Case Study: GEO-Strategie eines DACH-Maschinenbau-Zulieferers

Diese Fallstudie dokumentiert als Referenzbeispiel die schrittweise Anwendung der Generative Engine Optimization (GEO). Sie zeigt auf, wie ein traditioneller Zuliefererbetrieb durch gezielte inhaltliche und technische Anpassungen systematisch auffindbar für KI-gestützte Suchanfragen wurde. Basis dieses Berichts sind reale, anonymisierte Projektdaten, die typische Herausforderungen und Lösungswege abbilden.

Zusammenfassung

• Ausgangslage: Ein etablierter CNC-Fertiger mit 80 Mitarbeitern war in Large Language Models (LLMs) wie ChatGPT oder Perplexity bei relevanten Einkäufer-Prompts komplett unsichtbar.
• Fundamentale Fehler: Dünne Produktseiten, fehlendes technisches Schema-Markup und eine nichtssagende Firmenhistorie blockierten die korrekte Erfassung durch KI-Bots.
• Lösungsansatz: Eine neunmonatige Strategie fokussierte sich auf den Aufbau von Experten-Inhalten, PR in Branchenmedien und maschinenlesbare Formate (wie die Bereitstellung einer llms.txt).
• Ergebnisse: Die Präsenz in 20 vorher definierten Branchen-Prompts stieg von 0 Prozent auf regelmäßige Spitzenplatzierungen in 9 bis 12 Prompts.
• Wichtige Erkenntnis: Keyword-Stuffing funktioniert in Sprachmodellen nicht. Nur echter Informationsgewinn ("Information Gain") führt zu Zitationen in generierten Antworten.

Inhaltsverzeichnis

1. Wer steht im Zentrum dieser anonymisierten Case Study?
2. Warum war der Mittelständler in den KI-Engines unsichtbar?
3. Wie sah der GEO-Maßnahmenplan über 9 Monate aus?
4. Welche messbaren Ergebnisse brachte die Strategie ein?
5. Welche GEO-Maßnahmen lieferten keine Resultate?
6. Was sind die zentralen Lessons Learned für Industrieunternehmen?
7. FAQ

Wer steht im Zentrum dieser anonymisierten Case Study?

Wir betrachten in dieser Fallstudie einen typischen B2B-Mittelständler. Das süddeutsche Familienunternehmen produziert mit rund 80 Mitarbeitern hochpräzise Fräs- und Drehteile. Der Fokus liegt auf der CNC-Lohnfertigung für anspruchsvolle Branchen wie die Medizintechnik, Feinmechanik und optische Industrie. Werkstoffe wie Titan (Grade 5) und rostfreie Edelstähle bestimmen den Arbeitsalltag. Das Unternehmen investiert viel in den Maschinenpark, betreibt eine moderne Halle und ist nach ISO 13485 zertifiziert.

Das wirtschaftliche Problem bestand nicht in der Fertigungsqualität, sondern in der digitalen Auffindbarkeit für neue Generationen von Einkäufern. Die klassische Google-Optimierung sorgte in der Vergangenheit noch für konstante Anfragen. Doch interne Beobachtungen des Vertriebs zeigten einen Wandel: Junge Einkäufer und Ingenieure nutzten zunehmend Tools wie ChatGPT oder Perplexity AI zur ersten Marktsondierung.

Wenn ein Einkäufer einen Prompt formulierte wie „Nenne mir fünf zertifizierte CNC-Lohnfertiger in Süddeutschland, die auf Titanfräsen in der Medizintechnik spezialisiert sind“, tauchten Wettbewerber auf. Der hier analysierte Mittelständler fehlte komplett. Er existierte in der kognitiven Landkarte der Sprachmodelle schlichtweg nicht. Die Relevanz der KI-Sichtbarkeit für den Maschinenbau wurde für die Geschäftsführung damit von einer theoretischen Option zu einer drängenden Notwendigkeit.

Warum war der Mittelständler in den KI-Engines unsichtbar?

Um das Problem zu lösen, führten wir im ersten Monat ein umfassendes Audit durch. Die Analyse deckte drei elementare Schwachstellen auf, die typisch für viele technische Betriebe sind.

