Branche
Handwerk: AI-Readiness-Studie (n=35)
Direkte Antwort
Handwerks-Webseiten liegen in einer kleinen Stichprobe beim Agent-Ready-Mittel unter dem Gesamtschnitt — mit hohem Anteil im Band unter 40. In 35 Live-Audits liegt der mittlere Agent-Ready-Score bei 19/100, der Fit (Modernisierungsbedarf) bei 81/100; 88.6 % der Audits liegen unter 40. llms.txt bei 20 %. 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 Handwerk: n=35 (0.4 % des Census).
- Agent-Ready Ø 19 · Fit Ø 81 · Δ zum DE-Mittel -2.
- AR < 40: 88.6 % · llms.txt: 20 % · JSON-LD: 37.1 %.
- Häufigste Findings (ohne Markdown): Kein llms.txt (80 %); Agent-Ready Level niedrig (68.6 %); Wenig strukturierte Daten (65.7 %); Sitemap unklar (37.1 %).
- CMS-Schwerpunkte: WordPress (13), Divi (9).
- Hinweis: kleine Stichprobe — Richtungssignal, keine bevölkerungsweite Schätzung.
- Readiness misst technische Extrahierbarkeit — nicht, ob ChatGPT den Betrieb nennt.
Audits in dieser Branche
35
Agent-Ready Ø
19/100
Fit Ø (Modernisierungsbedarf)
81/100
Anteil am Gesamt-Census
0,4 %
Stichprobe n=35 — Zahlen sind Richtungssignale, keine bevölkerungsweiten Schätzungen. Der Querschnitt mit ≥100 Audits bleibt die robustere Vergleichsbasis.
| Branche | n | AR Ø | Fit Ø | AR < 40 | llms.txt |
|---|---|---|---|---|---|
| Physiotherapie | 2.854 | 19 | 81 | 87,4 % | 14,8 % |
| Dienstleistung | 1.622 | 22 | 78 | 79,7 % | 16,3 % |
| Steuerberater | 1.524 | 22 | 78 | 80,5 % | 13,5 % |
| Psychologie | 1.272 | 25 | 75 | 70,9 % | 13,9 % |
| Fotografie | 1.262 | 25 | 75 | 71,7 % | 14,6 % |
| Coaching | 702 | 18 | 82 | 87,0 % | 13,4 % |
Gesamt-Census: 9.345 Audits · Agent-Ready Ø 21/100 · Stand 8.10.2026 · Quelle: Modern Stack Live-Audits
Signale — Handwerk
Anteil der Audits mit positivem Signal
- llms.txt vorhanden20,0 %n=7
- JSON-LD erkannt37,1 %n=13
- Sitemap vorhanden62,9 %n=22
- robots.txt vorhanden62,9 %n=22
- Legacy-CMS erkannt62,9 %n=22
- Markdown-Negotiation0,0 %n=0
Diagrammdaten als Tabelle
| Kategorie | Anteil | Stichprobe (n) |
|---|---|---|
| llms.txt vorhanden | 20,0 % | 7 |
| JSON-LD erkannt | 37,1 % | 13 |
| Sitemap vorhanden | 62,9 % | 22 |
| robots.txt vorhanden | 62,9 % | 22 |
| Legacy-CMS erkannt | 62,9 % | 22 |
| Markdown-Negotiation | 0,0 % | 0 |
Häufigste Findings — Handwerk
ohne Markdown (nahezu 100 % in allen Branchen)
- Kein llms.txt80,0 %n=28
- Agent-Ready Level niedrig68,6 %n=24
- Wenig strukturierte Daten65,7 %n=23
- Sitemap unklar37,1 %n=13
Diagrammdaten als Tabelle
| Kategorie | Anteil | Stichprobe (n) |
|---|---|---|
| Kein llms.txt | 80,0 % | 28 |
| Agent-Ready Level niedrig | 68,6 % | 24 |
| Wenig strukturierte Daten | 65,7 % | 23 |
| Sitemap unklar | 37,1 % | 13 |
Agent-Ready-Verteilung
Handwerk: Anteil je Score-Band
- Agent-Ready 0-1951,4 %n=18
- Agent-Ready 20-3937,1 %n=13
- Agent-Ready 40-598,6 %n=3
- Agent-Ready 60-792,9 %n=1
- Agent-Ready 80-1000,0 %n=0
Diagrammdaten als Tabelle
