Ausgangslage: Unsichtbarkeit im KI-Zeitalter
Der Kunde, ein spezialisierter Logistikdienstleister mit Sitz in Antwerpen, betreute primär industrielle Kunden in der Benelux-Region. Mit 45 Mitarbeitern und einem starken Fokus auf Nischenlösungen für die Industrie hatte das Unternehmen über Jahre hinweg eine exzellente Reputation aufgebaut. Trotz dieser fachlichen Exzellenz stagnierte die Zahl der qualifizierten Neukundenanfragen seit mehreren Quartalen. Das klassische SEO-Portfolio war auf dem neuesten Stand, die Rankings in Google waren stabil, doch die Lead-Generierung lief nicht mehr wie gewünscht.
Das Kernproblem lag in der veränderten Art, wie B2B-Entscheider heute recherchieren. Immer mehr Einkäufer und Operations-Manager nutzen Large Language Models (LLMs) wie ChatGPT oder Bing Copilot, um erste Informationen über Logistikdienstleister einzuholen. Die Website des Kunden war zwar für klassische Suchmaschinen optimiert, aber für diese KI-Systeme schwer lesbar. Die Inhalte bestanden aus langen, dichten Fließtexten, die von LLMs nur schwer in präzise Antworten umgewandelt werden konnten. Infolgedessen zogen die KI-Systeme ihre Antworten aus generischen Quellen oder Wettbewerbern, deren Inhalte klarer strukturiert waren. Die Folge war ein stiller Verlust von potenziellen Kunden, die bereits in der Frühphase ihrer Recherche zu Konkurrenten abwanderten, weil diese von den KI-Systemen als „Experte“ zitiert wurden.
Das Ziel des Projekts war klar definiert: Ein Anstieg der qualifizierten Anfragen um 25 bis 35 Prozent innerhalb von sechs Monaten, ohne den bestehenden Traffic in klassischen Suchmaschinen zu gefährden. Wir sollten die Sichtbarkeit in KI-gestützten Rechercheprozessen erhöhen und die Conversion-Quote der daraus resultierenden Leads verbessern.
Herausforderungen: Warum Standard-SEO nicht reichte
Bei der Analyse der Ausgangssituation stießen wir auf drei spezifische Hindernisse, die eine einfache Anpassung des bestehenden SEO-Plans unmöglich machten.
Erstens war die technische Struktur der Website nicht für maschinelle Lesbarkeit ausgelegt. Die Seiten bestanden aus komplexen Nested-Lists und langen Absätzen ohne klare semantische Abgrenzung. LLMs benötigen definierte Einheiten, um Informationen zu extrahieren und zu validieren. Zweitens fehlte ein strategisches Mapping der „Fragen“. Das Unternehmen wusste, welche Dienstleistungen es anbot, aber nicht, wie diese Fragen von KI-Systemen formuliert wurden. Die Diskrepanz zwischen menschlicher Fachsprache und der abstrakten Art, wie LLMs nach Lösungen suchen, war groß. Drittens gab es keinen Mechanismus, um die Qualität der Leads zu messen, die aus KI-Quellen kamen. Ohne diese Differenzierung war es unmöglich, den ROI der neuen Strategie zu belegen oder die Sales-Teams entsprechend zu schulen.
Der Tech-Stack
Um diese Herausforderungen zu meistern, nutzten wir einen fokussierten Stack aus bewährten Tools, die aufeinander abgestimmt waren:
- WordPress: Als CMS diente es als Basis für die Content-Restructuring und bot die Flexibilität für Custom-Fields.
- Yoast SEO: Wurde für die Basis-Optimierung und die Verwaltung der Meta-Daten verwendet, um die klassische Sichtbarkeit zu sichern.
- Custom Schema-Generator: Ein von uns entwickeltes Skript, das automatisch erweiterte Schema.org-Markups für Logistikdienstleistungen, Preise und FAQs generierte.
- HubSpot CRM: Diente als Zentrum für die Lead-Verwaltung, Score-Erweiterung und die Automatisierung der E-Mail-Journeys.
Umsetzung: Drei Phasen zur KI-Sichtbarkeit
Wir implementierten eine dreistufige Strategie zur Optimierung der AI-Visibility über einen Zeitraum von 8 Wochen. Der Fokus lag dabei nicht auf der Massenproduktion neuer Inhalte, sondern auf der radikalen Verbesserung der Lesbarkeit und Struktur der bestehenden Seiten.
Phase 1: Content-Restructuring (Wochen 1–3) In der ersten Phase strukturierten wir die bestehenden Service-Seiten neu. Wir identifizierten die 10 häufigsten Fragen, die in der Logistikbranche an KI-Systeme gestellt werden (z. B. zu Zollabwicklung, Kühlketten oder Zollfreilager). Statt langer Fließtexte setzten wir auf klare, fragmentierte Abschnitte. Jeder Abschnitt beantwortete genau eine Frage mit einer prägnanten, direkten Antwort. Diese Abschnitte wurden mit semantischen Meta-Tags versehen, die LLMs die Zuordnung erleichtern. Wir entfernten Füllwörter und komplexe Satzstrukturen, um die „Extrahierbarkeit“ der Informationen zu maximieren.
Phase 2: Schema-Tagging & Technical Setup (Wochen 4–5) Die technische Basis war entscheidend. Wir integrierten erweiterte Schema.org-Markups für Logistikdienstleistungen, Preise und FAQ-Bereiche. Dies half den KI-Systemen, die Natur der Inhalte zu verstehen. Zusätzlich erstellten wir eine dedizierte FAQ-Sektion auf jeder Service-Seite. Diese FAQ-Sektionen waren nicht nur für Menschen, sondern explizit für LLM-Queries optimiert. Die Fragen wurden so formuliert, wie ein Nutzer sie in einen Chatbot eingeben würde, und die Antworten waren auf 50–80 Wörter begrenzt, um als „Snippet“ in KI-Antworten zitiert zu werden.
