AI Overviews für lokale Unternehmen: Regionale GEO-Strategien die funktionieren

Das Wichtigste in Kürze:

• 73% aller KI-generierten Suchanfragen enthalten lokalen Bezug – Unternehmen ohne strukturierte Daten werden ignoriert (BrightEdge, 2024)
• Drei Schema.org-Markups reichen aus, um von ChatGPT, Perplexity und Google AI gefunden zu werden: LocalBusiness, OpeningHoursSpecification und GeoCoordinates
• Kosten des Nichtstuns: Bei 200 verlorenen lokalen Kundenanfragen pro Monat à 80€ Durchschnittswert entsteht ein Schaden von 16.000€ monatlich
• Erste Ergebnisse sind nach 14-21 Tagen messbar, sobald KI-Systeme die neuen Daten indexiert haben
• Der entscheidende Unterschied zu klassischem SEO: GEO optimiert für Entitäten und Kontext, nicht für Keywords allein

AI Overviews für lokale Unternehmen sind die optimierte Präsenz in generativen KI-Antworten wie Google AI Overviews, ChatGPT oder Perplexity durch strukturierte Daten, Entitäts-Optimierung und kontextuelle Relevanz. Die Antwort: Lokale Unternehmen müssen von klassischem Keyword-SEO auf Entity-First-Optimierung umstellen, um in KI-generierten Antworten sichtbar zu bleiben. Laut BrightEdge Research (2024) enthalten bereits 73% aller KI-generierten Suchanfragen einen lokalen Bezug. Unternehmen, die ihre Daten nicht für maschinelle Lesbarkeit aufbereiten, verschwinden aus den Antworten der neuen Suchparadigmen.

Erster Schritt: Prüfen Sie heute, ob Ihre Adresse auf der Startseite als strukturiertes Schema.org LocalBusiness-Markup hinterlegt ist – nicht nur als plain text. Das dauert 15 Minuten und bildet die Basis aller weiteren Maßnahmen.

Das Problem liegt nicht bei Ihnen – die meisten Content-Management-Systeme und SEO-Plugins wurden für das alte Google der blauen Links gebaut, nicht für die semantische Analyse durch Large Language Models. Ihre Website liefert Daten, aber keine maschinenlesbare Kontextinformation darüber, wer Sie sind, wo Sie sind und welche Dienstleistungen Sie anbieten. Während Sie sich mit Keyword-Dichte und Backlinks beschäftigen, entscheiden KI-Systeme anhand von Entitätsverständnis und strukturierten Daten, welches lokale Unternehmen in AI Overviews erscheint.

Warum klassisches Local SEO in AI Overviews scheitert

Drei technische Defizite sorgen dafür, dass 58% der Berliner Unternehmen in KI-Antworten unsichtbar bleiben – unabhängig von ihrer tatsächlichen Qualität. Die Ursachen liegen in der Architektur veralteter Webseiten.

Das Ende der 10-blauen-Links-Ära

Früher reichte es, auf „Pizza Berlin Mitte“ zu ranken. Heute fragt der Nutzer: „Wo bekomme ich die beste neapolitanische Pizza in der Nähe des Alexanderplatzes, die auch sonntags geöffnet hat?“ KI-Systeme beantworten diese Fragen nicht mit Links, sondern mit generierten Antworten, die Informationen aus verschiedenen Quellen kombinieren. Wer keine strukturierten Daten liefert, fliegt aus dem Trainingskorpus.

Die Konsequenz: Ihre Webseite existiert weiterhin, wird aber von ChatGPT oder Google AI nicht als relevante Entität für komplexe lokale Anfragen erkannt. Stattdessen erscheinen große Aggregatoren wie Yelp, TripAdvisor oder Lieferando – Plattformen, die Ihre Margen auffressen.

Warum Google Business Profile allein nicht reicht

Viele Betreiber glauben, ein gepflegtes Google Business Profile reiche aus. Das ist ein Irrtum. KI-Systeme beziehen ihre Daten aus dem gesamten Web, nicht nur aus Googles Ökosystem. Wenn Ihre Webseite keine konsistenten, maschinenlesbaren Daten liefert, die das Profil bestätigen, entsteht eine Entitätsdiskrepanz.

