KI-Sichtbarkeit: Wie KI-ready ist deine Organisation? Drei Fragen an Niklas Buschner von Radyant
Wie sichtbar sind Unternehmen, Fachgesellschaften oder Organisationen eigentlich in ChatGPT, Google AI Overviews und anderen KI-Tools? Und wie lässt sich diese Sichtbarkeit gezielt verbessern? Niklas Buschner, Gründer und CEO von Radyant, erklärt im Interview, wie sich KI-Sichtbarkeit messen lässt, woran man eine KI-ready Organisation erkennt und welche Maßnahmen Fachleute kurzfristig umsetzen können.
Das Interview ist Teil unseres Papers „KI x Ernährung – Wie die KI über Ernährung spricht und was Fachleute jetzt tun können“, erschienen am 16.09.2026.
Niklas Buschner ist Gründer & CEO von Radyant, einer Berliner Agentur spezialisiert auf SEO & AI Search. Seit 2019 baut er das Team und die Methodik rund um Organic Growth auf. Niklas gehört zu den gefragtesten deutschen Stimmen im AI-Search-Umfeld: Er hostet den Masters of Search Podcast und ist Gastgeber der Masters of Search Konferenz am 22. Oktober 2026 in Berlin.
Drei Fragen zu KI-Sichtbarkeit an Niklas Buschner
NUTRITION HUB: Wenn ein Unternehmen zu euch kommt und in ChatGPT, Perplexity & den Google AI Overviews sichtbar werden will: Wie geht ihr vor und was schaut ihr euch als Erstes an?
NIKLAS BUSCHNER: Bevor wir uns anschauen, wie sichtbar ein Unternehmen aktuell ist, hinterfragen wir zuerst, ob seine Zielgruppe tatsächlich am häufigsten in ChatGPT, Perplexity und den Google AI Overviews sucht oder vielleicht primär in anderen Tools unterwegs ist. Das klingt banal, beeinflusst aber die gesamte Strategie.
Deshalb beginnen wir bei Radyant immer mit der Zielgruppen-Analyse: Wir schauen uns an, welche Personas tatsächlich kaufen, was ihr Berufsumfeld ist, welche Tools sie täglich nutzen, wie sie Fragen formulieren. Das ist keine nice-to-have-Vorarbeit, sondern der einzige Weg, ein Prompt-Set aufzubauen, das tatsächlich misst, wie sichtbar ein Unternehmen für die eigene Zielgruppe ist. Wertvolle Hinweise liefern meist die internen Teams mit direktem Kundenkontakt, Sales, Customer Success oder Support. Weitere Insights, etwa aus Bewertungen auf Review-Plattformen, öffentlich zugänglichen Diskussionen in Fachcommunitys oder bestehenden Kundeninterviews, fließen ergänzend ein. Diese Signale bilden gemeinsam die Basis für ein Prompt-Set, das die tatsächlichen Themen und Pain Points der Zielgruppe in ihrer eigenen Sprache abbildet.
Dieses Prompt-Set ist die Grundlage für das strukturierte Tracking in einem spezialisierten KI-Sichtbarkeits-Tool. Es bildet die Suchanfragen der Zielgruppe ab und mindestens 25 Prompts sind ein sinnvoller Ausgangspunkt. Die häufigsten Fehler dabei: Prompts, die wie Keywords klingen statt wie echte Nutzer:innen-Fragen, ein Aufbau rund um vorhandene Inhalte statt rund um die Fragen der Zielgruppe, und kein manueller Test vor dem Setup. Jeder Prompt sollte vor dem Launch in zwei bis drei Modellen manuell geprüft werden, um sicherzustellen, dass das Set tatsächlich misst, was es messen soll.
Der daraus entstehende Visibility-Score allein sagt noch wenig aus. Ein Score von 9 % kann viel sein, ein Score von 27 % kann der schlechteste im Markt sein. Die Zahl bekommt erst Bedeutung in Relation zu Wettbewerber:innen, weshalb wir parallel ein Set definieren. Dabei geht es nicht nur um direkte Mitbewerber:innen, sondern auch um Unternehmen, die sich in bestimmten Themenbereichen mit der eigenen Zielgruppe überschneiden, auch wenn ihr Produktportfolio ein anderes ist.
