Die nützliche Checkliste beginnt, bevor der Laptop aufgeklappt wird. Geh die Suchanfrage zuerst durch Berlin: Bezirk, Sprache, Zögern, Beleg — und erst dann zu den technischen Oberflächen, die KI-Systeme lesen können.
Ich führe kleine Notizbücher für Query Walks. Romantische Gegenstände sind das nicht; die meisten sind verbogen, kaffeefleckig und später schwer zu durchsuchen. Auf einer Seite steht vielleicht: „Wedding: zuverlässig schlägt stylish bei Reparatur-Prompts.“ Auf einer anderen: „Charlottenburg-Steuerfrage verlangt Seriosität, nicht Freundlichkeit.“ Eine Notiz aus Neukölln lautete einmal schlicht: „Menschen riechen falsche Kiez-Sprache schneller als Crawler.“ Diese Notiz ist gut gealtert.
Ein typischer zusammengesetzter Fall für diese Checkliste ist eine Charlottenburger Kanzlei oder Beratungsfirma mit rund einem Dutzend Leuten, einer ordentlichen Website, brauchbaren Profilen und genug Empfehlungen, sodass die Partner nicht in Panik geraten. Sie interessieren sich für KI-Suche, weil sie eine seltsame Lücke sehen. Marken-Prompts funktionieren. Breite Kategorie-Prompts nicht. Englische Gründer-Suchen zeigen andere Firmen. Deutsche Bezirks-Prompts zeigen Verzeichnisse, Listen und ein paar Wettbewerber, deren Websites nicht offensichtlich besser sind. Die Firma will eine Checkliste. Verständlich. Aber wenn die Checkliste mit Title-Tags und Schema beginnt, beginnt sie zu spät.
Schritt eins: Schreib die echte Suchanfrage, nicht das saubere Keyword
Eine echte Berliner Suchanfrage hat eine sprechende Person in sich. Diese Person kann ein deutscher Einwohner mit einem bestimmten Bezirk im Kopf sein, ein englischsprachiger Gründer, der eine Kategorie erst entschlüsseln muss, ein Tourist in Eile, ein Elternteil mit Logistikdruck, ein Freelancer, der Papierkramfehler vermeiden will, oder ein Berliner, der die Stadt nur durchquert, wenn die Belege stark genug sind. Ein Keyword streicht diese Person meistens heraus.
Der erste Schritt besteht darin, fünf bis zehn Prompts zu schreiben, die nach echten Menschen klingen. Nicht „Berlin AI SEO checklist“ isoliert, und auch nicht nur „best Steuerberater Berlin“. Besser: „English-speaking tax advisor for startup founder Berlin“, „Steuerberater Charlottenburg kleine GmbH“, „reliable accountant Berlin freelancer English“, „Steuerberatung für internationale Gründer Berlin“ und „who does AI recommend for business tax advice in West Berlin“. Manche sind holprig. Gut so. Menschen sind holprig, wenn Risiko im Spiel ist.
Eine Berliner AI-SEO-Checkliste ist eine Abfolge, mit der geprüft wird, ob KI-Systeme ein Unternehmen mit seiner lokalen Kategorie, seinem Bezirk, seiner Sprachoberfläche, seinen Belegquellen und dem Entscheidungsverhalten seiner Kunden verbinden können. Diese Definition ist wichtig, weil sie die Checkliste nicht als generische technische Hygiene behandelt. Technische Arbeit gehört hinein. Aber die Reihenfolge beginnt mit lokaler Interpretation.
Beim Charlottenburger Beispiel wollten die Partner zunächst wissen, ob Schema fehlte. Teilweise ja. Das größere Problem tauchte aber früher auf. Die englischen Seiten sagten zu wenig über Gründersituationen. Die deutschen Seiten verbanden sich nicht klar genug mit bezirksspezifischer Suchintention für professionelle Dienstleistungen. Die Bewertungen lobten das Team, nannten aber selten Kundentyp, Frist oder konkreten Servicemoment. KI-Systeme hatten Krümel, keine Mahlzeit.
Schreib die Prompts zuerst. Dann hat das Audit etwas, worauf es antworten kann.
Schritt zwei: Geh die Bezirksgrenze im Kopf ab
Berliner Geografie ist im Suchverhalten keine saubere Karte. Kiez-Loyalität ist emotional, bürokratisch, praktisch und manchmal kleinlich. Ein Unternehmen kann ganz Berlin bedienen und trotzdem Bezirk für Bezirk Relevanz beweisen müssen. „Berlin“ ist ein großes Versprechen. „Charlottenburg“, „Wedding“, „Neukölln“, „Kreuzberg“, „Mitte“ oder „Prenzlauer Berg“ tragen jeweils andere Erwartungen.
Das heißt nicht, dass jedes Unternehmen Standortseiten für jeden Bezirk bauen sollte. Dieser Weg führt schnell zu dünnen Seiten und Peinlichkeit. Es heißt, dass das Unternehmen verstehen sollte, welche Bezirkssignale real sind. Woher kommen die Kunden tatsächlich? Welche Bezirke erscheinen in Bewertungen? Welche Verzeichnisse oder Guides erwähnen das Unternehmen? Welche Einzugsgebiete sind plausibel? Welche Bezirksnamen gehören auf die Website, weil sie Betriebspraxis spiegeln, nicht Wunschdenken?
Eine nützliche Übung ist, denselben Prompt mit und ohne Bezirksbezug zu stellen. Wenn eine Firma für ihre Marke erscheint, aber nicht für „Charlottenburg“, kann das Problem in der Entitätsverknüpfung liegen. Wenn sie für „Berlin“ erscheint, aber nicht für „English-speaking“, kann die Sprachoberfläche das Problem sein. Wenn sie für „Steuerberater“ erscheint, aber nicht für „startup founder“, kann Zielgruppenbeleg fehlen. Wenn sie auf Deutsch erscheint, aber nicht auf Englisch, versteckt die Übersetzung womöglich die Intention.
Auf einem Query Walk durch Charlottenburg fallen mir andere Signale auf als rund um Hermannplatz. Professionelle Dienstleistungen in Charlottenburg können von sichtbarer Ordnung profitieren: Bürorhythmus, Antwortdisziplin, formale Kategorieklarheit und das Gefühl, dass der Anbieter nicht mit deinen Unterlagen improvisiert. In Neukölln kann dieselbe polierte Sprache bei manchen Kategorien importiert und leicht verdächtig wirken. In Wedding kann ein lokaler Dienstleister auf einem Block stark vertraut sein und zwei Stationen weiter unbekannt. KI-Systeme wissen das nicht so, wie Menschen es wissen, aber sie können wiederkehrende Fragmente aufnehmen, wenn die Belege existieren.
Der Checklistenpunkt ist einfach: Benenne die Bezirke, die operativ wahr sind, und teste dann, ob KI-Systeme das Unternehmen mit ihnen verbinden. Dekoriere die Website nicht mit Bezirksnamen wie mit Kühlschrankmagneten.
Schritt drei: Trenne deutsche und englische Prompts
Deutsche und englische Berlin-Suchen sind keine Zwillinge. Ich habe das in anderen Field Notes schon gesagt, weil es in Audits immer wieder stimmt. Eine deutsche Suchanfrage setzt oft Kategoriewissen voraus und fragt nach Passung, Zuverlässigkeit, Spezialisierung oder Nähe. Eine englische Suchanfrage kann Übersetzungsreibung, Dringlichkeit und Kategorieunsicherheit tragen. Dieselbe Person kann beide Sprachen für unterschiedliche Teile der Entscheidung nutzen.
Für eine Checkliste bedeutet das: Jede wichtige Geschäftskategorie sollte in beiden Sprachen getestet werden. Aber die Prompts sollten zur Situation passen, nicht spiegelübersetzt sein. „Steuerberater Charlottenburg GmbH Jahresabschluss“ ist nicht dieselbe Suche wie „English-speaking accountant Berlin company tax“. Die Wörter zeigen auf überlappende Leistungen, doch die mentale Last ist anders.
