SOLONAUT.AI · 24.07.2026

Dieser Artikel setzt den Perspektivwechsel aus „Claude für Solopreneure und Coaches“ fort — dort ging es um Claude als Werkzeug für den Alltag, hier um ein konkretes Rechercheprojekt damit.

Uns ist kürzlich ein Angebot am Markt aufgefallen, das die eigene KI-Sichtbarkeit verbessern soll: ein „KI-Sichtbarkeits-Check“, der prüft, ob ChatGPT, Claude, Perplexity und Gemini eine Website überhaupt kennen und empfehlen — und technische Probleme behebt, die das verhindern. Preis: 3.000 € Einrichtung, danach 1.000 € im Monat für laufendes Monitoring.

Das hat uns neugierig gemacht. Nicht auf das Angebot — auf die Frage dahinter: Was steckt technisch eigentlich dahinter? Und wie viel davon können wir mit Claude als Werkzeug selbst herausfinden und umsetzen?

Kurze Antwort: den Großteil. In einer einzigen Session haben wir für solonaut.ai (und drei weitere eigene Projekte) genau das gemacht, was ein solcher Service verspricht — technischer Check, Live-Test bei den großen KI-Chatbots, konkrete Fixes. Ein Ergebnis war ernüchternd, eines war ein echter Aha-Moment, und keines hätte 1.000 € im Monat gekostet.

Was „KI-Sichtbarkeit prüfen“ technisch eigentlich bedeutet

Der Prozess hinter einem solchen Angebot lässt sich in drei Schritte zerlegen, die alle mit Bordmitteln machbar sind:

1. Technischer Crawler-Check. ChatGPT, Claude und Perplexity betreiben eigene Crawler (GPTBot, ClaudeBot, PerplexityBot), die Websites besuchen wie klassische Suchmaschinen-Bots. Ob eine Seite für diese Crawler überhaupt sichtbar ist, lässt sich technisch mit einer einzigen Anfrage prüfen, bei der man sich als einer dieser Bots ausgibt (wie das konkret geht — auch ohne Terminal-Erfahrung — steht weiter unten). Kommt als Antwort 200 zurück, ist die Seite erreichbar. Kommt 403, blockiert irgendetwas den Zugriff — und das ist häufiger der Fall, als man denkt.

2. Live-Test bei den Chatbots. Man stellt den vier großen KI-Assistenten dieselbe realistische Kundenfrage, die die eigene Zielgruppe stellen würde, und schaut: Wird die eigene Seite genannt? Auf welchem Platz? Wer wird stattdessen empfohlen?

3. Externe Recherche zu Best Practices. Was empfehlen tatsächliche GEO-Experten (Generative Engine Optimization) — international und im deutschsprachigen Raum — und was davon ist durch Daten belegt statt nur behauptet?

Alle drei Schritte lassen sich mit Claude als Recherche- und Umsetzungswerkzeug selbst durchführen. Der eigentliche Wert eines bezahlten Anbieters liegt nicht im technischen Zugang zu diesen Informationen (die sind offen), sondern im vorgefertigten Prozess und im laufenden Monitoring, wenn man es sich nicht selbst einrichten will.

Der Aha-Moment: ein Sicherheits-Feature, das unsichtbar macht

Der ergiebigste Fund kam nicht bei solonaut.ai selbst, sondern bei einem der anderen geprüften Projekte: Eine Website lief technisch einwandfrei, hatte guten Content — wurde aber von keiner einzigen KI genannt. Der Grund: Cloudflare (ein verbreiteter Sicherheits-/CDN-Dienst, der vor vielen Websites hängt) hatte eine Funktion namens „Block AI Scrapers and Crawlers“ aktiv. Diese blockierte GPTBot, ClaudeBot und PerplexityBot komplett mit HTTP 403 — unabhängig davon, was in der robots.txt stand.

