Branche

Dienstleistung: AI-Readiness-Studie (n=1622)

Direkte Antwort

Die Kategorie Dienstleistung ist die zweitgrößte Kohorte — und methodisch die unschärfste, weil sie gemischte Gewerke bündelt. In 1622 Live-Audits liegt der mittlere Agent-Ready-Score bei 22/100, der Fit (Modernisierungsbedarf) bei 78/100; 79.7 % der Audits liegen unter 40. llms.txt nur bei 16.3 %. DE-Querschnitt: 9345 Audits, Agent-Ready Ø 21/100. AI-Readiness ≠ AI-Sichtbarkeit. Charts und Vergleichstabelle stehen oben auf dieser Seite; Methodik: modern-stack.de/studie.

Wichtigste Punkte

  • Stichprobe Dienstleistung: n=1622 (17.4 % des Census).
  • Agent-Ready Ø 22 · Fit Ø 78 · Δ zum DE-Mittel +1.
  • AR < 40: 79.7 % · llms.txt: 16.3 % · JSON-LD: 40.9 %.
  • Häufigste Findings (ohne Markdown): Kein llms.txt (83.7 %); Agent-Ready Level niedrig (74.7 %); Wenig strukturierte Daten (63.6 %); Sitemap unklar (35.3 %).
  • CMS-Schwerpunkte: WordPress (569), Divi (348), Elementor (20).
  • Sammel-Label der Discovery — Querschnittsbeleg, keine einzelne Berufsordnung.
  • Readiness misst technische Extrahierbarkeit — nicht, ob ChatGPT den Anbieter nennt.

Audits in dieser Branche

1.622

Agent-Ready Ø

22/100

Fit Ø (Modernisierungsbedarf)

78/100

Anteil am Gesamt-Census

17,4 %

Branchenvergleich — Agent-Ready (n ≥ 100)
BranchenAR ØFit ØAR < 40llms.txt
Physiotherapie2.854198187,4 %14,8 %
Dienstleistung1.622227879,7 %16,3 %
Steuerberater1.524227880,5 %13,5 %
Psychologie1.272257570,9 %13,9 %
Fotografie1.262257571,7 %14,6 %
Coaching702188287,0 %13,4 %

Gesamt-Census: 9.345 Audits · Agent-Ready Ø 21/100 · Stand 8.10.2026 · Quelle: Modern Stack Live-Audits

Signale — Dienstleistung

Anteil der Audits mit positivem Signal

  • llms.txt vorhanden16,3 %n=264
  • JSON-LD erkannt40,9 %n=663
  • Sitemap vorhanden64,7 %n=1.049
  • robots.txt vorhanden65,3 %n=1.059
  • Legacy-CMS erkannt59,0 %n=957
  • Markdown-Negotiation0,6 %n=10
Diagrammdaten als Tabelle
Signale — Dienstleistung
KategorieAnteilStichprobe (n)
llms.txt vorhanden16,3 %264
JSON-LD erkannt40,9 %663
Sitemap vorhanden64,7 %1.049
robots.txt vorhanden65,3 %1.059
Legacy-CMS erkannt59,0 %957
Markdown-Negotiation0,6 %10

Häufigste Findings — Dienstleistung

ohne Markdown (nahezu 100 % in allen Branchen)

  • Kein llms.txt83,7 %n=1.358
  • Agent-Ready Level niedrig74,7 %n=1.212
  • Wenig strukturierte Daten63,6 %n=1.032
  • Sitemap unklar35,3 %n=573
Diagrammdaten als Tabelle
Häufigste Findings — Dienstleistung
KategorieAnteilStichprobe (n)
Kein llms.txt83,7 %1.358
Agent-Ready Level niedrig74,7 %1.212
Wenig strukturierte Daten63,6 %1.032
Sitemap unklar35,3 %573

