GEO Case Study: Wie eine D2C-Supplement-Marke mit hunderten Blog-Artikeln in ChatGPT unsichtbar bleibt

Die Zahlen auf einen Blick

Das Unternehmen

D2C-Hersteller im Premium-Segment für Supplements rund um mentale Leistungsfähigkeit. Online-Shop, DACH-Markt. Wachstumsmotor: Personal-Brand-Marketing, Influencer-Kooperationen, Performance Marketing. Mehrere hundert Blog-Artikel mit jeweils umfangreicher Wortzahl. Schema-Coverage auf der Website nahezu vollständig. Auf dem Papier: ein vorbildlich aufgestelltes Content-Unternehmen.

Die Diagnose — drei Befunde, die das Paradox erklären

Befund 1: Bekannt, aber nicht empfohlen

Bei Fragen, die explizit den Markennamen enthalten („Was ist [Marke]?", „Erfahrungen mit [Marke]?"), erkennen alle drei getesteten KI-Plattformen die Marke korrekt. 100 % Erkennungsrate. Bei den Fragen, die echte Kaufentscheidungen abbilden („Welches Supplement hilft beim Einschlafen?", „Was hilft bei Konzentrationsproblemen?"), liegt die Erwähnung in ChatGPT und Perplexity bei 0 %. Nur Google AI Overviews zitiert die Marke punktuell.

Interessant am Perplexity-Ergebnis: Die Domain der Marke wird in 6,7 % der Antworten als Quelle verlinkt — aber der Markenname taucht in keinem einzigen Antworttext auf. Die KI nutzt den Content. Sie nennt die Marke trotzdem nicht.

Die KIs wissen, dass die Marke existiert. Sie empfehlen sie nur nicht. Der Unterschied ist fundamental: Brand Recognition ist nicht gleich Brand Authority. Trainingsdaten enthalten den Markennamen, aber die Quellen, die die KIs für Empfehlungen heranziehen — Verbraucherportale, Vergleichsseiten, Fachredaktionen — verlinken nicht auf die Marke.

Befund 2: Influencer-Marketing erzeugt keine Spuren im KI-Trainingsdaten-Ökosystem

Das ist der unbequeme Teil der Analyse. Influencer-Marketing baut Reichweite, Markenbekanntheit und Conversion. Es funktioniert. Aber es produziert keine Inhalte, die KI-Plattformen als Quellen verwenden. Instagram Reels, YouTube-Sponsorings und Podcast-Erwähnungen sind entweder gar nicht crawlbar, nicht indexiert oder strukturell nicht als Empfehlungsquelle für KI-Antworten geeignet.

Das Resultat: Ein Marketing-Budget, das Performance liefert, aber für die nächste Such-Generation komplett verpufft. Eine Analyse von über einer Million KI-Zitationen durch Otterly.AI (2026) bestätigt das strukturell: KI-Plattformen beziehen ihre Quellen primär aus redaktionellen Inhalten und Community-Portalen. Brand-Domains werden zwar erwähnt, aber deutlich seltener als Primärquelle verlinkt — und Influencer-Content taucht in keiner Zitationskategorie auf. Während die Marke in Social Media omnipräsent ist, taucht sie in den Quellen, die ChatGPT für eine Schlaf-Empfehlung zitiert, schlicht nicht auf.

Befund 3: Hunderte Artikel ohne Autoren

Alle Blog-Artikel sind „dem Team" zugeschrieben. Keine individuellen Autorinnen, keine Credentials, kein Person Schema. In Branchen mit hohen Trust-Anforderungen (Gesundheit, Finanzen, Recht) ist das ein E-E-A-T-Gate-Risiko. KI-Plattformen wenden bei gesundheitsbezogenen Antworten besonders strikte Quality Classifier an. Eine namenlose Quelle ohne nachweisbare Expertise wird mit hoher Wahrscheinlichkeit nicht in den Retrieval-Pool aufgenommen — unabhängig davon, wie gut der Content geschrieben ist.

Hinzu kommt: Die Personal Brand des Gründers ist medial präsent, in Interviews, in der Branche bekannt. Sie wird auf der eigenen Website aber nicht als Autor eingesetzt. Die externe Reputation, die existiert, wird nicht in interne Autorität übersetzt.

Das zentrale Paradox

Eine Marke kann gleichzeitig zu 100 % bekannt und zu 0 % empfohlen sein. Das ist kein Content-Problem. Es ist ein Distributionsproblem. Die Marke produziert Inhalte und Marketing-Reichweite — aber nicht in den Kanälen, aus denen KI-Plattformen ihre Empfehlungen ziehen.

