--- title: "Agents als neue Zielgruppe. Wie KI-Systeme Unternehmen finden, verstehen und darstellen" version: "4.2.2" doi: "10.5281/zenodo.21803062" date: 2026-08 lang: de-DE author: Kolja Pitz publisher: Plateau Candy GmbH & Co. KG, Köln canonical: https://plateaucandy.de rights: > © 2026 Plateau Candy GmbH & Co. KG. Dieses Werk ist lizenziert unter Creative Commons Attribution-NoDerivatives 4.0 International (CC BY-ND 4.0). Weitergabe und Vervielfältigung, auch kommerziell, sind mit Namensnennung gestattet; Bearbeitungen und abgeleitete Werke sind nicht gestattet. Text- und Data-Mining einschließlich Modelltraining ist gestattet. tdm-reservation: 0 tdm-policy: https://www.plateaucandy.de/.well-known/tdmrep.json cover: meta: "August 2026 · Version 4.2.2 · Plateau Candy" kicker: "AGENTS ALS NEUE ZIELGRUPPE" headline: |- WIE KI-SYSTEME UNTERNEHMEN FINDEN, VERSTEHEN UND DARSTELLEN toc-title: Inhalt toc-descriptions: "Intro": Warum sich das Spielfeld digitaler Sichtbarkeit verändert "11": Das Studio hinter diesem Whitepaper und der Autor "1": Wie Recherche und Vorauswahl in KI-Systeme wandern "2": Was geschieht, bevor ein Besuch messbar wird "3": Fünf Wege, auf denen Informationen in KI-Antworten gelangen "4": Wie Websites gefunden, verstanden und genutzt werden können "5": Was belegt ist, was plausibel klingt und was nicht trägt "6": SEO, GEO, AEO und ihre unterschiedlichen Aufgaben "7": Was Forschung und Felddaten bislang zeigen "8": Warum maschinelle Nutzung zum neuen Architekturprinzip wird "9": Vier Fragen an einen Anbieter, drei Ebenen der Messung "10": Warum Eindeutigkeit für Maschinen und Eigenständigkeit für Menschen zusammengehören "Quellen und Evidenzbasis": Plattformdokumentation, Forschung und Felddaten "Impressum und rechtliche Hinweise": Herausgeber, Haftung, Nutzungsrechte keywords: - Agent First - KI-Sichtbarkeit - Generative Engine Optimization - Answer Engine Optimization - Model Context Protocol - strukturierte Daten - Retrieval --- # Agents als neue Zielgruppe ## Wie KI-Systeme Unternehmen finden, verstehen und darstellen Whitepaper · Version 4.2.2 · August 2026 · Plateau Candy > “As the global advertising elite gathered aboard superyachts and inside beachfront villas, the conversation shifted from how to win human attention to a much more urgent, existential question: **How do you influence an A.I. model?**” > > – Marty Swant > „Advertisers Are Good at Getting Human Attention. Can They Stand Out to A.I.?“, The New York Times [25] ## Intro Bisher wurden Websites primär für Menschen gestaltet und für Suchmaschinen auffindbar gemacht. In bemerkenswert kurzer Zeit ist nun eine weitere zentrale Anforderung hinzugekommen: Heute müssen sie auch von KI-Systemen gelesen und verstanden werden. Damit entsteht eine dritte Zielgruppe mit eigener Rolle in der Customer Journey. Menschen lassen sich durch Nutzen, Haltung, Sprache, Vertrauen und Inszenierung gewinnen. Bei Suchmaschinen war über Jahre eine recht berechenbare Mischung wirksam: Struktur, Relevanz und Autorität für organische Sichtbarkeit, Budget für den direkten Weg nach oben. KI-Systeme sind jedoch mehr als ein weiterer Kanal für Sichtbarkeit. Sie recherchieren, vergleichen, verdichten, bewerten und empfehlen Anbieter und Angebote, oft über große Informationsmengen und zahlreiche Quellen hinweg. Dabei übernehmen sie zunehmend eine vermittelnde Rolle zwischen Unternehmen und potenziellen Kunden. Sie prägen, welche Anbieter überhaupt sichtbar werden, wie sie dargestellt werden und welche in die engere Wahl gelangen. Wie aber gewinnt man ein System für sich, das weder Kampagnen bewundert noch sich allein über Platzierung und Suchsignale erreichen lässt, sondern auf erlerntes Wissen aus seinen Trainingsdaten zurückgreift, aktuelle Quellen auswertet und beides zu einer eigenen Antwort verbindet? Dieses Whitepaper zeigt, wie Unternehmen die Voraussetzungen dafür schaffen, von KI-Systemen gefunden, richtig verstanden und in relevanten Antworten berücksichtigt zu werden. ## Inhalt - [1. KI-Systeme als neue Zielgruppe](#1-ki-systeme-als-neue-zielgruppe) - [2. Die unsichtbare Hälfte der digitalen Customer Journey](#2-die-unsichtbare-hälfte-der-digitalen-customer-journey) - [3. Woher KI-Systeme wissen, was sie über ein Unternehmen wissen](#3-woher-ki-systeme-wissen-was-sie-über-ein-unternehmen-wissen) - [4. Die technische Architektur: drei Schichten](#4-die-technische-architektur-drei-schichten) - [5. Zwischen Evidenz, Marketing und Mythos](#5-zwischen-evidenz-marketing-und-mythos) - [6. Warum KI-Sichtbarkeit mehr als eine Disziplin braucht](#6-warum-ki-sichtbarkeit-mehr-als-eine-disziplin-braucht) - [7. Was Auswahl, Zitation und Verwendung von Quellen beeinflusst](#7-was-auswahl-zitation-und-verwendung-von-quellen-beeinflusst) - [8. Von Mobile First zu Agent First](#8-von-mobile-first-zu-agent-first) - [9. Von der Diagnose zur Entscheidung](#9-von-der-diagnose-zur-entscheidung) - [10. Eindeutig für Maschinen. Unverwechselbar für Menschen.](#10-eindeutig-für-maschinen-unverwechselbar-für-menschen) - [Quellen und Evidenzbasis](#quellen-und-evidenzbasis) - [Impressum und rechtliche Hinweise](#impressum-und-rechtliche-hinweise) ## 1. KI-Systeme als neue Zielgruppe Seit mehr als zwei Jahrzehnten folgt digitale Angebotsrecherche meist einem bekannten Ablauf: Ein potenzieller Kunde sucht bei Google oder einer anderen Suchmaschine, prüft eine Ergebnisliste und besucht anschließend eine oder mehrere Websites. Zunehmend tritt jedoch eine zweite Form der Recherche daneben. KI-Assistenten wie ChatGPT, Perplexity, Gemini oder Claude recherchieren Anbieter, vergleichen Leistungen und verdichten Informationen zu einer Vorauswahl. In manchen Fällen ergänzen sie die klassische Suche, in anderen ersetzen sie einzelne Schritte bereits vollständig. Das gilt längst nicht mehr nur für private Nutzung: 45 % der befragten B2B-Einkäufer hatten bei einem kürzlichen Kauf generative KI eingesetzt, vor allem für die Recherche zu Anbietern und Produkten.[2] *Typische Fragen lauten:* - Welche Anbieter für Y gibt es in Deutschland? - Ist Anbieter X gut und wird er empfohlen? - Vergleiche Company A mit Company B. - Welcher Anbieter eignet sich für Unternehmen mit den Anforderungen X, Y und Z? - Welche Anbieter haben Erfahrung mit Unternehmen unserer Größe und Branche? KI-Systeme eignen sich in besonderer Weise für Recherche und Vorauswahl. Vier Eigenschaften sind dafür entscheidend. **Erstens wird Recherche schneller und einfacher.** Statt zahlreiche Suchergebnisse zu öffnen und Informationen über viele Tabs hinweg selbst zusammenzuführen, erhalten Nutzer eine strukturierte Vorauswahl. Diese lässt sich im Dialog schrittweise verfeinern: Kriterien können ergänzt, Anbieter ausgeschlossen und Gewichtungen verändert werden. **Zweitens senken KI-Systeme die fachliche Hürde der Recherche.** Nutzer müssen weder die genaue Marktterminologie noch alle relevanten Auswahlkriterien bereits kennen. Sie können ihre Anforderungen zunächst in eigenen Worten beschreiben und im Dialog präzisieren. Das System kann daraus Suchkriterien ableiten, Rückfragen stellen und die Recherche schrittweise strukturieren. **Drittens lassen sich unterschiedlich dargestellte Angebote leichter vergleichen.** KI-Systeme können Unternehmensdarstellungen nach gemeinsamen Kriterien durchsuchen und relevante Aussagen, Zahlen oder Nachweise extrahieren. Kontrollierte Studien zeigen, dass thematische Relevanz, konkrete Belege und eindeutig zuordenbare Aussagen die Auswahl und Verwendung bereits gefundener Inhalte unterstützen können.[4][12] **Viertens kann sich dadurch die Vorauswahl erweitern.** Neben bekannten Marken können auch kleinere oder weniger sichtbare Anbieter berücksichtigt werden, sofern ihr Angebot für die konkrete Anfrage relevant und in den verfügbaren Quellen klar dokumentiert ist. Ob dies tatsächlich geschieht, hängt allerdings von Quellenlage, Retrieval und jeweiliger Plattform ab. Beschleunigt wird diese Entwicklung durch die zunehmende Einführung von KI-Systemen in Unternehmen. Als Bestandteil von Arbeitsprozessen, Software und Beschaffung werden sie immer häufiger zum selbstverständlichen Ausgangspunkt für Recherche und Vorauswahl. Mit dieser Verschiebung verändert sich nicht nur die Art der Suche, sondern auch die Rolle der Unternehmenswebsite. Neben Menschen und Suchmaschinen tritt eine weitere Zielgruppe: KI-Systeme, die Inhalte finden, auslesen, einordnen und in ihren Antworten weiterverwenden. Websites müssen deshalb nicht nur Menschen überzeugen und für Suchmaschinen auffindbar sein. Ihre Aussagen müssen auch für KI-Systeme erreichbar, verständlich und eindeutig einem Unternehmen, einem Angebot und einer Zielgruppe zuzuordnen sein. Das Problem: Viele Unternehmenswebsites liefern KI-Systemen keine ausreichend zugängliche, eindeutige und belastbare Informationsgrundlage. Dann werden sie als Quelle möglicherweise gar nicht berücksichtigt, während Antworten stärker auf Drittquellen oder bereits erlerntem Wissen beruhen, das veraltet, unvollständig oder falsch sein kann. Häufig liegt die Ursache darin, wie die Website Informationen für KI-Systeme zugänglich macht, strukturiert und belegt. Inhalte sind technisch schwer erreichbar, unklar aufgebaut oder so vage formuliert, dass Leistungen, Zielgruppen und Nachweise nicht eindeutig zugeordnet werden können. Damit fehlt KI-Systemen zugleich eine belastbare aktuelle Quelle, anhand derer sie älteres Wissen bestätigen, ergänzen oder korrigieren können. In der Folge wird das Unternehmen möglicherweise nicht berücksichtigt, unvollständig beschrieben oder auf Grundlage überholter Angaben eingeordnet. Wo verlässliche Informationen fehlen, steigt zudem das Risiko halluzinierter Ergänzungen. *Das ist nicht nur ein Imageproblem. Es ist ein Vertriebsproblem.