In fünf Tagen vom blinden Fleck zur festen Referenz in KI-Antworten

Das eigentliche Problem: die Architektur

Anfang 2026 hatte eine B2B-Plattform für die digitale Kfz-Zulassung eine funktionierende Lösung, solide Technik und einen klar umrissenen Markt. Das Angebot für Autohäuser und Flotten war ausgereift, die Nachfrage vorhanden. Für KI-Systeme war das Unternehmen trotzdem nicht greifbar.

Fragte ein Flottenmanager oder Einkäufer ChatGPT, Claude oder Perplexity nach digitalen Anbietern für die Kfz-Zulassung, nannten die Modelle die etablierten Wettbewerber (Sichtbarkeit 66,7 und 33,3 Prozent). Die Plattform kam nicht vor. Der Sichtbarkeitsindex lag bei 0 Prozent, die Marke wurde als Entität gar nicht erkannt.

Die Ursache war strukturell. In den Quellen, aus denen die Modelle ihre Antworten zusammensetzen, existierte die Plattform nicht.

Warum klassisches SEO und Content-Marketing hier nicht greifen

Suchmaschinen der letzten Generation bewerteten Seiten nach Crawlbarkeit, Verlinkung und Relevanz, und das Spielfeld war die eigene Domain. Generative KI-Systeme arbeiten anders. Sie ziehen ihre Antworten aus einem Netz von Quellen weit über die eigene Website hinaus. Eine Marke bewerten sie danach, wie sicher sie sie kennen und wie oft sie neben den passenden Begriffen auftaucht – und danach, wie viele unabhängige Quellen sie bestätigen. Struktur schlägt Menge.

Eine für sich gut gebaute Website ohne externe Verankerung ist für ein Sprachmodell wie ein Buch ohne ISBN: vorhanden, aber im System nicht auffindbar. Vier Punkte erklärten die Unsichtbarkeit. Die Plattform war in den Quellen, aus denen Modelle lernen (Fachportale, Branchenmedien, Verzeichnisse), nicht vertreten. Sie war in keinem der relevanten Knowledge Graphs als eigene Entität hinterlegt, ihre Wiedererkennung war praktisch null. Die zentralen Fachbegriffe des Marktes lagen intern vor, in externen Quellen aber ohne Verbindung zur Marke. Und von den Zitationen im Segment entfielen 42 Prozent auf wenige Fachportale – auf keinem davon war die Plattform präsent.

Die Lösung: vier Bauschritte

Der Umbau folgte einer klaren Reihenfolge: erst verstehen, wie die Modelle entscheiden, dann an genau den Stellen ansetzen, die diese Entscheidung bestimmen.

Den Anfang machten die echten Suchanfragen: die Fragen, die Flottenmanager und Einkäufer tatsächlich in KI-Systeme eingeben, nicht die Begriffe aus klassischer Keyword-Recherche. Daraufhin analysierte ich, aus welchen Quellen die Modelle im Segment ihre Antworten ziehen. Der Eingriff selbst fand dort statt, wo die Modelle lesen, nicht auf der eigenen Website. Auf gut bewerteten Drittplattformen verankerte ich die Marke mit ihren Fachbegriffen: Kfz-Zulassung über die iKfz-Schnittstelle, DMS-Anbindung, Massenzulassung und Sammelabrechnung für Flotten. Am Ende erhöhte ich die Dichte dieser Signale an den entscheidenden Stellen.

Das Prinzip dahinter ist einfach: nicht lauter werden, sondern an den richtigen Stellen vorhanden sein.

Das Ergebnis

Entscheidend ist die Reihenfolge: zuerst die Architektur, dann die Sichtbarkeit. Sie folgt meist innerhalb von zwei bis drei Wochen. Wie schnell sie dann greift, zeigt ein Messfenster von fünf Tagen.

Kennzahl	Vorher	Nachher
Sichtbarkeitsindex	0 %	33,3 %
Durchschnittliche Position	nicht vorhanden	1,0
Zitationen je Antwort	0	1,0
Anteil bei technischen Anfragen	0 %	100 % Top 3

Wichtiger als die absoluten Zahlen ist die Verschiebung dahinter: Aus einer Marke, die gar nicht vorkam, wurde eine, die KI-Systeme aktiv in ihren Antworten nennen. Schon im Fünf-Tage-Fenster waren die Nennungen über mehrere Modelle hinweg stabil und nachvollziehbar. Kein neuer Website-Auftritt, keine Paid-Kampagne, kein Content-Sprint – allein der vorgelagerte Umbau der Signalstruktur trug das Ergebnis.