KMU Global Player: 28 Maschinenbauer geprüft, keiner beansprucht seinen eigenen Eintrag im Wissensnetz

1. Einführung: KMU Global Player in der KI Suche

Ein Hersteller von Verpackungsanlagen in dritter Generation führt seine Nische. Die Anlagen laufen auf mehreren Kontinenten. Der Vertrieb kennt jeden Einkäufer mit Vornamen. Das Wort Marketing löst im Haus höfliches Schweigen aus. Dann tippt ein technischer Leiter in Ohio eine Frage in einen KI-Assistenten: Wer baut Verpackungslinien für Molkereiprodukte? Vier Namen kommen zurück. Der Weltmarktführer aus Westfalen ist nicht dabei. Wer verstehen möchte, warum das passiert, sollte wissen, woher Sprachmodelle Firmenwissen ziehen.

Eine KMU Global Player Case Study beschreibt, wie ein kleines oder mittleres Unternehmen aus einer Nischenposition zum international sichtbaren Anbieter wird. Für die KI-Suche zählt dabei nicht der interne Einsatz von KI, sondern ob Name, Leistung und Standort des Unternehmens maschinenlesbar vorliegen und außerhalb der eigenen Website belegt sind.

Was das für Sie heißt: Fragt ein Einkäufer im Ausland nach Anbietern und Ihr Haus wird nicht genannt, dann fällt die Vorauswahl ohne Sie. Ihr Vertrieb erfährt davon nichts, weil einfach keine Anfrage eintrifft. Der erste Schritt ist deshalb keine Software, sondern eine Bestandsaufnahme: Welche Angaben zu Ihrem Betrieb stehen heute so draußen, dass ein Rechner sie lesen kann?

Genau darum geht es in diesem Beitrag. Er ist keine Erfolgsgeschichte mit anonymisiertem Kunden, sondern eine Messung an echten Websites, die jeder nachrechnen kann: 30 deutsche Maschinenbau-Unternehmen, ausgewählt über ein öffentliches Verzeichnis, geprüft an sechs Kriterien. Was dabei herauskam, verschiebt die Reihenfolge der Aufgaben für KI-Sichtbarkeit für den Mittelstand deutlich.

2. Ausgangslage: Weltmarktführer im Markt, unbekannt im Sprachmodell

Der deutsche Mittelstand ist die Ausnahme in der Weltwirtschaft, die sich am schlechtesten erklärt. Laut VDMA hält Deutschland zuletzt 14,0 Prozent der Weltmaschinenexporte, exportiert Maschinen und Anlagen für rund 199 Milliarden Euro und stellt damit mehr als ein Drittel aller Ausfuhren der EU-27. Getragen wird diese Position überwiegend von Betrieben, die niemand außerhalb ihrer Branche kennt.

Das ist kein Zufall, sondern ein Geschäftsmodell. Hermann Simon, der den Begriff Hidden Champion geprägt hat, zählt mehr als 1.500 Weltmarktführer in Deutschland, Österreich und der Schweiz. Diskretion war jahrzehntelang eine Stärke. Wer nichts von sich erzählt, verrät auch nichts über Margen, Verfahren und Kunden. Diese Rechnung geht auf, solange ein Mensch die Vorauswahl trifft.

Sie geht nicht mehr auf, wenn ein KI-System die Vorauswahl trifft.

Hinzu kommt die Eigentümerstruktur. Nach der Untersuchung der Stiftung Familienunternehmen, gerechnet vom ZEW Mannheim, sind 88 Prozent aller privaten Unternehmen in Deutschland familienkontrolliert; sie beschäftigen 18,3 Millionen Menschen und erwirtschaften 46 Prozent des Umsatzes der Privatwirtschaft. In solchen Häusern gibt es selten eine Marketingabteilung, die eine Sichtbarkeitslücke überhaupt bemerkt, und fast nie ein Budget, das ohne konkreten Anlass für deren Behebung freigegeben wird.

