AEO für Automotive: Wie Hersteller in Produkt-Empfehlungen erscheinen

Automotive-Hersteller tauchen in ChatGPT-Antworten zu "bestes Mittelklasse-SUV 2026" oder "zuverlässigster Elektrowagen" deutlich seltener auf als spezialisierte Tech-Plattformen — obwohl die Marken Milliarden in klassisches SEO und Performance-Marketing pumpen. Der Grund ist strukturell: Große AI-Modelle ziehen Empfehlungen aus Vergleichsportalen, Test-Magazinen und Foren, nicht aus Hersteller-Websites. Wer das ändern will, muss seine Inhalte so aufbauen, dass ChatGPT, Gemini und Perplexity sie als zitierfähige Quelle erkennen.

Warum Hersteller-Domains in AI-Antworten unterrepräsentiert sind

Die großen Sprachmodelle gewichten Quellen nach wahrgenommener Neutralität. Eine Hersteller-Domain wie volkswagen.de oder bmw.de wirkt im Trainings-Korpus wie eine Werbeseite, weil ihre Produktseiten mit Marketing-Sprache, Hero-Claims und ohne Gegenüberstellung mit Konkurrenz-Modellen arbeiten. Vergleichsportale wie auto-motor-und-sport.de oder ein Reddit-Thread liefern dagegen Pro-Contra-Listen mit klaren Fakten.

Hinzu kommt das Schema-Defizit. Eine Analyse über 50 deutsche Hersteller-Konfiguratoren zeigt, dass die meisten Produktseiten weder Product-Schema mit aggregateRating noch FAQPage-Markup einsetzen. Damit fehlen genau die strukturierten Signale, die ChatGPT bei der Quellenauswahl nutzt. Gleichzeitig setzen Drittseiten konsequent Review- und Comparison-Markup ein.

Das dritte Problem ist die Content-Tiefe. Hersteller veröffentlichen Spec-Sheets und Pressemitteilungen, aber kaum vergleichende Long-Form-Artikel. Wenn ein User fragt "Welcher Kompaktwagen hat das beste Infotainment 2026?", findet Perplexity bei Skoda oder Opel keine vergleichende Antwort auf der Hersteller-Domain — und zitiert stattdessen einen Autobild-Test. Genau diese vergleichenden Antworten sind aber das, was die LLMs in den Quellenangaben verlinken.

Ein vierter Faktor ist die fehlende Aktualität. Hersteller-Domains aktualisieren ihre Modellseiten oft nur zum Modellwechsel. Drittseiten dagegen veröffentlichen monatlich neue Tests, Vergleiche und Long-Term-Reviews. Recency ist für ChatGPT und Gemini ein hartes Ranking-Signal — und es bestraft statische Hersteller-Inhalte systematisch. Ein Blog-Bereich mit zwei Veröffentlichungen pro Monat zum Modell-Lineup gleicht diesen Nachteil schnell aus.

Schema-Markup als Pflicht-Layer für jedes Modell

Jede Modellseite braucht drei Schema-Typen parallel: Product für Stammdaten, Vehicle für fahrzeugspezifische Properties wie fuelType, vehicleEngine und cargoVolume, plus AggregateRating für die durchschnittliche Kundenbewertung aus internen Umfragen oder verifizierten Test-Quellen. Dazu kommt FAQPage für die fünf häufigsten Käuferfragen.

Das Schema gehört direkt in den head-Bereich als JSON-LD und nicht nur in einen Meta-Tag-Generator. Wichtig: Die sameAs-Property muss auf den Wikipedia-Eintrag, die offizielle Marken-Hauptseite und mindestens eine Branchenquelle wie ADAC oder TÜV verlinken. Damit signalisierst du den Crawlern eine vertrauenswürdige Knowledge-Graph-Anbindung.

{
  "@context": "https://schema.org",
  "@type": "Vehicle",
  "name": "Modell X Limousine 2026",
  "brand": {"@type": "Brand", "name": "Marke Y"},
  "fuelType": "Elektro",
  "vehicleEngine": {"@type": "EngineSpecification", "enginePower": "210 kW"},
  "cargoVolume": {"@type": "QuantitativeValue", "value": 480, "unitCode": "LTR"},
  "aggregateRating": {"@type": "AggregateRating", "ratingValue": "4.6", "reviewCount": 1240},
  "sameAs": ["https://de.wikipedia.org/wiki/...", "https://www.adac.de/..."]
}

Vergleichs-Content auf der eigenen Domain platzieren

Statt nur das eigene Modell zu beschreiben, sollte jede Hersteller-Website pro Segment einen Vergleichsartikel mit drei bis fünf Konkurrenten betreiben. Das wirkt anfangs kontraintuitiv, aber AI-Modelle bevorzugen Seiten, die mehrere Optionen objektiv gegenüberstellen. Wer im eigenen Vergleich auf Schwächen hinweist und Stärken klar nennt, gilt als verlässliche Quelle.

