Kostenlos · Keine Anmeldung · Datenverarbeitung laut Datenschutzerklärung
Hinweis zur KI-Nutzung (Art. 50 EU AI Act, anwendbar seit 2. August 2026)
AI Check:
Wie sichtbar sind Sie bei ChatGPT und Co.?
KI-Sichtbarkeit bedeutet, dass ChatGPT, Perplexity und Google AI Overviews Ihre Website in ihren Antworten nennen. Diese Optimierung dafür heißt GEO (Generative Engine Optimization). Dieser kostenlose AI Check prüft 22 technische Signale und testet per Stichprobe mit offenen Sprachmodellen, ob Ihre Marke in KI-Antworten genannt wird. Die Auswertung ist KI-unterstützt, automatisiert erstellt und eine Momentaufnahme.
22 Tech-Signale
2-6 LLM-Anfragen
0-10 Score
3 unabhängige kostenlose Checks, je 1× pro Tag möglich. Technische Signale: robots.txt, llms.txt, JSON-LD, MCP-Endpoints
GEO, AEO, LLMO und SEO: was ist der Unterschied?
Die vier Begriffe werden online oft durcheinander verwendet. Sie beschreiben verwandte, aber unterschiedliche Disziplinen der Sichtbarkeitsoptimierung, klassisch (SEO) und für KI-Systeme (GEO, AEO, LLMO).
| Begriff | Optimiert für | Ziel |
|---|---|---|
| SEO | Google, Bing (klassische Trefferliste) | Ranking-Position in Suchergebnissen |
| AEO | Antwortmaschinen (Featured Snippets, Voice Search) | Direkte Antwort statt nur Link |
| GEO | ChatGPT, Perplexity, Google AI Overviews | Zitierung in generierten KI-Antworten |
| LLMO | Große Sprachmodelle (Trainingsdaten und Live-Abruf) | Wie ein LLM Ihre Marke intern repräsentiert |
In der Praxis überschneiden sich GEO, AEO und LLMO stark: alle drei setzen strukturierte Daten, klare Frage-Antwort-Formate und maschinenlesbare Fakten voraus, dieselben Signale, die dieser Check in Tab 1 prüft. GEO hat sich im deutschsprachigen Raum als Sammelbegriff für alle drei durchgesetzt, deshalb verwenden wir es hier als Oberbegriff. Ausführliche Definitionen finden Sie im Glossar.
GEO-Agentur beauftragen oder selbst umsetzen?
Die Antwort hängt davon ab, wie groß die Lücke ist und wie viel Zeit intern verfügbar ist.
Selbst umsetzen, wenn
- der Score bereits über 6 von 10 liegt, es fehlen nur einzelne Signale
- eine technisch versierte Person im Team Zugriff auf den Code hat
- die fehlenden Signale rein technisch sind (robots.txt, llms.txt, JSON-LD)
Externe Unterstützung oder Diagnose kann sinnvoll sein, wenn
- der Score unter 4 von 10 liegt und mehrere Kategorien betrifft
- die Marke in keiner LLM-Antwort genannt wird (Tab 2, Visibility-Score F)
- GEO nur eines von mehreren offenen Marketing-Themen ist, neben SEO, Social Media, Ads, E-Mail und CRM
Für den letzten Fall prüft die vollständige STEP/SEEDS® Diagnose GEO als eines von sechs Marketing-Kanälen und liefert priorisierte Maßnahmen statt nur eines Scores. Die Schwellen (6 von 10, 4 von 10) sind eigene Faustregeln, keine gemessenen Werte und keine Bewertung einzelner Anbieter.
GEO selbst umsetzen: die ersten 3 Schritte
1. llms.txt anlegen
Eine Textdatei unter
/llms.txtim Website-Root, die KI-Crawlern eine kuratierte Übersicht der wichtigsten Seiten liefert. Analog zu robots.txt, aber für LLM-Bots. Details im Glossar.2. Strukturierte Daten (JSON-LD) ergänzen
FAQPage-, Organization- und Product-Schema machen Inhalte maschinenlesbar. Strukturierte Daten können KI-Systemen die Auswertung erleichtern.
