Auf keiner der geprüften Startseiten ist ein echtes FAQPage-Schema in JSON-LD vorhanden. Nur bei 22,3 % ist überhaupt ein FAQ-Inhalt erkennbar.

Sell with Marketing hat die Startseiten von 112 unabhängigen deutschen Fertigungsunternehmen live untersucht (von 120 geprüften Unternehmen insgesamt). Methode: automatisiertes Audit, ehrlich identifiziert, öffentlich nachvollziehbar. Kein Datenpunkt in dieser Studie ist geschätzt oder interpoliert. Was nicht live gemessen werden konnte, ist explizit als nicht verifizierbar gekennzeichnet.

Die Disziplin, die diese Vorbereitung misst, heißt AEO, Answer Engine Optimization: Optimierung für KI-Antwortmaschinen. Sie ersetzt SEO nicht, beantwortet aber eine andere Frage. Ist eine Website so geschrieben und strukturiert, dass ein KI-Modell sie lesen, als verlässliche Quelle behandeln und für eine direkte Antwort nutzen kann?

Kernergebnisse auf einen Blick

  • 120 unabhängige deutsche Fertigungsunternehmen wurden geprüft. 112 lieferten eine funktionierende Startseite (HTTP 200, der Statuscode für "erfolgreich abgerufen") und bilden die Basis für fast jede Prozentangabe in dieser Studie.
  • 0 von 112 Startseiten (0,0 %) enthalten ein echtes FAQPage-Schema in JSON-LD (ein maschinenlesbares Datenformat, mit dem eine Website Inhalte explizit als Frage-Antwort-Paare auszeichnet).
  • 22,3 % (25 von 112) zeigen FAQ-ähnlichen Inhalt, erkennbar an Überschrift oder Linktext. Das ist ein für Menschen sichtbares Signal, aber keines, das eine KI zuverlässig in einzelne Frage-Antwort-Paare zerlegen kann.
  • 50,9 % (57 von 112) verfügen über mindestens eine Form strukturierter Daten (maschinenlesbare Zusatzinformationen im Seitencode) auf der Startseite, überwiegend generisch.
  • 8,9 % (10 von 112) verfügen über eine echte, verifizierte llms.txt-Datei (eine noch junge, freiwillige Konvention, mit der eine Website sich direkt an KI-Systeme richtet).
  • 9,8 % (11 von 112) verfügen auf der Startseite über keines der vier gemessenen Kernsignale: llms.txt, strukturierte Daten, FAQ-Inhalt und Meta-Description, also den kurzen Beschreibungstext im Seitencode.
  • 1 von 111 geprüften Websites (0,9 %) blockiert einen der Crawler, die Live-Antworten generieren (PerplexityBot).
  • Gemessen wurden die Signale, die ein KI-Modell benötigt, um ein Unternehmen zitieren zu können. Ob eine Marke tatsächlich in einer ChatGPT- oder Perplexity-Antwort erscheint, ist eine andere Frage. Ob das geschieht, ist weder festgelegt noch vorhersehbar: Es ändert sich mit jeder Anfrage und war nicht Teil dieser Untersuchung.
  • Einzelergebnisse zu einzelnen Unternehmen werden nicht herausgegeben.

Methode

Dieser Abschnitt beschreibt die Methode im technischen Detail, das für eine Verifikation notwendig ist. Wer gleich zu den Ergebnissen möchte, kann direkt zum ersten Befund springen.

Die Prüfung folgte unserer eigenen Methodik Argos v1.1 (Modul 05, AEO), umgesetzt als automatisiertes Audit-Skript in Python.

Messumfang: ausschließlich die Startseite jedes Unternehmens, und ausschließlich JSON-LD. Microdata und RDFa wurden nicht ausgewertet. Ein FAQPage-Schema auf einer Unterseite (etwa /faq oder /service) konnte diese Messung nicht erfassen. Aus dem gleichen Grund sind Angaben zu produktspezifischen Schema-Typen wie Product nicht aussagekräftig: Dieser Typ wird, wenn überhaupt, auf Produktseiten eingesetzt, nicht auf der Startseite.

Stichprobe: 120 unabhängige deutsche Fertigungsunternehmen aus mehreren Teilbranchen (Verpackungsmaschinenbau, allgemeiner Maschinenbau, Automatisierungstechnik und weitere). Für jedes Unternehmen liegt ein dokumentierter Eigentümernachweis vor (öffentlich verfügbare Belege wie Gründungsjahr, Generationenfolge oder Handelsregister). 116 von 120 (96,7 %) befinden sich nachweislich in Familienbesitz oder werden in mehrgenerationaler Folge geführt. Die Kandidatenliste entstand durch gezielte Web- und KI-gestützte Recherche; anschließend wurde jedes Unternehmen gegen diesen Eigentümernachweis geprüft. Das ist kein reproduzierbares Zufalls-Stichprobenverfahren, sondern eine gezielt zusammengestellte Liste. Eine methodische Einschränkung: Eine so aufgebaute Liste findet eher Unternehmen mit bereits auffindbarer Web-Präsenz. Das würde die gemessenen Werte eher nach oben verzerren, nicht nach unten.