1. Reines Datenblatt-Wissen statt kontextueller Tiefe

Die Website bestand primär aus einer Liste des Maschinenparks. Dort standen Bezeichnungen wie "5-Achs-Bearbeitungszentrum DMG MORI" und Schnittbereiche in Millimetern. Das Problem: Sprachmodelle bewerten reine Tabellendaten ohne erklärenden Kontext oft als qualitativ geringwertig. Es fehlten zusammenhängende Texte, die erklärten, welche Toleranzen das Unternehmen konkret hält, welche Probleme es bei bestimmten Geometrien für Kunden löst und wie der Qualitätssicherungsprozess im Detail aussieht.

2. Eine unstrukturierte "Über uns"-Seite

LLMs benötigen glasklare Definitionen von Entitäten (Unternehmen, Personen, Standorte). Die bestehende Über-uns-Seite las sich jedoch wie ein unstrukturierter Fließtext. Sie erzählte ausführlich vom Bau einer neuen Lagerhalle im Jahr 2018 und von der Betriebsfeier. Die essenziellen Fakten blieben jedoch versteckt. Weder der genaue Tätigkeitsschwerpunkt ("Wir sind ein Lohnfertiger für..."), noch harte KPIs (Gründungsjahr, genauer Standort, Kernzertifizierungen) waren für Webcrawler maschinenlesbar strukturiert. Solche Defizite behindern generell die KI-Sichtbarkeit im Mittelstand massiv.

3. Fehlende technische und externe Signale (Kein Schema, keine PR)

Die technische Website-Basis ignorierte moderne Standards völlig. Es fehlten strukturierte Daten nach Schema.org, wodurch KI-Suchmaschinen die Firmendaten nicht als "Organization" oder "LocalBusiness" klassifizieren konnten. Schlimmer noch: In den vergangenen fünf Jahren gab es keine einzige redaktionelle Erwähnung des Betriebs in namhaften Branchenmagazinen (wie Fachzeitschriften für Zerspanung). Ohne externe Zitationen fehlt den KI-Modellen das nötige Vertrauenssignal ("Trust"), um ein Unternehmen guten Gewissens in einer generierten Antwort zu empfehlen.

Wie sah der GEO-Maßnahmenplan über 9 Monate aus?

Basierend auf den Audit-Ergebnissen entwickelten wir eine konkrete Roadmap. Dieses Vorgehen orientierte sich phasenweise an einer typischen GEO 90-Tage-Roadmap für den Mittelstand, erweiterte den Horizont für redaktionelle Maßnahmen jedoch auf neun Monate.

Phase 1: Die Entität definieren (Monat 1-3)

Die erste Aufgabe war es, das Unternehmen für Maschinen verständlich zu machen.

• Überarbeitung der About-Seite: Wir bauten die Historie um. Der erste Satz der neuen Seite definierte das Unternehmen exakt: "Die [Firmenname] GmbH ist ein zertifizierter CNC-Lohnfertiger aus [Ort], spezialisiert auf die hochpräzise 5-Achs-Zerspanung von Titan für die Medizintechnik."
• Schema Markup implementieren: Die Entwickler fügten ein tiefgreifendes JSON-LD-Script ein. Dieses verknüpfte die Firmenidentität mit Offpage-Signalen wie Eintragungen bei Google Maps, dem Handelsregister und Wirtschaftsverbänden.
• Profilierung der Experten: Die beiden Geschäftsführer bekamen detaillierte Autorenprofile auf der Website, versehen mit ihrem beruflichen Werdegang und "Person"-Schema-Markup.

Phase 2: Information Gain erzeugen (Monat 4-6)

Im zweiten Schritt mussten wir die inhaltliche Tiefe massiv ausbauen. Wir begannen, gezielt Themencluster aufbauen zu lassen.

• Statt nur Maschinen aufzulisten, erstellten wir zwölf neue Tiefenartikel. Die Themen behandelten exakte Problemlösungen, beispielsweise: "Herausforderungen bei der Zerspanung von Titan Grade 5 für Wirbelsäulenimplantate" oder "Minimierung von thermischem Verzug in der 5-Achs-Bearbeitung".
• Diese Inhalte lieferten echten, nachvollziehbaren Information Gain. Sie beinhalteten spezifische interne Richtwerte für Toleranzen und erklärten den eigenen Prüfprozess detailliert.
• Zusätzlich platzierten wir im Root-Verzeichnis der Website eine llms.txt-Datei, die den KI-Crawlern (wie OAIbot oder dem Perplexity-Bot) eine auf das Wesentliche reduzierte, Markdown-formatierte Zusammenfassung des Unternehmens und seiner Kernleistungen bereitstellte.