3. KI-Bots in robots.txt zulassen
GPTBot, ClaudeBot und PerplexityBot benötigen eigene robots.txt-Regeln, getrennt von klassischen Suchmaschinen-Crawlern. Ein Blockieren aus Versehen (häufige Ursache: generische „Disallow: /“-Regeln aus alten SEO-Plugins) verhindert jede GEO-Sichtbarkeit.
Tab 1 dieses Checks zeigt genau, welche dieser Signale auf Ihrer Website bereits vorhanden sind und welche fehlen.
llms.txt in der Praxis: Aufbau und Grenzen
llms.txt ist eine einfache Markdown-Datei unter /llms.txt im Website-Root. Sie ist kein amtlicher Web-Standard einer Normungsorganisation wie dem W3C, sondern eine offene, community-getragene Konvention, veröffentlicht unter llmstxt.org. Der übliche Aufbau folgt einem festen Muster: eine H1-Überschrift mit dem Firmen- oder Website-Namen, ein kurzer Absatz zur Einordnung, danach thematisch gruppierte Listen mit Links zu den wichtigsten Unterseiten, jeweils mit einer knappen Ein-Zeilen-Beschreibung.
# Firmenname
> Kurze Beschreibung, was das Unternehmen macht und für wen.
## Leistungen
- [Leistung A](/leistung-a): eine Zeile Beschreibung
- [Leistung B](/leistung-b): eine Zeile Beschreibung
## Über uns
- [Über uns](/ueber-uns): Team, Historie, Kontakt
## Häufige Fragen
- [FAQ](/faq): Antworten auf häufige KundenfragenDie Datei sollte nur die Seiten enthalten, die für die Beantwortung typischer Kundenfragen wirklich relevant sind, keine vollständige Sitemap-Kopie. Eine kuratierte Auswahl von 10 bis 30 Links ist für die meisten KMU-Websites ausreichend.
Wichtige Einschränkung: die Unterstützung ist uneinheitlich. Anthropic und Perplexity gelten als Anbieter, die llms.txt in ihren Abruf-Workflows berücksichtigen. Google hat öffentlich erklärt, dass llms.txt für die klassische Google-Suche und für AI Overviews nicht genutzt wird. Für OpenAI gibt es ebenfalls keine öffentliche Bestätigung in die eine oder andere Richtung. Eine llms.txt-Datei anzulegen kostet wenig Aufwand und schadet nicht, sie ist aber kein Ersatz für strukturierte Daten (JSON-LD) oder eine grundsätzlich zugängliche robots.txt, und keine Garantie für Zitierung bei einem bestimmten KI-Anbieter.
Häufige Fragen (FAQ)
Ist der AI-Readiness Check wirklich kostenlos?
Ja. 100% kostenlos, keine Anmeldung, keine Kreditkarte. Aus Fairness gegenüber allen Nutzern ist pro Check eine kostenlose Analyse alle 24 Stunden möglich, siehe Datenschutzerklärung für Details zur Speicherung. Wir nutzen den Scanner als Teil unserer STEP/SEEDS® Marketing-Diagnose-Methodik. Wenn Sie den vollen Marketing-Audit über alle sechs Marketing-Kanäle wollen, gibt es unsere bezahlte Diagnose ab 199 € (Founder-Edition, vorläufig). Der Verkauf ist noch nicht geöffnet, Sie können sich auf die Warteliste setzen.
Was ist der Unterschied zu klassischem SEO?
Klassisches SEO optimiert für Google-Crawler und menschliche Leser. AI-Readiness optimiert zusätzlich für KI-Agenten, die strukturierte Maschinen-Protokolle bevorzugen:
llms.txt liefert LLM-optimierten Content, JSON-LD Schema macht Daten eindeutig lesbar, /.well-known/mcp.json beschreibt API-Schnittstellen für autonome Agenten. Beides ist wichtig: SEO bleibt relevant, AI-Readiness kommt als weitere Ebene hinzu.Welche KI-Bots prüft der Scanner?