2.1 Was die Debatte um KI in KMU heute behandelt

Wer nach dem Einsatz von künstlicher Intelligenz im Mittelstand sucht, landet zuverlässig beim selben Themenkreis: Webinar-Reihen zu Anwendungsfällen, Fördermittel für KI-Projekte, ein Forschungskonsortium, das Open-Source-Modelle praxisnahe erproben lässt, Leitfragen zur Datenerfassung, Effizienz durch Automatisierung. Die Zahlen dazu sind gut belegt. Nach der Konjunkturumfrage des ifo Instituts nutzen 54,5 Prozent der Unternehmen in Deutschland KI in ihren Geschäftsprozessen, im Verarbeitenden Gewerbe sind es 58,7 Prozent. Im Vorjahr lag der Gesamtwert noch bei 40,9 Prozent.

„Künstliche Intelligenz ist in der deutschen Wirtschaft endgültig in der Breite angekommen. Die Dynamik bei der Einführung ist hoch.“
Klaus Wohlrabe, Leiter der Umfragen am ifo Institut

Diese Debatte ist richtig und wichtig. Sie beantwortet aber eine andere Frage als die, um die es hier geht. Sie misst, ob ein Unternehmen KI-Technologien benutzt. Ob KI-Systeme das Unternehmen kennen, wird dabei nirgends erhoben. Das sind zwei verschiedene Baustellen, und die zweite hat bislang keinen Verantwortlichen im Organigramm.

2.2 Das Spannungsfeld: Technologisch reif, sprachlich stumm

In diesem Spannungsfeld steckt der Wandel, der viele Mittelständler gerade überrollt. Ein Betrieb kann seine Fertigung technologisch auf dem neuesten Stand halten und für ein Sprachmodell trotzdem nicht existieren, denn Large Language Models, das sind Programme, die aus großen Textmengen Antworten formulieren, lesen keine Werkshallen. Sie lesen Text, und zwar überwiegend Text, den andere über ein Unternehmen geschrieben haben.

Damit verschiebt sich die Aufgabe. Es geht nicht darum, mehr über sich zu erzählen. Es geht darum, das, was über den Betrieb schon feststeht, so zu hinterlegen, dass ein System es eindeutig zuordnen kann. Genau an dieser Stelle setzt Knowledge-Graph-Optimierung an, also die Arbeit an der maschinenlesbaren Beschreibung eines Unternehmens.

3. Unser Vorgehen: 30 Websites, sechs messbare Kriterien

Für diese Case Study wurde ein Pool gewählt, bei dem eine Bedingung von Anfang an erfüllt ist: Jedes Unternehmen darin hat nachweislich einen Wikipedia-Artikel und ein Objekt in Wikidata. Grundlage war die deutschsprachige Wikipedia-Kategorie für Maschinenbauunternehmen mit 411 Artikeln. Über die zugehörigen Wikidata-Objekte blieben 185 Firmen übrig, die in Deutschland sitzen und eine offizielle Website hinterlegt haben. Daraus wurde jede sechste Domain gezogen, ohne Handauswahl, also 30 Kandidaten.

Der Aufbau ist bewusst so gebaut. Ziel ist es, nicht zu messen, ob ein Eintrag im Wissensnetz existiert, sondern ob das Unternehmen ihn beansprucht. Der Unterschied klingt akademisch und ist im Ergebnis der ganze Punkt. Ein Wikipedia-Artikel ohne Verweis von der eigenen Seite ist wie ein Namensschild, das jemand anders an Ihre Tür geschraubt hat: Es hängt da, aber Sie haben es nie bestätigt.

Gemessen wurde ausschließlich im ausgelieferten Rohdokument der Startseite, ohne ausgeführtes JavaScript, mit einem gewöhnlichen Browser-Kennzeichen und 25 Sekunden Zeitlimit, erhoben im August. Diese Einschränkung ist keine Bequemlichkeit. Sie entspricht dem, was ein KI-System tatsächlich sieht. In der eigenen Dokumentation von Perplexity steht zum Zugriff im Moment der Frage: „Wenn Nutzer Perplexity eine Frage stellen, ruft es unter Umständen eine Webseite auf, um eine korrekte Antwort geben zu können.“ („When users ask Perplexity a question, it might visit a web page to help provide an accurate answer.“)

Geprüft wurden sechs Dinge. Erstens strukturierte Daten im Format JSON-LD auf der Startseite, also maschinenlesbare Angaben im Quelltext. Zweitens ein Organisationsknoten darin. Drittens Verweise per sameAs, dem Attribut für Verweise auf die eigenen Profile. Viertens ein solcher Verweis auf den eigenen Wikipedia- oder Wikidata-Eintrag. Fünftens eine maschinenlesbar angekündigte englische Fassung, sechstens eine llms.txt. Zusätzlich erhoben wurden die Wortzahl der Startseite ohne JavaScript und Sperren für 22 sogenannte KI-Crawler, das sind Programme, die Seiten für KI-Systeme einlesen.

