Studie · April 2026 Erstveröffentlichung · kmugeo.de

GEO-Sichtbarkeit im
DACH-Mittelstand

Wie gut finden KI-Systeme deutsche B2B-Unternehmen? Eine empirische Untersuchung mit 24 DACH-Mittelständlern und 4 KI-Systemen. 960 Datenpunkte, klare Befunde.

24
DACH-Mittelständler
untersucht
960
LLM-Abfragen
ausgewertet
93%
der Anfragen ohne
Nennung des Unternehmens
42%
der Unternehmen mit
GEO-Score von exakt 0 %
Management Summary

Das Ergebnis ist eindeutig

Diese Studie analysiert die KI-Sichtbarkeit von 24 deutschen B2B-Unternehmen aus dem DACH-Mittelstand. Für jedes Unternehmen wurden 10 praxisnahe Einkäufer-Prompts bei vier führenden KI-Systemen (ChatGPT-4o, Gemini Advanced, Perplexity und Microsoft Copilot) ausgewertet: insgesamt 960 Datenpunkte.

93%
Unsichtbar bei fast allen KI-Anfragen Bei 93 % aller 960 getesteten Einkäufer-Anfragen existierte das jeweilige Unternehmen für das KI-System schlicht nicht. Der Gesamtdurchschnitt der GEO-Scores liegt bei 7 %.
42%
Zehn Unternehmen mit GEO-Score von exakt 0 % 10 von 24 Unternehmen (42 %) erreichen über alle vier KI-Systeme hinweg keinen einzigen Treffer. Darunter befinden sich Unternehmen mit über 40 Jahren Marktpräsenz, mehrfacher ISO-Zertifizierung, nachweislichen Referenzen bei DAX-Unternehmen und Umsätzen im zweistelligen Millionenbereich.

Besonders aufschlussreich: Die Unsichtbarkeit korreliert nicht mit Unternehmensgröße, Zertifizierungsstand oder Marktposition. Ein A-Lieferant mit über 300 Mitarbeitern, IATF-Zertifizierung und 90 Jahren Marktpräsenz erreicht denselben GEO-Score wie ein kleines Handwerksunternehmen ohne digitale Strategie.

Die Studie zeigt erstmals empirisch, dass KI-Systeme bereits heute eine eigenständige Rolle in der Lieferantenrecherche einnehmen und dass ein Großteil des deutschen Mittelstands in diesem Kanal faktisch nicht existiert.

Kernergebnis · Visualisiert
Die 0%-Mehrheit
10 von 24 untersuchten Unternehmen sind in keinem der vier getesteten KI-Systeme sichtbar. Nicht einmal ansatzweise.

In der GEO-Studie wurden 24 Unternehmen aus der DACH-Region auf ihre KI-Sichtbarkeit geprüft. 42 % — das entspricht 10 von 24 Unternehmen — waren in keinem der vier getesteten KI-Systeme (ChatGPT, Perplexity, Google AI Overview, Microsoft Copilot) auch nur ansatzweise sichtbar. 58 % der Unternehmen hatten zumindest eine geringe Sichtbarkeit in mindestens einem System.

42% 10 von 24 vollständig unsichtbar, GEO-Score 0 % über alle vier KI-Systeme. Marktpräsenz, Zertifizierungen und Mitarbeiterzahl spielen dabei keine Rolle.
58% 14 mit messbarer KI-Präsenz (Ø 12%). Auch hier sind bei der Mehrzahl aller Anfragen die Unternehmen nicht sichtbar.
Gesamtdurchschnitt
7 % GEO-Score
Methodik

Untersuchungsdesign

Die Studie verwendet eine eigens entwickelte Methode zur Messung der GEO-Sichtbarkeit (Generative Engine Optimization, einer Disziplin im Umfeld der klassischen Suchmaschinenoptimierung): die Häufigkeit direkter Nennungen in KI-generierten Antworten auf realistische Einkäufer-Prompts.

