Die wachsende Lücke in der Sichtbarkeit

Der Kunde, ein spezialisierter B2B-Logistiker mit Sitz in London und rund 250 Mitarbeitern, stand vor einem paradoxen Problem. Trotz einer hohen Domain Authority und jahrelanger Investition in klassische Suchmaschinenoptimierung verzeichnete das Unternehmen einen deutlichen Rückgang des organischen Traffic aus den wachsenden KI-gestützten Suchergebnissen. Nutzer, die komplexe Logistikfragen wie „Cold Chain Compliance UK“ oder „B2B Freight Regulations“ stellten, wurden zunehmend von großen Sprachmodellen (LLMs) direkt beantwortet. Diese Modelle griffen jedoch nicht auf die Inhalte des Kunden zurück, obwohl diese fachlich exakt und detailliert waren.

Das Kernproblem lag in der technischen Struktur der Website. Die bestehenden Inhalte nutzten veraltete Datenformate, die für menschliche Leser gut lesbar waren, aber von LLMs nur schwerlich strukturiert verarbeitet werden konnten. Die Informationen waren zwar vorhanden, aber nicht in einem Format, das maschinelle Intelligenz als authoritative Quelle für generative Zusammenfassungen erkennen konnte. Das Ziel war klar definiert: Die Sichtbarkeit in AI-Summaries für drei strategische Keywords wie ‘cold chain logistics uk’ und ‘b2b freight compliance’ sicherzustellen und damit den Verlust des organischen Reachs umzukehren.

Herausforderungen bei der maschinellen Interpretation

Bevor mit der Umsetzung begonnen werden konnte, mussten drei spezifische technische und inhaltliche Hürden identifiziert werden. Erstens fehlte ein konsistentes Schema-Markup, das die Hierarchie der Informationen für Maschinen verständlich machte. Zweitens waren die Daten zu Einheiten, Adressen und zeitlichen Abläufen in unterschiedlichen Formaten gespeichert, was zu Inkonsistenzen in der semantischen Analyse führte. Drittens fehlten maschinell verifizierbare E-E-A-T-Signale (Experience, Expertise, Authoritativeness, Trustworthiness), die für die Gewichtung der Quelle in KI-Modellen essenziell sind.

Der Tech-Stack für GEO-Optimierung

Um diese Hürden zu überwinden, haben wir einen spezialisierten Tech-Stack zusammengestellt, der auf die Erfordernisse der Generative Engine Optimization zugeschnitten ist:

  • CMS-Plugin für dynamisches Schema: Ein maßgeschneidertes Plugin, das FAQ- und HowTo-Schema basierend auf den Content-Variablen automatisch generiert und pflegt.
  • JSON-LD Datenlayer: Ein zentraler Layer zur Standardisierung aller strukturierten Daten (Zahlen, Einheiten, Adressen) im JSON-LD-Format, um Konsistenz über alle Seiten hinweg zu gewährleisten.
  • E-E-A-T Verifikations-Modul: Ein System zur Integration von Autorenprofilen, verifizierten LinkedIn-Daten und Zertifikaten direkt ins Markup, um maschinelle Verifikation zu ermöglichen.
  • KI-Monitoring-Dashboard: Ein internes Tool zur regelmäßigen Abfrage der Präsenz in verschiedenen LLMs (ChatGPT, Bing Copilot, Perplexity) und zur Tracking der Zitationen.

Umsetzung: Von unstrukturiertem Text zu maschinenlesbaren Daten

Die Umsetzung erfolgte in einem mehrstufigen Prozess, der die technische Infrastruktur und die Content-Strategie gleichermaßen adressierte. Zunächst starteten wir mit einer vollständigen Re-Strukturierung der technischen Basis. Wir implementierten ein einheitliches Schema.org-Markup auf allen relevanten Landingpages. Dabei lag der Fokus auf FAQ- und HowTo-Schema, da diese Formate von LLMs am häufigsten für die Generierung von Schritt-für-Schritt-Antworten und direkten Antworten herangezogen werden.

Projektverlauf in 6 Phasen: Audit der maschinellen Lesbarkeit & Datenformate, Implementierung von FAQ & HowTo Schema-Markup, Standardisierung von Daten in JSON-LD-Format …

Parallel dazu standardisierten wir die Datenformate. Alle Zahlen, Maßeinheiten und Adressdaten wurden in ein einheitliches JSON-LD-Format überführt. Dies eliminierte die Inkonsistenzen, die zuvor die semantische Analyse durch die Modelle erschwerten. Ein weiterer zentraler Punkt war die Verstärkung der E-E-A-T-Signale. Wir fügten ausführliche Autorenprofile hinzu, die nicht nur menschlich sichtbar waren, sondern auch maschinell verifizierbar, indem wir Links zu verifizierten LinkedIn-Profilen und relevanten Zertifikaten im Markup verankerten.

Im zweiten Schritt optimierten wir die Content-Struktur selbst. Wir wandelten die Artikel von narrativen Formaten in „Antwort-basierte Formate“ um. Jeder relevante Artikel begann nun mit einer klaren, maximal 50 Wörter umfassenden Zusammenfassung der Kernfrage. Diese „Direct Answer“ ist der wichtigste Trigger für die Aufnahme in AI-Summaries. Zusätzlich integrierten wir primäre Studien und offizielle Regulierungsdaten mit klaren, maschinenlesbaren Quellenangaben. Dies erhöhte die semantische Dichte und die Autorität der Inhalte für die drei Kern-Keywords und deren Long-Tail-Varianten.

