Von ChatGPT empfohlen werden: Wie Versicherungsmakler in KI-Antworten auftauchen

Damit ein KI-Assistent Ihr Maklerbüro empfiehlt, braucht er drei Dinge: Zugang zu Ihrer Website (KI-Crawler in der robots.txt erlaubt), Inhalte, aus denen sich eine Antwort bauen lässt (klare Aussagesätze statt Werbeprosa, Schema.org-Auszeichnung, llms.txt), und Bestätigung von außerhalb (Google-Bewertungen, Verzeichnisse, Erwähnungen). Fehlt eines davon, kommen Sie in der Antwort nicht vor — und anders als bei Google gibt es keine zweite Seite, auf der man Sie noch finden könnte. Dieser Beitrag zeigt, wie die Systeme entscheiden, wie Sie Ihren Ist-Zustand in zehn Minuten selbst prüfen und welche acht Hebel messbar wirken.

Warum das jetzt zählt

Der Vorgang, den Ihre Kunden „googeln“ nennen, verschiebt sich. Statt zehn blaue Links zu vergleichen, stellen immer mehr Menschen die Frage direkt: „Welchen unabhängigen Versicherungsmakler für Berufsunfähigkeit empfiehlst du in Siegen?“ Die Antwort enthält drei bis fünf Namen mit Begründung — und damit ist die Auswahl getroffen.

Der entscheidende Unterschied zur klassischen Suche: Es gibt keine Position 8. Bei Google konnte man auf Platz 8 stehen und wurde gelegentlich noch gefunden. In einer KI-Antwort kommt man vor oder nicht.

Für die Versicherungsbranche ist das derzeit eine ungewöhnlich günstige Lage: Die Vergleichsportale dominieren die klassische Suche mit Budgets, gegen die kein Einzelmakler ankommt. In KI-Antworten auf Beratungsfragen zählt aber etwas anderes — Nachvollziehbarkeit, ein realer Ansprechpartner, regionale Eindeutigkeit. Genau das haben Sie und ein Portal nicht.

Woher ein KI-Assistent sein Wissen über Sie nimmt

Vier Quellen, in dieser Reihenfolge wichtig:

Die gute Nachricht steckt in Spalte drei: Die beiden wirksamsten Quellen liegen vollständig in Ihrer Hand. Wer glaubt, KI-Sichtbarkeit sei Glückssache, hat meist schlicht die ersten beiden Zeilen nie bearbeitet.

Der Selbsttest: Was sagt die KI heute über Sie?

Bevor Sie irgendetwas ändern, brauchen Sie einen Ausgangswert. Stellen Sie in ChatGPT, Perplexity und Gemini dieselben fünf Fragen — so, wie ein Kunde sie stellen würde, nicht wie ein Marketingfachmann:

1. „Welchen unabhängigen Versicherungsmakler in [Ihre Stadt] kannst du empfehlen?“
2. „Wer berät in [Ihre Stadt] zu Berufsunfähigkeitsversicherung?“
3. „Ich bin selbstständiger Handwerker in [Region] und suche jemanden für meine betriebliche Absicherung. Wen?“
4. „Was weißt du über [Ihr Firmenname]?“
5. „Ist [Ihr Firmenname] ein Makler oder ein Vertreter?“

Notieren Sie zu jeder Antwort drei Dinge: Werden Sie genannt? An welcher Stelle? Und stimmt, was gesagt wird? Frage 4 und 5 sind die aufschlussreichsten — dort zeigt sich, ob das System Sie überhaupt als eigenständige Entität kennt oder Sie mit jemand anderem verwechselt.

Das häufigste Ergebnis beim ersten Durchlauf: Genannt werden Vergleichsportale und die zwei bekanntesten Maklerhäuser der Region. Das ist kein schlechtes Zeichen, sondern der Normalzustand — und der Grund, warum sich Arbeit hier gerade jetzt lohnt.

Hebel 1: KI-Crawler überhaupt zulassen

Der erste Schritt ist zugleich der, an dem die meisten Websites scheitern — meist unbemerkt. Viele robots.txt-Vorlagen sperren KI-Bots pauschal aus. Wer dann feststellt, dass ChatGPT ihn nicht kennt, sucht die Ursache überall, nur nicht dort.

Prüfen Sie in dreißig Sekunden: Rufen Sie ihre-domain.de/robots.txt auf. Steht dort einer dieser Namen mit einem Disallow: /, sind Sie unsichtbar:

• OpenAI: GPTBot, OAI-SearchBot, ChatGPT-User
• Anthropic: ClaudeBot
• Perplexity: PerplexityBot, Perplexity-User
• Google & Apple: Google-Extended, Applebot-Extended
• Weitere: Meta-ExternalAgent, Amazonbot, DuckAssistBot, MistralAI-User, CCBot

Eine Feinheit, die regelmäßig übersehen wird: Nach dem Standard für robots.txt gilt für einen Bot nur die Gruppe, die ihn namentlich nennt — die allgemeine Gruppe mit User-agent: * ignoriert er dann vollständig. Wer also eine eigene Gruppe für KI-Bots anlegt, muss dort alle Regeln wiederholen, die auch für alle anderen gelten sollen. Wie das in der Praxis aussieht, können Sie sich auf dieser Website ansehen: trendplusmc.de/robots.txt.

