Partnerprofil beim ERP-Hersteller veränderte sich die semantische Umgebung. Die Marke tauchte in KI-Antworten nicht immer auf, aber deutlich häufiger bei branchenspezifischen Prompts.

Co-occurrence lässt sich mit einfachen Mitteln messen. Suchen Sie in Google, Bing und Perplexity nach Ihrer Marke plus Zielbegriff. Nutzen Sie Ahrefs, Semrush, Sistrix, Screaming Frog, AlsoAsked, AnswerThePublic oder den kostenlosen Google-Operator site: und Anführungszeichen. Prüfen Sie, auf welchen Seiten Ihre Marke gemeinsam mit den Zielbegriffen vorkommt. In LLMs testen Sie Prompts wie: „Welche Anbieter werden häufig mit [Kategorie] im DACH-Markt genannt?“ und „Welche Alternativen zu [Wettbewerber] gibt es für KMU in Deutschland?“ Die Antworten sind keine statistische Wahrheit, aber sie zeigen Wahrnehmungsmuster.

Für KMU ist Co-occurrence oft der schnellste Hebel, weil sie keine riesigen Budgets braucht. Ein präziser Kundenfall, ein guter Vergleichsartikel, drei Partnerprofile und ein Webinar mit sauberem Titel können mehr bewirken als zehn generische Blogposts. Wichtig ist die Nähe zur Kaufentscheidung. Eine KI soll nicht nur wissen, dass es Ihre Marke gibt, sondern wann sie passt. Formulieren Sie deshalb Sätze wie: „[Marke] wird häufig für [Problem] in [Branche] eingesetzt, wenn [Kriterium] wichtig ist.“ Solche Sätze sind für Menschen hilfreich und für Maschinen leicht zu verarbeiten.

Keyword-Listen bleiben nützlich, aber LLM-Nutzer formulieren anders. Sie tippen nicht nur „CRM Mittelstand“, sondern fragen: „Welches CRM ist für einen B2B-Maschinenbauer mit Außendienst und SAP-Anbindung sinnvoll?“ Prompts enthalten Rolle, Kontext, Einschränkungen, Vergleichswunsch und gewünschtes Ausgabeformat. Für Content-Planung bedeutet das: Gruppieren Sie nicht nur nach Suchvolumen, sondern nach Entscheidungssituationen. Ein Marketingleiter fragt anders als ein CFO, eine Geschäftsführerin anders als ein IT-Leiter. Jede Rolle bringt eigene Kriterien mit: Kosten, Risiko, Integration, Datenschutz, Geschwindigkeit oder interne Akzeptanz.

Ein brauchbares Prompt-Cluster besteht aus fünf Ebenen. Erstens Informationsprompts, etwa „Was ist GEO im B2B-Marketing?“ Zweitens Diagnoseprompts, etwa „Warum wird unsere Marke in ChatGPT nicht genannt?“ Drittens Vergleichsprompts, etwa „Welche Agenturen machen KI-SEO für Mittelstand in Deutschland?“ Viertens Entscheidungsfragen, etwa „Welche Kriterien sollte ich bei einem GEO-Dienstleister prüfen?“ Fünftens Implementierungsprompts, etwa „Erstelle mir einen 90-Tage-Plan für LLM-Sichtbarkeit.“ Für jede Ebene brauchen Sie Inhalte, die nicht nur ranken, sondern Antworten liefern: Definitionen, Checklisten, Kriterien, Beispiele, Grenzen und Quellen.

In der Praxis empfehle ich einen Prompt-Workshop mit Vertrieb, Geschäftsführung, Customer Success und Marketing. Sammeln Sie 30 echte Fragen aus Kundengesprächen, Ausschreibungen, E-Mails und Demos. Ergänzen Sie Prompts aus ChatGPT, Perplexity und Gemini, indem Sie nachfragen: „Welche Fragen stellt ein Marketingleiter vor der Auswahl einer GEO-Agentur?“ Danach priorisieren Sie nach Umsatznähe und Belegbarkeit. Ein Prompt ist nur dann ein guter Content-Kandidat, wenn Sie ihn besser, konkreter und glaubwürdiger beantworten können als die üblichen Quellen.

