AIVA Index
Unter 30 von 100
Case Study
Wie eine Schweizer Pensionskasse ihre Google AI Overviews Sichtbarkeit verdoppelte
Durch den Aufbau einer AI Visibility Architecture (AIVA)
Executive Summary
Eine der führenden Schweizer Pensionskassen stand vor einem Problem, das in der Finanzbranche kaum jemand noch auf dem Radar hat:
Trotz etablierter Marke, funktionierender Website und solider Inhalte war das Unternehmen in AI-Systemen praktisch unsichtbar.
HR-Verantwortliche, Geschäftsführer und Versicherte stellen Vorsorge-Fragen zunehmend in KI-Systemen. Wer dort nicht vorkommt, verliert Vertrauen – bevor das erste Gespräch stattfindet.
+97 % Google AI Overview Sichtbarkeit
0 % → ~100 % LLM-Sichtbarkeit bei Schlüssel-Prompts
Level 3 AIVA Maturity Model (von Level 1–2)
6–8 Wochen Umsetzungszeitraum (AIVA Sprint)
Gemessen mit Peec AI – modellübergreifend, stabil und reproduzierbar.
Die Ausgangssituation:
Die „Ghost Entity“ im Vorsorge-Segment
Die Pensionskasse hatte:
- Etablierte Marke und langjährige Marktposition
- Strukturierte Website mit relevanten Inhalten
- Funktionierende digitale Präsenz im klassischen Sinne
Und trotzdem:
- Bei ChatGPT, Perplexity und Claude: kaum Erwähnungen
- Google AI Overview: Sichtbarkeit bei nur 27,3 % der relevanten Prompts
- Bei einzelnen Schlüssel-Prompts: 0 % Sichtbarkeit – selbst dann, wenn der Markenname im Prompt stand
Die Analyse zeigte:
Die Website lieferte zwar Informationen – aber keine antwortfähigen Inhalte, die LLMs als Zitationsquelle nutzen konnten.
Im AIVA-Modell bedeutet das:
Keine Architektur → keine Sichtbarkeit
Die Ausgangsdaten (Peec AI Analysis)
AIVA Maturity Level
Level 1–2 (Invisible / Fragmented Present)
Google AI Overview Sichtbarkeit
27,3 % (für kundendefinierte Prompts)
LLM-Sichtbarkeit (Schlüssel-Prompts)
0 % – keine Nennung, kein Bezug auf die Marke als Quelle
Problemkern
Keine strukturierten, zitierfähigen Inhalte auf der Website
Die eigentliche Ursache:
Ein Architekturproblem, kein Content-Problem
Die Diagnose entlang der AIVA-Logik ergab drei strukturelle Defizite
Fehlende Antwortfähigkeit der Inhalte
LLMs suchen keine Webseiten – sie suchen Antworten.
Die Pensionskasse hatte Inhalte, aber keine Inhalte, die Modelle direkt als Antwort auf konkrete Nutzerfragen verwenden konnten. Weder strukturell noch semantisch waren die Texte so aufgebaut, dass LLMs sie als zitierfähige Faktenquelle erkennen konnten.
AI-Systeme konnten keine klaren, maschinenlesbaren Antworten zu Themen wie:
- BVG-Grundlagen und Vorsorgelösungen
- Unterschiede zwischen Vorsorgemodellen
- konkreten Leistungsversprechen der Pensionskasse
Keine External Validation Layer
AI-Systeme vertrauen nicht primär auf Unternehmens-Websites.
Sie vertrauen auf:
- Drittquellen und Referenzplattformen
- Strukturierte Wissensquellen
- Extern verifizierte Informationen
→ Die Pensionskasse hatte keine ausreichenden externen Validierungssignale – auch auf Plattformen, die LLMs als hochautoritativ einordnen.
Fehlende Co-Occurrence Patterns
Wettbewerber und Institutionen erschienen konsistent in Verbindung mit:
- Relevanten Fachbegriffen (BVG, Säule 2, Freizügigkeit)
- Spezifischen Anwendungsszenarien
- Institutionellen Kontexten
→ Diese Muster fehlten bei der Marke vollständig. Für AI-Systeme bedeutet das: geringe Wahrscheinlichkeit, die Marke zu nennen – selbst bei markennahen Anfragen.
Die Lösung: Aufbau der AIVA (AI Visibility Architecture)
Anstatt operative Maßnahmen zu skalieren, wurde die gesamte Sichtbarkeit neu gedacht:
Nicht als Content-Problem. Sondern als Architekturproblem.
Die Umsetzung erfolgte im Rahmen eines fokussierten 6–8-Wochen-Sprints – kein laufendes Agentur-Abo, sondern ein einmaliges Investment mit klar definiertem Ziel: Verstehen, warum AI-Systeme die Organisation ignorieren – und die Architektur aufbauen, die das ändert.
Die Umsetzung erfolgte in vier systematischen Schritten:
Prompt Landscape Mapping
Schritt 1- Analyse der relevanten AI-Nachfrage im Vorsorge- und Pensionskassen-Segment
- Identifikation strategischer Kern-Prompts (BVG-Fragen, Vorsorgeoptionen, Vergleiche)
- Mapping der Entscheidungsfragen von HR-Verantwortlichen, Geschäftsführern und Versicherten
- Priorisierung nach Relevanz für Vertrauensaufbau und Kundenentscheidungen
AI Mention Mapping
Schritt 2- Analyse, welche Marken und Institutionen in AI-Antworten dominieren – und warum
- Identifikation der Quellen, auf die LLMs für Vorsorge-Themen vertrauen
- Aufdeckung der Co-Occurrence Gaps: Wo fehlte die Marke im Kontext relevanter Fachbegriffe?
- Wettbewerber-Positionierung in AI-Systemen systematisch erfasst
Architecture Rebuild (Core AIVA Hebel)
Schritt 3- Aufbau eines strukturierten Knowledge-Centers mit antwortfähigen Inhalten
- Semantische Topic-Cluster: Inhalte so strukturiert, dass LLMs sie als direkte Antwortquelle erkennen
- Entity Authority: Klare Verknüpfung von Marke, Themenfeldern und konkreten Vorsorge-Anwendungsfällen
- Knowledge Graph Signale: maschinenlesbare Fakten-Cluster für LLM-Zitation
- Ergebnis: Das Knowledge-Center wird nachweislich als Source genutzt (messbar in Peec AI)
Authority Amplification
Schritt 4- Strategische Referenzinhalte, die AI-Systeme aktiv als Quelle zitieren
- Externe Validierungssignale auf relevanten Plattformen im Vorsorgebereich
- Gezielte Long-Tail-Abdeckung für entscheidungsnahe Fragen
- Nicht durch mehr Content – sondern durch präzisere Architektur-Signale
Die Ergebnisse: Von Unsichtbarkeit zur strukturierten KI-Sichtbarkeit
Innerhalb von 6–8 Wochen nach Implementierung des AIVA Architecture Sprints:
| Vorher | Nachher | |
|---|---|---|
| Google AI Overview Sichtbarkeit: | 27,3 % | 53,8 % |
| LLM-Sichtbarkeit bei Schlüssel-Prompts: | 0 % | ~100 % |
| AIVA Maturity: | Level 1–2 | Level 3 |
| keine zitierfähigen, antwortfähigen Inhalte | Knowledge-Center wird nachweislich als Source genutzt |
27,3 % → 53,8 %Google AI Overview Sichtbarkeit
0 % → ~100 %LLM-Sichtbarkeit bei Schlüssel-Prompts
Level 1–2 → 3AIVA Maturity
Level
Level
Source Authority aufgebautKnowledge-Center wird als Zitationsquelle genutzt
Warum diese Strategie funktioniert
AI-Systeme funktionieren fundamental anders als Suchmaschinen.
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 größte Impact ist nicht Traffic.
Sondern: AI Authority.
Im Vorsorgekontext bedeutet das
- Höhere Wahrscheinlichkeit, bei Kaufprozessen und Anbieterwechseln genannt zu werden
- Stärkere Wahrnehmung als seriöser, kompetenter Anbieter
- Vertrauensaufbau noch vor dem ersten Kontakt
- Struktureller Wettbewerbsvorteil, solange Mitbewerber noch auf klassisches SEO setzen
Besondere Relevanz im Pensionskassen-Segment
- HR-Verantwortliche und Geschäftsführer recherchieren Vorsorgelösungen zunehmend in AI-Systemen. Wer dort nicht vorkommt, existiert für die neue Generation von Entscheidern schlicht nicht.
Fazit
Dieses Projekt zeigt exemplarisch, was viele Unternehmen im DACH-Raum noch nicht verstanden haben:
AI Visibility ist kein Content- oder SEO-Thema. Es ist ein Architektur-Thema.
Bevor in AI Visibility investiert wird, muss die Ausgangslage klar sein – und verstanden werden, warum AI-Systeme eine Organisation ignorieren.
→ Genau das leistet der AIVA Architecture Sprint.
Wer ohne diese Diagnose startet, optimiert ins Leere.
Unternehmen, die ihre AIVA (AI Visibility Architecture) aktiv aufbauen, werden:
- Häufiger genannt
- Schneller gefunden
- Als relevanter wahrgenommen
Alle anderen werden:
- → 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.