Zwischen „Training erlauben“ und „Abruf für Antworten erlauben“ zu unterscheiden, ist möglich — für einen lokalen Vermittler aber meist die falsche Sorgfalt. Wer empfohlen werden will, lässt lesen.

Hebel 2: Zitierfähig schreiben

KI-Systeme zitieren Passagen, die eine Frage vollständig und in sich geschlossen beantworten. Marketingprosa ist dafür unbrauchbar — aus „Wir stehen Ihnen mit Kompetenz und Erfahrung zur Seite“ lässt sich keine Antwort bauen.

Was stattdessen funktioniert:

• Die Antwort zuerst. Erster Absatz, zwei bis drei Sätze, direkte Beantwortung der Überschrift. Alles Weitere danach.
• Definitionsmuster. „Eine Berufsunfähigkeitsversicherung ist …“ — Sätze in dieser Form werden überdurchschnittlich oft übernommen.
• Konkrete Zahlen mit Bezug. „40 bis 150 Euro je Lead, je nach Sparte“ ist zitierbar. „Günstige Preise“ nicht.
• Überschriften als Fragen. Sie entsprechen der Form, in der Menschen fragen.
• Kurze Absätze, Listen, Tabellen. Ein Fließtext über zwölf Zeilen wird als Ganzes schwerer verwertbar.
• Ein FAQ-Abschnitt je Seite. Frage und Antwort in Reinform — das Format, das am direktesten übernommen wird.

Das ist zugleich guter Stil für Menschen. Der Nebeneffekt ist nicht zufällig: Beide, Leser und Modell, wollen die Antwort und nicht die Anmoderation.

Hebel 3: Schema.org — Fakten statt Text

Strukturierte Daten im Format JSON-LD verwandeln Ihre Seite von Text, den ein System interpretieren muss, in Fakten, die es auslesen kann. Für ein Maklerbüro sind fünf Typen relevant:

Der Punkt, an dem sich gute von schlechter Auszeichnung trennt: Die Knoten müssen miteinander verbunden sein. Ein Person-Eintrag, der nirgends als Autor oder Inhaber referenziert wird, ist ein loses Datenblatt. Erst wenn die Person über eine gemeinsame Kennung mit der Organisation und mit jedem Beitrag verknüpft ist, entsteht das, was Suchmaschinen und Sprachmodelle als Entität behandeln.

Hebel 4: llms.txt bereitstellen

Die llms.txt ist ein junger Standard (llmstxt.org): eine kuratierte Übersicht Ihrer wichtigsten Inhalte im Markdown-Format, abgelegt im Wurzelverzeichnis der Domain — vergleichbar mit der robots.txt, aber inhaltlich statt technisch. Sie beantwortet für ein Sprachmodell in einem Abruf: Wer ist das, was wird angeboten, für wen, zu welchen Preisen, wo sind die Belege, wie erreicht man sie.

Das ist kein Ersatz für gute Seiten, sondern eine Abkürzung. Ein Modell, das für die Antwort drei Sekunden Zeit hat, liest lieber eine strukturierte Zusammenfassung als sich durch dreißig Unterseiten zu arbeiten. Wie eine solche Datei aussieht, sehen Sie live unter trendplusmc.de/llms.txt; die ausführliche Variante liegt unter llms-full.txt. Den Standard selbst beschreibt llmstxt.org.

Hebel 5: Die Entität schärfen

Sprachmodelle empfehlen bevorzugt, was sie eindeutig identifizieren können. Eine Website ohne greifbaren Menschen dahinter ist für ein Modell ein Text ohne Absender — und wird entsprechend selten genannt.

Was eine Entität stark macht:

• Ein realer, benannter Inhaber mit eigener Seite, Foto, Werdegang und Erlaubnisstatus.
• Identische Firmendaten überall. Name, Adresse, Telefonnummer in exakt derselben Schreibweise auf Website, im Google-Profil, in jedem Verzeichnis. Abweichungen lesen Systeme als Unsicherheit.
• Verknüpfte Profile. LinkedIn, Google-Unternehmensprofil, Fachverzeichnisse — im Schema als sameAs hinterlegt, damit die Verbindung nicht geraten werden muss.
• Ein vollständiges Impressum mit Registernummer und Aufsichtsbehörde. In dieser Branche ein Prüfsignal ersten Ranges — Details in Impressum für Versicherungsmakler.

Hebel 6: Erwähnungen außerhalb der eigenen Website

Ein Modell bildet sein Urteil aus dem Konsens dessen, was es liest. Eine Marke, die ausschließlich auf der eigenen Website existiert, hat für dieses Urteil kaum Substanz — sie behauptet nur.

Was zählt, in absteigender Wirkung: Google-Bewertungen mit Text, Einträge in Fach- und Branchenverzeichnissen, Fachbeiträge und Interviews, Erwähnungen in lokalen Medien, Vereins- und Netzwerkseiten. Gekaufte Erwähnungen aus Linknetzwerken wirken hier nicht — sie sind erkennbar redundant und tragen keine eigene Information.

Hebel 7: Regional und fachlich eindeutig werden

„Versicherungsmakler in Deutschland“ ist für eine KI-Antwort unbrauchbar, weil es auf 46.000 Betriebe zutrifft. „Unabhängiger Versicherungsmakler in Siegen mit Schwerpunkt Berufsunfähigkeit für Handwerksberufe“ ist eine Aussage, die genau einen Treffer beschreibt.

Praktisch heißt das: zwei bis vier Sparten benennen statt fünfundzwanzig, den Ort und das Einzugsgebiet in Überschrift, Text und strukturierten Daten führen, und die Zielgruppe konkret machen. Wer sich schärft, verliert keine Anfragen — er gewinnt die, bei denen er auch tatsächlich gemeint war.

Hebel 8: Messen statt hoffen

GEO ohne Messung ist Raten. Zwei Messgrößen genügen:

1. Das feste Prompt-Set. Dieselben fünf Fragen aus dem Selbsttest, jeden Monat am selben Tag, in ChatGPT, Perplexity und Gemini. Notiert wird: genannt ja/nein, an welcher Stelle, inhaltlich korrekt ja/nein. Nach drei Monaten sehen Sie eine Kurve statt eines Gefühls.
2. Verweise in der Statistik. In GA4 ein Segment für Verweise von chatgpt.com, perplexity.ai, gemini.google.com und copilot.microsoft.com. Dieser Kanal wächst still — wer ihn nicht getrennt ausweist, sieht ihn im Direktverkehr untergehen.

Wichtig für die Erwartungshaltung: KI-Antworten sind nicht deterministisch. Dieselbe Frage kann zweimal leicht unterschiedlich beantwortet werden. Deshalb zählt der Trend über Monate, nicht das Ergebnis eines einzelnen Abrufs.

Was nicht funktioniert

• Suchbegriffe stapeln. Was bei Google seit fünfzehn Jahren nicht mehr wirkt, wirkt bei Sprachmodellen erst recht nicht — sie verarbeiten Bedeutung, nicht Häufigkeit.
• Massenhaft KI-Texte veröffentlichen. Fünfzig generische Beiträge ohne eigene Substanz erzeugen kein Vertrauen, sondern das Muster einer Inhaltsfarm.
• Versteckte Anweisungen im Quelltext. Unsichtbarer Text mit Aufforderungen an die KI ist ein manipulativer Eingriff, wird erkannt und kann die gesamte Domain diskreditieren.
• Erfundene Belege. Ausgedachte Auszeichnungen, gekaufte Bewertungen, Teammitglieder, die es nicht gibt. Inkonsistenz zwischen Quellen ist für ein Modell ein direktes Misstrauenssignal.
• Inhalte, die erst per JavaScript entstehen. Viele KI-Abrufe rendern kein JavaScript — was nicht im ausgelieferten HTML steht, existiert für sie nicht.

Zeitrahmen: Wann sich etwas bewegt

Die ersten drei Zeilen sind technische Arbeit mit klarem Ende und wirken auf Systeme, die live abrufen — also auf Perplexity und die Suchfunktion von ChatGPT — am schnellsten. Die letzte Zeile ist Aufbauarbeit und verhält sich wie SEO: langsam, aber kumulativ.

Fazit

KI-Sichtbarkeit ist kein Hexenwerk und keine Glückssache. Sie besteht aus Zugang, Zitierfähigkeit, Maschinenlesbarkeit und Bestätigung von außen — vier Dinge, von denen drei rein handwerklich sind. Wer 2026 damit anfängt, konkurriert in dieser Branche mit sehr wenigen. Wer wartet, konkurriert später mit allen.

Der pragmatische Einstieg: Prüfen Sie heute Ihre robots.txt und stellen Sie die fünf Fragen aus dem Selbsttest. Das kostet zwanzig Minuten und sagt Ihnen mehr über Ihre Ausgangslage als jede Analyse. Wenn Sie das Ergebnis gemeinsam einordnen wollen — im kostenlosen Erstgespräch prüfen wir live, was ChatGPT, Perplexity und Gemini heute über Ihr Büro sagen. Die laufende Arbeit daran beschreibt KI-Sichtbarkeit für Vermittler.