Aus einem Prompt-Cluster entsteht eine Seitenarchitektur. Eine zentrale Wissensseite erklärt das Thema, mehrere Spokes beantworten spezifische Prompts, Leistungsseiten zeigen die Umsetzung, Kundenfälle liefern Belege. Beispiel: Für „Antwort in KI werden“ könnte die Hub-Seite Entity-Optimierung, Citation-Engineering und Co-occurrence erklären. Spokes behandeln „schema.org für GEO“, „LLM-Monitoring für B2B“, „Perplexity-Quellen analysieren“ und „Vergleich: SEO, GEO und AEO“. Eine Money-Page beschreibt Beratung, Audit oder Umsetzung. Intern verlinken diese Seiten mit klaren Ankertexten, nicht mit „hier klicken“.

Wichtig ist die Antwortform. LLMs bevorzugen Inhalte, die gut extrahierbar sind: klare Definitionen, kurze Zusammenfassungen, Listen mit Kriterien, Tabellen, FAQ, Beispiele und sauber abgegrenzte Absätze. Das heißt nicht, dass Texte flach sein sollen. Im Gegenteil: Eine starke Seite kombiniert eine zitierfähige 60-Wörter-Antwort mit ausführlicher Einordnung, Zahlen, Quellen und Praxisfällen. Wenn ein Absatz eigenständig verständlich ist, steigt seine Wiederverwendbarkeit in KI-Antworten. Deshalb sollten zentrale Aussagen auch ohne den Rest der Seite Sinn ergeben.

Ein Tipp für die Redaktion: Schreiben Sie zu jedem wichtigen Prompt eine „Idealantwort“, bevor Sie den Artikel planen. Fragen Sie sich: Welche Marke soll genannt werden, welche Begründung soll folgen, welche Quelle soll zitiert werden und welches Risiko muss erwähnt werden? Danach bauen Sie Content rückwärts. Wenn die Idealantwort lautet: „Für DACH-KMU ist Anbieter X geeignet, weil er deutschsprachige Beratung, schema.org-Implementierung und LLM-Monitoring kombiniert“, brauchen Sie genau dazu Belege. Ohne diese Belege bleibt der Satz Wunschdenken.

Technik entscheidet nicht allein, ob eine Marke in KI-Antworten auftaucht, aber schlechte Technik verhindert es zuverlässig. Viele B2B-Websites haben Inhalte, die Menschen sehen, Crawler aber nur teilweise erfassen. Typische Probleme sind clientseitig gerenderte Leistungsseiten, blockierte Staging-Reste in robots.txt, kaputte Canonicals, PDF-Broschüren ohne Text, Cookie-Banner, die Inhalte verdecken, und verwaiste Seiten ohne interne Links. Für ChatGPT, Perplexity, Gemini oder Copilot ist das keine Einladung. Wer als Quelle dienen will, muss Inhalte stabil, schnell und maschinenlesbar ausliefern.

Ein technischer GEO-Audit beginnt mit klassischen Werkzeugen: Screaming Frog oder Sitebulb für Crawling, Google Search Console und Bing Webmaster Tools für Indexierung, PageSpeed Insights für Performance, Rich Results Test und Schema Markup Validator für strukturierte Daten, Logfile-Analyse für Bot-Zugriffe. Prüfen Sie, ob GPTBot, PerplexityBot, ClaudeBot, Googlebot, Bingbot und Applebot Ihre relevanten Seiten erreichen. Nicht jeder Bot sollte automatisch erlaubt werden, Datenschutz und Content-Schutz können dagegen sprechen. Aber die Entscheidung muss bewusst sein. Ein pauschales Blockieren aus Unsicherheit kann die eigene KI-Sichtbarkeit schwächen.

