ChatGPT bringt weniger als 1 % des Website-Traffics, doch die Conversion-Rate kann um ein Vielfaches höher liegen – wie sollten Unternehmen AI-Suchtraffic bewerten?

Der durch AI-Empfehlungen entstehende Traffic macht bei den meisten Websites nur einen sehr kleinen Teil des Gesamtvolumens aus – das muss man nicht beschönigen. Dieselben Daten zeigen jedoch, dass die Conversion-Effizienz dieser Besucher deutlich höher ist als die von klassischem organischem Search-Traffic (Originaldaten und Messdefinition). Was wirklich angepasst werden muss, ist nicht die Frage „ob“, sondern die Bewertungseinheit: Man zerlegt den Pfad „Marke wird von AI erwähnt → Klick auf die Unternehmenswebsite → Formularabsendung oder Teststart → finaler Abschluss“ in vier Stufen und legt für jede Stufe einen eigenen Nenner fest.

Außerdem muss eines vorab klargestellt werden: Eine hohe Conversion-Rate bedeutet nicht, dass GEO automatisch hohe Conversions bringt. Die plausiblere Erklärung ist, dass Menschen, die AI um Empfehlungen bitten, der Entscheidung selbst näher stehen; die höhere Conversion ist wahrscheinlicher das Ergebnis einer Zielgruppenselektion als Kanalmagie. Wer Korrelation als Kausalität behandelt, wird Budget und Erwartungen falsch ausrichten.

Datengrundlage: Sehr kleiner Anteil, aber um ein Vielfaches höhere Effizienz

Die am häufigsten zitierte Gegenüberstellung stammt aus einer GA4-Datenanalyse von Seer Interactive: Bei derselben Kundengruppe, demselben Conversion-Ziel und demselben Zeitfenster von Oktober 2024 bis April 2025 lag die Conversion-Rate von ChatGPT-Empfehlungstraffic bei etwa 15,9 %, bei Google Organic Search bei etwa 1,76 % – ein Unterschied von rund dem Neunfachen. Auf denselben Websites machte AI-Empfehlungstraffic nur 0,2 % bis 1,08 % des Gesamttraffics aus.

Am wichtigsten in dieser Tabelle ist nicht der Multiplikator, sondern die letzte Zeile: Ein erheblicher Anteil der AI-Empfehlungssitzungen landet direkt auf der internen Suchergebnisseite; in den meisten Analyse-Setups lösen sie nahezu keine Conversion-Ziele aus. Die gemessene Conversion-Rate ist damit sehr wahrscheinlich nur eine Untergrenze.

Warum AI-Empfehlungen so wenig Traffic bringen

Die Ursache ist zuerst struktureller Natur – nicht eine Frage unzureichender Content-Qualität.

• Antwortplätze sind ein knappes Gut. Klassische Suchmaschinen liefern mehrere Links und erlauben Weiterblättern; AI-Assistenten nennen meist nur drei bis fünf Namen, manchmal nur einen. Bei gleichem Bedarf wird die Zahl der verfügbaren Einstiegspunkte um eine Größenordnung komprimiert.
• Ein großer Teil der Wirkung entsteht, bevor der Nutzer den Dialog verlässt. Search Engine Journal weist in der Diskussion um GEO darauf hin, dass AI viele Kaufentscheidungen beeinflusst, bevor der Nutzer überhaupt eine Website öffnet; wer nur Empfehlungstraffic betrachtet, unterschätzt die Wirkung systematisch (GEO Isn't A Distraction).
• Verzögerte Besuche werden anderswo verbucht. Nutzer erhalten in der Antwort bereits genügend Vergleichsinformationen und besuchen die Website erst, wenn sie Preise, Dokumentation oder Fallbeispiele verifizieren wollen; solche Besuche werden oft als Direktzugriff oder Markensuche gezählt.

Warum AI-Besucher eine klarere Kaufabsicht haben

Der Unterschied liegt in der Art der Fragestellung. Jemand tippt in die Suchmaske „Projektmanagement-Software“ – die Motivation kann Recherche, Preisvergleich oder Jobsuche sein. In einem AI-Assistenten schreibt jemand dagegen: „Wir sind ein Engineering-Team mit etwas mehr als zehn Personen, nutzen GitHub und Jira und brauchen Gantt-Diagramme und Sprint-Planung – welches Tool empfiehlst du?“ Dieser Satz enthält bereits drei Filter: Teamgröße, Tech-Stack und funktionale Anforderungen. Wer solche Fragen stellt, hat in der Regel die erste Recherche abgeschlossen und möchte jetzt eine konkrete Empfehlung.

