Die Ausgangslage: Sichtbarkeit jenseits der klassischen Suche
Der Kunde, ein spezialisierter Online-Shop für nachhaltige Outdoor-Ausrüstung mit Sitz in Schweden und 45 Mitarbeitern, stand vor einer komplexen Wachstumsphase. Die Expansion in die DACH-Region, Benelux und das Vereinigte Königreich war ambitioniert, doch die organische Sichtbarkeit in diesen Zielmärkten blieb trotz hoher Produktqualität und etablierter Markenbekanntheit im Heimatmarkt deutlich hinter den Erwartungen zurück. Das Kernproblem war nicht mangelnde Produktqualität, sondern eine veraltete digitale Architektur, die den sich rasant wandelnden Suchgewohnheiten nicht gerecht wurde.
Besonders kritisch war die Abhängigkeit von klassischen Long-Tail-Keywords. Die Nutzer in den Zielmärkten wechselten zunehmend von der traditionellen Suchmaschine zu KI-gestützten Antwort-Engines wie Perplexity, ChatGPT oder Bing Copilot. Diese Engines priorisieren nicht mehr nur die Anwesenheit eines Keywords, sondern die semantische Tiefe, die strukturierte Verfügbarkeit und die Autorität der Quelle. Das Unternehmen erkannte schnell, dass ohne eine Anpassung an diese neuen Paradigmen die internationale Expansion stagnieren würde. Es fehlte an einer integrierten Strategie, die sowohl die technische Basis für Multi-Market-SEO als auch die Content-Struktur für AI-Visibility (Generative Engine Optimization) berücksichtigte.
Herausforderungen im Detail
Um die Transformation erfolgreich umzusetzen, mussten wir vier spezifische Hürden überwinden, die bei internationalen E-Commerce-Expansionsprojekten häufig auftreten:
- Fehlende technische Internationalisierung: Die bestehende Infrastruktur basierte auf einer monolithischen Struktur ohne klare Trennung der Märkte. Dies führte zu cannibalization und verwirrten Suchmaschinen bei der Zuordnung der Inhalte.
- Inhomogene Datenqualität: Produktbeschreibungen waren zwar vorhanden, aber nicht in einem Format, das für Large Language Models (LLMs) leicht extrahierbar war. Fehlende Schema.org-Markups und unklare Datenblätter machten es den KIs unmöglich, präzise Antworten zu generieren.
- Kulturelle Distanz in der Kommunikation: Die vorhandenen Inhalte waren Übersetzungen der schwedischen Originale. Dies führte zu einem „translated feel“, das in den DACH- und UK-Märkten als wenig vertrauenswürdig empfunden wurde und die Conversion Rate drückte.
- Messunsicherheit bei AI-Traffic: Es gab keine Instrumentierung, um zu verstehen, ob und wie oft die Inhalte in generativen Antworten zitiert wurden. Ohne diese Daten war jede Optimierung ein Blindflug.
Der Tech-Stack für AI-Readiness
Wir haben einen schlanken, aber leistungsfähigen Stack zusammengestellt, der auf die spezifischen Anforderungen der AI-Optimierung zugeschnitten ist:
- Ahrefs & Semrush: Für die tiefgehende Keyword-Research und Competitive Gap Analysis in den drei Zielmärkten, um Lücken in der semantischen Landkarte zu identifizieren.
- Screaming Frog: Für regelmäßige, vollständige Crawls aller Subdomains, um technische Integrität, hreflang-Korrektheit und Indexierbarkeit sicherzustellen.
- Custom Python-Scripting: Zur Automatisierung des Trackings von AI-Quotierungen. Das Skript füttert spezifische Produkt-Prompts an verschiedene LLM-APIs und loggt die Referenzen auf die eigene Domain.
- Google Search Console & Bing Webmaster Tools: Für das Monitoring der organischen Rankings und die Identifikation von Indexierungsproblemen auf Subdomain-Ebene.
- Schema.org Validator: Zur Validierung der strukturierten Daten, um sicherzustellen, dass Produkte, FAQs und Artikel korrekt von AI-Parsers gelesen werden können.
Umsetzung: Von der Technik zur semantischen Tiefe
Die Implementierung erfolgte in einem modaren Ansatz, der technische Perfektion mit strategischer Content-Entwicklung verband. Der Fokus lag auf der Schaffung von Content-Silos, die nicht nur für Menschen, sondern explizit für die Abfrage-Muster von Large Language Models optimiert wurden.
Technische Fundamentierung: Wir migrierten die internationale Struktur auf ein Subdomain-Modell (z. B. de.domain.com). Diese Entscheidung trafen wir bewusst, um die technische Trennung der Märkte zu gewährleisten und hreflang-Taggen präzise zuzuordnen. Parallel dazu optimierten wir die Core Web Vitals. Ziel war eine Ladezeit unter 1,5 Sekunden für mobile Geräte in allen Zielmärkten, da Geschwindigkeit ein indirekter, aber wichtiger Qualitätsfaktor für AI-Engines ist. Ein entscheidender Schritt war die Implementierung von erweiterten Schema.org-Markups. Wir definierte nicht nur Standard-Produktdaten, sondern integrierten FAQ- und Artikel-Schemas, die den KIs strukturierte Antworten direkt im Code bereitstellten.
Content-Strategie für AI-Sichtbarkeit: Hier lag das Herzstück der Strategie. Wir entwickelten das Konzept des „Answer-First“-Contents. Jede Produktseite und jeder relevante Blogartikel begann mit einer direkten, prägnanten Antwort auf die wahrscheinlichste Nutzerfrage. Erst danach folgten die detaillierten Erklärungen, Vergleiche und Kaufberatung. Diese Struktur spiegelt wider, wie LLMs Informationen verarbeiten: Sie suchen zunächst nach einer klaren Aussage, bevor sie in die Tiefe gehen.
Darüber hinaus integrierten wir statische Datenblätter und Vergleichstabellen, die von LLMs leicht extrahiert und in generativen Antworten zitiert werden können. Diese „Data Points“ dienen als Anker für die KI, um die eigene Marke als authoritative Quelle zu positionieren.
Lokalisierung statt Übersetzung: Wir beauftragten native Speaker für die DACH- und UK-Märkte. Diese passten nicht nur die Sprache, sondern die Argumentationsmuster an. In Deutschland lag der Fokus auf Nachhaltigkeit und langlebiger Technik, im UK mehr auf Outdoor-Abenteuer und Wetterbeständigkeit. Diese kulturelle Nuancierung steigerte die Glaubwürdigkeit der Inhalte erheblich.
Wie wir die Zahlen messen
Die Messung der Effektivität im Bereich AI-SEO erfordert einen anderen Ansatz als im klassischen SEO. Wir haben ein dreistufiges Monitoring-System aufgebaut:
- AI-Quotierung Tracking: Unser Custom-Script testet wöchentlich 500 spezifische Prompts (z. B. “Welches ist das beste nachhaltige Zelt für 2 Personen unter 500€?”) in Perplexity und Bing. Wir zählen, wie oft die Domain als Quelle genannt wird und in welchem Kontext.
- Klassische Rankings: Wir tracken die Positionen der Top-50 Keywords pro Markt in Google und Bing, um sicherzustellen, dass die technische Optimierung auch die klassischen Rankings stabilisiert.
- Conversion Tracking: In Google Analytics 4 haben wir einen separaten Kanal für „AI-Referenced Traffic“ angelegt, indem wir UTM-Parameter für manuelle Tests und spezifische Referrer-Patterns nutzen. Dies erlaubt uns, die Conversion Rate genau dieser Nutzergruppe zu isolieren und zu analysieren.
Ergebnis: Sichtbarkeit im neuen Suchparadigma
Innerhalb von sechs Monaten nach der vollständigen Implementierung verzeichnete das Unternehmen signifikante Zuwächse in der organischen Sichtbarkeit und der AI-Referenzen. Die Strategie erwies sich als besonders effektiv in der Benelux-Region, wo der Wettbewerb um nachhaltige Produkte zwar hoch, aber die Content-Tiefe der Wettbewerber gering war.
Die wichtigsten Kennzahlen nach 6 Monaten:
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| AI-Referenzen (Monatlich) | 120 | 1.850 | +1.442 % |
| Top-3 Rankings (AI-Engine) | 2 | 14 | +600 % |
| Organischer Traffic (DACH) | 8.500 | 22.000 | +159 % |
| Conversion Rate (Organisch) | 1,2 % | 2,1 % | +75 % |
Besonders hervorzuheben ist die Steigerung der Conversion Rate. Nutzer, die über AI-Engines auf die Seite kamen, hatten eine deutlich höhere Kaufabsicht. Die „Answer-First“-Strategie hatte ihre spezifischen Zweifel bereits im Vorfeld der Klicks geklärt. Diese Nutzer kamen nicht mit der allgemeinen Frage „Was brauche ich?“, sondern mit der spezifischen Frage „Ist dieses Produkt die beste Lösung für mein Problem?“, die sie in der AI-Antwort bereits beantwortet erhalten hatten. Die Top-3-Position in den AI-Suchergebnissen wurde in allen drei Märkten für die Kern-Produktkategorien erreicht, was eine starke Autoritätspositionierung im neuen Suchparadigma bestätigt.
Learnings und was wir heute anders machen würden
Dieses Projekt verdeutlicht, dass internationale SEO-Expansion im Jahr 2024 nicht mehr nur auf Keyword-Dichte und Backlinks basiert. Die Struktur des Contents ist entscheidend, um von AI-Engines als authoritative Quelle erkannt zu werden. Wir haben jedoch auch gelernt, dass die Prozessgeschwindigkeit noch optimierbar ist.
Was wir heute anders machen würden:
- Frühere Integration des AI-Trackings: Wir hätten das Custom-Tracking-Script bereits in der Audit-Phase implementieren sollen, um eine präzisere Baseline für die AI-Sichtbarkeit zu haben. Die manuellen Tests am Anfang waren zeitaufwendig und weniger reproduzierbar.
- Automatisierung der Lokalisierung: Der manuelle Prozess der Lokalisierung durch native Speaker war qualitativ exzellent, aber langsam. Heute würden wir einen Hybrid-Ansatz wählen: KI-gestützte Vorübersetzung, die von Native Speakern nur noch für die kulturelle Nuancierung und Qualitätskontrolle bearbeitet wird. Dies hätte die Time-to-Market für die neuen Märkte um ca. 30 % verkürzt.
- Stärkere Fokussierung auf Video-Meta-Daten: Wir haben erkannt, dass AI-Engines zunehmend auch Video-Content analysieren. Die fehlende Optimierung der Video-Transkripte und Meta-Tags war eine verpasste Chance, die Sichtbarkeit in multimodalen Suchergebnissen weiter zu steigern.
Für Mittelständler, die in mehrere Märkte expandieren, ist die Investition in eine robuste Content-Struktur oft kosteneffizienter als reines Paid Media. Sie schafft eine langfristige, skalierbare Sichtbarkeit, die mit jeder neuen KI-Iteration an Wert gewinnt, da die Qualität der Daten und die Klarheit der Struktur die einzigen Konstanten bleiben, die über die Algorithmen-Änderungen hinweg Bestand haben.