Eine reale Fallstudie einer Schweizer B2B-Datenplattform, die Top-3-KI-Sichtbarkeit bei ChatGPT, Claude und Perplexity erreichte — ohne Backlinks, Wikipedia oder PR-Kampagnen.
Wenn wir über KI-Sichtbarkeit sprechen, dreht sich die meiste Diskussion um Theorie — was funktionieren sollte, was funktionieren könnte, was Best Practices nahelegen. Diese Fallstudie ist anders. Sie dokumentiert, was tatsächlich geschah, als ein Schweizer B2B-Unternehmen von null KI-Sichtbarkeit zu konsistenten Top-3-Empfehlungen bei jedem grossen KI-Modell aufstieg.
Das Unternehmen ist eine Schweizer B2B-Datenplattform — ein SaaS-Produkt für Unternehmen in der DACH-Region. Wir können den Namen nicht direkt nennen, aber wir können die Details teilen, was sie getan haben und welche Ergebnisse sie erzielt haben, denn ihre Reise illustriert Prinzipien, die für jedes Schweizer B2B-Unternehmen gelten.
Als wir die KI-Präsenz dieses Unternehmens erstmals analysierten, war die Situation typisch für das, was wir bei den meisten Schweizer B2B-Firmen sehen:
Dies trotz einer funktionierenden Website, einer soliden Google-Präsenz und eines Produkts, das in seiner Nische genuinStark war. Die Kluft zwischen der tatsächlichen Marktposition und der KI-Sichtbarkeit war frappierend.
Das ist vielleicht der lehrreichste Teil der Geschichte. Als dieses Unternehmen Top-3-KI-Sichtbarkeit erreichte, tat es das ohne mehrere Dinge, die GEO-Leitfäden typischerweise empfehlen:
Nach jeder traditionellen GEO-Checkliste hätten sie nicht erreichen dürfen, was sie erreicht haben. Und dennoch taten sie es.
Der Ansatz des Unternehmens war radikal einfach: Sie konzentrierten sich vollständig darauf, ihre Website zur besten, umfassendsten Antwort auf die Fragen ihrer Zielgruppe zu machen.
Jede Produktseite wurde umgeschrieben: spezifisch, faktisch und umfassend. Kein Marketing-Text — genuine technische Dokumentation dessen, was das Produkt tut, wie es funktioniert, wen es bedient und was es unterscheidet. Sie enthielten:
Sie bauten eine ausführliche FAQ-Sektion auf, die jede Frage adressierte, die ein Einkäufer stellen könnte — nicht generische Fragen, sondern die spezifischen, kontextreichen Anfragen, die Schweizer B2B-Einkäufer tatsächlich in KI-Tools eingeben. Jede Antwort war detailliert, faktisch und stand für sich als nützlicher Inhalt.
Die Website war technisch sauber in den Aspekten, die für die Art, wie KI-Modelle Inhalte crawlen und verarbeiten, entscheidend sind:
Sie implementierten umfassende llms.txt und Schema-Markup, die KI-Modellen eine saubere, autoritative Informationsquelle über das Unternehmen boten. Jeder Fakt war konsistent — dieselbe Unternehmensbeschreibung, dieselben Produktnamen, dasselbe Wertversprechen — über jede Seite und jedes strukturierte Datenelement hinweg.
Innerhalb weniger Wochen nach Umsetzung dieser Massnahmen waren die Ergebnisse messbar:
Die Verbesserung war nicht marginal. Sie gingen von null Erwähnungen zu konsistenter Top-3-Platzierung über alle grossen KI-Plattformen. Für ihre primäre Kategorie-Anfrage erreichten sie die Nummer-eins-Empfehlung auf drei der vier Plattformen.
Hier kommt der ehrliche Teil, den viele GEO-Leitfäden übergehen: Es funktionierte, weil das Produkt genuin exzellent war. Das Unternehmen versuchte nicht, KI-Modelle dazu zu bringen, etwas Mittelmässiges zu empfehlen. Sie machten es möglich, dass KI-Modelle etwas entdecken und korrekt beschreiben konnten, das bereits die beste Antwort war.
