Was deine Marke liefern muss, damit KI sie empfiehlt

KI-Agenten verändern, wie Kaufentscheidungen vorbereitet werden. Sie orientieren sich nicht zwangsläufig an den sichtbarsten Anbietern, sondern an Marken, zu denen sie belastbare Informationen finden. Genau darin liegt der Unterschied zu klassischen Rankings: Sichtbarkeit allein reicht nicht mehr. Entscheidend wird, ob ein Agent deine Marke nachvollziehbar empfehlen und gegenüber Nutzer:innen begründen kann.

Wie instabil das klassische Rankingdenken geworden ist, zeigt eine Studie von SparkToro aus Januar 2026. 600 Freiwillige haben 2.961 Mal denselben Prompt in ChatGPT, Claude und Googles AI Overviews eingegeben. Die Chance, zweimal exakt dieselbe Markenliste in identischer Reihenfolge zu bekommen, liegt bei etwa 1 zu 1.000. Rand Fishkin, Initiator der Studie, erklärt jedes Tool, das eine „Ranking-Position in KI“ ausweist, damit für “wertlos”.

Für belastbarere Tendenzen empfehlen wir aus praktischer Sicht mindestens 30 bis 60 Wiederholungen. SparkToro selbst zeigt, dass Einzelmessungen kaum aussagekräftig sind.

Was stabil bleibt, ist wichtiger als das Rauschen. Manche Marken tauchen in 85 bis 97 Prozent der Durchläufe auf. Die US-Klinik City of Hope erscheint in 97 Prozent der Antworten zu Cancer Care, die Agentur Smartsites in 85 von 95 Abfragen zu Digital-Marketing-Consultants. Dieser Kern ist dein eigentliches Ziel: das Consideration Set, das der Agent bereit ist, einer Person zu empfehlen.

Der Agent muss jede Empfehlung rechtfertigen können

Stefano Puntoni, Erik Hermann und David Schweidel von der Wharton School haben in einem aktuellen Arbeitspapier zusammengefasst, woran verlässliche KI-Agenten scheitern oder gelingen. Vertrauen entsteht, wenn der Agent den Nutzer:innen Unsicherheit abnimmt. Er muss erklären, warum er genau diese Option wählt, er muss Trade-offs sichtbar machen, und er muss bei Bedarf widersprechen, statt zuzustimmen.

Damit verändert sich dein Spielfeld. Bei Google trägt die Plattform kaum Risiko: Klickst du auf ein schlechtes Ergebnis, ärgerst du dich über den Anbieter, nicht über den Suchindex. Wenn ein KI-Agent eigenständig ein CRM für 50.000 Euro auswählt und direkt den Kauf abschliessen würde, ändert sich diese Logik. Wer die Entscheidung trifft, trägt das Risiko. Der Agent wird deshalb systematisch Marken bevorzugen, deren Fakten er findet und belegen kann.

Konkret sieht eine solche Empfehlung aus wie diese:

„Ich empfehle CRM Alpha für euer 30-Personen-Vertriebsteam. Gründe: Preis 29 Euro pro User und Monat, öffentlich auf der Pricing-Seite dokumentiert. Native Integrationen mit HubSpot und Salesforce, API-Doku vollständig. Vier unabhängige G2-Reviews aus eurer Branche, Durchschnitt 4,3 Sterne. Einschränkung: Keine DSGVO-konforme EU-Datenhaltung, dafür müsstet ihr das Enterprise-Paket buchen.„

Genau solche Begründungen kann ein Agent nur zusammensetzen, wenn die Bausteine auf deiner Seite auffindbar und verifizierbar sind.

Bei GEO ist nicht Position 1 entscheidend, sondern wie oft du vorkommst

Viele von uns schauen noch darauf, auf welcher Position die eigene Marke in ChatGPT oder Perplexity genannt wird: Platz 1, 2 oder 3? Diese Position ändert sich aber bei jeder Abfrage und auch dann, wenn du exakt denselben Prompt verwendest.

Die viel bessere Kennzahl ist laut SparkToro deine Sichtbarkeit, also wie oft deine Marke überhaupt in der Antwort vorkommt.

Das ist die eigentliche Neuerung gegenüber klassischer Suchmaschinenoptimierung: Bei SEO versuchst du, auf der 1 zu stehen. Bei GEO versuchst du, so oft wie möglich in Agentenantworten vorzukommen.

Wie du das operativ aufsetzt:

• Sammle 15 bis 25 konkrete Prompts, unter denen du empfohlen werden möchtest. Nicht „bestes CRM“, sondern „CRM für deutsche Mittelständler:innen mit 20 bis 50 Vertriebsmitarbeiter:innen“. So wie es ein Kunde prompten würde.
• Spiel jeden Prompt über mindestens drei Modelle (ChatGPT, Claude, Google AI Mode) je 30- bis 50-mal.
• Protokolliere in einem Sheet, wie oft deine Marke und die deiner Wettbewerber:innen genannt werden.
• Der prozentuale Anteil ist deine Baseline-Visibility-Percentage pro Prompt.

Spezialisierte Monitoring-Tools wie Peec AI, Otterly oder Profound übernehmen Teile dieses Setups automatisch. Aus unserer Einschätzung solltest du sie kritisch prüfen: Die Kernfrage ist immer, wie viele Durchläufe pro Prompt sie machen. Alles unter 30 bis 60 Durchläufen ist laut Fishkin und auch aus unserer Sicht statistisch nicht belastbar.

