Wie KI-Assistenten Ihre Lieferanten auswählen: ChatGPT, Claude, Perplexity und der Mittelstand

ChatGPT, Claude und Perplexity wählen Lieferanten nicht aus, indem sie eine Landingpage bewundern oder eine Imagebroschüre lesen – sie destillieren ihre Antwort aus Inhalten, die klar strukturiert, mit eindeutigen Entitäten versehen und durch überprüfbare Zahlen belegt sind. Ein Zulieferer, der in diesen Inhalten nicht mit Namen, technischem Datenblatt und nachvollziehbarer Kennzahl auftaucht, wird von der KI schlicht nicht genannt – unabhängig davon, wie leistungsfähig seine Maschinen oder wie erfahren sein Vertriebsteam tatsächlich sind. Für den deutschen Maschinenbau, der laut VDMA 2024 auf rund 254.400 Millionen Euro Umsatz und rund 1,02 Millionen Beschäftigte kommt, entscheidet sich ein wachsender Teil der Lieferantenauswahl damit nicht mehr auf der Messe oder in der Fachzeitschrift, sondern in einem Chatfenster, das der Einkäufer öffnet, bevor er überhaupt eine E-Mail an den Vertrieb schreibt.

Warum fragt der Einkäufer heute zuerst die KI und nicht Ihren Vertrieb?

Der klassische Vertriebszyklus im Maschinen- und Anlagenbau war lang, aber nachvollziehbar: Bedarfsanalyse, Anfrage, Angebotsvergleich, Werksbesuch, Verhandlung. Nach einer Erhebung von 6sense dauert der B2B-Kaufzyklus 2025 im Schnitt 10,1 Monate – genug Zeit, damit sich ein Einkäufer heute an mehreren Punkten dieser Strecke zuerst an eine KI wendet statt an einen Menschen. Bereits 81 Prozent der B2B-Käufer haben laut 6sense (2024) einen bevorzugten Anbieter im Kopf, bevor sie überhaupt mit dessen Vertrieb sprechen. Und laut 6sense (2025) nutzen inzwischen 94 Prozent der B2B-Käufer KI-Sprachmodelle irgendwann im Beschaffungsprozess – nicht als Spielerei, sondern als ersten Recherche-Schritt, der früher einer Google-Suche oder einem Anruf beim Kollegen aus dem Netzwerk vorbehalten war.

Gartner bestätigt diesen Trend aus einer anderen Richtung: Im März 2026 berichtete das Analystenhaus, dass 67 Prozent der Käufer eine Erfahrung ganz ohne Vertriebskontakt bevorzugen und 45 Prozent bei ihrem letzten Einkauf tatsächlich KI eingesetzt haben. Für einen Vertriebsleiter im Mittelstand bedeutet das: Ein Teil der Entscheidung fällt, bevor das eigene CRM überhaupt einen Lead-Datensatz anlegt. Wenn die KI in dieser Phase Ihren Namen nicht kennt, verlieren Sie nicht ein Angebot – Sie verlieren die Einladung, überhaupt eines abzugeben.

Wie unterscheidet sich KI-Sichtbarkeit von einem guten Google-Ranking?

Klassisches SEO optimiert für einen Algorithmus, der eine Liste blauer Links sortiert – der Nutzer klickt sich selbst durch, vergleicht Snippets und entscheidet. Ein KI-Assistent tut etwas grundlegend anderes: Er liest, was im Netz über ein Thema, eine Produktkategorie oder einen Anbieter existiert, verdichtet es zu einer einzigen Antwort und nennt darin – wenn überhaupt – nur wenige Namen. Es gibt keine zehn blauen Links mehr, zwischen denen Ihr Unternehmen auf Position vier noch eine Chance hat. Es gibt eine Antwort, und Sie kommen darin vor oder nicht.

