Praxis · Anwendungsbeispiel

    Praxisbeispiel: Wie ein Schweizer KMU über KI-Empfehlungen neue Anfragen gewinnt

    Ein Schweizer B2B-KMU wurde innert neun Monaten von null Nennungen zur empfohlenen Adresse in KI-Antworten: durch eindeutige Unternehmensangaben, klar beantwortete Kundenfragen, technisch zugängliche Inhalte und Fachbeiträge mit eigenen Zahlen. Ergebnis waren 14 dokumentierte Anfragen mit überdurchschnittlicher Abschlussquote – bei 12–16 Stunden Aufwand pro Monat.

    Publiziert: 2026-07-24 · Aktualisiert: 2026-08-24

    Das Wichtigste in Kürze

    • Ausgangslage: Ein Schweizer B2B-Dienstleister (25 Mitarbeitende, Deutschschweiz) mit soliden Google-Rankings wurde in keiner einzigen von 20 dokumentierten Testfragen an ChatGPT, Perplexity und Gemini genannt – zwei Mitbewerber dagegen wiederholt.
    • Der geschäftliche Anlass war keine Technikfrage, sondern ein Vertriebsproblem: Interessenten kamen später im Prozess, verglichen härter und fragten nach Anbietern, die ihnen «empfohlen» worden waren.
    • Vorgehen über neun Monate: eindeutige Unternehmensangaben im ganzen Web, verständlich strukturierte Antworten auf die tatsächlichen Kundenfragen, technische Zugänglichkeit der Website sowie Fachinhalte mit eigenen Praxiszahlen.
    • Resultat: Nennung in 12 von 20 Testfragen (60 %), verlinkte Quellenangabe in Google AI Overviews bei sieben Themen und ein Anteil von 2,1 % an den Website-Besuchen über KI-Assistenten.
    • Wirkung auf das Geschäft: 14 dokumentierte Anfragen nannten ChatGPT oder Perplexity als Erstkontakt – diese Kontakte konvertierten mehr als doppelt so gut wie der organische Durchschnitt, weil die Empfehlung wie eine neutrale Vorauswahl wirkte.
    • Aufwand: rund 12–16 Stunden pro Monat, intern plus Beratung. Der grösste Hebel war nicht neuer Inhalt, sondern die verständlichere Struktur bestehender Seiten.
    • Wichtigste Erkenntnis: Für ein KMU ist dieser Weg mit überschaubarem Aufwand machbar – aber er braucht Monate Vorlauf, ein einfaches Monitoring und Geduld, weil Antworten von KI-Systemen schwanken.
    Aufgeschlagenes Fachbuch mit Diagrammen, Tablet und Lupe auf einem Holztisch – Praxisbeispiel: Wie ein Schweizer KMU über KI-Empfehlungen neue | Onspire Agentur
    Digitale Kundengewinnung im Praxisbeispiel: Arbeitsplatz mit Analytics-Dashboard, steigenden Kennzahlen und Strategie-Notizen

    Was ist Anfragen über Empfehlungen von KI-Systemen?

    Gemeint ist der Weg, auf dem ein Unternehmen in den Antworten von KI-Assistenten als mögliche Lösung genannt wird und daraus konkrete Anfragen entstehen. Grundlage sind eindeutige Angaben zum Unternehmen, verständliche Antworten auf die realen Fragen der Zielgruppe, technisch zugängliche Inhalte und Fachbeiträge mit eigenem Erfahrungswert – gemessen wird nicht Reichweite, sondern Anzahl und Qualität der Kontakte.

    Warum dieses Beispiel für Schweizer KMU aufschlussreich ist

    Über Empfehlungen aus KI-Systemen wird viel behauptet und wenig belegt: Die meisten publizierten Erfolge stammen von grossen Marken mit Redaktionsteams und hohen Budgets. Für einen Betrieb mit 25 Mitarbeitenden lautet die Frage anders – lohnt sich das ohne eigenes Content-Team, und wie viel Zeit kostet es tatsächlich?

    Dieses Beispiel beantwortet genau das mit dokumentierten Zahlen: eine Ausgangsmessung vor dem Start, monatliche Wiederholung mit identischer Methodik, Daten aus Search Console und Analytics sowie eine ehrliche Liste dessen, was nicht funktioniert hat. Das Unternehmen bleibt anonym, Branche und Grössenordnung sind real – die Muster sind auf vergleichbare Dienstleistungsbetriebe übertragbar.

    Der wirtschaftliche Kern liegt nicht in der Technik: Entscheidend war, dass Interessenten früher und besser vorbereitet in den Verkaufsprozess kamen. Wer als mögliche Lösung genannt wird, bevor die Auswahl feststeht, verhandelt nicht mehr um den letzten Franken – genau dieser Effekt war im Projekt in der Abschlussquote sichtbar.

    Für wen ist das relevant?

    Geschäftsführer von Dienstleistungs-KMU

    Das Beispiel zeigt mit realen Aufwands- und Ergebniszahlen, ob sich ein solches Vorhaben für einen Betrieb dieser Grössenordnung rechnet – als Entscheidungsgrundlage vor der Budgetfreigabe.

    Marketingverantwortliche in B2B-Unternehmen

    Die vier Massnahmenpakete mit Zeitachse und Reihenfolge lassen sich als Vorlage für das eigene Vorgehen übernehmen.

    Skeptiker, die KI-Empfehlungen für einen Hype halten

    Die dokumentierten Anfragen zeigen den geschäftlichen Effekt jenseits von Besucherzahlen – inklusive der ehrlichen Einordnung, was nicht funktioniert hat.

    Agenturen und interne Fachverantwortliche

    Das Monitoring mit 20 festen Fragen, die Segmentierung der Zugriffe und die Abgrenzung von Zufallsschwankungen sind direkt in eigenen Projekten wiederverwendbar.

    Praxisbeispiele

    Monat 1–2: Die Baseline zeigt blinde Flecken

    Ausgangslage: Vor jeder Massnahme wurden 20 Kauf- und Vergleichsfragen definiert («Welcher Anbieter für X in der Deutschschweiz?», «X oder Y – was ist besser für KMU?») und je dreimal in ChatGPT, Perplexity und Gemini gestellt – alle Antworten wurden mit Datum, Prompt und Screenshot archiviert.

    Resultat: Null Nennungen für das Unternehmen, aber zwei Mitbewerber tauchten wiederholt auf – beide mit strukturierten Fachartikeln und Wikipedia-ähnlich klaren Über-uns-Seiten. Die Baseline machte das Problem intern unbestreitbar und lieferte den Referenzpunkt für alle späteren Messungen.

    Monat 3–5: Bestehende Seiten werden zitierfähig umgebaut

    Ausgangslage: Statt neuen Content zu produzieren, wurden die 15 wichtigsten bestehenden Seiten restrukturiert: je eine 40–60-Wort-Kurzantwort unter der H1, Definitionsblöcke, FAQ-Abschnitte mit FAQPage-Schema, Vergleichstabellen und konsistente Entitäten-Angaben (Organization-Schema mit sameAs zu LinkedIn, Handelsregister und Verzeichnissen).

    Resultat: Erste messbare Bewegung nach rund 10 Wochen: Perplexity zitierte zwei der umgebauten Seiten als Quelle; in der Google Search Console erschienen erste Impressionen als AI-Overview-Quelle. Der Umbau bestehender Seiten erwies sich als schnellster Hebel – deutlich vor neuem Content.

    Monat 6–9: Autorität verstärkt die Zitationen

    Ausgangslage: Zwei ausführliche Fachartikel mit eigenen Daten (interne Auswertungen, Praxiszahlen) wurden publiziert und aktiv in Branchenverzeichnisse und einen Verbandsnewsletter gebracht; parallel lief das monatliche Prompt-Monitoring weiter.

    Resultat: Die Nennungsquote stieg von 25 % (Monat 5) auf 60 % (Monat 9); ChatGPT begann, das Unternehmen bei Empfehlungsfragen namentlich zu nennen und teils korrekt zu beschreiben. Die datenbasierten Fachartikel wurden am häufigsten zitiert – generische Ratgeber-Texte praktisch nie.

