GEO für Maschinenbau und Industrie: 26 Produktseiten geprüft, genau eine beschreibt ihre Baureihen maschinenlesbar

1. Einführung: GEO für Maschinenbau und Industrie

Ein technischer Leiter braucht eine Abfüllanlage für einen neuen Standort, und früher hätte er dafür drei Herstellerkataloge geöffnet, zwei Vertriebsleiter angerufen und sich Angebote schicken lassen. Heute tippt er eine ganze Frage in ein Chatfenster und liest eine Antwort mit vier Firmennamen. Diese Liste entsteht ohne Ihr Zutun. Und zwar, bevor jemand ein Formular ausfüllt. Genau dort beginnt heute die digitale Sichtbarkeit im Maschinenbau.

GEO für Maschinenbau und Industrie ist die gezielte Aufbereitung technischer Inhalte, damit KI-Systeme einen Hersteller korrekt einordnen und in ihren Antworten nennen. Dazu gehören eine eindeutige Anbieterrolle, maschinenlesbare Leistungsdaten, belegte Referenzen und Erwähnungen außerhalb der eigenen Domain. Klassische Suchmaschinen belohnen Auffindbarkeit, KI-Systeme belohnen Vergleichbarkeit.

Was das für Sie heißt: Ihre Vorauswahl passiert woanders. Fragt ein Einkäufer nach einem Zulieferer für ein bestimmtes Verfahren, bekommt er drei oder vier Namen genannt und arbeitet mit dieser Liste weiter. Fehlt Ihrer, entsteht keine Anfrage. Ihr Monat sieht in der Statistik normal aus. Ein verlorener Vergleich hinterlässt keine Spur, anders als eine verlorene Ausschreibung.

Mittelständisch geprägte Hersteller trifft das stärker. Ihnen fehlt die Bekanntheit der Konzerne. Dabei ist der Maschinenbau laut VDMA der größte industrielle Arbeitgeber des Landes und beschäftigt rund 1,3 Millionen Menschen, in der EU-27 sind es 3,1 Millionen. Wie sehr das an der Struktur der eigenen Inhalte hängt, zeigt der Beitrag über Daten ohne lesbare Struktur. Für Betriebe mit erklärungsbedürftigen Leistungen bündeln wir das Thema unter KI-Sichtbarkeit für den Mittelstand.

2. Warum SEO und GEO im Maschinenbau zwei verschiedene Aufgaben lösen

SEO für Maschinenbau beantwortet die Frage, ob Ihre Seite zu einem Suchbegriff erscheint. GEO im Maschinenbau beantwortet die Frage, ob ein KI-System Ihr Unternehmen als passenden Anbieter erkennt und in eine Empfehlung aufnimmt. Beides braucht dieselbe technische Grundlage. Bewertet wird aber Unterschiedliches. Rankings zählen einzelne Seiten. KI-Antworten verknüpfen die Rolle als Anbieter, den Fokus auf Branchen und Referenzen zu einem Bild.

Die Branche nimmt KI durchaus ernst. In einer Auswertung von PwC halten 72 Prozent der befragten deutschen Maschinenbauer KI für die disruptivste Technologie ihrer Branche. Dieselbe Auswertung beziffert das Margenpotenzial generativer KI im Bereich Vertrieb und Marketing auf 2,4 Prozentpunkte. Der Unterschied zwischen den beiden Disziplinen wird an einem Beispiel greifbar. Bei der Suchanfrage „Sondermaschinenbau Kunststofftechnik“ konkurrieren Seiten um Platzierungen. Bei der Frage „Welche Anlagenbauer liefern schlüsselfertige Abfülllinien für die Pharmaindustrie?“ konkurrieren Unternehmen um einen Platz in vier Zeilen Text.

Beide Disziplinen zahlen aufeinander ein. Wer seine Leistungen fachlich sauber beschreibt, verbessert Rankings und Nennungen gleichzeitig. Der Fehler liegt darin, das eine für das andere zu halten.

