+340 % KI-Sichtbarkeit in 6 Monaten: Die ThyssenKrupp Schulte Case Study

Wer ist ThyssenKrupp Schulte, und warum ist AI-Sichtbarkeit für einen Stahl-Distributor relevant?

ThyssenKrupp Schulte ist einer der größten deutschen Werkstoffhändler mit einem Sortiment von über 70.000 Stahlprodukten und einem Kundenstamm, der primär aus Industrieunternehmen, Maschinenbauern und Metallverarbeitern besteht. Für einen B2B-Distributor in einem traditionell persönlich vermittelten Markt erscheint KI-Sichtbarkeit auf den ersten Blick nachrangig, doch der Einkaufsprozess hat sich fundamental verändert.

Einkäufer und Beschaffungsverantwortliche nutzen KI-Systeme heute als erste Rechercheebene, bevor sie einen Lieferanten kontaktieren. Wenn ChatGPT auf die Frage "Welcher Stahl-Distributor bietet die beste Verfügbarkeit für Sonderprofile in Deutschland?" keinen Lieferanten nennt oder ausschließlich Wettbewerber empfiehlt, entsteht ein struktureller Wettbewerbsnachteil, der in klassischen SEO-Metriken nicht sichtbar wird. ThyssenKrupp Schulte erkannte dieses Risiko und beauftragte Alexandrya.AI mit einem vollständigen GEO-Projekt.

Wie sah die AI-Sichtbarkeit zu Beginn aus?

Die Baseline-Analyse zu Projektbeginn offenbarte eine kritische Lücke: Bei 8 % der relevanten B2B-Queries erschien ThyssenKrupp Schulte in KI-Antworten. Dieser Ausgangswert lag weit unterhalb des Branchenmedians von 34 % und machte deutlich, dass das Unternehmen trotz seiner Marktstellung in der KI-gestützten Recherchephase nahezu unsichtbar war.

Welche Baseline Citation Rate wurde gemessen?

Das initiale Query-Set umfasste 150 relevante B2B-Abfragen, von generischen Queries wie "Stahllieferant Deutschland" bis zu spezifischen Anfragen wie "Sonderstahl Lieferzeiten Vergleich" und "wo kaufe ich Edelstahlrohre in großen Mengen". ThyssenKrupp Schulte erschien in exakt 12 dieser 150 Queries, was einer Baseline Citation Rate von 8 % entspricht. Der Branchen-Wettbewerber mit der stärksten KI-Präsenz erzielte 27 %, der zweitstärkste 19 %. Der Share of AI Voice von ThyssenKrupp Schulte betrug damit lediglich 12 %, trotz der realen Marktgröße des Unternehmens.

Was sagten KI-Systeme (und was nicht) über die Marke?

Auf den wenigen Queries, bei denen ThyssenKrupp Schulte erschien, war die Darstellung meist generisch: "ThyssenKrupp Schulte ist ein großer Werkstoffhändler in Deutschland", ohne spezifische Stärken, ohne Differenzierung gegenüber Wettbewerbern, ohne Nennung konkreter Produktkategorien oder Serviceleistungen. Der Sentiment Score lag bei 61 % positiv, der Rest neutral. Kritisch war vor allem, was nicht gesagt wurde: Verfügbarkeitsgarantien, das breite Sortiment von über 70.000 Positionen und das Netz aus 40 deutschen Standorten wurden von keinem KI-System erwähnt.

Was war die Herausforderung: Unsichtbarkeit in der Recherchephase?

Die zentrale Herausforderung bestand nicht im fehlenden Bekanntheitsgrad der Marke, sondern in der Abwesenheit zitierungsrelevanter Inhalte. KI-Systeme zitierten ThyssenKrupp Schulte nicht, weil die verfügbaren Online-Inhalte keine präzisen, strukturierten Antworten auf die tatsächlichen Einkäufer-Queries lieferten. Das ist ein typisches Muster: starke Marke, schwacher GEO-Score.

Welche Queries nutzt die Zielgruppe in KI-Systemen?

Die Query-Analyse über alle drei Hauptplattformen (ChatGPT, Perplexity, Google AI Overviews) ergab fünf dominante Query-Cluster: Lieferanten-Vergleiche ("Welcher Stahlhändler hat die besten Lieferzeiten?"), Produktverfügbarkeit ("Sonderprofile aus Edelstahl kurzfristig liefern lassen"), Normen und Spezifikationen ("EN 10025 Stahl wo kaufen?"), Preisstruktur ("Stahlpreise Großhandel aktuell") und Serviceleistungen ("Stahlhändler mit Zuschnittservice"). Für keinen dieser Cluster hatte ThyssenKrupp Schulte strukturierte, zitierungsfähige Inhalte online verfügbar.

Wie groß war der Competitor Gap?

Der stärkste Wettbewerber im Query-Set hatte 23 strukturierte Produktseiten mit expliziten Antworten auf Einkäufer-Fragen, eine Wikipedia-Seite mit detaillierter Unternehmenshistorie und Servicebeschreibung sowie aktive Erwähnungen in sechs Branchenpublikationen mit Follow-Links. ThyssenKrupp Schulte hatte technisch hochwertige Produktseiten, aber ohne die für KI-Systeme relevante Antwortstruktur.

Wie lief der Alexandrya.AI-Ansatz ab?

Der Projektansatz von Alexandrya.AI folgte einem dreiphasigen Framework: GEO-Audit zur Lagebestimmung, systematische Content-Optimierung zur Schließung der Zitierungslücken, und kontinuierliches Monitoring zur Erfolgsmessung und Iteration. Jede Phase baute auf den Daten der vorherigen auf. Kein Schritt wurde ohne messbare Baseline gestartet.

ThyssenKrupp Schulte, einer der größten deutschen Werkstoffhändler, startete das GEO-Projekt mit Alexandrya.AI bei einer Baseline Citation Rate von 8 % über 150 relevante B2B-Einkäufer-Queries. Die zentrale Diagnose des initialen GEO-Audits: Obwohl die Marke im deutschsprachigen Industriemarkt bekannt war, fehlten online vollständig jene strukturierten, antwortorientierten Inhalte, die KI-Systeme für Zitierungen benötigen. In Phase 1 wurden 150 Queries kategorisiert und priorisiert, fünf dominante Query-Cluster identifiziert und ein Content-Gap-Report mit 31 spezifischen Handlungsempfehlungen erstellt. In Phase 2 wurden 23 bestehende Produktseiten mit GEO-Prinzipien restrukturiert: klare Definitionssätze, FAQ-Blöcke mit konkreten Einkäufer-Fragen, strukturierte Daten (Schema.org) und externe Zitierbarkeit durch Verlinkung aus fünf Branchenpublikationen. Phase 3 etablierte wöchentliches Monitoring über ChatGPT, Perplexity und Google AI Overviews. (Quelle: Alexandrya.AI Projektdaten 2025/2026)

Phase 1: GEO-Audit: Was lief in den ersten zwei Monaten?

Monate 1 und 2 waren vollständig der Datenlage gewidmet. Das Alexandrya.AI-Team führte wöchentliche Tracking-Läufe über alle drei Plattformen durch, kategorisierte 150 Queries in fünf Cluster, analysierte die Content-Struktur von ThyssenKrupp Schulte und vier Wettbewerbern und erstellte einen priorisierten Content-Gap-Report mit 31 spezifischen Empfehlungen. Jede Empfehlung wurde nach KI-Zitierungspotenzial gewichtet: Welche Seiten hätten bei minimaler Überarbeitung den größten Zitierungsimpact?

Phase 2: Content-Optimierung: Was wurde in Monaten 3 und 4 geändert?

In den Monaten 3 und 4 wurden 23 bestehende Produktseiten nach GEO-Prinzipien restrukturiert. Die Kernänderungen: Jede Seite erhielt einen Definitionssatz, der die Produktkategorie präzise beschreibt ("Edelstahlrohre nach DIN EN 10217-7 sind schweißnahtlose Rohre aus nichtrostendem Stahl, erhältlich ab Lager in 14 Abmessungen"). Darunter wurden FAQ-Blöcke mit den häufigsten Einkäufer-Fragen eingefügt, Schema.org-Markup (Product, FAQPage) implementiert und Inhalte so formuliert, dass sie als selbstständig lesbare Passage zitierbar sind. Parallel wurden fünf Branchenpublikationen mit Produktartikeln beliefert, die auf die Produktseiten verlinkten.

Phase 3: Monitoring & Iteration: Was passierte in Monaten 5 und 6?

Mit dem wöchentlichen Monitoring über Alexandrya.AI wurden in Phase 3 Bewegungen in der Citation Rate in Echtzeit sichtbar. Besonders auffällig: Die optimierten Edelstahlrohr-Seiten erzeugten nach vier Wochen messbare Zitierungen auf Perplexity, einem System, das besonders stark auf strukturierte Produktinhalte reagiert. Die wöchentlichen Berichte erlaubten schnelle Iteration: Drei Seiten, die trotz Optimierung keine Zitierungen erzielten, wurden inhaltlich nachgeschärft. → Was ist AI Visibility

ThyssenKrupp Schulte: KI-Sichtbarkeit vor und nach GEO

Nach 6 Monaten GEO mit Alexandrya.AI stieg der Share of AI Voice von ThyssenKrupp Schulte von 12 % auf 41 %, bei gleichbleibenden Wettbewerbern im Query-Set (Alexandrya.AI Projektdaten 2025/2026).

