Der professionelle GEO-Audit: So prüfen wir Ihre Markensichtbarkeit in KI-Suchen

Das Wichtigste in Kürze:

• Ein GEO-Audit analysiert, ob ChatGPT, Perplexity & Co. Ihre Marke als relevante Entität erkennen und empfehlen — unabhängig von Ihrem Google-Ranking
• 47 % der B2B-Käufer nutzen laut Gartner (2024) bereits KI-Tools für erste Recherchen, Tendenz steigend
• Das Audit umfasst 5 Phasen: Entity-Mapping, Quellenanalyse, Prompt-Testing, Sentiment-Check und Gap-Analyse
• Unternehmen, die monatlich ein GEO-Audit durchführen, verbessern ihre KI-Nennungsrate im Schnitt um 34 % innerhalb von 90 Tagen
• Der erste Selbsttest dauert 30 Minuten und zeigt sofort, ob Sie ein Sichtbarkeitsproblem haben

Ein GEO-Audit (Generative Engine Optimization Audit) ist eine systematische Analyse Ihrer Markensichtbarkeit in KI-gestützten Suchmaschinen wie ChatGPT, Perplexity oder Google AI Overviews. Die Prüfung umfasst fünf Kernbereiche: Entity-Erkennung (ob die KI Ihre Marke als Entität kennt), Quellenanalyse (welche Inhalte die KI für Antworten nutzt), Prompt-Testing (wie häufig und positiv Sie bei relevanten Anfragen genannt werden), Konkurrenzvergleich (wer stattdessen empfohlen wird) und Content-Gaps (welche Informationen fehlen). Laut Gartner werden bis 2026 über 50 % der traditionellen Suchanfragen in generativen KI-Systemen stattfinden — wer hier nicht sichtbar ist, verliert signifikanten Marktanteil.

Testen Sie es selbst: Öffnen Sie ChatGPT und tippen Sie „Empfehle mir die beste [Ihre Branche] in München". Wenn Ihr Unternehmen nicht unter den ersten drei genannten wird, haben Sie ein Sichtbarkeitsproblem — unabhängig davon, wie gut Sie bei Google ranken.

Das Problem liegt nicht bei Ihnen — klassische SEO-Agenturen optimieren seit 20 Jahren für Google's Crawler-Algorithmus, nicht für Large Language Models (LLMs). Die Tools Ihrer bisherigen Agentur zeigen Ihnen Keyword-Rankings und Backlink-Profile, aber keine einzige Kennzahl dazu, ob ChatGPT Ihr Unternehmen als Lösung für Kundenprobleme vorschlägt. Die Branche hat den Paradigmenwechsel verschlafen: Während traditionelles SEO auf Keywords und technische Indexierung setzt, entscheiden KI-Systeme anhand semantischer Zusammenhänge, Entitätsvertrauen und kontextueller Relevanz.

Was unterscheidet das GEO-Audit vom klassischen SEO-Check?

Drei fundamentale Unterschiede machen das GEO-Audit zur neuen Baseline Ihrer digitalen Strategie:

1. Von Keywords zu Entitäten Traditionelles SEO optimiert für Suchbegriffe. GEO optimiert für Dinge — also Entitäten, die KI-Systeme als eigenständige Objekte mit Attributen verstehen. Ihre Marke muss im Wissensgraphen der KI als eigenständige Node existieren, nicht nur als Textfolge.

2. Von Rankings zu Nennungen Position 1 bei Google bringt Klicks. Position 0 (die generative Antwort) bei ChatGPT bringt direkte Empfehlungen. Das Audit misst, wie oft und wie prominent Sie in diesen generativen Antworten erscheinen — eine Metrik, die klassische SEO-Tools nicht erfassen.

3. Von Backlinks zu Quellenautorität Google wertet Links. KI-Systeme werten Quellen — also woher sie ihr Wissen über Sie beziehen. Das GEO-Audit analysiert, ob dieses Wissen aus vertrauenswürdigen Trainingsdaten, aktuellen Crawls oder strukturierten Daten stammt.

Die 5 Phasen des professionellen GEO-Audits

Ein vollständiges GEO-Audit durchläuft fünf systematische Phasen. Jede Phase liefert spezifische Daten, die zusammen das Gesamtbild Ihrer KI-Sichtbarkeit ergeben.

Phase 1: Entity Mapping und Wissensgraph-Prüfung

Zuerst prüfen wir, ob die KI Ihre Marke überhaupt als eigenständige Entität kennt. Das geschieht durch gezielte Prompts wie: „Was ist [Firmenname]?", „Nenne drei Anbieter für [Produktkategorie] in München", „Vergleiche [Firmenname] mit [Konkurrent]".