| Kategorie | Anteil | Stichprobe (n) |
|---|---|---|
| Agent-Ready 0-19 | 51,4 % | 18 |
| Agent-Ready 20-39 | 37,1 % | 13 |
| Agent-Ready 40-59 | 8,6 % | 3 |
| Agent-Ready 60-79 | 2,9 % | 1 |
| Agent-Ready 80-100 | 0,0 % | 0 |
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
| Kategorie | Anteil | Stichprobe (n) |
|---|---|---|
| Physiotherapie · Ø 19 | 19,0 % | 2.854 |
| Dienstleistung · Ø 22 | 22,0 % | 1.622 |
| Steuerberater · Ø 22 | 22,0 % | 1.524 |
| Psychologie · Ø 25 | 25,0 % | 1.272 |
| Fotografie · Ø 25 | 25,0 % | 1.262 |
| Coaching · Ø 18 | 18,0 % | 702 |
Stichprobenhinweis: n=35. Die Zahlen sind belastbar als Richtung im Kontext der Gesamtstudie, nicht als fein aufgelöste Bevölkerungsstatistik. Primärzitation für Branchentiefe bis zur größeren Stichprobe: Handwerk-Webseite modernisieren und die DE-Studie.
Aufträge entstehen über lokale Suche und Empfehlungen. KI-Assistenten übernehmen Teile dieser Empfehlungslogik — Betriebe ohne klaren Leistungs-/Ortsgraphen fallen aus der Antwortfläche. Diese Richtungsstudie von Modern Stack zeigt niedrigen Agent-Ready, hohen Fit und viel Legacy-CMS — Richtung wie Physio/Coaching, bei sehr kleinem n. Kennzahlen Stand 2026-10-08.
Warum llms.txt „20 %“ nicht als Handwerks-Vorsprung lesen?
Kurz: Bei n=35 ist die höhere llms.txt-Quote (20 %) Stichproben-Risiko — die härtere Zahl bleibt das Mittel.
Wer Brand Citations baut, zitiert die Richtung (schwach, Legacy, Schema-Lücke) und verweist für belastbare n auf DE/Physio. Die Branchenseite Handwerk modernisieren bleibt der operative Pfad.
Was ist AI-Readiness für Handwerk?
Kurz: AI-Readiness misst, ob Maschinen Leistungen, Ort und NAP technisch lesen können — nicht Sichtbarkeit in einer Antwort.
Der Agent-Ready-Score (0–100) verdichtet Signale wie llms.txt, Structured Data, Markdown-Negotiation, Crawl-Zugänge und Extrahierbarkeit. Fit = 100 − Agent-Ready. Kleine Stichprobe — keine bevölkerungsweite Schätzung.
Für Handwerksbetriebe heißt das: Leistungskatalog und Einsatzgebiet maschinenlesbar, NAP konsistent (Google Business & NAP), LocalBusiness-Schema, llms.txt, Direct Answers zu Leistungen und Einsatzgebiet. Local SEO: Local SEO & Regionen.
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-Readiness | AI-Sichtbarkeit | |
|---|---|---|
| Alltagsfrage | Kann ein System die Betriebs-Webseite lesen? | Wird der Betrieb in der KI-Antwort empfohlen? |
| Messung hier | Live-Audit, Agent-Ready 0–100 | separate Prompt-/Mention-Messung |
| Diese Kohorte | 35 Audits → Ø 19/100 | nicht als Niche-Mention-Rate ausgewiesen |
| Was du steuern kannst | Leistungen/Ort/NAP, Schema, llms.txt | nur indirekt über Lesbarkeit + zitierfähige Fakten |
| Was daraus nicht folgt | Score 80 = automatische Empfehlung | eine 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 Handwerk?
Kurz: Richtung unter dem Schnitt — Mittel 19, Masse unter 40, Legacy hoch; llms.txt-Quote bei kleinem n nicht.