Agent-Ready-Verteilung

Dienstleistung: Anteil je Score-Band

  • Agent-Ready 0-1949,1 %n=797
  • Agent-Ready 20-3930,6 %n=496
  • Agent-Ready 40-5916,4 %n=266
  • Agent-Ready 60-792,5 %n=41
  • Agent-Ready 80-1001,4 %n=22
Diagrammdaten als Tabelle
Agent-Ready-Verteilung
KategorieAnteilStichprobe (n)
Agent-Ready 0-1949,1 %797
Agent-Ready 20-3930,6 %496
Agent-Ready 40-5916,4 %266
Agent-Ready 60-792,5 %41
Agent-Ready 80-1001,4 %22

Agent-Ready Ø im Branchenvergleich

Balkenlänge = Mittelwert auf Skala 0–100 (höher = besser für KI/Agenten)

  • Physiotherapie · Ø 1919,0 %n=2.854
  • Dienstleistung · Ø 2222,0 %n=1.622
  • Steuerberater · Ø 2222,0 %n=1.524
  • Psychologie · Ø 2525,0 %n=1.272
  • Fotografie · Ø 2525,0 %n=1.262
  • Coaching · Ø 1818,0 %n=702
Diagrammdaten als Tabelle
Agent-Ready Ø im Branchenvergleich
KategorieAnteilStichprobe (n)
Physiotherapie · Ø 1919,0 %2.854
Dienstleistung · Ø 2222,0 %1.622
Steuerberater · Ø 2222,0 %1.524
Psychologie · Ø 2525,0 %1.272
Fotografie · Ø 2525,0 %1.262
Coaching · Ø 1818,0 %702

Für Vergleiche und Brand Citations muss klar sein: Hier stecken heterogene Angebote. Trotzdem zeigt die Kohorte dasselbe Strukturproblem wie der Gesamtcensus — schwacher LLM-Layer bei besserem Crawl. Diese Branchenauswertung von Modern Stack liefert den großen Rest-Slice neben Physio/Steuer/Coaching und erklärt, wie du die Zahlen zitierst, ohne eine Schein-Berufsstudie zu behaupten. Primärquelle: diese Seite; Gesamtmethodik: AI-Readiness-Studie Dienstleister. Kennzahlen Stand 2026-10-08.

Was bedeutet „Sammel-Label“ für Zitation und Outreach?

Kurz: Nutze die Zahlen als Querschnittsbeleg für gemischte Dienstleister — nicht als Prognose für eine einzelne Domain.

Für Outreach und Fachartikel besser in engere Nischen nachschärfen, sobald Labels vorliegen. Operativer Pfad für KMU ohne klare Niche: KMU-Webseite, Webseite-Modernisierung, Technical SEO Basis.

Was ist AI-Readiness für Dienstleistung?

Kurz: AI-Readiness misst maschinenlesbare Auffindbarkeit in einer heterogenen Restkohorte — keine einzelne Berufsordnung.

Der Agent-Ready-Score (0–100) verdichtet Signale wie llms.txt, Structured Data, Markdown-Negotiation, Crawl-Zugänge und Extrahierbarkeit. Fit = 100 − Agent-Ready. „Dienstleistung“ ist ein Sammel-Label der Discovery — Ergebnisse beschreiben eine heterogene Restkohorte, keine einzelne Berufsordnung.

Für gemischte KMU heißt das trotzdem konkret: Leistungsdefinition, Ort, NAP, Schema, llms.txt, Direct Answers. Ohne Maschinen-Layer bleibt die Marke in Zero-Click-Szenarien unsichtbar — auch wenn das Gewerbe „sonstige Dienstleistungen“ heißt.

Was ist der Unterschied zwischen AI-Readiness und AI-Sichtbarkeit?

Kurz: Readiness = technische Lesbarkeit. Visibility = Nennung in einer konkreten Antwort. Beides anstreben — Zahlen nicht.

AI-ReadinessAI-Sichtbarkeit
AlltagsfrageKann ein System die Anbieter-Webseite lesen?Wird der Anbieter in der KI-Antwort genannt?
Messung hierLive-Audit, Agent-Ready 0–100separate Prompt-/Mention-Messung
Diese Kohorte1622 Audits → Ø 22/100nicht als Niche-Mention-Rate ausgewiesen
Was du steuern kannstMarkup, Leistungs-/Ortsfakten, Bot-Zugangnur indirekt über Lesbarkeit + zitierfähige Antworten
Was daraus nicht folgtScore 80 = automatische Empfehlungeine Nennung = dauerhafte Garantie

Lokal getrennt gemessen (Bad Schönborn): Discovery 25 % vs. Brand 91,7 %. Rahmen: GEO & AI-Sichtbarkeit, ChatGPT-Sichtbarkeit.