24
UnternehmenB2B-Mittelständler aus dem DACH-Raum, ausgewählt nach Branchenvielfalt, Größe (12-500+ Mitarbeitende) und geografischer Streuung. Keine Vorauswahl nach digitalem Reifegrad.
10
Prompts pro UnternehmenPraxisnahe Einkäufer-Anfragen in 3 Dimensionen: branchen- und standortspezifisch, anforderungsspezifisch und zertifizierungsspezifisch.
4
KI-Systeme getestetChatGPT-4o, Gemini Advanced, Perplexity und Microsoft Copilot. Abdeckung von Trainingsdaten-Sichtbarkeit und Live-Web-Zugriff.

Scoring: 0 = Unternehmen nicht genannt, 1 = Unternehmen genannt. GEO-Score = (Nennungen / 10) x 100 %. Der Ø GEO-Score je Unternehmen ist das arithmetische Mittel über alle vier LLM-Systeme.

Von den 24 Unternehmen haben 4 der namentlichen Nennung zugestimmt. Die übrigen 20 werden anonymisiert nach Branche und Bundesland ausgewiesen. Die Daten wurden im Rahmen kostenfreier GEO-Analysen erhoben. Ein Teil der Unternehmen steht in einer Geschäftsbeziehung zur Johannes Bopp GmbH in anderen Leistungsbereichen (z.B. Leadgenerierung, Recruiting), nicht im Bereich GEO.

ChatGPT-4o Gemini Advanced Perplexity Microsoft Copilot
Kernergebnisse

Vier zentrale Befunde

Die Studie identifiziert vier strukturelle Ursachen für GEO-Unsichtbarkeit im DACH-Mittelstand, mit unmittelbaren Implikationen für Marketing, Vertrieb und digitale Strategie.

Befund 1

Technische & semantische Content-Architektur ist das Fundament

Englische Inhalte wirken als starker Multiplikator für die KI-Sichtbarkeit, insbesondere bei LLMs mit primär englischen Trainingsdaten. Das einzige Unternehmen mit signifikanter Sichtbarkeit kombiniert eine vollständige englische Website-Version mit einer vorbildlichen technischen und semantischen Content-Architektur.

Ø 48% vs. Ø 7%
Befund 2

Schema.org allein löst das Problem nicht

Mehrere der 0%-Unternehmen verfügen über Schema.org-Markup, darunter ein Unternehmen mit FAQPage-Schema, strukturiertem Content und solider technischer Basis. Der entscheidende Faktor: Inhalte ohne dedizierte, crawlbare URL können von KI-Systemen nicht als Quellen zitiert werden, unabhängig davon, wie gut das Markup implementiert ist.

URL-Struktur entscheidend
Befund 3

Proprietäre Markenbegriffe machen unsichtbar

Unternehmen, die ihre Kommunikation auf intern entwickelte Begriffe und Verfahrensnamen stützen, werden von keinem KI-System gefunden. Einkäufer beschreiben ihr Problem, nicht die proprietäre Lösung. Wer seine eigene Sprache spricht statt der Sprache der Einkäufer, bleibt in KI-Antworten unsichtbar.

Einkäufersprache zählt
Befund 4

Die Sichtbarkeit variiert stark zwischen LLMs

Dasselbe Unternehmen erzielt je nach KI-System erheblich unterschiedliche Scores. Unnapur erreicht bei Gemini 80 % und bei Copilot 0 % — eine Spanne von 80 Prozentpunkten beim identischen Unternehmen mit identischer Website. Ein einzelner LLM-Test liefert kein valides Bild der tatsächlichen KI-Sichtbarkeit.

bis zu 80 Pkt. Abstand
Vollständiges Ranking · 24 Unternehmen
GEO-Score-Ranking aller Studienteilnehmer
Durchschnitt 7 % (gestrichelte Linie). Namentlich genannte Unternehmen erscheinen mit vollem Indigo-Balken.