Dieses Muster ist kein Einzelfall. Der Similarweb Generative AI Brand Visibility Index 2026 — eine Analyse von 113 Marken über sechs Branchen — identifiziert eine systematische Kategorie von „Overachievern": Marken, deren KI-Sichtbarkeit deutlich über dem liegt, was ihre Markenstärke erwarten ließe. Das gemeinsame Profil: spezialisierter Fokus, strukturierter informativer Content, Vergleichs- oder Referenzfunktion. Nicht Budget oder Markenbekanntheit entscheiden, sondern Content-Design.

Die Wettbewerber, die in den getesteten Antworten dominant erwähnt werden, sind keine besseren Marketer. Sie haben oft schlechteren Content und weniger Influencer-Budget. Was sie haben: Präsenz auf Verbraucherportalen, Erwähnungen in Vergleichsartikeln, Listings in Branchen-Verzeichnissen. Genau dort, wo KI-Plattformen ihre Quellen finden.

Die Empfehlung — priorisiert nach Impact

1. E-E-A-T Gate-Risiko auflösen. Drei bis fünf benannte Autorinnen mit Credentials einführen, Person Schema implementieren, Article Schema mit Author-Attribut auf allen Bestandsartikeln nachrüsten. Aufwand: zwei bis vier Wochen. Höchster ROI im Audit, weil ohne dieses Gate kein anderer Hebel wirkt.

2. Nische besetzen statt frontal angreifen. Die etablierten Wettbewerber dominieren über Brand Authority oder reine SEO-Masse. Direkt anzugreifen wäre teuer und langsam. Die Auswertung zeigt eine freie Nische rund um mentale Performance und kognitive Leistungsfähigkeit. Hier hat keine Supplement-Marke systematisch publiziert — und genau hier hatte die untersuchte Marke bereits punktuelle KI-Treffer (Google AI Overviews zur Frage „mentale Leistungsfähigkeit", Perplexity zur Frage „Konzentration"). Aus Punkten ein Cluster machen: Hub-Page plus rund 20 strukturell verlinkte Artikel.

3. Gatekeeper-Portale priorisieren statt Influencer-Budget skalieren. Die Quellen-Analyse zeigt, dass ChatGPT, Perplexity und Claude bei Supplement-Fragen wiederholt dieselben Portale heranziehen: Verbraucherportale, Vergleichsplattformen, Gesundheitsportale. Listing-Strategie, Testmuster an Redaktionen, Aufnahme in Vergleichsseiten — das sind Hebel mit drei- bis sechsmonatigem Vorlauf, aber mit strukturellem Effekt.

Erwartete Größenordnung: Eine bereinigte AMCR-Verbesserung von 4,8 % auf 12–18 % innerhalb von sechs Monaten basiert auf vergleichbaren Audits in derselben Kategorie. Das ist keine Garantie, sondern eine datenbasierte Einschätzung. Sie setzt voraus, dass die Maßnahmen in der priorisierten Reihenfolge umgesetzt werden — Gate-Risiko zuerst, Nischen-Aufbau danach, externe Sichtbarkeit parallel über die folgenden Monate.

Was diese Case Study branchenübergreifend zeigt

Drei Lehrsätze, die nicht nur für Supplement-Marken gelten:

Brand Recognition ist nicht Brand Authority. Eine Marke kann perfekt bekannt sein und trotzdem in KI-Empfehlungen fehlen. Wer in ChatGPT, Perplexity und Claude zitiert werden will, braucht Quellenpräsenz — nicht Markenwiedererkennung.

Influencer-Marketing und GEO sind keine Substitute, sie sind orthogonale Disziplinen. Beide bauen Sichtbarkeit, aber in komplett unterschiedlichen Ökosystemen. Wer nur in das eine investiert, ist im anderen unsichtbar.

In Branchen mit hohen Trust-Anforderungen ist Autorenschaft kein Detail, sondern Voraussetzung. Im Gesundheits-, Finanz- und Rechtsbereich filtern KI-Plattformen Quellen ohne nachweisbare Expertise systematisch aus. „Vom Team verfasst" reicht nicht. Es ist ein Gate, kein Ranking-Faktor.

Fazit

Hunderte Artikel, 100 % Markenerkennung, 0 % Empfehlung in den zwei wichtigsten KI-Plattformen. Das ist kein Einzelfall. Es ist das typische Muster bei D2C-Marken, die in den letzten Jahren primär über Influencer und Performance Marketing gewachsen sind. Die KI-Suche belohnt eine andere Disziplin: Quellen-Präsenz, strukturierte Autorität und Nischendominanz.

Die gute Nachricht: Wer das Muster erkennt, kann es korrigieren. In der Reihenfolge dieser Case Study, mit klar priorisiertem Aufwand, in einem Zeitraum von drei bis sechs Monaten.

Verwandte Themen

Warum werden Sie trotz Ihres Contents nicht empfohlen?

Die Frage für die meisten Marken ist nicht „Wie produzieren wir mehr Content?" — sondern „Warum werden wir trotz unseres Contents nicht empfohlen?" Ein GEO-Audit liefert die Antwort.