AI Visibility (Baseline)
7,2 %
Case Study
Wie die De Martin AG ihre Fachkompetenz in der B2B-Oberflächentechnologie für moderne KI-Suchsysteme auffindbar macht.
Durch den Aufbau einer AI Visibility Architecture (AIVA)
Executive Summary
Ein etabliertes Schweizer Industrieunternehmen aus der Oberflächenbeschichtung stand vor einer Ausgangslage, die in vielen B2B-Märkten noch unterschätzt wird.
Trotz achtzig Jahren technischer Erfahrung, einer funktionierenden Website und fachlich fundierter Inhalte war das Unternehmen in KI-Systemen kaum präsent.
Einkäufer und Ingenieure recherchieren Anbieter zunehmend in Systemen wie ChatGPT, Perplexity und Google AI Overview. Wer dort nicht genannt wird, ist aus der Auswahl ausgeschlossen, bevor der erste Kontakt zustande kommt.
7,2 % → 17,2 % AI Visibility
21,7 % → 32,9 % Share of Voice (Rang 3 zu Rang 1)
5,3 → 3,4 Ø Antwortposition
4,1 → 36,7 Sichtbarkeit in Google AI Overview
Gemessen mit Peec AI, modellübergreifend über ChatGPT, Perplexity und Google AI Overview. Baseline Januar 2026 gegen ein rollierendes 30-Tage-Fenster bis 07.07.2026.
Die Ausgangssituation:
Die „Ghost Entity“ im Segment Oberflächenbeschichtung
Das Unternehmen hatte:
- eine etablierte Marke und langjährige Marktposition
- eine strukturierte Website mit fachlich korrekten Inhalten
- eine funktionierende digitale Präsenz im klassischen Sinne
Und trotzdem:
- bei ChatGPT, Perplexity und Google AI Overview: kaum Nennungen
- bei entscheidungsnahen Anbieterfragen: keine Präsenz oder Platzierung hinter generischen Portalen
- selbst bei fachlich einschlägigen Anfragen wurde die Marke übergangen
Aus Sicht klassischer Suchmaschinenlogik war die Aufstellung solide. Genau darin lag die Ursache. KI-Systeme bewerten keine einzelnen Seiten und erzeugen keine Rangliste. Sie setzen Antworten aus einem Netz von Referenzen zusammen und ziehen dafür die Entität heran, die extern am eindeutigsten bestätigt ist. Eine gepflegte Website ist in dieser Logik kein Nachweis von Autorität.
Im AIVA-Modell bedeutet das:
Keine Architektur → keine Sichtbarkeit
Die Ausgangsdaten (Peec AI Analysis)
Share of Voice (Baseline)
21,7 %, Rang 3 der Kategorie
Ø Antwortposition
5,3
AIVA Maturity (Einordnung)
Level 1 bis 2 (Invisible / Fragmented)
Problemkern
Die Marke wurde als isolierte Entität ohne ausreichende externe Validierung interpretiert.
Die eigentliche Ursache:
Ein Architekturproblem, kein Content-Problem
Die technische Grundlage war intakt. Die Website war für KI-Crawler zugänglich und lesbar. Die Diagnose entlang des AIVA Framework zeigte drei strukturelle Defizite, die außerhalb der Website lagen.
Fehlende Entity Authority
Die Marke war im globalen Knowledge Graph nicht eindeutig als Entität verankert. Es fehlten konsistente Signale, die das Unternehmen klar mit seinen Kerntechnologien wie Hartchrom, PVD und DLC und mit konkreten Anwendungsfeldern wie Textilmaschinen, Medizintechnik und Wehrtechnik verbanden.
Für KI-Systeme blieb die Identität der Marke unscharf. Eine Entität, die nicht eindeutig ist, wird seltener genannt.
Keine External Validation Layer
KI-Systeme vertrauen nicht primär auf Unternehmens-Websites. Sie stützen sich auf Drittquellen, Referenzplattformen und strukturierte Wissensquellen. Auf den wenigen Plattformen, die diese Systeme als hochautoritativ einordnen, war die Marke kaum präsent.
Ohne ausreichende externe Bestätigung sinkt die Wahrscheinlichkeit einer Empfehlung.
Fehlende Co-Occurrence Patterns
Etablierte Wettbewerber erschienen konsistent im Kontext relevanter Fachbegriffe und Anwendungsfälle.
Diese Verknüpfung fehlte bei der Marke. Für KI-Systeme bedeutet das eine geringe Wahrscheinlichkeit, im richtigen fachlichen Zusammenhang genannt zu werden.
Die Lösung: Aufbau der AIVA (AI Visibility Architecture)
Anstatt operative Maßnahmen zu skalieren, wurde die Sichtbarkeit neu aufgebaut. Nicht als Content-Problem, sondern als Architekturproblem.
Der Einstieg erfolgte über einen fokussierten AIVA Architecture Sprint mit klar definiertem Ziel: verstehen, warum KI-Systeme die Organisation übergehen, und die Architektur anlegen, die das ändert.
Die Umsetzung erfolgte in vier Schritten.
Prompt Landscape Mapping
Schritt 1- Analyse der relevanten KI-Nachfrage im Segment Oberflächenbeschichtung
- Identifikation der entscheidungskritischen Kern-Intents (25 getrackte Intents)
- Priorisierung nach Relevanz für Umsatz und Positionierung
AI Mention Mapping
Schritt 2- Analyse, welche Anbieter in KI-Antworten dominieren und warum
- Identifikation der Quellen, auf die sich die Modelle in diesem Segment stützen
- Aufdeckung der Co-Occurrence Gaps und systematische Erfassung der Wettbewerbsposition
Architecture Rebuild (Core AIVA Hebel)
Schritt 3- Der entscheidende Eingriff erfolgte im Referenznetz außerhalb der Website
- Eindeutige Positionierung der Marke als Entität im Knowledge Graph
- Maschinenlesbare Verknüpfung von Marke, Technologie und Anwendungsfall auf den Plattformen, die die Modelle als Grundwahrheit lesen
- Aufbereitung externer Inhalte als Fakten- und Referenzpunkte für die Zitation
Authority Amplification
Schritt 4- Strategische Referenzinhalte, die KI-Systeme als Quelle heranziehen
- Externe Validierungssignale auf relevanten Fachplattformen
- Gezielte Abdeckung entscheidungsnaher Long-Tail-Fragen
- Nicht durch mehr Content, sondern durch präzisere Architektur-Signale
Die Ergebnisse: Von Unsichtbarkeit zur strukturierten KI-Sichtbarkeit
Im Beobachtungszeitraum verschob sich die Position der Marke strukturell. Aus einem nachrangigen Anbieter wurde die meistgenannte Marke der Kategorie.
| Vorher | Nachher | |
|---|---|---|
| AI Visibility: | 7,2 % | 17,2 % |
| Share of Voice | 21,7 % (Rang 3 der Kategorie) | 32,9 % (Rang 1 der Kategorie) |
| AIVA Maturity: | Level 1 bis 2 (Invisible / Fragmented) | Richtung Level 4 (Strategic) |
| Ø Antwortposition: | 5,3 | 3,4 |
7,2 % → 17,2 %AI Visibility
21,7 % → 32,9 %Share of Voice (Rang 3 zu Rang 1)
5,3 → 3,4Ø Antwortposition
21 / 25Kern-Intents mit Präsenz
Warum diese Strategie funktioniert
KI-Systeme funktionieren anders als Suchmaschinen. Sie beruhen auf Referenzstrukturen und semantischen Beziehungen, auf extern validierten Wissensquellen und auf antwortfähigen Inhalten, nicht auf rankbaren Seiten.
Unternehmen, die diese Architektur aktiv gestalten, werden systematisch häufiger genannt, als vertrauenswürdige Quelle eingeordnet und sind präsent, bevor der erste Kontakt mit einem Kunden entsteht.
Sie basieren auf
- Referenzstrukturen und semantischen Beziehungen
- Extern validierten Wissensquellen
- Antwortfähigen Inhalten – nicht nur rankbaren Seiten
Unternehmen, die diese Architektur aktiv gestalten
- Werden systematisch häufiger erwähnt
- Werden als vertrauenswürdige Quelle eingestuft
- Sind präsent, bevor das erste Gespräch mit einem Kunden stattfindet
Der strategische Effekt
Der wesentliche Effekt ist nicht Traffic, sondern Autorität in KI-Systemen: AI Authority.
Im industriellen B2B bedeutet das eine höhere Wahrscheinlichkeit, in Kaufprozessen und bei Anbieterwechseln genannt zu werden, eine stärkere Wahrnehmung als relevanter Anbieter und einen strukturellen Vorteil, solange Wettbewerber ihre Sichtbarkeit weiter allein über klassisches SEO steuern. Dieser Vorsprung beruht auf Architektur. Er lässt sich nicht kurzfristig über Budget oder Content-Volumen ausgleichen.
Fazit
Der Fall zeigt eine Einordnung, die für viele Unternehmen im DACH-Raum relevant ist. AI Visibility ist kein Content- oder SEO-Thema. Es ist ein strukturelles Thema.
Bevor in AI Visibility investiert wird, sollte die Ausgangslage klar sein und verstanden werden, warum KI-Systeme eine Organisation übergehen. Genau das leistet der AIVA Architecture Sprint. Unternehmen, die ihre AI Visibility Architecture aktiv aufbauen, werden häufiger genannt, schneller gefunden und als relevanter eingeordnet. Alle anderen bleiben in KI-Systemen unsichtbar.
Sie möchten wissen, wo Ihre Organisation im AIVA-System steht?
Der AIVA Architecture Sprint hilft Ihnen, Ihre aktuelle AI Visibility strukturiert einzuordnen, Defizite sichtbar zu machen und klare Prioritäten für die nächsten Schritte abzuleiten.