3. Wie KI-Systeme einen Anbieter im Maschinenbau einordnen

KI-Systeme lesen ein Unternehmen als Bündel von Merkmalen, nicht als Broschüre. Sie ziehen Rolle, Branche, Verfahren, Kennwerte und Belege zusammen. Dann vergleichen sie dieses Bündel mit anderen Anbietern. Fehlt ein Merkmal, wird es nicht geraten. Der Anbieter fällt dann aus dem Vergleich. Im Maschinenbau zählt deshalb selten die Textmenge. Es zählt, wie eindeutig die Angaben sind. Genau dort setzt Knowledge-Graph-Optimierung an.

Vier Fragen laufen dabei fast immer mit, und sie klingen banal, entscheiden aber darüber, ob ein Anbieter überhaupt in den Vergleich kommt: Was stellt der Betrieb her? Für welche Branche? Welche Kennwerte hat das Produkt? Und bestätigt das jemand außerhalb der eigenen Website? Das letzte Merkmal wiegt am schwersten. Eine Bestätigung von außen, durch Fachbeiträge, Verbände oder Fachmedien, macht aus einer Selbstbeschreibung ein Signal. In unseren Tests sehen wir, dass Betriebe mit dokumentierten Referenzprojekten häufiger genannt werden als Betriebe mit reinen Produktlisten.

Wie belastbar diese Lücke ist, zeigt eine Untersuchung von 24 produzierenden Mittelständlern aus Maschinenbau, Präzisionsfertigung und Automotive. Getestet wurden zehn Fragen in vier KI-Systemen. Zusammen 960 Abfragen. Das Ergebnis benennt die GEO-Studie DACH-Mittelstand nüchtern.

„In 93 Prozent der Abfragen tauchten die jeweils geprüften Unternehmen überhaupt nicht auf.“

42 Prozent der Betriebe erhielten nicht eine einzige Nennung, 10 der 24 blieben in allen vier Systemen vollständig unsichtbar. Marktstärke schützt also nicht. Was zählt, ist die Lesbarkeit der eigenen Angaben. Die entsteht nicht von selbst. Welche Auswahllogik dahintersteht, ordnet der Beitrag dazu ein, welche Belege Modelle vorziehen.

4. Unsere Position: Die Merkmale liegen längst vor, nur nicht öffentlich

Die meisten Ratgeber zu GEO für Industrieunternehmen empfehlen dasselbe: mehr Content, mehr Fachbeiträge, mehr Referenzseiten. Unsere Position weicht davon ab. Der Maschinenbau hat sein Datenproblem längst gelöst. Nur nach innen. In der Warenwirtschaft und in der Konstruktion sind Merkmale und Kennwerte sauber gepflegt. Auf der Website landen sie nur nie in lesbarer Form.

Die Branche hat sogar eine eigene Sprache. Der Standard ECLASS umfasst rund 48.000 Produktklassen und über 23.000 eindeutige Merkmale, von der Nennleistung bis zur Schutzart. Genau diese Merkmale suchen KI-Systeme, wenn sie technische Vergleiche anstellen. Sie finden sie nur nicht. Die Angaben stecken im Datenblatt, nicht im Text.

Ein Datenblatt im PDF ist wie ein Ersatzteil im verschlossenen Schrank: vorhanden, sauber beschriftet, sogar am richtigen Ort, aber im Ernstfall bekommt es niemand heraus, weil der passende Schlüssel fehlt.

Dass das kein Detail ist, zeigt ein Vergleichstest von 21 PDF-Auslesern an 451 Tabellen auf 100 Seiten. Die Auswertung von Horn und Keuper fällt eindeutig aus.