19 bekannte KI-Bots: GPTBot, OAI-SearchBot, ChatGPT-User (OpenAI), ClaudeBot, Claude-Web, Anthropic-AI, PerplexityBot, Perplexity-User, Google-Extended, GoogleOther, Bingbot, Bytespider (ByteDance), Amazonbot, Cohere-AI, CCBot, Meta-ExternalAgent, FacebookBot, Applebot-Extended, MistralAI-User. Wir prüfen, ob Ihre robots.txt diese Bots namentlich adressiert, eine generische
User-agent: *-Regel reicht oft nicht aus.Was bedeutet der Score 0 bis 10 und die Note A bis F?
Der Score wird als lineare 0-10 Skala (Endscore / 10, gerundet) dargestellt, jede 10 Punkte des Endscore = 1 Punkt auf der 0-10 Skala. Zusätzlich gibt es eine Note von A bis F:
9-10 / A (90-100): Agentenfähig, alle wichtigen geprüften Signale vorhanden.
8-9 / B (80-89): Sehr gut, kleinere Lücken in Protokoll-Erkennung.
7-8 / C (70-79): Solide Basis, aber wichtige Standards fehlen.
6-7 / D (60-69): Grundlegende AI-Readiness vorhanden, aber unvollständig.
0-6 / F (unter 60): Erhebliche Lücken bei den geprüften Signalen. Die Noten sind eine Einordnung dieses Scans, keine Zertifizierung.
9-10 / A (90-100): Agentenfähig, alle wichtigen geprüften Signale vorhanden.
8-9 / B (80-89): Sehr gut, kleinere Lücken in Protokoll-Erkennung.
7-8 / C (70-79): Solide Basis, aber wichtige Standards fehlen.
6-7 / D (60-69): Grundlegende AI-Readiness vorhanden, aber unvollständig.
0-6 / F (unter 60): Erhebliche Lücken bei den geprüften Signalen. Die Noten sind eine Einordnung dieses Scans, keine Zertifizierung.
Wer steckt hinter diesem Tool?
STEP/SEEDS® , eine strukturierte Marketing-Diagnose-Methodik für KMU und Mittelstand. Wir analysieren über 112 priorisierte Maßnahmen in sechs Marketing-Kanälen (SEO inklusive KI-Suchsichtbarkeit, Social Media, Paid Ads, E-Mail, CRM und Conversion-Optimierung) sowie Operations im Tarif L. Dieser AI-Check ist ein technischer Baustein unserer SEO-Tiefenanalyse (Step 4C: AEO/GEO).
Was ist der Unterschied zwischen AI-Crawlability und AI-Mention?
AI-Crawlability (Tab 1) prüft die technische Sichtbarkeit Ihrer Website: ob KI-Crawler wie GPTBot, ClaudeBot und PerplexityBot Ihre Inhalte überhaupt finden, lesen und verstehen können. Geprüft werden 22 technische Signale (robots.txt, llms.txt, JSON-LD Schema, /.well-known/mcp.json u.a.).
AI-Mention (Tab 2) prüft die tatsächliche Sichtbarkeit: ob Ihre Marke in Antworten von echten LLMs genannt wird, wenn ein Kunde nach Ihren Leistungen fragt. Wir senden Ihre Keywords an mehrere Sprachmodelle und analysieren, ob Sie erwähnt werden, an welcher Position, und welche Anbieter stattdessen genannt werden. Beide Layer ergänzen sich: AI-Crawlability ist die Voraussetzung, AI-Mention ist das Ergebnis.
AI-Mention (Tab 2) prüft die tatsächliche Sichtbarkeit: ob Ihre Marke in Antworten von echten LLMs genannt wird, wenn ein Kunde nach Ihren Leistungen fragt. Wir senden Ihre Keywords an mehrere Sprachmodelle und analysieren, ob Sie erwähnt werden, an welcher Position, und welche Anbieter stattdessen genannt werden. Beide Layer ergänzen sich: AI-Crawlability ist die Voraussetzung, AI-Mention ist das Ergebnis.
Wie funktioniert die AI-Mention Probe technisch?
Wir senden Ihre Keywords an zwei unabhängige LLM-Slots: einen mit Nemotron-Modellen und einen mit Diversifizierungs-Modellen (Gemma 4, Xing4.0, Inkling). Slot 1 hat einen vierstufigen, Slot 2 einen dreistufigen Fallback. Ist ein Modell überlastet, schalten wir automatisch auf das nächste um. Wir prüfen, ob Ihre Marke in der Antwort erscheint, an welcher Position, und welche Anbieter genannt werden. Das Ergebnis ist ein Visibility-Score von 0 bis 100 % sowie die Angabe X von N Abfragen und eine aggregierte Liste der genannten Anbieter. Die Auswertung ist KI-unterstützt, automatisiert erstellt und eine Momentaufnahme.