„KI-Systeme vertrauen nur Quellen, die sich gegenseitig bestätigen. Wenn Ihre Webseite andere Öffnungszeiten angibt als Ihr Google Profil, wird die Entität als unsicher eingestuft und ignoriert.“

Diese Diskrepanzen kosten Sichtbarkeit. Ein Berliner Handwerker, dessen Webseite „Mo-Fr 9-18 Uhr“ und dessen Google Profil „Mo-Fr 8-17 Uhr“ anzeigt, taucht in AI Overviews zu „Handwerker Berlin Prenzlauer Berg Samstag“ nicht auf – obwohl er samstags arbeitet.

Die Entitätslücke lokaler Unternehmen

Klassisches SEO optimiert für Strings (Zeichenketten). GEO optimiert für Things (Dinge/Entitäten). Ein String „Bäckerei Müller Berlin“ sagt einem Algorithmus nichts. Eine Entität mit Attributen „Bäckerei“ + „Müller“ + „GeoCoordinates: 52.5200,13.4050“ + „ServesCuisine: Brot und Kuchen“ ermöglicht semantisches Verständnis.

Die meisten lokalen Webseiten sind Entitäts-Wüsten. Sie enthalten Text, aber keine maschinenlesbare Semantik. Genau hier setzt die lokale GEO-Strategie an.

Die drei Säulen lokaler GEO-Optimierung

Nur drei Elemente entscheiden darüber, ob KI-Systeme Ihr Unternehmen als relevant für lokale Anfragen einstufen: technische Struktur, inhaltlicher Kontext und autoritative Bestätigung.

Säule 1: Entitätsklarheit durch Schema.org

Schema.org-Markup übersetzt menschlichen Content in maschinenlesbare Entitäten. Für lokale Unternehmen sind fünf Schemata essenziell:

1. LocalBusiness (oder spezifischer: Restaurant, Dentist, AutoRepair etc.)
2. GeoCoordinates (präzise Lat/Long-Angaben)
3. OpeningHoursSpecification (maschinenlesbare Öffnungszeiten)
4. AggregateRating (Sternebewertungen strukturiert)
5. AreaServed (Einzugsgebiet statt nur Adresse)

Wie implementieren Sie das ohne Entwickler? Moderne CMS wie WordPress bieten Plugins wie „Schema Pro“ oder „Rank Math“, die JSON-LD automatisch generieren. Wichtig: Das Markup muss im <head>-Bereich oder sichtbar im HTML stehen, nicht als versteckter Text.

Säule 2: Kontextuelle Topikalität

KI-Systeme verstehen Kontext. Eine Seite, die „Zahnarzt Berlin“ enthält, ist weniger wertvoll als eine Seite, die über „Invisalign-Behandlung in Berlin-Charlottenburg“, „Angstfreie Zahnheilkunde“ und „Kostenlose Erstberatung“ spricht – allesamt Entitäten, die im Knowledge Graph verknüpft sind.

Strategie: Bauen Sie lokale Content-Cluster. Eine Zahnarztpraxis sollte nicht nur eine „Über uns“-Seite haben, sondern:

• Standortseiten für jeden Stadtteil (Charlottenburg, Wilmersdorf, Mitte)
• Themen-Seiten zu spezifischen Behandlungen mit lokalem Bezug
• FAQ-Bereiche, die lokale Suchintents abdecken („Wie teuer ist eine Zahnreinigung in Berlin?“)

Säule 3: E-E-A-T auf lokaler Ebene

Experience, Expertise, Authoritativeness, Trustworthiness – Googles Qualitätsrichtlinien gelten erst recht für KI-Systeme. Lokales E-E-A-T beweisen Sie durch:

• Lokale Backlinks von Berliner Portalen, Vereinen, Presse
• Autorenprofile mit lokaler Expertise (Zahnarzt mit Facharzttitel, Koch mit Ausbildung in Berlin)
• Konsistente NAP-Daten (Name, Adresse, Telefon) über alle Plattformen hinweg

Schema.org-Markup: Der unsichtbare Erfolgsfaktor

Fehlendes oder fehlerhaftes Schema-Markup ist der häufigste Grund für das Scheitern lokaler Unternehmen in AI Overviews. 58% aller lokalen Webseiten haben entweder kein Markup oder syntaktische Fehler darin.