* ## 2. Die unsichtbare Hälfte der digitalen Customer Journey Die in Kapitel 1 beschriebenen Veränderungen der Nutzungsgewohnheiten haben eine weitere Konsequenz: Ein wachsender Teil der Recherche findet bereits vor einem Websitebesuch oder vollständig innerhalb von Such- und KI-Systemen statt. Dort werden Anbieter gefunden, verglichen und vorselektiert, häufig ohne dass daraus ein direkter Klick entsteht. Für Unternehmen verschiebt sich damit ein relevanter Teil der Customer Journey in einen Bereich, dessen Einfluss auf Wahrnehmung, Nachfrage und Vertrieb nur teilweise messbar und mitunter vollständig opak ist. Die Zahlen zeigen die Richtung: Anfang 2026 endeten 68 % aller Google-Suchen in den USA ohne Klick auf eine externe Website.[1] Erschien eine AI Overview, sank die durchschnittliche Klickrate des ersten organischen Treffers in einer Auswertung von 300.000 Keywords um 58 %.[3] Die klassische Suche verschwindet damit nicht. Aber sie führt seltener unmittelbar auf eine Website. Auch im B2B-Kontext beginnt die Recherche zunehmend früher und außerhalb der anbietereigenen Kanäle. 45 % der befragten B2B-Einkäufer hatten bei einem kürzlichen Kauf generative KI eingesetzt, vor allem für die Recherche zu Anbietern und Produkten.[2] Die eigene Website wird dadurch nicht bedeutungslos. Sie wird häufig erst später besucht, um Eindrücke zu prüfen, Angaben zu validieren oder offene Fragen zu klären. Dazu passt, dass 69 % der befragten B2B-Einkäufer KI-generierte Erkenntnisse durch Vertriebsmitarbeiter validieren ließen.[2] Eine weitere B2B-Untersuchung beschreibt generative Suche ebenfalls zunehmend als Ausgangspunkt der Recherche; zugleich bleiben Tests, Nachweise und Buying Groups für die Entscheidung zentral.[16] Empfiehlt ein KI-Assistent einen Anbieter, muss daraus kein direkter Klick entstehen. Nutzer können den Namen später suchen, die Adresse direkt eingeben, die Information intern weitergeben oder sie in einem anderen Kanal aufgreifen. Klassische Webanalyse erfasst davon nur einen Ausschnitt. OpenAI versieht direkte Verweise aus ChatGPT mit dem Parameter utm_source=chatgpt.com.[6] Solche Referrals zeigen jedoch nur den Teil der Journey, in dem tatsächlich geklickt wird. Ein veröffentlichter SaaS-Fall veranschaulicht die mögliche Lücke zwischen Analytics und Selbstauskunft; er ist als Fallbeispiel und nicht als allgemeine Quote zu lesen.[10] Die entscheidende Wirkung bleibt deshalb häufig unsichtbar: Ein KI-System kann die Wahrnehmung eines Unternehmens, seine Einordnung und seine Aufnahme in eine Vorauswahl beeinflussen, ohne dass dies in den üblichen Kanalberichten eindeutig auftaucht. Unternehmen riskieren dadurch, den Einfluss von KI-Systemen auf Nachfrage und Vertrieb zu unterschätzen. Wer Investitionen ausschließlich an sichtbaren Klicks und Referrals ausrichtet, bewertet womöglich gerade jene Vermittlungsschicht zu niedrig, die zunehmend darüber mitentscheidet, welche Anbieter überhaupt näher betrachtet werden. ## 3. Woher KI-Systeme wissen, was sie über ein Unternehmen wissen Bevor Unternehmen ihre Websites gezielt auf KI-Systeme ausrichten können, müssen sie zunächst verstehen, auf welchen Wegen Informationen über sie in KI-Antworten gelangen. Dabei wirken fünf unterschiedliche Informationspfade zusammen, die jeweils einer eigenen Logik folgen und durch unterschiedliche Maßnahmen beeinflusst werden können. Diese Unterscheidung ist praktisch entscheidend. Sie zeigt, welche Hebel kurzfristig wirken können, welche nur mittel- oder langfristig greifen und wo Maßnahmen ins Leere laufen. *Weg 1 · Parametrisches Gedächtnis (Training).* Das Modell antwortet aus Mustern, die während des LLM-Trainings in seinen Parametern verankert wurden. Trainingsdaten können öffentlich zugängliche Webinhalte, lizenzierte Bestände sowie von Menschen oder Nutzern bereitgestellte Inhalte umfassen; je nach Anbieter kommen synthetische Daten hinzu. Die genaue Zusammensetzung wird nur teilweise offengelegt.[27] Dieses Wissen ist an den Trainingsstand gebunden und lässt sich kurzfristig nicht beeinflussen. Ist ein Unternehmen darin dünn vertreten, steigt das Risiko unvollständiger oder fehlerhafter Antworten. **Hebel:** langfristige Präsenz in autoritativen Drittquellen (Wikidata, Branchenverzeichnisse, Fachmedien). Und, oft übersehen, die eigene Crawl-Erlaubnis von heute: Was jetzt zugänglich ist, kann in die nächste Modellgeneration einfließen. Weg 1 ist damit die verzögerte Ernte von Weg 2. Geduld, kein Deploy. *Weg 2 · Suchindex.* Was ein Suchsystem bereits erfasst hat. Viele KI-Antworten greifen auf klassische Suchindizes oder vergleichbare Retrievalsysteme zurück. Maßgeblich ist dann nicht zwingend der aktuelle Stand einer Seite, sondern die zuletzt gecrawlte und indexierte Fassung. Ob und wie stark dieser Weg genutzt wird, hängt von Produkt, Modus, Region und Anfrage ab. **Hebel:** Discoverability, also die technische Erreichbarkeit für die richtigen Crawler. Entscheidend ist zunächst, dass jene Bots zugelassen sind, die Inhalte für Suche und Antworten erfassen. Dabei ist wichtig: Nicht jeder Bot desselben Anbieters hat dieselbe Aufgabe. OAI-SearchBot bedient die ChatGPT-Suche, GPTBot das Training. Googlebot ist für Google Search einschließlich AI Overviews und AI Mode relevant, Google-Extended dagegen für andere Nutzungsformen wie Training und Grounding.[5][6] Die Freigabe in der robots.txt allein genügt jedoch nicht immer. Auch vorgeschaltete Sicherheits- und Auslieferungssysteme können einen Crawler blockieren, etwa ein CDN oder eine Web Application Firewall. Diese Systeme schützen Websites vor unerwünschten Zugriffen und automatisiertem Traffic, können dabei aber auch legitime Such-Crawler aussperren. Deshalb muss geprüft werden, ob die relevanten Bots die Website tatsächlich erreichen können.[5][6][7] Wer den falschen Bot blockiert oder nur scheinbar freigibt, bleibt auf diesem Weg unsichtbar, unabhängig davon, wie gut die Website selbst aufgebaut ist. *Weg 3 · Live-Abruf.* Was eine Seite im Moment der Anfrage preisgibt. Ein Agent oder angeschlossenes Abrufsystem kann eine konkrete URL aktuell aufrufen und den dort erreichbaren Inhalt verarbeiten. Perplexity dokumentiert mit Perplexity-User einen solchen nutzerinitiierten Abruf.[7] Welche Bestandteile tatsächlich ausgewertet werden, hängt vom jeweiligen System ab. Zugänglicher Text und klar strukturierte Inhalte im ausgelieferten Dokument reduzieren die Abhängigkeit von nachgelagertem Rendering. Eingebettete strukturierte Daten wie JSON-LD können sichtbare Aussagen zusätzlich präzisieren. Verlinkte oder separat veröffentlichte Dokumente wie eine Agent Card oder eine OpenAPI-Beschreibung können ebenfalls abgerufen werden, sofern das System sie kennt oder entdeckt. Sie erfüllen jedoch eine andere Funktion: Eine Agent Card beschreibt einen Agenten und seine Fähigkeiten, eine OpenAPI-Datei die verfügbaren Schnittstellen und Operationen.[19][20] Damit führen sie bereits zur nächsten Ebene, auf der ein Agent nicht nur Informationen liest, sondern Funktionen aufrufen kann. **Hebel:** Readability. Zentrale Inhalte sollten ohne unnötige technische Hürden als Text verfügbar, eindeutig gegliedert und früh im Dokument erkennbar sein. Server- oder statisch gerenderte Kerninhalte verringern die Abhängigkeit von JavaScript. Strukturierte Daten können Identität, Angebote und Beziehungen zusätzlich explizit beschreiben, ersetzen aber nicht die sichtbare Selbstauskunft der Website. *Weg 4 · Interaktion.* Wenn der Agent nicht nur liest, sondern handelt. Hier endet die reine Informationsaufnahme. Der Agent ruft eine definierte Funktion mit Parametern auf, und das angebundene System sucht, berechnet oder verändert etwas: Es prüft Verfügbarkeiten, filtert Daten, vereinbart einen Termin, löst eine Buchung aus oder übermittelt eine Bestellung. Die Grenze zu Weg 3 verläuft damit nicht zwischen HTML und JSON, sondern zwischen Beschreibung und Ausführung. Eine Agent Card kann eine Fähigkeit beschreiben und den Zugang dazu ausweisen. Erst wenn diese Fähigkeit tatsächlich aufgerufen wird, beginnt Weg 4. **Hebel:** der Interaction Layer. Seine Bedeutung wächst mit der Fähigkeit von Agenten, Aufgaben selbstständig auszuführen. Hier liegt auch der unmittelbarste wirtschaftliche Nutzen: Informationssuche und anschließende Handlung müssen nicht mehr getrennt voneinander stattfinden. Konkrete Fälle: - Ein Agent stimmt direkt einen Termin mit dem Kalender des Anbieters ab. - Eine Bestellung wird nach entsprechender Freigabe unmittelbar ausgelöst. - Eine Kapazitätsanfrage prüft, ob im dritten Quartal noch ein Projekt aufgenommen werden kann. - Eine gezielte Referenzabfrage greift auf Daten zu, die auf der öffentlichen Website nicht vollständig dargestellt sind. Die Beschaffung zeigt, wohin sich dieser Layer entwickelt. Agenten können Anbieter recherchieren, Angebote einholen und innerhalb definierter Grenzen Verhandlungen oder Transaktionen unterstützen. Der wirtschaftlich relevante Sprung liegt im Übergang von Information zu Handlung.