Sind das die gleichen Modelle wie ChatGPT, Gemini, Perplexity?
Nicht exakt. Wir nutzen frei verfügbare Modelle aus den Familien Nemotron, Gemma 4, Xing4.0 und Inkling. Die Stichprobe zeigt, welche Antworten diese Modelle aktuell liefern. Sie ist kein 1:1-Spiegel von ChatGPT, Gemini oder Perplexity und erlaubt keine verlässliche Aussage über deren Antworten.
Was macht diesen AI-Check besonders?
AI-Check kombiniert in einem Scan: technische AI-Crawlability (22 Signale, 19 AI-Bots) und Live-LLM-Mention-Probe (mehrere Modelle parallel) auf Deutsch, ohne Account und ohne Abonnement, kostenlos.
Der AI-Check ist mir zu technisch. Gibt es auch einen einfacheren Überblick?
Ja. Dieser AI-Check ist bewusst technisch: 22 Signale, 19 Bots, Live-LLM-Probe. Wenn Sie stattdessen einen breiteren Scan Ihres gesamten Marketings wollen, nicht nur der KI-Sichtbarkeit, gibt es den kostenlosen Marketing-Audit-Check. Er deckt mit einem einzigen Scan mehrere Bereiche ab: SEO-Grundlagen, Vertrauenssignale, Analytics-Tracking und KI-Sichtbarkeit.
Ist GEO das Gleiche wie SEO?
Nein, aber beide hängen zusammen. SEO optimiert für die klassische Google-Trefferliste, GEO optimiert dafür, dass generative KI-Systeme wie ChatGPT, Perplexity und Google AI Overviews eine Website in ihren Antworten zitieren. Eine solide SEO-Basis (schnelle Ladezeit, saubere Struktur, strukturierte Daten) ist meist auch die Grundlage für GEO, aber GEO stellt zusätzliche Anforderungen an Zitierfähigkeit und maschinenlesbare Fakten. Details im Vergleich GEO, AEO, LLMO und SEO.
Was kostet GEO-Optimierung, und wie entscheide ich zwischen Agentur und Selbstumsetzung?
Agentur-Honorare für GEO-Optimierung variieren stark je nach Umfang, es gibt keinen einheitlichen Marktpreis. Der kostenlose Check hier zeigt zunächst, welche technischen Signale fehlen. Als eigene Faustregel (nicht gemessen): liegt der Score über 6 von 10, lassen sich einzelne fehlende Signale oft selbst umsetzen (siehe Entscheidungshilfe Agentur oder selbst umsetzen). Ob Sie extern beauftragen, hängt von Ihren Ressourcen ab. Die STEP/SEEDS® Diagnose ab 199 € (Founder-Edition) betrachtet sechs Marketing-Kanäle statt nur GEO und liefert priorisierte Handlungsempfehlungen, die Sie selbst oder mit einem Dienstleister Ihrer Wahl umsetzen können.
Wie lange dauert es, bis GEO-Maßnahmen wirken?
Technische Maßnahmen wie llms.txt oder JSON-LD-Markup können KI-Crawler theoretisch beim nächsten Crawl-Durchlauf erfassen, das kann je nach Bot Tage bis Wochen dauern. Ob und wann eine Marke danach tatsächlich in generierten Antworten zitiert wird, hängt zusätzlich von Faktoren außerhalb der eigenen Website ab (Erwähnungen auf anderen vertrauenswürdigen Seiten, Trainingsdaten-Zyklen der jeweiligen KI-Anbieter). Es gibt keine belastbare Garantie für eine feste Zeitspanne.
Ist llms.txt ein offizieller Web-Standard?