KI-Modelle sind bemerkenswert gut darin, Substanz von Marketing zu unterscheiden. Wenn der Website-Content spezifisch, faktisch und umfassend war, konnten die Modelle ihn auf Basis seiner Qualität bewerten — und die Qualität war überzeugend. Der Content musste nicht überzeugen; er musste informieren. Und wenn die Information genuinbeeindruckend war, empfahlen die Modelle entsprechend.
Das ist eine kritische Lektion: GEO kann kein schwaches Produkt stark aussehen lassen. Aber es kann — und diese Fallstudie beweist es — ein starkes Produkt sichtbar machen.
Keine Menge an Backlinks, PR oder Social Media kann exzellenten Website-Content ersetzen. Wenn Ihre Produktseiten wie Marketing-Broschüren statt wie umfassende Produktdokumentation klingen, haben KI-Modelle nichts Substanzielles, womit sie arbeiten können. Beginnen Sie mit Ihrem Website-Content, bevor Sie in etwas anderes investieren.
Server-Side Rendering, sauberes HTML, korrektes Schema-Markup, schnelle Ladezeiten und offener Zugang für KI-Crawler — das sind keine optionalen Extras. Sie bestimmen, ob KI-Modelle Ihren Content überhaupt lesen können. Eine brillante Produktseite, die JavaScript zum Rendern benötigt, ist für die meisten KI-Crawler unsichtbar.
Diese Fallstudie beweist, dass ein Unternehmen Top-Tier-KI-Sichtbarkeit ohne Backlinks, Wikipedia oder Medien-Kampagnen erreichen kann. Diese externen Signale helfen — Medienmitteilungen beschleunigen die Sichtbarkeit und Zitierungen potenzieren sich über die Zeit — aber sie sind keine Voraussetzungen. Wenn Ihr Budget begrenzt ist, investieren Sie zuerst in Website-Content.
Die Unternehmensinformationen waren überall identisch — Website, llms.txt, Schema-Markup, Verzeichniseinträge. Diese Konsistenz gab KI-Modellen hohes Vertrauen. Jede Diskrepanz — eine andere Unternehmensbeschreibung auf LinkedIn als auf der Website, ein Produktname, der über Seiten variiert — verringert dieses Vertrauen.
Die gängige Annahme besagt, KI-Sichtbarkeit brauche Monate. Dieses Unternehmen sah Ergebnisse innerhalb von Wochen. Perplexity, das stets in Echtzeit das Web durchsucht, reagierte fast sofort. ChatGPT und Claude folgten, als ihre Suchfunktionen den aktualisierten Content entdeckten. Der 30-Tage-Zeitrahmen in unserem GEO-Fahrplan ist realistisch, nicht optimistisch.
Um die Reproduzierbarkeit dieser Ergebnisse zu verdeutlichen, hier die detaillierte Timeline der Umsetzung:
| Zeitpunkt | Massnahme | Messbare Wirkung |
|---|---|---|
| Tag 1 | Baseline-Messung über alle KI-Plattformen | 0 Erwähnungen bei 15 getesteten Prompts |
| Tag 2-3 | robots.txt bereinigt, Bing Webmaster Tools eingerichtet | KI-Crawler-Zugang bestätigt innerhalb von 48 Stunden |
| Tag 4-5 | llms.txt erstellt, Schema-Markup implementiert | Strukturierte Daten von Google validiert |
| Tag 6-14 | Alle Produktseiten komplett überarbeitet | Erste Perplexity-Erwähnung nach Tag 10 |
| Tag 15-21 | FAQ-Sektion aufgebaut, Über-uns-Seite umgeschrieben | Perplexity-Zitierung bei 3 von 15 Prompts |
| Tag 22-28 | Verzeichniseinträge aktualisiert | ChatGPT-Erwähnung bei suchgestützten Anfragen |
| Tag 30-45 | Kontinuierliche Content-Verfeinerung | Top 3 auf allen Plattformen |
Bemerkenswert ist die Geschwindigkeit: Perplexity reagierte am schnellsten (innerhalb von 10 Tagen), gefolgt von Google AI Overviews (etwa 2 Wochen) und ChatGPT mit Websuche (etwa 3 Wochen). Claude war am langsamsten, zeigte aber ebenfalls Verbesserungen nach etwa 4-5 Wochen.