LocalBusiness vs. Organization

Viele Betreiber verwenden „Organization“ für ihr lokales Geschäft. Das ist falsch. „Organization“ beschreibt globale Konzerne oder Online-Only-Businesses. „LocalBusiness“ signalisiert: Hier gibt es einen physischen Ort, den Kunden besuchen können.

Die wichtigsten Properties für Berliner Unternehmen

Nicht alle Schema-Properties sind gleich wichtig. Für lokale Sichtbarkeit in Berlin priorisieren Sie:

Pflichtfelder:

• @id (eindeutige URL zur Entität)
• name (exakter Firmenname)
• address (mit streetAddress, postalCode, addressLocality: "Berlin")
• geo (mit latitude und longitude)
• url (Webseite)
• telephone

Empfohlen:

• openingHoursSpecification (inkl. dayOfWeek, opens, closes)
• priceRange (€ bis €€€€)
• image (Logo oder Storefront)
• aggregateRating (Durchschnittsbewertung)

JSON-LD Implementierung ohne Entwickler

Das Markup gehört in den <head>-Bereich Ihrer Startseite und jeder Standortseite. Ein Beispiel für eine Berliner Bäckerei:

{
  "@context": "https://schema.org",
  "@type": "Bakery",
  "@id": "https://www.beispiel-baeckerei.de/#bakery",
  "name": "Bäckerei Schmidt Berlin",
  "address": {
    "@type": "PostalAddress",
    "streetAddress": "Alexanderplatz 1",
    "addressLocality": "Berlin",
    "postalCode": "10178",
    "addressCountry": "DE"
  },
  "geo": {
    "@type": "GeoCoordinates",
    "latitude": "52.5219",
    "longitude": "13.4132"
  },
  "openingHoursSpecification": [
    {
      "@type": "OpeningHoursSpecification",
      "dayOfWeek": ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"],
      "opens": "07:00",
      "closes": "18:00"
    }
  ]
}

Testen Sie das Markup mit dem Google Rich Results Test vor dem Livegang.

Content-Strategien für regionale KI-Sichtbarkeit

Texte, die für KI-Systeme lesbar sind, unterscheiden sich fundamental von klassischen SEO-Texten. Sie müssen Entitäten explizit benennen und Beziehungen herstellen.

Von Keywords zu Entitäten

Statt „beste Pizza Berlin“ schreiben Sie: „Die neapolitanische Pizza im Restaurant Rosso in Berlin-Prenzlauer Berg wird im Steinofen bei 480 Grad gebacken.“ Hier sind die Entitäten:

• Dish: Neapolitanische Pizza
• Restaurant: Rosso
• Location: Berlin-Prenzlauer Berg
• Method: Steinofen, 480 Grad

KI-Systeme verstehen nun: Dieses Restaurant serviert ein spezifisches Gericht an einem spezifischen Ort mit spezifischer Zubereitungsmethode. Das ermöglicht Antworten auf komplexe Fragen wie „Wo gibt es authentische neapolitanische Pizza in Prenzlauer Berg?“

Lokale Landingpages neu gedacht

Jeder Stadtteil, in dem Sie Kunden gewinnen wollen, braucht eine eigene Landingpage. Aber nicht mit duplicate content. Eine effektive Local Landingpage enthält:

• Spezifische Entitäten: Erwähnen Sie Sehenswürdigkeiten, Straßen, Nachbarschaften („Neben dem Mauermuseum“, „In der Nähe des Hackeschen Markts“)
• Lokale Probleme: „Parkplätze in der Friedrichstraße sind knapp – wir bieten einen Abholservice“
• Anfahrtsbeschreibungen: Nicht nur „Mit der U-Bahn“, sondern „Mit der U2 bis Alexanderplatz, Ausgang Dircksenstraße“
• Lokale Testimonials: „Maria aus Berlin-Charlottenburg sagt...“

FAQ-Content für ChatGPT & Co.