Das Balkendiagramm zeigt die GEO-Scores aller 24 untersuchten DACH-Unternehmen. Der Durchschnitt liegt bei 7 %. Das Unternehmen mit dem höchsten Score (Unnapur GmbH, 48 %) ist das einzige mit einer vollständig englischen Website-Version. Die meisten Unternehmen erzielen Scores unter 10 %. Farblich hervorgehoben (Indigo) sind Unternehmen, die in KI-Antworten namentlich erwähnt werden.

Namentlich genannt
Anonymisiert (mit Präsenz)
GEO-Score 0 %
Gesamtdurchschnitt Ø 7 %
Befund 1 · Englisch als Multiplikator
Der Englisch-Effekt: Faktor 6,9
Das einzige Unternehmen mit vollständiger englischer Website-Version erzielt einen GEO-Score von 48 %. Der Studien-Durchschnitt liegt bei 7 %.

Das Diagramm zeigt den Multiplikator-Effekt englischer Website-Inhalte auf den GEO-Score. Das einzige Unternehmen in der Studie mit einer vollständig englischen Website erreichte einen GEO-Score von 48 %, während der Studien-Durchschnitt bei 7 % lag — ein Faktor von fast 7x. Der Effekt ergibt sich aus der Kombination von technischer Exzellenz, semantischer Präzision und englischen Inhalten, die den Trainingsdaten-Bias großer Sprachmodelle nutzen.

Der Effekt basiert nicht allein auf der Sprache, sondern auf der Kombination aus technischer Exzellenz, semantischer Präzision und englischen Inhalten als Multiplikator des Trainingsdaten-Bias großer LLMs.

Fallstudien

Vier namentliche Beispiele

Die folgenden Unternehmen haben der namentlichen Nennung zugestimmt. Jeder Fall illustriert eine der identifizierten Ursachen für GEO-Sichtbarkeit oder -Unsichtbarkeit.

48%
Ø GEO-Score

Unnapur GmbH

Positiver Referenzfall · PUR-Formteile · ca. 80 Mitarbeitende · 40+ Jahre Marktpräsenz

Mit Ø 48 % erzielt Unnapur den mit Abstand höchsten GEO-Score der gesamten Studie, bei einem Datensatz-Durchschnitt von 7 %. Das Unternehmen ist Hersteller von PUR-Formteilen für Medizintechnik, Kassensysteme und Apparatebau.

Was Unnapur von allen anderen Unternehmen unterscheidet: Eine vollständige englische Website-Version, umfassendes Schema.org-Markup (WebPage, Organization, WebSite, BreadcrumbList) und nach Zielbranchen strukturierte Unterseiten mit direkter semantischer Übereinstimmung zur Sprache der Einkäufer.

ChatGPT60%
Gemini80%
Perplexity50%
Copilot0%
Methodische Erkenntnis: Copilot (Live-Web-Zugriff) erzielt 0 %, während ChatGPT (ohne Live-Web) 60 % erreicht. GEO-Sichtbarkeit hat zwei Dimensionen: Trainingsdaten-Präsenz und Echtzeit-Web-Indexierung. Beide müssen separat adressiert werden.
18%
Ø GEO-Score

Schondelmaier GmbH

Mittelfeld-Case · Kaltumformung · 310 Mitarbeitende · 90+ Jahre · IATF 16949

A-Lieferant namhafter Fahrzeughersteller mit hochpräzisen kaltumgeformten Komponenten, ein Unternehmen, das in der klassischen Lieferantenbewertung exzellent aufgestellt ist. Trotzdem: nur Ø 18 % und bei Perplexity 0 %.

Die partielle Sichtbarkeit (30 % bei ChatGPT und Copilot) erklärt sich durch eine einzige Website-Eigenschaft: Die H1-Überschrift lautet "Kaltmassivumformung", der exakte Fachbegriff, den Einkäufer eingeben. Ein Begriff an der richtigen Stelle genügt für partielle Trainingsdaten-Sichtbarkeit, reicht aber nicht für aktive Web-Sichtbarkeit.