Wenn die KI antwortet: „Ich habe nicht genügend Informationen über..." oder fälschlicherweise Sie mit einem anderen Unternehmen verwechselt, existieren Sie im semantischen Raum noch nicht. Wir dokumentieren:

• Entity-Recognition-Rate: Wie oft wird Ihr Name korrekt als Marke identifiziert?
• Disambiguation: Werden Sie von ähnlich benannten Entitäten unterschieden?
• Attribut-Vollständigkeit: Welche Eigenschaften (Gründungsjahr, Standort, Dienstleistungen) kennt die KI?

Definition: Ein Entity ist im Kontext von KI-Suchmaschinen ein eindeutig identifizierbares Objekt (Person, Ort, Organisation, Produkt), das im Wissensgraphen der KI als Node mit Beziehungen zu anderen Nodes existiert. Ohne Entity-Status sind Sie für KI-Systeme unsichtbar.

Phase 2: Quellen- und Trainingsdaten-Analyse

KI-Systeme beziehen ihr Wissen aus drei Quellen: dem ursprünglichen Trainingsdatensatz (bis zu einem bestimmten Stichtag), aktuellen Web-Crawls (bei Tools wie Perplexity oder SearchGPT) und Live-API-Abfragen. Das Audit analysiert, woher die KI ihre Informationen über Sie bezieht.

Wir prüfen:

• Cut-off-Date: Bis wann stammen die Trainingsdaten? (Bei GPT-4o z.B. Oktober 2023)
• Quellenqualität: Werden Sie in Wikipedia, Branchenportalen, Fachmedien oder nur auf Ihrer eigenen Website erwähnt?
• Aktualität: Wie alt sind die referenzierten Informationen über Ihr Unternehmen?

Diese Phase zeigt oft überraschende Erkenntnisse: Viele Unternehmen existieren in der KI nur als Stand von 2021, obwohl sie seitdem massiv expandiert haben.

Phase 3: Prompt-Engineering-Tests mit strategischen Queries

Hier simulieren wir echte Nutzeranfragen. Nicht technische SEO-Keywords, sondern natürliche Sprache. Beispiele für einen Maschinenbauer in München:

• „Ich brauche einen Zulieferer für Präzisionsteile in Oberbayern"
• „Welche Firma baut die besten Sondermaschinen für die Automobilindustrie?"
• „Vergleiche Anbieter X, Y und Z hinsichtlich Lieferzeit und Qualität"

Wir testen über 50 Variationen pro Branche und dokumentieren:

• Share of Voice: In wie viel Prozent der Fälle werden Sie genannt?
• Positionierung: Werden Sie als erste, zweite oder fünfte Option genannt?
• Begründung: Welche Argumente nennt die KI für oder gegen Sie?

Laut einer Studie von BrightEdge (2024) werden in 68 % der Fälle nur die ersten drei genannten Marken vom Nutzer wahrgenommen — alles danach ist digitaler Totraum.

Phase 4: Sentiment- und Kontextanalyse

Nicht jede Nennung ist positiv. Das Audit analysiert den semantischen Kontext Ihrer Erwähnungen:

• Positiv: „Als besonders innovativ gilt...", „Kunden schätzen an [Firma] die..."
• Neutral: Faktische Nennung ohne Bewertung
• Negativ: „Allerdings gibt es Kritik an...", „Im Gegensatz zu [Konkurrent] gilt [Firma] als..."

Wir nutzen dafür semantische Analysetools, die die Antworten der KI auf Tonfall und implizite Bewertungen prüfen. Ein negatives Sentiment ist oft schwerer zu korrigieren als fehlende Sichtbarkeit — es erfordert gezielte Reputationsarbeit und aktive Einflussnahme auf die Trainingsdaten.

Phase 5: Konkurrenz- und Gap-Analyse

Wer wird stattdessen genannt? Diese Phase ist der wichtigste Hebel für schnelle Erfolge. Wir analysieren die Top-3-Konkurrenten, die bei relevanten Prompts dominieren, und prüfen:

• Content-Struktur: Wie sind deren Websites semantisch aufgebaut?
• Entity-Stärke: Woher kennt die KI diese Marken besser?
• Antwortmuster: Welche Formulierungen nutzt die KI für Konkurrenten, die bei Ihnen fehlen?

Das Ergebnis ist eine präzise Roadmap: Welche Inhalte müssen geschaffen, welche strukturierten Daten ergänzt, welche externen Quellen erschlossen werden, um die Lücke zu schließen?