Der Fix war ein Zwei-Minuten-Klick im Cloudflare-Dashboard. Das eigentliche Problem war, überhaupt zu wissen, wo man suchen muss — ein Sicherheits-Setting, keine klassische SEO-Einstellung, taucht in keiner Standard-SEO-Checkliste auf. Genau das ist der Typ Erkenntnis, für den man normalerweise einen spezialisierten Check bezahlt. Mit gezielten curl-Abfragen gegen die eigene Domain (siehe oben) lässt er sich aber in wenigen Minuten selbst finden.

Praktischer Test für dich — drei Wege, je nachdem, was dir liegt:

• Mac/Linux, Terminal-erfahren: curl -A "GPTBot/1.0" -o /dev/null -w "%{http_code}" https://deine-domain.de/ — einmal mit GPTBot/1.0, einmal mit ClaudeBot/1.0, einmal mit PerplexityBot/1.0.
• Windows, PowerShell: (Invoke-WebRequest -Uri "https://deine-domain.de/" -UserAgent "GPTBot/1.0" -UseBasicParsing).StatusCode — gleiches Prinzip, dieselben drei Bot-Namen durchtauschen.
• Keine Lust auf Kommandozeile? Ein kostenloses Online-Tool wie reqbin.com lässt dich eine Anfrage mit frei wählbarem User-Agent-Header abschicken, ganz ohne Installation. Oder noch einfacher: Frag deinen Hosting-Support oder Webentwickler, ob GPTBot/ClaudeBot/PerplexityBot in den Server-Logs mit Status 403 auftauchen — die Antwort kennt in der Regel jeder technische Ansprechpartner sofort.

Bekommst du bei einem der drei Bots 403 statt 200, lohnt sich ein Blick in die Sicherheitseinstellungen deines CDN/Hosting-Anbieters.

llms.txt: der Hype, der (noch) nicht hält, was er verspricht

Ein zweiter, populärer Tipp in der GEO-Szene: eine llms.txt-Datei anlegen — eine Art Sitemap speziell für KI-Modelle, die knapp zusammenfasst, worum es auf der Seite geht.

Wir haben das für zwei unserer Projekte umgesetzt. Ehrlich eingeordnet, nachdem wir die aktuelle Forschung dazu gelesen haben: llms.txt hat laut mehreren unabhängigen Untersuchungen bislang keinen nachweisbaren Effekt auf KI-Zitate. Ein Feldtest über mehr als 300.000 Websites und 90 Tage fand keine messbare Verbesserung. Google hat offiziell bestätigt, dass die Datei keinen Einfluss auf Search oder AI Overviews hat. Eine Meta-Analyse aus 54 Studien zu 23 verschiedenen Ranking-Faktoren stufte llms.txt als schwächsten aller gemessenen Faktoren ein — deutlich hinter Dingen wie technischer Erreichbarkeit oder dem klassischen Google-Ranking.

Die einzige bestätigte Ausnahme: Perplexity und Claude lesen die Datei nachweislich, und für Entwickler-Dokumentation (damit KI-Coding-Assistenten wie Cursor sich zurechtfinden) ist sie sinnvoll. Für eine normale Business-Website ist sie ein netter, kostenloser Nebeneffekt — kein Hauptprojekt.

Wir erwähnen das bewusst, weil es zeigt, wie schnell sich in der GEO-Szene unbelegte Empfehlungen verbreiten. Bevor du Zeit oder Geld in eine Maßnahme steckst, lohnt sich die Frage: Gibt es dazu tatsächlich Daten, oder nur eine überzeugend klingende Behauptung?

Was der Live-Test wirklich zeigt

Wir haben unsere eigenen Kundenfragen — die Art Frage, die unsere Zielgruppe (Coaches und Solopreneure, die KI-Automatisierung suchen) tatsächlich stellen würde — bei ChatGPT, Claude, Perplexity, Gemini und Grok gestellt.