Kennzahlen dieser Kohorte (Stand 2026-10-08):
| Metrik | Handwerk | DE-Querschnitt |
|---|---|---|
| Audits (n) | 35 | 9345 |
| Agent-Ready Ø | 19 | 21 |
| Fit Ø | 81 | — |
| Anteil AR < 40 | 88.6 % | — |
| llms.txt | 20 % | — |
| JSON-LD | 37.1 % | — |
| Sitemap | 62.9 % | — |
| Legacy-CMS | 62.9 % | — |
| Markdown-Negotiation | 0 % | — |
Crawl-nahe Scores (falls gemessen): jev-Crawl Ø 70, jev-llms Ø 24 — Crawl oft stärker als LLM-Layer. Δ zum DE-Mittel: −2 Agent-Ready-Punkte.
Häufigste Findings (ohne Markdown): kein llms.txt (80 %); Agent-Ready Level niedrig (68.6 %); wenig strukturierte Daten (65.7 %); Sitemap unklar (37.1 %).
Markdown-Negotiation nahe 0 % über Branchen — systemisch. Differenzierend: llms.txt (hier mit Vorsicht), JSON-LD, Agent-Ready-Verteilung, Legacy-CMS.
Warum scheitern viele Sites trotz „eigener Webseite“?
Kurz: Weil lokale Auftragsgewinnung oft Telefon und Visitenkarte priorisiert — und Leistungs-/Ortsgraphen für Maschinen.
n ist klein; die Richtung (niedriger AR, hoher Fit, viel Legacy-CMS) passt zum Gesamtbild und zur Branchenseite Handwerk modernisieren. Princeton GEO (arXiv:2311.09735) belohnt klare Aussagen auf extrahierbarer Basis.
Typische Bruchstellen (Richtung):
- Kein llms.txt bei 80 % Finding — trotz relativ höherer Prävalenzquote.
- Niedriges Agent-Ready-Level 68.6 %.
- Schwaches Schema — JSON-LD 37.1 %, Finding 65.7 %.
- Sitemap unklar 37.1 %.
Wie liest man die Vergleichstabelle richtig?
Kurz: Kleine Nischen mit Warnhinweis — harte Zahl ist 88.6 % unter 40, nicht die llms.txt-Quote allein.
- Mittel + Verteilung: Ø 19 bei 88.6 % unter 40 = Masse im Modernisierungsbereich.
- llms.txt / JSON-LD als Proxy — bei n=35 Quoten breit streuen.
- n=35 → Richtung; robuste Vergleiche über DE (n=9345) und große Nischen.
Δ −2 zum DE-Mittel. Anteil am Census: 0.4 %.
Welche CMS-Muster tauchen auf?
Kurz: WordPress/Divi dominieren — CMS allein sagt den Agent-Ready-Score nicht vorher.
In dieser Kohorte: WordPress (13), Divi (9). Legacy-CMS 62.9 %. Migration: WordPress-Migration, Next.js vs WordPress; Maschinen-Layer: llms.txt, Schema, Direct Answers.
Was folgt daraus für GEO und AIO?
Kurz: Für Handwerk zählen Leistungen, Einsatzgebiet und NAP als Text — GEO/AIO belohnen zitierfähige Passagen, nicht Slider.
GEO und AIO belohnen zitierfähige Fakten, konsistente Entities und abrufbare Passagen (Grounding, RAG, Zitation). Für Handwerksbetriebe: Leistungen, Einsatzgebiet, NAP, Erreichbarkeit als Text. Siehe Zero-Click, Perplexity-Sichtbarkeit.
Was solltest du konkret umsetzen?
Kurz: Messen → Leistungskatalog/Ort maschinenlesbar → llms.txt/Schema/NAP → Technik-Basis — Primärzitation bis größerer.
Priorität 1: Leistungs- und Einsatzgebietsantworten. Priorität 2: llms.txt + LocalBusiness. Priorität 3: NAP-Parität GBP ↔ Webseite. Pfad: Handwerk modernisieren, Webseite-Modernisierung.
Minimaler llms.txt-Kern (Beispiel — anpassen):
# Handwerksbetrieb Beispiel — Ort
> Meisterbetrieb für … in …
# Leistungen
- Kerngewerke und Einsatzgebiet
- Anfrage: Telefon / Formular
# Kontakt
- Adresse, Telefon, E-Mail
- Einsatzradius / Notfallhinweis (falls zutreffend)
# Hinweise
- Angaben ohne Gewähr auf Aktualität
Reihenfolge:
- Messung — Webseite-Check.
