GEO Case Study: Bekannt, aber nicht vertraut — wenn KI-Plattformen die Marke nennen, aber nicht verlinken

Das Unternehmen

HR-Software für KMU. Die Website umfasst über 20 Ratgeber-Artikel und mehrere Produktseiten. Content ist vorhanden — die Frage war, warum er nicht als Quelle genutzt wird.

Die Diagnose — warum die Marke erwähnt, aber nicht verlinkt wird

Befund 1: Das Expertise-Gate

Die E-E-A-T-Bewertung offenbarte das zentrale Problem auf Source-Entity-Ebene:

• Experience: 5/10 — Fallstudien vorhanden, aber schlecht verlinkt und dünn
• Expertise: 2/10 — Gate-Risiko. Null Autorenprofile auf der gesamten Website. Null Person Schema. Kein einziger Artikel ist einer namentlichen Person mit Credentials zugeordnet.
• Authoritativeness: 6/10 — die Marke hat externe Signale (Bewertungsportale, Branchenerwähnungen), aber sie sind auf der Website unsichtbar
• Trustworthiness: 5/10 — Quellenangaben in weniger als einem Fünftel der Ratgeber-Artikel

Expertise bei 2/10 ist der niedrigste Wert, den wir in unseren Audits gemessen haben. Das bedeutet: Die KI-Plattformen kennen die Marke aus Drittquellen (Vergleichsportale, Bewertungsplattformen), aber die eigene Website liefert nicht genug Vertrauenssignale, um als Quelle bevorzugt zu werden. Die Plattformen erwähnen die Marke — und zitieren dann lieber ein Fachmedium oder ein Vergleichsportal als Beleg.

Ein Detail machte das Problem greifbar: Die Team-Seite des Unternehmens bestand aus wenigen Sätzen. Für KI-Systeme ist das nicht existent. Die Personen hinter dem Produkt — Gründer, Entwickler, Fachexperten — waren auf der eigenen Website unsichtbar.

Befund 2: Cross-Source-Inkonsistenz

Wir prüften, wie das Unternehmen auf verschiedenen Plattformen beschrieben wird. Das Ergebnis: Die eigene Website, LinkedIn und Bewertungsportale ordneten die Software in drei verschiedene Kategorien ein — jede Plattform erzählte eine andere Geschichte darüber, was das Produkt eigentlich ist.

Für KI-Systeme, die Informationen über mehrere Quellen validieren, ist das ein Problem. Wenn die Quellen sich nicht einig sind, was das Unternehmen eigentlich ist, kann kein Sprachmodell eine konsistente Empfehlung formulieren. Die Marke passt in keine klare Kategorie — und wird deshalb seltener als Lösung empfohlen.

Befund 3: Content mit invertierter Informationsverteilung

Die Ratgeber-Artikel hatten Substanz — einzelne Guides mit über 3.000 Wörtern zu relevanten HR-Themen. Aber die Informationsarchitektur war invertiert: Konkrete Zahlen, Studien-Referenzen und benannte Quellen standen im unteren Drittel der Artikel. Das obere Drittel bestand aus narrativen Einleitungen ohne zitierbare Fakten. Das ist besonders problematisch, weil aktuelle Analysen zeigen, dass 44,2 % aller KI-Zitationen aus den ersten 30 % eines Textes stammen (Kevin Indig, Growth Memo, Februar 2026) — bei diesem Unternehmen standen die zitierbaren Fakten genau dort, wo KI-Systeme am seltensten extrahieren. Bei einem Content Quality Score von 23 % (gemessen an unseren 13 Kriterien) war der Content für KI-Systeme schwer extrahierbar — nicht weil er schlecht war, sondern weil die zitierbaren Chunks am falschen Ort standen.

Was den Gap erklärt

Der AMCR-ACCR-Gap von 11,1 Prozentpunkten lässt sich auf eine einfache Formel bringen: Die Marke ist bekannt, weil sie auf Drittquellen vorkommt. Die eigene Website wird nicht verlinkt, weil die E-E-A-T-Signale auf Source-Entity-Ebene fehlen.

ChatGPT, Perplexity und Claude finden Informationen über das Unternehmen auf Vergleichsportalen und Bewertungsplattformen — und nutzen diese als Quelle. Die Unternehmenswebsite mit ihren Ratgebern und Fallstudien wird übergangen, weil kein individueller Autor, keine Credentials und keine Quellenangaben vorhanden sind. Die KI-Plattformen haben eine Alternative, der sie mehr vertrauen.

