Diagnose & AI Visibility — Den Ist-Zustand messen

Lektion 2.1: Was ein AI Visibility Score misst

Ein AI Visibility Score ist eine zusammengesetzte KPI-Metrik (üblicherweise 0–100), die drei Dimensionen in einer einzigen Kennzahl vereint:

1. Technische Maschinenlesbarkeit: Kann die KI die Fakten der Marke überhaupt finden und korrekt auslesen? (robots.txt, JSON-LD, llms.txt)
2. Inhaltliche Richtigkeit (Brand Accuracy): Stimmen die Antworten, die KI-Modelle über die Marke generieren, mit der Realität überein?
3. Empfehlungsquote (Citation Rate): Wird die Marke bei relevanten Branchenfragen von KI-Modellen tatsächlich empfohlen und als Quelle zitiert?

Ein häufiger Fehler ist es, nur eine dieser Dimensionen zu messen. Ein Unternehmen kann technisch perfekt aufgestellt sein (Dimension 1: 95/100), aber die KI empfiehlt trotzdem den Wettbewerber, weil dessen Inhalte aktueller oder besser strukturiert sind (Dimension 3: 20/100).

Score-Interpretation

Score	Note	Bedeutung
90–100	A+	Exzellent — Marke ist KI-ready, wird aktiv empfohlen
80–89	A	Sehr gut — minimale Lücken, schnell zu schließen
70–79	B+	Gut — Grundstruktur da, aber Kontext-Signale fehlen
60–69	B	Solide Basis — signifikante Lücken in mehreren Kategorien
40–59	C	Unterdurchschnittlich — KIs empfehlen oft den Wettbewerber
20–39	D	Schlecht — für KI weitgehend unsichtbar
0–19	F	Kritisch — keine semantische Infrastruktur

Wichtig für die Kundenkommunikation: Der Score ist kein reiner „Code-Score". Ein Score von 55 bedeutet nicht „die Website hat ein paar technische Mängel" — es bedeutet, dass die Marke für KI-gesteuerte Kaufentscheidungen praktisch unsichtbar ist.

Lektion 2.2: Die 6 Bewertungskategorien

Ein professionelles GEO-Audit gliedert sich in 6 Kategorien. Jede beleuchtet einen anderen Aspekt der KI-Sichtbarkeit.

Kategorie 1: Schema & Strukturierte Daten (Gewicht: Hoch)

JSON-LD Schema ist die „Sprache", in der KI-Modelle eine Marke am zuverlässigsten verstehen. Ohne strukturierte Daten muss die KI raten und erfindet dabei häufig Fakten (Halluzination).

Befund	Auswirkung	Häufigkeit
❌ Kein Organization-Schema	KI kennt die Marke nicht als Entität	~40% KMU
❌ FAQ-Schema fehlt	Riesiges Zitations-Potenzial verschenkt	~65%
❌ Person-Schema fehlt	Keine E-E-A-T-Signale für Experten	~80%
⚠️ Schema fehlerhaft	KI übernimmt Fehler 1:1	~30%
✅ Vollständiges Schema-Set	Exzellente Basis für KI-Zitationen	~5%!

Analogie: Stellen Sie sich vor, Sie bewerben sich um eine Stelle, aber Ihr Lebenslauf enthält weder Ihren Namen noch Ihre Berufserfahrung — nur ein vages „Ich bin dynamisch und teamfähig". Genau so sieht eine Website ohne strukturierte Daten für eine KI aus.

Kategorie 2: Discovery & Crawlability (Gewicht: Hoch)

Bevor eine KI eine Marke zitieren kann, muss sie die Inhalte überhaupt finden und lesen dürfen. Prüfpunkte: robots.txt, llms.txt, sitemap.xml, Bot-Blocking auf Netzwerkebene.

Das Anti-Bot-Paradox: Unternehmen blockieren aus IT-Sicherheitsgründen alle Bots und sperren damit unbeabsichtigt die KI-Agenten aus, die zur primären Informationsquelle werden. Eine robots.txt, die GPTBot blockiert, ist das digitale Äquivalent davon, Journalisten den Zugang zur eigenen Pressekonferenz zu verweigern.

Kategorie 3: Brand Accuracy (Gewicht: Mittel)

Die wirkungsvollste Kategorie für Management-Präsentationen: „Was sagt die KI GERADE JETZT über unsere Marke?" Wenn ChatGPT falsche Preise nennt oder den Hauptkonkurrenten empfiehlt — dann entsteht sofortiger Handlungsdruck.

Kategorie 4: E-E-A-T Signals (Gewicht: Mittel)

Experience, Expertise, Authoritativeness, Trustworthiness — das universelle Vertrauenssignal für alle KI-Modelle. Prüfpunkte: Person-Schema, sameAs-Verknüpfungen, Wikipedia/Wikidata-Einträge, Awards und Zertifizierungen.

Kategorie 5: Technical Foundation (Gewicht: Mittel)

Überlappt mit klassischem Technical SEO: HTTPS, Core Web Vitals, Mobile-Optimierung, Heading-Hierarchie, semantische HTML-Struktur.

Kategorie 6: Competitive Positioning (Gewicht: Niedrig)

Die relative Position zum Wettbewerb entscheidet, ob eine KI Ihre Marke empfiehlt oder eine andere. Benchmarking gegen 1-5 Wettbewerber.

Lektion 2.3: Die 16+ Einzelchecks

Innerhalb der 6 Kategorien werden 16+ reproduzierbare Checks durchgeführt — Ihre Audit-Checkliste für jedes GEO-Projekt:

#	Check	Kategorie
1	robots.txt AI-Crawler-Zugang	Discovery
2	llms.txt Existenz & Qualität	Discovery
3	sitemap.xml Erreichbarkeit	Discovery
4	JSON-LD Organization Schema	Schema
5	JSON-LD FAQPage Schema	Schema
6	JSON-LD Product/Service Schema	Schema
7	JSON-LD Person Schema	E-E-A-T
8	JSON-LD BreadcrumbList	Schema
9	Semantische Kontext-Marker	Schema
10	Meta-Tag-Qualität	Technical
11	Heading-Hierarchie	Technical
12	Alt-Text-Qualität (Visual GEO)	Technical
13	E-E-A-T Signal Detection	E-E-A-T
14	Wikipedia/Wikidata-Präsenz	E-E-A-T
15	Brand Accuracy Check	Brand
16	Competitor Benchmark	Competitive

Lektion 2.4: Einen Audit-Report lesen und interpretieren

Ein professioneller GEO-Audit-Report folgt immer der gleichen 5-teiligen Struktur:

1. Executive Summary (1 Seite) — Gesamtscore, Note, Top-3-Findings. Für C-Level.
2. Kategorie-Breakdown (2-3 Seiten) — Einzelscores pro Kategorie. Für Marketing-Manager.
3. Detaillierte Findings (3-5 Seiten) — Jeder Check mit Status. Für das Tech-Team.
4. Quick Wins (1 Seite) — Sofort umsetzbare Maßnahmen.
5. Implementation Roadmap (1-2 Seiten) — Priorisierte Maßnahmen über 4-12 Wochen.

Wichtigster Fehler: Anfänger schreiben den Report für sich selbst, nicht für den Empfänger. Ein CTO braucht keine Erklärung, was JSON-LD ist. Ein Marketing-Manager braucht keine Code-Snippets.