- Maschinen-Layer — llms.txt, Schema, Direct Answers, Bot-Zugang.
- Technik-Basis — Legacy-Pagebuilder ablösen, wenn Extraktion scheitert.
- Monitoring — Agent-Ready nachziehen; Visibility separat.
Wie priorisierst du die Findings in der Praxis?
Kurz: Zuerst llms.txt (80 % Finding) und Schema (65.7 %), parallel Agent-Ready-Level (68.6 %) — trotz relativ.
| Priorität | Hebel | Warum zuerst |
|---|---|---|
| 1 | Leistungen/Ort als Text + llms.txt | Finding 80 %; lokale Intent-Fragen |
| 2 | LocalBusiness-JSON-LD | JSON-LD 37.1 % / Finding 65.7 % |
| 3 | NAP-Parität | Local SEO / GBP |
| 4 | Sitemap/robots | unklar 37.1 % |
| 5 | Pagebuilder/Stack | Legacy 62.9 % |
Nicht zuerst: Redesign ohne Messung. jev-Crawl Ø 70 vs. jev-llms Ø 24.
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 13 WordPress- und 9 Divi-Treffern in der Mini-Stichprobe ist Rebuild oft relevant — Einzelfall prüfen. Migration allein ≠ AI-sichtbar.
Welche Grenzen hat diese Methodik?
Kurz: Live-Audit-Census mit sehr kleiner Stichprobe — kein Qualitätsranking und keine Mention-Garantie.
- n=35: Richtungssignal; llms.txt-Quote nicht überinterpretieren.
- Zeitstand: 2026-10-08.
- Metrik: Agent-Ready ≠ Mention-Rate.
- CMS: Heuristisch.
- Markdown 0 %: systemisch.
- Visibility: keine Prompt-Läufe für alle 35 Domains.
- Fit Ø 81: Spiegel des Scores.
- Primärzitation: bis größerer Stichprobe DE-Studie + Handwerk-Landing.
Wie übersetzt du die Richtung in den Handwerk-Modernisierungspfad?
Kurz: Leistungen, Einsatzgebiet und NAP zuerst maschinenlesbar machen — dann llms.txt/Schema; Stack, wenn Legacy blockiert.
Die operative Branchenseite Handwerk-Webseite modernisieren beschreibt Intent, CTA und Local-Logik. Diese Richtungsstudie liefert den technischen Ist-Stand: Agent-Ready Ø 19, 88.6 % unter 40, Legacy 62.9 %. Primärzitation für Zahlen bis zur größeren Stichprobe: diese Seite mit Stichprobenhinweis plus DE-Studie.
Praktisch für einen Betrieb:
- Top-Leistungen als eigene URLs mit Answer zuerst („Was / Wo / Wie Anfrage?“).
- Einsatzradius und Ort im Text — nicht nur auf dem Visitenkartenbild.
- NAP-Parität Webseite ↔ Google Business.
- llms.txt + LocalBusiness — Finding „kein llms.txt“ 80 %.
- Formular/Anruf-Pfad messbar machen.
Warum lokaler Auftrag und KI-Antwort zusammenhängen?
Kurz: Lokale Anfragen brauchen zitierfähige Passagen zu Leistung und Ort — Reputation bleibt, Maschinen brauchen Text.
Das ersetzt keine Innung, kein Meisterzeichen und keine Baustellen-Reputation. Es ergänzt sie: Wenn jemand fragt „Dachdecker … Ort Notfall“ oder „Sanitär … Ort Angebot“, braucht die Engine eine zitierfähige Passage. Princeton GEO (arXiv:2311.09735) belohnt Klarheit auf extrahierbarer Basis — nicht Pagebuilder-Slider. jev-Crawl Ø 70 vs. jev-llms Ø 24 zeigt: oft schon crawlbar, selten zitierfähig.
Was du bei n=35 ausdrücklich nicht behaupten solltest?
Kurz: Keine bevölkerungsweiten Ranglisten und keine llms.txt-Garantien bei n=35 — nur Richtungssignale sind belastbar.