[17][18] Für eine reine Informations- oder Marketing-Website ist das Fehlen dieser Schicht heute kein Mangel. Sie hat schlicht keine Funktion anzubieten, die ein Agent ausführen müsste. Sobald jedoch ein konkreter Handlungs- oder Datenzweck hinzukommt, etwa bei Shops, Terminbuchungen, Softwareprodukten oder Datendiensten, wird die Interaktionsschicht relevant und kann zum Unterscheidungsmerkmal werden. *Weg 5 · Akkumulierter Kontext.* Was die KI bereits über ein Unternehmen weiß. Das Modell antwortet aus Informationen, die im Gespräch oder im Nutzerkonto bereits vorhanden sind: frühere Nachrichten, hochgeladene Dokumente, vorangegangene Suchergebnisse oder gespeicherte Erinnerungen. Die Website muss dabei weder gesucht noch aufgerufen werden. Viele kennen diesen Effekt aus der eigenen Nutzung. Im selben Chat wurde bereits über das Unternehmen gesprochen, eine Präsentation hochgeladen oder eine frühere Recherche durchgeführt. Fragt man später erneut nach der Firma, wirkt die KI bestens informiert. Dieses Wissen stammt dann jedoch möglicherweise ausschließlich aus dem vorhandenen Kontext. Es sagt wenig darüber aus, was ein neues System ohne Vorwissen über Suchindex, Drittquellen oder Live-Abruf tatsächlich finden würde. **Hebel:** kein direkter. Unternehmen können nicht steuern, welche Informationen in fremden Gesprächen, Nutzerkonten oder hochgeladenen Dokumenten bereits vorliegen. Indirekt hilft eine konsistente Darstellung in der eigenen Website und in verlässlichen Drittquellen, weil diese Informationen wiederum in spätere Kontexte gelangen können. Praktisch relevant ist dieser Weg vor allem als Messfalle. Wer die eigene Sichtbarkeit im persönlichen, eingeloggten KI-Konto prüft, testet nicht nur die öffentliche Informationslage, sondern häufig auch den selbst erzeugten Kontext. Ein belastbarer Sichtbarkeitstest braucht deshalb einen frischen, kontextfreien Zugang und klar dokumentierte Ausgangsbedingungen. Sonst entsteht leicht der Trugschluss: „Die KI kennt uns doch bereits und beschreibt uns korrekt.“ **Die Konsequenz:** KI-Systeme gelangen auf unterschiedlichen Wegen zu einem Bild eines Unternehmens. Jeder dieser Wege folgt einer eigenen Logik, hat andere Zeiträume und reagiert auf andere Maßnahmen. Entscheidend ist deshalb nicht, pauschal „für KI“ zu optimieren, sondern zu klären, auf welchem Weg Sichtbarkeit entstehen soll und welche Voraussetzungen dafür tatsächlich beeinflussbar sind. Die folgenden Kapitel übersetzen diese Unterscheidung in technische, inhaltliche und organisatorische Maßnahmen. ## 4. Die technische Architektur: drei Schichten Die fünf Wege beschreiben, woher KI-Systeme Informationen beziehen. Das folgende Drei-Layer-Modell beschreibt dagegen den technischen Unterbau der eigenen Website: Was muss auffindbar sein, was muss verständlich ausgeliefert werden und wann ist eine Interaktionsschicht sinnvoll? Die Antwort beginnt nicht bei den KI-Systemen, sondern bei der Architektur der eigenen Website. Gemeint ist damit weder zwingend ein Relaunch noch ein Technologiewechsel. Entscheidend ist eine technische und inhaltliche Ordnung, die maschinenlesbar ist und sich je nach Bedarf schrittweise erweitern lässt. Auffindbarkeit ist für ein Beratungshaus ebenso relevant wie für einen Onlineshop oder einen Softwareanbieter. Was darüber hinaus nötig ist, unterscheidet sich jedoch erheblich. Diese Arbeit ist keine reine Programmieraufgabe. Ihr gehen strategische Fragen voraus: Welche Informationen soll ein Unternehmen maschinenlesbar verfügbar machen, und welche ausdrücklich nicht? Welche Fragen sollen KI-Systeme darüber beantworten können? Wo müssen Inhalte stehen, damit Aussagen eindeutig zugeordnet werden können? Und eine Ebene weiter: Soll ein Agent lediglich Informationen lesen oder auch definierte Funktionen ausführen dürfen, etwa anfragen, buchen, bestellen oder Daten abrufen? Für die Umsetzung arbeitet Plateau Candy mit einem Modell aus drei Layern, das bekannte technische Anforderungen bündelt und bereits in mehreren Projekten eingesetzt wurde. Es ordnet die Arbeit nach Wirkung und tatsächlichem Bedarf: Was gehört zum notwendigen Fundament, was baut darauf auf und was wird nur für bestimmte Geschäftsmodelle relevant? **Nicht jedes Unternehmen braucht alle drei Layer. Aber jedes braucht ein belastbares Fundament.** *Layer 1 · Discovery.* Gefunden werden. Die Grundlage sind technisch erreichbare Seiten ohne Serverfehler, eine saubere interne Verlinkung und eine Sitemap mit den relevanten URLs. Entscheidend ist außerdem, dass die Crawler, die Suchindizes und KI-Suchfunktionen bedienen, nicht unbeabsichtigt blockiert werden: Googlebot für Google Search einschließlich AI Overviews und AI Mode, OAI-SearchBot für die ChatGPT-Suche und PerplexityBot für den Perplexity-Index.[5][6][7] Davon zu unterscheiden sind Steuerungen für andere Nutzungszwecke. GPTBot betrifft die mögliche Verwendung von Inhalten für das Training von OpenAI-Modellen. Google-Extended ermöglicht Websitebetreibern, bestimmte Trainings- und Grounding-Nutzungen durch Gemini zu kontrollieren, beeinflusst aber nicht die Aufnahme in Google Search. Wer diese Funktionen miteinander verwechselt, kann den Zugang zur Suche blockieren, obwohl eigentlich nur eine Trainingsnutzung ausgeschlossen werden sollte.[5][6] Die Freigabe in der robots.txt allein reicht allerdings nicht immer aus. Vor vielen Websites stehen zusätzliche Auslieferungs- und Schutzsysteme, etwa ein Content Delivery Network oder eine Web Application Firewall. Sie filtern automatisierte Zugriffe, bevor diese die eigentliche Website erreichen, und können dabei auch legitime Crawler abweisen. Eine korrekte robots.txt bedeutet deshalb noch nicht automatisch, dass ein Bot tatsächlich Zugriff erhält.[5][6][7] Ob die relevanten Crawler die Website erreichen, lässt sich nur durch einen externen Abruf, Server-Logs oder geeignete Testwerkzeuge zuverlässig prüfen. Wer sie auf dieser Ebene aussperrt, bleibt für den jeweiligen Suchindex unsichtbar, unabhängig davon, wie gut die Website selbst aufgebaut ist. *Layer 2 · Readability.* Verstanden werden. Hier liegt der wichtigste Hebel dafür, dass Inhalte korrekt erfasst, zugeordnet und in Antworten verwendet werden können. Zentrale Aussagen sollten als zugänglicher Text im ausgelieferten Dokument vorliegen, statt erst clientseitig nachgeladen zu werden. Eine klare Überschriftenhierarchie, früh erkennbare Kernaussagen und präzise formulierter Klartext erleichtern die Extraktion. Strukturierte Daten wie Schema.org oder JSON-LD können sichtbare Angaben zu Organisationen, Angeboten, Personen und redaktioneller Verantwortung zusätzlich eindeutig auszeichnen. Strukturierte Daten verdienen eine Einordnung, weil ihre Wirkung regelmäßig übertrieben dargestellt wird. Sie sind kein belegter allgemeiner Zitationshebel. Für Googles generative Suchfunktionen ist kein spezieller Schema-Typ erforderlich, und ein kausaler Effekt einzelner Auszeichnungen auf KI-Zitationen ist bislang nicht nachgewiesen.[5] Ihre eigentliche Stärke liegt in der Eindeutigkeit: Sie können explizit machen, ob zwei ähnliche Namen dasselbe Unternehmen bezeichnen, ob eine Seite ein Produkt oder eine Dienstleistung beschreibt und wie Personen, Standorte, Angebote und Veröffentlichungen zusammenhängen. Wir empfehlen strukturierte Daten dennoch, sofern sie korrekt, relevant und mit dem sichtbaren Inhalt konsistent sind. Der Aufwand ist meist überschaubar, etablierte Suchsysteme verarbeiten ausgewählte Schema-Typen seit Jahren, und dieselben Auszeichnungen können auch klassische Suchdarstellungen und die eindeutige Zuordnung von Entitäten unterstützen. Daraus folgt jedoch keine Garantie, dass jede KI-Plattform sie ausliest oder für eine Antwort verwendet. Strukturierte Daten sind deshalb vor allem technische und semantische Hygiene. Sie reduzieren Mehrdeutigkeit, ersetzen aber weder zugänglichen Inhalt noch fachliche Substanz. Der Klartext selbst entscheidet mit, und zwar nach einem Maßstab, an dem klassische Werbesprache häufig scheitert. Ein Satz wie „innovative Lösungen für zukunftsorientierte Unternehmen“ enthält kaum eine überprüfbare oder eindeutig zuordenbare Aussage. Verwertbar ist das Konkrete: Wer bietet was an, für wen, unter welchen Bedingungen und mit welchen nachweisbaren Ergebnissen? Welche inhaltlichen Merkmale dabei nachweislich die Verwendung und Zitation beeinflussen können, behandelt Kapitel 7. *Layer 3 · Interaction.