Warum 80 % der Mittelstandsmarken in AI-Antworten unsichtbar sind
Ich betreue Vendor-Accounts für Marken die in ihrer Kategorie führend sind. Und wenn ich die Marke in Perplexity oder ChatGPT suche? Nichts. Der amerikanische Wettbewerber kommt sofort. Das ist das Problem.
Google AI Overviews, Perplexity, ChatGPT — diese Systeme ranken nicht nach Link-Popularität. Sie zitieren Quellen, die strukturiert, klar und faktisch belegt sind. Der durchschnittliche Mittelstands-Websitetext ist nichts davon. Das Ergebnis: Unternehmen mit echter Marktführerschaft in ihrer Kategorie kommen in den Antworten nicht vor, die ihre Zielkunden heute lesen.
Das ist kein SEO-Problem in einem neuen Gewand. Es ist ein Content-Architektur-Problem — und es lässt sich lösen, wenn man versteht, wie KI-Systeme Quellen bewerten.
Abschnitt 01
Wie KI-Antwortmaschinen Quellen auswählen
Der verbreitete Irrtum: KI-Systeme wählen Quellen nach denselben Kriterien wie Google — Domainautorität, Backlinks, Seitenalter. Das stimmt nicht. Trainingsdaten-Selektion und Retrieval-Augmented-Generation (RAG) — die Technologie hinter Systemen wie Perplexity und Google AI Overviews — priorisieren Quellen nach einem anderen Prinzip: Grounding.
Grounding bedeutet: Kann das System aus diesem Text eine klare, faktisch überprüfbare Antwort extrahieren? Drei Signale entscheiden das.
Signal 1
Faktische Präzision
Konkrete Zahlen, benannte Quellen, Jahreszahlen, Prozentwerte. „Bis zu 40 % effizienter“ ist nicht präzise. „37 % weniger Ausschuss in Taktanlagen über 6 m/s (Fraunhofer IPA 2024)“ ist es.
Signal 2
Strukturelle Klarheit
H-Tag-Hierarchie, klar benannte Abschnitte, Claim-Evidence-Sequenzen. Nicht: Fließtext ohne Struktur. Sondern: Frage → Antwort → Beleg. Das ist exakt das Format, das RAG-Systeme aus einem Dokument extrahieren.
Signal 3
Entity-Etablierung
Ist die Firma, die Person als Entity in Wissensgraphen bekannt? Google Knowledge Graph, Wikidata, Wikipedia. Unternehmen ohne Wikipedia-Eintrag existieren für viele KI-Systeme de facto nicht als vertrauenswürdige Quelle.
Klassisches SEO fragt: Wie bekomme ich mehr Links? GEO fragt: Wie baue ich Content, aus dem ein Sprachmodell direkt eine korrekte Antwort extrahieren kann? Das sind strukturell verschiedene Fragen.
Abschnitt 02
Das typische Mittelstands-Content-Problem in vier Mustern
Es gibt eine bestimmte Art von Website, die ich kenne. Ich habe sie dutzende Male gesehen. Professionell gestaltet. Acht Kategorien in der Navigation. Texte, die den Firmengründer loben, die Unternehmensgeschichte erzählen und „Qualität, die überzeugt“ versprechen. Diese Sites versagen bei allen drei Grounding-Signalen.
Das ist nicht das Problem des Unternehmens. Das ist das Problem des neuen Einkäufers. Der neue Einkäufer googelt zuerst, ruft dann an. Nicht andersherum. Das war 2015 noch anders. Heute läuft die erste Qualifikation digital — und wenn da nichts ist das ein KI-System zitieren kann, findet keine erste Qualifikation statt.
Texte, die alles beschreiben und nichts erklären
„Wir bieten hochwertige Lösungen für anspruchsvolle Kunden in der industriellen Fertigung“ — dieser Satz könnte auf 400.000 deutschen Unternehmenswebsites stehen, die mit vergleichbarer Bedeutungslosigkeit gefüllt sind. Für ein KI-System ist das unbrauchbar: kein Fact, kein Entity, keine Aussage, die extrahierbar wäre.