Ergebnis für solonaut.ai: In den meisten Fällen wurden wir nicht genannt. Stattdessen tauchten andere deutschsprachige Anbieter aus der n8n- und GoHighLevel-Nische auf — teils mit YouTube-Kanal und einer Community im fünfstelligen Mitgliederbereich, teils mit direkter Listung im offiziellen Partnerverzeichnis des jeweiligen Tool-Anbieters.

Das war kein Einzelfall, sondern das Muster über alle eigenen Projekte hinweg: Die tatsächlich erfolgreichen Wettbewerber gewinnen selten durch technische SEO-Politur. Eine der stärksten Konkurrenz-Websites, die wir uns angesehen haben, hatte gar kein technisches Schema-Markup, keine FAQ-Sektion, kein Testimonial — und wurde trotzdem wiederholt empfohlen. Der Grund: über 20 Jahre aufgebaute Reputation. Ein anderer Wettbewerber betreibt fünf verschiedene, thematisch eng zugeschnittene Domains für dieselbe Praxis, dazu einen Lehrauftrag an einer Universität.

Die externe Forschung bestätigt dieses Bild mit Zahlen: Klassisches Google-Ranking ist laut der bereits erwähnten 54-Studien-Meta-Analyse der zweitstärkste bekannte Faktor dafür, ob eine Seite von einer KI zitiert wird — stärker als die meisten spezifischen GEO-Taktiken. Sichtbarkeit bei ChatGPT & Co. ist also keine getrennte Baustelle neben klassischem SEO, sondern hängt eng damit zusammen. Und: Reputationssignale (Presseerwähnungen, Verzeichniseinträge, echte Erwähnungen im Web) wiegen spürbar schwerer als weitere technische Feinarbeit an der eigenen Seite.

Warum fünf KI-Chatbots fünf verschiedene Antworten geben

Ein Detail, das uns beim Live-Test überrascht hat: Es gibt nicht „die eine“ KI-Sichtbarkeit. ChatGPT, Claude, Perplexity, Gemini und Grok kamen bei identischen Fragen zu spürbar unterschiedlichen Ergebnissen — mit teils komplett unterschiedlichen Wettbewerbern in der Antwort.

Der Grund liegt in der Technik dahinter. Manche Chatbots nutzen bei einer Frage eine klassische Live-Websuche (ähnlich wie eine Suchmaschine) und zitieren, was sie dort finden. Andere greifen zusätzlich auf spezialisierte Datenquellen zurück, etwa lokale Kartendienste bei standortbezogenen Fragen. Wieder andere beantworten manche Fragen komplett ohne Websuche aus ihrem trainierten Wissen — dann tauchen gar keine aktuellen, konkreten Namen auf, nur allgemeine Kategorien.

Praktisch bedeutet das: Ein einzelner Test bei einer einzelnen KI sagt wenig aus. Erst der Vergleich über mehrere Chatbots hinweg zeigt ein belastbares Bild — und macht sichtbar, welche Konkurrenten tatsächlich branchenweit stark sind (die, die bei mehreren Engines auftauchen) und welche nur zufällig bei einer einzelnen Anfrage genannt wurden.

Interessant war außerdem, wie stark sich die Qualität einer Anfrage auf das Ergebnis auswirkt: Eine präzise formulierte Frage, die tatsächliche Google-Suchbegriffe aus der Search Console aufgreift, lieferte spürbar bessere Treffer als eine locker formulierte Alltagsfrage. Auch das deckt sich mit dem Forschungsbefund von oben — die Nähe zum klassischen Google-Suchverhalten zahlt direkt auf die KI-Zitierfähigkeit ein.