Was ein Sprachmodell aus einem Text herausziehen kann, unterscheidet sich deutlich von dem, was für ein klassisches Ranking zählte. Keyword-Dichte, Meta-Descriptions und Backlink-Profile allein reichen nicht mehr aus. Entscheidend ist, ob ein Inhalt in klar benannten Entitäten spricht: Firmenname, Standort, konkrete Produktkategorie, Werkstoff, Toleranzbereich, Zertifizierung, Referenzbranche. Ein Text, der von „innovativen Lösungen für anspruchsvolle Kunden" spricht, liefert dem Sprachmodell nichts, was es zitieren könnte. Ein Text, der eine Fräsmaschine mit Wiederholgenauigkeit in Mikrometern, Spindeldrehzahl und Einsatzbereich in der Automobilzulieferung beschreibt, liefert genau die Bausteine, aus denen eine KI-Antwort entsteht. Strukturierte Daten – etwa Schema-Markup für Organisation, Produkt und FAQ – machen diese Entitäten zusätzlich maschinenlesbar und erleichtern es der KI, Fakten korrekt zuzuordnen, statt sie zu erraten.

Für einen Vertriebsleiter, der sein Marketing bisher an klassischen SEO-Kennzahlen wie Sitzungen, Klickrate oder Position im Ranking gemessen hat, bedeutet das einen echten Perspektivwechsel: Die relevante Frage ist nicht mehr nur „Wie oft wird meine Seite gefunden?", sondern „Wie oft wird mein Unternehmen in der Antwort selbst genannt, zitiert oder empfohlen?". Diese zweite Frage lässt sich nicht mit einem Google-Analytics-Dashboard beantworten, sondern nur durch direktes Beobachten der KI-Antworten – ein Aufwand, der sich angesichts der oben genannten Zahlen zum B2B-Kaufverhalten inzwischen lohnt.

Wie prüft man, ob die eigene Marke in ChatGPT, Claude und Perplexity überhaupt vorkommt?

Der pragmatischste Einstieg braucht keine Software, sondern eine Stunde Zeit und die Fragen, die ein Einkäufer stellen würde. Formulieren Sie fünf bis zehn Testfragen so, wie ein Ingenieur oder Einkaufsleiter sie eingeben würde – nicht „Wer ist [Ihr Unternehmen]?", sondern etwa „Welche Zulieferer für CNC-Zerspanung in Hessen gelten als zuverlässig?" oder „Welche Anbieter für Sondermaschinenbau in der Verpackungsindustrie kennst du?". Stellen Sie dieselben Fragen nacheinander in ChatGPT, Claude, Perplexity, Gemini und Copilot und protokollieren Sie drei Dinge: Wird Ihr Unternehmen überhaupt genannt? An welcher Stelle der Antwort und mit welcher Begründung? Welche Wettbewerber erscheinen stattdessen, und woher – erkennbar an Formulierung oder Verlinkung – stammt offenbar die Information?

Aus diesem Protokoll ergibt sich eine einfache Kennzahl, die sich in der Praxis als Share of Voice in KI-Antworten etabliert hat: der Anteil der Testfragen, bei denen Ihr Name auftaucht, im Verhältnis zur Häufigkeit, mit der die drei bis fünf wichtigsten Wettbewerber genannt werden. Wichtig ist die Wiederholung: KI-Antworten ändern sich mit neuen Trainingsständen und, bei Perplexity und den websuchfähigen Modi von ChatGPT, mit jeder Aktualisierung des durchsuchten Webs. Ein einmaliger Test zeigt eine Momentaufnahme; ein quartalsweise wiederholter Test zeigt, ob Ihre Inhalte tatsächlich Wirkung entfalten oder ob ein Wettbewerber gerade an Boden gewinnt.

Was bedeutet diese Entwicklung konkret für den deutschen Maschinenbau?

Der Maschinenbau ist keine Randbranche, die sich eine Verzögerung bei diesem Thema leisten kann. Das verarbeitende Gewerbe erwirtschaftet laut Destatis (Januar 2026) 19,9 Prozent der Bruttowertschöpfung in Deutschland – deutlich mehr als der EU-Durchschnitt von 15,9 Prozent. Rund 5,5 Millionen Menschen arbeiten laut Destatis (April 2025) in Betrieben des verarbeitenden Gewerbes mit mindestens 50 Beschäftigten, wobei die Beschäftigung gegenüber dem Vorjahr bereits um 1,2 Prozent zurückgegangen ist. Eine Branche dieser Größenordnung, die zugleich unter Kostendruck steht, kann es sich nicht leisten, bei der Lieferantenauswahl der eigenen Kunden unsichtbar zu werden.