Nein,
llms.txt ist eine offene, community-getragene Konvention nach llmstxt.org, kein Standard einer Normungsorganisation wie dem W3C. Anthropic und Perplexity gelten als Anbieter, die sie in Abruf-Workflows berücksichtigen (Stand der Berichte, ohne Gewähr). Google hat öffentlich erklärt, llms.txt weder für die klassische Suche noch für AI Overviews zu nutzen. Die Datei anzulegen kostet wenig Aufwand, ersetzt aber keine strukturierten Daten oder eine grundsätzlich zugängliche robots.txt.Warum reicht eine robots.txt-Regel pro Anbieter oft nicht aus?
Große KI-Anbieter betreiben meist mehrere separate Bots für unterschiedliche Zwecke, einen für das Modelltraining, einen für Live-Suchanfragen und teils einen weiteren, der Seiten im Auftrag eines Nutzers während einer laufenden Konversation abruft. Anthropic etwa unterscheidet zwischen ClaudeBot, Claude-SearchBot und Claude-User; der Scan prüft die Kennungen ClaudeBot, Claude-Web und Anthropic-AI. Eine Regel, die nur einen dieser Bots betrifft, lässt die anderen unberührt. Details zur Fehlerquelle im Abschnitt Typische robots.txt-Fehler weiter oben auf dieser Seite.
Ist das MCP-Server-Manifest unter /.well-known/mcp.json bereits Standard?
Noch nicht abschließend. Eine Arbeitsgruppe des Model Context Protocol entwickelt aktuell einen Vorschlag für ein standardisiertes, unter
/.well-known/ auffindbares Server-Manifest. Dieser Vorschlag befindet sich im Entwurfsstadium und ist noch nicht Teil der final verabschiedeten MCP-Spezifikation. Der genaue Dateipfad kann sich bis zur endgültigen Verabschiedung noch ändern. Unser Scan prüft den aktuell in der Praxis verbreiteten Pfad als Signal, nicht als Nachweis vollständiger Standard-Konformität.Was ist ein AI Readiness Check?
Ein AI Readiness Check prüft, ob eine Website technisch darauf vorbereitet ist, von KI-Systemen gelesen und als Quelle verwendet zu werden. Konkret geht es um vier Ebenen: ob KI-Bots in der
robots.txt namentlich zugelassen sind, ob strukturierte Daten vorhanden und valide sind, ob maschinenlesbare Zusatzdateien wie llms.txt existieren, und ob Inhalte so aufgebaut sind, dass sich einzelne Aussagen sauber extrahieren lassen. Genau diese Prüfung führt der Scan auf dieser Seite durch.Was ist der Unterschied zwischen einem AI Visibility Audit und diesem Scan?
Ein AI Visibility Audit betrachtet zwei Seiten: die technische Auffindbarkeit und die tatsächliche Nennung in KI-Antworten. Dieser kostenlose Scan deckt die technische Seite vollständig ab und liefert zusätzlich eine Stichprobe zur Nennung. Ein vollständiges Audit prüft die Nennungsseite systematisch über viele Suchanfragen und Plattformen hinweg und beobachtet die Entwicklung über die Zeit. Diese fortlaufende Beobachtung ist Teil des STEP/SEEDS® Trackings, nicht des kostenlosen Scans.
Was bedeutet AI Search Optimization konkret, und wo fange ich an?
AI Search Optimization (auch LLM SEO oder GEO genannt) bedeutet, eine Website so aufzubauen, dass sie sowohl von KI-Crawlern gelesen als auch in KI-generierten Antworten zitiert werden kann. Der sinnvolle Startpunkt ist immer die technische Basis: Tab 1 (AI-Crawlability) auf dieser Seite zeigt in unter einer Minute, ob überhaupt die Voraussetzungen (robots.txt-Freigaben, llms.txt, strukturierte Daten) vorhanden sind. Erst danach lohnt sich Tab 2 (AI-Mention), um zu messen, ob die Marke bereits in echten LLM-Antworten genannt wird.
Ist AI Search Visibility das Gleiche wie eine gute Google-Position?
Nein, das sind zwei unabhängige Metriken. Eine Website kann bei Google auf Position 1 stehen und trotzdem in ChatGPT- oder Perplexity-Antworten nicht erwähnt werden, LLMs gewichten nach bisherigem Kenntnisstand teils andere Signale (Zitierfähigkeit, strukturierte Fakten, Erwähnung in Drittquellen) als klassische Backlink- oder Keyword-Signale. Tab 2 dieses Scans misst die KI-Sichtbarkeit direkt, unabhängig vom Google-Ranking.