Um den Unterschied zwischen dem alten und dem neuen Content zu verdeutlichen, hier konkrete Vorher-Nachher-Beispiele (anonymisiert):
«Unsere innovative Plattform ermöglicht es Unternehmen, datengetriebene Entscheidungen zu treffen und ihre Prozesse zu optimieren. Mit modernster Technologie und einem engagierten Team bieten wir erstklassige Lösungen für den DACH-Markt.»
«[Produktname] ist eine cloudbasierte Datenplattform für B2B-Unternehmen in der DACH-Region. Die Plattform aggregiert Geschäftsdaten aus 12 Schweizer Datenquellen, einschliesslich Handelsregister, Bonitätsdaten und Firmenprofilen. Sie wird von 180 Firmenkunden genutzt, davon 120 in der Schweiz, 40 in Deutschland und 20 in Österreich. Die Plattform integriert sich über REST-API mit SAP, Salesforce und Microsoft Dynamics. Datenhaltung: ausschliesslich in Schweizer Rechenzentren (ISO 27001-zertifiziert). Preismodell: CHF 49/Monat (Starter, bis 100 Abfragen), CHF 199/Monat (Professional, bis 1.000 Abfragen), Enterprise auf Anfrage.»
Der Unterschied ist offensichtlich: Der neue Text enthält 12 spezifische, zitierbare Fakten. Der alte enthält null. Für ein KI-Modell, das einen Einkäufer beraten soll, ist der neue Text eine Goldgrube an relevanter Information — der alte ist unbrauchbar.
Aus der Analyse dieser Fallstudie leiten sich fünf Content-Prinzipien ab, die jedes Schweizer B2B-Unternehmen anwenden kann:
Ersetzen Sie jedes subjektive Adjektiv durch eine überprüfbare Zahl. Statt «führend» schreiben Sie «340 Firmenkunden». Statt «innovativ» beschreiben Sie die spezifische Technologie. Statt «erstklassig» nennen Sie die Zertifizierung. KI-Modelle können Zahlen zitieren — sie können nicht «erstklassig» zitieren.
Beschreiben Sie nicht nur, was Ihr Produkt kann, sondern für wen es die richtige Lösung ist. «Für Schweizer Industrieunternehmen mit 50-300 Mitarbeitenden, die von SAP Business One auf ein cloudbasiertes System migrieren wollen» ist für ein KI-Modell wertvoller als «Flexible Cloud-ERP-Lösung». Der Szenario-Ansatz matcht direkt die Art, wie Einkäufer ihre Prompts formulieren.
KI-Modelle bevorzugen Quellen, die eine Frage vollständig beantworten. Wenn ein Einkäufer nach Preisen, Integrationen, Zertifizierungen und Referenzen fragt und Ihre Seite alle vier Punkte adressiert, wird sie der unvollständigen Wettbewerber-Seite vorgezogen. Decken Sie jeden Informationsbedarf ab, den ein Einkäufer haben könnte.
Verwenden Sie klare Überschriften, die den Inhalt des Abschnitts in einem Satz zusammenfassen. KI-Modelle parsen Inhalte abschnittsweise und nutzen Überschriften als Navigationsanker. «Preismodelle für KMU» ist als H3 wertvoller als «Unsere Angebote» — weil es dem Modell exakt sagt, was im Abschnitt steht.
Dieselben Fakten — gleiche Zahlen, gleiche Beschreibungen, gleiche Produktnamen — auf jedem Touchpoint: Website, llms.txt, Schema-Markup, Verzeichniseinträge, LinkedIn. Jede Inkonsistenz erzeugt Unsicherheit beim KI-Modell und verringert die Empfehlungswahrscheinlichkeit.