Das ist der Kern des Source-Authority-Problems: Die Sichtbarkeit basiert auf der Autorität Dritter, nicht auf eigener Content-Autorität. Jason Barnard beschreibt diesen Prozess als drei Phasen: Erst muss ein KI-System wissen, wer eine Marke ist (Understandability), dann muss es ihr vertrauen (Credibility), erst dann wird es sie aktiv empfehlen (Deliverability). Dieses Unternehmen hatte die erste Phase erreicht — die Marke wurde erkannt. Aber ohne Credibility-Signale aus eigenen, autoritativen Quellen blieb die Deliverability aus (Barnard/Kalicube, 2026).

Die Empfehlung — drei Prioritäten

Priorität 1: Autorenprofile sofort implementieren (Gate-Risiko schließen). Jeder Ratgeber-Artikel braucht eine sichtbare Autorenbox mit Name, Foto, Credentials und LinkedIn-Link. Person Schema parallel implementieren. Das ist der höchste ROI-Hebel im gesamten Audit: Source Entity Level von 2/10 auf geschätzt 5–6/10. Geschätzter Aufwand: ein CMS-Template und eine Woche Content-Arbeit.

Priorität 2: Cross-Source-Konsistenz herstellen. Ein Brand Identity Block — ein standardisierter Textbaustein mit der Kernbeschreibung des Unternehmens — auf allen Plattformen synchronisieren: Website, LinkedIn, Bewertungsportale, Branchenverzeichnisse. Eine Software-Kategorie, eine Value Proposition, konsistente Kernfakten.

Priorität 3: How-To-Content aufbauen. Bei praxisorientierten Fragen — „Wie digitalisiere ich HR-Prozesse?", „Was muss ich bei der gesetzlichen Arbeitszeiterfassung beachten?" — lag die AMCR bei 3 %. Das Unternehmen hatte für die meisten dieser Themen ein passendes Feature, aber keinen passenden Content. Drei Pillar Pages zu den größten How-To-Lücken könnten diese Kategorie unserer Einschätzung nach auf 20–25 % heben.

Diese Schätzungen basieren auf den identifizierten Lücken und den in unseren bisherigen Audits beobachteten Verbesserungsraten — sie sind keine Garantie, sondern eine datenbasierte Einschätzung.

Plattform-Varianz: Wo der schnellste Hebel liegt

Ein auffälliger Befund aus der Plattform-Analyse: Die KI-Sichtbarkeit variierte erheblich zwischen den Plattformen. Auf der quellenorientiertesten Plattform erreichte das Unternehmen seine beste Positionierung — sie war die einzige, die den Blog des Unternehmens direkt als Quelle zitierte. Auf ChatGPT war die Position am schwächsten. Das zeigt: Plattformen, die Echtzeit-Websuchen durchführen und Quellen transparent verlinken, sind für Unternehmen mit vorhandenem Content der schnellste Einstiegspunkt — auch wenn die Brand Authority noch nicht ausreicht, um auf allen Plattformen sichtbar zu sein.

Was dieser Fall für andere Unternehmen bedeutet

AMCR allein ist irreführend. 21 % klingt nach solider KI-Sichtbarkeit. Erst der Blick auf die ACCR (9,9 %) und den Gap (11,1 pp) zeigt das eigentliche Problem: Die Sichtbarkeit basiert auf Drittquellen, nicht auf eigener Stärke. Ohne den AMCR-ACCR-Gap als Diagnose-Tool hätte dieses Unternehmen an Content-Menge gearbeitet statt an Source Authority — und das Problem nicht gelöst.

Autorenprofile sind kein Nice-to-have. Null Autorenprofile auf der gesamten Website = Expertise 2/10 = Gate-Risiko. Das ist kein Feinschliff-Thema, sondern ein struktureller Blocker. Solange kein individueller Autor mit Credentials hinter dem Content steht, bevorzugen KI-Plattformen Drittquellen.

Cross-Source-Konsistenz ist messbar. Wenn die eigene Website, LinkedIn und Bewertungsportale drei verschiedene Geschichten erzählen, kann kein KI-System eine konsistente Empfehlung formulieren. Die Lösung ist einfach (ein standardisierter Brand Identity Block), aber sie muss aktiv umgesetzt werden.

Verwandte Themen

Wie sichtbar ist Ihre Marke — und warum?

Dieser Fall zeigt: Die wichtigste Frage ist nicht „Werden wir erwähnt?", sondern „Werden wir als Quelle verlinkt?" Der AMCR-ACCR-Gap liefert die Antwort.