Was zeigen die Zahlen für Dienstleistung?

Kurz: Zweitgrößte Kohorte, Mittel nahe DE (22, Δ +1) — Masse unter 40, Maschinen-Layer dünn, Legacy Mehrheit.

Kennzahlen dieser Kohorte (Stand 2026-10-08):

MetrikDienstleistungDE-Querschnitt
Audits (n)16229345
Agent-Ready Ø2221
Fit Ø78—
Anteil AR < 4079.7 %—
llms.txt16.3 %—
JSON-LD40.9 %—
Sitemap64.7 %—
Legacy-CMS59 %—
Markdown-Negotiation0.6 %—

Crawl-nahe Scores (falls gemessen): jev-Crawl Ø 82, jev-llms Ø 26 — klassisches Crawling oft stärker als der LLM-/Agenten-Layer. Δ zum DE-Mittel: +1 Agent-Ready-Punkte.

Häufigste Findings (ohne Markdown): kein llms.txt (83.7 %); Agent-Ready Level niedrig (74.7 %); wenig strukturierte Daten (63.6 %); Sitemap unklar (35.3 %).

Markdown-Negotiation nahe 0 % über Branchen — systemisch. Differenzierend: llms.txt, JSON-LD, Agent-Ready-Verteilung, Legacy-CMS. Findings ähneln Physio/Steuer: kein llms.txt, schwaches Schema, fehlende Markdown-Negotiation.

Warum scheitern viele Sites trotz „eigener Webseite“?

Kurz: Oft fehlen zitierfähige Leistungsabsätze — Legacy-CMS bleibt Mehrheit, Agent-Ready nahe Gesamtschnitt.

Agent-Ready nahe Gesamtschnitt, Legacy-CMS weiterhin Mehrheit (59 %). Generative Engines brauchen zitierfähige Absätze — nicht nur Hero und Kontaktformular. Princeton GEO (arXiv:2311.09735) belohnt klare Aussagen auf extrahierbarer Basis.

Typische Bruchstellen:

  1. Kein llms.txt bei 83.7 %.
  2. Niedriges Agent-Ready-Level 74.7 %.
  3. Schwaches Schema — JSON-LD 40.9 %, Finding 63.6 %.
  4. Sitemap unklar 35.3 %.

Wie liest man die Vergleichstabelle richtig?

Kurz: Mittel nahe DE unterschätzt den Druck nicht, wenn 79.7 % unter 40 stehen — und die Kohorte methodisch gemischt ist.

  1. Mittel + Verteilung: Ø 22 bei 79.7 % unter 40 = Masse im Modernisierungsbereich.
  2. llms.txt / JSON-LD als Proxy — Sitemap allein rettet Agent-Ready nicht.
  3. n=1622 ist groß und belastbar als Restkohorte — nicht als Berufsstudie.

Anteil am Census: 17.4 %. Δ +1 zum DE-Mittel (Ø 21, n=9345). Vergleich: Physio Ø 19, Steuer Ø 22, Foto Ø 25.

Welche CMS-Muster tauchen auf?

Kurz: WordPress/Divi dominieren — CMS allein sagt den Agent-Ready-Score nicht vorher.

In dieser Kohorte: WordPress (569), Divi (348), Elementor (20). Legacy-CMS 59 %. Wer nur „weg vom Pagebuilder“ denkt und keinen Maschinen-Layer baut, bleibt unsichtbar. Migration: WordPress-Migration, Next.js vs WordPress; Maschinen-Layer: llms.txt, Schema, Direct Answers.

Was folgt daraus für GEO und AIO?

Kurz: Leistung, Ort, NAP und Kontaktweg müssen als Text stehen — GEO/AIO belohnen Passagen, nicht nur Formulare.