Strukturierte Daten sollten die redaktionelle Realität abbilden. Eine FAQPage-Auszeichnung ist sinnvoll, wenn tatsächlich Fragen und Antworten vorhanden sind. Article-Markup sollte Autor, Datum, Aktualisierung, Publisher und Hauptbild enthalten. Organization-Markup sollte sameAs-Links zu LinkedIn, Handelsregister-nahen Profilen, YouTube, GitHub, Crunchbase oder Branchenverzeichnissen nutzen, sofern diese Profile gepflegt sind. Product- und Service-Markup können Leistungsangebote präzisieren. Für lokale Anbieter in München, Wien oder Basel ist areaServed wichtig. Für Softwareanbieter sind applicationCategory, operatingSystem, offers, aggregateRating und review nur dann zu nutzen, wenn sie korrekt und belegbar sind.

Aktualität ist ein unterschätztes Signal. Ein Artikel zu NIS2, der 2022 veröffentlicht und nie aktualisiert wurde, ist für eine KI weniger attraktiv als ein sauber datierter Beitrag mit Update-Hinweis 2025. Fügen Sie „Zuletzt aktualisiert am“ nur hinzu, wenn wirklich geprüft wurde. Dokumentieren Sie Änderungen intern. Gerade bei Themen wie EU AI Act, DSGVO, CSRD, E-Rechnung, ISO 27001 oder Barrierefreiheitsstärkungsgesetz können veraltete Inhalte Schaden anrichten. LLMs halluzinieren ohnehin gelegentlich, füttern Sie sie nicht zusätzlich mit alten Fakten.

Eine einfache technische Prioritätenliste für Mittelständler: Erstens alle wichtigen Leistungs- und Wissensseiten indexierbar machen. Zweitens strukturierte Daten für Organization, Article, FAQ und Breadcrumb implementieren. Drittens interne Links von Hubs zu Spokes und Money-Pages setzen. Viertens PDFs in HTML-Versionen überführen oder ergänzen. Fünftens Autorenschaft sichtbar machen. Sechstens eine XML-Sitemap aktuell halten und in Google sowie Bing einreichen. Siebtens Serverfehler, Weiterleitungsketten und langsame Templates beheben. Diese Aufgaben sind nicht glamourös, aber sie erhöhen die Wahrscheinlichkeit, dass Ihre Inhalte in Antwortsystemen überhaupt berücksichtigt werden.

Für Unternehmen mit mehreren Ländern ist hreflang wichtig. DACH heißt nicht automatisch eine Seite für alles. Deutschland, Österreich und die Schweiz unterscheiden sich sprachlich, rechtlich und kulturell. Ein Schweizer Anbieter sollte nicht nur „Deutschland“ im Markup führen, wenn er primär CH-Kunden bedient. Umgekehrt sollte ein deutscher SaaS-Anbieter mit AT-Referenzen diese sauber ausweisen. LLMs greifen Kontext auf. Wenn Ihre Seite Regionen, Währungen, Rechtsbegriffe und Kundentypen präzise nennt, kann eine KI Ihre Marke passender empfehlen.

Nicht jedes Content-Format ist gleich gut für LLM-Outputs. Generische Blogartikel mit 900 Wörtern und Überschriften wie „5 Tipps für mehr Effizienz“ liefern wenig eindeutige Signale. Besser funktionieren Formate, die konkrete Entscheidungen unterstützen: Vergleichsseiten, Kriterienkataloge, Glossare, Checklisten, Fallstudien, FAQ, Benchmarks, Marktübersichten, How-to-Guides und kommentierte Vorlagen. Diese Formate enthalten strukturierte Informationen, die KI-Systeme in Antworten überführen können. Für B2B ist das besonders wertvoll, weil Kaufprozesse komplex sind und Nutzer nach Orientierung suchen.