„Die Gesamtwerte reichen von 2,10 bis 9,55; die Wahl des Auslesers kann also weitgehend darüber entscheiden, ob extrahierte Tabellen brauchbar oder nahezu unbrauchbar sind.“
(„Overall scores range from 2.10 to 9.55, revealing that parser choice can largely determine whether extracted tables are usable or nearly unusable.“)

Sie wissen nicht, welches Werkzeug ein KI-System auf Ihr Datenblatt anwendet. Eine HTML-Tabelle kommt ohne Umweg an. Der erste Schritt im Maschinenbau ist deshalb kein neuer Blog. Es ist die Auszeichnung der Angaben, die längst vorliegen.

Wir haben das nachgemessen. Grundlage waren 38 Websites deutscher Maschinen- und Anlagenbauer aus fünf Teilbranchen, gezogen über die Kategorien der deutschen Wikipedia und die dort hinterlegten offiziellen Domains; 29 Startseiten und 26 Produkt- oder Baureihenseiten waren auswertbar. Gemessen wurde im August ausschließlich das ausgelieferte Roh-HTML, ohne Ausführung von Skripten. Genau eine der 26 Produktseiten trug ein maschinenlesbares Produktobjekt, nur 4 lieferten die technischen Daten überhaupt als Tabelle, und 6 von 29 Startseiten wiesen ihr Unternehmen als Entität (ein eindeutig benanntes Ding mit Merkmalen) aus. Die Türen stehen dabei offen. Nur eine Domain sperrte überhaupt einen Crawler aus, also ein Programm, das Websites einliest.

Das ist die eigentliche Nachricht dieser Stichprobe. Es liegt kein Problem beim Zugang vor. Auch keines beim Text. Es ist ein Problem des Formats. Wie sich das auflösen lässt, beschreibt der Beitrag zur Auszeichnung technischer Angaben im Detail.

5. Voraussetzungen: Was vor dem ersten Schritt geklärt sein muss

GEO für Maschinenbau scheitert selten an der Technik. Es scheitert an offenen Zuständigkeiten. Fünf Punkte sollten vor der ersten Maßnahme stehen. Sonst wird optimiert, was niemand verantwortet.

• Anbieterrolle schriftlich: Hersteller, Anlagenbauer, Sondermaschinenbau oder Zulieferer. Ein Satz, abgestimmt zwischen Geschäftsführung und Vertrieb, ohne Und-Verknüpfung.
• Branchenfokus und Spezialisierung: zwei bis vier Branchen, in denen Sie wirklich liefern. Nicht eine Liste aller denkbaren Felder.
• Datenhoheit über die Produktdaten: Wer gibt Kennwerte aus der Fertigung frei? Wer pflegt sie auf der Website? Ohne diese Zuordnung bleibt jede Auszeichnung ein Einzelfall.
• Technische Zugänglichkeit: Kerninhalte erscheinen im Text der Seite, auch ohne Skripte. Ein Produktfinder, der Inhalte erst im Browser nachlädt, bleibt für KI-Systeme leer.
• Ein Messpunkt: zehn bis fünfzehn echte Fragen Ihrer Kunden, notiert mit Datum, Antwort und Quelle. Ohne Startwert lässt sich später kein ROI belegen.

Der letzte Punkt kostet einen halben Tag. Nur auf dieser Basis können Sie den Erfolg später tracken. Ein Prüfzeugnis, das nur im Ordner liegt, wirkt übrigens so wenig wie ein Meisterbrief in der Schublade, und deshalb gehören Zertifizierungen als Text auf die Seite, nicht ausschließlich in die Anlage einer Mail.

6. Schritt für Schritt: GEO für Maschinenbau und Anlagenbau

Die Reihenfolge ist wichtiger als die Menge. Fünf Schritte, jeder mit einem Ergebnis, das sich abhaken lässt.