Ein Hinweis aus der SparkToro-Studie, der dir beim Aufsetzen hilft: Je enger die Kategorie, desto stabiler die Ergebnisse. Bei Abfragen zu Cloud-Anbietern oder regionalen Autohäusern zeigen sich die führenden Marken in den meisten Antworten. In breiten Kategorien wie „Science-Fiction-Romane“ streut das Ergebnis stark. Schneide deine Testprompts so, dass sie echten Kauf-Intent abbilden.

Vier Hebel, mit denen KI-Agenten deine Marke empfehlen können

Purna Virji, Content-Strategin bei LinkedIn, leitet in Search Engine Journal (März 2026) vier praktische Felder aus der Wharton-Logik ab. Aus unserer Seminar-Praxis haben wir sie priorisiert und ergänzt, was im DACH-Markt wirklich zählt:

Hebel 1: Ambiguität entfernen. Preisspannen, SLAs und Integrationsanforderungen gehören nicht hinter ein Gated-PDF. Was ein Agent nicht findet, kann er auch nicht zitieren. Viele Mittelständler:innen geben Preise traditionell erst nach Erstgespräch raus, aber für einen Agent muss mindestens eine indikative Preislinie öffentlich zugänglich sein.

Hebel 2: Daten maschinenlesbar machen. Saubere Produktdaten, strukturierte Specs, sinnvolle Informationsarchitektur und Schema.org-Markups müssen angelegt sein. Im B2B sind das Leistungsbeschreibungen, die konkret benennen, für wen ein Produkt funktioniert und für wen nicht. Im E-Commerce heißt das vollständige, aktuelle Produktfeeds mit Attributen, die über reine Keywords hinausgehen.

Wenn du prüfen möchtest, ob und wie du deine Website Agent-ready machst, kannst du hier weiterlesen.

Hebel 3: Externe Validierung stärken. Agenten senken ihr Risiko über Konsens und Social Proof. Kund:innenbewertungen auf Trustpilot oder Provenexpert, aktive Communities, unabhängige Tutorials, Analyst:innen-Stimmen, Erwähnungen in t3n, OMR oder Horizont. Ein eigener Blogartikel wiegt weniger als eine einzige glaubwürdige Drittnennung.

Hebel 4: „Show your work“. Vergleichstabellen, ROI-Modelle, Fallstudien mit konkreten Zahlen, „Best for X“-Aussagen. Der Agent recycelt diese Bausteine, wenn er dir seine Empfehlung begründen soll. Gemeint sind keine Awards-Logos im Footer, sondern Inhalte, die selbst eine Begründung tragen.

Die Reihenfolge ist bewusst. Hebel 1 wirkt am schnellsten und wird häufig an einem Tag umgesetzt. Hebel 4 braucht die längste Vorlaufzeit.

Wer selbst Agenten einsetzt, trägt die Haftung mit

Die Empfehler:innen-Perspektive ist die eine Seite. Die andere betrifft Unternehmen, die selbst KI-Agenten im Support, Sales oder E-Commerce einsetzen. Unser Trainer Dr. Martin Schirmbacher ordnet im 121WATT Podcast (Folge 171, März 2026) ein: KI-Agenten sind rechtlich keine Sonderwelt. Wenn ein Agent eigenständig ein Angebot unterbreitet, eine falsche Zusage gibt oder personenbezogene Daten verarbeitet, haftet meistens das Unternehmen, das den Agenten einsetzt. „Die KI war’s“ funktioniert nicht als Ausrede.

Martin Schirmbacher schlägt beim Datenschutz eine Drei-Ebenen-Prüfung vor: Zweck der Verarbeitung, Auftragsverarbeitungsvertrag mit dem Dienstleister, Drittlandtransfer. Diese drei Fragen müssen vor dem Go-Live geklärt sein, nicht erst bei der ersten Abmahnung. Die Marke, die im Support haftungsrelevante Fehler macht, verliert an beiden Fronten: im Consideration Set der empfehlenden Agenten und beim eigenen Publikum.

Take-away

Das Spiel verschiebt sich von Aufmerksamkeit zu Berechtigung. Dein erster Schritt ist nicht, alle vier Hebel gleichzeitig zu bauen. Dein erster Schritt ist, 20 echte Prompts zu sammeln, unter denen du empfohlen werden willst, und zu prüfen, ob dein Unternehmen darunter aktuell auftaucht. Danach weißt du, an welcher Stelle die Begründbarkeit fehlt.

Wenn du das nicht als Einzelmaßnahme, sondern als eigenständige Disziplin aufbauen willst, findest du im GEO-Seminar mit Alexander Holl oder Alin Radulescu den kompakten Einstieg und im Certified GEO Manager den vollständigen Rahmen für Strategie, Messung und Umsetzung.

Hat dir der Artikel gefallen? Dann lass uns gerne eine Bewertung oder einen Kommentar da.

Dieser Artikel wurde KI-unterstützt erstellt und durch menschliche Fachkenntnis überarbeitet und optimiert.

Quellen:
SparkToro (Rand Fishkin, Patrick O’Donnell), Search Engine Journal (Purna Virji), Search Engine Journal (Matt G. Southern), Wharton School: Arbeitspapier zu Designing Trustworthy AI Agents , 121WATT Podcast Folge 171 „KI-Agenten im Unternehmen: Haftung, Datenschutz und rechtliche Risiken“