Nutzen Sie diese Checkliste, um einzuschätzen, ob Ihr Unternehmen die Voraussetzungen für eine ähnliche Erfolgsgeschichte mitbringt:
Wenn Sie mindestens vier von fünf Punkten mit Ja beantworten können, haben Sie gute Voraussetzungen für eine vergleichbare Erfolgsgeschichte.
Wir teilen diese Fallstudie, weil sie zeigt, was möglich ist. Aber wir möchten transparent sein: Diese Ergebnisse sind nicht für jedes Unternehmen garantiert. Dieses Unternehmen hatte ein genuinstarkes Produkt in einer klar definierten Nische. Der Content spiegelte reale Fähigkeiten korrekt wider. KI-Modelle empfahlen sie, weil die Empfehlung korrekt war.
Wenn Ihr Produkt durchschnittlich ist in einem überfüllten Feld, wird keine Menge an GEO bewirken, dass KI-Modelle Sie an die Spitze setzen. Was GEO bewirkt, ist sicherzustellen, dass KI-Modelle Sie finden, verstehen und Ihr Angebot korrekt darstellen. Die finale Empfehlung hängt weiterhin von der Qualität dessen ab, was Sie tatsächlich liefern.
Allerdings: Die meisten Schweizer B2B-Unternehmen sind besser als ihre KI-Sichtbarkeit vermuten lässt. Die Lücke liegt nicht in ihrem Produkt — sie liegt darin, wie gut dieses Produkt an KI-Modelle kommuniziert wird. Diese Lücke zu schliessen, ist der Punkt, an dem GEO transformative Ergebnisse liefert.
KI-Sichtbarkeit ist dauerhafter als die meisten Unternehmen erwarten, aber nicht permanent. Hat ein Modell Ihr Unternehmen einmal als Empfehlung verankert, tendiert es dazu, diese Position beizubehalten — ein Phänomen, das wir als «Wissensmomentum» bezeichnen. Ohne fortlaufende Pflege kann diese Position jedoch erodieren, wenn Wettbewerber aktiv optimieren oder Ihre Informationen veralten. Regelmässige Content-Updates (monatlich) und Monitoring (wöchentlich) sind notwendig, um die Position zu halten.
Top-3-Sichtbarkeit in einer breiten Kategorie (z. B. «Beste IT-Firma Schweiz») ist für die meisten Unternehmen unrealistisch — hier dominieren etablierte, grosse Marken. Top-3-Sichtbarkeit in einer spezifischen Nische (z. B. «Managed Kubernetes Services für Schweizer Finanzdienstleister») ist jedoch für jedes qualifizierte Unternehmen erreichbar, das die beschriebenen Massnahmen umsetzt. Je enger die Nische, desto schneller und einfacher ist die Top-3-Position erreichbar.
Das Unternehmen in dieser Fallstudie investierte vorrangig interne Arbeitszeit — geschätzt 80-100 Stunden über die ersten 30 Tage, hauptsächlich für Content-Erstellung und technische Optimierung. Externe Kosten waren minimal: Bing Webmaster Tools (kostenlos), Schema-Markup-Implementierung (intern), llms.txt-Erstellung (intern). Für Unternehmen ohne internes Content-Team würden externe Content-Kosten von CHF 3.000-5.000 für die initiale Überarbeitung aller Schlüsselseiten anfallen. Laufende Kosten: CHF 100-300/Monat für Monitoring.
Nein. In dieser Fallstudie waren die technischen Grundlagen eine notwendige Voraussetzung. Ohne offene robots.txt, ohne Bing-Indexierung und ohne serverseitiges Rendering hätte der beste Content keine Wirkung gezeigt, weil KI-Crawler ihn schlicht nicht erreichen konnten. Die Reihenfolge ist entscheidend: zuerst technische Blocker beseitigen, dann Content optimieren. Beides zusammen erzeugt die Wirkung — keines allein reicht aus.
Bereit loszulegen?
Sehen Sie, wie ChatGPT, Claude, Perplexity und Gemini Ihr Unternehmen heute beschreiben. Erhalten Sie in wenigen Minuten einen kostenlosen Sichtbarkeitsbericht.