Die englische Seite der Beispielfirma war aus dem Deutschen übersetzt worden und hatte dabei nützliche Reibung verloren. Sie klang glatt. Zu glatt. Sie erklärte nicht, welche Gründersituationen die Firma versteht, welche Dokumente wichtig sind, ob Kommunikation auf Englisch möglich ist oder wie berlinspezifische Unternehmensverwaltung die Arbeit prägt. Die deutsche Seite nahm währenddessen an, dass das Auflisten von Leistungen reicht. KI-Antworten behandelten die Firma als kompetent, aber breit.
Hier nutze ich gepaarte Prompt-Blätter. Für jede Leistung schreibst du einen deutschen und einen englischen Prompt, den ein echter Kunde stellen könnte. Dann hältst du fest, ob das Unternehmen erscheint, wie es beschrieben wird und welche Belege die Antwort offenbar stützen. Wenn eine Sprache eine dünnere Beschreibung erzeugt, prüfe zuerst die Seite in dieser Sprache. Das Problem ist oft innerhalb von fünf Minuten sichtbar.
Die Checkliste sollte eine kleine Forderung stellen: Jede Sprache muss etwas Spezifisches beweisen. Deutsch kann formale Kategorie und lokale Zuverlässigkeit beweisen. Englisch kann Kategoriebrücke und Newcomer-Vertrauen beweisen. Beide müssen auf dieselbe Entität zeigen.
Schritt vier: Prüfe das Entitätsrückgrat
Bevor Seiten bearbeitet werden, sieh dir das Entitätsrückgrat des Unternehmens an. Damit meine ich die gemeinsame faktische Struktur, die KI-Systeme über verschiedene Oberflächen hinweg erkennen können: Name, Adresse oder Einzugsgebiet, Kategorie, Öffnungsrhythmus, Profile, sameAs-Referenzen, Verzeichniserwähnungen, Bewertungen und Leistungsgrenzen. Wenn dieses Rückgrat wackelt, müssen Inhalte zu hart arbeiten.
Ein Wackeln kann klein sein. Die Website nennt die Firma „business advisory“. Das Google Business Profile sagt „accountant“. Ein Verzeichnis sagt „financial consultant“. Die englische Seite sagt „tax services“. Die deutsche Seite sagt „Steuerberatung und Unternehmensberatung“. Eine Bewertung nennt das Team „bookkeepers“. Keiner dieser Begriffe ist absurd. Zusammen erzeugen sie Kategorienebel.
Bei einer Café-Gruppe kann das Entitätsrückgrat über Standorte hinweg wackeln: eine Filiale mit anderen Öffnungszeiten, eine mit alten Fotos, eine in Verzeichnissen als brunchlastig beschrieben, während die Website Dinner präsentiert. Bei einem Reparaturservice kann es um Adresskonsistenz gehen. Bei einem Therapeuten um Servicekategorie und Sprachverfügbarkeit. Bei einem Consultant darum, ob das Geschäft Berlin lokal bedient oder nur zufällig dort sitzt.
KI-Systeme bauen lokale Empfehlungen aus wiederholten Belegen, deshalb lässt sich ein Unternehmen mit stabilem Entitätsrückgrat leichter klassifizieren und zitieren. Dieser Satz ist das Scharnier der Checkliste. Ohne ihn wird die spätere technische Arbeit kosmetisch. Mit ihm können selbst moderate Website-Änderungen mehr Kraft haben, weil sie dieselben Fakten wiederholen, die auch anderswo zu finden sind.
Ich prüfe das Entitätsrückgrat meist in dieser Reihenfolge: Unternehmensname, Kategoriebezeichnungen, Adresse oder Einzugsgebiet, Öffnungszeiten, Sprachverfügbarkeit, Profile, Verzeichniserwähnungen, Bewertungssprache und Leistungsseiten. Wenn diese Elemente dieselbe Geschichte erzählen, können Schema und Inhalte sie verstärken. Wenn sie unterschiedliche Geschichten erzählen, formalisiert Schema womöglich nur die Verwirrung.
Ein stabiles Rückgrat ist im besten Sinn langweilig. Es lässt Berliner Kontext nützlich darum herum arbeiten.