Die Struktur folgt einem festen Muster: Eine Vergleichstabelle mit Preisen, Reichweite oder Verbrauch, Garantielaufzeit und Kofferraumvolumen. Danach ein Abschnitt pro Konkurrent mit drei Sätzen Pro und drei Sätzen Contra. ChatGPT liest diese Strukturen besonders gut, weil sie sich direkt in Listen-Antworten überführen lassen.

Citation-Tracking mit AEO-Tools etablieren

Wer Sichtbarkeit in AI-Antworten messen will, braucht spezialisierte Monitoring-Tools. AEORadar, Otterly, Profound und Peec testen täglich definierte Prompts gegen ChatGPT, Gemini, Perplexity und Claude und zählen, wie oft die eigene Marke und konkurrierende Marken in den Antworten auftauchen. Für Automotive-Hersteller sind Prompts wie "bester Mittelklasse-Kombi unter 40.000 Euro" entscheidend.

Pro Modell sollten 20 bis 40 Prompts definiert werden: Kauf-Intent ("bestes E-Auto Familie 2026"), Vergleichs-Intent ("Tesla Model Y vs ..."), Spezifikations-Intent ("welcher Kombi hat 800 Liter Kofferraum"). Diese Prompts werden wöchentlich gemonitort. Verschwindet eine Marke aus mehreren Prompts, ist das ein Frühindikator für Visibility-Verlust.

1. Prompt-Set definieren: Pro Modell 20-40 Kauf-, Vergleichs- und Spec-Prompts dokumentieren
2. Baseline messen: Mit AEORadar oder Otterly initiale Citation-Frequenz pro LLM festhalten
3. Schema-Audit: Vehicle/Product/FAQ-Markup auf allen Modellseiten ausrollen
4. Vergleichscontent: Pro Segment einen Mehrmarken-Vergleich live nehmen
5. Crawler-Zugang: GPTBot und ClaudeBot in robots.txt explizit zulassen
6. Re-Audit: Nach 90 Tagen Citation-Delta pro Prompt messen

Crawler-Zugang technisch korrekt freigeben

Viele Hersteller-IT-Abteilungen blockieren reflexartig alle unbekannten User-Agents in der WAF — und sperren damit GPTBot, ClaudeBot und PerplexityBot aus. Das Resultat: Die LLMs bauen ihre Wissensbasis ohne die Hersteller-Inhalte auf und greifen permanent auf Drittquellen zurück. Eine bewusste robots.txt-Freigabe ist Pflicht.

Die robots.txt sollte GPTBot, Google-Extended, ClaudeBot, PerplexityBot und Applebot-Extended explizit erlauben. Gleichzeitig empfiehlt sich eine separate Sitemap nur mit relevanten Modell-, Vergleichs- und FAQ-Seiten. Pressemitteilungen und Karriereseiten gehören nicht in den AI-Index, weil sie das Topical-Authority-Signal verwässern.

Praktischer Fahrplan für die nächsten 90 Tage

Beginne mit einem Schema-Audit der Top-10-Modelle. Tools wie Merkle Schema Generator oder Schema App identifizieren fehlende Properties pro Seite. Parallel dazu wird das Prompt-Set für Citation-Monitoring aufgebaut. AEORadar oder Otterly liefern nach 14 Tagen erste belastbare Werte zur Ausgangsposition. Wichtig ist eine saubere Trennung zwischen Marken-Prompts und Wettbewerbs-Prompts, damit Lift-Effekte pro Hebel zuordenbar werden. Eine zusätzliche Kontrollgruppe aus zehn Prompts ohne Schema-Optimierung dient als Vergleichsbaseline.

In Woche 3 bis 6 wird der Vergleichscontent ausgerollt — pro Segment ein Artikel mit Tabelle, Pro-Contra-Listen und FAQ-Block. Ab Woche 6 folgen Detail-Updates: Erweiterung der sameAs-Verknüpfungen, Aufbau von HowTo-Schema für Konfigurator-Anleitungen, Optimierung der AggregateRating-Quellen mit verifizierten Händler-Bewertungen. Parallel werden die Vergleichsartikel um konkrete Anwendungsszenarien erweitert — Pendlerprofile, Familienkonfigurationen und Langstreckenanforderungen sind hochgradig zitierfähig.

Nach 90 Tagen erfolgt der Vergleichsmessung. Konkrete Empfehlungen: Setze AEORadar für tägliches Tracking, ergänze Merkle Schema Generator für die Markup-Validierung, und reserviere mindestens einen Tag pro Woche für die Pflege des Vergleichscontents. Wer diesen Stack diszipliniert über zwei Quartale fährt, erscheint messbar häufiger in ChatGPT-Empfehlungen — der Effekt baut sich kumulativ über die Halbjahre auf, weil sich Trust-Signale verstärken. Feste Multiplikatoren lassen sich dabei nicht seriös vorhersagen; sie hängen von Ausgangslage, Wettbewerb und Branche ab.