* Handlungsfähig werden. Diese Schicht macht aus einer Website oder einem digitalen Dienst ein System, mit dem sich Aufgaben erledigen lassen. Ein Agent kann dann nicht nur Informationen lesen, sondern definierte Funktionen nutzen: Verfügbarkeiten prüfen, Daten durchsuchen, Termine vereinbaren, Bestellungen auslösen oder Berechnungen anstoßen. Dafür müssen drei Voraussetzungen zusammenkommen. Eine auffindbare Beschreibung der verfügbaren Fähigkeiten. Im A2A-Protokoll übernimmt diese Funktion die Agent Card. Sie beschreibt einen angebundenen Agenten, seine Fähigkeiten, den technischen Endpunkt und die Voraussetzungen für die Interaktion. Andere Agenten können diese Informationen nutzen, sofern sie die Agent Card kennen oder über einen geeigneten Mechanismus entdecken.[19] Maschinenlesbar beschriebene Schnittstellen. Eine API stellt Funktionen und Daten für andere Programme bereit. Damit ein Agent sie ohne individuell geschriebene Integrationslogik nutzen kann, müssen verfügbare Operationen, notwendige Parameter, Rückgaben und Zugriffsbedingungen eindeutig dokumentiert sein, etwa über eine OpenAPI-Beschreibung. Die Dokumentation allein schafft jedoch noch keinen sicheren Zugriff; Authentifizierung, Berechtigungen und Fehlerbehandlung bleiben Teil der Architektur.[20] Ein gemeinsames Protokoll für die Nutzung dieser Funktionen. Das Model Context Protocol, kurz MCP, standardisiert, wie KI-Anwendungen externe Ressourcen und Werkzeuge entdecken und aufrufen können. Ein MCP-Server kann Daten als Ressourcen und ausführbare Funktionen als Tools bereitstellen. Unterstützen Client und Server dasselbe Protokoll und ist die Verbindung entsprechend eingerichtet, sinkt der Aufwand für individuelle Integrationen deutlich. Eine automatische Erreichbarkeit für jeden Assistenten entsteht daraus jedoch nicht.[8] Diese Schicht ist keine bloße Zukunftsvision. In der Beschaffung unterstützen KI-Systeme bereits reale Geschäftsprozesse, etwa bei Analyse, Lieferantenauswahl und Verhandlung. Wie autonom sie handeln dürfen, hängt von Datenqualität, Governance und klaren Berechtigungsgrenzen ab.[17][18] Für Shops, Buchungsplattformen, Softwareprodukte und Datendienste kann der Interaction Layer deshalb zum Differenzierungsmerkmal werden. Für eine reine Informations- oder Marketing-Website ist sein Fehlen dagegen kein Mangel. Wo kein sinnvoller Handlungs- oder Datenzweck besteht, gibt es auch nichts, was ein Agent aufrufen müsste. Im Audit erfassen wir diese Schicht daher als vorhandene oder mögliche Fähigkeit, rechnen sie aber nicht als Defizit, wenn der Zweck der Website sie nicht verlangt. ## 5. Zwischen Evidenz, Marketing und Mythos Das Feld ist jung, und junge Felder bringen schnell Patentrezepte hervor. Deshalb prüfen wir laufend, welche Maßnahmen durch Plattformdokumentation gestützt werden, welche in kontrollierter Forschung oder Felddaten Wirkung zeigen und welche bislang vor allem plausibel klingen. Empfehlungen werden revidiert, wenn neue Erkenntnisse gegen sie sprechen. Daraus ergeben sich zwei grundlegende Einsichten. ***Erstens: Nicht alles, was plausibel klingt, wirkt auch.*** In einem jungen Markt genügt oft eine überzeugende Idee, ein einprägsamer Name und eine technische Spezifikation, damit aus einer Hypothese eine vermeintliche Best Practice wird. Ob die relevanten Plattformen das Format tatsächlich unterstützen und ob daraus eine messbare Wirkung entsteht, ist damit noch nicht geklärt. ***Zweitens: Plattformen, Spezifikationen und technische Möglichkeiten verändern sich fortlaufend.*** Offene Standards können Interoperabilität erleichtern. Ihre praktische Bedeutung hängt jedoch davon ab, ob die maßgeblichen Plattformen sie implementieren. Eine gute Spezifikation ohne relevante Adoption bleibt für die Sichtbarkeit wirkungslos. Ein bekanntes Beispiel ist llms.txt, eine Empfehlung, die auch wir früher ausgesprochen haben und inzwischen anders beurteilen. **llms.txt und llms-full.txt.** Die Idee ist nachvollziehbar: Eine kuratierte Inhaltsübersicht soll KI-Systemen den Zugang zu wichtigen Informationen erleichtern. Für eine allgemeine Verbesserung der organischen Auffindbarkeit oder Zitation durch die großen Antwortsysteme gibt es bislang jedoch keinen belastbaren Nachweis. Google erklärt ausdrücklich, dass llms.txt für Google Search einschließlich seiner generativen Funktionen nicht erforderlich ist und Sichtbarkeit oder Ranking weder positiv noch negativ beeinflusst.[9] Andere Systeme oder Werkzeuge können solche Dateien als Dokumentationsindex verwenden. Daraus folgt aber noch kein allgemeiner Sichtbarkeitseffekt. Das Fehlen einer llms.txt ist deshalb kein Mangel. Wer sie als zentrale Maßnahme empfiehlt, sollte erklären können, welche Plattform sie verarbeitet und woran ihre Wirkung gemessen wird. **Cache-Header-Mythen.** Cache-Control steuert, wie Inhalte zwischengespeichert werden. Es regelt nicht grundsätzlich, ob ein Such- oder KI-Crawler auf eine Website zugreifen darf. Der Zugang wird je nach System über robots.txt, Meta-Tags, HTTP-Statuscodes, Authentifizierung sowie CDN- und WAF-Regeln kontrolliert. **Kosmetische Politur als KI-Maßnahme.** Kurze URLs, visuelle Gestaltung oder besonders ausführliche Alt-Texte sind keine belegten universellen Hebel für KI-Zitationen. Sie können dennoch für Menschen, Barrierefreiheit, klassische Suche und Bildsuche wichtig sein. Davon zu unterscheiden sind zugänglicher Klartext, eine klare Dokumentstruktur und eindeutig zugeordnete Aussagen. Diese Merkmale erleichtern die Verarbeitung und können innerhalb bereits ausgewählter Quellen deren Verwendung in generierten Antworten unterstützen. **Checklisten-Vollständigkeit.** Manche Prüfwerkzeuge bewerten Dutzende technischer Merkmale und behandeln jede nicht vorhandene Funktion als Defizit. So kann eine technisch saubere Beratungswebsite schlecht abschneiden, weil ihr E-Commerce-Schnittstellen, Agentenprotokolle oder andere Funktionen fehlen, die ihr Geschäftsmodell gar nicht benötigt. Ein solcher Score misst dann vor allem die Vollständigkeit der eigenen Checkliste, nicht die tatsächliche Eignung der Website. Wir bewerten Kriterien deshalb nach Geschäftszweck, technischer Relevanz und Evidenzklasse. Eine Maßnahme kann sinnvoll, optional, unbelegt oder für den jeweiligen Anwendungsfall schlicht irrelevant sein. Unser Maßstab für Empfehlungen: Entscheidend ist nicht, ob eine Maßnahme plausibel klingt, sondern wie belastbar ihre Grundlage ist. Deshalb unterscheiden wir zwischen technischer Unterstützung, empirischer Evidenz und begründeter Hypothese und revidieren Empfehlungen, wenn neue Erkenntnisse dagegen sprechen. ## 6. Warum KI-Sichtbarkeit mehr als eine Disziplin braucht Bis hierher ging es um Maßnahmen: welche technisch sinnvoll sind, welche durch Evidenz gestützt werden und welche nur plausibel klingen. Daraus folgt eine sehr praktische Frage: Wenn ein Unternehmen jetzt handeln will, mit wem sollte es sprechen? Die Antwort ist komplizierter, als sie sein müsste. Mindestens fünf Disziplinen arbeiten heute an unterschiedlichen Teilen desselben Problems. Sie kommen aus verschiedenen fachlichen Traditionen, verwenden andere Methoden und messen Erfolg an unterschiedlichen Zielgrößen. Trotzdem sprechen fast alle von „KI-Sichtbarkeit“. Wer diese Unterschiede nicht kennt, kann gute Arbeit an der falschen Stelle einkaufen. Dieses Kapitel versteht die folgenden Begriffe deshalb als Orientierungshilfe, nicht als allgemein anerkannte Taxonomie. **Die fünf Disziplinen** | **Ebene** | **Disziplin** | **Die Frage dahinter** | **Typische Zielgröße** | |----|----|----|----| | Fundament | Technical SEO | Können Such- und KI-Systeme die Inhalte technisch erreichen und verarbeiten? | Crawlbarkeit, Indexierbarkeit, technische Lesbarkeit | | Inhalt | SEO als Content-Strategie | Trifft der Inhalt eine bestehende Nachfrage und wird er in Suchergebnissen sichtbar? | Rankings, Impressionen, Klicks | | Generative Suche | GEO | Wird eine Quelle in generierten Antworten ausgewählt, verwendet oder zitiert? | Quellenwahl, Zitation, Markennennung | | Antwortgestaltung | AEO | Lassen sich Aussagen klar extrahieren und als direkte Antwort verwenden? | Antwortqualität, inhaltliche Übernahme | | Sammelbegriffe | AIO / LLMO | Wie sichtbar ist ein Unternehmen insgesamt in KI-Systemen? | je nach Anbieter unterschiedlich | Die Begriffe werden im Markt häufig überlappend oder synonym verwendet. Ihre Abgrenzung dient hier vor allem dazu, unterschiedliche Aufgaben und Messziele sichtbar zu machen. **Technical SEO** schafft die technische Grundlage der eigenen Website: erreichbare Seiten, korrekte Serverantworten, interne Verlinkung, Canonicals, Sitemap, Indexierbarkeit und robuste Auslieferung zentraler Inhalte. Für KI-Systeme kommt hinzu, dass Inhalte ohne unnötige technische Hürden extrahiert werden können. Technical SEO ist damit ein wesentlicher Teil des Fundaments, aber nicht der einzige Weg zu Sichtbarkeit. Ein Unternehmen kann über Drittquellen oder bestehendes Modellwissen auftauchen, selbst wenn die eigene Website technische Schwächen hat. Es verliert dann jedoch Kontrolle darüber, welche Informationen verwendet werden. **SEO als Content-Strategie** beschäftigt sich mit Nachfrage, Suchintention, Themenstruktur, interner Verlinkung und Wettbewerb. Ihr klassisches Ziel ist Sichtbarkeit in einer Ergebnisliste und der anschließende Klick. Diese Arbeit bleibt relevant, weil viele generative Systeme weiterhin auf Suchindizes und Rankingverfahren aufbauen. Sie führt jedoch nicht automatisch dazu, dass eine Seite in einer generierten Antwort zitiert oder inhaltlich verwendet wird. **GEO, Generative Engine Optimization,** bezeichnet in diesem Whitepaper Maßnahmen und Messungen rund um die Präsenz in generierten Antworten. Dabei müssen mehrere Stufen unterschieden werden: Wird eine Suche ausgelöst? Wird eine Quelle abgerufen oder ausgewählt? Wird sie sichtbar zitiert? Wird ihr Inhalt tatsächlich übernommen? Wird die Marke genannt und korrekt beschrieben? GEO verschiebt damit die Messperspektive von Rankings und Klicks auf Quellenwahl, Zitation und inhaltliche Verwendung. Es ersetzt SEO nicht, sondern ergänzt es um neue Zielgrößen. **AEO, Answer Engine Optimization,** bezeichnet hier die Gestaltung von Inhalten, die sich leicht als konkrete Antwort verarbeiten lassen. Dazu gehören klare Definitionen, früh platzierte Kernaussagen, in sich verständliche Absätze und präzise Frage-Antwort-Strukturen. Solche Formate können die Extraktion erleichtern, garantieren aber weder Retrieval noch Zitation. AEO ist deshalb kein eigener Zugangskanal, sondern eine Form der Inhaltsgestaltung. **AIO und LLMO** sind Sammelbegriffe, die im Markt uneinheitlich verwendet werden. AIO bezeichnet teils die Sichtbarkeit in Googles AI Overviews, teils KI-Optimierung allgemein. LLMO meint meist die Optimierung für Sprachmodelle, ohne dass ein einheitliches Verfahren oder Messmodell dahintersteht. Wer diese Begriffe verwendet, sollte deshalb erklären, welche konkrete Aufgabe und welche Zielgröße damit gemeint sind. ### Der blinde Fleck, der sich durch alle Traditionen zieht Die fünf Disziplinen beschreiben, woran gearbeitet wird. Davon zu unterscheiden ist, wer die Arbeit übernimmt. Anbieter kommen aus verschiedenen fachlichen Traditionen, und jede dieser Traditionen bringt echte Stärken, aber auch typische Grenzen mit. Das eigentliche Risiko liegt deshalb weniger darin, den „falschen“ Anbietertyp zu wählen. Es liegt darin, einen Ausschnitt des Problems für das Ganze zu halten. Wer vor allem Crawling und Indexierung beherrscht, betrachtet KI-Sichtbarkeit eher als technische Suchaufgabe. Wer aus Redaktion oder Kommunikation kommt, sieht primär ein Inhalts- und Autoritätsproblem. Entwicklungsstudios denken in Systemen und Schnittstellen, Tool-Anbieter in messbaren Signalen. Die folgende Übersicht beschreibt typische Schwerpunkte. Sie ist eine Orientierung, keine abschließende Bewertung einzelner Anbieter. | **Tradition** | **Discovery** | **Readability** | **Interaction** | |----|----|----|----| | Klassisches SEO-Haus | häufig Kernkompetenz | technisch meist stark; explizite Selbstauskunft unterschiedlich ausgeprägt | selten Teil des Angebots | | Content- und Redaktionsagentur | meist nicht der Schwerpunkt | inhaltlich stark; technische Auslieferung oft nicht Gegenstand der Arbeit | in der Regel nicht Teil des Angebots | | Web- und Entwicklungsstudio | technisch meist abgedeckt | Struktur und Auslieferung häufig stark; semantische Eindeutigkeit abhängig vom Ansatz | technisch möglich, aber nicht immer konzeptioneller Schwerpunkt | | PR- und Brand-Agentur | wirkt vor allem über Drittquellen | eigene Website meist nicht zentraler Gegenstand | üblicherweise nicht Teil des Angebots | | Tool-Anbieter | misst technische und externe Signale | misst, priorisiert oder empfiehlt | kann Fähigkeiten erfassen, setzt sie aber meist nicht selbst um | Die Tabelle zeigt vor allem eines: Kein Anbieteretikett verrät zuverlässig, welche Teile tatsächlich abgedeckt werden. Es gibt SEO-Agenturen mit ausgeprägtem Verständnis für strukturierte Selbstauskunft, Entwicklungsstudios mit produktiver Agenteninfrastruktur und Redaktionen, die technische Auslieferung sehr genau mitdenken. Entscheidend sind deshalb nicht Herkunft oder Selbstbezeichnung, sondern Methode, Leistungsgrenzen und nachweisbare Erfahrung. Keine dieser Traditionen arbeitet grundsätzlich am falschen Problem. Jede betrachtet einen anderen Ausschnitt. Schwierig wird es erst, wenn dieser Ausschnitt als vollständige Lösung verkauft oder eingekauft wird. Für Unternehmen ergeben sich daraus mehrere mögliche Organisationsmodelle. Sie können die verschiedenen Disziplinen intern koordinieren, einen federführenden Partner mit der Gesamtsteuerung beauftragen oder zunächst gezielt den größten Engpass beheben. In jedem Fall braucht es Klarheit darüber, wer welche Schicht beurteilt, wer sie umsetzt und wer die Ergebnisse zusammenführt. Die entscheidende Frage lautet deshalb nicht nur, ob ein Anbieter fachlich gut ist. Entscheidend ist, welches Problem er tatsächlich löst, welche Teile er nicht abdeckt und wie die verbleibenden Aufgaben organisiert werden. ### Warum die Reihenfolge trotzdem wichtig bleibt Nicht alle Maßnahmen sind voneinander abhängig, aber einige Voraussetzungen sollten früh geklärt werden. Technische Zugangsprobleme können die Wirkung von Inhalten auf der eigenen Website begrenzen. Widersprüchliche oder unklare Aussagen können wiederum dazu führen, dass ein technisch erreichbarer Inhalt falsch eingeordnet wird. Bei On-Page-Maßnahmen gilt deshalb: Je schwerer Inhalte erreichbar, renderbar oder extrahierbar sind, desto unsicherer wird ihre Wirkung. Ein hochwertiger Fachartikel kann weiterhin von einzelnen Systemen erfasst werden, obwohl er clientseitig geladen wird. Verlässlich ist das jedoch nicht. Technische Blockaden sollten deshalb beseitigt werden, bevor umfangreich in neue Inhalte investiert wird. Off-Page-Maßnahmen folgen einer anderen Logik. Presseberichte, Verzeichnisse, Fachmedien oder andere Drittquellen können Sichtbarkeit und Autorität auch dann erzeugen, wenn die eigene Website technische Schwächen hat. Das ist nicht wirkungslos. Es erhöht jedoch das Risiko, dass ein entstandenes Interesse auf eine Website trifft, die das Angebot nicht klar erklärt, Belege nicht zugänglich macht oder zentrale Fragen unbeantwortet lässt. Die sinnvolle Reihenfolge lautet daher nicht starr: erst Technik, dann Inhalt, dann Bekanntheit. Praktischer ist eine Engpasslogik: Zuerst werden technische Blockaden und widersprüchliche Selbstauskünfte beseitigt. Danach werden Inhalt und externe Autorität dort parallel ausgebaut, wo sie für Geschäftsmodell und Zielgruppe den größten Beitrag leisten. ### Was wann wirkt Nicht jede Maßnahme greift im selben Zeitraum. Einige technische Grundlagen lassen sich schnell umsetzen und unmittelbar prüfen. Andere Maßnahmen entfalten ihre Wirkung erst über längere Zeiträume. | **Ebene** | **Typische Umsetzungsdauer** | **Charakter** | |----|----|----| | Technisches Fundament: Crawl-Zugang, Rendering, Struktur | Tage bis wenige Wochen | klar abgrenzbare technische Arbeit | | Maschinenlesbare Selbstauskunft: strukturierte Daten, technische Beschreibungen | Tage bis Wochen | einmalige Umsetzung mit laufender Pflege | | Inhaltliche Substanz: Guides, FAQ, Belege, Fachbeiträge | Wochen bis Monate | kontinuierliche redaktionelle Arbeit | | Off-Page-Autorität und Modellgedächtnis | Monate bis Modellgenerationen | langfristiger Aufbau ohne festen Endpunkt | Zwischen Umsetzung und messbarer Wirkung liegt zusätzlich ein Verzögerungseffekt. Crawler-Regeln können je nach Anbieter innerhalb von Stunden oder Tagen greifen. Recrawling, Reindexierung und die spätere Verwendung in Antworten dauern häufig länger. In unseren Projekten hat sich für erste Vorher-Nachher-Vergleiche ein Beobachtungsfenster von mindestens drei bis vier Wochen bewährt. Das ist eine operative Erfahrungsregel, keine Zusage der Plattformen. Wirtschaftlich heißt das: Technische Grundlagen und maschinenlesbare Selbstauskunft lassen sich vergleichsweise klar abgrenzen und prüfen. Inhaltliche Substanz und externe Autorität sind dagegen keine einmaligen Projekte, sondern laufende Investitionen. Wer mit den teuersten und langsamsten Maßnahmen beginnt, bevor technische Blockaden beseitigt sind, riskiert hohe Ausgaben bei geringer Messbarkeit. ### Warum Automatisierung keine Abkürzung ist Weil gute Inhalte teuer sind, liegt die Versuchung nahe, große Mengen automatisiert zu erzeugen. Das Problem ist nicht der Einsatz von KI an sich, sondern die skalierte Veröffentlichung ohne fachliche Verantwortung und eigenständigen Informationswert. Der Einsatz von KI ist dabei nicht das Problem. Riskant wird die skalierte Veröffentlichung ohne fachliche Verantwortung und eigenständigen Informationswert. Google behandelt massenhaft erzeugte Inhalte dann als „scaled content abuse“, wenn ihr Hauptzweck in der Manipulation von Suchrankings liegt – unabhängig davon, ob sie von Menschen, Automatisierung oder einer Kombination erstellt wurden.[23] Auch kontrollierte Forschung warnt vor pauschalen Optimierungsrezepten. Im Benchmark SAGEO Arena verschlechterten verbreitete GEO-Umschreibungen unter realistischeren Such- und Rerankingbedingungen teilweise die Leistung. Der Befund ist keine allgemeine 16-Prozent-Regel, zeigt aber: Maßnahmen müssen zur jeweiligen Stufe der Pipeline und zum Inhalt passen.