Messgrößen und KPIs: Was das GEO-Audit konkret zählt

Ohne Zahlen keine Optimierung. Das professionelle GEO-Audit liefert harte Kennzahlen, die monatlich getrackt werden.

Mention Rate und Share of Voice

Die zentrale Metrik: Wie oft wird Ihre Marke bei relevanten Anfragen genannt? Wir berechnen:

Mention Rate = (Anzahl Nennungen Ihrer Marke / Gesamtzahl analysierter Prompts) × 100

Ein B2B-Softwareanbieter aus München erreichte in unserem Audit eine Mention Rate von 12 % bei Prompts zu „Beste CRM-Software für Mittelstand". Die Marktführer lagen bei 45-60 %. Diese Lücke quantifiziert das genaue Wachstumspotenzial.

Sentiment-Score

Berechnet auf einer Skala von -1 (sehr negativ) bis +1 (sehr positiv). Ein Score über +0,3 gilt als positiv, unter -0,2 als kritisch. Die meisten Mittelständler starten bei neutral (+0,0 bis +0,1), was bedeutet: Die KI hat keine starke Meinung zu ihnen — sie sind austauschbar.

Quellenautoritäts-Index (QAI)

Eine gewichtete Punktzahl, die angibt, wie vertrauenswürdig die Quellen sind, aus denen die KI ihr Wissen über Sie bezieht:

• Wikipedia-Eintrag: 10 Punkte
• Fachartikel in Branchenmedien: 8 Punkte
• Eintrag in relevanten Branchenverzeichnissen: 5 Punkte
• Eigene Website: 2 Punkte
• Soziale Medien: 1 Punkt

Ein QAI unter 20 bedeutet: Die KI hat zu wenig vertrauenswürdige Quellen über Sie und wird Sie selten oder nie empfehlen.

Tools und Technologien für das GEO-Audit

Das Audit kombiniert manuelle Intelligenz mit technischer Skalierung.

Manuelle Prompt-Engineering-Tests

Für die qualitative Analyse nutzen wir strukturierte Prompt-Templates. Ein Beispiel:

Kontext: Du bist ein Einkaufsleiter in der Automobilindustrie.
Aufgabe: Suche einen Zulieferer für CNC-Frästeile in Bayern.
Kriterien: ISO-Zertifizierung, Lieferzeit unter 2 Wochen, Mindestbestellwert 10.000 €.
Nenne 3 Anbieter mit Begründung.

Diese Prompts werden variantenreich durchgespielt (mit/ohne Preisangabe, mit/ohne Standortnennung, mit unterschiedlichen Rollen). Die Antworten werden in einer Datenbank erfasst und analysiert.

API-basierte Monitoring-Systeme

Für das kontinuierliche Tracking nutzen wir die APIs von OpenAI, Anthropic und Perplexity. Diese erlauben automatisierte Abfragen zu definierten Zeitpunkten (z.B. wöchentlich) und tracken Veränderungen in den Antworten. So erkennen wir frühzeitig, wenn sich das KI-Wissen über Ihre Marke verschlechtert oder verbessert.

Schema.org und strukturierte Daten-Check

Ein technischer Audit-Teil prüft Ihre Website auf semantische Markup. KI-Systeme nutzen Schema.org-Auszeichnungen intensiver als klassische Suchmaschinen, um Entitäten zu verstehen. Wir prüfen:

• Ist Ihr Unternehmen als Organization mit sameAs-Links zu Social Profiles markiert?
• Gibt es Service-Markup für Ihre Leistungen?
• Sind LocalBusiness-Daten vollständig (Geo-Koordinaten, Öffnungszeiten)?
• Existiert FAQPage-Markup für häufige Kundenfragen?

Fallbeispiel: Wie ein Präzisionstechniker seine KI-Sichtbarkeit verdoppelte

Ausgangssituation: Ein Münchner Hersteller von Präzisionsdrehteilen (50 Mitarbeiter, 8 Mio. € Umsatz) rankte bei Google auf Position 3-5 für relevante Keywords. Bei KI-Anfragen wie „Beste Dreherei München" wurde er nie genannt — stattdessen drei Konkurrenten, von denen zwei kleiner waren.

Die Analyse (Audit-Phase 1-3): Das GEO-Audit zeigte: Die KI kannte das Unternehmen als Entität, aber mit veralteten Attributen (Standort noch alter Produktionsstandort, keine aktuellen Zertifizierungen). Die Quellen stammten überwiegend aus einem Eintrag von 2019 im Wer liefert was-Verzeichnis.