Glossar, KI-Sichtbarkeit verstehen
AEO (Answer Engine Optimization)
Optimierung von Inhalten so, dass sie als direkte Antwort in KI-Antwortmaschinen (ChatGPT, Perplexity, Google AI Overviews) erscheinen, nicht nur als Suchergebnis-Link. Erfordert strukturierte Daten, klare Frage-Antwort-Formate und maschinenlesbare Fakten.
GEO (Generative Engine Optimization)
Spezialfall von AEO: Optimierung für generative KI (LLMs wie GPT-4, Claude, Gemini), die Antworten aus mehreren Quellen synthetisieren. Schwerpunkt liegt auf Authority-Signalen, Zitierfähigkeit und kontextualer Vollständigkeit der Inhalte.
llms.txt
Textdatei im Website-Root (
/llms.txt), die LLM-Crawlern eine kompakte, kuratierte Sitemap der wichtigsten Seiten und Inhalte liefert, analog zu robots.txt, aber für KI-Systeme. Offene Konvention nach llmstxt.org.User-Agent (Crawler-Kennung)
Textstring, mit dem sich ein Bot bei jeder HTTP-Anfrage identifiziert, zum Beispiel
GPTBot oder ClaudeBot. Websites nutzen den User-Agent, um in robots.txt gezielt einzelne Bots zu erlauben oder zu sperren, statt nur pauschal über User-agent: * zu steuern.Robots-Exclusion-Konvention
Die informelle, jahrzehntealte Konvention hinter der Datei
robots.txt: ein Bot liest die Datei vor dem ersten Zugriff und hält sich freiwillig an die dort definierten Erlaubnis- und Sperr-Regeln. Es gibt keinen technischen Zwang, seriöse Anbieter wie OpenAI, Anthropic und Google dokumentieren aber öffentlich, dass sie sich daran halten.MCP (Model Context Protocol)
Offenes Protokoll, ursprünglich von Anthropic entwickelt, mittlerweile unter der Model Context Protocol Steering Group organisiert, einem herstellerübergreifenden Gremium unter dem Dach der Linux Foundation. MCP erlaubt KI-Agenten, externe Tools und Datenquellen strukturiert zu entdecken und zu nutzen. Eine Arbeitsgruppe entwickelt aktuell einen Vorschlag für ein standardisiertes, unter
/.well-known/ auffindbares Server-Manifest, dieser Vorschlag befindet sich noch im Entwurfsstadium und ist noch nicht Teil der final verabschiedeten Spezifikation.JSON-LD (Linked Data)
Format für strukturierte Daten in HTML, basierend auf
schema.org-Vokabular. Macht Inhalte (Produkte, FAQs, Organisationen, Events) für Maschinen eindeutig lesbar. Google empfiehlt JSON-LD als Format für strukturierte Daten; auch KI-Systeme können es auswerten.KI-Bot vs. Klassischer Crawler
Klassischer Crawler (Googlebot, Bingbot) indexiert HTML für Suchergebnisse. KI-Bot (GPTBot, ClaudeBot, PerplexityBot) liest Inhalte für LLM-Training oder Live-Antwort-Generierung. Beide haben unterschiedliche User-Agent-Strings und benötigen separate robots.txt-Regeln. Der Scan prüft 19 KI-Bots.
LLM-Mention / Brand Citation
Erwähnung einer Marke in der Antwort eines Large Language Models (LLM) wie ChatGPT, Claude, Perplexity oder Gemini. Anders als klassische Suche (Ranking auf Google-SERP) zählt bei LLMs nur die Mention-Rate: erscheint Ihre Marke, wenn ein Kunde fragt „wer bietet das beste X in DACH?“. LLMs nennen pro Antwort meist nur wenige Marken, wer dort nicht steht, taucht in dieser Antwort nicht auf.