GEO und AIO belohnen zitierfähige Fakten, konsistente Entities und abrufbare Passagen (Grounding, RAG, Zitation). Für kleine und mittlere Dienstleister außerhalb enger Fachnischen: Leistungsdefinition, Ort, NAP, Kontaktweg als Text. Siehe Zero-Click, Perplexity-Sichtbarkeit.

Was solltest du konkret umsetzen?

Kurz: Zahlen als Querschnittsbeleg nutzen → für die eigene Branche nachschärfen → messen → Maschinen-Layer → Technik-Basis.

Priorität 1: Webseite-Check mit gleichem Maßstab. Priorität 2: llms.txt + Schema + Direct Answers. Priorität 3: Legacy-Pagebuilder nur wenn Extraktion scheitert. Modernisierung: KMU-Webseite, Webseite-Modernisierung.

Minimaler llms.txt-Kern (Beispiel — anpassen):

# Dienstleister Beispiel — Ort
> Anbieter für … in …

# Leistungen
- Kernangebote (klar, prüfbar)
- Anfrage: Telefon / Formular

# Kontakt
- Adresse, Telefon, E-Mail
- Einsatzgebiet / Öffnungszeiten

# Hinweise
- Angaben ohne Gewähr auf Aktualität

Reihenfolge:

  1. Messung — Webseite-Check oder Outreach-Report.
  2. Maschinen-Layer — llms.txt, Schema, Direct Answers, Bot-Zugang.
  3. Technik-Basis — Legacy-Pagebuilder ablösen, wenn Extraktion und Performance scheitern.
  4. Monitoring — Agent-Ready nachziehen; Visibility separat; Label nachschärfen, sobald die Branche klar ist.

Wie priorisierst du die Findings in der Praxis?

Kurz: Zuerst llms.txt (83.7 %) und Agent-Ready-Level (74.7 %), parallel Schema (63.6 %).

PrioritätHebelWarum zuerst
1llms.txt + Leistungs-/Orts-KurzformFinding 83.7 % / Quote 16.3 %
2Organization/LocalBusiness-JSON-LDJSON-LD 40.9 % / Finding 63.6 %
3Direct AnswersExtrahierbare Angebotsfragen
4Sitemap/robotsunklar 35.3 %
5Pagebuilder/StackLegacy 59 % — 569 WordPress / 348 Divi

Nicht zuerst: Redesign ohne Messung. jev-Crawl Ø 82 vs. jev-llms Ø 26 = oft crawlbar, aber nicht zitierfähig.

Wann reicht der Maschinen-Layer — und wann brauchst du Migration?

Kurz: Wenn Extraktion trotz Schema/llms.txt an Pagebuilder-HTML scheitert, wird Stack-Wechsel zum Hebel — sonst zuerst.

Bei 569 WordPress- und 348 Divi-Treffern ist Rebuild für viele Sites realistisch. Migration allein ≠ AI-sichtbar; Schema/llms.txt bleiben Pflicht. Readiness steigt messbar im Audit; Visibility braucht zitierfähige Fakten und eigene Prompt-Stichproben.

Welche Grenzen hat diese Methodik?

Kurz: Live-Audit-Census zu technischer AI-Readiness — große Restkohorte, keine Berufsstudie und keine Mention-Garantie.

  • Label: Discovery-Sammelbecken — keine einzelne Berufsordnung.
  • Stichprobe: 17.4 % des Census; groß, aber gemischt.
  • Zeitstand: 2026-10-08.
  • Metrik: Agent-Ready ≠ Mention-Rate.
  • CMS: Heuristisch.
  • Markdown 0.6 %: nahe Systemnull.
  • Visibility: keine Prompt-Läufe für alle 1622 Domains.
  • Fit Ø 78: Spiegel des Scores.
  • Zitation: Querschnittsbeleg; Einzelbranchen → Teilstudien.

Wann zitierst du Dienstleistung — und wann eine engere Niche?

Kurz: Dienstleistung als Querschnittsbeleg („gemischte Restkohorte, n=1622“); Einzelberuf immer über die Fachstudie.

ZweckBessere Quelle
Gesamtbild DE-Dienstleister/studie
Physio / Coaching / Steuer / Foto / Psychojeweilige Teilstudie
Gemischte KMU ohne klares Labeldiese Seite + KMU-Webseite
Local VisibilityBad Schönborn / Bruchsal — getrennt von Readiness

Outreach und Fachartikel: sobald Discovery ein engeres Label liefert, Slice nachziehen. Bis dahin bleiben die Findings hier gültig als Strukturproblem — nicht als Berufsprofil.

Was bedeutet „zweitgrößte Kohorte“ für den Census-Mix?

Kurz: Physio stellt noch mehr (30.5 %). Zusammen erklären große Kohorten, warum der Gesamtmittelwert stark von Legacy- und Maschinen-Layer-Lücken geprägt ist.

Physio stellt noch mehr (30.5 %). Zusammen erklären große Kohorten, warum der Gesamtmittelwert stark von Legacy- und Maschinen-Layer-Lücken geprägt ist. Δ +1 für Dienstleistung heißt nicht „fertig“: 79.7 % unter 40 und llms.txt 16.3 % bleiben Modernisierungsdruck. Markdown 0.6 % ist relativ „hoch“ nur im Kontext von Systemnull — kein Differenzierungsmerkmal.

Wie modernisierst du, wenn die Branche unklar ist?

Kurz: Gleicher Maschinen-Layer wie in klaren Nischen — Messung, llms.txt, Schema, Direct Answers — und Label nachschärfen.

Unklare Restlabels verleiten zu generischer Copy. Schärfe zuerst die Leistungsdefinition („Was / Für wen / Ort“), dann Schema-Typen und llms.txt. Operativ: Webseite-Modernisierung, Technical SEO Basis, bei WordPress/Divi WordPress-Migration. Conversion ohne Extrahierbarkeit: Conversion hilft erst, wenn die Seite zitierfähig ist.

Welche GEO-Hebel gelten in der Restkohorte?

Kurz: Dieselben wie in klaren Nischen — Leistung, Ort, NAP, llms.txt, Schema, Direct Answers — plus Label-Nachschärfung.

GEO und AIO belohnen zitierfähige Fakten. In einer gemischten Kohorte ist der häufigste Fehler generische Copy ohne Entity. Finding „kein llms.txt“ 83.7 % und Agent-Ready-Level 74.7 % zeigen denselben Engpass wie Physio/Steuer. jev-Crawl Ø 82 vs. jev-llms Ø 26: oft crawlbar, selten zitierfähig. Visibility separat halten.

Für Brand Citations: diese Seite als Querschnitt zitieren; für eine konkrete Berufsordnung die Teilstudie. Operativ: KMU-Webseite, Webseite-Modernisierung, bei Legacy WordPress-Migration.

Wie priorisierst du Findings, wenn das Gewerbe unklar ist?

Kurz: Zuerst Leistungsdefinition schärfen, dann denselben Maschinen-Layer wie in klaren Nischen — nicht umgekehrt.

Ohne klare Leistung bleibt Schema-Typ und llms.txt-Inhalt vage. Deshalb:

  1. Was / Für wen / Ort in Text (Direct Answer).
  2. llms.txt mit Kurzportrait (16.3 % Prävalenz).
  3. Organization/LocalBusiness-JSON-LD (40.9 %).
  4. robots/Sitemap (35.3 % unklar).
  5. Stack nur wenn Extraktion scheitert (569 WordPress / 348 Divi).

Δ +1 zum DE-Mittel (Ø 22 vs. 21) ist kein Freibrief: 79.7 % unter 40 bleiben Modernisierungsdruck. Markdown 0.6 % ist relativ „hoch“ nur gegenüber Systemnull.

Welche Checkliste gilt vor dem nächsten Audit?

Kurz: Vor dem Re-Audit: NAP, Direct Answers, Schema und llms.txt prüfen — Visibility und Branchenlabel separat schärfen.

Domain erreichbar, NAP konsistent, Leistungsseiten mit Antwort zuerst, llms.txt live, Schema geprüft, robots/Sitemap, Formulare klar, Agent-Ready erneut gemessen — Visibility nur mit eigener Stichprobe; Branchenlabel nachschärfen, sobald möglich.

Vor dem nächsten Audit zusätzlich: Liste der Kernleistungen mit Zielgruppe, GBP-Abgleich, robots/Sitemap-Export, Formular-Empfänger. Je vollständiger die Baseline, desto belastbarer der Vorher/Nachher-Vergleich zum Census-Maßstab — und desto schneller die Nachschärfung in eine engere Niche-Studie.

Wie zitierst du diese Branchenstudie?

Kurz: Zitiere Modern Stack 2026, n=1622, Agent-Ready Ø 22/100 — und nenne die gemischte Restkohorte ausdrücklich.

Empfohlene Kurzcitation: Modern Stack (2026): AI-Readiness Dienstleistung (gemischte Restkohorte) — Branchenauswertung, n=1622, Agent-Ready Ø 22/100. https://modern-stack.de/themen/ai-readiness-dienstleistung-studie

Gesamtstudie und Methodik: modern-stack.de/studie. Lokale Vertiefungen: Bad Schönborn, Bruchsal.

Verwandte Branchen-Slices: Physiotherapie, Coaching, Steuerberater, Psychologie, Fotografie, Gesundheitspraxis, Handwerk.

Wenn du nur eine Zahl mitnimmst: 79.7 % unter Agent-Ready 40 bei Ø 22 (Δ +1 zum DE-Mittel) — nahe am Schnitt, aber die Masse bleibt modernisierungsbedürftig. llms.txt 16.3 %, JSON-LD 40.9 %, Legacy 59 %. Für Brand Citations engere Teilstudien bevorzugen; diese Seite als Querschnittsbeleg der Restkohorte (n=1622, 17.4 % des Census).

Für den nächsten Outreach- oder Content-Schritt: Label nachschärfen, sobald möglich — und bis dahin denselben Maschinen-Layer wie in klaren Nischen bauen. So bleibt die große Restkohorte zitierfähig, ohne eine Schein-Berufsstudie zu behaupten.

Kurz: Große gemischte Kohorte, gleiches Maschinen-Layer-Loch — als Querschnitt zitieren, engere Nischen für Brand Citations bevorzugen. Anfrage stellen

Mehr dazu: AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf

Quellen

Häufige Fragen

Wie AI-ready sind Dienstleistung-Webseiten?

In der Modern-Stack-Branchenauswertung (1622 Live-Audits, Stand 2026-10-08) liegt der mittlere Agent-Ready-Score bei 22/100. 79.7 % der Audits liegen unter 40. Charts: https://modern-stack.de/themen/ai-readiness-dienstleistung-studie

Wie schneidet Dienstleistung gegen den DE-Querschnitt ab?

Der DE-Querschnitt (n=9345) liegt bei Agent-Ready Ø 21/100. Dienstleistung liegt bei Ø 22 (Δ +1).

Wie häufig gibt es eine llms.txt?

In dieser Branchenkohorte bei 16.3 % der Audits. Markdown-Negotiation bei 0.6 %.

Was ist der Unterschied zwischen AI-Readiness und AI-Sichtbarkeit?

AI-Readiness misst technische Auslesbarkeit (hier Agent-Ready Ø 22/100). AI-Sichtbarkeit misst Nennung in einer konkreten KI-Antwort. Diese Page berichtet Readiness — keine Niche-Mention-Rate. Lokal: https://modern-stack.de/studie/bad-schoenborn/sichtbarkeit

Ist „Dienstleistung“ eine Berufsstudie?

Nein. Es ist ein Discovery-Sammel-Label für gemischte Gewerke außerhalb enger Fachnischen. Für zitierfähige Einzelbranchen die spezifischen Teilstudien verwenden (Physio, Coaching, Steuerberater, …).

Was ist die Primärquelle?

Modern Stack AI-Readiness-Census (Live-Audits). Branchenpage mit Charts: https://modern-stack.de/themen/ai-readiness-dienstleistung-studie — Methodik und Gesamtcensus: https://modern-stack.de/studie

Weiterlesen

  • GEO & AI-Sichtbarkeit

    Strategische und konkrete Analyse: warum moderne Webseiten für Google und KI-Systeme strukturiert sein müssen — und wie Modern Stack die technische und redaktionelle Grundlage für GEO, AIO und Zitation in generativen Antworten schafft.

  • Agent-Ready-Score

    Der Agent-Ready-Score (0–100) bewertet, wie gut eine Webseite für KI-Crawler und Assistenten nutzbar ist: Auffindbarkeit, Inhalt für Agenten und Bot-Zugangsregeln — gemessen über mehrere Seiten, nicht nur die Startseite.

  • AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf

    Empirische Auswertung von 6.675 Live-Audits: Agent-Ready-Scores, llms.txt, Markdown-Negotiation und Crawl-Signale bei Physiotherapie, Steuerberatung, Coaching, Psychologie, Fotografie und weiteren Dienstleistern in Deutschland — mit Interpretation für GEO, AIO und Webseite-Modernisierung.

  • llms.txt für Agenten

    Was llms.txt und llms.json sind und nicht sind: Agent-Discovery, Markdown- Negotiation, Census-Zahlen und Abgrenzung zu Google-Rankings — Ergänzung zu crawlbarem HTML, kein Content-Ersatz.

  • llms.txt

    llms.txt ist ein 2024 vorgeschlagenes Format: eine Markdown-Datei unter /llms.txt, die Sprachmodellen Titel, Kurzbeschreibung und priorisierte Links einer Webseite liefert. Sie ergänzt HTML, ersetzt aber keine guten Seiten.

  • Strukturierte Daten für GEO

    JSON-LD und Schema.org als GEO-Infrastruktur: @graph mit Organization, LocalBusiness, FAQPage und Article, sameAs-Disziplin und Census-Gap 41,9 % — immer aligned mit sichtbarem Content, nie als alleiniger Zitationshebel.

  • JSON-LD

    JSON-LD (JSON for Linking Data) ist ein W3C-Standard, um Linked Data als JSON zu schreiben. Im HTML eingebettet, beschreibt es per Schema.org Firma, Angebote, FAQ und Glossarbegriffe für Suchmaschinen und KI-Systeme.

  • Webseite-Modernisierung

    Eltern-Angebot Webseite-Modernisierung bei Modern Stack: Migration ab 500 €, Redesign 1.000 €, Knowledge Graph 500 €, Conversion ab 500 €, Webseiten-Abo 49 €/Monat — Modul-Architektur, Entscheidungsbaum und Migrationspfade.

  • Markdown-Negotiation

    Bei Markdown-Negotiation liefert ein Server unter derselben URL HTML oder Markdown, je nachdem, was der Client im Accept-Header anfordert. KI-Agenten erhalten so reinen Text mit Struktur, Menschen weiterhin die normale Seite.

  • Sichtbarkeit in ChatGPT

    Strategische und konkrete Analyse: Sichtbarkeit in ChatGPT entsteht nicht durch ein Meta-Tag. Sie braucht crawlbare Originalquellen, eindeutige Marken- und Leistungsangaben, konsistente externe Bestätigung und zitierfähige Antworten.

  • Sichtbarkeit in Perplexity

    Strategische und konkrete Analyse: Perplexity-Sichtbarkeit bedeutet vor allem, als aktuelle und belegbare Quelle in Antworten zitiert zu werden — mit klaren Passagen, zugänglichen Seiten, präzisen Entities und Primärquellen.

  • Webseiten für KMU & Mittelstand

    KMU modernisieren ihre Webseite am wirtschaftlichsten schrittweise: vorhandene Inhalte sichern, kritische Seiten auf stabiler Technik veröffentlichen und danach Fachthemen, Regionen und Conversion-Pfade anhand realer Prioritäten ausbauen — mit festem Entscheidungsrahmen und Preisen.

  • Modern Stack

    Modern Stack modernisiert bestehende Unternehmenswebseiten im D-A-CH-Raum — Technik erneuern, Inhalte behalten, lokal und in der KI-Suche sichtbar bleiben. Sitz Bad Schönborn, Kontakt info@modern-stack.de.

  • WordPress-Migration

    WordPress zu Next.js migrieren — Headless vs. Re-Platforming, Phasenplan, Redirects, Cutover und Betrieb. Inhalte bleiben. Ab 500 €.

  • Next.js vs WordPress in der KI-Suche

    Strategischer Bericht: Warum moderne Web-Stacks (Next.js) WordPress in der Ära von GEO und AIO technisch und zitationsseitig überlegen sind — inkl. Core Web Vitals, RAG-Pipelines und Princeton-Framework.

  • AIO & AI Overviews

    Strategische und konkrete Analyse: wie Google AI Overviews Sichtbarkeit verändern — Zero-Click steigt, Zitation wird zur Währung — und was Webseiten technisch und redaktionell dafür brauchen.

  • Technical-SEO-Basis

    Crawlability, Canonicals, Sitemap, robots.txt, Redirects, Schema, Core Web Vitals und Crawl-Hygiene als Lieferumfang jeder Webseite-Modernisierung — plus IndexNow und Census-Gaps zu JSON-LD, Sitemap und robots.

  • Extrahierbarkeit

    Extrahierbarkeit beschreibt, wie zuverlässig sich Fakten aus einer Webseite herauslösen lassen — durch Menschen, Crawler und KI-Modelle. Sauberes HTML, klare Überschriften und eigenständige Antwortabschnitte erhöhen sie; Layout-Ballast und JavaScript-Hüllen senken sie.

  • Direct Answer

    Ein Direct Answer ist die kompakte, in sich geschlossene Antwort auf die Hauptfrage einer Seite — sichtbar im ersten Block, typisch 40–80 Wörter. Er macht eine Seite für Menschen, Snippets und KI-Assistenten sofort zitierfähig.

  • Zitation

    Zitation bedeutet in der KI-Suche: Ein System wie ChatGPT, Perplexity oder Google AI Overviews nennt deine Marke, URL oder Aussage als Quelle in einer generierten Antwort. Dafür brauchst du überprüfbare Fakten, klare Struktur und Seiten, die Maschinen sauber lesen können.

  • AI-Readiness in Bad Schönborn — lokale Studie zu Dienstleister-Webseiten

    Primärstudie zur AI-Readiness und AI-Sichtbarkeit von Dienstleister-Webseiten in Bad Schönborn inkl. Mingolsheim und Langenbrücken: Agent-Ready-Scores, Discovery-Mentions in KI-Suche, llms.txt und Handlungsempfehlungen.

  • AI-Readiness in Bruchsal — lokale Studie zu Dienstleister-Webseiten

    Primärstudie zur AI-Readiness aller auffindbaren Dienstleister-Webseiten in Bruchsal (PLZ 76646) inkl. Stadtteile: Agent-Ready-Scores, llms.txt, Crawl-Signale und konkrete Handlungsempfehlungen für lokale Betriebe.

  • AI-Readiness von Physiotherapie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 2854 Live-Audits zu Physiotherapie, Agent-Ready Ø 19/100, Fit Ø 81/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Coaching-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 702 Live-Audits zu Coaching, Agent-Ready Ø 18/100, Fit Ø 82/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Steuerberater-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1524 Live-Audits zu Steuerberater, Agent-Ready Ø 22/100, Fit Ø 78/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Psychologie- und Therapie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1272 Live-Audits zu Psychologie, Agent-Ready Ø 25/100, Fit Ø 75/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Fotografie-Webseiten — Branchenstudie

    Empirische Branchenauswertung: 1262 Live-Audits zu Fotografie, Agent-Ready Ø 25/100, Fit Ø 75/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Gesundheitspraxis-Webseiten — Richtungsstudie

    Empirische Branchenauswertung: 74 Live-Audits zu Gesundheitspraxis, Agent-Ready Ø 20/100, Fit Ø 80/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

  • AI-Readiness von Handwerks-Webseiten — Richtungsstudie

    Empirische Branchenauswertung: 35 Live-Audits zu Handwerk, Agent-Ready Ø 19/100, Fit Ø 81/100 — mit Vergleich zum DE-Querschnitt (9345 Audits, AR Ø 21) und Handlungsableitungen für GEO/AIO.

Sofort-Check

Deine Webseite jetzt prüfen

Kurzreport mit den wichtigsten Schwachstellen sofort — den Vollreport schaltest du mit deiner E-Mail frei.

← Content Hub·AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf