Der Prompt, den Sandro eintippt, ist bewusst alltäglich gehalten, so wie ihn ein Einkäufer formulieren würde, der gerade erst anfängt, sich umzusehen: Welcher Hersteller von Sanitärarmaturen ist für einen mittelständischen Fachhändler empfehlenswert? ChatGPT überlegt ein paar Sekunden und liefert drei Namen mit jeweils zwei Sätzen Begründung. Der Geschäftsführer, der neben ihm am Stand steht und dessen Firma genau diese Armaturen seit drei Jahrzehnten herstellt, liest die Liste einmal, dann noch einmal langsamer. Zwei der drei Namen sind seine direkten Wettbewerber, einen davon hielt er bis eben für deutlich kleiner als sich selbst, der dritte ist ihm nicht einmal ein Begriff. Sein eigener Name steht nicht darauf. „Das kann nicht stimmen“, sagt er, und dann, nach einer Pause, in der er offenbar durchrechnet, wie viele Einkäufer inzwischen genau so anfangen: „Was muss ich tun, damit das anders wird?“
So ähnlich ist es am 23. und 24. September in Köln viele Male gelaufen, am Stand von Shopware, bei dem wir als Mitaussteller dabei waren. Mitgebracht hatten wir zwei Verfahren, die beide innerhalb weniger Minuten ein Ergebnis zeigen und beide Gespräche auslösen, die deutlich länger dauern: eines für die Frage, ob ein Unternehmen von KI-Assistenten überhaupt gefunden wird, und eines für die Frage, was eine Kundin erlebt, wenn sie danach auf der Website ankommt.
Nachbarschaftshilfe
Dass es so viele Gespräche werden würden, hatten wir nicht eingeplant, und unser Teil des Stands war darauf auch nicht ausgelegt. Sechs Leute standen in Köln, und hinter ihnen arbeitete ein zweites Team in den Büros, das die Gespräche noch am selben Tag nachbereitete, ausführliche Audit-Versionen anstieß und Rückfragen beantwortete, während am Stand schon das nächste Gespräch lief. Geholfen haben außerdem die Nachbarn. FactFinder, mit denen wir seit Jahren in Projekten zusammenarbeiten, hatten direkt neben uns eine Besprechungsecke, und als bei uns drei Gespräche gleichzeitig liefen und das vierte wartete, bot das FactFinder-Team sie uns kurzerhand an. Wir haben das Angebot gern angenommen, und wer die beiden Teams dabei zwischen den Ständen hin- und herwechseln sah, konnte den Eindruck gewinnen, es handle sich um ein einziges. Dass das Thema KI-Sichtbarkeit so viele Besucher an den Stand zog, hat uns gefreut. Dass wir dafür zu den Nachbarn ausweichen mussten, hat vor allem die Nachbarn amüsiert.
Wen die Maschine für relevant hält
Beim GEO-Audit, das wir am Stand in einer Kurzform gezeigt haben, stellen wir für jedes Unternehmen drei Fragen an ChatGPT, Gemini oder Perplexity, so wie Kundinnen sie stellen würden: eine nach einer Empfehlung, eine nach einem Vergleich und eine nach der Lösung für ein konkretes Problem. Dann sehen wir nach, wer in den Antworten vorkommt, an welcher Stelle und mit welcher Begründung. Von den 50 Unternehmen, die wir in Köln geprüft haben, kam nur eine Handvoll in allen drei Antworten vor. Beim Rest sah es aus wie bei dem Armaturenhersteller: Der eigene Name fehlte ganz, oder er stand als Nachsatz hinter denen, die die KI offenbar für die eigentlichen Anbieter hält.
GEO steht für Generative Engine Optimization, und hinter dem sperrigen Begriff steckt ein Mechanismus, der sich in einem Satz erklären lässt: KI-Assistenten stützen sich auf Quellen, die sie gut lesen können und für relevant halten, also auf klar strukturierte Seiten, konkrete Daten und Texte, die eine Frage tatsächlich beantworten, statt sie zu umschreiben. Ein Unternehmen, das im Markt seit Jahrzehnten gesetzt ist, im Netz aber vor allem aus Imagetexten und PDF-Katalogen besteht, existiert für die Maschine schlicht nicht. Und während Google für solche Fälle immerhin eine zweite Ergebnisseite bereithält, auf der man mit etwas Glück noch gefunden wird, nennt eine KI-Antwort drei Anbieter, manchmal nur zwei, und einen Platz dahinter gibt es nicht. Wer in dieser Vorauswahl fehlt, wird nicht verglichen und also auch nicht angefragt. Wie KI-Sichtbarkeit im B2B entschieden wird, haben wir an anderer Stelle ausführlich beschrieben.