Erlaubt und belastbar: Richtungssignal im Kontext der DE-Studie; Modernisierungsbedarf für die Masse unter 40; CMS-Muster WordPress/Divi in der Mini-Stichprobe; Verweis auf die Handwerk-Landing für Umsetzung. Visibility bleibt separate Messung (Bad Schönborn als lokales Beispiel für Readiness ≠ Visibility).
Welche GEO-Hebel gelten trotz kleinem n?
Kurz: Leistungen, Ort und NAP als Text — plus llms.txt/Schema — sind der Hebel; die Mini-Stichprobe ändert die Reihenfolge.
GEO und AIO belohnen zitierfähige Fakten. Für Handwerk heißt das konkret: Gewerk, Einsatzgebiet, Erreichbarkeit und ggf. Notfallhinweis ohne Pagebuilder-Rauschen. Finding „wenig strukturierte Daten“ 65.7 % und Sitemap unklar 37.1 % zeigen, dass selbst klassisches SEO nicht durchgängig sauber ist. jev-Crawl Ø 70 vs. jev-llms Ø 24 bleibt das Muster: oft crawlbar, selten zitierfähig. Visibility separat halten — Readiness-Score ≠ Mention-Rate.
Vergleich zu großen Nischen (gleiche Methodik, andere Kohorten): Physio Ø 19, Coaching Ø 18, Steuer Ø 22. Handwerk liegt mit Ø 19 in derselben Bandbreite — bei n=35 als Richtung, nicht als Ranking.
Wie priorisierst du gegen die DE-Studie?
Kurz: DE-Studie und Handwerk-Landing für belastbare Umsetzung; dieser Slice für Richtung und Brand-Citation mit Warnhinweis.
| Quelle | Nutzen |
|---|---|
| Diese Seite (n=35) | Richtung AR/Fit/Findings + CMS-Mini |
| DE-Studie | Methodik + große Benchmarks |
| Handwerk modernisieren | Intent, CTA, Local-Pfad |
| Bad Schönborn Visibility | Readiness ≠ Visibility (lokal) |
Budget-knapp: erst Messung und llms.txt/Schema, dann Stack. WordPress (13) und Divi (9) in der Mini-Stichprobe sind Hinweis, kein Zwang zur Migration.
Welche Checkliste gilt vor dem nächsten Audit?
Kurz: Vor dem Re-Audit: NAP, Direct Answers, llms.txt, LocalBusiness-JSON-LD und Formulare prüfen — Visibility separat messen.
Domain erreichbar, NAP konsistent, Leistungsseiten mit Antwort zuerst, llms.txt live, LocalBusiness-JSON-LD, robots/Sitemap, Formulare klar, Agent-Ready erneut gemessen — Visibility nur mit eigener Stichprobe; Zahlen mit Stichprobenhinweis zitieren.
Vor dem nächsten Audit zusätzlich: Liste der Top-Gewerke mit Einsatzgebiet, GBP-Abgleich, robots/Sitemap-Export, Formular-Empfänger und Vertretung. Je vollständiger die Baseline, desto belastbarer der Vorher/Nachher-Vergleich — trotz kleinem Niche-n.
Wie zitierst du diese Branchenstudie?
Kurz: Kurzcitation: Modern Stack (2026), AI-Readiness Handwerk — n=35, Agent-Ready Ø 19/100.
Empfohlene Kurzcitation: Modern Stack (2026): AI-Readiness Handwerk — Richtungsauswertung, n=35, Agent-Ready Ø 19/100. https://modern-stack.de/themen/ai-readiness-handwerk-studie (mit Stichprobenhinweis).
Gesamtstudie und Methodik: modern-stack.de/studie. Lokale Vertiefungen: Bad Schönborn, Bruchsal.
Verwandte Branchen-Slices: Physiotherapie, Coaching, Steuerberater, Psychologie, Fotografie, Dienstleistung, Gesundheitspraxis.
Wenn du nur eine Zahl mitnimmst: 88.6 % unter Agent-Ready 40 bei Fit Ø 81 — die Masse der auditierten Handwerks-Webseiten in dieser Mini-Stichprobe liegt klar im Modernisierungsbereich. llms.txt bei 20 % nicht als Vorsprung verkaufen; Finding „kein llms.txt“ bleibt bei 80 %. Parallel DE-Studie und Handwerk modernisieren nutzen.
