// Ausgangslage
Eine App im Auto, die in KI-Antworten kaum vorkommt
Ein Premium-Automobilhersteller bietet eine werkseigene Fahrtenbuch-App an. Sie ist ein digitales Zusatzprodukt, das direkt im Fahrzeug läuft. Gedacht ist sie für Menschen, die dem Finanzamt ein ordnungsgemäßes Fahrtenbuch vorlegen müssen, etwa Dienstwagenfahrer, Selbstständige oder Geschäftsführer.
Viele dieser Nutzer suchen ihre Lösung inzwischen über ChatGPT, Gemini oder Perplexity, oder sie lesen die Google AI Overviews über den Suchergebnissen. Was die KI dort nennt, kommt in die engere Auswahl. Der Hersteller wollte wissen, ob seine App in diesen Antworten auftaucht und an welcher Stelle sie verloren geht.
// Fragestellung
Wen empfiehlt die KI?
„Empfiehlt eine KI die werkseigene Fahrtenbuch-App, wenn ein Fahrer nach einem Fahrtenbuch fragt, oder schickt sie ihn zu Drittanbietern?“
Mit ein paar Stichproben lässt sich diese Frage kaum beantworten. KI-Antworten schwanken von Anfrage zu Anfrage und unterscheiden sich je nach Kanal deutlich. Wir haben deshalb eine Messung aufgesetzt, die sich jederzeit mit derselben Methode wiederholen lässt.
// Vorgehen
GEO-Analyse mit unserer AI-Visibility-Engine Kraaw
Grundlage war eine GEO-Analyse (Generative Engine Optimization) mit Kraaw, unserer eigenen AI-Visibility-Engine. Wir haben 45 Prompts formuliert, wie echte Nutzer sie stellen, und sie in drei Gruppen eingeteilt.
Markenfragen
Der Nutzer kennt den Hersteller bereits und fragt gezielt nach dessen Fahrtenbuch-Lösung.
Generische Kauffragen
Der Nutzer sucht eine gute Fahrtenbuch-App und hat noch keinen bestimmten Anbieter im Kopf.
Steuerliche Fragen
Der Nutzer will wissen, wie er ein Fahrtenbuch führt, das vom Finanzamt anerkannt wird.
Jeder Prompt lief über vier KI-Kanäle: ChatGPT, Gemini, Google AI Overviews und Perplexity. Jede Messung haben wir zweimal durchgeführt, weil Sprachmodelle auf dieselbe Frage nicht immer gleich antworten. Daraus ergaben sich 360 automatisierte Messpunkte.
Das Projekt lief über mehrere Report-Versionen. Auf den Pilot im Juni 2026 folgten Version 4 im Juli und Version 5 im September 2026. Mit jeder Version haben wir die Messbasis verbreitert, damit die Aussagen belastbarer werden.
Wie Ihre eigene Marke in KI-Antworten dasteht, können Sie mit unserem kostenlosen LLM Visibility Check in wenigen Minuten grob einschätzen.
// Befund
Präsent bei Markenfragen, schwach bei der Steuerfrage
Bei Markenfragen ist die App fast immer sichtbar. Wer den Hersteller schon im Kopf hat, bekommt von der KI in der Regel auch dessen Fahrtenbuch genannt.
Bei generischen Kauffragen empfehlen die KIs dagegen überwiegend Drittanbieter, und bei steuerlich getriebenen Fragen ist dieses Muster noch deutlicher. Das wiegt schwer. Die Steuerfrage ist genau der Moment, in dem jemand beginnt, ein Fahrtenbuch zu führen. Wer an dieser Stelle eine andere App empfohlen bekommt, installiert in aller Regel diese.
Der Inhalt für bessere Antworten lag bereits auf der Produktseite. Er war allerdings so aufgebaut und ausgezeichnet, dass Google und die KI-Systeme ihn nicht als Antwort auf diese Fragen erkannt haben.
// Maßnahmen
Priorisiert im AI Visibility Manual
Technische Sichtbarkeit
Suchmaschinen und KI-Crawler müssen die Produktseite vollständig lesen und richtig einordnen können. Dazu gehören ein sauberer Seitenaufbau und strukturierte Daten, die das Produkt eindeutig beschreiben.
Antwortlücke schließen
Die vorhandenen Inhalte werden so umgebaut, dass sie die Fragen der Nutzer direkt beantworten. Das betrifft vor allem die steuerlichen Fragen, bei denen die App bisher kaum genannt wurde.
Zitierte Quellen besetzen
KI-Systeme stützen ihre Antworten auf Quellen, die sie für glaubwürdig halten. Ziel ist, dass das Produkt in genau diesen Quellen mit korrekten Informationen vorkommt.
Für jede Maßnahme gibt es ein eigenes Testverfahren. Ein Re-Test-Protokoll, laufendes Monitoring und ein Continuous-Improvement-Loop sorgen dafür, dass Fortschritte mit derselben Methode gemessen werden wie der Ausgangszustand.
// Ergebnis
Das hat der Hersteller in der Hand
Status-quo-Report
Die Messung über alle Prompts und KI-Kanäle, ausgewertet nach Fragegruppen.
Umsetzungs-Doc
Fertige Texte für Title, Meta-Description, FAQ und Antwortblöcke, die das Team direkt übernehmen kann.
UX/UI und Technik
Vorgaben zum Seitenaufbau sowie technische Snippets für die strukturierten Daten.
AI Visibility Manual
Die Maßnahmen P0 bis P2 mit Testverfahren, Re-Test-Protokoll und Monitoring.
Roadmap und QA
Eine Rollout-Roadmap für die Reihenfolge der Umsetzung und eine QA-Checkliste für die Prüfung vor dem Livegang.
Governance
Regeln für Zuständigkeiten und Freigaben, damit die Maßnahmen auch nach dem Projekt gepflegt werden.
Die App selbst haben wir nicht verändert. Alle Maßnahmen setzen an der Produktseite und an den Quellen an, aus denen KI-Systeme ihre Antworten beziehen.
// Ähnliches Projekt?
Wie oft empfiehlt die KI Ihr Produkt?
Wir messen die KI-Sichtbarkeit Ihrer Marke mit derselben Methode und liefern die priorisierten Maßnahmen gleich mit.