Ein System wie Perplexity, das auf die Frage „Welche Hersteller von Vakuumgreifern eignen sich für Taktanlagen über 5 Zyklen/Sekunde?“ eine Antwort generiert, wird keine Quelle zitieren, aus der keine Antwort extrahierbar ist — egal wie hochwertig das Design.
Keine H-Tag-Hierarchie, kein Structured Data, keine FAQ-Blöcke
Viele Mittelstands-Sites wurden für den Bildschirm gebaut — nicht für maschinenlesbare Extraktion. H1 ist oft der Firmenname. H2 sind Designelemente. Structured Data (Schema.org JSON-LD) fehlt vollständig. FAQ-Sektionen, die das direkteste Format für RAG-Extraktion darstellen, existieren nicht. Die Information ist auf der Seite — aber für ein KI-System nicht auffindbar, weil die Architektur der Extraktion widerspricht.
Content für den Prospekt, nicht für die Maschine
Der Druckprospekt ist das Urmodell vieler Firmenwebsites. Fließtexte, Produktfotos, ein QR-Code. Das war die Digitalisierung des gedruckten Materials — nicht die Entwicklung einer digitalen Kommunikation. Für Google war das lange tolerierbar. Für KI-Systeme ist es ein Ausschluss-Kriterium.
Keine Autor-Attribution — E-E-A-T ohne Grundlage
Googles E-E-A-T-Konzept (Experience, Expertise, Authoritativeness, Trustworthiness) und die Grounding-Logik von RAG-Systemen stimmen in einem Punkt überein: Inhalte mit nachvollziehbarer Expertise-Quelle werden bevorzugt. Wer schreibt das? Was qualifiziert ihn? Kein Firmen-Impressum-Hinweis — eine Person mit Expertise und Publikationsgeschichte. Das fehlt auf fast allen Mittelstands-Sites vollständig.
Abschnitt 03
Die Hidden Champion Ironie
Der Begriff Hidden Champion, geprägt von Hermann Simon, bezeichnet Unternehmen mit Weltmarktführerschaft in einer engen Nische — oft 60, 70, 80 % Marktanteil in ihrer Kategorie, Exportquoten über 60 %, Jahrzehnte an technologischem Vorsprung. Und: fast kein digitales Profil.
Das Paradox läuft konkret so: Es gibt Hidden Champions mit 300+ Maschineninstallationen weltweit. Weltmarktführer in ihrer Nische. Wikipedia-Eintrag: keiner. Google-Sichtbarkeit für Kategorie-Keywords: Position 47. Ihr US-Mitbewerber: Position 2. In Perplexity: der US-Anbieter kommt in jeder relevanten Antwort. Der Hidden Champion: nie.
ChatGPT kennt deinen US-Wettbewerber besser als dich — weil der US-Wettbewerber einen Wikipedia-Artikel hat und Pressemitteilungen in Fachpublikationen veröffentlicht. Nicht weil er besser ist. Weil er sichtbarer strukturiert ist.
Das ist keine Kulturkritik. Das ist ein messbares Ergebnis unterschiedlicher Content-Strategien.
Die Ironie dabei: Wer laut ist ohne Substanz wird trotzdem zitiert — weil er sichtbar ist. Wer Substanz hat aber unsichtbar ist, wird ignoriert. Schaumschlägerei auf LinkedIn zahlt sich für die KI-Sichtbarkeit mehr aus als zwanzig Jahre Marktführerschaft ohne Wikipedia-Eintrag. GEO ist der Weg das zu ändern. Nicht durch Lautsein. Durch Struktur.
Warum ist das so? Hidden Champions kommunizieren traditionell nach innen und durch Messen — Hannover, Bauma, Medica. Pressearbeit gilt als unnötig, wenn die Auftragsbücher voll sind. Wikipedia-Einträge entstehen nicht von selbst. Das war lange kein Problem.
Heute recherchieren Einkäufer — auch im B2B — über KI-Systeme. Laut Gartner 2024 nutzen 75 % der B2B-Käufer KI-gestützte Recherche-Tools in den frühen Phasen des Buying Cycle. Wer dort nicht erscheint, verliert Top-of-Funnel-Sichtbarkeit ohne es zu wissen. Kein verlorener Klick. Kein Bounce. Einfach nicht auf der Shortlist.