Gerade weil der deutsche Mittelstand traditionell in Produktqualität, Ingenieurskunst und persönliche Kundenbeziehungen investiert hat und weniger in digitale Inhalte, entsteht hier eine ungewöhnliche Ausgangslage: Viele technische Anbieter präsentieren ihre Kompetenz noch immer primär in PDF-Datenblättern, Messeprospekten und persönlichen Gesprächen – Formate, aus denen ein Sprachmodell nur schwer zitierfähige Fakten extrahieren kann. Wer stattdessen früh in strukturierte, entitätsreiche Webinhalte investiert, konkurriert in einem Umfeld, in dem viele Wettbewerber diesen Schritt noch nicht gegangen sind. Das ist kein Zustand, der bestehen bleibt – aber er besteht heute, im Jahr 2026, noch.

Wie korrigiert man fehlende KI-Sichtbarkeit – was gehört zu einer GEO/AEO-Strategie?

Generative Engine Optimization (GEO) und Answer Engine Optimization (AEO) beschreiben denselben Werkzeugkasten aus zwei Blickwinkeln: GEO betrachtet, wie Inhalte in generierten KI-Antworten auftauchen, AEO betrachtet, wie Inhalte direkt auf konkrete Fragen antworten. In der Praxis lassen sie sich kaum trennen, und für einen Industrieanbieter laufen beide Perspektiven auf dieselben Maßnahmen hinaus.

• Answer-first-Content: Der erste Absatz jeder relevanten Seite oder jedes Fachartikels beantwortet die zentrale Frage des Themas direkt und in zwei bis drei Sätzen – so, wie ein erfahrener Ingenieur einem Kollegen am Telefon antworten würde, nicht wie eine Marketingbroschüre einleitet. Eine KI kann einen solchen Absatz nahezu unverändert in ihre eigene Antwort übernehmen.

• Klare Entitäten statt vager Beschreibungen: Firmenname, Standort, Produktkategorie, Werkstoffe, Toleranzen, Zertifizierungen und Branchenschwerpunkte gehören ausgeschrieben in den Text, nicht nur ins Impressum oder in ein Logo-Karussell. Ein Sprachmodell kann nur zitieren, was es als Fakt erkennt, nicht was es aus einem Bild oder einer Grafik erraten muss.

• Technische Fakten statt Marketing-Sprache: Zahlen, Messwerte, Normen und Prüfverfahren wiegen für eine KI-Antwort mehr als Adjektive. „Hochpräzise" überzeugt weder Einkäufer noch Sprachmodell; eine Wiederholgenauigkeit von plus/minus 0,005 Millimetern tut es.

• Strukturierte Daten: Schema-Markup für Organisation, Produkt und häufige Fragen macht Entitäten maschinenlesbar und reduziert das Risiko, dass eine KI falsche oder veraltete Informationen über Ihr Unternehmen zusammenträgt.

• Fachartikel mit zitierfähigen Zahlen: Beiträge, die eigene Kennzahlen, Branchendaten oder Verfahrensvergleiche mit Quellenangabe liefern, werden von Sprachmodellen bevorzugt als Beleg herangezogen – genau wie in diesem Artikel jede Statistik einer Quelle zugeordnet ist. Ein Fachartikel ohne überprüfbare Zahl ist für eine KI kaum interessanter als eine Werbeanzeige.

Was sollte ein Vertriebsleiter im Mittelstand als Erstes tun?

Der Einstieg muss nicht bei einem großen Digitalprojekt beginnen. Sinnvoll ist eine Reihenfolge, die sich in wenigen Wochen umsetzen lässt: Zunächst den eigenen Testfragen-Katalog erstellen und in den gängigen KI-Assistenten durchspielen, um den Ist-Zustand ehrlich zu dokumentieren – inklusive der unangenehmen Erkenntnis, dass ein Wettbewerber möglicherweise bereits genannt wird und man selbst nicht. Danach folgt eine schlichte Bestandsaufnahme der eigenen Inhalte: Wie viel technisches Wissen liegt nur als PDF oder in gedruckten Unterlagen vor, und wie viel davon ist als durchsuchbarer, strukturierter Webtext verfügbar? Aus dieser Lücke ergeben sich die ersten zwei oder drei Produktseiten und Fachartikel, die überarbeitet oder neu geschrieben werden sollten – mit Answer-first-Absätzen, konkreten Kennzahlen und Schema-Markup.