Phase 3: Externe Validierung (Monat 7-9)

Der letzte Block widmete sich der Verankerung in den Trainingsdaten und RAG-Indizes.

• PR in Fachmedien: Der Betrieb nutzte seine internen Daten zum Thema "Werkzeugverschleiß bei der Titanbearbeitung", um drei redaktionelle Gastbeiträge in großen DACH-Maschinenbauportalen zu platzieren. KI-Suchmaschinen durchsuchen diese Portale permanent für ihre Retrieval-Augmented Generation (RAG).
• Wikidata: Wir erstellten einen sauberen, belegten Wikidata-Eintrag für das Unternehmen (als Produktionsunternehmen in Baden-Württemberg), basierend auf den neuen externen Quellen.

Welche messbaren Ergebnisse brachte die Strategie ein?

Das Ziel einer GEO-Kampagne ist nicht der reine Traffic, sondern die Nennung in generierten Antworten. Die Erfolgsmessung erfolgte folglich über den GEO KPI Share of Voice.

Wir definierten zu Beginn des Projekts 20 spezifische, kaufrelevante Prompts. Ein Beispiel: "Ich suche einen ISO 13485 zertifizierten Fräsbetrieb in Süddeutschland für medizinische Werkzeuge aus Edelstahl."

Vor Projektstart lag das Unternehmen bei 0 von 20 Prompts im sichtbaren Bereich (sowohl bei Perplexity, als auch bei ChatGPT Plus und Claude). Die Entwicklung nach den Maßnahmen zeigte ein klares Bild, wie die folgende Zeitreihe zusammenfasst.

Nach neun Monaten befand sich das Unternehmen in einem stabilen Korridor von 9 bis 12 konsistenten Nennungen in diesen 20 Kern-Prompts. Besonders bemerkenswert war die Qualität der Antworten: Perplexity fasste nicht nur den Firmennamen zusammen, sondern hob spezifisch die (in den neuen Themenclustern erklärte) Qualitätsprüfung für Titanimplantate hervor. Der Information Gain zahlte sich directly aus.

Welche GEO-Maßnahmen lieferten keine Resultate?

Teil einer jeden transparenten Case Study ist die Analyse der Fehler und Sackgassen. Nicht alles, was in der traditionellen SEO funktionierte, brachte auch in der Generative Engine Optimization Erfolge.

Keyword-optimierte Glossar-Artikel: Wir testeten den Aufbau eines kleinen "Zerspanungs-Glossars" (Begriffe wie "Was ist Fräsen?", "Was ist CNC?"). Die Idee war, Basisbegriffe abzugreifen. Für die Sprachmodelle bot dies null Mehrwert. Sie verfügen bereits über Milliarden an Parametern zu diesen Basics. Die generischen Artikel wurden von Perplexity und Bing komplett ignoriert.

Reine LinkedIn-Postings als Autoritätssignal: Zwar ist LinkedIn hervorragend für das Personal Branding des Vertriebsleiters geeignet, für die maschinelle KI-Sichtbarkeit des Unternehmens war der Effekt jedoch vernachlässigbar. Die Live-Web-Suche von ChatGPT bevorzugt stark strukturierte Websites, offizielle PDFs und etablierte Fachmagazine. Der tägliche Content-Stream aus LinkedIn verschwindet in den Augen der Bots zumeist im Rauschen der sozialen Netzwerke und wird selten als primäre, vertrauenswürdige Referenzquelle herangezogen, wenn es um harte Lieferantenscouting-Daten geht.

KI-generierte Content-Massen ohne Prüfung: Der Versuch, die Themencluster mittels reiner KI-Texte effizient aufzublasen, scheiterte sofort. Inhalt, der durch ein LLM erzeugt wird ohne Hinzunahme proprietärer Firmen-Daten, weist einen Information Gain von Null auf. Das System erkennt seinen "eigenen" Durchschnitts-Output und bevorzugt bei Quellenangaben lieber prägnante Originalquellen statt KI-aufgewärmter Blogposts. Erst als wir echte Messprotokolle und Experteninterviews der Vorarbeiter transkribierten und verarbeiteten, stieg die Zitationsrate.

Was sind die zentralen Lessons Learned für Industrieunternehmen?