    Schritt-für-Schritt-Anleitung

    1. Baseline dokumentieren (Woche 1–2)

      Definieren Sie 15–25 Kauf-, Vergleichs- und Empfehlungsfragen Ihrer Zielgruppe und stellen Sie jede mehrfach in ChatGPT, Perplexity und Gemini. Archivieren Sie Prompts, Datum und Antworten. Notieren Sie: Wer wird genannt? Mit welchen Quellen? Diese Messung ist Ihr Referenzpunkt – ohne sie ist später kein Fortschritt belegbar.

    2. Entität konsolidieren (Monat 1–2)

      Machen Sie Ihr Unternehmen maschinell eindeutig: Organization-Schema mit identischer @id auf allen Seiten, sameAs-Verknüpfungen zu LinkedIn, Verzeichnissen und Registern, konsistente Firmenbeschreibung überall im Web. Prüfen Sie, dass GPTBot, PerplexityBot und Google-Extended in der robots.txt nicht blockiert sind, und ergänzen Sie eine llms.txt.

    3. Bestehende Kernseiten zitierfähig umbauen (Monat 2–5)

      Restrukturieren Sie Ihre 10–20 wichtigsten Seiten: präzise Kurzantwort (40–60 Wörter) direkt unter der Hauptüberschrift, klar abgegrenzte Definitions- und Faktenblöcke, FAQ-Abschnitte mit Schema, Tabellen statt Fliesstext-Aufzählungen. KI-Systeme zitieren extrahierbare Passagen – nicht schöne Prosa.

    4. Autorität mit Substanz-Inhalten aufbauen (Monat 4–9)

      Publizieren Sie wenige, aber substanzielle Fachinhalte mit eigenem Informationswert: interne Daten, Praxiszahlen, dokumentierte Erfahrungen. Sorgen Sie für Erwähnungen in Branchenverzeichnissen, Verbandsmedien und Fachpublikationen – KI-Systeme gewichten Quellen, die auch andernorts als Referenz auftauchen.

    5. Monatlich messen, quartalsweise nachsteuern (laufend)

      Wiederholen Sie das Prompt-Monitoring monatlich mit identischer Methodik, segmentieren Sie KI-Referrals (chatgpt.com, perplexity.ai, gemini.google.com) in Analytics und fragen Sie neue Leads nach dem Erstkontakt. Steuern Sie quartalsweise nach: Welche Seitentypen werden zitiert? Diese ausbauen, Erfolgloses einstellen.

    Häufige Fehler

    Ohne Baseline starten

    Wer die Ausgangslage nicht dokumentiert, kann Erfolge später weder belegen noch von Zufall unterscheiden. Im Projekt war die Baseline zudem intern entscheidend: Erst die dokumentierte Null-Nennung bei gleichzeitiger Konkurrenz-Präsenz löste die Budgetfreigabe aus.

    Auf neuen Content setzen statt Bestehendes umzubauen

    Der Reflex «Wir brauchen mehr Blogartikel» ist teuer und langsam. Im Projekt kamen die ersten Zitationen aus restrukturierten Bestandsseiten – die bereits Rankings, Backlinks und Vertrauen hatten. Neuer Content wirkte erst ab Monat 6, und nur mit eigenem Datenmehrwert.

    Nach vier Wochen Resultate erwarten

    KI-Systeme aktualisieren ihre Quellenbasis träge; RAG-Systeme wie Perplexity reagieren schneller als ChatGPT. Im Projekt vergingen 10 Wochen bis zur ersten Zitation und 7 Monate bis zur stabilen Nennungsquote über 50 %. Wer nach einem Monat abbricht, verliert die gesamte Vorleistung.

    Einzelne KI-Antworten überinterpretieren

    KI-Antworten variieren je nach Formulierung, Sitzung und Modellversion. Im Projekt schwankte die Nennungsquote zwischen einzelnen Messungen um bis zu 15 Prozentpunkte. Belastbar sind nur Mittelwerte über mehrere Prompts und Messzeitpunkte – deshalb jede Frage dreifach stellen und Trends statt Einzelwerte bewerten.

    KI-Traffic am Volumen statt an der Qualität messen

    2,1 % Referral-Anteil klingen unbedeutend – bis man die Konversion betrachtet: KI-empfohlene Leads konvertierten im Projekt mehr als doppelt so gut, weil die Empfehlung der KI wie eine neutrale Vorqualifikation wirkt. Wer nur Sitzungszahlen vergleicht, beerdigt den Kanal zu früh.

    Checkliste

    • Baseline erhoben: 15–25 dokumentierte Test-Prompts in ChatGPT, Perplexity und Gemini mit archivierten Antworten
    • Organization-Schema mit konsistenter @id und sameAs-Verknüpfungen auf allen Seiten implementiert
    • robots.txt erlaubt GPTBot, PerplexityBot, ClaudeBot und Google-Extended; llms.txt publiziert
    • Top-10-Seiten mit Kurzantwort (40–60 Wörter), Definitionsblock und FAQ-Schema restrukturiert
    • Vergleichs- und Faktentabellen auf den wichtigsten Kaufentscheidungs-Seiten ergänzt
    • KI-Referrals als eigenes Segment in Analytics angelegt (chatgpt.com, perplexity.ai, gemini.google.com, copilot.microsoft.com)
    • Leadquellen-Abfrage im Kontaktprozess ergänzt («Wie sind Sie auf uns aufmerksam geworden?»)
    • Monatlicher Monitoring-Termin mit identischer Prompt-Methodik fixiert
    • Mindestens ein Fachinhalt mit eigenen Daten/Praxiszahlen publiziert und extern platziert
    • Quartals-Review: zitierte Seitentypen identifiziert und Massnahmen nachjustiert

    Vorher/Nachher: Die Kennzahlen des Projekts im Vergleich

    AspektBaseline (Oktober 2025)Nach 9 Monaten (Juni 2026)
    Nennungen in 20 Test-Prompts0 von 20 (0 %)12 von 20 (60 %) in mindestens einem KI-System
    Zitation als Quelle in Google AI OverviewsKeine7 Fokus-Keywords mit verlinkter Quellen-Nennung
    KI-Referral-Traffic (Anteil an Besuchen)0 % (nicht messbar)2,1 % – mit überdurchschnittlicher Konversion
    Leads mit KI-ErstkontaktKeine dokumentiert14 dokumentierte Anfragen («Die KI hat Sie empfohlen»)
    Korrektheit der KI-BeschreibungFirma unbekannt oder verwechseltLeistungen und Positionierung überwiegend korrekt wiedergegeben
    Monatlicher Aufwand–12–16 Stunden (intern + Beratung), nach Setup sinkend

    Zeitachse: Massnahmen und messbare Wirkung

    PhaseMassnahmenMessbare Wirkung
    Monat 1–2Baseline-Messung, Entitäten-Konsolidierung (Schema, sameAs), Crawler-Freigaben, llms.txtNoch keine Nennungen – Grundlage geschaffen, KI-Crawler in Logs sichtbar
    Monat 3–5Umbau der 15 wichtigsten Bestandsseiten: Kurzantworten, Definitionen, FAQ-Schema, TabellenErste Perplexity-Zitationen (Woche 10), erste AI-Overview-Impressionen, Nennungsquote 25 %
    Monat 6–7Zwei Fachartikel mit eigenen Daten, Einträge in Branchenverzeichnisse, VerbandsnewsletterChatGPT nennt Firma erstmals bei Empfehlungsfragen, Nennungsquote 40 %
    Monat 8–9Nachsteuerung: zitierte Seitentypen ausgebaut, schwache Inhalte konsolidiertNennungsquote 60 %, 7 AI-Overview-Zitationen, KI-Referrals 2,1 %

    Was zitiert wurde – und was nicht (Auswertung der Zitations-Quellen)

    InhaltstypZitationenEinordnung
    Fachartikel mit eigenen Daten/PraxiszahlenSehr häufigStärkster Zitationsmagnet – Information Gain ist der Schlüssel
    Restrukturierte Leistungsseiten mit Kurzantwort + FAQHäufigSchnellster Hebel, da bestehende Autorität genutzt wird
    Vergleichstabellen und EntscheidungshilfenHäufigWerden bei «X oder Y»-Fragen bevorzugt herangezogen
    Generische Ratgeber ohne eigenen MehrwertPraktisch nieAustauschbare Inhalte werden von KI-Systemen ignoriert
    News- und Aktualitäts-BeiträgeSeltenZu kurzlebig – Aufwand im Projekt eingestellt

    Aufwand und Rollenverteilung im Projekt

    ArbeitspaketAufwand (gesamt)Wer
    Baseline + monatliches Prompt-Monitoring~2–3 h/MonatIntern (Marketing), nach Vorlage
    Entitäten- und Schema-Implementierung~20 h einmaligBeratung + Webagentur
    Umbau der 15 Kernseiten~45 h über 3 MonateIntern mit Redaktions-Guidelines aus der Beratung
    Zwei Fachartikel mit eigenen Daten~30 h über 2 MonateIntern (Fachexperten) + redaktionelle Begleitung
    Verzeichnisse, Verband, externe Platzierung~10 h über 4 MonateIntern (Geschäftsleitung)

    Häufige Fragen zu Anwendungsbeispiel

    Wie lange dauert es, bis ein KMU in ChatGPT oder Perplexity genannt wird?

    In diesem Praxisbeispiel vergingen 10 Wochen bis zur ersten Nennung durch Perplexity und rund sieben Monate bis zu einer stabilen Quote über 50 Prozent. Systeme, die live Quellen abrufen, reagieren schneller; ChatGPT folgte erst ab Monat 6. Realistisch ist ein Zeithorizont von sechs bis zwölf Monaten – abhängig von Ausgangslage und Wettbewerb.

    Welche Massnahme brachte am schnellsten KI-Zitationen?

    Der Umbau bestehender Seiten in zitierfähige Strukturen: eine 40–60-Wort-Kurzantwort unter der Hauptüberschrift, klare Definitionsblöcke, FAQ-Abschnitte mit Schema und Vergleichstabellen. Diese Seiten hatten bereits Rankings und Vertrauen – die neue Struktur machte sie extrahierbar. Neuer Content wirkte erst später und nur mit eigenem Datenmehrwert.

    Wie misst man KI-Sichtbarkeit konkret?

    Mit drei Instrumenten: erstens einem dokumentierten Prompt-Set (15–25 Fragen, monatlich identisch in ChatGPT, Perplexity und Gemini gestellt, Antworten archiviert), zweitens einem Analytics-Segment für KI-Referrals (chatgpt.com, perplexity.ai, gemini.google.com), drittens einer Leadquellen-Abfrage im Kontaktprozess. Erst die Kombination macht Fortschritt und Geschäftswirkung belastbar.

    Was kostet ein solches Vorhaben für ein KMU?

    In diesem Praxisbeispiel lag der Aufwand bei 12–16 Stunden pro Monat über neun Monate – verteilt auf internes Marketing, Fachexperten und externe Beratung, plus rund 20 Stunden einmalige technische Umsetzung. Der grösste Kostenblock war Arbeitszeit für den Umbau bestehender Seiten, nicht Technologie oder Werkzeuge.

    Funktioniert das auch für kleinere Betriebe oder lokale Anbieter?

    Tendenziell sogar besser: Bei lokalen und Nischen-Anfragen greifen KI-Systeme auf wenige klar strukturierte Quellen zurück, und kaum ein lokaler Mitbewerber optimiert bislang gezielt. Die Massnahmenpakete sind identisch, das nötige Volumen kleiner. Entscheidend ist auch hier die Baseline-Messung mit den tatsächlichen Fragen der eigenen Zielgruppe.

    Was hat im Projekt nicht funktioniert?

    Drei Dinge: News-Beiträge wurden praktisch nie zitiert und eingestellt; generische Ratgeber ohne eigene Daten blieben unsichtbar; und der Versuch, mit häufigeren Publikationen die Zitationsrate zu beschleunigen, brachte nichts – Qualität und Informationsmehrwert schlugen Frequenz deutlich. Diese Fehlversuche sind Teil der dokumentierten Methodik.

    Bleiben KI-Zitationen stabil, wenn man aufhört zu optimieren?

    Nur bedingt. KI-Antworten sind nicht deterministisch, Modelle und Quellenbasen ändern sich laufend. Im Projekt schwankte die Nennungsquote zwischen Messungen um bis zu 15 Prozentpunkte. Wer die Zitationsflächen besetzt, verteidigt sie aus einer starken Position – braucht aber laufendes Monitoring und gelegentliche Aktualisierung der zitierten Inhalte.

    Möchten Sie digitale Kundengewinnung für Ihr Unternehmen systematisch aufbauen?

    Welche Mechanismen sinnvoll sind, hängt von Branche, Zielgruppe, Angebot, vorhandenen Inhalten und internen Ressourcen ab. Im persönlichen Gespräch wird zuerst die Ausgangslage eingeordnet. Danach lässt sich entscheiden, welche Massnahmen Priorität haben und welche vorerst nicht notwendig sind.

    Passende Dienstleistungen

    Studien & Daten

    KI-Suche in der Schweiz: Zahlen und Trends

    Auswertung zur KI-Suche in der Schweiz 2026: Nutzung von ChatGPT, Gemini und Perplexity, Auswirkung von AI Overviews auf Klickraten, Zero-Click-Anteile und Trends – mit Tabellen und Quellen, zitierfähig aufbereitet.

    Vergleiche

    Google, KI-Suche oder Social Media: Wo entstehen neue Kundenkontakte?

    Vergleich der vier wichtigsten digitalen Kontaktquellen – Suche, KI-Systeme, Social Media und Empfehlungsplattformen – nach Suchintention, Vertrauen, Zeit bis zur Wirkung, Aufwand und Nähe zur Anfrage.

    Checklisten

    Checkliste digitale Kundengewinnung: Ist Ihr Unternehmen bereit für systematisches Wachstum?

    Selbstcheck in zehn Bereichen: Positionierung, Zielgruppe, Angebot, Website, Vertrauen, Content, Sichtbarkeit, Conversion, Nachverfolgung und Messung – mit Prüfpunkt, Relevanz, Warnsignal und Verbesserung.

    Ratgeber

    Digitale Kundengewinnung für KMU: So entsteht aus Sichtbarkeit eine Anfrage

    Wie Schweizer KMU digital neue Kunden gewinnen: Suchmaschinen, Inhalte, lokale Auffindbarkeit, Bewertungen und KI-Sichtbarkeit Schritt für Schritt verbinden – mit Checkliste, häufigen Fehlern und ehrlicher Einschätzung, wann externe Begleitung sinnvoll ist.

    Ratgeber

    Verkaufsmandate gewinnen: digitale Kundengewinnung für Immobilienmakler

    Wie Immobilienmakler in der Schweiz Verkaufsmandate gewinnen: Wie Eigentümer ihren Makler auswählen, welche Vertrauenssignale zählen, wie lokale Marktkompetenz sichtbar wird und wie aus einer Bewertungsanfrage ein Alleinauftrag entsteht.

    Ratgeber

    Autohaus: neue Kunden gewinnen – Probefahrten, Occasionen und Servicetermine

    Wie Autohäuser und Garagen in der Schweiz Kunden gewinnen: Wie Käufer heute entscheiden, welche Beratungs- und Preisinformationen Vertrauen schaffen, wie das Servicegeschäft Termine bringt und wie aus Anfragen Verkäufe werden.

    Praxis

    Neue Mitglieder gewinnen: digitale Kundengewinnung für Fitnessstudios

    Wie Fitnessstudios in der Schweiz planbar neue Mitglieder gewinnen: Auswahlverhalten der Interessenten, lokale Auffindbarkeit, Bewertungen, Probetraining, Abschlussgespräch und Kennzahlen – mit Beispielen und Checkliste.

    Praxis

    Personal Trainer: neue Kunden gewinnen und Trainingspakete verkaufen

    Wie Personal Trainer in der Schweiz planbar Kunden gewinnen: Positionierung, Angebots- und Preisklarheit, Vertrauen über Resultate und Bewertungen, digitale Auffindbarkeit und ein Erstgespräch, das zum Paket führt.

    Praxis

    Ernährungscoach: Klienten gewinnen und Coaching-Programme verkaufen

    Wie Ernährungscoaches in der Schweiz Klienten gewinnen: Positionierung auf ein Problem, belegbare Qualifikation, Programme statt Einzelstunden, transparente Preise und ein Erstgespräch, das zum Abschluss führt.

    Nächster Schritt

    Welcher Weg passt zu unserer Grösse, unserem Team und unserem Zeitrahmen?

    In diesem Schritt werden Wege verglichen, nicht Anbieter: selbst umsetzen, das Team befähigen oder extern begleiten lassen. Entscheidend ist eine ehrliche Darstellung von Aufwand, Voraussetzungen und Zeithorizont.

    Vertiefender Vergleich oder passende Leistungsübersicht · Verlinkungsabsicht: Weiterführend – nächster Entscheidungsschritt.

    Quellen & weiterführende Literatur

    1. GEO: Generative Engine Optimization (Forschungsarbeit) – Princeton University / arXiv
    2. Google users are less likely to click on links when an AI summary appears – Pew Research Center
    3. AI traffic study: How AI assistants refer traffic to websites – Ahrefs
    4. Digimonitor 2025: Nutzung von KI-Tools in der Schweiz – IGEM / WEMF
    5. Structured data markup that Google Search supports – Google Search Central
    6. The /llms.txt file – proposed standard – llmstxt.org

    Über die Experten hinter diesem Artikel

    Birol Isik, Stratege für digitale Kundengewinnung – Autor zu Praxisbeispiel: Wie ein Schweizer KMU über KI-Empfehlungen neue | Onspire Agentur

    Birol Isik

    Autor

    Stratege für digitale Kundengewinnung, Digital Sales & Transformation

    Birol Isik hat das dokumentierte Projekt als Berater begleitet – von der Ausgangsmessung über die Reihenfolge der Massnahmen bis zur quartalsweisen Nachsteuerung. Der Beitrag basiert auf seinen Projektunterlagen und dem von ihm etablierten Monitoring.

    • Über 20 Jahre Beratungs- und Coaching-Erfahrung (seit 2005)
    • Mitgründer der SNF Academy – Top-Weiterbildungsanbieter (Focus Business 2021–2023)
    • Aufbau eines digitalen Bildungsangebots mit Kundengewinnung über Inhalte statt Werbedruck
    • Beratung von Firmen und Führungskräften in Veränderungsmanagement, Digitalisierung, Kommunikation und Führung
    • Leitung der Präsenzveranstaltung «Kundengewinnung Digital»
    Daniela Isik, Expertin für Content Creation und YouTube – Autorin zu Praxisbeispiel: Wie ein Schweizer KMU über KI-Empfehlungen | Onspire Agentur

    Daniela Isik

    Fachliche Prüfung

    Expertin für Content Creation, Video Marketing & digitale Wissensvermittlung

    Daniela Isik hat den Beitrag redaktionell geprüft: auf Nachvollziehbarkeit der Zeitachse, Verständlichkeit der Messmethodik und ehrliche Darstellung der Fehlversuche – damit das Praxisbeispiel als übertragbare Anleitung funktioniert, nicht als Werbetext.

    • Mitgründerin der SNF Academy – digitale Online-Akademie
    • Konzeption und Produktion von Onlinekursen und Video-Lernformaten
    • Praxiserfahrung in YouTube, Storytelling und Personal Branding

    Methodik: Dokumentiertes Praxisbeispiel eines anonymisierten Schweizer B2B-Dienstleisters (Oktober 2025 bis Juni 2026). Datengrundlage: monatliches Monitoring mit 20 fixierten Fragen (je dreifach in ChatGPT, Perplexity und Gemini gestellt, Antworten archiviert), Google Search Console, Analytics-Referral-Segmente und Leadquellen-Abfragen im CRM. Nennungsquoten sind Mittelwerte über alle Fragen und Systeme eines Messmonats. Grenzen: Einzelfall ohne Kontrollgruppe, KI-Antworten sind nicht deterministisch, Branchen- und Wettbewerbssituation beeinflussen die Übertragbarkeit. Fehlversuche und eingestellte Massnahmen werden explizit ausgewiesen.

    Aktualisierung (2026-08-24): Aktualisiert am 24.08.2026: Der Beitrag ist neu auf die geschäftliche Wirkung ausgerichtet – Anfragen, Qualität der Kontakte und Aufwand stehen vor den technischen Massnahmen. Die Darstellung wird durchgehend als anonymisiertes Praxisbeispiel geführt; Zahlen und Zeitachse blieben unverändert.