ChatGPT empfiehlt Ihren Konkurrenten — nicht Sie. Warum?

Ein Rechtsanwalt aus Frankfurt — nennen wir ihn Dr. Müller, Fachanwalt für Arbeitsrecht, seit 2010 bei Google auf Seite 1 — tippt folgendes in ChatGPT: „Fachanwalt Arbeitsrecht Frankfurt empfehlen." Die Antwort nennt drei Kanzleien. Seine ist nicht dabei. Seine Mitbewerber sind kleiner, haben weniger Bewertungen, ranken bei Google schlechter. Trotzdem werden sie zitiert; er nicht.

Dieses Szenario beschreiben uns Kanzleien, Arztpraxen und Handwerksbetriebe seit Anfang 2026 in fast jedem Erstgespräch. Das Muster ist immer dasselbe: gutes Google-Ranking, null KI-Sichtbarkeit. Und die Ursache ist fast immer einer von vier technischen Punkten, die sich beheben lassen.

Was ChatGPT bei lokalen Suchen wirklich macht

900 Millionen Menschen nutzen ChatGPT jede Woche (OpenAI, Februar 2026). Davon stellt ein wachsender Anteil lokale Empfehlungsfragen: Welcher Steuerberater in Wiesbaden, welcher Zahnarzt in Offenbach, welche Werbeagentur im Rhein-Main-Gebiet. ChatGPT beantwortet diese Fragen nicht mit einer Linkliste, sondern mit einer Empfehlung samt Begründung.

Was dabei im Hintergrund passiert: ChatGPT bricht die Anfrage in mehrere Teilfragen auf, sucht über das Web und wählt Quellen nach Faktendichte, Entitäten und strukturierten Daten aus — nicht nach Google-Ranking. Das bedeutet, ein Unternehmen auf Google-Position 8 kann in ChatGPT als erstes genannt werden, wenn seine Website die richtigen maschinenlesbaren Signale liefert. Und umgekehrt: Platz 1 bei Google schützt nicht davor, in KI-Antworten zu fehlen.

ChatGPT rankt nicht nach Google-Position. Es wählt Quellen nach Faktendichte, Entitäten und strukturierten Daten. Seite 1 bei Google ist kein Schutz gegen KI-Unsichtbarkeit.

Vier Gründe, warum Ihr Unternehmen fehlt

Kein llms.txt — ChatGPT findet keine Struktur

llms.txt ist eine Textdatei im Stammverzeichnis Ihrer Website, vergleichbar mit robots.txt, aber für KI-Systeme. Sie enthält Ihren Unternehmensnamen, Ihre Leistungen, Standorte und Links zu den wichtigsten Seiten in maschinenlesbarem Format. GPTBot und PerplexityBot lesen sie priorisiert, bevor sie den Rest der Seite analysieren. Ohne diese Datei muss ChatGPT aus Cookie-Bannern, Navigationsmenüs und Werbeblöcken herausfiltern, was Ihr Unternehmen tatsächlich macht. Dabei entstehen Fehler und Lücken, die direkt dazu führen, dass Sie nicht genannt werden.

Fehlendes Schema-Markup — keine maschinenlesbare Identität

Schema.org-Markup in JSON-LD teilt ChatGPT und Perplexity mit, wer Sie sind, was Sie anbieten und wen Sie bedienen. Eine Frankfurter Kanzlei mit korrektem LocalBusiness-Schema und Service-Schema ist für KI-Systeme eindeutig identifizierbar; eine ohne Schema ist es nicht. Die Princeton GEO Study (KDD 2024) hat gemessen, dass Schema-Markup die Zitierungsrate um 30 bis 40 Prozent steigert. Das ist kein marginaler Unterschied; das ist der Abstand zwischen sichtbar und unsichtbar in KI-Antworten.

Content ohne Faktendichte — kein zitierbarer Antwortblock

ChatGPT extrahiert Passagen, keine ganzen Seiten. Jeder Abschnitt Ihres Textes muss als eigenständige Antwort funktionieren: ein Fakt, eine Zahl, eine klare Aussage in 40 bis 60 Wörtern. „Wir bieten maßgeschneiderte Lösungen" liefert keinen zitierbaren Antwortblock; „Seit 2008 haben wir 400+ Websites für Kanzleien und Arztpraxen im Rhein-Main-Gebiet entwickelt" schon. Generischer Werbetext schützt Sie nicht nur nicht — er verschlechtert aktiv Ihre Position, weil er die Faktendichte des Dokuments senkt.

Schwache externe Signale — NAP-Inkonsistenz, kein GBP

KI-Systeme bewerten Ihre Glaubwürdigkeit auch über externe Quellen: Google Business Profile, Branchenverzeichnisse, lokale Medien. Wenn Ihr Unternehmensname auf der Website „Müller Rechtsanwälte" heißt, im GBP „RA Dr. Müller & Kollegen" und in einem Verzeichnis „Kanzlei Müller Frankfurt", verliert ChatGPT das Vertrauen in die Quelle. NAP-Konsistenz — Name, Adresse, Telefon identisch auf allen Plattformen — ist kein netter Zusatz, sondern Grundlage dafür, dass KI-Systeme Sie überhaupt in Betracht ziehen.

Was Sie jetzt konkret tun können

1. llms.txt einrichten. Erstellen Sie eine strukturierte Markdown-Datei unter Ihrer Domain-Root. Minimal-Inhalt: Unternehmensname, Kurzbeschreibung in zwei Sätzen, Leistungsliste, Standorte, Links zu den wichtigsten Seiten. Umsetzungszeit: 2 bis 4 Stunden, einmalig.

2. Schema-Markup ergänzen. LocalBusiness, Service und FAQPage auf allen relevanten Seiten. Das sind drei JSON-LD-Blöcke; ein Entwickler setzt sie in zwei Stunden auf. Wer das selbst machen will, findet das vollständige Format auf schema.org — wichtig ist nur, dass die Angaben mit llms.txt und GBP übereinstimmen.

3. Die drei wichtigsten Seiten auf Faktendichte prüfen. Startseite, Hauptleistungsseite und Kontaktseite. Jeder Absatz bekommt eine Frage: Enthält dieser Text eine verifiable Zahl, eine Ortsangabe oder eine Branchenbezeichnung? Wenn nein, umschreiben. Ziel sind selbstständig stehende Antwortblöcke, nicht Werbetext.

4. NAP-Konsistenz herstellen. Einmal alle Plattformen durchgehen: eigene Website, Google Business Profile, Gelbe Seiten, Yelp, branchenspezifische Verzeichnisse. Abweichungen korrigieren, auch kleine. Der Aufwand ist einmalig; der Effekt ist dauerhaft.

Diese vier Schritte greifen ineinander. llms.txt ohne Schema-Markup bringt weniger als beides zusammen. Schema ohne faktendichten Content bleibt Signal ohne Substanz. Wer alle vier Punkte umsetzt, schafft die Grundlage, auf der KI-Systeme eine zuverlässige, reproduzierbare Empfehlung aufbauen können. Kanzlei Hofmann in Frankfurt hat gezeigt, dass das in 6 Wochen messbar wird — von 0 auf erste ChatGPT-Zitierungen, von 15 auf 90+ organische Klicks pro Monat. → Zur Fallstudie

Was die meisten KMU überrascht: Der Aufwand für alle vier Maßnahmen zusammen liegt bei 4 bis 8 Stunden. Das sind keine monatelangen Projekte. Das sind zwei Arbeitstage, nach denen GPTBot und PerplexityBot Ihre Seite anders lesen.