Was die GEO-Forschung sonst noch zeigt

Über den Cloudflare-Fund und die llms.txt-Ernüchterung hinaus haben wir die aktuelle Forschung zu „Generative Engine Optimization“ (GEO) durchgearbeitet — internationale Stimmen wie Cyrus Shepard (dessen Meta-Analyse wir oben zitiert haben), Aleyda Solis oder Jason Barnard, dazu deutschsprachige Quellen wie Olaf Kopp (Aufgesang) und das SEO-Tool SISTRIX. Drei Konzepte davon sind direkt umsetzbar:

FAQ-Struktur. Laut einer Analyse gewichteter Zitat-Signale ist eine gut aufgebaute FAQ-Sektion mit klar formulierten Fragen und kurzen, in sich verständlichen Antworten der stärkste einzelne On-Page-Faktor — noch vor Ladezeit oder Meta-Angaben. Der Grund: KI-Systeme können solche Frage-Antwort-Blöcke besonders leicht als eigenständige Antwort extrahieren. (Diesen Artikel haben wir bewusst mit einer FAQ-Sektion am Ende versehen — dazu gleich mehr.)

„Share of Model“ statt „Share of Voice“. SISTRIX hat für die KI-Ära eine neue Kennzahl geprägt: den prozentualen Anteil der eigenen Marke an allen Nennungen zu einem Thema, gemessen über echte KI-Antworten hinweg — das KI-Pendant zum klassischen „Share of Voice“ in der Werbewirkungsforschung. Der Denkansatz dahinter lässt sich auch ohne das kommerzielle Tool übernehmen: regelmäßig dieselben Kundenfragen stellen und protokollieren, wie sich die eigene Nennungsquote im Vergleich zur Konkurrenz entwickelt.

Entity-First statt Page-First. Jason Barnard, der den Begriff „Answer Engine Optimization“ bereits 2018 geprägt hat, vertritt einen Perspektivwechsel: Statt einzelne Seiten zu optimieren, sollte man dafür sorgen, dass die eigene Marke oder Person als zusammenhängende „Entität“ über alle Kanäle hinweg konsistent erkennbar ist — Website, LinkedIn-Profil, Verzeichniseinträge, alle mit denselben Namens- und Beschreibungsangaben untereinander verknüpft. Das ist einer der Punkte, die wir nach diesem Check direkt nachgezogen haben: fehlende Verknüpfungen zwischen unserer Website und anderen offiziellen Profilen ergänzt.

Was für den bezahlten Rundum-Service trotzdem spricht

Fairerweise muss man dem eingangs erwähnten Angebot etwas zugutehalten, das wir mit Eigenregie nicht bekommen: eine Art Erfolgszusage und ein „ich muss mich überhaupt nicht darum kümmern“. Wenn jemand anderes dafür geradesteht, dass am Ende ein Ergebnis steht — und man selbst keine einzige Minute investieren muss —, hat das einen echten Wert, gerade wenn die eigene Zeit knapp ist.

Ob sich das lohnt, ist am Ende eine Rechenaufgabe. Der komplette Prozess in diesem Artikel — Crawler-Check, Live-Tests, Fixes, Recherche zu aktuellen Best Practices — hat uns über die ganze Session verteilt schätzungsweise 6 bis 8 Stunden gekostet. Setzt man das gegen die 3.000 € Einrichtungsgebühr, ergibt sich ein „ersparter“ Stundenlohn von grob 400 €. Das heißt nicht „immer selbst machen“: Wer für die eigene Zeit deutlich mehr als das verdient, oder wem die feste Erfolgszusage und das komplette Nicht-kümmern-Müssen wichtiger sind als der Preis, für den kann ein Rundum-Service die bessere Wahl sein. Aber bei diesem Stundensatz lohnt sich der Selbstversuch fast immer zuerst — und zwar selbst dann, wenn dabei nur die halbe Qualität einer spezialisierten Agentur herauskommt.

Lohnt sich eine automatisierte Überwachung?

Eine Frage, die sich aus alldem ergibt: Sollte man diesen Check nicht einfach laufend automatisieren, statt ihn einmalig von Hand zu machen — genau das, was das eingangs erwähnte monatliche Monitoring verspricht? Unsere ehrliche Einschätzung nach diesem Projekt: kommt drauf an, welchen Teil man meint.

Den technischen Crawler-Check automatisieren — ja, das lohnt sich, und zwar günstig. Ob GPTBot, ClaudeBot oder PerplexityBot plötzlich blockiert werden (wie bei unserem Cloudflare-Fund), kann sich durch ein Plugin-Update, einen CDN-Wechsel oder eine neue Sicherheitseinstellung jederzeit unbemerkt ändern. Ein einfacher n8n-Workflow, der wöchentlich die drei Abfragen von oben ausführt und nur bei einem Fehlercode eine Nachricht schickt, ist technisch überschaubar und würde genau diese Art Regression automatisch abfangen — genau das haben wir mittlerweile als fertige Vorlage gebaut: der Sichtbarkeits-Autopilot.

Das laufende „Share of Model“-Monitoring (viele Chatbots, viele Anfragen, über Zeit verglichen) dauerhaft automatisch nachbauen — für eine einzelne Website meist nicht. Technisch geht das (KI-APIs per n8n ansteuern, Antworten protokollieren), aber die zugrunde liegenden Signale — Reputation, Backlinks, Konkurrenzcontent — verändern sich über Wochen und Monate, nicht über Tage. Für ein einzelnes Projekt reicht ein Check im Quartalsrhythmus, kombiniert mit der eigenen Einschätzung, was die Ergebnisse bedeuten (wir haben uns dafür selbst einen Wiedervorlage-Termin für Ende August gesetzt). Genau an diesem Punkt — viele Websites, viele Anfragen, konsistente Auswertung über Zeit — ergibt ein spezialisierter, laufender Service dann tatsächlich Sinn: vor allem für alle, die mehrere Kundenprojekte gleichzeitig betreuen oder schlicht keine Lust haben, sich selbst darum zu kümmern.

Was wir konkret mitnehmen

Drei Learnings, die sich auf jedes eigene Projekt übertragen lassen:

1. Technische Erreichbarkeit zuerst prüfen, bevor man über Content nachdenkt. Ein blockierter Crawler macht den besten Artikel unsichtbar. Der Technik-Check von oben dauert unter einer Minute — mit oder ohne Terminal.
2. Nicht jeder GEO-Tipp ist belegt. Vor der Umsetzung lohnt sich ein kurzer Blick, ob es dazu tatsächlich Daten gibt (wie beim llms.txt-Beispiel) — sonst investiert man Zeit in Kosmetik.
3. Der größere Hebel liegt meist außerhalb der eigenen Website. FAQ-Schema und saubere Struktur helfen, aber echte, langfristige Sichtbarkeit entsteht durch Erwähnungen, Verzeichnisse und Reputation im offenen Web — genau dort, wo ein einmaliger technischer Check aufhört und laufende Arbeit anfängt.

Häufige Fragen zu KI-Sichtbarkeit (GEO)

Zum Weiterlesen

Der komplette Prozess oben — Crawler-Check, Live-Test-Auswertung, Recherche zu aktuellen Best Practices — lässt sich mit Claude Schritt für Schritt selbst durchführen, ganz ohne Agentur-Budget. Den wöchentlichen Crawler-Check aus diesem Artikel automatisiert als fertige n8n-Vorlage: der Sichtbarkeits-Autopilot — prüft GPTBot, ClaudeBot und PerplexityBot automatisch und meldet sich nur bei einem echten Problem. Wenn dich das Automatisierungsprinzip generell interessiert — kleine, fokussierte n8n-Workflows, die wiederkehrende manuelle Arbeit dauerhaft abnehmen —, findest du in unseren n8n-Vorlagen weitere fertige Beispiele (Kundenanfragen, Terminbuchung, Newsletter, Social-Media-Repurposing). Einmal bauen, dauerhaft Zeit sparen — einmalig kaufen, nicht im Abo.