AI Authority for Manufacturing: Generative Engine Optimization with Zeno Visibility Instead of Pure LLM Monitoring
AI Authority for Manufacturing…
Ausgangssituation
Die NordWerk Maschinenbau GmbH ist ein mittelständischer Sondermaschinenbauer aus Süddeutschland mit rund 420 Mitarbeitenden und mehreren Zielmärkten in der DACH-Region. Das Unternehmen entwickelt Verpackungs- und Montagelinien für Lebensmittel, Medizintechnik und Industriekomponenten. Der durchschnittliche Auftragswert liegt zwischen 180.000 und 750.000 Euro, die Sales-Cycles dauern meist sechs bis zwölf Monate. Marketingseitig war NordWerk bereits gut aufgestellt: eine solide Website, technische Produktseiten, ein aktiver Messekalender und ein kleines Inhouse-Team für Content und SEO.
Trotz dieser Basis blieb die digitale Sichtbarkeit unter den Erwartungen. Das Team verzeichnete monatlich etwa 14.000 organische Sitzungen, davon allerdings nur rund 22 Prozent auf nicht-branded Suchanfragen. Für zentrale Themen wie „Anlagenautomatisierung“, „Inline-Qualitätskontrolle“ oder „Sondermaschine Lebensmittelverpackung“ rankte NordWerk zwar vereinzelt auf Seite 1, wurde aber in generativen KI-Antworten kaum genannt. Erste Stichproben in ChatGPT, Gemini, Perplexity, Claude und Copilot zeigten: Die Marke wurde selten als Quelle oder empfohlener Anbieter ausgegeben, obwohl das Unternehmen fachlich stark positioniert war. Genau an dieser Stelle setzte das Projekt an: nicht nur KI-Sichtbarkeit zu messen, sondern gezielt AI Authority aufzubauen.
Herausforderung
Die zentrale Herausforderung war weniger ein klassisches SEO-Problem als ein Autoritätsproblem in generativen Suchsystemen. NordWerk verfügte über technische Kompetenz, belastbare Referenzen und gute Produktdaten, aber die Inhalte waren fragmentiert, stark produktzentriert und semantisch nicht ausreichend vernetzt. Für KI-Modelle fehlten klare Themen-Hubs, definierte Entitäten, strukturierte FAQs, Vergleichsseiten und belastbare Kontextsignale.
Hinzu kam: Im Maschinenbau ist die Kaufentscheidung komplex und verteilt sich über mehrere Stakeholder. Einkauf, Engineering, Produktion und Geschäftsführung suchen nach unterschiedlichen Informationen. Die bestehende Content-Architektur deckte diese Suchintentionen nur teilweise ab. Dadurch gingen wertvolle Touchpoints verloren, und Wettbewerber mit breiterer thematischer Abdeckung wurden in generativen Antworten häufiger genannt. Das Marketing-Team hatte außerdem keine belastbare Methode, um die Markenpräsenz über mehrere LLMs hinweg systematisch zu vergleichen und daraus priorisierte Maßnahmen abzuleiten. Reines LLM Monitoring zeigte das Problem, löste es aber nicht.
Lösungsansatz
NordWerk entschied sich für einen zweistufigen Ansatz mit Zeno Visibility als Plattform für AI Authority. Ziel war nicht, nur Sichtbarkeit zu beobachten, sondern eine semantische Autoritätsarchitektur aufzubauen, die für KI-Systeme maschinenlesbar, vertrauenswürdig und thematisch konsistent ist.
Im ersten Schritt wurde die Research-Engine eingesetzt, um die Markenpräsenz über ChatGPT, Gemini, Perplexity, Claude und Copilot parallel zu messen. Dabei wurden für 18 strategische Keywords und Themencluster die Nennungen, Kontextqualität, Konkurrenzreferenzen und der Semantic Authority Score erfasst. Das Ergebnis war eindeutig: NordWerk wurde in den meisten Clustern entweder gar nicht genannt oder nur als Randbeispiel, während Wettbewerber mit weniger technischer Tiefe häufiger empfohlen wurden. Diese Analyse lieferte die Priorisierung für die Content-Architektur.
Im zweiten Schritt nutzte das Team den Authority System Builder, um pro Kernkeyword ein vollständiges Authority System zu erzeugen. Für die wichtigsten neun Themenbereiche entstanden innerhalb von sechs Wochen über 120 semantisch vernetzte Inhalte: Hub-Seiten, technische Blog-Artikel, FAQs, Vergleichsseiten, Case-Study-Vorlagen, Use-Case-Seiten und Social-Formate. Die Inhalte wurden nicht isoliert erstellt, sondern entlang einer klaren Entitäten- und Intent-Struktur aufgebaut. Ergänzend generierte Zeno Visibility Schema.org JSON-LD, interne Verlinkungsvorschläge und CMS-fertige Exporte für WordPress und Contentful. Dadurch konnte das Content-Team die Assets ohne aufwendige manuelle Formatierung in die bestehende Website-Architektur integrieren.
Besonders relevant war der Schritt weg vom Einzelcontent hin zum thematischen System. Statt nur eine Seite zu „Inline-Inspektion“ zu schreiben, wurden angrenzende Informationsbedürfnisse mit abgedeckt: Technologien, Auswahlkriterien, Vergleich zu alternativen Verfahren, Integrationsaufwand, ROI, typische Fehler und branchenspezifische Use Cases. Dadurch entstand eine kohärente semantische Präsenz, die für LLMs deutlich leichter zu interpretieren war. Parallel wurden interne Verlinkungsstrukturen so aufgebaut, dass die wichtigsten Entitäten und Themencluster miteinander verbunden blieben. Die redaktionelle Freigabe erfolgte weiterhin durch Fachredaktion und Produktmanagement; die Plattform automatisierte Struktur, Skalierung und technische Ausspielung.
Ergebnisse
Nach vier Monaten zeigte sich eine messbare Veränderung in beiden Ebenen: klassischer organischer Sichtbarkeit und generativer Empfehlungswahrscheinlichkeit.
Vorher/Nachher-Vergleich
KPIs und Metriken
Besonders wichtig für das Management: Der Anteil der Anfragen mit hoher Kaufabsicht stieg spürbar, obwohl keine zusätzlichen Paid-Budgets eingesetzt wurden. Im Vergleich zum bisherigen, stark manuellen Agenturmodell sank der Content-Produktionsaufwand pro thematischem Cluster um rund 41 Prozent. Auf Basis der eingesparten Produktionskosten und des zusätzlichen Pipeline-Volumens ergab sich ein geschätzter ROI innerhalb von 5,5 Monaten.
Lessons Learned
Zusammenfassung
NordWerk konnte mit einem systematischen AI-Authority-Ansatz die Sichtbarkeit in generativen KI-Systemen deutlich steigern und gleichzeitig den organischen Nachfragekanal ausbauen. Der entscheidende Unterschied lag darin, nicht nur LLM Monitoring zu betreiben, sondern mit Zeno Visibility semantische Autorität aktiv aufzubauen. Für den Maschinenbau im DACH-Raum ist das ein belastbarer Weg, um GEO operational umzusetzen und die Marke in KI-Antworten als Quelle zu verankern.
Weitere Case Studies
---
Weiterführende Inhalte: