Machine Relations: KI-Reputation aufbauen – 90-Tage-Fahrplan

Machine Relations ist die Disziplin, mit der ein Unternehmen systematisch Beziehungen zu KI-Systemen, Agenten und Antwortsystemen aufbaut – statt nur deren Ausgabe zu optimieren. Wer in ChatGPT, Gemini, Perplexity oder Google AI Overviews korrekt genannt werden will, braucht mehr als eine technisch saubere Seite. Er braucht eine gepflegte Markenbeziehung zu den Maschinen, die über ihn sprechen.

Ich begleite seit über zwanzig Jahren kleine Betriebe bei Positionierung, Website und Sichtbarkeit. In den letzten Monaten wiederholt sich in Gesprächen mit Inhabern dasselbe Muster: Der Betrieb hat eine ordentliche Website, rankt bei Google, bekommt Anfragen – und taucht in KI-Antworten entweder gar nicht oder falsch auf. Genau an dieser Stelle endet die Optimierungslogik von GEO und AEO und beginnt Machine Relations.

Machine Relations: Definition und Abgrenzung zu GEO und AEO

Machine Relations (im Englischen oft auch als AI Relations bezeichnet) ist die Gesamtheit aller Maßnahmen, mit denen ein Unternehmen seine KI-Reputation aktiv gestaltet: Wie wird der Betrieb in Sprachmodellen beschrieben, mit welchen Quellen wird er verknüpft, welche Wettbewerber werden im selben Atemzug genannt, und wie schnell verschwindet eine falsche Aussage wieder? Die Markenbeziehung zu KI-Systemen ist damit kein einmaliges Projekt, sondern eine laufende Pflege – vergleichbar mit Pressearbeit, nur dass die Gegenseite ein Sprachmodell ist.

Der entscheidende Unterschied zur reinen Optimierung liegt in der Zeitdimension. GEO und AEO wirken auf einen Zustand: Ist die Seite auffindbar, ist das Format zitierfähig? Machine Relations wirkt auf einen Verlauf: Was antwortet das Modell nächsten Monat, und auf Basis welcher Quellen?

GEO sorgt dafür, dass du gefunden wirst. Machine Relations sorgt dafür, dass du richtig beschrieben wirst – auch beim zehnten Mal.

Die drei Stufen der KI-Sichtbarkeit

In der Praxis bauen die Disziplinen aufeinander auf. Wer die Stufen verwechselt, investiert an der falschen Stelle.

• Stufe 1 – GEO (Generative Engine Optimization): GEO optimiert die Auffindbarkeit. Technische Erreichbarkeit, Struktur, Ladezeit, klare Entitäten und maschinenlesbare Inhalte sorgen dafür, dass generative Systeme den Betrieb überhaupt erfassen. Was hier fehlt, lässt sich später nicht reparieren. Einen Überblick über die Grundlagen bietet der Glossareintrag zu KI-Sichtbarkeit.
• Stufe 2 – AEO (Answer Engine Optimization): AEO optimiert das Antwortformat. Kurze, eindeutige Sätze, direkte Definitionen, FAQ-Paare und vollständige Angaben zu Leistung, Ort, Preisrahmen und Ansprechpartner machen den Inhalt zitierfähig.
• Stufe 3 – Machine Relations / AI Relations: Machine Relations optimiert die wiederkehrende Beziehung. Quellenklarheit, Co-Citations, Korrekturprotokolle und LLM-Monitoring stellen sicher, dass die Aussage über die Zeit stabil und richtig bleibt.

Warum Machine Relations gerade jetzt relevant wird

Die Nachfrageseite hat sich verschoben – und zwar messbar. Drei Entwicklungen erklären, warum Beziehungsaufbau zu KI-Systemen 2026 kein Nischenthema mehr ist:

• Die Nutzerbasis ist kritische Masse. OpenAI gab auf dem DevDay im Oktober 2025 rund 800 Millionen wöchentlich aktive ChatGPT-Nutzer bekannt – nach 100 Millionen im November 2023, 200 Millionen im August 2024 und 400 Millionen im Februar 2025. Ein Kanal dieser Größe ist keine Nebenerscheinung, sondern eine eigenständige Nachfragequelle.
• Die klassische Suche verliert Volumen. Gartner prognostizierte im Februar 2024, dass das Volumen klassischer Suchmaschinen-Anfragen bis 2026 um 25 Prozent zurückgeht, weil Suchmarketing Marktanteile an KI-Chatbots und andere virtuelle Agenten verliert (Quelle: Gartner).
• Verweise aus KI-Assistenten wachsen schnell. Adobe Analytics verzeichnete im Juli 2025 rund siebenmal mehr Traffic, den KI-Assistenten wie ChatGPT an US-Handelsseiten verwiesen, als im Vorjahresmonat – bei einem Anteil am gesamten E-Commerce-Traffic, der weiterhin deutlich kleiner ist als der über Google.

Gleichzeitig zeigen Zitat-Analysen eine hohe Quellenkonzentration: Ein großer Teil der Belege in ChatGPT, Perplexity und Google AI Overviews entfällt auf wenige wiederkehrende Domains wie Wikipedia, Reddit und YouTube (Profound/Semrush, 2025). Genau hier setzt Machine Relations an. Denn wenn Modelle immer wieder dieselben Quellen ziehen, entscheidet nicht die schönste Website über die Empfehlung, sondern die Frage, ob der eigene Betrieb in den Quellen auftaucht, die das Modell ohnehin liest.

Die gute Nachricht: Die GEO-Studie von Aggarwal et al. (ACM SIGKDD 2024) belegt, dass explizite Zitate und Quellenangaben die Sichtbarkeit in generativen Suchmaschinen um bis zu 40 Prozent steigern können. Beziehungsarbeit zahlt sich also messbar aus – nicht als Gefühl, sondern als Zitatwahrscheinlichkeit.

Die sieben Bausteine der Machine Relations

Aus der Praxis für kleine Betriebe habe ich sieben Bausteine herausgearbeitet. Sie sind bewusst in dieser Reihenfolge, weil jeder Baustein auf dem vorherigen aufbaut.

1. Entity-Klarheit. Das Modell muss wissen, wer du bist: Firmenname, Rechtsform, Standort, Branche, Leistungen, Ansprechpartner, Sprachen. Entity-Klarheit heißt auch Abgrenzung – welche Begriffe gehören zu dir, welche nicht. Ohne sie wirst du mit ähnlich benannten Betrieben verwechselt.
2. Quellenklarheit. Du solltest wissen, aus welchen Quellen das Modell sein Wissen über dich bezieht: eigene Website, Verzeichnisse, Branchenportale, Presse, Social Profiles. Jede dieser Quellen ist ein Zeuge, und Zeugen können sich widersprechen.
3. Co-Citations. Modelle verknüpfen Marken über gemeinsame Kontexte – Ort, Branche, Leistung, Personen. Wirst du regelmäßig neben den richtigen Entitäten genannt und nicht nur neben Wettbewerbern, verschiebt sich die Zuordnung. Wie das lokal funktioniert, zeigt der Artikel Co-Citations für KMU.
4. Maschinenlesbare Faktensubstanz. Öffnungszeiten, Preise, Zuständigkeiten und Leistungen müssen strukturiert vorliegen. Eine llms.txt, eine brand.json und eine Markdown-Auslieferung der wichtigsten Seiten sind hier die Einstiegsschicht – sie ersetzen keine Strategie, aber sie machen Fakten abrufbar.
5. KI-Meinungsmonitoring. Du musst regelmäßig und wiederholbar prüfen, was die Systeme antworten. Nicht einmalig, sondern mit denselben Fragen im Monatsrhythmus. Wie das methodisch aufgesetzt wird, beschreibt LLM-Monitoring für KI-Sichtbarkeit.
6. Korrekturprotokoll. Falsche oder veraltete Aussagen brauchen einen festen Ablauf: Wo steht die Aussage, welche Quelle füttert sie, welche Korrektur wird wo eingetragen, wann wird nachgetestet? Ohne Protokoll bleibt die Korrektur Zufall.
7. Reputationspflege in LLMs. Der laufende Teil: neue Quellen erschließen, bestehende aktualisieren, Widersprüche auflösen, Themen besetzen. Der Aufbau von KI-Reputation ist ein Dauerkreislauf, kein Audit.

Selbsttest: Zehn Fragen in fünfzehn Minuten

Bevor du Budget in Maßnahmen steckst, beantworte diese zehn Fragen ehrlich. Öffne dafür ChatGPT, Perplexity und Google parallel in drei Tabs.

1. Was antwortet ChatGPT auf die Frage „Wer macht [deine Leistung] in [deinem Ort]?“ – kommst du vor?
2. Werden im selben Antwortblock Wettbewerber genannt, die du kennst?
3. Wird dein Betrieb richtig beschrieben – Leistungen, Standort, Größe?
4. Nennt die Antwort eine Quelle, und ist es deine eigene Website?
5. Erscheinen Öffnungszeiten, Preise oder Ansprechpartner, und stimmen sie?
6. Wirst du bei einer Anfrage in italienischer Sprache genauso korrekt dargestellt?
7. Wirst du mit dem falschen Ort, der falschen Branche oder einem ähnlichen Firmennamen vermischt?
8. Findet das Modell eine klare Beschreibung deiner Leistungen in einem Satz?
9. Ist auf deiner Website maschinenlesbar dokumentiert, wer du bist – und nicht nur im Fließtext?
10. Hast du diese Prüfung schon mindestens zweimal wiederholt und die Antworten verglichen?

Wer sechs oder mehr Fragen mit Nein beantwortet, hat kein Sichtbarkeitsproblem, sondern ein Beziehungsproblem – und Beziehungen lassen sich aufbauen.

Der 90-Tage-Fahrplan für Machine Relations

Der Fahrplan ist so gebaut, dass ein KMU ihn ohne Agentur starten kann. Verantwortlich ist in der Regel der Inhaber selbst oder eine benannte Person im Betrieb – nicht „alle“.

Phase 1, Tag 1 bis 30: Bestandsaufnahme

• Aufgabe: Die zehn Selbsttest-Fragen zweimal im Abstand von zwei Wochen dokumentieren, jeweils mit Screenshot, Datum, System und Formulierung der Frage.
• Verantwortlich: Inhaber oder Marketingverantwortliche Person.
• Ergebnis: Eine Tabelle mit Ausgangswerten – welche Fragen liefern welchen Antwortsatz, welche Quellen werden genannt, wie oft kommst du vor.

Phase 2, Tag 31 bis 60: Substanz schaffen

• Aufgabe: Entity-Klarheit und Quellenklarheit herstellen. Das heißt: eine verbindliche Beschreibung des Betriebs in zwei bis drei Sätzen, konsistente Angaben in allen relevanten Verzeichnissen, strukturierte Fakten auf der eigenen Website, maschinenlesbare Auslieferung.
• Verantwortlich: Inhaber plus technische Umsetzung.
• Ergebnis: Mindestens 90 Prozent deiner Kernfakten sind an einer Stelle zentral gepflegt und von überall abrufbar.

Phase 3, Tag 61 bis 90: Beziehung und Monitoring

• Aufgabe: Co-Citations aufbauen, Korrekturen dort eintragen, wo falsche Aussagen entstehen, und den Monatsrhythmus für LLM-Monitoring einführen.
• Verantwortlich: Inhaber, idealerweise mit externer Begleitung.
• Ergebnis: Die Selbsttest-Fragen aus Phase 1 liefern mindestens vier Verbesserungen, und der erste Korrekturfall ist nachweislich behoben.

Wichtig: Der Fahrplan endet nicht bei Tag 90. Danach beginnt der Kreislauf von vorn – nur schneller, weil die Bestandsaufnahme steht.

btlabs Core: Machine Relations ab Werk statt nachträglich angeflanscht

Viele der sieben Bausteine scheitern nicht an der Einsicht, sondern an der Technik. Gewachsene Websites verwalten dieselbe Information an fünf Stellen, liefern kein strukturiertes Markenprofil und keine maschinenlesbare Fassung aus. Nachträglich ein Plugin davorzusetzen löst das nicht, weil die Faktenlage darunter widersprüchlich bleibt.

Genau deshalb haben wir btlabs Core gebaut: ein Website-Fundament, das llms.txt, brand.json und Markdown-Auslieferung ab Werk mitbringt, statt sie später anzuflicken. Einmal gepflegte Öffnungszeiten, Leistungen oder Ansprechpartner landen automatisch in jeder Sprachfassung und in jeder Ausgabe – für Menschen, Suchmaschinen und KI-Agenten aus derselben Quelle. Das ist überprüfbar: llms.txt aufrufen, eine KI nach dem Betrieb fragen, Ladezeit messen.

B2A und Agent Experience: wohin die Reise geht

Machine Relations beschreibt heute vor allem das Lesen. Der nächste Schritt ist das Handeln. Unter B2A verstehen wir die Ausrichtung von Angebot, Daten und Kommunikation auf KI-Agenten als Nachfragequelle. Wenn Agenten nicht mehr nur Empfehlungen aussprechen, sondern Termine anfragen, Verfügbarkeiten prüfen und Bestellungen auslösen, sprechen wir von Agent-to-Agent (A2A) und Agent Experience (AX).

Für deinen Betrieb bedeutet das eine einfache Konsequenz: Wer in der Antwort nicht korrekt beschrieben ist, wird auch als ausführender Anbieter nicht gewählt. Ein Agent, der deinen Betrieb nicht kennt, kann ihn nicht beauftragen. Die Agent-Experience-Ebene ist damit die logische Verlängerung dieser Beziehungsarbeit – und der Grund, warum sich der Aufbau jetzt lohnt und nicht in zwei Jahren.