Messzeitpunkt: 24. August 2026. Momentaufnahme. Websites ändern sich. Eine erneute Prüfung in einigen Monaten könnte andere Werte ergeben.

Identifikation: Jede Anfrage identifizierte unseren Crawler ehrlich als SWM-ARGOS-Research-Bot/1.0, mit sichtbarer Kontaktadresse im User-Agent. Kein anderer Bot, kein Browser wurde imitiert. Die robots.txt-Disallow-Regeln jeder Website wurden respektiert, auch wenn dadurch eine Messung entfiel. Nicht ausgewertet wurden Wildcard-Muster in Disallow-Pfaden sowie das Zusammenspiel mit expliziten Allow-Regeln; die Auswertung folgt der Standardlogik von Pythons urllib.robotparser.

Drosselung: maximal 5 gleichzeitige Domains, zufällige Pause von 2 bis 3 Sekunden zwischen Anfragen an dieselbe Domain.

Gemessene Signale:

  • robots.txt: deklarierte Regeln für 13 KI-User-Agents, unterteilt in zwei Familien: Live-Antwort-Crawler (OAI-SearchBot, ChatGPT-User, Claude-User, Claude-SearchBot, PerplexityBot, Perplexity-User) und Trainings-Crawler (GPTBot, ClaudeBot, Google-Extended, Applebot-Extended, CCBot, meta-externalagent, Bytespider).
  • llms.txt: echte Existenz verifiziert (HTTP 200 mit Content-Type: text/plain oder text/markdown).
  • sitemap.xml: Existenz verifiziert.
  • Strukturierte Daten: jeder JSON-LD-Block der Startseite rekursiv ausgelesen.
  • FAQ-Struktur, zwei Konfidenzstufen: (a) echtes FAQPage-Markup in JSON-LD, und (b) schwächere Heuristik: Text wie "Häufig gestellte Fragen", "FAQ" oder "Fragen und Antworten" in Überschrift oder Link.
  • Meta-Description: vorhanden und Länge.
  • H1/H2-Überschriften: gezählt im Roh-HTML.

Grenze jedes Signals: Gemessen wurde der vom Server ausgelieferte Code (HTML), derselbe Code, den die meisten KI-Antwortmaschinen lesen, da die Mehrheit kein JavaScript ausführt. Eine als Single-Page-Application gebaute Website kann einem menschlichen Besucher mehr zeigen als einem KI-Modell. Diese Lücke ist kein Messfehler, sondern genau die Einschränkung, die eine Antwortmaschine beim Lesen dieser Website hat.

Basis der Prozentangaben: Von 120 geprüften Unternehmen lieferten 112 eine funktionierende Startseite (HTTP 200). Das ist die Basis für fast jede Zahl in dieser Studie. 8 Unternehmen sind ausgeschlossen: 3 durch Verbindungsfehler, 5 mit HTTP-Fehlercode (je einmal 500, 404, 401, 429, 403). Kein einzelnes Unternehmen wird neben einem Fehlercode genannt, den unser eigener Prüfverkehr mitverursacht haben könnte. Die vollständige Liste der 120 geprüften Domains steht für Reproduktion und Verifikation auf Anfrage unter hello@sellwithmarketing.com zur Verfügung. Von den 112 Unternehmen mit funktionierender Startseite hatten 111 eine lesbare robots.txt. Keine der 111 blockierte unseren eigenen Crawler. Bei einem Unternehmen scheiterte die robots.txt-Anfrage unabhängig vom Status der Startseite. Deshalb hat die Crawler-Auswertung im nächsten Abschnitt eine Basis von 111.

Blockieren deutsche Fertigungsunternehmen die KI-Crawler?

Ergebnis: Keine der 111 Websites mit lesbarer robots.txt blockiert sämtliche Live-Antwort-Crawler. Eine Website (0,9 % von 111) blockiert PerplexityBot. Ob das eine bewusste Entscheidung war, wurde nicht untersucht. Das Unternehmen wurde nicht befragt.

Bei Trainings-Crawlern: 1,8 % (2 von 111) blockieren GPTBot und ClaudeBot, 0,9 % (1 von 111) blockiert Applebot-Extended, 0,9 % (1 von 111) blockiert CCBot, 0,9 % (1 von 111) blockiert meta-externalagent, 1,8 % (2 von 111) blockieren Bytespider. Google-Extended, Perplexity-User, OAI-SearchBot, ChatGPT-User, Claude-User und Claude-SearchBot werden von keiner der 111 Websites blockiert. Trainings-Crawler sind nicht die Crawler, die Live-Antworten erzeugen. Diese Studie hat ausschließlich Letztere als Zitationsweg betrachtet.