Warum der Verweis auf Wikipedia und Wikidata als eigenes Kriterium zählt, erklärt ein Blick darauf, wer diese Daten abnimmt. Wikimedia Enterprise nennt zum 25. Geburtstag von Wikipedia unter seinen Abnehmern Amazon, Meta, Microsoft, Mistral AI, Perplexity, Google und Ecosia.

„Wikipedia bleibt einer der Datensätze mit der höchsten Qualität für das Training großer Sprachmodelle.“ („Wikipedia remains one of the highest-quality datasets for training Large Language Models.“)
Wikimedia Enterprise

4. Ergebnisse: Was die Stichprobe zeigt

28 der 30 Startseiten waren auswertbar; zwei Domains antworteten nicht. Das Hauptergebnis in einem Satz. Alle 28 Unternehmen haben einen Eintrag im offenen Wissensnetz, und keines verweist von seiner Startseite darauf. Die Volltextsuche im Rohdokument fand bei keiner einzigen Seite die Zeichenkette Wikipedia oder Wikidata, auch nicht außerhalb der strukturierten Daten. Der Befund ist damit keine Messschwäche. Er ist eine Lücke.

Die Reihenfolge in dieser Tabelle liest sich wie ein Trichter, und genau so verhält sie sich auch. Von 28 Betrieben mit gesichertem Eintrag im Wissensnetz liefern 10 überhaupt strukturierte Daten, 6 kennzeichnen darin eine Organisation, 4 setzen Verweise auf eigene Profile, und 0 verbinden das Ganze mit dem Eintrag, der über sie längst geschrieben wurde.

Zwei Nebenbefunde gehören dazu, weil sie die Lage einordnen. 18 der 28 Betriebe kündigen eine englische Fassung ihrer Website maschinenlesbar an, 10 davon ohne jede strukturierte Angabe im Quelltext. Und die Startseiten sind inhaltlich keineswegs leer: Der Mittelwert der Wortzahl ohne JavaScript liegt bei rund 900 Wörtern, der Höchstwert bei 2.465. Vier Seiten blieben allerdings unter 300 Wörtern, zwei unter 100.

Eine Seite, die ohne JavaScript fast nichts ausliefert, ist ein Messestand, der erst aufgebaut wird, wenn der Besucher längst weitergegangen ist.

Zur Einordnung gegen frühere eigene Erhebungen: Die Quote strukturierter Daten liegt hier mit 36 Prozent unter dem Korridor von 41 bis 78 Prozent, den wir in früheren Stichproben gemessen haben, etwa bei Handwerksbetrieben, Zulieferern und Startups. Das erklärt sich plausibel durch die Zusammensetzung, denn dieser Pool besteht aus alten, oft selbst gepflegten Firmenauftritten des klassischen Maschinenbaus. Die Quote der Profil-Verweise mit 14 Prozent liegt dagegen exakt im bisherigen Band von 14 bis 21 Prozent.

5. Unsere Position: Der Eintrag existiert längst, er wird nur nicht beansprucht

Die meisten Ratgeber zu KI in KMU empfehlen, mit dem internen Einsatz anzufangen: Anwendungsfall suchen, Fördermittel prüfen, Pilotprojekt starten, Know-how aufbauen. Unsere Position dazu: Für einen Betrieb mit internationalem Geschäft steht davor eine billigere Aufgabe. Er soll erst die Beschreibung beanspruchen, die über ihn längst öffentlich vorliegt. Das kostet Stunden, nicht Monate. Erst danach fällt alles Weitere überhaupt jemandem auf.

Die Stichprobe stützt diese Reihenfolge, weil sie eine ungewöhnliche Konstellation zeigt. Der schwierige Teil ist bei allen 28 Betrieben schon erledigt: Jemand hat einen Wikipedia-Artikel geschrieben, jemand hat ein Wikidata-Objekt angelegt, die Firma gilt dort als eigenständige Sache, im Fachjargon als Entität. Der leichte Teil fehlt bei allen 28. Niemand hat von der eigenen Startseite aus bestätigt, dass dieser Eintrag zu ihm gehört.