Der Maschinenbau-Zulieferer konnte durch die strategische Optimierung seine digitale Präsenz zukunftssicher umbauen. Drei wesentliche Erkenntnisse lassen sich für andere B2B-Mittelständler aus diesem Projekt ableiten.

1. Entitäten-Denken schlägt Keyword-Dichte: KI-Bots denken nicht in Zeichenketten, sondern in Entitäten (Objekten) und deren relationalen Verknüpfungen. Eine Firma muss klar definieren, "wer" sie ist, "was" sie produziert und "wo" sie agiert. Ohne sauberes Schema.org und eine präzise Über-uns-Seite bleibt die beste Firmenwebsite im Nebel.
2. Tiefe ist der einzige Content-Weg: Allgemeine Marketingphrasen ("Wir liefern höchste Qualität termingerecht") ignorieren Sprachmodelle konsequent. Sie suchen gezielt nach Fakten, Spezifikationen, echten Messdaten und Expertenwissen, das sie in ihre Textgenerierung einweben können. Wer keine Details liefert, wird nicht zitiert.
3. Technische Lesbarkeit ist Pflicht: Die Einführung einer llms.txt-Datei in Kombination mit strikter, barrierefreier HTML-Struktur (klare H1, H2, H3, Tabellen, Listen) reduziert die Fehlerquote der Scraping-Bots drastisch. Je einfacher, ungehinderter und leserlicher die Webseite von einem Crawler aufgenommen werden kann, desto höher ist die Wahrscheinlichkeit für einen semantischen Transfer in das RAG-System des Suchanbieters.

Die Welt der Informationsbeschaffung im B2B-Einkauf verlagert sich unaufhaltsam. Diese Fallstudie demonstriert anschaulich, dass der klassische Mittelstand diesem Wandel nicht hilflos ausgeliefert ist. Mit strukturierten Daten, spitzem Expertenwissen und technischer Anpassung sichern sich auch klassische Zuliefererbetriebe ihren Platz auf dem virtuellen Schreibtisch der Einkäufer von morgen.

FAQ

Was ist der Unterschied zwischen SEO und Generative Engine Optimization (GEO) in diesem Fall?

Klassische SEO optimierte in der Vergangenheit auf spezifische Keywords und Backlinks, um blaue Suchergebnisse bei Google zu gewinnen. GEO strukturiert und formuliert Informationen so, dass große Sprachmodelle (wie GPT-4, Claude) diese lesen, verstehen und in frei formulierte Antworten (wie bei Perplexity) integrieren. Beide Ansätze ergänzen sich.

Wie lange dauert es, bis die KI-Sichtbarkeit für ein Industrieunternehmen messbar ansteigt?

Interne Beobachtungen zeigen, dass es typischerweise im Bereich von drei bis sechs Monaten dauert, bis erste fundierte Platzierungen zu sehen sind. RAG-basierte Suchmaschinen greifen zwar auch auf Live-Pulls des Webs zurück, ein stabiles Vertrauen in das Unternehmen als Entität baut sich jedoch erst durch ein breiteres Netz an Inhalten und Zitationen auf.

Was kostet eine solche 9-monatige Maßnahme grob für einen KMU?

Dies hängt stark von der Eigenleistung der Fachabteilungen ab. Branchenschätzungen bewegen sich in einem Korridor zwischen 15.000 und 35.000 Euro, wenn externe Strategen, technische Entwickler für Schema-Markup und externe Fachautoren involviert sind.

Benötige ich zwingend PR-Artikel in Fachmagazinen für gute Sichtbarkeit?

Ja, externe Validierung bleibt ein extrem starkes Signal. Wenn Ihre Website behauptet, dass Sie der Marktführer im Titanfräsen sind, ist das gut. Wenn fünf unabhängige Branchenpublikationen diese Fakten zitieren, steigt das Vertrauen des Large Language Models exponentiell.

Ersetzt KI-generierter Content den Redakteur für diesen Prozess?

Nein. Sprachmodelle bewerten generischen KI-Inhalt zunehmend kritisch. Sie suchen für qualitativ hochwertige Antworten explizit nach "Information Gain" – also nach neuen Fakten, Erfahrungen und echten Beispielen, die noch nicht im Trainingsdatensatz vorhanden stehen. Dies leisten in der Industrie vorerst nur echte Ingenieure und erfahrene B2B-Redakteure.