Danach lohnt es sich, die Testfragen im Quartalsrhythmus zu wiederholen und die Ergebnisse mit dem Vertrieb zu teilen, nicht nur mit dem Marketing. Denn wenn laut 6sense bereits 81 Prozent der Käufer einen Favoriten haben, bevor sie den Vertrieb kontaktieren, ist die KI-Sichtbarkeit keine reine Marketing-Kennzahl mehr, sondern ein Frühindikator für die Auftragslage der kommenden Monate.

Häufig gestellte Fragen

Was ist der Unterschied zwischen GEO und AEO?

GEO (Generative Engine Optimization) beschreibt die Optimierung von Inhalten für generative KI-Systeme wie ChatGPT, Claude oder Gemini, die aus mehreren Quellen eine zusammenfassende Antwort erzeugen. AEO (Answer Engine Optimization) fokussiert darauf, Inhalte so zu strukturieren, dass sie eine konkrete Frage direkt beantworten, etwa auch für klassische Featured Snippets bei Google oder für Perplexity. In der praktischen Umsetzung überschneiden sich beide Disziplinen fast vollständig: Answer-first-Absätze, klare Entitäten und belegte Fakten wirken gleichermaßen für generative Antworten und für direkte Frage-Antwort-Formate.

Kann ich die KI-Sichtbarkeit meines Unternehmens selbst prüfen, ohne spezielle Software?

Ja. Ein manueller Test mit fünf bis zehn realistischen Einkäufer-Fragen in ChatGPT, Claude und Perplexity liefert bereits einen belastbaren ersten Eindruck. Wichtig ist, die Fragen so zu formulieren, wie ein Kunde sie stellen würde, und nicht nur nach dem eigenen Firmennamen zu fragen. Für eine laufende Beobachtung über mehrere Monate empfiehlt sich zusätzlich eine Tabelle, in der Ergebnis, Datum und KI-System dokumentiert werden, da sich Antworten mit neuen Trainingsständen und Websuchen verändern.

Ersetzt GEO/AEO die klassische Suchmaschinenoptimierung?

Nein. Beide Disziplinen bauen aufeinander auf. Eine technisch saubere, schnelle und für Google auffindbare Website bleibt die Grundlage, auf der ein Sprachmodell überhaupt Inhalte finden kann, die es später zitiert. GEO und AEO ergänzen dieses Fundament um Struktur, Entitätsklarheit und Answer-first-Formate, die speziell auf die Arbeitsweise generativer KI-Systeme zugeschnitten sind.

Wie lange dauert es, bis sich Verbesserungen in den KI-Antworten zeigen?

Das hängt vom jeweiligen KI-System ab. Perplexity und websuchfähige Modi von ChatGPT können neue oder überarbeitete Inhalte innerhalb weniger Wochen aufgreifen, weil sie live im Web suchen. Modelle, die primär auf ihrem Trainingsstand basieren, aktualisieren ihr Wissen erst mit dem nächsten großen Modell-Update, was mehrere Monate dauern kann. Eine quartalsweise Wiederholung der eigenen Testfragen ist deshalb ein realistischer Rhythmus, um Veränderungen zuverlässig zu erfassen.

Reicht eine gute eigene Website, oder muss ich auch in der Fachpresse präsent sein?

Eine gute eigene Website ist die Grundlage, aber Sprachmodelle gewichten Informationen stärker, wenn sie an mehreren unabhängigen Stellen im Web konsistent auftauchen. Erwähnungen in der Fachpresse, in Branchenverzeichnissen und auf Plattformen wie LinkedIn wirken wie zusätzliche Bestätigungen derselben Fakten und erhöhen die Wahrscheinlichkeit, dass eine KI Ihr Unternehmen als verlässliche Quelle einstuft, statt sich ausschließlich auf Eigenaussagen zu verlassen.