Die unsichtbare Marke in der KI-Ära
Der Kunde, ein etablierter Hersteller von diagnostischen Ultraschallgeräten mit 150 Mitarbeitern in Italien, stand vor einem paradoxen Problem: Die Produktqualität war unangefochten, die technischen Spezifikationen führend im Markt, und doch wurde die Marke in der digitalen Sphäre zunehmend unsichtbar. Besonders in der DACH- und Südeuropa-Region verzeichnete das Unternehmen einen stetigen Rückgang der organischen Reichweite. Das eigentliche Kernproblem lag jedoch nicht in der klassischen Suchmaschinenoptimierung, sondern in der mangelnden Erkennung durch generative Suchmaschinen und KI-gestützte Assistenten.
Während menschliche Nutzer noch auf Google-Suchergebnisse klickten, wandten sich Fachleute und Einkäufer zunehmend KI-Tools zu, um technische Fragen zu klären. Bei spezifischen Anfragen zu Ultraschall-Präzision oder Kompatibilität zitierten diese Assistenten fast ausschließlich generische Fachartikel oder internationale Wettbewerber. Der Markennamen des Kunden war in den Antwort-Generierungsprozessen der Large Language Models (LLMs) nicht als autoritative Entität verankert. Es fehlte die strukturierte digitale Identität, die Maschinen benötigen, um Informationen eindeutig zuordnen zu können. Ohne diese Verankerung drohte der Verlust relevanter B2B-Kontakte, bevor der Vertrieb überhaupt in Kontakt treten konnte.
Herausforderungen: Vom Text zur Entität
Die Transformation von einer reinen Content-Präsenz zu einer maschinenlesbaren Entität war mit mehreren spezifischen Hürden verbunden. Erstens war die bestehende Website zwar informativ, aber semantisch unstrukturiert. Lange Fließtexte und fehlende Mikrodaten erschwerten es den KI-Modellen, Kernfakten wie „Modell X hat eine Auflösung von Y“ schnell und fehlerfrei zu extrahieren. Zweitens bestand eine starke internationale Konkurrenz, die bereits früh in GEO (Generative Engine Optimization) investiert hatte und dadurch die Datenbanken der AI-Engines dominierte. Drittens war die lokale Verankerung in den Zielmärkten Italien, Spanien und Frankreich fragmentiert. Google Business Profile Einträge waren unvollständig, und wichtige Branchenverzeichnisse enthielten widersprüchliche Daten, was die Entitätsauflösung (Entity Resolution) durch Suchmaschinen zusätzlich erschwerte. Letztlich musste das Team eine Balance finden zwischen menschlich lesbarem Content und der strengen Strukturierung, die für die Indexierung durch LLMs erforderlich ist, ohne die Nutzererfahrung zu beeinträchtigen.
Der Tech-Stack
Um diese komplexe Herausforderung zu meistern, nutzten wir einen spezifischen Stack aus Analyse- und Implementierungswerkzeugen:
- Schema.org Validator & Custom Scripts: Zur Prüfung und Validierung der
MedicalDeviceundOrganization-Mikrodaten direkt im HTML-Code. - AI-Monitoring-Suite: Ein proprietäres Tool, das 50 definierte technische Prompts monatlich an ChatGPT, Bing Copilot und Perplexity sendet, um Zitationsfrequenzen zu tracken.
- Content Management System (Headless): Ermöglichte die saubere Trennung von Inhalt und Präsentation sowie die einfache Integration strukturierte Daten in die Frontend-Rendering-Pipeline.
- Local SEO Audit Tools: Zur Identifikation von Inkonsistenzen in NAP-Daten (Name, Adresse, Telefon) über verschiedene Verzeichnisse in Südeuropa hinweg.
Umsetzung: Sechs Monate zur digitalen Entität
Wir implementierten eine umfassende lokale Entity-Optimierungsstrategie, die über einen Zeitraum von sechs Monaten lief. Der Fokus lag dabei nicht auf Volumen, sondern auf der semantischen Präzision und der Verknüpfung von Produktmerkmalen mit lokalen Suchintents. Der Prozess begann mit einem tiefgreifenden Audit der bestehenden digitalen Präsenz. Wir identifizierten Lücken in der strukturierten Datenmodellierung und analysierten, welche technischen Fragen in KI-Prompt-Datenbanken am häufigsten gestellt wurden, ohne dass der Kunde als Quelle genannt wurde.
Ein zentraler Baustein war die vollständige Implementierung von Schema.org-Strukturen. Wir definierten MedicalDevice-Schemas für jedes Kernprodukt, die nicht nur Grunddaten, sondern auch technische Spezifikationen, Kompatibilitäten und Anwendungsfälle strukturiert abbildeten. Ergänzend wurde ein umfassendes Organization-Schema erstellt, das die Marke klar als Hersteller, nicht nur als Händler, positionierte. Diese technische Sauberkeit war die Grundlage, damit die KI-Modelle die Entität eindeutig identifizieren konnten.
Parallel dazu erfolgte eine radikale Content-Klärung. Statt generischer Blogposts erstellten wir 12 hochspezialisierte technische Whitepapers. Diese Inhalte waren explizit für linguistische Modelle strukturiert: Kurze, präzise Definitionen, direkte Antwort-Sätze und detaillierte Vergleichstabellen ersetzten lange, umständliche Fließtexte. Jeder Abschnitt beantwortete eine spezifische Nischenfrage, die in der KI-Analyse als hochrelevant identifiziert wurde. Die Inhalte wurden so geschrieben, dass sie sowohl für einen menschlichen Ingenieur verständlich sind als auch von einem LLM als „Answer“ extrahiert und zitiert werden können.