OpenRouter
API-Aggregator, der Zugriff auf Dutzende kommerzieller und Open-Source-LLMs unter einer einheitlichen API bietet. Wir nutzen OpenRouter für die Tab-2-Mention-Probe mit frei verfügbaren Modellen aus den Familien Nemotron, Gemma 4, Xing4.0 und Inkling sowie mehrstufigen Fallbacks. Vorteil: einfacher Modell-Wechsel. Server in den USA. Übermittelt werden die von Ihnen eingegebenen Keywords; bitte geben Sie keine personenbezogenen Daten ein. Details in der Datenschutzerklärung.
Visibility-Score (Mention-Score)
Prozentsatz der LLM-Anfragen, in denen Ihre Marke erwähnt wurde, von 0% (nie genannt) bis 100% (in jeder Antwort genannt). Bewertung: A (75 bis 100) hohe AI-Visibility, B (50 bis 74) solide, C (25 bis 49) teilweise sichtbar, D (1 bis 24) selten erwähnt, F (0) in dieser Stichprobe nicht genannt. Ergänzt den AI-Crawlability-Score (Tab 1) um die ergebnis-orientierte Sicht.
AI Search Optimization (AI-Suchmaschinenoptimierung)
Sammelbegriff für alle Maßnahmen, die eine Website oder Marke in KI-gestützten Sucherlebnissen sichtbar machen, technische Crawlability (Tab 1), Brand-Mentions in LLM-Antworten (Tab 2) und Google-AI-Overview-Signale (Tab 3) zusammen. Anders als klassisches SEO, das auf Ranking-Positionen in einer Ergebnisliste zielt, geht es hier um Präsenz innerhalb der generierten Antwort selbst, der Nutzer sieht oft keine Linkliste mehr, sondern nur den fertigen KI-Text.
LLM SEO
Umgangssprachliche Kurzform für Suchmaschinenoptimierung im Kontext von Large Language Models, deckt sich größtenteils mit GEO. Der Fokus liegt auf Inhalten, die ein LLM beim Beantworten einer Nutzerfrage als vertrauenswürdige, zitierfähige Quelle auswählt, klare Fakten, aktuelle Daten, saubere Struktur und Erwähnung in weiteren vom LLM als Autorität eingestuften Quellen (Wikipedia, Fachpresse, Verzeichnisse).
AI Search Visibility (KI-Sichtbarkeit)
Wie oft und wie prominent eine Marke in Antworten von KI-Suchsystemen (ChatGPT, Perplexity, Google AI Overviews, Copilot) erscheint, gemessen z. B. über den Visibility-Score aus Tab 2. Manche Nutzer stellen Kaufentscheidungs-Fragen direkt an ein KI-System statt eine klassische Suche zu starten. Wer dort nicht erwähnt wird, taucht in diesen Antworten nicht auf.
GPTBot, ClaudeBot, PerplexityBot
Drei häufig genannte KI-Crawler. GPTBot (OpenAI) sammelt Trainingsdaten für zukünftige Modellversionen. ClaudeBot (Anthropic) crawlt sowohl für Training als auch für Live-Web-Suchen innerhalb von Claude. PerplexityBot crawlt primär für die Live-Antwortgenerierung der Perplexity-Suchmaschine. Die Anbieter dokumentieren, dass sie
robots.txt beachten. Die Bots werden aber häufig versehentlich zusammen mit klassischen SEO-Crawlern blockiert, siehe Tab 1 für eine Einzelprüfung pro Bot.AI Overview SEO / AI Overview Optimization
Maßnahmen, die speziell darauf zielen, als Quelle in Google AI Overviews ausgewählt zu werden, die KI-generierten Zusammenfassungen über den klassischen Google-Suchergebnissen. Anders als beim klassischen Ranking prüft Tab 3 diese 8 Signale für eine beliebige URL: FAQPage, HowTo, Schema-Dichte, llms.txt, Fragen-Überschriften (H2/H3), Sitemap, Google-Extended und Meta-Description.
Branchenspezifische Analyse
Für einige Branchen haben wir vertiefende Marketing-Übersichten mit typischen Engpässen und konkreten Handlungsempfehlungen zusammengestellt.
Alle Branchen ansehenWie viele Menschen in Deutschland KI-Chats statt Suchmaschinen nutzen und wie viele kleine Unternehmen selbst KI einsetzen, zeigen die Marketing-Statistiken für KMU mit Originalquellen.