[24] Die Konsequenz ist kein Verzicht auf KI-Werkzeuge. KI kann Recherche, Strukturierung und Redaktion unterstützen. Veröffentlichtes Material braucht jedoch einen fachlichen Kern, erkennbare Verantwortung und einen Grund zu existieren. Vollautomatische Massenproduktion erfüllt diese Anforderungen nicht automatisch. ### Der Einwand: „Gutes SEO ist gutes GEO“ Google vertritt ausdrücklich die Position, dass die grundlegenden SEO-Prinzipien auch für generative Suchfunktionen gelten und keine besonderen GEO-Tricks erforderlich sind. Danny Sullivan, Director bei Google Search und ehemaliger Search Liaison, brachte diese Haltung 2025 auf die Formel: Gutes SEO sei gutes GEO.[15] Der Einwand hat einen starken Kern. Es gibt keinen geheimen Schalter, der Inhalte für Maschinen attraktiv macht, für Menschen aber irrelevant bleibt. Hilfreiche, verlässliche, klar strukturierte und einzigartige Inhalte sind die gemeinsame Grundlage. Die Formel erklärt jedoch nicht die gesamte Aufgabe. Klassische SEO-Messung konzentriert sich auf Indexierung, Rankings, Impressionen und Klicks. Generative Systeme erzeugen zusätzliche Zustände: sichtbare Zitation, Markennennung, korrekte Beschreibung und inhaltliche Übernahme ohne Klick. Hinzu kommen technische Zugangs- und Auslieferungsfragen, die klassische Content-Arbeit allein nicht löst. Die präzisere Fassung lautet deshalb: Gutes SEO ist ein wesentlicher Teil von Agent Readiness, aber nicht die vollständige Mess-, Inhalts- und Produktperspektive. ### Was Self-Service-Tools leisten, und was nicht Tools können technische Zustände prüfen, Modellantworten beobachten, Daten formatieren und Veränderungen sichtbar machen. Besonders gut funktionieren sie dort, wo Informationen bereits standardisiert vorliegen, etwa in Produktkatalogen oder strukturierten Feeds. Bei erklärungsbedürftigen Leistungen beginnt das eigentliche Problem jedoch früher: Welche Fragen sollen KI-Systeme über das Unternehmen beantworten können? Welche Aussagen unterscheiden das Angebot vom Wettbewerb? Welche Nachweise sind relevant, und wie müssen sie zugeordnet werden? Das sind keine reinen Mess- oder Formatierungsfragen, sondern strategische und redaktionelle Entscheidungen. Ein Werkzeug kann anzeigen, was vorhanden ist. Was gesagt werden sollte, entscheidet es nicht. ## 7. Was Auswahl, Zitation und Verwendung von Quellen beeinflusst Dieses Kapitel betrachtet nicht alle fünf Wege, auf denen KI-Systeme zu Wissen über ein Unternehmen gelangen. Im Mittelpunkt stehen die kurzfristig am ehesten beeinflussbaren Stufen: die Auswahl von Quellen über Such- und Retrievalsysteme sowie die Verarbeitung bereits gefundener oder aktuell abgerufener Inhalte. Die Frage lautet: Welche Eigenschaften erhöhen die Wahrscheinlichkeit, dass eine Website ausgewählt, sichtbar zitiert und in einer Antwort tatsächlich verwendet wird? Dazu liegt inzwischen eine wachsende Forschungsbasis vor. Kontrollierte Studien untersuchen einzelne Faktoren unter definierten Bedingungen.[4][12][24] Plattformübergreifende Messungen zeigen, dass Quellenauswahl, sichtbare Zitation und tatsächliche inhaltliche Übernahme auseinanderfallen können.[11] Ein systematischer Überblick über 45 Studien bestätigt zugleich, dass bislang keine einzelne Maßnahme stabil über alle Plattformen, Anfragen und Zeiträume wirkt.[13] Das relativiert die Ergebnisse nicht: Belegt sind zunehmend einzelne Wirkprinzipien, nicht eine universelle Erfolgsformel. ### Was kontrollierte Forschung zeigt - Thematische Relevanz ist der robusteste Ausgangspunkt. Ein Inhalt muss zur konkreten Anfrage und zum bereitgestellten Kontext passen. - Konkrete Belege, Zahlen und klar zugeordnete Aussagen können die Verwendbarkeit bereits ausgewählter Quellen erhöhen. - Eindeutige Formulierungen erleichtern die Extraktion und Zuordnung; reine Formatkosmetik zeigt dagegen deutlich kleinere und wechselhaftere Effekte. - Die Position einer Information im bereitgestellten Kontext kann beeinflussen, ob sie wahrgenommen und in die Antwort übernommen wird. - Mechanische Keyword-Wiederholung ist kein verlässlicher Hebel. Im kontrollierten Benchmark schnitt Keyword-Stuffing bei einer Sichtbarkeitsmetrik schlechter ab als der Ausgangstext.[4] Die häufig zitierten Prozentwerte gelten ausschließlich für den kontrollierten Benchmark, in dem die Quellen dem Modell bereits vorlagen.[4] Sie zeigen mögliche Wirkungsrichtungen, erlauben aber keine direkte Prognose für die organische Auffindbarkeit einer Unternehmenswebsite. Neuere End-to-End-Benchmarks unterstreichen, dass Eingriffe in unterschiedlichen Pipeline-Stufen auch unterschiedlich wirken oder schaden können.[24] ### Was Felddaten und Plattformvergleiche zeigen - Informationsreiche Ratgeber, Vergleiche und Fachbeiträge werden häufig zitiert, wenn sie die konkrete Frage umfassend beantworten. Ein universell überlegenes Seitenformat lässt sich daraus nicht ableiten. - Die eigene Website ist der am stärksten kontrollierbare Informationsraum. Je nach Plattform und Anfrage können jedoch Drittquellen, Fachmedien, Verzeichnisse oder Community-Inhalte wichtiger sein. - Persönliche Fachprofile können in bestimmten Kontexten stärker sichtbar sein als Unternehmensprofile. Ob das gilt, hängt von Plattform, Branche und Anfrage ab. - Quellenauswahl und inhaltliche Übernahme unterscheiden sich deutlich zwischen den Plattformen.[11] Für ein belastbares Monitoring folgt daraus, mehrere Plattformen, wiederholte Läufe und variierte Promptformulierungen einzubeziehen. - Konsistente Aussagen über Identität, Angebot und Nachweise erleichtern die eindeutige Zuordnung. Sie garantieren weder Retrieval noch Zitation, reduzieren aber vermeidbare Widersprüche. - Zitiert werden und inhaltlich verwendet werden ist nicht dasselbe. Eine Quelle kann sichtbar erscheinen, ohne die Antwort wesentlich zu prägen.[11] - Zitationsausfälle lassen sich zunehmend nach Ursachen unterscheiden. Gezielte Korrekturen sind deshalb plausibler als pauschale Umschreibungen ganzer Websites.[14] Für Herkunft und Vertrauen ist E-E-A-T eine hilfreiche Orientierung. Das Kürzel stammt aus Googles Richtlinien für menschliche Qualitätsbewerter und steht für Experience, Expertise, Authoritativeness und Trustworthiness. Es ist kein einzelner Rankingfaktor.[26] Sichtbare Autoren, nachvollziehbare Qualifikationen, Aktualitätsangaben und transparente Quellenarbeit erleichtern jedoch die Einschätzung von Verantwortung und Verlässlichkeit. Ein allgemeiner kausaler Effekt auf KI-Zitationen ist bislang nicht belegt. ## 8. Von Mobile First zu Agent First **Agent First als Architekturprinzip für die nächste Generation von Websites.** Als Mobile Commerce aufkam, wurde die Idee vielerorts belächelt. Wer würde schon ernsthaft auf einem kleinen Bildschirm recherchieren, vergleichen oder bestellen? Die Frage klang damals vernünftig und erwies sich als kurzsichtig. Bereits 2015 fanden mehr Google-Suchen mobil als auf Desktopgeräten statt. 2023 erklärte Google die Umstellung auf Mobile-First-Indexierung für abgeschlossen, fast sieben Jahre nach ihrem Beginn.[28] 2025 wurde in den USA erstmals über ein vollständiges Jahr hinweg mehr als die Hälfte des Onlinehandels mobil abgewickelt.[21][22] Was zunächst wie ein zusätzlicher Kanal aussah, wurde zur infrastrukturellen Norm. Heute droht sich derselbe Denkfehler zu wiederholen. Noch wird gefragt, welchen unmittelbar messbaren Return eine für KI-Systeme optimierte Website erzielt. Diese Frage greift zu kurz. Auch bei Mobile First bestand der wirtschaftliche Wert nicht nur in zusätzlichen Bestellungen. Es ging darum, in einer veränderten Nutzungssituation überhaupt erreichbar und handlungsfähig zu bleiben. Agent First bezeichnet deshalb keinen Vorrang von Maschinen vor Menschen und auch keinen Zwang zum sofortigen Relaunch. Bestehende Websites lassen sich häufig mit gezielten technischen, strukturellen und inhaltlichen Maßnahmen deutlich verbessern. Crawler-Zugänge können korrigiert, Kerninhalte robuster ausgeliefert, Aussagen präzisiert und strukturierte Daten ergänzt werden, ohne die gesamte Website neu aufzusetzen. Anders sieht es aus, wenn ohnehin ein Relaunch, eine neue Plattform oder ein größeres digitales Produkt geplant ist. Dann sollte die maschinelle Nutzung nicht erst am Ende als zusätzliche Optimierungsaufgabe auftauchen. Sie gehört von Beginn an in Architektur, Inhaltsmodell und technische Entscheidungen. Nicht weil eine spätere Ergänzung ausgeschlossen wäre, sondern weil sich die Anforderungen dann konsistenter und mit weniger Reibungsverlust integrieren lassen. Agent First ist daher vor allem ein Leitprinzip für Konzeption und Entwicklung. Bereits frühe Entscheidungen über Architektur, Frameworks, Rendering und Inhaltsstruktur bestimmen, wie zuverlässig unterschiedliche KI-Systeme eine Website erreichen, auslesen, verstehen und nutzen können. Wer diese Anforderungen erst nachträglich berücksichtigt, kann bestehende Hürden oft nur begrenzt oder mit erheblichem Aufwand beheben. Agent First bedeutet deshalb, die Voraussetzungen für eine möglichst breite maschinelle Nutzbarkeit von Anfang an mitzudenken. Zugleich müssen Websites für Menschen verständlich, intuitiv nutzbar und überzeugend sein. Beide Perspektiven müssen von Anfang an zusammen gedacht und umgesetzt werden. Die langfristige Umsatzwirkung einzelner Maßnahmen lässt sich heute noch nicht isoliert beziffern. Die strategische Richtung ist dennoch gut begründet: Recherche, Vorauswahl und Beschaffung werden zunehmend durch KI-Systeme vermittelt, weil sie Zeit und Koordinationsaufwand reduzieren.[2][16][17] Wer diese Vermittlungsschicht ignoriert, riskiert nicht nur verpasste Zusatzchancen, sondern aus relevanten Nachfrageprozessen herauszufallen, bevor ein Besuch oder eine Anfrage messbar wird. ## 9. Von der Diagnose zur Entscheidung Dieses Papier hat beschrieben, wie KI-Systeme zu einem Bild eines Unternehmens gelangen, welche Voraussetzungen sich beeinflussen lassen und wo die Evidenz Grenzen setzt. Bleibt die praktische Frage: Woran erkennt man einen Anbieter, dem man diese Arbeit anvertrauen kann? ### Vier Fragen an einen Anbieter **1. Welche Aufgaben decken Sie selbst ab, und welche nicht?**\ Eine belastbare Antwort benennt Kompetenzen, Grenzen und notwendige Partner. **2. Woran messen Sie Erfolg?**\ Rankings und Klicks bleiben relevant, reichen aber nicht mehr aus. Hinzukommen technische Zugänglichkeit, korrekte Beschreibung, Quellenwahl, Zitation und inhaltliche Verwendung. **3. Worauf stützen Sie Ihre Empfehlungen?**\ Es sollte erkennbar sein, ob eine Maßnahme auf Plattformdokumentation, Forschung, Felddaten, eigener Beobachtung oder lediglich einer plausiblen Hypothese beruht. **4. Was geschieht zuerst, und warum?**\ Gute Priorisierung beginnt beim tatsächlichen Engpass. Technische Blockaden sollten beseitigt werden, bevor umfangreich in Inhalte investiert wird, deren Verarbeitung nicht gesichert ist. ### Was sich messen lässt Erfolg besteht in diesem Feld aus drei Ebenen. **Kontrollierbar und reproduzierbar prüfbar** sind die Eigenschaften der eigenen Website: Können relevante Crawler die Inhalte erreichen? Sind Kerninformationen im ausgelieferten Dokument verfügbar? Sind Identität, Angebot und Verantwortlichkeit eindeutig beschrieben? Diese Voraussetzungen lassen sich dokumentieren, verbessern und erneut prüfen. **Messbar, aber nicht garantierbar** ist die externe Modellpräsenz: Wird eine Marke ausgewählt, zitiert, empfohlen oder korrekt beschrieben? Diese Werte lassen sich über mehrere Systeme und wiederholte Tests beobachten. Eine feste Position oder Zitationsquote kann jedoch niemand seriös zusagen. **Nur gemeinsam mit dem Unternehmen messbar** ist die Geschäftswirkung. Sie zeigt sich im Vertrieb, im CRM und in tatsächlichen Kaufentscheidungen. Hilfreich ist deshalb eine freiwillige Frage im Kontakt- oder Bestellprozess: „Wie sind Sie auf uns aufmerksam geworden?“, ergänzt um KI-Assistenten als Antwortoption. Für unsere Arbeit bedeutet das: An den kontrollierbaren Voraussetzungen lassen wir uns messen. Externe Modellpräsenz berichten wir mit ihren Schwankungen. Die Geschäftswirkung erheben wir gemeinsam mit dem Kunden. ## 10. Eindeutig für Maschinen. Unverwechselbar für Menschen. Agent First betrifft die Nutzung von Websites durch KI-Systeme. KI verändert jedoch auch, wie Websites entstehen. Generative Gestaltung und KI-gestützte Entwicklung machen es möglich, professionell wirkende Websites schneller, günstiger und in größerer Zahl zu erstellen. Das Ergebnis ist bereits sichtbar: Immer mehr Websites sehen professionell aus, klingen ähnlich und folgen denselben gestalterischen und sprachlichen Mustern. Für Unternehmen entsteht daraus eine neue Aufgabe. Es reicht nicht mehr, handwerklich sauber und zeitgemäß aufzutreten. Wer aus diesem neuen *Sea of Sameness* herausragen will, braucht visuelle Distinktion, eine belastbare Informationsarchitektur, eine präzise Markeninszenierung und ein gutes Gespür dafür, wie man vorteilhaft anders ist. Besonders relevant wird das am Ende der Entscheidungskette. KI-Systeme können Anbieter finden, vergleichen und vorsortieren. Wenn ein Mensch anschließend die verbleibenden Optionen prüft, entscheidet nicht mehr allein, ob eine Website technisch sauber und professionell umgesetzt ist. Entscheidend wird, ob sie Vertrauen schafft, eine erkennbare Haltung vermittelt und das Unternehmen eigenständig erscheinen lässt. Damit gewinnen, bildlich gesprochen, jene letzten zehn Prozent an Bedeutung, die sich nicht zuverlässig automatisieren lassen: Urteil, Auswahl, Timing, Auslassung, Sprache, Typografie und ein Bildbegriff, der aus der Marke entsteht statt aus dem verfügbaren Durchschnitt. KI kann Varianten erzeugen und die Ausführung beschleunigen. Sie ersetzt jedoch nicht die Entscheidung, was für eine bestimmte Marke richtig, eigenständig und glaubwürdig ist. *Agent First ist deshalb erst vollständig gedacht, wenn beide Seiten zusammenkommen: Eine Website muss für KI-Systeme eindeutig und für Menschen im guten Sinne unverwechselbar sein.* ## 11. Über PLATEAU CANDY **Wir gestalten neue Technologien.** Plateau Candy hilft Unternehmen und Institutionen, das Potenzial neuer Technologien zu erschließen. Wir arbeiten transdisziplinär dort, wo sie Gestalt annehmen: als Produkt, als Prototyp oder als Experience. Wir verbinden ein tiefes Verständnis für Technologie mit Strategie, Design und Code. Das Studio wurde 2021 von MEIRÉ und Kolja Pitz gegründet und entwickelt Produkte, Systeme, Interfaces, Websites und KI-Anwendungen. Als Tech Venture von MEIRÉ arbeiten wir aus einer international geprägten Design-, Marken- und Kommunikationspraxis heraus und im direkten Verbund mit mehr als 80 Spezialist:innen. Ergänzt wird diese Struktur durch ein internationales Netzwerk ausgewiesener Expert:innen. Für Agent-First-Projekte bedeutet das: Wir prüfen und verbessern technische Zugänglichkeit, Selbstauskunft, Inhaltsstruktur und mögliche Interaktionsschichten. Bei Relaunches entwickeln wir diese Anforderungen gemeinsam mit Markenpositionierung, Sprache, visueller Identität und digitaler Erfahrung. *Diese Verbindung ist selten, weil die beiden Aufgaben meist getrennt vergeben werden: technische Optimierung auf der einen, Marke und Gestaltung auf der anderen Seite. Wir behandeln sie als ein zusammenhängendes Architektur- und Kommunikationsproblem.* **Agent-Readiness-Audit und Kontakt** Am Anfang steht eine belastbare Diagnose: Wo steht die Website heute, welche Faktoren könnten ihre Wirkung begrenzen und welche Maßnahmen sind für das jeweilige Geschäftsmodell tatsächlich sinnvoll? Der Agent-Readiness-Audit schafft dafür eine klare Entscheidungsgrundlage. Kolja Pitz // [kp@plateaucandy.de](mailto:kp@plateaucandy.de) // [plateaucandy.de](https://plateaucandy.de) ### Über den Autor Kolja Pitz ist Mitgründer und Geschäftsführer von Plateau Candy. Seit mehr als 25 Jahren arbeitet er an der Schnittstelle von Technologie, Strategie und Design und übersetzt neue Technologien in hochwertige Produkte, Systeme und digitale Anwendungen. Dabei arbeitet er sowohl für international renommierte Marken als auch für Deeptech-Start-ups. ## Quellen und Evidenzbasis Die Quellen sind nach Aussagekraft zu lesen. Offizielle Plattformdokumentation belegt die technischen Regeln der jeweiligen Plattform. Kontrollierte Forschung belegt Effekte innerhalb ihres Versuchsaufbaus. Kommerzielle Felddaten beschreiben beobachtete Muster, keine allgemeinen Kausalitäten. Abrufstand: 27. Juli 2026. [1] Rand Fishkin, „In 2026, Less than One Third of Google Searches Still Send a Click“, SparkToro, Juni 2026, auf Basis von Similarweb-Clickstream-Daten (USA, Januar bis April 2026): [https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/](https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/) Der Wert umfasst neben generativen Antworten auch weitere Google-Oberflächen und misst keinen isolierten KI-Effekt. [2] Gartner, „Gartner Survey Finds 69% of B2B Buyers Turn to Sales Reps to Validate AI-Generated Insights“, 20. Mai 2026; Befragung von 645 B2B-Einkäufern: [https://www.gartner.com/en/newsroom/press-releases/2026-05-20-gartner-survey-finds-sixty-nine-percent-of-b-two-b-buyers-turn-to-sales-reps-to-validate-ai-generated-insights](https://www.gartner.com/en/newsroom/press-releases/2026-05-20-gartner-survey-finds-sixty-nine-percent-of-b-two-b-buyers-turn-to-sales-reps-to-validate-ai-generated-insights) [3] Ryan Law und Xibeijia Guan, „Update: AI Overviews Reduce Clicks by 58%“, Ahrefs, veröffentlicht am 4. Februar 2026; Datenstand Dezember 2025, Auswertung von 300.000 Keywords: [https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/](https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/) [4] Aggarwal et al., „GEO: Generative Engine Optimization“, Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2024: [https://arxiv.org/abs/2311.09735](https://arxiv.org/abs/2311.09735) [5] Google Search Central, „AI features and your website” sowie „Leitfaden zur Optimierung für generative KI-Funktionen in der Google Suche”, Stand Juli 2026: und [6] OpenAI, „Publishers and Developers FAQ“, Stand Juli 2026: [https://help.openai.com/en/articles/12627856-publishers-and-developers-faq](https://help.openai.com/en/articles/12627856-publishers-and-developers-faq) [7] Perplexity, „Perplexity Crawlers”, Stand 2026; unterscheidet PerplexityBot (Index) und Perplexity-User (nutzerinitiierter Abruf): [8] Model Context Protocol, Spezifikation vom 28. Juli 2026: [https://modelcontextprotocol.io/specification/2026-07-28](https://modelcontextprotocol.io/specification/2026-07-28) [9] Google Search Central, Stand 10. Juli 