Daraus folgen zwei Konsequenzen: Wenn Besucher auf der Website eintreffen, sind grundlegende Fragen bereits beantwortet; die Seite muss „Bestätigung und nächsten Schritt“ übernehmen, keine Einführung in das Thema. Auch die Unterschiede zwischen den Plattformen lassen sich so erklären – bei ChatGPT ist der Anteil kommerzieller und preisbezogener Fragen höher, Perplexity ist stärker auf Recherche und Verifizierung ausgerichtet, Claude eher auf Analyse- und Coding-Szenarien; der Conversion-Gradient spiegelt unterschiedliche Verteilungen der Frageintentionen wider.

Fünf Unterschiede zwischen AI-Suchbesuchern und Google-Organic-Search-Besuchern

Diese Tabelle kann die Seitengestaltung direkt anleiten: Wenn Besucher mit dem Status „bereits auf zwei oder drei Optionen eingegrenzt“ eintreffen, sind Preisangaben, Leistungsgrenzen, Migrationspläne, echte Fallbeispiele und zitierfähige Parametertabellen deutlich nützlicher als ein allgemeiner Branchenüberblick.

Warum die ausschließliche Betrachtung von GA4-Referral-Sessions bei Weitem nicht ausreicht

• Kanäle sind nicht gruppiert. chat.openai.com, perplexity.ai und gemini.google.com verteilen sich über verschiedene Referral-Quellen, stehen nicht gleichberechtigt neben Organic Search, Social und Paid und erscheinen somit nicht in der üblichen Kanalvergleichsansicht.
• Landingpage-Typen passen nicht. Sitzungen, die auf der internen Suchseite landen, lösen nur schwer Conversion-Events aus, die an eine konkrete Seite gebunden sind; die Conversion-Rate wird dadurch zu niedrig berechnet.
• Markenwirkung vor dem Klick wird anderswo verbucht. Nutzer sehen den Markennamen in einer AI-Antwort und geben später direkt die Domain ein oder suchen nach der Marke; bei Abschluss wird dies dem Direktzugriff oder der Markensuche zugeordnet.
• Das Attributionsfenster ist zu kurz. B2B-Entscheidungszyklen erstrecken sich oft über Monate; der AI-Einfluss liegt zeitlich vor dem letzten Klick, und das Standardfenster schreibt den Erfolg dem letzten Kontaktpunkt zu.

Das Fazit lautet: Der Empfehlungstraffic-Report sollte als „Untergrenze“ behandelt werden, nicht als der gesamte Wert des AI-Kanals (verwandte Analyse).

Welche Unternehmen eher Kunden über AI-Empfehlungen gewinnen

Hier werden Eignungsbedingungen genannt, kein Branchenranking nach Conversion-Rate – die öffentlichen Daten reichen nicht für eine Sortierung nach Branchen aus; Aussagen wie „Die AI-Conversion-Rate in Branche X beträgt Y“ sind mit Vorsicht zu behandeln.

• Die Entscheidung erfordert den Vergleich mehrerer Optionen, und Nutzer fragen aktiv „Was ist besser?“, „Worin liegt der Unterschied?“ oder „Wie viel kostet es?“;
• Der Auftragswert ist höher und der Entscheidungszyklus länger; der Wert einer qualifizierten Anfrage reicht aus, um die Content-Kosten zu decken;
• Produktfähigkeiten lassen sich strukturiert beschreiben: Funktionsgrenzen, geeignete Unternehmensgröße, Integrationswege und Preisrahmen;
• Es gibt bereits oder es lassen sich Drittanbieter-Belege aufbauen: Kundenfallstudien, Tests, Branchenverzeichnisse und Community-Diskussionen;
• Die Unternehmenswebsite ist der wichtigste Conversion-Einstieg und nicht vollständig von Kaltakquise oder Plattform-Shops abhängig.

Nach diesen Kriterien stehen B2B-SaaS, Unternehmensdienstleistungen und Beratung, Industriegüter und Fertigung für den Außenhandel sowie professionelle Dienstleistungen in der Regel vorn; bei Impulskäufen und Produkten mit niedrigem Warenkorbwert ist der Zuwachs durch AI-Empfehlungen relativ begrenzt, weil solche Entscheidungen ohnehin selten eine „Empfehlungsbegründung“ benötigen.

Ein B2B-SaaS-Fallbeispiel: Die vier Funnel-Stufen getrennt verbuchen

Angenommen, ein B2B-SaaS-Unternehmen hat monatlich etwa 10.000 Organic-Search-Sitzungen und etwa 80 AI-Empfehlungssitzungen. Als Rechenbeispiel mit den zuvor zitierten Raten: Organic Search bringt bei 1,76 % etwa 176 Registrierungen, AI-Empfehlungen bringen bei 15,9 % etwa 12 bis 13 Registrierungen (Quelle der Raten). Isoliert betrachtet ist die Anzahl nahezu vernachlässigbar; im vierstufigen Funnel ergibt sich ein völlig anderes Bild.

Diese Tabelle legt einen kontraintuitiven Befund offen: Der AI-Kanal ist am oberen Funnel-Ende nahezu unsichtbar, am unteren Funnel-Ende kann sein Gewicht jedoch weit über seinem Anteil im Sitzungsreport liegen. Deshalb braucht jede Stufe einen eigenen Nenner.

Wie man ein einheitliches Wirkungsmesssystem für SEO und GEO aufbaut

SEO und GEO überschneiden sich stark auf der Eingangsseite: crawlbarere Seiten, klare Tatsachenaussagen, strukturierte Produktinformationen und glaubwürdige Drittanbieterquellen; der Unterschied liegt vor allem in der Messmethode. Sechs umsetzbare Schritte:

1. Kanäle einheitlich definieren: In der Analyselösung eine AI-Suchkanalgruppe anlegen und die wichtigsten AI-Plattformdomains gruppieren; im CRM ein gleichnamiges Feld ergänzen, damit die Benennung über Frontend und Backend hinweg konsistent bleibt.
2. Einen Fragenkatalog aufbauen: Aus echten Vertriebsgesprächen, Support-Tickets und internen Suchbegriffen kaufbezogene Fragen extrahieren und als festen Sampling-Fragenpool verwenden.
3. AI-Antworten regelmäßig samplen: Alle zwei Wochen Erwähnungsrate, zitierte Links und die gleichzeitige Nennung von Wettbewerbern erfassen; solche führenden Indikatoren zeigen Veränderungen früher als Umsatzzahlen.
4. Zitierfähige Informationsblöcke ergänzen: Preisrahmen, Leistungsgrenzen, geeignete Unternehmensgröße, Vergleichserläuterungen, Implementierungspfade und häufige Einwände als eigenständige, herauslösbare Absätze formulieren.
5. Maschinenlesbarkeit sicherstellen: Prüfen, dass AI-Crawler nicht blockiert werden, zentrale Inhalte nicht ausschließlich per clientseitigem Skript gerendert werden und bereits der erste Bildschirm substanzielle Informationen enthält.
6. Reporting in drei Ebenen aufteilen: Sichtbarkeit (Erwähnungsrate, Anzahl Zitierungen), Verhalten (AI-Kanal-Sitzungen, Landingpage-Qualität, Formularabschlussrate) und Umsatz (Leads, Gewinnrate, Auftragswert). Alle drei Ebenen müssen gleichzeitig betrachtet werden.

Der Zeitplan kann so aussehen: Im ersten Monat wird zuerst sauber gemessen – Kanäle gruppieren, Fragenkatalog extrahieren und eine Baseline-Erhebung durchführen. Im zweiten Monat werden drei Seitentypen ergänzt: Preis- und Angebotsdarstellung, objektiver Wettbewerbsvergleich und überprüfbare Fallbeispiele. Im dritten Monat werden die im Fragenkatalog häufigen Themen, für die die Website noch keine Antworten bietet, in eine fortlaufend aktualisierte Content-Queue überführt. Für B2B-Geschäfte empfiehlt es sich, mindestens einen vollständigen Entscheidungszyklus abzuwarten, bevor man Schlussfolgerungen zieht.

In diesem Schritt wirken Website- und Content-Infrastruktur direkt auf die Umsetzungsgeschwindigkeit. Eine AI-Website-Builder- und Growth-Plattform für Showcase-Websites wie we0 bringt Website-Erstellung per natürlicher Sprache, Multi-Agent-Zusammenarbeit, CMS-Backend, Domain-Deployment sowie SEO- und GEO-Optimierungsmodule in dieselbe Wertschöpfungskette. Informationsblöcke und Seitenstruktur können bereits in der Aufbauphase indexierbar und zitierfähig organisiert werden; spätere Aktualisierungen müssen nicht jedes Mal durch die Entwicklungsplanung. Ob dies im konkreten Fall passt, ist weiterhin anhand des bestehenden Tech-Stacks und der Website-Größe des Teams zu beurteilen (we0-Website).

Drei Denkfehler, die man vermeiden muss

• Fallbezogene Conversion-Raten als Branchenbenchmark behandeln. Die Gegenüberstellung von 15,9 % und 1,76 % stammt aus einer bestimmten Kundenzusammensetzung und einer bestimmten Conversion-Definition; bei anderem Produkt, anderer Preisgestaltung und anderem Conversion-Event können die Zahlen weit auseinanderliegen. Übertragbar ist die Methode, nicht die Zahl.
• Korrelation als Kausalität behandeln. Die Aufgabe von GEO besteht darin, die Marke in die Kandidatenliste dieser hochgradig intendierten Dialoge zu bringen – nicht darin, die Kaufbereitschaft von Besuchern aus dem Nichts zu erhöhen (Wirkung vor dem Klick).
• Entscheidungen anhand einer einzigen Kennzahl treffen. Wer wegen des kleinen Anteils vollständig aufgibt, verliert einen effizienten Einstiegspunkt; wer wegen des Multiplikators die Investitionen in Organic Search einstellt, trifft ebenfalls eine Fehlentscheidung – Organic Search trägt heute noch den Großteil des absoluten Volumens.

FAQ

Der Traffic-Anteil von ChatGPT ist so niedrig – lohnt sich die Investition trotzdem?

Ja, aber das Ziel muss sich ändern. Setzen Sie keine KPI auf Sitzungszahlen, sondern auf Sichtbarkeit und die hinteren Funnel-Stufen: Wird die Marke bei zentralen Kauf-Fragen erwähnt? Ist die Lead-Qualität im AI-Kanal überdurchschnittlich? Ist der Abschlusszyklus kürzer?

Kann diese weit über Organic Search liegende Conversion-Rate direkt auf unsere Branche übertragen werden?

Nicht empfehlenswert. Sie stammt aus einer bestimmten Kundengruppe und einer bestimmten Conversion-Definition; in unterschiedlichen Branchen und bei unterschiedlichen Conversion-Events (Registrierung, Lead, Anfrage, Abschluss) ist der Nenner völlig anders. Behandeln Sie sie als Richtungssignal und ersetzen Sie sie durch Ihre eigenen Baseline-Daten.

Wie erkennt man AI-Suchtraffic in Analysetools?

Erstellen Sie eine benutzerdefinierte Kanalgruppe und gruppieren Sie Quelldomains wie chat.openai.com, chatgpt.com, perplexity.ai, gemini.google.com und claude.ai in einem Kanal; prüfen Sie die Landingpage-Verteilung separat. Prüfen Sie zugleich den Sitzungsanteil der internen Suchseite, um die Conversion nicht zu unterschätzen.

Verwandte Tools

• Benutzerdefinierte Kanalgruppe in GA4: Verteilt liegende AI-Quellen in einem einheitlichen Kanal zusammenführen und eine vergleichbare Baseline erhalten.
• Google Search Console: Impressionen und Klickveränderungen auf der Organic-Search-Seite prüfen, um AI-Einfluss nicht fälschlich als Suchvolatilität zu verbuchen.
• Festes Sampling mit ChatGPT / Gemini / Perplexity: Mit demselben Fragenset alle zwei Wochen Aufzeichnungen machen und Veränderungen bei Erwähnungen und Zitierungen verfolgen.
• we0: AI-Website-Builder- und Growth-Plattform für Showcase-Websites; Seitenaufbau, CMS-Content-Pflege und SEO/GEO-Strukturkonfiguration lassen sich in einem Workflow erledigen.

Verwandte Links

• ChatGPT referrals convert at 15.9%, Google organic at 1.76% (Datenaufbereitung von Seer Interactive)
• GEO Isn't A Distraction: AI Influence Doesn't Show Up In Referral Data (Search Engine Journal)
• The 88% AI Search Gap: Branchendaten-Sammlung zu AI-Suchconversions im Vergleich zu klassischer Suche
• we0-Website: Beschreibung der AI-Website-Builder- und SEO/GEO-Funktionen

Zusammenfassung

AI-Empfehlungstraffic ist derzeit tatsächlich klein; bei den meisten Websites macht er nur einen kleinen Teil des Gesamttraffics aus. Mehrere unabhängige Datensätze zeigen jedoch zugleich, dass die Conversion-Effizienz dieser Besucher deutlich höher ist als bei Organic Search – der Grund liegt vor allem in der Intent-Filterung durch die Art der Fragestellung, nicht in einem pauschalen Bonus des Kanals. Was Unternehmen wirklich anpassen müssen, ist die Messmethode: einheitliche Definition des AI-Kanals, getrennte Buchführung entlang des vierstufigen Funnels, Sichtbarkeitskennzahlen als führende Indikatoren und ein vollständiger Entscheidungszyklus für die Bewertung. Ein kleiner Anteil ist kein Grund, nicht zu investieren; ihn zum einzigen Bewertungskriterium zu machen, schon.