Lokale Sichtbarkeit in KI-Assistenten messen: ein methodisch sauberer Baseline-Audit

Ein Baseline-Audit für die eigene Sichtbarkeit in KI-Assistenten ist möglich – aber nur, wenn er die Nicht-Reproduzierbarkeit dieser Systeme methodisch berücksichtigt. Anthropic hält in der eigenen Dokumentation fest, dass Ergebnisse selbst bei einer Temperatur von null nicht vollständig deterministisch sind. Wer also zwanzig Prompts einmal abfragt und die Nennungen zählt, misst zu einem erheblichen Teil Zufall.

Das ist kein Argument gegen die Messung, sondern eines für ein sauberes Vorgehen. Dieser Text beschreibt, welche Störfaktoren ein solcher Audit kontrollieren muss, welche Hebel für lokale Sichtbarkeit tatsächlich dokumentiert sind – und welche der gängigen Empfehlungen sich in keiner Anbieterquelle wiederfinden.

Geprüft: 18. Juli 2026 · Nächste Prüfung: Q1 2027

Warum einfache Prompt-Tests wenig belegen

Vier Faktoren sorgen dafür, dass dieselbe Frage an denselben Assistenten unterschiedliche Antworten hervorbringt. Alle vier sind in der Anbieterdokumentation belegt, und alle vier lassen sich kontrollieren – aber nur, wenn man sie kennt.

Störfaktor	Wirkung auf das Ergebnis	Kontrolle im Audit
Nicht-Reproduzierbarkeit	Antworten variieren laut Anthropic selbst bei Temperatur null	Jeden Prompt mehrfach abfragen und Nennquote statt Einzelergebnis erfassen
Standort	Assistenten nutzen den aus der IP-Adresse abgeleiteten Standort für lokale Antworten	Standort dokumentieren und über alle Durchläufe konstant halten
Nutzerkontext	Erinnerungsfunktionen und Verlauf beeinflussen die Antwort	Temporäre Chats verwenden, keine angemeldeten Alltagskonten
Versionierung	Ergebnisse hängen an Modell- und Werkzeugversion	Version je Durchlauf protokollieren, Vergleiche nur innerhalb einer Version

Der erste Punkt ist der wichtigste, weil er dem Bauchgefühl widerspricht. Anthropic formuliert in der Dokumentation zur Programmierschnittstelle ausdrücklich, dass die Ergebnisse selbst bei einer Temperatur von null nicht vollständig deterministisch sind. Eine einzelne Abfrage ist damit eine Stichprobe der Größe eins – und aus einer Stichprobe der Größe eins folgt keine Aussage über eine Verteilung.

Praktisch heißt das: Statt zwanzig Prompts einmal zu stellen, stellt man weniger Prompts mehrfach. Fünf gut gewählte Fragen mit je fünf Wiederholungen liefern belastbarere Aussagen als zwanzig Fragen mit je einer. Erfasst wird dann nicht „genannt oder nicht", sondern „in wie vielen von fünf Durchläufen genannt" – erst das ergibt eine Zahl, die sich im nächsten Quartal sinnvoll vergleichen lässt. Wie sich solche Experimente strukturiert aufsetzen lassen, behandelt der Beitrag zu Prompt-Level-Experimenten.

Woher die Assistenten ihre lokalen Informationen beziehen

Für lokale Unternehmen ist das nicht dokumentiert – und diese Lücke sollte man kennen, bevor man Optimierungen daraus ableitet. OpenAI gibt allgemein an, für die Suche in ChatGPT auf Drittanbieter-Suchdienste sowie auf Inhalte von Partnern zurückzugreifen, ohne diese Anbieter zu benennen. Anthropic beschreibt, dass Claude live das Web durchsucht und Antworten mit Quellenangaben versieht. Perplexity verweist auf einen eigenen Index.

Was keiner der drei Anbieter dokumentiert, ist der Umgang mit lokalen Unternehmensdaten: ob und wie Kartendienste, Unternehmensprofile oder Bewertungsplattformen einfließen, steht nirgends. Verbreitete Aussagen wie „ChatGPT zieht Ihr Google-Unternehmensprofil" sind damit unbelegt – sie mögen zutreffen, sind aber keine Grundlage für eine Investitionsentscheidung.

Auch die Auswahlkriterien für zitierte Quellen sind von keinem Anbieter offengelegt. Wer behauptet, bestimmte Textformate würden bevorzugt zitiert, stützt sich bestenfalls auf Beobachtung, nicht auf Dokumentation.

Der einzige belegte Hebel: Zugang gewähren

Was sich dokumentiert beeinflussen lässt, ist nicht die Bevorzugung, sondern die Erreichbarkeit. Alle drei großen Anbieter veröffentlichen die Kennungen ihrer Crawler – nachzulesen bei OpenAI, Anthropic und Perplexity. Anthropic weist dabei ausdrücklich darauf hin, dass das Blockieren des Claude-SearchBot die Sichtbarkeit und Genauigkeit in den Suchergebnissen für Nutzer verringern kann. OpenAI formuliert entsprechend, dass für eine Aufnahme wichtig sei, dem OAI-SearchBot das Crawling zu erlauben und Zugriffe aus den veröffentlichten IP-Bereichen zuzulassen.

Für die Praxis folgt daraus eine unspektakuläre, aber wirksame Prüfung: Blockiert die eigene robots.txt einen dieser Crawler? Sperrt die Firewall oder das Content-Delivery-Netzwerk deren IP-Bereiche? Diese Frage ist in einer Stunde beantwortet und hat mehr Einfluss als jede Textoptimierung – denn ein Inhalt, der nicht abgerufen werden kann, kann auch nicht genannt werden.

Wichtig für die Auswertung von Serverlogs: Alle Anbieter empfehlen, Zugriffe nicht allein anhand der Kennung zu bewerten, sondern zusätzlich gegen die veröffentlichten IP-Listen zu prüfen, da Kennungen fälschbar sind. Ein weiterer Hinweis aus der Dokumentation verdient Beachtung: Perplexity gibt an, dass der nutzergesteuerte Abruf robots.txt-Regeln in der Regel ignoriert – für die Interpretation der eigenen Logs ist das ein relevanter Unterschied.

Was für lokale Sichtbarkeit tatsächlich dokumentiert ist

Für lokale Ergebnisse bei Google sind drei Faktoren dokumentiert: Relevanz, Entfernung und Bekanntheit. Die Google-Business-Profile-Hilfe beschreibt Relevanz als Übereinstimmung des Profils mit der Suchanfrage, Entfernung als Distanz zum Suchenden und Bekanntheit als den Bekanntheitsgrad des Unternehmens. Eine Gewichtung nennt Google nicht.

Ebenfalls klar formuliert ist, was nicht geht: Eine bessere lokale Platzierung lässt sich weder anfordern noch bezahlen. Und bei Bewertungen ist die Grenze eindeutig – Anreize wie Zahlungen, Rabatte oder kostenlose Leistungen im Austausch für Bewertungen sind untersagt, während das Bitten um echte Bewertungen ohne Gegenleistung zulässig ist.

Die dokumentierten Pflegeempfehlungen sind unspektakulär und wirksam: aktuelle Adresse, Telefonnummer und Kategorie, verifiziertes Profil, gepflegte Öffnungszeiten einschließlich Sonderzeiten, beantwortete Bewertungen sowie Fotos. Bei den Kategorien rät Google ausdrücklich zur Sparsamkeit – so wenige wie möglich, um das Kerngeschäft zu beschreiben. Ergänzend lohnt der Blick auf skalierbare Local-SEO-Praktiken sowie auf den Umgang mit fehlenden Bewertungen.

Was verbreitet empfohlen, aber nicht belegt ist

Drei gängige Empfehlungen finden sich in keiner Anbieterquelle – eine davon wird von Google sogar ausdrücklich verneint. Sie zu streichen, spart Aufwand und schützt vor Versprechen, die sich nicht halten lassen.

Drei Empfehlungen, die man streichen kann

Erstens: LocalBusiness-Markup als Voraussetzung für Sichtbarkeit in KI-Antworten. Google hält fest, dass strukturierte Daten für die generative KI-Suche nicht erforderlich sind und es kein besonderes Markup dafür gibt. Das Markup bleibt für klassische Suchdarstellungen sinnvoll – als KI-Maßnahme ist es unbelegt.

Zweitens: die Konsistenz von Name, Adresse und Telefonnummer über Branchenverzeichnisse hinweg als Rankingfaktor. Google verlangt Übereinstimmung mit der Realität – der Name soll dem entsprechen, der real am Geschäft, auf der Website und im Schriftverkehr verwendet wird. Eine Aussage zu Einträgen in Drittverzeichnissen als Rankingfaktor existiert nicht.

Drittens: eine llms.txt als Mittel für KI-Sichtbarkeit. Google gibt an, solche Dateien in der Suche nicht zu verwenden, und in den Crawler-Dokumentationen der drei Assistenten kommt sie nicht vor.

Was hinter dem Begriff GEO steckt

Der Begriff Generative Engine Optimization ist keine Agenturerfindung, sondern geht auf eine wissenschaftliche Arbeit zurück, die 2023 veröffentlicht und auf einer Fachkonferenz angenommen wurde. Sie beschreibt Verfahren, mit denen sich die Sichtbarkeit von Inhalten in generativen Suchsystemen erhöhen lässt, und weist dafür deutliche Verbesserungen aus.

Entscheidend ist der Geltungsbereich: Diese Ergebnisse beziehen sich auf einen von den Autoren selbst entwickelten Benchmark mit synthetischen Suchanfragen – nicht auf lokale Suche und nicht auf die Produktivsysteme von ChatGPT, Claude oder Perplexity. Die häufig zitierte Verbesserungsrate als allgemeine Erwartung für das eigene Unternehmen zu übernehmen, überdehnt die Studie erheblich. Eine breitere Einordnung des Themas bietet der Beitrag zu Erwähnungen in KI-Systemen.

Der Audit in fünf Schritten

Schritt zwei entscheidet über die Aussagekraft. Realistisch sind Fragen, die Menschen tatsächlich stellen – nach einem Anlass, einer Eigenschaft, einer Lage –, nicht solche, die den eigenen Firmennamen bereits enthalten. Wer nach der eigenen Marke fragt, misst, ob der Assistent das Unternehmen kennt; wer nach der Kategorie fragt, misst, ob es empfohlen wird. Nur die zweite Frage ist geschäftlich relevant.

Ebenso wichtig ist, was nicht gemessen wird. Eine Nennung ist kein Geschäftsergebnis – sie ist ein Sichtbarkeitsindikator. Ob daraus ein Kontakt entsteht, zeigt erst der Verweis-Traffic im eigenen Analytics-System, und der ist deutlich aussagekräftiger als jede Nennquote. Beide Ebenen gehören in denselben Bericht, sonst entsteht der Eindruck, Erwähnung und Umsatz seien dasselbe.

Schritt fünf steht und fällt mit der Disziplin bei Schritt drei. Ein Vergleich zum Vorquartal ist nur zulässig, wenn Standort, Chat-Modus und möglichst auch die Modellversion identisch sind. Ändert der Anbieter zwischenzeitlich das Modell, ist das kein Grund, den Vergleich zu verwerfen – aber es gehört als Anmerkung in den Bericht, sonst wird eine Modelländerung als eigener Erfolg oder Misserfolg gelesen.

Häufig gestellte Fragen

Kann man Sichtbarkeit in KI-Assistenten überhaupt messen?

Ja, aber nur mit Wiederholungen. Anthropic hält fest, dass Ergebnisse selbst bei Temperatur null nicht vollständig deterministisch sind. Eine einzelne Abfrage ist eine Stichprobe der Größe eins.

Wie viele Prompts braucht ein Baseline-Audit?

Wichtiger als die Anzahl ist die Wiederholung. Fünf realistische Fragen mit je fünf Durchläufen liefern belastbarere Aussagen als zwanzig Fragen mit je einem Durchlauf.

Beeinflusst der Standort die Antworten?

Ja. Anbieter dokumentieren, dass für lokale Antworten der aus der IP-Adresse abgeleitete Standort verwendet wird. Er muss über alle Durchläufe konstant und dokumentiert sein.

Woher beziehen KI-Assistenten lokale Unternehmensdaten?

Das ist nicht dokumentiert. Die Anbieter beschreiben allgemein Websuche, eigene Indizes oder Drittanbieter-Suchdienste, machen aber keine Angaben zu Kartendiensten oder Unternehmensprofilen.

Wie beeinflusst man die Nennung in KI-Antworten?

Dokumentiert ist ausschließlich der Zugang: Die Crawler der Anbieter dürfen weder per robots.txt noch über IP-Sperren blockiert werden. Anthropic weist darauf hin, dass ein Blockieren die Sichtbarkeit verringern kann. Einen dokumentierten Bevorzugungs-Hebel gibt es nicht.

Ist LocalBusiness-Markup für KI-Sichtbarkeit nötig?

Nein. Google gibt an, dass strukturierte Daten für die generative KI-Suche nicht erforderlich sind und es dafür kein besonderes Markup gibt. Für klassische Suchdarstellungen bleibt das Markup sinnvoll.

Welche Faktoren nennt Google für lokale Ergebnisse?

Relevanz, Entfernung und Bekanntheit – ohne Angabe einer Gewichtung. Google hält zudem fest, dass sich eine bessere lokale Platzierung weder anfordern noch bezahlen lässt.

Fazit: Methode vor Werkzeug

Ein Baseline-Audit ist sinnvoll, wenn er die Eigenheiten der gemessenen Systeme ernst nimmt – und wertlos, wenn er sie ignoriert. Nicht-Reproduzierbarkeit, Standort, Nutzerkontext und Versionierung sind keine Randnotizen, sondern die Faktoren, die über die Belastbarkeit der Zahl entscheiden.

Für die Optimierung selbst gilt eine unbequeme, aber ehrliche Zusammenfassung: Belegt ist der Zugang, nicht die Bevorzugung. Wer die Crawler nicht blockiert, sein Unternehmensprofil vollständig und aktuell hält und für die klassischen lokalen Faktoren arbeitet, hat getan, was dokumentiert wirkt. Alles darüber hinaus mag funktionieren – aber es sollte als Hypothese verkauft werden, nicht als Maßnahme mit belegter Wirkung.