Neben der technischen und content-seitigen Optimierung lag großer Wert auf der lokalen Verankerung. Wir optimierten das Google Business Profile sowie relevante Branchenverzeichnisse in Italien, Spanien und Frankreich. Die Konsistenz der Daten (NAP-Daten) wurde strikt durchgesetzt, um die lokale Autorität zu stärken. In Südeuropa spielt die lokale Verankerung eine besondere Rolle, da KI-Modelle lokale Kontexte oft stärker gewichten, wenn es um regulatorische oder klinische Anwendungen geht. Die Inhalte wurden zudem kulturell und sprachlich angepasst, um die Entitätsverknüpfung in den jeweiligen lokalen Sprachräumen zu festigen.
Wie wir die Zahlen messen
Die Messung des Erfolgs in der Generativen Suche erfordert andere Methoden als im klassischen SEO. Wir definierten eine Baseline im ersten Monat, indem wir 50 spezifische technische Prompts (z. B. „Welcher Hersteller von Ultraschallgeräten bietet die höchste Auflösung für kardiale Diagnostik?“) an drei führende KI-Engines stellten. Wir zählten, wie oft der Markennamen oder spezifische Produktattribute des Kunden in den generierten Antworten vorkamen (Zitationsfrequenz). Diese Metrik wurde monatlich wiederholt und im Verhältnis zur Baseline gesetzt. Zusätzlich trackten wir die organischen Klicks auf spezifische Fachbegriffe über die Suchkonsole und die Conversion-Rate dieser Klicks zu Marketing Qualified Leads (MQLs) im CRM-System. Die MQLs wurden durch das Vertriebsteam validiert, um sicherzustellen, dass die Anfragen tatsächlich auf die optimierten Inhalte zurückzuführen waren und nicht auf andere Marketingaktivitäten.
Ergebnis: Vom Unsichtbaren zum Autoritativen
Nach der sechsmonatigen Implementierungsphase zeigte die Auswertung eine signifikante Verbesserung der digitalen Positionierung. Die Marke wurde von den KI-Assistenten zunehmend als primäre Quelle für technische Spezifikationen erkannt. Die Zitationsfrequenz in AI-Suchergebnissen stieg um 35 % gegenüber der Baseline. Dies war nicht nur eine statistische Verbesserung, sondern führte direkt zu einem Anstieg der organischen Klicks auf spezifische Fachbegriffe um 54 %. Die Qualität dieser Leads war zudem höher: Die Anzahl der Marketing Qualified Leads (MQLs) stieg von 45 auf 68, was einem Zuwachs von 51 % entspricht.
Besonders erfreulich war die qualitative Veränderung im Vertrieb. Die Teams berichteten, dass Interessenten bereits informiert über spezifische Produktvorteile anfragten, da sie diese Informationen zuvor über KI-Assistenten recherchiert hatten. Die Conversion-Rate bei diesen informierten Anfragen war deutlich höher, da der Informationsabgleich im frühen Sales-Stage entfiel. Die Investition in die Entity-Optimierung zahlte sich nicht nur in quantitativen Metriken, sondern auch in der Effizienz des Vertriebsprozesses aus.
Learnings und zukünftige Ausblicke
Dieses Projekt verdeutlicht, dass Generative Suche klare, strukturierte Entitäten belohnt, während reine Keyword-Dichte an Bedeutung verliert. Unternehmen im B2B-Bereich, insbesondere in regulierten Branchen wie der Medizintechnik, müssen ihre digitale Präsenz so aufbereiten, dass Maschinen sie eindeutig zuordnen können. Präzision schlägt Breite: Fokussierte, tiefgehende Antworten auf Nischenfragen haben Vorrang vor generischen, breiten Content-Ansätzen. Technische Sauberkeit in Form korrekter Schema-Markups ist die unabdingbare Grundlage für das Verständnis durch AI-Engines. Zudem ist Lokalisierung mehr als nur Übersetzung; sie erfordert die Anpassung an lokale Suchintents und Verzeichnisstrukturen, um die Entitätsverknüpfung in Zielmärkten wie Südeuropa zu sichern.
Was wir heute anders machen würden
Trotz des Erfolgs gibt es Punkte, die wir bei einem ähnlichen Projekt optimieren würden. Erstens hätten wir die AI-Monitoring-Tools noch früher im Prozess eingesetzt, um die Baseline noch genauer zu definieren und schneller auf unerwartete Zitationsmuster zu reagieren. Zweitens hätten wir stärker mit dem Vertriebsteam zusammenarbeiten sollen, um die „Top-of-Funnel“-Fragen direkt aus den Kundenanfragen abzuleiten, anstatt sich nur auf externe Prompt-Datenbanken zu verlassen. Dies hätte die Relevanz der erstellten Whitepapers noch weiter erhöht. Drittens würden wir die lokale Verankerung noch aggressiver in den ersten zwei Monaten angehen, da sich herausstellte, dass Inkonsistenzen in Verzeichnissen die semantische Autorität länger blockierten, als ursprünglich angenommen.