Für den nächsten Outreach- oder Content-Schritt: dieselbe Audit-Methode wie in der Gesamtstudie, gleiche Findings-Priorität (llms.txt → Schema → Direct Answers → Stack), und immer den Stichprobenhinweis n=35 mitzitieren. So bleibt die Seite als Unique Evidence Asset nutzbar, ohne die Mini-Kohorte zu überinterpretieren.
Kurz: Kleine Stichprobe, klares Richtungssignal — Leistungen/Ort/NAP maschinenlesbar machen, DE-Studie parallel zitieren. Anfrage stellen
Mehr dazu: AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf
Quellen
- AI-Readiness deutscher Dienstleister-Webseiten (Modern Stack) — Modern Stack
Primärstudie mit Methodik und Gesamt-Charts.
- AI-Readiness von Handwerks-Webseiten — Richtungsstudie — Modern Stack
Branchen-Slice mit Kennzahlen, Vergleichstabelle und Charts.
- Agent-Ready-Score (Glossar) — Modern Stack
Definition der Score-Metrik.
- AI-Sichtbarkeit Bad Schönborn — Einmal-Census — Modern Stack
Primärnachweis Readiness ≠ Visibility (Discovery vs. Brand).
- GEO: Generative Engine Optimization (Aggarwal et al.) — arXiv / KDD 2024
Rahmen für Zitation und Sichtbarkeit in generativen Engines.
- Handwerk-Webseite modernisieren — Modern Stack
Branchenspezifischer Modernisierungspfad.
Häufige Fragen
Wie AI-ready sind Handwerk-Webseiten?
In der Modern-Stack-Branchenauswertung (35 Live-Audits, Stand 2026-10-08) liegt der mittlere Agent-Ready-Score bei 19/100. 88.6 % der Audits liegen unter 40. Kleine Stichprobe — Richtungssignal. Charts: https://modern-stack.de/themen/ai-readiness-handwerk-studie
Wie schneidet Handwerk gegen den DE-Querschnitt ab?
Der DE-Querschnitt (n=9345) liegt bei Agent-Ready Ø 21/100. Handwerk liegt bei Ø 19 (Δ -2).
Wie häufig gibt es eine llms.txt?
In dieser Branchenkohorte bei 20 % der Audits. Markdown-Negotiation bei 0 %. Bei n=35 nicht überinterpretieren.
Was ist der Unterschied zwischen AI-Readiness und AI-Sichtbarkeit?
AI-Readiness misst technische Auslesbarkeit (hier Agent-Ready Ø 19/100). 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
Was sollten Handwerksbetriebe zuerst tun?
Was ist die Primärquelle?
Modern Stack AI-Readiness-Census (Live-Audits). Branchenpage mit Charts: https://modern-stack.de/themen/ai-readiness-handwerk-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.
- 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.
- Google Business Profile & NAP
Name, Adresse und Telefonnummer müssen auf Webseite, Google Business Profile und LocalBusiness-/Organization-Schema identisch sein. NAP-Konsistenz senkt Mehrdeutigkeit in lokaler Suche und bei maschineller Entity-Zuordnung — ohne Ranking-Garantie.
- Local SEO & Regionen
Wie Regionsseiten, Place-Entities und Webseite-Modernisierung lokale Auffindbarkeit in Kraichgau, Karlsruhe und Rhein-Neckar stärken — jenseits von Keyword-Spam.
- 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.
- 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.
- Webseite-Modernisierung für Handwerksbetriebe
Handwerksbetriebe brauchen eine schnelle mobile Webseite mit klaren Leistungen, Einsatzgebiet, Referenzen, Karrierebereich und direkter Anfrage — nicht eine überladene Digitalplattform. Modern Stack modernisiert bestehende Auftritte und verknüpft sie mit lokalen Regionsseiten. Migration ab 500 €.
- 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 gemischter Dienstleister-Webseiten — Branchenstudie
Empirische Branchenauswertung: 1622 Live-Audits zu Dienstleistung, 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 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.