2026, Abschnitt „Mythbusting generative AI search”: llms.txt ist für Google Search nicht erforderlich und beeinflusst Sichtbarkeit oder Ranking weder positiv noch negativ: [10] Thomas Peham, „Claude Drives 10.6% of Our Signups. Google Analytics Says 0.1%“, OtterlyAI, 6. Juli 2026: [https://otterly.ai/blog/measure-ai-search-conversions/](https://otterly.ai/blog/measure-ai-search-conversions/) [11] Zhang, He und Yao, „From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms“, arXiv-Preprint 2604.25707, 2026: [https://arxiv.org/abs/2604.25707](https://arxiv.org/abs/2604.25707) [12] Vishwakarma, Kumar und Jamidar, „What Gets Cited: Competitive GEO in AI Answer Engines“, arXiv-Preprint 2605.25517, 2026: [https://arxiv.org/abs/2605.25517](https://arxiv.org/abs/2605.25517) [13] Olivier Martinez, „Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023 bis 2026)“, arXiv-Preprint 2607.14035, 2026: [https://arxiv.org/abs/2607.14035](https://arxiv.org/abs/2607.14035) [14] Tian et al., „Diagnosing and Repairing Citation Failures in Generative Engine Optimization“, arXiv-Preprint 2603.09296, 2026: [https://arxiv.org/abs/2603.09296](https://arxiv.org/abs/2603.09296) [15] Danny Sullivan, Director bei Google Search und ehemaliger Search Liaison, Keynote der WordCamp US am 28. August 2025; Sekundärbericht: Search Engine Land, „Google’s Danny Sullivan: ‘Good SEO is good GEO’“: [https://searchengineland.com/google-danny-sullivan-good-seo-good-geo-461464](https://searchengineland.com/google-danny-sullivan-good-seo-good-geo-461464) [16] Forrester, „The State of Business Buying, 2026“, 21. Januar 2026: [https://www.forrester.com/press-newsroom/forrester-2026-the-state-of-business-buying/](https://www.forrester.com/press-newsroom/forrester-2026-the-state-of-business-buying/) [17] Boston Consulting Group, „GenAI in Procurement: From Buzz to Bottom-Line Cost Reductions“, 18. April 2025: [https://www.bcg.com/publications/2025/from-buzz-to-bottom-line-cost-reductions-using-genai](https://www.bcg.com/publications/2025/from-buzz-to-bottom-line-cost-reductions-using-genai) [18] Elena Revilla und Maria Jesus Saenz, „How AI Is Reshaping Supplier Negotiations“, Harvard Business Review, 24. Juli 2025: [https://hbr.org/2025/07/how-ai-is-reshaping-supplier-negotiations](https://hbr.org/2025/07/how-ai-is-reshaping-supplier-negotiations) [19] Agent2Agent Protocol, aktuelle Spezifikation und Agent Card: [https://a2a-protocol.org/latest/specification](https://a2a-protocol.org/latest/specification) [20] OpenAPI Initiative, aktuelle OpenAPI Specification: [https://spec.openapis.org/oas/latest.html](https://spec.openapis.org/oas/latest.html) [21] Google, „You say you want a mobile revolution“, 28. Mai 2015: [https://blog.google/products-and-platforms/platforms/android/io-2015-mobile-revolution/](https://blog.google/products-and-platforms/platforms/android/io-2015-mobile-revolution/); Google Search Central, „Mobile-first indexing has landed“, 31. Oktober 2023: [https://developers.google.com/search/blog/2023/10/mobile-first-is-here](https://developers.google.com/search/blog/2023/10/mobile-first-is-here) [22] Adobe, „2025 Holiday Shopping Statistics, Trends & Insights“; erstes vollständiges US-Jahr mit mehr als 50 % mobilem Online-Umsatz: [https://business.adobe.com/resources/holiday-shopping-report.html](https://business.adobe.com/resources/holiday-shopping-report.html) [23] Google Search Central, „Spam policies for Google web search“, Abschnitt „Scaled content abuse“: [https://developers.google.com/search/docs/essentials/spam-policies#scaled-content](https://developers.google.com/search/docs/essentials/spam-policies#scaled-content) [24] Kim et al., „SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization“, arXiv-Preprint 2602.12187, Work in Progress, 2026: [https://arxiv.org/abs/2602.12187](https://arxiv.org/abs/2602.12187) [25] Marty Swant, „Advertisers Are Good at Getting Human Attention. Can They Stand Out to A.I.?“, The New York Times / DealBook, 27. Juni 2026: [https://www.nytimes.com/2026/06/27/business/dealbook/ai-visibility.html](https://www.nytimes.com/2026/06/27/business/dealbook/ai-visibility.html) [26] Google Search Central, „Creating helpful, reliable, people-first content“, Abschnitt „Get to know E-E-A-T and the quality rater guidelines“, aktualisiert am 10. Dezember 2025: [https://developers.google.com/search/docs/fundamentals/creating-helpful-content](https://developers.google.com/search/docs/fundamentals/creating-helpful-content) [27] OpenAI, „How ChatGPT and our foundation models are developed“, Stand Juli 2026: [https://help.openai.com/en/articles/7842364-how-chatgpt-and-our-foundation-models-are-developed](https://help.openai.com/en/articles/7842364-how-chatgpt-and-our-foundation-models-are-developed) [28] Google Search Central, „Mobile-first indexing has landed“, 31. Oktober 2023: https://developers.google.com/search/blog/2023/10/mobile-first-is-here ### Versionshinweis **Version 4.2.2 · August 2026** — Kapitel 8 präzisiert: Agent First als Leitprinzip früher Architekturentscheidungen. **Version 4.2.1 · August 2026** — Kapitel 11 neu gefasst: Positionierung, Claim und Agent-Readiness-Audit als Einstieg; Autorenprofil aktualisiert. **Version 4.2 · August 2026** — Überarbeitetes Intro, neu gefasstes Kapitel 1, geschärftes Kapitel 2, präzisierter Einstieg in Kapitel 3, neu gefasstes Kapitel 10. **Version 4.1 · August 2026** — Intro und Autorenporträt ergänzt, Einstieg in Kapitel 1 überarbeitet. **Version 4.0 · August 2026** — Grundlegend überarbeitete Ausgabe: Forschungslage, Quellenapparat, technische Empfehlungen und Messmethodik geprüft und erweitert. ## Impressum und rechtliche Hinweise ### Herausgeber und Rechteinhaber Plateau Candy GmbH & Co. KG, Lichtstraße 26–28, 50825 Köln, Deutschland. [hi@plateaucandy.de](mailto:hi@plateaucandy.de), +49 221 57770 500, [plateaucandy.de](https://plateaucandy.de) Persönlich haftende Gesellschafterin: Plateau Candy Verwaltungs GmbH, Köln. Geschäftsführer der Komplementärin: Kolja Pitz. Amtsgericht Köln, HRA 32126. Umsatzsteuer-Identifikationsnummer gemäß § 27 a UStG: DE353563575. Verantwortlich für den Inhalt nach § 18 Abs. 2 MStV: Kolja Pitz, Anschrift wie oben. ### Stand und Haftung Version 4.2.2, Köln, August 2026. Das Papier beschreibt ein Feld, das sich technisch und plattformseitig schnell verändert; alle Angaben geben den Kenntnisstand zum Zeitpunkt der Veröffentlichung wieder. Die Inhalte wurden mit Sorgfalt erstellt und, soweit möglich, auf Primärquellen gestützt. Eine Gewähr für Richtigkeit, Vollständigkeit und Aktualität wird nicht übernommen. Das Papier ersetzt keine Beratung im Einzelfall und begründet kein Beratungs- oder Vertragsverhältnis. Aussagen über die Wirkung einzelner Maßnahmen sind Einschätzungen auf Grundlage der angegebenen Evidenz, keine Zusicherungen. Für Inhalte verlinkter externer Seiten sind ausschließlich deren Betreiber verantwortlich. Genannte Produkt-, Firmen- und Markennamen sind Eigentum der jeweiligen Rechteinhaber; ihre Nennung dient der Beschreibung und begründet keine Verbindung zum Herausgeber. ### Urheberrecht und Lizenz Dieses Werk einschließlich Text, Aufbau, Gliederung, Terminologie, Modellen, Tabellen und Gestaltung ist urheberrechtlich geschützt. Rechteinhaberin ist die Plateau Candy GmbH & Co. KG. Das Werk ist lizenziert unter Creative Commons Namensnennung – Keine Bearbeitungen 4.0 International ([CC BY-ND 4.0](https://creativecommons.org/licenses/by-nd/4.0/deed.de)). Das bedeutet: - Die unveränderte und vollständige Weitergabe, Vervielfältigung und öffentliche Zugänglichmachung ist gestattet, auch kommerziell, sofern Plateau Candy als Quelle genannt wird. - Das Zitieren einzelner Passagen ist im Rahmen des § 51 UrhG unter vollständiger Quellenangabe gestattet. - Die Auswertung durch KI-gestützte Such- und Antwortsysteme sowie Text- und Data-Mining einschließlich Modelltraining sind gestattet; um Quellennennung wird gebeten. - Nicht gestattet sind Bearbeitungen und die Verbreitung abgeleiteter Werke: die Übernahme von Text, Aufbau, Gliederung, Terminologie, Modellen, Tabellen oder Gestaltung in eigene Whitepaper, Studien, Angebote oder Schulungsunterlagen, gleich ob wörtlich, umformuliert, übersetzt oder maschinell umgeschrieben, sowie die Entfernung oder Veränderung von Herkunfts-, Urheber- und Quellenangaben. Das Papier ist ein Arbeitsergebnis mit wettbewerblicher Eigenart. Die Übernahme in eigene Leistungsangebote kann daher neben dem Urheberrecht auch den Nachahmungsschutz nach § 4 Nr. 3 UWG verletzen. Verstöße verfolgen wir konsequent. ### Zitierweise Pitz, Kolja / Plateau Candy GmbH & Co. KG: Agents als neue Zielgruppe. Wie KI-Systeme Unternehmen finden, verstehen und darstellen. Version 4.2.2, Köln 2026. [plateaucandy.de](https://plateaucandy.de) DOI: [10.5281/zenodo.21803062](https://doi.org/10.5281/zenodo.21803062) ### Text und Data Mining Ein Vorbehalt nach § 44b Abs. 3 UrhG wird für dieses Werk nicht erklärt. Text- und Data-Mining einschließlich der Verwendung als Trainingsmaterial für generative Modelle ist im Rahmen der Lizenz gestattet. Wir bitten darum, Plateau Candy in darauf gestützten Systemen als Quelle zu führen.