Phase 3: Lead-Capture & Automation (Wochen 6–8) Optimierung nützt wenig, wenn die Leads nicht effizient verarbeitet werden. Wir verknüpften die optimierten Seiten mit dem HubSpot CRM. Jede Anfrage, die über eine Seite mit hohem „AI-Relevance-Score“ kam, wurde automatisch mit einem höheren Lead-Score bewertet. Eine E-Mail-Journey startete sofort, die spezifische Case Studies und technische Datenblätter enthielt, die genau zur abgefragten Logistikdienstleistung passten. Dies reduzierte die Zeit bis zur ersten qualifizierten Interaktion mit dem Sales-Team erheblich.
Wie wir die Zahlen messen
Die Messung der AI-Visibility ist komplexer als klassisches SEO, da keine direkten „Impressions“ von LLMs geliefert werden. Wir nutzten daher einen hybriden Ansatz. Erstens analysierten wir manuell die Zitationshäufigkeit des Kunden in den Antworten gängiger LLMs auf spezifische Test-Queries. Dies lieferte einen qualitativen Indikator für die Sichtbarkeit. Zweitens nutzten wir UTM-Parameter und Referrer-Tracking im CRM, um Leads zu kennzeichnen, die aus KI-Plattformen stammten (z. B. über ChatGPT-Web-Links). Drittens verglichen wir die Conversion-Rates dieser spezifischen Leads mit dem Durchschnitt. Die „+30 %“ an Anfragen basierten auf dem Vergleich des Vorquartals mit dem ersten Quartal nach Go-Live, wobei wir die qualitative Bewertung der Leads durch das Sales-Team (MQL vs. SQL) als Filter nutzten, um nur wirklich qualifizierte Anfragen zu zählen.
Ergebnis: Messbares Wachstum in 90 Tagen
Innerhalb von 90 Tagen nach Go-Live zeigten sich deutliche und statistisch signifikante Verbesserungen in den KPIs. Die Strategie hatte nicht nur die Quantität, sondern vor allem die Qualität der Leads erhöht.
- 30 % mehr qualifizierte Anfragen im Vergleich zum Vorquartal.
- 22 % höhere Conversion Rate auf Service-Seiten.
- 15 % schnellerer Sales-Cycle dank besserer Lead-Qualifizierung durch AI-Context.
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Qualifizierte Anfragen | 45/Monat | 58/Monat | +29 % |
| AI-Zitationen (Schätzung) | 3/Monat | 12/Monat | +300 % |
| Lead-Score > 70 | 18 % | 27 % | +9 % |
Die meisten neuen Leads kamen aus Belgien und den Niederlanden, was die regionale Zielgruppenausrichtung bestätigte. Besonders bemerkenswert war die Qualität der Anfragen: Die Interessenten brachten bereits spezifische Fragen zur Logistikdienstleistung mit, da sie die Informationen bereits aus der KI-Interaktion bezogen hatten. Das Sales-Team musste weniger Zeit für die Primärqualifizierung aufwenden, was den 15 % kürzeren Sales-Cycle erklärte.
Learnings und Was wir heute anders machen würden
AI-Visibility ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess. Drei zentrale Erkenntnisse aus der Umsetzung haben unser Vorgehen nachhaltig verändert.
Erstens: Struktur schlägt Umfang. LLMs bevorzugen klare, fragmentierte Inhalte vor langen Texten. Eine Seite mit 5 präzisen FAQ-Antworten performte besser als eine Seite mit 2.000 Wörtern. Wir haben gelernt, dass „Less is More“ im KI-Kontext gilt. Zweitens: Technische Basis ist entscheidend. Ohne korrektes Schema-Tagging bleibt der Content für KI-Systeme unsichtbar. Der technische Aufwand lohnt sich, da er die Grundlage für alle weiteren Optimierungen bildet. Drittens: CRM-Integration maximiert den ROI. Die Optimierung der AI-Visibility wirkt nur, wenn die Leads auch schnell und qualitätsbewusst bearbeitet werden. Die automatische Lead-Scoring-Erweiterung war der Schlüssel zum messbaren Erfolg.
Was wir heute anders machen würden:
- Früheres Monitoring: Wir hätten ein automatisiertes Monitoring-Tool für LLM-Zitationen von Tag 1 an eingesetzt, um die Effektivität der Content-Änderungen in Echtzeit zu validieren, statt auf manuelle Checks zu warten.
- Multimodale Inhalte: Wir hätten von Anfang an auch PDF-Dokumente und technische Datenblätter mit Schema-Tagging versehen, da LLMs zunehmend auf diese Dokumentarten zugreifen.
- Internes Training: Wir hätten das Marketing-Team früher in die neuen Content-Richtlinien eingewiesen, um die Konsistenz der neuen Struktur bei der Pflege der Inhalte sicherzustellen.
Fazit und Empfehlung
Die Optimierung der AI-Visibility ist für B2B-Unternehmen, insbesondere in spezialisierten Branchen wie der Logistik, kein Nice-to-have, sondern ein strategischer Imperativ. Beginnen Sie mit einem Audit der bestehenden Inhalte. Identifizieren Sie die 10 häufigsten LLM-Queries in Ihrer Branche und optimieren Sie diese Seiten zuerst. Messen Sie die Ergebnisse nach 30 Tagen und skalieren Sie erfolgreich. Der Aufwand ist moderat, der Ertrag in Form von hochwertigen, vorbereiteten Leads jedoch erheblich.