Ein Restaurant-Netzwerk in KI-Antworten sichtbar machen: ein GEO-Projekt Schritt für Schritt

Gäste suchen nicht mehr nur 'Restaurant in der Nähe'. Sie fragen ChatGPT nach einem ruhigen Italiener für sechs Personen am Freitag oder lassen Googles AI Mode drei Optionen vergleichen. Eine europäische Gastro-Plattform mit einem grossen Netzwerk von Restaurant-Websites wollte wissen, wie oft das schon Gäste bringt und wie ihre Restaurants in diese Antworten kommen. Das ist die anonymisierte Aufarbeitung dieses Projekts: drei Phasen, Bestandsaufnahme, Auswahl und Sprints, von der ersten Baseline bis zu zehn priorisierten Experimenten und zwei funktionierenden Proofs of Concept. Was wir gemessen haben, was wir ausprobiert haben und was ich wieder genauso machen würde.

Dominik Heinrich

8. November 202610 Min. Lesezeit

1. Phase eins, Bestandsaufnahme: messen vor dem Optimieren

Die erste Frage war nicht 'Wie ranken wir in ChatGPT?', sondern 'Wie viel unseres Traffics kommt schon von KI, und konvertiert er?'. Zwei Datenquellen beantworten das ohne neue Tools. Web-Analytics zeigt Besuche, deren Referrer ein KI-Assistent ist, etwa chatgpt.com, perplexity.ai, gemini.google.com oder copilot.microsoft.com; eine eigene Kanalgruppe trennt sie von organischer Suche und Social. Bei Googles eigenen KI-Funktionen sieht es anders aus: Laut Google zählen Besuche aus AI Overviews und AI Mode im Leistungsbericht der Search Console unter dem Suchtyp 'Web', zusammen mit der normalen Suche.

Nebeneinandergestellt ergaben KI-vermittelte Besuche und ihre Buchungen neben der klassischen Suche die Baseline, an der jedes spätere Experiment gemessen wurde. Diese Baseline zählt mehr als jede Tool-Demo: Ohne sie kann in drei Monaten niemand sagen, ob etwas gewirkt hat.

text

Custom channel group 'AI assistants' (session source matches regex)
^(chatgpt\.com|chat\.openai\.com|perplexity\.ai|gemini\.google\.com|copilot\.microsoft\.com|claude\.ai)$

Google AI Overviews / AI Mode: no separate referrer —
counted in Search Console > Performance > Search type 'Web'

Bestandsaufnahme, Auswahl, Sprints: Jedes Experiment wird an der Baseline aus Phase eins gemessen.

2. Prompt-Recherche für rund 150 Landingpages

Keyword-Listen beschreiben, was Menschen in ein Suchfeld tippen. KI-Assistenten bekommen ganze Sätze: wer kommt, was gegessen werden soll, der Anlass, das Budget, das Quartier. Also war der zweite Schritt Prompt-Recherche. Für rund 150 Landingpages las ein LLM die Sitemap und jede Seite und erzeugte die Fragen, die ein echter Gast einem Assistenten plausibel stellen würde, um genau auf dieser Seite zu landen. Diese Prompts gingen zur Beobachtung in Semrush, damit wir über die Zeit sehen konnten, ob und wie die Restaurants in KI-Antworten auftauchten.

Zwei Details zählen. Die Prompts müssen wie Gäste klingen, nicht wie Marketing, also sollten Menschen, die die Restaurants kennen, eine Stichprobe lesen, bevor Sie Hunderte verfolgen. Und die Erzeugung selbst kann auf einem offenen Modell in der eigenen Infrastruktur laufen, wenn Seiteninhalte oder Analytics-Daten das Unternehmen nicht verlassen sollen; dieses Setup beschreibe ich in einem eigenen Artikel.

Tipp aus der Praxis

Pro Seite fünf Prompts von Hand schreiben, bevor Sie hundert erzeugen. Sie werden zur Messlatte, an der die Prompts des Modells gemessen werden.

Interaktiv

Was fragen Ihre Kunden eine KI?

Wählen Sie Branche und Absichten. Die Beispiele kommen aus Vorlagen in Ihrem Browser; echte Prompt-Recherche erzeugt Hunderte pro Seite mit einem offenen Modell aus Ihrer Sitemap.

Branche

StadtIhre Marke

Absicht

Welches Restaurant in Munich ist das beste?
Welches Restaurant in Munich empfehlen Einheimische?
Vergleiche die drei besten Optionen (Restaurant, Munich) nach Preis und Bewertungen
Ihre Marke oder ein anderes Restaurant in Munich: was passt besser für ein kleines Team?
Wo kann ich in Munich für dieses Wochenende ein Restaurant buchen?
Finde ein Restaurant in Munich, das morgen frei ist

Alle Rechner und Checklisten

3. Tools und die Fragen der Rechtsabteilung

Der Markt für KI-Visibility-Tools ändert sich monatlich, also haben wir sie an einer kurzen Liste von Kriterien verglichen statt an Feature-Listen: welche Assistenten sie tatsächlich abfragen, wie oft, in welchen Ländern und Sprachen, ob sich Ergebnisse exportieren lassen und was sie pro verfolgtem Prompt kosten. Das Prompt-Tracking selbst lief in Semrush.