Die technische Umsetzung wurde über das erwähnte CMS-Plugin gesteuert, das das Schema-Markup dynamisch generierte. Der gesamte Migrationsprozess dauerte sechs Wochen, inklusive intensiven Testings in verschiedenen KI-Umgebungen, um sicherzustellen, dass die Inhalte korrekt interpretiert wurden.

Wie wir die Zahlen messen

Die Messung der Erfolgskennzahlen erfolgte über einen mehrschichtigen Ansatz, da KI-gestützte Suchergebnisse keine klassischen Klickdaten im selben Umfang liefern wie Google. Wir nutzten ein Kombination aus drei Methoden. Erstens analysierten wir den Referrer-Traffic aus bekannten KI-Plattformen (wie Bing Copilot oder spezifische Enterprise-LLM-Tools) über unser Analytics-System. Zweitens nutzten wir ein spezialisiertes Monitoring-Tool, das regelmäßig die Ziel-Keywords in verschiedenen LLMs abfragt und dokumentiert, ob und wie oft die Website des Kunden als Quelle zitiert wird. Drittens korrelierten wir den Anstieg des organischen Traffic mit der Qualität der Leads, indem wir die Conversion Rate aus dem neuen Kanal separat trackten. Diese Methodik ermöglichte es, die qualitative und quantitative Verbesserung der Sichtbarkeit präzise zu belegen.

Ergebnis: Dominanz in den generativen Antworten

Nach der vollständigen Indexierung der neuen Inhalte zeigte sich innerhalb kurzer Zeit eine signifikante Verbesserung der Präsenz in KI-gestützten Suchergebnissen. Innerhalb von 90 Tagen erreichte der Kunde die Top-Position für alle drei definierten Kern-Keywords in den organischen KI-Zusammenfassungen. Dies bedeutet, dass Nutzer, die diese spezifischen Fragen stellten, fast ausschließlich die Informationen des Kunden als Grundlage der KI-Antwort erhielten.

Performance-Vergleich vor/nach GEO-Optimierung: Vorher-Nachher-Vergleich der Kennzahlen in %

Die Sichtbarkeit stieg nicht nur quantitativ, sondern auch qualitativ. Durch die höhere Verweildauer auf den zitierten Quellen und die direkte Beantwortung der Nutzerintention stieg die Zahl der qualifizierten Anfragen deutlich an. Die konkreten Ergebnisse nach dem 90-Tage-Zeitraum:

  • Top-1-Rankings: 3 von 3 Kern-Keywords in AI-Summaries positioniert.
  • Organischer Traffic: +42 % Zuwachs aus KI-Referenzen.
  • Lead-Qualität: +18 % mehr qualifizierte Anfragen aus dem neuen Traffic.

Die Investition in strukturierte Daten zahlte sich durch eine höhere Conversion Rate aus dem neuen Kanal schnell aus. Die Leads, die über KI-Summaries generiert wurden, waren oft bereits weiter im Kaufprozess, da sie spezifische, komplexe Fragen gestellt hatten, die nur durch die detaillierte Expertise des Kunden beantwortet werden konnten.

Was wir heute anders machen würden

Rückblickend hätten wir zwei Punkte früher und intensiver angehen sollen. Erstens hätten wir die E-E-A-T-Verifikation bereits im ersten Monat intensiver in das Content-Audit integrieren sollen. Die maschinelle Verifikation von Expertise ist ein Prozess, der Zeit braucht, um von den Modellen „gelernt“ zu werden. Zweitens hätten wir das Testing in den KI-Umgebungen früher gestartet. Wir haben erst nach der vollständigen Migration getestet, aber ein kontinuierliches Testing während der Implementierung hätte Inkonsistenzen in den Datenformaten früher aufgedeckt und die Zeit bis zur Indexierung verkürzen können.

Learnings: Struktur schlägt Stil

Die Optimierung für KI-Ergebnisse erfordert einen fundamental anderen Ansatz als klassisches SEO. Es geht nicht mehr nur um die Platzierung in einer Liste, sondern um die Aufnahme in den generativen Prozess des Modells. Drei zentrale Learnings haben sich aus diesem Projekt ergeben:

  • Struktur schlägt Stil: Klare, hierarchische Datenformate sind für LLMs wichtiger als flüssige, aber unstrukturierte Texte. Ein präziser, datenbasierter Absatz wird einem langen, narrativen Fließtext vorgezogen, wenn es um die Generierung einer Zusammenfassung geht.
  • Autorität durch Verifikation: E-E-A-T-Signale müssen maschinell lesbar und verifizierbar sein. Es reicht nicht, einen Experten-Namen zu nennen; die Maschine muss die Verbindung zwischen dem Content und der verifizierten Identität des Experten im Markup nachvollziehen können.
  • Direkte Antworten: KI-Modelle bevorzugen Inhalte, die Fragen präzise und ohne Umwege beantworten. Die „Direct Answer“ am Anfang des Artikels ist der wichtigste Hebel für die Sichtbarkeit in Summaries.

Unternehmen sollten ihre technische SEO-Strategie dringend um diese GEO-Prinzipien erweitern, um in der neuen Ära der Suchmaschinen konkurrenzfähig zu bleiben. Wer heute nicht für Maschinen lesbar ist, wird in den KI-generierten Antworten unsichtbar sein.

Passend dazu