„Ärgerlich war kaum jemand, die meisten haben sofort angefangen zu rechnen“, sagt Sandro, der mit vollem Namen Alexander Buchashvili heißt, die Audits am Stand durchgeführt hat und sich dort keinem anders vorgestellt hat. „Wie viele Anfragen gehen gerade an mir vorbei, das war die erste Frage. Und die zweite kam fast immer direkt hinterher: Und wo steht mein Wettbewerb?“
Vier Klicks bis zum Formular
Das zweite Verfahren beginnt dort, wo das erste aufhört, nämlich auf der Website selbst. Beim Agentic Experience Check, kurz AX-Check, bewegt sich ein KI-Agent als synthetische Buyer-Persona durch die Seite und protokolliert, wo er zögert, welche Information er vergeblich sucht und an welcher Stelle sich die Seite anders verhält, als er es erwartet hätte. Jede Beobachtung wird mit den etablierten Grundsätzen guter Bedienbarkeit abgeglichen, und bei Online-Shops prüft der Agent zusätzlich, ob der Kaufprozess mit den bekannten Manipulationsmustern arbeitet, die Kunden zu Entscheidungen drängen.
Die Personas sind dabei mehr als Rollenbilder. „Wir statten sie bewusst mit Persönlichkeit aus“, sagt Ronny Mai, Usability-Experte im Fachbereich User Experience, der den AX-Check entwickelt hat und die Protokolle aus Köln von Leipzig aus mitgelesen hat. „Zu Alter, Rolle, Vorwissen und Kaufmotiv kommen Charakterzüge, Erfahrungen und die Frage, worauf jemand besonders achtet. Wer das Protokoll liest, versteht sofort, warum diese Persona an einer Stelle zögert, warum sie lieber zum Telefon greift oder warum sie den Kauf abbricht.“
Ein Beispiel aus Köln, anonymisiert: Die Persona ist eine Einkäuferin Anfang fünfzig, die seit zwanzig Jahren Technik bestellt, Formularen grundsätzlich misstraut und für einen bestimmten Artikel das technische Datenblatt braucht, fünf Minuten hat sie dafür eingeplant. Die Produktseite findet sie auf Anhieb, das Datenblatt jedoch gibt es dort nicht, sondern erst im Downloadbereich, den sie nach vier Klicks erreicht, nur um festzustellen, dass der Download ein Anfrageformular mit sieben Pflichtfeldern ist. Der Agent bricht an dieser Stelle ab und notiert als Begründung, dass diese Einkäuferin jetzt beim Wettbewerber anrufen würde, wo sie dieselbe Information vermutlich ohne Formular bekommt. Der Standbesucher, dem die Seite gehört, hat den Bildschirm abfotografiert, um ihn am Montag seinem Marketingleiter zu zeigen.
Intern setzen wir den AX-Check zur Qualitätssicherung in laufenden Projekten ein, in der Entwicklungsphase, bevor echte Nutzer eine Seite zu sehen bekommen. Einen Nutzertest mit Menschen ersetzt er nicht, aber er schärft den Blick dafür, welche Fragen eine echte Untersuchung überhaupt beantworten soll: Wo der Agent wiederholt an derselben Stelle scheitert, liegt ein echtes Problem, und genau dort lohnt sich der Aufwand eines Usability-Tests, statt das Testbudget über die ganze Seite zu verteilen. Für Kundinnen und Kunden ist der Check deshalb ein pragmatischer Einstieg in die systematische UX-Analyse, der an einem Nachmittag ein Protokoll mit Screenshots und Handlungsempfehlungen liefert. Am Stand hat er regelmäßig die längeren Gespräche ausgelöst, weil mit dem Protokoll zugleich ein Blick in unsere UX-Arbeit auf dem Tisch lag.
„Das schauen wir uns nächstes Jahr an“
Was uns in Köln am meisten beschäftigt hat, war weniger das Ergebnis selbst als die Reaktion darauf. In vielen Gesprächen wurde KI-Sichtbarkeit als Thema für die nächste Kampagne eingeordnet, als etwas, das man im Budget für das kommende Jahr unterbringt und dann angeht, wenn die Website ohnehin neu gemacht wird. Der Satz „Das schauen wir uns nächstes Jahr an“ fiel so häufig, dass wir ihn am zweiten Tag mitgezählt haben. Dabei verschiebt sich gerade das Verhalten derer, die kaufen: Wer heute einen Lieferanten sucht, fragt zunehmend zuerst eine KI nach einer Empfehlung, lässt sich die Kandidaten von ihr vergleichen und holt erst dann bei zwei oder drei von ihnen ein Angebot ein. Im B2B geht das inzwischen so weit, dass der Agent nicht mehr nur sucht, sondern verhandelt. Für alle, die in dieser ersten Liste nicht stehen, findet die Ausschreibung ohne sie statt, und zwar nicht erst nächstes Jahr.
Was sich in 30 Minuten klären lässt
Beide Fragen, die wir in Köln gestellt haben, lassen sich für einen Produktbereich in 30 Minuten beantworten: Welche Rolle spielt dein Unternehmen in den Antworten der KI-Assistenten, und wie weit kommt eine typische Kundin auf deiner Website, bevor sie aufgibt? Wer die Antworten kennt, kann entscheiden, wo er investiert, ob in Inhalte, die eine KI lesen kann, oder in eine Website, die eine Kundin nicht verliert, oder vorerst in keines von beidem, weil der Wettbewerb noch schlechter dasteht. Wer sie nicht kennt, verlässt sich darauf, dass die Konkurrenz ebenso wenig weiß. Nach zwei Tagen in Köln würden wir darauf nicht mehr wetten. Gut 40 Unternehmen haben uns dort gebeten, genau diese beiden Fragen für sie zu beantworten.