Schritt 1: Vergleichsfragen sammeln und messen

Notieren Sie fünfzehn Fragen, die Ihre potenziellen Kunden vor einem Kauf wirklich stellen. Geben Sie sie als Prompts ein, also als die Fragen, die Nutzer in ein Chatfenster tippen. Nutzen Sie mehrere KI-Systeme, mindestens ChatGPT, Google AI Overviews, Perplexity und Copilot. Halten Sie fest, welche Anbieter genannt werden und welche Quelle das System zitiert. Dieser Ausgangswert ist Ihr Nullpunkt für jedes Monitoring. Ein GEO-Audit liefert dafür den messbaren Start.

Schritt 2: Rolle und Branchenfokus auf einer Seite verankern

Legen Sie eine Seite an, die vier Dinge in klarem Deutsch beantwortet. Was Ihr Betrieb herstellt, für welche Branchen, mit welchen Verfahren und an welchem Standort. Diese Seite ist der Anker, auf den alles andere verweist. Verzichten Sie dort auf Werbesprache. KI-Systeme lesen Fakten, keine Adjektive. Wie eine solche Verankerung wirkt, zeigt der Beitrag dazu, wie sich das Unternehmen als Entität verankern lässt.

Schritt 3: Technische Daten aus dem PDF in den Quelltext holen

Setzen Sie die Kennwerte jeder Baureihe als Tabelle auf die Produktseite. Also Leistung, Maße, Durchsatz, Toleranzen, Schutzart. Das Datenblatt darf als Download bleiben. Es ist dann nur nicht mehr die einzige Quelle. Ergänzen Sie strukturierte Daten mit Schema Markup (unsichtbare Zusatzangaben im Quelltext) im Format JSON-LD (der von Google empfohlenen Schreibweise dafür). Wer seine Baureihen nur im Bild zeigt, verhält sich wie ein Aussteller, der kurz vor der Messe alle Typenschilder abschraubt und dann darauf hofft, dass der Einkauf die richtigen Werte errät.

Schritt 4: Referenzprojekte als Beweisstücke aufbereiten

Eine gute Referenz verbindet Branche, Aufgabe, Verfahren, Kennzahl und Ergebnis in einem Text, und genau diese Verbindung suchen KI-Systeme, wenn sie einen Anbieter einer konkreten Anwendung zuordnen sollen. Drei sauber beschriebene Projekte wirken dabei vermutlich stärker als zwanzig Logos ohne Kontext. Nennen Sie Zertifizierungen, Normen und Prüfverfahren als Text. Auch die Qualitätskontrolle im Prozess.

Schritt 5: Fremdbestätigung außerhalb der eigenen Domain aufbauen

Ein Portal rankt oft vor dem Hersteller. Es bündelt strukturierte Angaben und wird häufiger zitiert. Denselben Effekt können Sie sich zunutze machen: Verbandsprofile, Fachbeiträge in Branchenmedien und Erwähnungen in verlässlichen Medien wirken als Bestätigung von außen. Was Sie über sich selbst schreiben, gilt als Behauptung; was Dritte schreiben, gilt als Beleg. Welche Bausteine dabei zusammenkommen, zeigt die Anleitung dazu, wie Sie in Antworten von KI-Assistenten erscheinen.

Nach acht Wochen wiederholen Sie den Messpunkt aus Schritt 1. Gleiche Fragen, gleiches Raster. Erst der Vergleich zweier Messungen zeigt, ob eine Maßnahme gewirkt hat. Ob eine GEO Agentur, ein spezialisierter Berater oder das eigene Marketing das übernimmt, ist zweitrangig. Jemand muss die Liste pflegen.

