Was ist AI Placement? KI-Werbung jenseits von Anzeigen

Wer heute wissen will, welches Buchhaltungsprogramm zu einem Freiberufler passt, tippt immer seltener zwei Stichwörter in eine Suchmaske. Stattdessen wird die Frage ausformuliert und an einen Assistenten gestellt. Die Antwort kommt als Fließtext, nennt drei Anbieter und begründet die Auswahl. Für Marken verschiebt sich damit die entscheidende Frage: nicht mehr “Wie ranke ich?”, sondern “Werde ich genannt?”

Genau darum geht es bei AI Placement. Der Begriff beschreibt die gezielte Arbeit daran, dass eine Marke in den Antworten generativer KI-Systeme vorkommt — nicht als Anzeige, sondern als inhaltlich begründete Nennung.

AI Placement ist kein Werbeformat

Der Name führt leicht in die Irre. Bei klassischer Werbung kaufen Sie einen Platz: eine Position im Suchergebnis, eine Fläche auf einer Website, einen Slot vor einem Video. Bei AI Placement gibt es diesen Platz nicht zu kaufen. Ein Sprachmodell entscheidet in dem Moment, in dem es antwortet, welche Anbieter es für relevant hält.

Beeinflussbar ist diese Entscheidung trotzdem — über die Informationen, auf die das Modell zugreift. Das umfasst drei Wege:

• Trainingswissen. Was zum Zeitpunkt des Trainings über eine Marke im Netz stand, steckt in unterschiedlicher Genauigkeit im Modell.
• Retrieval. Viele Assistenten rufen zur Laufzeit aktuelle Webseiten ab und beziehen sie in die Antwort ein.
• Zitate. Systeme wie Perplexity oder ChatGPT mit Websuche belegen Aussagen mit Quellen und verlinken sie.

Diese drei Wege haben unterschiedliche Hebel und unterschiedliche Zeithorizonte. Wer nur einen davon bearbeitet, lässt Wirkung liegen.

Der Unterschied zu klassischem SEO

Suchmaschinenoptimierung zielt auf eine Position in einer Liste. Antwortmaschinen erzeugen keine Liste, sondern einen Text. Das verschiebt, worauf es ankommt.

Der letzte Punkt ist der unangenehmste. Eine Suchergebnisseite hat Platz für zehn Ergebnisse, dazu Anzeigen und weitere Elemente. Ein Assistent nennt selten mehr als fünf Anbieter. Wer nicht dabei ist, kommt für die fragende Person schlicht nicht vor. Es gibt keine zweite Seite.

Woran ein Modell eine Marke festmacht

Sprachmodelle arbeiten nicht mit Markennamen, sondern mit Entitäten: einer Vorstellung davon, worum es sich bei einem Begriff handelt, wozu er gehört und was über ihn bekannt ist. Ein Name allein reicht dafür nicht. Nötig ist ein Bündel aus Merkmalen, das über verschiedene Quellen hinweg dasselbe aussagt.

Praktisch heißt das:

1. Eindeutige Zuordnung. Kategorie, Zielgruppe und Leistungsversprechen müssen klar benannt sein, nicht nur bildhaft umschrieben.
2. Konsistenz über Quellen. Website, Verzeichnisse, Fachportale und Social-Profile sollten dieselben Kernaussagen tragen. Widersprüche kosten Vertrauen im Modell.
3. Überprüfbare Fakten. Preise, Standorte, Zertifizierungen, Funktionsumfang — alles, was sich belegen lässt, ist wertvoller als jedes Adjektiv.
4. Externe Bestätigung. Wenn Dritte dasselbe schreiben, gewinnt die Aussage deutlich an Gewicht.

Der vierte Punkt wird oft unterschätzt. Modelle behandeln die Selbstbeschreibung eines Unternehmens erkennbar zurückhaltender als eine übereinstimmende Aussage in einem Fachmedium.

Was sich konkret optimieren lässt

Aus diesen Grundlagen ergibt sich eine überschaubare Liste an Arbeitsfeldern.

Technische Zugänglichkeit

KI-Crawler müssen die Seite lesen dürfen und können. Das betrifft die robots.txt, serverseitig gerendertes HTML und eine llms.txt, die den Inhalt der Seite in Klartext zusammenfasst. Wer die relevanten Bots aussperrt, wird nicht zitiert — so einfach ist das.

Inhaltliche Struktur

Zitierfähige Inhalte haben ein erkennbares Muster: eine klare Definition am Anfang, kurze und in sich verständliche Absätze, konkrete Zahlen mit Herkunftsangabe, Tabellen für Vergleiche. Ein Text, der erst nach fünf Absätzen zum Punkt kommt, wird selten als Beleg herangezogen.

Strukturierte Daten

Schema.org-Auszeichnungen für Organisation, Produkte, Dienstleistungen und FAQ liefern maschinenlesbare Fakten. Wichtig ist, dass die ausgezeichneten Daten mit dem sichtbaren Text übereinstimmen.

Digitale Präsenz außerhalb der eigenen Seite

Fachbeiträge, Branchenverzeichnisse, Wikidata-Einträge, Tests in Fachmedien. Alles, was die Marke außerhalb der eigenen Domain in einen sachlichen Zusammenhang stellt, zahlt auf die Entität ein.

Wo die Grenzen liegen

Zwei Dinge gehören zu einer ehrlichen Einordnung.

Erstens sind die Ergebnisse nicht deterministisch. Dasselbe Modell kann auf dieselbe Frage an zwei Tagen unterschiedlich antworten. Wer mit Einzelbeobachtungen argumentiert, misst Rauschen. Belastbar wird es erst über ein festes Set an Fragen, wiederholt über einen längeren Zeitraum.

Zweitens gibt es Methoden, von denen wir abraten. Versteckter Text, gefälschte Bewertungen oder der Versuch, einem Modell über eingeschleuste Anweisungen eine Empfehlung abzuringen, funktionieren allenfalls kurz. Sie verstoßen gegen die Richtlinien der Anbieter und schaden im Ernstfall der Marke mehr, als die kurzfristige Sichtbarkeit einbringt.

Was das für Sie bedeutet

Wenn Ihre Kundschaft beratungsintensive Entscheidungen trifft — Software, Finanzen, Gesundheit, erklärungsbedürftige Produkte —, findet ein Teil dieser Recherche bereits in KI-Assistenten statt. Drei Schritte, mit denen sich das prüfen lässt, ohne Budget zu binden:

1. Fragen sammeln. Notieren Sie 20 Fragen, die Ihre Zielgruppe vor einem Kauf tatsächlich stellt — in ganzen Sätzen, nicht als Stichwörter.
2. Stichprobe ziehen. Stellen Sie diese Fragen in zwei oder drei Assistenten und notieren Sie, welche Anbieter genannt werden und an welcher Stelle.
3. Lücken einordnen. Wo Sie fehlen, prüfen Sie, ob die nötige Information auf Ihrer Seite überhaupt in maschinenlesbarer Form vorliegt.

Meist zeigt sich schon nach zwanzig Fragen ein Muster. Das ist noch keine belastbare Messung, aber es reicht, um zu entscheiden, ob sich eine gründlichere Analyse lohnt.