Warum das mehr ist als Kosmetik, zeigt sich bei Namensgleichheit. Im Maschinenbau tragen Betriebe Familiennamen, und Familiennamen wiederholen sich. Zwei Adressbücher, in denen dieselbe Firma unterschiedlich heißt, ergeben für ein System zwei Firmen. Ein Verweis von der Website auf den eigenen Eintrag führt beide Karteikarten zusammen, und ohne ihn kann die Zuordnung auf Vermutungen beruhen.

Fair bleiben muss man dabei in einem Punkt. Ein solcher Verweis erzeugt keine Nennung, und er ist auch keine Garantie für eine Empfehlung. Er entfernt lediglich eine Unsicherheit, die ein System sonst selbst auflösen muss. Nennungen entstehen tendenziell eher dort, wo Belege von dritter Seite dazukommen, wie es die Arbeit an einem dokumentierten Praxisfall gezeigt hat.

6. Umsetzung: Vier Schritte vom stillen Champion zum genannten Anbieter

Aus den vier Stufen des Trichters ergeben sich vier Aufgaben, und ihre Reihenfolge ist nicht beliebig. Jede Stufe setzt die vorige voraus. Wer bei Stufe drei anfängt, arbeitet ins Leere, weil ein System die Angaben gar nicht erst findet. Die folgende Reihenfolge lässt sich in einem mittelständischen Betrieb ohne Marketingabteilung abarbeiten, meist mit der Agentur, die die Website betreut.

Schritt 1: Angaben überhaupt maschinenlesbar hinterlegen

18 der 28 geprüften Startseiten liefern keine einzige ausgezeichnete Angabe. Das ist der teuerste Befund der Erhebung. Er blockiert alles Weitere. Nötig ist ein Block im Quelltext, der Name, Rechtsform, Anschrift, Gründungsjahr, Tätigkeitsfeld und Absatzländer benennt, damit ein System diese Angaben nicht aus dem Fließtext erraten muss. Für die Absatzländer existiert ein eigenes Feld, und im Maschinenbau ist es der Unterschied zwischen einem Anbieter aus Bielefeld und einem Anbieter für Nordamerika.

Schritt 2: Den eigenen Eintrag beanspruchen

Hier liegt der Befund, um den es in diesem Beitrag geht. Prüfen Sie zuerst, ob es zu Ihrem Haus einen Wikipedia-Artikel und ein Wikidata-Objekt gibt. Bei einem etablierten Weltmarktführer ist das wahrscheinlich. Beide Adressen gehören dann in die Verweisliste im Quelltext, gemeinsam mit den Profilen in den sozialen Netzwerken und im Handelsregister. Wie sich diese Verweise sauber auszeichnen lassen, ist eine Frage von Minuten pro Zeile.

Ein Hinweis zur Sorgfalt: Verweisen Sie nur auf Einträge, die tatsächlich Ihr Unternehmen beschreiben. Ein falscher Verweis richtet mehr Schaden an als ein fehlender.

Schritt 3: Die englische Fassung gleichwertig ausstatten

Für einen Global Player entscheidet sich vieles an der zweiten Sprachfassung. 18 Betriebe kündigen eine englische Version an, 10 davon ohne jede ausgezeichnete Angabe. Eine übersetzte Startseite ohne dieselben strukturierten Daten wirkt in der KI-Suche wie eine Visitenkarte ohne Rückseite. Am besten hält man beide Fassungen inhaltlich identisch und verknüpft sie ausdrücklich als Sprachvarianten derselben Entität.

Schritt 4: Belege außerhalb der eigenen Domain aufbauen

Die eigene Website beschreibt, was ein Betrieb über sich sagt. Für eine Empfehlung zählt zusätzlich, was Dritte über ihn schreiben. Solche Belege können Fachmedien der Branche sein, Verbandsveröffentlichungen, Studien, in denen der eigene Betrieb als Anwender vorkommt, oder Erwähnungen in internationalen Fachmedien. Innovation und ein innovativ besetztes Nischenthema liefern dafür regelmäßig Anlässe, die im Haus ohnehin vorliegen und bislang nur intern kursieren.

Eine Partnerschaft mit einem Start-up, ein Beitrag in einem Forschungsvorhaben, eine Auszeichnung: Solche Anlässe vorantreiben kostet weniger als eine Messebeteiligung und wirkt länger.

7. Was Sie daraus mitnehmen

Drei Dinge lassen sich aus dieser Case Study ableiten, und alle drei sind unabhängig von der Größe des Betriebs. Erstens der Abstand. Zwischen Marktposition und maschinenlesbarer Beschreibung liegt im Mittelstand eine große Lücke, und sie ist mit geringem Aufwand zu verkleinern. Zweitens liegt die Aufgabe technisch bei der Website und inhaltlich bei der Geschäftsführung, weil allein sie entscheiden kann, welche Angaben über Kunden, Verfahren und Märkte nach außen dürfen.

Drittens: Ohne Messung bleibt jede Einschätzung Gefühl. Eine erste Einschätzung entsteht in einer Stunde, wenn man den eigenen Quelltext einmal so liest, wie ein System ihn liest. Wer den Wissensstand systematisch messen will, braucht danach feste Kriterien und Wiederholungen in gleichen Abständen.

Und ein Punkt zur Erwartungshaltung: Diese Arbeit ersetzt keinen Vertrieb. Sie sorgt lediglich dafür, dass Ihr Vertrieb überhaupt gefragt wird.

8. Fazit

Deutsche Maschinenbauer halten 14,0 Prozent der Weltmaschinenexporte, und in der Stichprobe verweist keiner von 28 Betrieben auf die Beschreibung, die über ihn längst im offenen Wissensnetz steht. Diese Lücke ist kein Technologieproblem und kein Budgetproblem. Sie entsteht, weil niemand zuständig ist.

Der Einsatz von künstlicher Intelligenz im eigenen Haus und die Sichtbarkeit in KI-Antworten sind zwei getrennte Aufgaben. Die erste steigert die Effizienz, die zweite entscheidet mit, ob ein Betrieb auf einer Auswahlliste landet. Beide brauchen einen Verantwortlichen, und die zweite hat bislang selten einen.

Das Ziel ist deshalb schlicht: Was über Ihr Unternehmen ohnehin feststeht, soll so hinterlegt sein, dass ein System es ohne Umweg findet und eindeutig zuordnet. Der nächste Schritt dafür ist die Prüfung des eigenen Quelltexts.

9. Anhang: Checkliste für die ersten sechs Wochen

• Startseite ohne JavaScript abrufen (Woche 1): zählen, wie viele Wörter und welche ausgezeichneten Angaben überhaupt ankommen.
• Eigenen Eintrag suchen (Woche 1): prüfen, ob es zum eigenen Haus einen Wikipedia-Artikel und ein Wikidata-Objekt gibt, und beide Adressen notieren.
• Stammdaten sammeln (Woche 2): Name, Rechtsform, Anschrift, Gründungsjahr, Tätigkeitsfeld und Absatzländer zusammenstellen und intern freigeben lassen.
• Technisch hinterlegen (Woche 3): die Angaben als strukturierte Daten auf der Startseite ausspielen, gemeinsam mit der Verweisliste auf Wikipedia, Wikidata, Handelsregister und die eigenen Profile.
• Zweite Sprachfassung nachziehen (Woche 4): die englische Version mit denselben Angaben ausstatten und als Sprachvariante verknüpfen.
• Sperren kontrollieren (Woche 5): die robots.txt daraufhin durchsehen, ob KI-Crawler versehentlich ausgeschlossen sind; in der Stichprobe sperren 2 von 28 mindestens einen.
• Anlässe planen (Woche 6): drei Themen für Erwähnungen außerhalb der eigenen Domain festlegen und einen Termin für die Wiederholungsmessung setzen.

FAQ Häufig gestellte Fragen

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. Die eigene Stichprobe ist eine Momentaufnahme vom 26. August und nicht repräsentativ; geprüft wurde ausschließlich das ausgelieferte Rohdokument der Startseite ohne JavaScript, ausgezeichnete Angaben wurden über die Auswertung der eingebetteten Datenblöcke erkannt. Einzelne Unternehmen werden bewusst nicht genannt, ausgewertet wurden nur Summen. Die Werte des VDMA, der Stiftung Familienunternehmen, des ifo Instituts und von Simon-Kucher sind den verlinkten Quellen entnommen und können sich ändern. Angaben zu Crawlern stammen aus der Dokumentation der jeweiligen Anbieter und ändern sich ohne Vorankündigung.