Lokalen GEO-Baseline-Audit richtig durchführen

Fragen Sie zehn lokale Unternehmer, wie sie in der KI-Suche abschneiden, und neun zeigen auf ihr Google Business Profile. Das ist der falsche Ort für die Diagnose. ChatGPT empfahl laut SOCis Local Visibility Index 2026 nur 1,2 Prozent von nahezu 350.000 analysierten Standorten. Dieselben Marken erscheinen im Google Local 3-Pack zu 35,9 Prozent – eine Lücke von etwa dem Dreißigfachen. Gemini empfahl 11 Prozent der Standorte, Perplexity 7,4 Prozent. Profilinformationen waren bei ChatGPT und Perplexity nur zu etwa 68 Prozent korrekt, bei Gemini dagegen zu 100 Prozent, weil dort Google-Maps-Daten die Grundlage bilden.

Ein Betrieb kann das Map Pack dominieren und dennoch verschwinden, sobald jemand ChatGPT um eine Empfehlung bittet. Viele lokale Unternehmen haben noch nie geprüft, was KI-Systeme über sie sagen. Sie investieren in Content und Citations, ohne zu wissen, ob etwas davon dort ankommt, wo Sichtbarkeit heute zählt. Ein lokaler GEO-Baseline-Audit schließt diese Lücke: Er liefert eine wiederholbare Methode, um zu messen, wie KI ein Unternehmen beschreibt, empfiehlt oder ignoriert – bevor weiteres Budget fließt.

Warum die Baseline zuerst kommen muss

Ohne Ausgangswert lässt sich kein Fortschritt belegen. Die Baseline liefert Kennzahlen für Share of Voice, Citation Rate und Faktengenauigkeit. Zugleich beantwortet sie eine strategische Frage: Kann KI die Website überhaupt crawlen, verstehen und als vertrauenswürdig einstufen? Die Antwort bestimmt die nächsten Schritte. Eligibility-Probleme müssen vor jeder Content-Strategie sichtbar werden.

KI gewichtet Signale anders als klassische lokale Suche. Traditionelle Local SEO setzt stark auf Nähe. KI priorisiert Datenvertrauen, Autorität und Konsistenz im Web. Drittvalidierung und einheitliche Unternehmensdaten zählen oft stärker als die Distanz zum Suchenden. Map-Pack-Rankings sagen deshalb fast nichts über KI-Sichtbarkeit aus.

Schritt 1: Audit-Inputs vorbereiten

Bevor der erste Prompt läuft, gehört Struktur in eine Tabelle. Vier Abfragekategorien decken unterschiedliche Schwächen ab:

• Discovery: „bester [Service] in meiner Nähe“ oder „Top-[Service] in [Stadt]“
• Vergleich: „[Marke] vs. [Wettbewerber] in [Stadt]“
• Vertrauen: „[Marke] Bewertungen“ oder „Ist [Marke] zuverlässig?“
• Logistik: Öffnungszeiten, Adresse, Parkplätze und Telefonnummer

Jede Abfrage sollte auf den Plattformen laufen, die Kunden wirklich nutzen: ChatGPT, Perplexity, Gemini und Google AI Overviews. Jede Plattform zieht andere Quellen heran und formuliert anders. Sichtbarkeit auf einer Oberfläche garantiert keine Sichtbarkeit auf einer anderen.

Kontrollieren Sie Störfaktoren: Testen Sie von einem definierten Standort und notieren Sie Stadt oder Postleitzahl. Führen Sie eine saubere, ausgeloggte Sitzung parallel zu einer eingeloggten durch, um Personalisierung zu reduzieren. Datieren Sie jeden Lauf. Modelle ändern sich ständig; ein Screenshot ohne Datum ist kaum vergleichbar.

Schritt 2: Prompts ausführen und Ergebnisse erfassen

Für jeden Prompt auf jeder Plattform erfassen Sie fünf Punkte:

• Erwähnung: Nennt die KI das Unternehmen namentlich?
• Reihenfolge: Erste, mittlere, letzte Position oder fehlend?
• Sentiment und Framing: Positiv, neutral oder negativ?
• Faktengenauigkeit: Stimmen Zeiten, Leistungen und Preise?
• Quellen: Welche URLs und Verzeichnisse stützen die Antwort?

Empfohlene Spalten in der Auswertungstabelle sind Prompt, Plattform, Erwähnung, Position, Accuracy Score, Sentiment, Citation Count und Top Sources. Daraus entstehen zwei Kernmetriken: Sichtbarkeitsprozentsatz (wie oft das Unternehmen erscheint) und Genauigkeitsprozentsatz (wie oft die Fakten stimmen). Diese Zahlen bilden die Baseline für spätere Vergleiche.

Ergänzend lohnt ein Share-of-Voice-Vergleich: Wie oft werden direkte Wettbewerber in denselben Discovery- und Vergleichsprompts genannt? So wird sichtbar, ob die Marke fehlt, nur selten erscheint oder systematisch hinter stärker zitierten Alternativen zurückbleibt. Speichern Sie Screenshots und Rohantworten mit Zeitstempel, damit spätere Modellupdates nachvollziehbar bleiben.

Schritt 3: Eligibility und Datenqualität prüfen

Wenn KI das Unternehmen kaum nennt, liegt das Problem oft vor der Content-Produktion. Prüfen Sie Crawlbarkeit für relevante Bots, konsistente NAP-Daten über Verzeichnisse hinweg und ob strukturierte Daten den Geschäftstyp eindeutig machen. Widersprüche bei Adresse, Telefon oder Öffnungszeiten senken das Datenvertrauen. Gemini kann über Maps-Daten korrekt sein, während ChatGPT und Perplexity veraltete Drittquellen spiegeln – genau diese Differenz macht den Baseline-Audit wertvoll.

Wettbewerbs- und Quellenbild

Notieren Sie, welche Wettbewerber in denselben Prompts empfohlen werden und welche Domains als Quellen dienen. Häufig sind Branchenportale, Bewertungsplattformen und lokale Medien stärker als die eigene Website. Das zeigt, wo Autoritätssignale fehlen und wo Citations oder PR nachziehen müssen, bevor weitere On-Page-Maßnahmen greifen.

Schritt 4: Baseline interpretieren und priorisieren

Interpretieren Sie die Ergebnisse entlang von drei Achsen: Sichtbarkeit, Genauigkeit und Sentiment. Hohe Map-Pack-Reichweite bei niedriger KI-Erwähnung signalisiert einen GEO-Gap. Hohe Erwähnung bei niedriger Genauigkeit ist ein Trust- und Datenproblem. Negative Framing trotz korrekter Stammdaten weist auf Review- und Reputationsarbeit hin. Priorisieren Sie Fixes nach Wirkung: zuerst Eligibility und Datenkonsistenz, dann zitierfähige Local-Content-Formate, danach Distribution über vertrauenswürdige Drittquellen.

Wiederholen Sie denselben Prompt-Satz quartalsweise unter gleichen Standort- und Session-Bedingungen. Nur so wird aus einem Snapshot ein Trend. Dokumentieren Sie zudem, welche Maßnahmen zwischen den Läufen umgesetzt wurden, etwa NAP-Bereinigung, neue Location-Seiten oder stärkere Präsenz auf Bewertungsportalen. Der lokale GEO-Baseline-Audit ersetzt klassisches Local SEO nicht, sondern ergänzt es um die Frage, ob generative Systeme das Unternehmen empfehlen, korrekt darstellen oder zugunsten von Wettbewerbern auslassen – bevor weiteres Budget in Content und Citations fließt.