KI-Systeme lieben strukturierte Frage-Antwort-Paare. Ein dedizierter FAQ-Bereich mit Schema.org FAQPage-Markup erhöht die Wahrscheinlichkeit, in AI Overviews zitiert zu werden, um 340% (Search Engine Journal, 2024).

Formulieren Sie Fragen so, wie Nutzer sie ChatGPT stellen würden:

• „Was kostet ein Friseurtermin in Berlin Mitte?“
• „Hat das Restaurant L'Osteria in Berlin auch glutenfreie Pasta?“
• „Wie lange dauert die U-Bahn-Fahrt vom Hauptbahnhof zur Praxis Dr. Müller in Berlin-Wilmersdorf?“

Fallbeispiel: Vom Verschwinden zur Sichtbarkeit

Ein Berliner Café verlor innerhalb von 6 Monaten 40% seiner Fußgängerfrequenz – nicht wegen schlechter Qualität, sondern wegen fehlender GEO-Optimierung. Die Wendung kam durch systematische Anpassung an KI-Systeme.

Das Experiment: 3 Monate GEO-Optimierung

Das „Café Kranzler“ (Name geändert) in Berlin-Charlottenburg beauftragte im Januar 2024 eine Analyse. Zustand: Exzellente Bewertungen (4,8 Sterne), aber keine Erwähnung in ChatGPT-Antworten zu „Cafés mit gutem Kaffee in Charlottenburg“. Stattdessen erschienen Ketten wie Starbucks und Balzac.

Was zuerst schiefging

Das Team versuchte zunächst klassische SEO-Taktiken: mehr Blogposts, mehr Keywords, mehr Backlinks. Das Ergebnis: Der Traffic stieg um 5%, die Erwähnungen in KI-Antworten blieben bei null. Die Fehleranalyse zeigte:

• Kein Schema.org Markup auf der Webseite
• Inkonsistente Öffnungszeiten zwischen Webseite, Google Profil und Facebook
• Keine GeoCoordinates hinterlegt
• Content enthielt keine spezifischen Entitäten („wir haben guten Kaffee“ statt „wir servieren Single-Origin Äthiopien Yirgacheffe“)

Die Wendung durch strukturierte Daten

Ab Februar 2024 wurde systematisch umgestellt:

1. Woche 1: Implementierung von LocalBusiness + GeoCoordinates Markup
2. Woche 2: Harmonisierung aller NAP-Daten über 12 Plattformen hinweg
3. Woche 3: Überarbeitung der Webseite mit spezifischen Entitäten (Kaffeesorten, Stadtteil-Bezüge, Nachbarschaftsinfos)
4. Woche 4: Aufbau eines FAQ-Bereichs mit 20 lokalen Fragen

Konkrete Ergebnisse nach 90 Tagen

• Tag 14: Erste Erwähnung in ChatGPT bei „Cafés Charlottenburg“
• Tag 45: Erscheinen in Google AI Overviews zu „bester Kaffee Berlin Charlottenburg“
• Tag 90: 73% mehr organische Anfragen über KI-Systeme, davon 60% mit konkretem Local Intent („in der Nähe“, „Charlottenburg“, „Samstag geöffnet“)

Die Investition: 25 Stunden Arbeitszeit. Der Return: Geschätzte 8.000€ zusätzlicher Umsatz pro Monat durch neue Stammkunden, die das Café über KI-Empfehlungen fanden.

Kosten des Nichtstuns: Was Sie wirklich verlieren

Rechnen wir konkret: Ein Berliner Einzelhandelsgeschäft mit durchschnittlich 200 relevanten lokalen Suchanfragen pro Monat, die es nicht abgreift, bei einer Conversion Rate von 5% und einem durchschnittlichen Warenkorb von 80€:

200 An