Um zu verstehen, wo Handlungsbedarf besteht, braucht man auch den Status quo. Wie sichtbar ist die eigene Marke bei den relevanten Themen? Wo sind Wettbewerber:innen stark, wo kaum präsent? Welche Quellen zieht das jeweilige KI-Tool heran: eigene Inhalte des Unternehmens, Fachzeitschriften, oder eher nutzergenerierte Quellen wie Reddit und YouTube? Diese Bestandsaufnahme ist die Grundlage für alles, was folgt. Es lohnt sich auch zu prüfen, ob das Unternehmen zwar als Quelle herangezogen wird, im Antworttext aber gar nicht namentlich auftaucht, da sich diese Lücke gezielt schließen lässt.
Zusätzlich sollte die Sichtbarkeit je Modell und je Themenfeld separat analysiert werden. ChatGPT, Google AI Overviews, Claude und Copilot bevorzugen unterschiedliche Quellen; ein aggregierter Score über alle Modelle hilft bei der Planung kaum weiter. Erst die Aufschlüsselung nach Themenclustern zeigt, wo das Unternehmen schon gut steht und wo der Nachholbedarf mit dem höchsten kommerziellen Potenzial liegt.
NUTRITION HUB: Stell dir vor, eine Organisation will selbst herausfinden, wie „KI-ready" sie ist. An welchen Signalen macht sich das fest?
NIKLAS BUSCHNER: Wenn ich von KI-Readiness spreche, meine ich hier die externe Perspektive: Wie gut ist eine Organisation aufgestellt, um über KI-Tools von ihrer Zielgruppe gefunden, empfohlen und zitiert zu werden? Es gibt einige Punkte, an denen sich das ablesen lässt. Die folgende Liste ist nicht abschließend, aber sie zeigt, wo man sinnvoll anfangen kann:
KI-Crawler haben Zugang zur Website: KI-Tools schicken automatische Programme los, die Websites auslesen. Sind diese blockiert, kann kein Modell die eigenen Inhalte berücksichtigen.
Die Website ist klar strukturiert und für Extraktion optimiert: KI-Modelle verarbeiten Inhalte anders als klassische Suchmaschinen. Gut strukturierte FAQs, Tabellen, Listen und Absätze, die jeweils eine Frage direkt beantworten, erleichtern die Extraktion erheblich. Der Test ist einfach: Beantwortet jeder relevante Abschnitt eine konkrete Frage, die die Zielgruppe tatsächlich stellt?
Der Content gibt direkte Antworten statt um Themen herumzuführen: Nutzer:innen in KI-Tools formulieren konkrete, sehr spezifische Anfragen. Sie erwarten direkte Antworten, keine Einführungen in ein Themenfeld. Inhalte, die eine Aussage erst nach mehreren Absätzen liefern, werden von Sprachmodellen bei der Antwortgenerierung häufig übergangen. Strukturell ist das lösbar: kurze Paragraphen, klare Aussagen, konkrete Beispiele.
Die Marke wird über alle Quellen hinweg konsistent dargestellt: KI-Modelle aggregieren Informationen aus vielen verschiedenen Quellen. Wenn die eigene Website etwas anderes über Positionierung, Zielgruppe oder Produkt kommuniziert als G2-Bewertungen, LinkedIn-Profile oder Presseartikel, wird das im generierten Text sichtbar. Inkonsistenz zwischen Quellen führt zu inkonsistenter Darstellung in KI-Antworten.
Wettbewerber:innen sind für die eigenen Kernthemen bereits sichtbar: Im Selbsttest kann man die wichtigsten Fragen der Zielgruppe durch ChatGPT oder Google AI Overviews laufen lassen und analysieren, wer genannt wird. Wenn Wettbewerber:innen regelmäßig auftauchen und die eigene Marke kaum, ist die Lücke messbar. Wichtig dabei: auch Vergleichs- und Kategorieanfragen einbeziehen, etwa "Welche Organisation empfiehlst du für Thema X?" Genau dort entstehen Entscheidungen.