7. Häufige Fehler und wie Sie sie vermeiden

• Alles im Datenblatt lassen: Der häufigste Fall in unserer Stichprobe. Am besten hält man die Regel ein, dass jede Zahl, die ein Einkäufer vergleichen soll, als Text auf der Seite steht.
• Produktfinder ohne Inhalt im Quelltext: Ein Konfigurator, der Daten erst im Browser lädt, liefert einem KI-System eine leere Seite.
• Alle Branchen bedienen wollen: Eine Liste mit vierzehn Einsatzfeldern ordnet keines davon eindeutig zu. Spezialisierung ist im Maschinenbau ein Vorteil. Aber nur, wenn sie benannt wird.
• Werbetext statt Kennwert: „Höchste Präzision“ ist keine Angabe. Eine Toleranz in Mikrometer ist eine.
• Nur die englische Fassung pflegen: Deutsche Fragen greifen auf deutsche Belege zu. Beide Fassungen brauchen gleich viele Daten.
• Erfolg ohne Ausgangswert behaupten: Ohne die erste Messung bleibt jede Aussage über Wirkung ein Gefühl.

Der erste Punkt ist der teuerste, weil er unsichtbar bleibt. Eine verlorene Ausschreibung steht im Bericht. Eine Antwort, in der Ihr Name fehlt, steht nirgends.

8. Fazit

GEO im Maschinenbau ist kein Content-Thema. Es ist eine Frage des Formats. Die Merkmale, nach denen KI-Systeme Anbieter vergleichen, liegen in deutschen Betrieben vollständig vor; sie erreichen die öffentliche Seite nur selten in lesbarer Form. In 93 Prozent der Abfragen einer Untersuchung von 24 Mittelständlern fiel der geprüfte Name nicht, und von 26 Produktseiten unserer eigenen Stichprobe trug genau eine ein maschinenlesbares Produktobjekt. Das Ziel für die nächsten Wochen ist deshalb schlicht: eine Ankerseite mit Rolle und Branchenfokus, die Kennwerte jeder Baureihe als Tabelle im Quelltext und eine Fragenliste, die Sie zweimal messen.

9. Anhang: Checkliste für die nächsten acht Wochen

• Ausgangswert: 15 Vergleichsfragen in mindestens vier KI-Systemen gestellt, Antworten mit Datum und zitierter Quelle gesichert.
• Anbieterrolle: ein abgestimmter Satz zu Rolle, Verfahren und Standort, freigegeben von der Geschäftsführung.
• Branchenfokus: zwei bis vier Branchen benannt, je Branche eine eigene Seite geplant.
• Kennwerte: je Baureihe eine Tabelle im Quelltext, Datenblatt bleibt als Download.
• Strukturierte Daten: Beschreibungssatz, Produktangaben und Verweise auf Ihre Profile hinterlegt und im Rich-Results-Test geprüft.
• Zugänglichkeit: Kerninhalte ohne Skript-Ausführung sichtbar, Produktfinder mit Textfassung hinterlegt.
• Referenzen: drei Projekte mit Branche, Aufgabe, Kennzahl und Ergebnis beschrieben.
• Fremdbelege: drei Nennungen außerhalb der eigenen Domain geplant, etwa Verband, Fachmedium, Fachbeitrag.
• Wiedervorlage: Termin für die zweite Messung im Kalender, gleiche Fragen, gleiches Raster.

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder und ersetzt keine individuelle Beratung. Die genannten Zahlen stammen aus den verlinkten Quellen sowie aus einer eigenen, nicht repräsentativen Stichprobe. Grundlage waren 38 Websites deutscher Maschinen- und Anlagenbauer aus fünf Teilbranchen, gezogen über die Kategorien der deutschen Wikipedia und die dort hinterlegten offiziellen Domains; auswertbar waren 29 Startseiten und 26 Produkt- oder Baureihenseiten. Gemessen wurde im August ausschließlich das ausgelieferte Roh-HTML, ohne Ausführung von Skripten. Frühere Stichproben mit anderen Auswahlwegen kamen bei der Kennzahl zur Organisations-Entität auf ähnliche Anteile, etwa 6 von 21 Mittelstands-Websites. KI-Systeme antworten nicht deterministisch; Ergebnisse einzelner Abfragen können abweichen.