ChatGPT30%
Gemini40%
Perplexity0%
Copilot30%
Auch 30 % bedeuten: 7 von 10 Einkäufer-Anfragen bleiben ohne Nennung. Marktstellung schützt nicht vor KI-Unsichtbarkeit.
0%
Ø GEO-Score

LIVARSA GmbH

Kategorie-Lücken-Case · Energieeffizienz-Lösungen · DE + CH

LIVARSA verfügt über das technisch beste Setup unter allen 0%-Unternehmen: Schema.org-Markup (Organization, WebPage, FAQPage), funktionierende Meta-Descriptions und über 770 Wörter Content auf der Startseite.

Trotzdem: 0 % über alle vier Systeme. Der Grund liegt in der Seitenarchitektur. Die beiden Hauptkategorien im Navigationsmenü ("Energy Data Engineering" und "Messklinik") haben keine crawlbaren Unterseiten, beide URLs geben 404-Fehler zurück. Der Inhalt existiert ausschließlich als Fließtext auf der Startseite, ohne dedizierte URL und ohne eigenständige Indexierbarkeit.

Dieser Fall ist der prägnanteste Beleg: KI-Systeme können keine Inhalte zitieren, die keine stabile, dedizierte URL haben, unabhängig davon, wie gut das restliche Markup ist.
0%
Ø GEO-Score

Engels Rohrsanierungen GmbH

Einkäufer-Sprache-Case · Rohrinnensanierung · bundesweit · 3 Standorte

Bundesweit tätiger Spezialist für Rohrinnensanierung mit DIBt-zertifiziertem Eigenverfahren. Die gesamte Content-Strategie dreht sich um den proprietären Begriff "ElastoFlake". Das Problem: Kein Einkäufer gibt "ElastoFlake Rohrsanierung" bei einem KI-Assistenten ein.

Ein Einkäufer beschreibt sein Problem: "Rohrinnensanierung ohne Aufstemmarbeiten", "Rohrsanierung im laufenden Hotelbetrieb", "grabungsfreie Rohrsanierung Gewerbeimmobilie bundesweit". Diese Formulierungen sind auf der Website strukturell nicht verankert, nicht in Überschriften, nicht als dedizierte Seiten, nicht als beantwortete Fragen.

Markenkommunikation und Beschaffungsrealität klaffen auseinander. KI-Systeme sprechen die Sprache der Einkäufer, nicht die Sprache der Marke.
Befund 4 · LLM-Divergenz
Je nach KI-System: bis zu 80 Prozentpunkte Unterschied
Ausgewählte Unternehmen aus dem Datensatz zeigen die extreme Varianz zwischen den vier KI-Systemen.
Unternehmen ChatGPT Gemini Perplexity Copilot
Unnapur GmbH 60 % 80 % 50 % 0 %
Schondelmaier GmbH 30 % 10 % 0 % 30 %
M · Servospindelpressen, NRW 0 % 40 % 0 % 30 %
N · Antirutschbeläge / Schienenfahrzeuge 0 % 10 % 30 % 20 %
B · Silikonformteile 0 % 40 % 0 % 10 %
C · Blechbearbeitung 0 % 0 % 0 % 30 %
LIVARSA GmbH 0 % 0 % 0 % 0 %
Engels Rohrsanierungen GmbH 0 % 0 % 0 % 0 %
G · Pressenbau & Umformtech. 0 % 0 % 0 % 0 %

Dasselbe Unternehmen erzielt je nach KI-System Scores zwischen 0 % und 80 % — eine Spanne von 80 Prozentpunkten. Ein einzelner LLM-Test liefert kein valides Bild.

Implikationen

Was diese Ergebnisse bedeuten

GEO-Sichtbarkeit ist kein Zufall und keine Frage der Unternehmensgröße. Sie ist das Ergebnis messbarer Website-Eigenschaften, und sie erfordert Expertise in drei Bereichen.

1

Technische Lesbarkeit für KI-Systeme

KI-Systeme lesen Websites anders als Menschen. Entscheidend ist eine atomisierte Content-Architektur: Jede Kernleistung, jedes Produkt und jede relevante Frage muss auf einer eigenen, technisch sauberen und stabilen URL abgebildet sein. Fehler in der technischen Basis, falscher Schema-Typ, nicht erreichbare Unterseiten, fehlende dedizierte URLs, verhindern Sichtbarkeit unabhängig davon, wie gut der eigentliche Content ist.

2

Semantisch präziser Content in der Sprache der Einkäufer

KI-Systeme zitieren Inhalte, die als Antwort auf konkrete Fragen strukturiert sind, in der Sprache der Einkäufer, nicht in der Unternehmenssprache. Die semantische Präzision, die exakte Übereinstimmung von Überschriften, URLs und Content mit den Suchintentionen der Einkäufer, ist dabei von höchster Relevanz. Englischsprachige Inhalte können diesen Effekt verstärken, ersetzen aber nicht die Notwendigkeit einer präzisen semantischen Ausrichtung.

3

Kontinuierliche Messung und Anpassung

LLM-Trainingsdaten ändern sich. Was heute in ChatGPT erscheint, kann nach dem nächsten Trainings-Update verschwinden. GEO-Sichtbarkeit ist kein einmaliges Projekt, sondern ein fortlaufender Prozess, der regelmäßige Messung, Analyse und Anpassung voraussetzt, über mehrere Systeme hinweg, nicht anhand eines einzelnen LLM-Tests.

Fazit

Der B2B-Kaufprozess verändert sich fundamental

KI-Assistenten werden zum ersten Ansprechpartner bei der Lieferantenrecherche, noch bevor ein Einkäufer eine Website öffnet oder einen Kollegen befragt. Mit der breiten Integration von Copilot, Gemini und ChatGPT in Unternehmensumgebungen ab 2025 beginnt eine neue Phase der digitalen Beschaffung, in der KI-Antworten den ersten Lieferantenzugang bestimmen.

Diese Studie belegt erstmals empirisch mit 24 DACH-Mittelständlern und 960 LLM-Abfragen: 10 von 24 Unternehmen sind in diesem neuen Kanal vollständig unsichtbar. Der Gesamtdurchschnitt liegt bei 7 %.

Die gute Nachricht: GEO-Sichtbarkeit ist kein Zufall. Sie ist das Ergebnis gezielter Maßnahmen, und sie ist messbar. Unternehmen, die verstehen, was KI-Systeme brauchen, um sie zu zitieren, können diesen Nachteil systematisch aufholen. Generative Engine Optimization ist kein SEO-Trend. Es ist die Anpassung an den Kanal, über den ein wachsender Anteil von Kaufentscheidungen bereits vorbereitet wird.

Studie herunterladen oder eigene Sichtbarkeit prüfen

Die vollständige Studie inkl. anonymisiertem Unternehmensranking und Prompt-Architektur steht als PDF zum Download bereit. Alternativ: Kostenloser KI-Sichtbarkeits-Check für Ihr Unternehmen.

Studie als PDF Kostenlosen KI-Check starten
Tobias Ackermann
Tobias Ackermann
Head of GEO Operations & AI Visibility · Johannes Bopp GmbH

Tobias Ackermann verantwortet GEO-Strategie und KI-Sichtbarkeitsanalysen bei der Johannes Bopp GmbH (Braunschweig). Die Methodik, die Prompt-Architektur und das Auswertungsframework dieser Studie sind eigenständige Entwicklungen. Kontakt: geo@johannesbopp.de

Methodische Offenlegung: Die Daten wurden im Rahmen kostenfreier GEO-Analysen erhoben. Ein Teil der untersuchten Unternehmen steht in einer Geschäftsbeziehung zur Johannes Bopp GmbH in anderen Leistungsbereichen (Leadgenerierung, Recruiting), nicht im Bereich GEO. Die namentlich genannten Unternehmen haben der Veröffentlichung ausdrücklich zugestimmt. Die Erhebung erfolgte unabhängig von einer bestehenden oder geplanten GEO-Beauftragung.