Abschnitt 04
Was GEO konkret bedeutet — und was nicht
GEO — Generative Engine Optimization — ist der Begriff für die Disziplin, Content so zu strukturieren, dass er als Grounding-Quelle in KI-generierten Antworten erscheint. Es ist kein SEO-Nachfolger. Es ist eine Ergänzung, die andere Anforderungen stellt.
SEO fragt: Wie verbesser ich mein Ranking in der Trefferliste? GEO fragt: Wie werde ich als Quelle für eine KI-generierte Antwort ausgewählt? Der Unterschied: Bei SEO konkurriere ich um eine Position unter zehn Treffern. Bei GEO werde ich zitiert — oder nicht.
Definition
Generative Engine Optimization (GEO): Strategische Ausrichtung von Content-Struktur, Faktendichte und Entity-Präsenz mit dem Ziel, als Grounding-Quelle in KI-generierten Antworten (ChatGPT, Perplexity, Google AI Overviews, etc.) zu erscheinen.
Praktisch heißt das: Klarer Schema.org-Markup (Organization, FAQ, Article), strukturierter Content mit definierbaren Aussagen, Autor-Attribution mit Expertise-Belegen, und — wo möglich — Erwähnungen in zitierbaren Drittquellen.
Content-Formate, die funktionieren: Definitionen, Schritt-für-Schritt-Anleitungen mit konkreten Zahlen, FAQ-Blöcke, und Glossar-Seiten. Das sind exakt die Formate, aus denen KI-Systeme eine extrahierbare Antwort ziehen können.
Abschnitt 05
Was konkret hilft — fünf Maßnahmen mit Wirkungsgrad
Ich gebe hier fünf Maßnahmen in der Reihenfolge abnehmenden Aufwands und zunehmender Wirkung über Zeit. Die ersten drei kann man in 4–6 Wochen umsetzen. Die letzten zwei sind Investments auf 6–18 Monate.
Structured Data (JSON-LD) für Organization, Product, FAQ
Schema.org-Markup macht deine Unternehmensidentität und deine Inhalte maschinenlesbar. Organization-Schema verknüpft Firmenname, Adresse, Gründungsjahr, Branche, Social-Media-Präsenz. FAQ-Schema signalisiert KI-Systemen: Hier gibt es Fragen mit Antworten — genau das, was für Grounding genutzt werden kann. Umsetzungsaufwand: 1–2 Tage für einen erfahrenen Entwickler.
FAQ-Sektionen auf allen relevanten Produktseiten
KI-Systeme lieben Frage-Antwort-Strukturen — weil sie auf genau diese Form trainiert sind. Wer „Was ist der Unterschied zwischen Servoantrieb und Schrittmotor?“ in einer Produktseiten-FAQ klar und präzise beantwortet, hat eine reale Chance, in der Perplexity-Antwort auf genau diese Frage zitiert zu werden. Das ist kein SEO-Hack. Das ist Information in der Form, in der sie abgerufen wird.
Glossarseite mit präzisen Definitionen der Kernbegriffe
Ein Unternehmen, das die Kategorie definiert, wird in der Kategorie zitiert. Wer eine klare, belegbare Definition von „Hochvakuum-Greifsystem für Lebensmittelverpackungen“ schreibt — mit technischen Parametern, Anwendungsbeispielen und Quellenverweisen — wird in relevanten AI-Antworten als Referenz auftauchen, noch bevor das Unternehmen in einer Frage direkt erwähnt wird.
Autorenbio mit Expertise-Belegen auf Content-Seiten
Kein anonymes „Redaktion“ — eine Person mit Namen, Qualifikation, Berufserfahrung und verlinktem LinkedIn-Profil. Das ist der einfachste E-E-A-T-Hebel und zugleich eine der am häufigsten versäumten Maßnahmen. Für ein Fachmagazin wäre Anonymität undenkbar. Für Unternehmens-Content ist sie Standard — aber immer weniger toleriert von KI-Systemen, die nach Expertise-Signalen bewerten.