Eine starke Vergleichsseite muss fair sein. Wenn Sie „HubSpot vs. Salesforce für B2B-Mittelstand“ schreiben, sollte der Text nicht so tun, als sei eine Lösung immer überlegen. Nennen Sie Kriterien: Teamgröße, Datenmodell, Integrationen, Budget, Implementierungsaufwand, Reporting, Datenschutz, Partnernetzwerk im DACH-Raum. Ergänzen Sie, wann Ihre eigene Beratung sinnvoll ist und wann nicht. Solche Ehrlichkeit erhöht Glaubwürdigkeit. KI-Systeme können daraus differenzierte Antworten bauen, statt Ihre Marke nur als Werbequelle abzutun.

Fallstudien sind für Citation-Engineering besonders stark, wenn sie mehr enthalten als ein Kundenzitat. Eine gute B2B-Fallstudie beschreibt Ausgangslage, Branche, Größe, Problem, Auswahlkriterien, Lösung, Implementierungsdauer, Ergebnis und Grenzen. Beispiel: „Ein österreichischer Anlagenbauer mit 420 Mitarbeitenden reduzierte manuelle Angebotsnachbearbeitung um 31 Prozent in sechs Monaten.“ Wenn der Kunde anonym bleiben muss, beschreiben Sie Branche und Kontext dennoch präzise. Aussagen wie „ein Kunde konnte Prozesse optimieren“ sind kaum verwertbar. Zahlen müssen nicht spektakulär sein, sie müssen belastbar sein.

FAQ-Seiten eignen sich hervorragend für echte Prompts. Statt oberflächlicher Fragen wie „Was kostet das?“ sollten Sie präzise Fragen beantworten: „Wie lange dauert ein GEO-Audit für eine B2B-Website mit 500 URLs?“, „Welche Bots sollten wir in robots.txt für KI-Sichtbarkeit erlauben?“, „Wie unterscheiden sich AEO, GEO und klassisches SEO?“ Jede Antwort sollte 60 bis 120 Wörter haben, mit konkreter Einordnung. FAQPage-Markup kann helfen, aber der eigentliche Wert liegt in der Klarheit.

Auch Expertenprofile sind Content. LLMs bewerten nicht menschlich wie ein Redakteur, aber sichtbare Autorenschaft liefert Vertrauenssignale. Ein Artikel über NIS2 sollte idealerweise von einer Person mit IT-Security-Erfahrung, Zertifizierung oder nachvollziehbarer Praxis stammen. Autorenprofile sollten Rolle, Fachgebiet, Veröffentlichungen, Vorträge, LinkedIn und Kontakt enthalten. Für Beratungen, Agenturen und Softwareanbieter im Mittelstand ist das oft ein unterschätzter Unterschied. Eine Marke wird glaubwürdiger, wenn hinter ihr erkennbare Fachpersonen stehen.

Ein weiteres Format sind datenbasierte Mini-Studien. Ein KMU muss keine repräsentative Studie mit 1.000 Teilnehmern finanzieren. Schon eine Auswertung von 80 B2B-Websites, 120 Perplexity-Antworten oder 50 CRM-Ausschreibungen kann nützlich sein, wenn Methodik und Grenzen klar erklärt werden. KI-Systeme greifen solche Zahlen gern auf, weil sie konkrete Belege liefern. Wichtig: Keine Scheingenauigkeit. Schreiben Sie, wie erhoben wurde, wann erhoben wurde und was die Daten nicht aussagen.

Ohne Monitoring bleibt GEO Bauchgefühl. Unternehmen sollten systematisch prüfen, ob ihre Marke in ChatGPT, Perplexity, Gemini und Copilot bei relevanten Prompts erscheint. Dabei geht es nicht nur um Ja oder Nein. Wichtig sind Platzierung, Wortlaut, Kontext, genannte Wettbewerber, Quellen, Aktualität und Fehler. Eine Marke kann zwar genannt werden, aber mit falscher Kategorie oder altem Angebot. Das ist gefährlicher als Unsichtbarkeit, weil es falsche Erwartungen erzeugt. Dokumentieren Sie deshalb die vollständige Antwort, Datum, Tool, Modus, Sprache, Regionseinstellung und verwendeten Prompt.