Fragen zu Machine Relations? Antworten.

Was ist Machine Relations in einem Satz?

Machine Relations ist die Disziplin, mit der ein Unternehmen systematisch Beziehungen zu KI-Systemen, Agenten und Antwortsystemen aufbaut. Das Ziel ist eine dauerhaft korrekte und stabile Beschreibung des Betriebs in den Antworten von ChatGPT, Gemini, Perplexity und Google AI Overviews.

Ersetzt Machine Relations SEO?

Nein, Machine Relations tritt neben SEO, GEO und AEO. SEO sichert die Auffindbarkeit in klassischen Suchmaschinen, GEO und AEO die Zitierfähigkeit in generativen Systemen, Machine Relations die dauerhafte Richtigkeit und Quellenbindung. Wer SEO einstellt, verliert die Grundlage, auf der alle anderen Stufen aufbauen.

Was kostet KI-Reputation für ein KMU?

Die Kosten hängen an zwei Faktoren: der Zahl der Leistungen und Sprachen, die verbindlich beschrieben werden müssen, und dem Grad der technischen Nachrüstung. Ein Betrieb mit einer klaren Leistung und einer Sprache kommt über strukturierte Fakten, Quellenpflege und Monatsmonitoring deutlich günstiger weg als ein Mehrspartenbetrieb mit drei Sprachfassungen. Sinnvoll ist eine bezifferte Phase 1 als Bestandsaufnahme und danach die Entscheidung über die Ausbaustufe.

Wie messe ich, was ChatGPT über mein Unternehmen sagt?

Dokumentiere zwanzig Kundenfragen, die für dein Geschäft wirklich relevant sind, und stelle dieselben Fragen monatlich in denselben Systemen mit denselben Formulierungen. Halte Datum, System, Antwort und genannte Quellen fest. Nur so erkennst du Veränderungen als Veränderung und nicht als Zufall des Tages.

Was ist der Unterschied zwischen GEO, AEO und Machine Relations?

GEO optimiert die Auffindbarkeit, AEO das Antwortformat, Machine Relations die wiederkehrende Beziehung und die Quellenbindung. Kurz gesagt: GEO macht dich findbar, AEO macht dich zitierbar, Machine Relations macht dich verlässlich.

Was bedeutet Entity-Klarheit konkret?

Entity-Klarheit bedeutet, dass Name, Standort, Branche, Leistungen und Ansprechpartner maschinenlesbar und widerspruchsfrei definiert sind. Modelle können nur dann richtig über dich sprechen, wenn sie deinen Betrieb eindeutig von ähnlich benannten Betrieben unterscheiden können.

Warum zählen Co-Citations für die KI-Reputation?

Sprachmodelle verknüpfen Marken über gemeinsame Kontexte. Wirst du regelmäßig zusammen mit deinem Ort, deiner Branche und deinen Leistungen genannt, festigt sich diese Zuordnung – und du erscheinst häufiger in den Antworten, in denen es um genau diese Kombination geht.

Was gehört in eine llms.txt?

Eine llms.txt ist eine Orientierungsdatei, die KI-Systemen in klarer Sprache erklärt, wer der Betrieb ist und welche Seiten welche Informationen enthalten. Sie ersetzt keine Inhaltsstrategie, macht vorhandene Fakten aber schneller auffindbar und eindeutiger zuordenbar.

Reicht eine gute Website für Machine Relations?

Eine gute Website ist die Voraussetzung, nicht die Lösung. Maschinenlesbare Fakten, konsistente Verzeichniseinträge, gepflegte Quellen und ein Monitoring-Rhythmus kommen hinzu. Ohne diese vier Elemente bleibt die Website eine Beschreibung, die niemand regelmäßig liest.

Wie schnell wirken Machine Relations?

Erste Veränderungen in KI-Antworten zeigen sich typischerweise nach vier bis zwölf Wochen, abhängig davon, wie schnell neue Quellen indexiert und bestehende Widersprüche bereinigt werden. Verlässlicher als der Zeitpunkt ist der Verlauf: Wer die Selbsttest-Fragen dokumentiert, sieht nach zwei Monaten eine Richtung – und kann dann gezielt nachsteuern.

Quellen

1. Gartner — gartner.com (2024)
2. Adobe Analytics — Digital Economy Index / AI Traffic Report (2025)
3. Aggarwal et al. — GEO: Generative Engine Optimization, ACM SIGKDD (2024)
4. Profound / Semrush — Citation-Analysen zu KI-Antworten (2025)
5. OpenAI — DevDay, Nutzerzahlen wöchentlich aktiver ChatGPT-Nutzer, erfasst über Statista (2025)