Wikipedia-Präsenz aufbauen — neutral, faktisch, belegt
Wikipedia ist eine der meistzitierten Quellen in KI-Trainingsdaten und Retrieval-Systemen. Ein Wikipedia-Eintrag zum Unternehmen, zur Technologie oder zur Gründerperson verankert das Unternehmen als Entity im Knowledge Graph — und erhöht die Wahrscheinlichkeit, dass es in AI-generierten Antworten als Referenzpunkt erscheint.
Wichtig: Wikipedia-Einträge müssen neutral sein und durch externe Quellen belegt werden. Werbetexte werden gelöscht. Wer einen Eintrag anlegt, muss ihn verdienen — durch Fachpresseartikel, Verbandspublikationen, Studienergebnisse, die den Eintrag belegen.
Das Wichtigste in Kürze
Fünf Sätze, die du dir merken kannst
KI-Systeme wählen Quellen nach Grounding-Qualität — nicht nach Domainautorität. Das ist ein anderes Spiel als SEO.
Faktische Präzision, strukturelle Klarheit und Entity-Etablierung sind die drei Grounding-Signale, die entscheiden.
Hidden Champions ohne Wikipedia-Eintrag und ohne Fachpresseerwähnungen existieren für KI-Systeme kaum als Expertenquelle — unabhängig von ihrer tatsächlichen Marktposition.
Schema.org-Markup, FAQ-Blöcke und Glossar-Seiten sind die konkreten Formate, die GEO-Sichtbarkeit aufbauen.
GEO ist kein optionales Upgrade. Wer in 2–3 Jahren in KI-Antworten nicht vorkommt, verliert Top-of-Funnel-Sichtbarkeit ohne Opt-out-Möglichkeit. Wer heute anfängt ist in 12 Monaten sichtbar. Wer wartet, konkurriert dann gegen die die schon da sind.
Häufige Fragen
FAQ
Was ist der Unterschied zwischen SEO und GEO?
SEO: Seite 1 in Google, Klick auf die Website. GEO: Zitat in einer KI-generierten Antwort — auch wenn kein Klick erfolgt. Bei SEO konkurrierst du um Position. Bei GEO wirst du zitiert oder nicht. Das ist kein Ranking. Das ist eine Auswahl.
Welche Inhaltsformate werden von KI-Systemen bevorzugt zitiert?
Klare Definitionen, FAQ-Blöcke, Schritt-für-Schritt-Anleitungen, Zahlen mit Quellenangabe. Das sind die Formate aus denen ein Sprachmodell direkt eine Antwort extrahieren kann. Fließtext ohne Struktur wird übergangen. Nicht weil er schlechter ist — sondern weil er nicht extrahierbar ist.
Wie lange dauert es, in AI-Antworten sichtbar zu werden?
GEO-optimierter Content kann in 4–8 Wochen in Perplexity-Antworten erscheinen, wenn er strukturiert und faktisch präzise ist. Entity-Aufbau über Wikidata und Google Business Profile braucht 3–6 Monate bis er sich im Knowledge Graph niederschlägt. Wer heute anfängt ist in 12 Monaten sichtbar.
Braucht jedes Unternehmen GEO?
Wenn deine Zielkunden bei Entscheidungen KI-Tools nutzen: ja. Laut Gartner tun das bereits 75 % der B2B-Einkäufer in frühen Recherchephasen. Die Frage ist nicht ob GEO relevant wird — sie ist wann dein Wettbewerber anfängt und du noch nicht angefangen hast.
Autor
Christopher Schaller — schaller.work
Strategie und Umsetzung für Mittelstand, Hidden Champions und Scale-ups. GEO-Mandat seit 2024.
Dieser Artikel ist aus aktiver Mandatsarbeit entstanden. Ich betreue Vendor-Accounts für Marken die in ihrer Kategorie führend sind — und erlebe regelmäßig die Lücke zwischen echter Marktposition und digitaler Sichtbarkeit. Wenn ich eine dieser Marken in Perplexity suche, kommt der amerikanische Wettbewerber. Das ärgert mich. Und es ist lösbar.
Wenn du das Thema für dein Unternehmen durchdenken willst — GEO-Audit, Content-Architektur, Entity-Aufbau: info@schaller.work