NUTRITION HUB: Was können Fachleute, eine Fachgesellschaft oder ein Verband konkret und kurzfristig tun, um die eigene Sichtbarkeit in KI-Antworten zu steigern?
NIKLAS BUSCHNER: Meiner Meinung nach ist hochwertiger Content langfristig der verlässlichste Hebel. Allerdings ist das nicht immer die schnellste Option. Wer erste Schritte gehen will, sollte mit zwei Dingen beginnen: erstens sicherstellen, dass KI-Crawler überhaupt Zugang zur Website haben, das ist die technische Grundvoraussetzung. Zweitens lohnt es sich, die bestehenden Inhalte zu prüfen, bevor neue entstehen: Absätze so strukturieren, dass sie jeweils eine Frage direkt beantworten, FAQs, Tabellen und Listen dort einbauen, wo sie Sinn ergeben, und prüfen, ob die Inhalte tatsächlich Antworten liefern statt um Themen herumzuführen.
Sobald diese Grundlage geprüft ist, stellt sich die Frage, wo man anfangen soll. Kurzfristige Maßnahmen entfalten nur dann Wirkung, wenn sie fokussiert sind, und Fokus setzt voraus zu wissen, wo der größte Hebel liegt. Das wiederum erfordert einen Blick auf den Status quo: Wo ist die eigene Organisation bereits sichtbar, wo nicht? Welche Quellen zieht das jeweilige Modell heran, welche Wettbewerber tauchen auf? Dafür reicht zunächst ein kleines, manuell aufgebautes Prompt-Set aus Fragen, die sich an echten Suchanfragen und Kaufsituationen der Zielgruppe orientieren. Dieser erste Blick zeigt, bei welchen Themen der größte Aufholbedarf besteht. Auf Basis dieser Erkenntnisse kann man dann gezielt anfangen, neuen Content zu erstellen.
Voraussetzung ist, dass der Content klar strukturiert ist, direkt auf die Fragen der Zielgruppe eingeht und keine generischen Aussagen macht, die ein Dutzend andere Seiten genauso treffen könnten. Wer kurzfristig Ergebnisse sehen will, sollte mit den ein bis drei Beiträgen starten, die den größten Hebel haben.
Fachgesellschaften und Verbände haben dabei einen strukturellen Vorteil:
Originäres Wissen, Primärforschung und regulatorische Einordnungen sind
genau die Inhalte, die KI-Modelle bevorzugt heranziehen.
Neben On-site-Content ist Off-site-Präsenz ein oft unterschätzter Hebel. KI-Modelle zitieren nicht nur die eigene Website, sondern aggregieren Informationen aus vielen Quellen. Beispiele dafür sind Erwähnungen auf relevanten Drittseiten und Fachportalen, eine sichtbare Beteiligung in Fachkonversationen oder Beiträge auf Plattformen, die Modelle aktiv heranziehen. Auch hier gilt: Wirkung entsteht nur, wenn die Auswahl auf die Themen fokussiert ist, bei denen die Lücke am größten ist. Ein Aspekt, der dabei oft untergeht: Sichtbarkeit zu steigern ist das eine, sie messbar zu machen das andere. Wer über ChatGPT auf eine Organisation aufmerksam wird und danach in Google sucht, landet im CRM als Organisch oder Direct. Self-Reported Attribution, also die Frage im Erstkontakt, wie jemand auf die Organisation aufmerksam wurde, ist oft der pragmatischste erste Schritt, um KI-getriebene Conversions sichtbar zu machen.
Über diesen Beitrag:
Interviewauszug aus dem Nutrition-Hub-Paper „KI × Ernährung“. Hier das gesamte Paper "KI x Ernährung" lesen und herunterladen.
Möchtest du über aktuelle Entwicklungen im Ernährungssektor auf dem Laufenden bleiben? Dann trag dich hier für unseren Newsletter ein.