Recht und Datenschutz stellten die Fragen, die sie stellen sollten: Welche Daten gehen an welchen Anbieter, verlassen Gästedaten das Unternehmen, wo wird verarbeitet, darf ein Anbieter sie fürs Training nutzen? Diese Antworten vor dem ersten Test schriftlich zu haben, hat später Wochen gespart. Es ist auch der Grund, warum der Erzeugungsschritt aus dem vorherigen Abschnitt bei Bedarf auf einem offenen Modell in eigener Infrastruktur laufen kann.

4. Einträge: die Fakten, die Assistenten zitieren

Wenn ein Assistent ein Restaurant empfiehlt, zitiert er Fakten: Öffnungszeiten, Adresse, Küche, Preisniveau, ob ein Tisch für sechs reservierbar ist. Diese Fakten kommen von der eigenen Website des Restaurants und von Drittportalen, und wenn sie sich widersprechen, wählt der Assistent eine Version oder lässt das Restaurant weg. Also haben wir Listing-Plattformen verglichen, die Restaurantdaten per API an viele Portale veröffentlichen können, mit einer einzigen Datenquelle dahinter.

Auf der Website erledigen strukturierte Daten dieselbe Aufgabe für Suchmaschinen: ein Restaurant- oder LocalBusiness-Block pro Standort mit Öffnungszeiten, Adresse, Link zur Speisekarte und Reservierungsmöglichkeiten, nach Googles Leitfaden für lokale Unternehmen. Google selbst sagt, dass für seine KI-Funktionen über solides SEO hinaus keine besonderen Optimierungen nötig sind; konsistente, strukturierte Fakten sind genau das.

json

{
  "@context": "https://schema.org",
  "@type": "Restaurant",
  "name": "Trattoria Example",
  "servesCuisine": "Italian",
  "priceRange": "€€",
  "address": { "@type": "PostalAddress", "streetAddress": "…", "addressLocality": "…" },
  "openingHoursSpecification": [{ "@type": "OpeningHoursSpecification", "dayOfWeek": ["Friday", "Saturday"], "opens": "18:00", "closes": "23:00" }],
  "acceptsReservations": "True",
  "hasMenu": "https://example.com/menu"
}

5. Phase zwei, Auswahl: zehn Experimente, in einem Workshop geordnet

Eine Bestandsaufnahme liefert mehr Ideen, als ein Team ausprobieren kann. Wir haben jede als Experiment formuliert, mit Hypothese, der Kennzahl aus der Baseline, die sie bewegen soll, und einer Aufwandsschätzung, und die Liste in einem Workshop mit den Leuten, die sie umsetzen müssen, nach Wirkung und Aufwand geordnet. Zehn haben es geschafft. Die Liste mischte bewusst technische, inhaltliche und Listing-Experimente, denn noch weiss niemand, welcher Hebel KI-Antworten für ein bestimmtes Geschäft am stärksten bewegt, und der ehrliche Weg, es herauszufinden, ist, einige parallel zu testen.

Der Workshop entschied auch, was nicht gemacht wird. Alles, was sich nicht an der Baseline messen liess oder Monate bis zum ersten Ergebnis brauchte, wurde geparkt. Das verhindert, dass ein GEO-Programm zu einer Content-Fabrik wird, die niemand bewerten kann.

6. Phase drei, Sprints: Proofs of Concept statt Folien

Die besten Experimente liefen in Sprints, und zwei wurden zu funktionierenden Proofs of Concept. Der erste veröffentlichte Restaurantdaten automatisch über eine Listing-API an Drittportale, sodass eine Änderung an einer Stelle jedes Portal erreicht, statt in jedem Portal von Hand gepflegt zu werden. Der zweite war ein Generator für SEO- und GEO-Artikel: Er entwirft Seiten, die die Art Fragen aus der Prompt-Recherche beantworten, aus den eigenen Fakten des Restaurants. Erzeugte Seiten sollten immer von einem Menschen geprüft werden, bevor sie live gehen.

Der Sinn der Baseline aus Phase eins ist, dass sich jedes Experiment an ihr messen lässt. Diese Schleife, messen, auswählen, bauen, wieder messen, würde ich in jedem GEO-Projekt behalten, egal in welcher Branche. Der GEO-Readiness-Check unten gibt eine erste grobe Einschätzung für Ihre eigene Website, und mein Leitfaden GEO Adaptation Framework deckt den ganzen Prozess ab.

Fazit
GEO ist kein neuer Zaubertrick, sondern diszipliniertes Messen: eine Baseline aus den vorhandenen Daten, realistische Prompts pro Seite, konsistente Fakten überall, wo Assistenten nachsehen, und Experimente, die man beweisen oder verwerfen kann.

Echte Projekte dazu

GEO: ein Restaurant-Netzwerk in der KI-Suche sichtbar machen

Selbst ausprobieren

Das für Ihr Unternehmen? Sprechen wir mail@dominikheinrich.ch

Quellen und offizielle Leitfäden