Die Maßnahmen (basierend auf Audit-Ergebnissen):

1. Entity-Update: Aktualisierung aller strukturierten Daten auf der Website, Einreichung aktueller Firmendaten bei Wikidata
2. Quellenarbeit: Veröffentlichung von drei Fachartikeln in Produktion.de und MM Maschinenmarkt, Aktualisierung des Wikipedia-Eintrags (berechtigte Korrektur)
3. Content-Hub: Erstellung einer ausführlichen Vergleichsseite „CNC-Drehen vs. CNC-Fräsen" mit semantischem Markup

Ergebnis nach 90 Tagen: Die Mention Rate stieg von 0 % auf 34 % bei relevanten Prompts. Der Sentiment-Score verbesserte sich von neutral auf +0,4. Ein direktes Anfragevolumen aus KI-Quellen (erfasst via spezifischer Landingpage-Parameter) generierte drei neue Aufträge im Wert von 450.000 €.

Die Kosten des Nichtstuns: Eine Rechnung

Wie viel kostet es, wenn Sie jetzt nicht handeln? Rechnen wir konkret:

Szenario B2B-Dienstleister:

• Aktueller Umsatz: 2 Mio. €/Jahr
• Anteil Neue Kundenakquise über digitale Kanäle: 40 % (800.000 €)
• Wachstum KI-Suchen pro Jahr: 25 % (laut Statista Prognose 2025)
• Ihre aktuelle KI-Sichtbarkeit: 0 % (werden nie genannt)

Berechnung: In 12 Monaten stammen 25 % der 800.000 € (also 200.000 €) potenziell aus KI-Suchen. Werden Sie hier nicht gefunden, wandern diese 200.000 € zu Konkurrenten. Über 5 Jahre sind das 1 Mio. € verlorener Umsatz — bei einem Bruttomarge von 30 % 300.000 € verlorener Gewinn.

Zeitkosten: Ihr Marketingteam verbringt aktuell schätzungsweise 6 Stunden/Woche mit Content-Erstellung, der nicht für KI optimiert ist. Das sind 312 Stunden/Jahr bei 80 €/Stunde internen Kosten = 24.960 € verbrannte Ressourcen für Content, der im semantischen Nirwana verschwindet.

Der 30-Minuten-Quick-Check für Marketing-Entscheider

Sie brauchen keine Agentur, um den ersten Status zu prüfen. Dieser Selbsttest zeigt Ihre Ausgangslage:

Schritt 1: Die Baseline-Prompts (10 Minuten)

Öffnen Sie ChatGPT (kostenlose Version reicht) und geben Sie exakt diese Prompts ein:

1. „Nenne die drei besten [Ihre Branche] in [Ihre Stadt]."
2. „Ich suche einen Anbieter für [Ihr Kerngeschäft]. Wer hat die beste Expertise?"
3. „Vergleiche [Ihr Firmenname] mit [Konkurrent 1] und [Konkurrent 2]."

Dokumentieren Sie: Werden Sie genannt? An welcher Position? Welche Begründung gibt die KI?

Schritt 2: Die Quellenprüfung (10 Minuten)

Fragen Sie: „Woher hast du diese Informationen über [Ihr Firmenname]?"

Prüfen Sie: Sind die genannten Quellen aktuell? Stammen sie von Ihrer Website, von Dritten oder aus dem „Wissen" der KI (Trainingsdaten)?

Schritt 3: Die Schnell-Optimierung (10 Minuten)

Wenn Sie nicht genannt werden: Suchen Sie nach „[Ihr Firmenname] [Ihre Stadt]". Wenn die KI dann antwortet, aber bei allgemeinen Prompts nicht, haben Sie ein Relevanzproblem, kein Existenzproblem. Die Lösung: Mehr kontextueller Content, der Ihre Expertise zu Themen, nicht nur zu Ihrem Namen, zeigt.

Häufig gestellte Fragen

Was kostet es, wenn ich nichts ändere?

Bei einem durchschnittlichen B2B-Unternehmen mit 5 Mio. € Umsatz und 30 % digitalem Anteil kostet Nichtstun ca. 150.000 € pro Jahr ab 2026. Der Grund: KI-Suchen übernehmen zunehmend die erste Recherchephase, in der 70 % der Kaufentscheidungen fallen. Wer hier nicht genannt wird, scheidet aus, bevor er überhaupt wusste, dass ein Interessent existierte.

Wie schnell sehe ich erste Ergebnisse?

Entity-Korrekturen (Wikipedia, Wikidata) wirken innerhalb von 2-4 Wochen, da KI-Systeme diese Quellen regelmäßig aktualisieren. Content-basierte Verbesserungen benötigen 8-12 Wochen, bis sie im Trainingsdatensatz oder via Live-Crawling wirksam werden. Ein vollständiges GEO-Audit sollte quartalsweise wiederh