Methodischer Hinweis: Dieser Test misst, was robots.txt deklariert, nicht, ob eine Firewall oder ein CDN (ein Netzwerk aus Servern, das eine Website ausliefert und teils auch filtert) darunter blockiert. Unser eigener Crawler wurde durchgehend ehrlich identifiziert. Kein realer Bot wurde zur Prüfung von Infrastruktur-Blockaden imitiert.

Wie viele Startseiten haben ein echtes FAQPage-Schema?

0 von 112 Startseiten (0,0 %) enthalten ein echtes FAQPage-Schema, das einzige Format, das Frage-Antwort-Paare in JSON-LD explizit auszeichnet. 22,3 % (25 von 112) zeigen FAQ-ähnlichen Inhalt, den das Skript nur über Überschrift oder Linktext erkennen konnte. Das ist ein für Menschen sichtbares Signal, kein Signal, das eine Maschine mit derselben Zuverlässigkeit auswerten kann. 77,7 % der Stichprobe zeigen auf der Startseite keines von beidem. Dieser Befund beschreibt die Startseite, nicht die gesamte Website: Viele Unternehmen führen FAQ-Inhalte, wenn überhaupt, auf einer eigenen Unterseite.

Welche strukturierten Daten sind auf den Startseiten vorhanden?

50,9 % (57 von 112) verfügen über mindestens eine Form strukturierter Daten auf der Startseite. Am häufigsten sind die generischen Typen WebSite, Organization, BreadcrumbList, ListItem und WebPage. Im Einzelnen:

  • WebSite (generischer Marker "dies ist eine Website"): 34 von 112
  • Organization (Basis-Firmenname und Logo): 27 von 112
  • BreadcrumbList (Navigationspfad): 27 von 112
  • ListItem (Bestandteil von BreadcrumbList): 27 von 112
  • WebPage (generischer Marker "dies ist eine Seite"): 26 von 112

Von 30 unterschiedlichen gefundenen Schema-Typen kommen Product, HowTo und FAQPage auf der Startseite jeweils bei 0 von 112 Unternehmen vor. Diese Typen werden, wenn ein Unternehmen sie einsetzt, typischerweise auf Produkt- oder FAQ-Unterseiten platziert, nicht auf der Startseite. Ihre Abwesenheit auf der Startseite ist daher erwartbar und kein eigenständiger Befund über die gesamte Website.

Wie viele Startseiten zeigen keines der vier Kernsignale?

9,8 % (11 von 112) verfügen auf der Startseite über keines der vier gemessenen Kernsignale (echte llms.txt, strukturierte Daten, FAQ-Inhalt jeder Art, Meta-Description). Elf Fertigungsunternehmen mit realer Produktionskapazität liefern auf ihrer Startseite derzeit nichts Verifizierbares, das ein KI-Modell über sie sagen könnte.

Wie verbreitet ist Grundhygiene wie Meta-Description und H1?

84,8 % (95 von 112) verfügen über eine Meta-Description, 75,9 % (85 von 112) über eine klare H1-Überschrift auf der Startseite.

Wie viele haben bereits eine llms.txt-Datei?

8,9 % (10 von 112) verfügen über eine echte, verifizierte /llms.txt-Datei. Weder OpenAI noch Anthropic noch Google haben öffentlich bestätigt, diese Datei systematisch auszuwerten. Der Implementierungsaufwand ist gering; der Wert liegt derzeit in der Option, nicht in der Gewissheit.

Fazit

Der Zugang ist in dieser Stichprobe fast durchgehend offen. Der begrenzende Faktor liegt woanders. Selbst wo die Tür offen steht, liefert die Mehrheit dieser Startseiten einem KI-Modell fast nichts, das es zitieren könnte. Echtes, maschinenlesbares FAQPage-Schema liegt auf der Startseite bei 0,0 %. Fast acht von zehn Unternehmen zeigen dort keinerlei erkennbaren FAQ-Inhalt. Reale Fertigungskapazität trifft in den meisten Fällen auf keine digitale Struktur auf der Startseite, die diese Kapazität in etwas Zitierbares übersetzt.

Methode, Messzeitpunkt und die vollständige Domainliste sind auf Anfrage verfügbar. Die Studie ist reproduzierbar.

Die Methodik Argos v1.1 haben wir selbst gebaut, Modul für Modul, Skript für Skript, und diese Prüfung damit durchgeführt. Wir bleiben nicht bei der Diagnose. Wir bauen die Struktur, die ein KI-Modell braucht, um eine Website als verlässliche Quelle zu behandeln. Wenn ein Einkäufer dann ChatGPT, Perplexity oder Google fragt, wer das herstellt, was er sucht, ist etwas Zitierbares vorhanden.

Schreiben Sie an hello@sellwithmarketing.com. Die Nachricht erreicht Manuel García, Gründer von Sell with Marketing, direkt.