Für den Start reicht ein Spreadsheet. Legen Sie 30 bis 50 Prompts an, gruppiert nach Funnel und Rolle: Informationsfragen, Vergleichsfragen, Anbieterfragen, Implementierungsfragen, lokale Fragen. Testen Sie monatlich in ChatGPT, Perplexity, Gemini und Copilot. Markieren Sie: genannt, nicht genannt, indirekt genannt, Quelle vorhanden, falsche Aussage, Wettbewerber. Ergänzen Sie Screenshots oder exportierte Antworten. Wer mehr Budget hat, kann spezialisierte Tools für LLM-Sichtbarkeit testen. Der Markt bewegt sich schnell, Anbieter wie Profound, Peec AI, Otterly.AI, Waikay, Scrunch AI oder ähnliche Lösungen entwickeln Monitoring-Funktionen für generative Antworten.

Bei der Interpretation ist Vorsicht nötig. LLM-Antworten sind probabilistisch, personalisiert und abhängig von Modellversion, Standort, Login-Status und Webzugriff. Eine einzelne Abfrage beweist wenig. Aussagekräftiger sind Wiederholungen und Muster. Wenn Ihre Marke bei zehn Varianten eines Prompts nie erscheint, fehlen wahrscheinlich Signale. Wenn sie nur in Perplexity mit einer bestimmten Quelle erscheint, ist diese Quelle wertvoll. Wenn Copilot regelmäßig einen Wettbewerber nennt, prüfen Sie dessen Bing-Sichtbarkeit, Drittquellen und Co-occurrences. Monitoring soll keine Scheingenauigkeit produzieren, sondern Entscheidungen unterstützen.

Messen Sie auch Quellqualität. In Perplexity können Sie sehen, ob Ihre eigene Seite, ein Fachartikel, ein Bewertungsprofil oder ein alter PDF-Flyer zitiert wird. Priorisieren Sie Quellen, die häufig erscheinen und kontrollierbar sind. Wenn eine veraltete Messeprofilseite Ihre Hauptquelle ist, aktualisieren Sie sie. Wenn ein Wettbewerber über einen neutralen Vergleichsartikel stark präsent ist, überlegen Sie, wie Sie in seriösen Marktübersichten vorkommen. Das Ziel ist nicht, jede Antwort zu manipulieren, sondern bessere Belege für richtige Antworten bereitzustellen.

Ein pragmatischer KPI-Satz für Geschäftsführung und Marketing: Share of AI Answers, Anteil der relevanten Prompts mit Markennennung. Citation Share, Anteil der Antworten, in denen eigene oder gewünschte Quellen zitiert werden. Accuracy Rate, Anteil korrekter Aussagen über Marke, Angebot und Zielgruppe. Competitive Context, Häufigkeit der Nennung neben definierten Wettbewerbern. Source Gap, wichtige Prompts ohne belastbare Quellen. Diese Kennzahlen sind verständlich genug für ein Monatsreporting und konkret genug für redaktionelle Maßnahmen.

Ein Beispiel: Ein B2B-SaaS aus München testete 40 Prompts über drei Monate. Im ersten Monat erschien die Marke in 3 von 40 Antworten, meist ohne Quelle. Nach neuen Vergleichsseiten, zwei Kundenfällen, Organization-Markup und aktualisierten OMR- sowie Capterra-Profilen lag die Nennung bei 11 von 40, in Perplexity bei 8 Antworten mit Quelle. Das ist kein garantierter Umsatzhebel, aber ein deutliches Signal: Die Marke wurde für das Modell als Lösung plausibler. Genau diese Lernkurve macht GEO steuerbar.

Ein 90-Tage-Plan hilft, GEO aus der Theorie zu holen. In den ersten 14 Tagen geht es um Diagnose. Sammeln Sie 30 bis 50 relevante Prompts aus Vertrieb, Support, Google Search Console, interner Suche, ChatGPT und Perplexity. Testen Sie diese Prompts in ChatGPT, Perplexity, Gemini und Copilot. Dokumentieren Sie Markennennungen, Wettbewerber, Quellen und falsche Aussagen. Parallel erstellen Sie die Entity-Map: offizielle Markendaten, Leistungen, Zielbranchen, Regionen, Nachweise, Experten und wichtige Begriffe. Diese Phase liefert die Lückenliste.

In Woche 3 und 4 folgt die technische und semantische Grundreinigung. Aktualisieren Sie Organization-Markup, Autorenprofile, Kontakt- und Über-uns-Seiten. Prüfen Sie robots.txt und Crawler-Zugriffe für GPTBot, PerplexityBot, Googlebot und Bingbot. Überführen Sie wichtige PDFs in HTML. Setzen Sie interne Links von bestehenden starken Seiten auf zentrale Leistungs- und Wissensseiten. Korrigieren Sie externe Profile auf LinkedIn, Google Unternehmensprofil, OMR Reviews, Capterra, Clutch, Branchenverzeichnissen oder Verbandsseiten. Ziel: Eine KI soll die Marke überall gleich verstehen.

Von Woche 5 bis 8 produzieren Sie die ersten Antwortquellen. Priorisieren Sie nicht nach Bauchgefühl, sondern nach Prompt-Lücken. Wenn Nutzer nach Vergleichen fragen, erstellen Sie eine faire Vergleichsseite. Wenn KI-Systeme Ihre Spezialisierung nicht erkennen, veröffentlichen Sie einen Kundenfall und einen Fachartikel mit genau dieser Co-occurrence. Wenn Quellen fehlen, platzieren Sie einen Gastbeitrag oder aktualisieren Partnerprofile. Ein realistisches Paket für ein KMU: zwei Deep-Dive-Artikel, zwei FAQ-Seiten oder FAQ-Blöcke, zwei Fallstudien, ein Vergleichsleitfaden und drei externe Profil-Updates.

In Woche 9 bis 10 geht es um Distribution und Validierung. Teilen Sie neue Inhalte nicht nur auf LinkedIn. Sorgen Sie dafür, dass sie in relevanten Kontexten auftauchen: Newsletter von Verbänden, Partnerseiten, Webinar-Ankündigungen, Podcast-Shownotes, Fachmedien, Messeprofile, Slides mit Textversion. Bitten Sie Vertrieb und Customer Success, häufige Fragen auf diese Seiten zu verlinken. Externe Erwähnungen sollten nicht künstlich wirken, sondern aus echten Kooperationen entstehen. Ein Webinar mit einem ERP-Hersteller oder eine Checkliste mit einer IHK-nahen Initiative ist glaubwürdiger als ein gekaufter Massenlink.

In Woche 11 und 12 messen Sie erneut. Nutzen Sie dieselben Prompts wie zu Beginn, ergänzen Sie fünf bis zehn Varianten. Prüfen Sie, ob die Marke häufiger genannt wird, ob Quellen besser sind und ob falsche Aussagen verschwinden. Erwarten Sie keine vollständige Kontrolle. LLM-Sichtbarkeit baut sich graduell auf, und manche Systeme aktualisieren langsamer als andere. Entscheidend ist, ob die Signale in die richtige Richtung zeigen. Wenn eine neue Seite in Perplexity zitiert wird, ist das ein früher Erfolg. Wenn ChatGPT noch nichts zeigt, heißt das nicht automatisch, dass die Maßnahme wirkungslos ist.

Nach 90 Tagen sollte GEO in den normalen Content- und PR-Prozess übergehen. Jede neue Leistungsseite bekommt strukturierte Daten und klare Entity-Sätze. Jeder Kundenfall wird auf Prompt-Relevanz geprüft. Jede PR-Maßnahme zahlt auf Co-occurrence ein. Jedes Quartal gibt es ein LLM-Monitoring. Geschäftsführung und Marketing sollten GEO nicht als separates Experiment behandeln, sondern als Erweiterung von SEO, Markenführung und Fachkommunikation. Wer heute damit beginnt, baut einen Vorsprung auf, weil viele Wettbewerber noch versuchen, KI-Antworten mit alten Keyword-Mechaniken zu erklären.