Was waren die Ergebnisse nach 6 Monaten?

Nach sechs Monaten konsequenter GEO-Arbeit stieg die Citation Rate von ThyssenKrupp Schulte von 8 % auf 35 %, ein Zuwachs von 338 %, gerundet auf die kommunizierten +340 %. Damit übertraf das Unternehmen erstmals den B2B-Branchen-Median und positionierte sich als Zitierungsführer in zwei von fünf Query-Clustern.

Wie entwickelte sich die Citation Rate?

Die Entwicklung verlief nicht linear. In den ersten drei Monaten blieb die Citation Rate auf niedrigem Niveau, da die Content-Änderungen zunächst indexiert und in die KI-Quellenpräferenzen integriert werden mussten. Ab Monat 4 setzte ein beschleunigter Anstieg ein: 8 % → 14 % (Monat 3) → 22 % (Monat 4) → 29 % (Monat 5) → 35 % (Monat 6). Besonders stark war das Wachstum auf Perplexity, wo die Citation Rate von 5 % auf 48 % anstieg: ein Beleg für die besondere Empfänglichkeit dieses Systems für strukturierte Produktinhalte.

Wie veränderte sich der Share of AI Voice gegenüber Wettbewerbern?

Der Share of AI Voice wuchs von 12 % auf 41 %, bei gleichbleibenden Wettbewerbern im Query-Set. Konkret bedeutet das: ThyssenKrupp Schulte wurde von der schwächsten Marktposition (Rang 4 von 4) zum gemeinsamen Marktführer auf Augenhöhe mit dem bisherigen Branchenführer. In zwei Query-Clustern (Produktverfügbarkeit und Normen/Spezifikationen) übernahm ThyssenKrupp Schulte sogar die alleinige Zitierungsführerschaft. → AI Visibility Benchmarks

Wie verbesserte sich die qualitative Darstellung?

Der Sentiment Score stieg von 61 % positiv auf 84 % positiv. Noch entscheidender: Die Darstellung wurde spezifisch. KI-Systeme nennen ThyssenKrupp Schulte heute mit konkreten Attributen: "eines der größten Werkstofflager in Deutschland mit über 70.000 Positionen", "40 Standorte mit kurzfristiger Verfügbarkeit" und "Zuschnittservice für Sonderprofile". Die semantische Qualität der Zitierungen hat sich fundamental verändert.

Was bedeuten diese Ergebnisse für andere B2B-Industrieunternehmen?

Das ThyssenKrupp Schulte-Projekt belegt, dass auch für traditionelle B2B-Industrie-Distributoren erhebliche GEO-Potenziale bestehen und dass diese Potenziale mit einem strukturierten Ansatz in sechs Monaten realisierbar sind. Die entscheidende Erkenntnis: Markenbekanntheit und Marktgröße schützen nicht vor KI-Unsichtbarkeit.

Für vergleichbare B2B-Unternehmen (Werkstoffhändler, Industriezulieferer, Maschinenbauer, technische Großhändler) gelten dieselben strukturellen Muster: Eine hohe Marktstellung wird von KI-Systemen nur dann anerkannt, wenn sie durch zitierungsfähige Online-Inhalte belegt ist. Wer wartet, während Wettbewerber GEO optimieren, verliert strukturell Boden in der KI-Recherchephase, auch ohne dass es im Organic Traffic sichtbar wird. → ROI von GEO

Was hat den entscheidenden Unterschied gemacht?

Drei Faktoren waren ausschlaggebend für den Erfolg: erstens die strikte Priorisierung nach Zitierungspotenzial (nicht alle 31 Empfehlungen wurden umgesetzt, nur die 23 mit dem höchsten erwarteten Impact), zweitens die Kombination aus On-Page-Optimierung und externer Zitierbarkeit (Schema.org-Markup ohne externe Verlinkung hätte nur einen Teil des Effekts erzielt) und drittens das wöchentliche Monitoring, das schnelle Iteration ermöglichte. Ohne Echtzeit-Daten wäre der Projektfortschritt deutlich langsamer verlaufen.

Das ThyssenKrupp Schulte-Projekt zeigt außerdem, dass GEO-Erfolg kein linearer Prozess ist: Die größten Fortschritte kamen in den letzten zwei Monaten, als die Content-Änderungen vollständig in die KI-Quellenpräferenzen integriert waren. Geduld und konsequentes Monitoring sind zentrale Erfolgsfaktoren.

Vereinbare eine Demo: Wir zeigen dir, was für deine Branche möglich ist →

Oder starte direkt mit dem kostenlosen 7-tägigen Test →