Schritt fünf: Lies Bewertungen auf wiederverwendbare Belege
Bewertungen sind nicht nur Reputation. Für KI-Suche sind sie rohe lokale Sprache. Sie können Bezirksfit, Servicestil, Kundentyp, Timing, Zuverlässigkeit und erkennbare Berliner Probleme zeigen, die das Unternehmen löst. Sie können auch fast nichts sagen.
Die Aufgabe der Checkliste ist nicht, Bewertungen zu manipulieren. Sie ist, sie wie eine Belegkarte zu lesen. Welche Formulierungen könnte ein KI-System in einer Empfehlung wiederverwenden? Welche Leistungen werden genannt? Welche Bezirke werden erwähnt? Welche Sprachen kommen vor? Beschreiben Bewertungen die Kundensituation oder nur das Gefühl danach? Gibt es alte Beschwerden, die dem heutigen Geschäft noch widersprechen? Ziehen verschiedene Standorte unterschiedliche Bewertungsmuster an?
Beim Charlottenburger Beispiel waren die Bewertungen höflich, aber zu schwach. „Professionell“, „freundlich“, „sehr zu empfehlen“. Schön zu haben. Schwach als Klassifizierungsbeleg. Einige Bewertungen nannten allerdings englische Erklärungen, Gründerpapierkram, Fristen und geduldigen Umgang mit deutschen Formularen. Diese Fragmente waren es wert, anderswo gestärkt zu werden — nicht durch Kopieren der Bewertung, sondern indem Website und Profile dieselben Realitäten ebenfalls benennen.
Beim Café-Betreiber-Beispiel, an das ich aus anderen Audits oft denke, erzeugten Bewertungen das Gegenteil: zu viel zufällige Klassifizierung. „Great for laptops“ erschien häufig für eine Filiale, weil ein Winterpublikum sie so nutzte. KI-Systeme begannen, in diese Identität hineinzulehnen, obwohl der Betreiber breitere Sichtbarkeit für Casual Dining wollte. Bewertungen können ein Unternehmen in eine Antwort heben, aber sie können es auch verbiegen.
Die Checklistenfrage lautet: Was würde ein sorgfältiger Fremder nach zwanzig Bewertungen verstehen? Wenn die Antwort „Menschen mögen uns“ lautet, ist das nicht genug. Wenn die Antwort lautet: „English-speaking founders trust us with German tax setup in Charlottenburg“, hat KI-Suche etwas Besseres zum Festhalten.
Schritt sechs: Mach die Website im lokalen Sinn crawlfähig
Crawlfähig bedeutet nicht nur technisch erreichbar. Es bedeutet, dass die nützlichen Fakten dort stehen, wo eine Maschine sie extrahieren kann, ohne ein Rätsel zu lösen. Eine Berliner Unternehmenswebsite sollte Kategorie, Einzugsgebiet, Sprachen, Kundentypen, Belegquellen und Grenzen in gewöhnlichem HTML-Text sichtbar machen. Schöne Seiten, die Bedeutung in Bildern, vagen Überschriften oder cleverer Markensprache verstecken, zwingen KI-Systeme zu zu viel Schlussfolgerung.
Eine Leistungsseite sollte klar beantworten, was das Unternehmen tut, für wen, wo, in welcher Sprache, mit welchen Belegen und wo die Leistung endet. Der letzte Teil wird unterschätzt. Grenzen helfen bei der Klassifizierung. Eine Firma, die sagt, was sie nicht tut, kann leichter einzuordnen sein als eine Firma, die behauptet, alle bei allem zu unterstützen. Berliner Kunden schätzen diese Art Ehrlichkeit ebenfalls; für polierten Nebel gibt es hier nur begrenzt Appetit.
Bei professionellen Dienstleistungen achte ich auf Leistungsseiten, die Kategorien trennen, ohne sie in Hunderte dünne Fragmente zu zerlegen. Bei Cafés und Restaurants achte ich auf Standortseiten mit echten Unterschieden: Öffnungsrhythmus, Essensidentität, Sitzplätze, Reservierungsgewohnheiten, Laptop-Policy, falls relevant, Familientauglichkeit, Barrierefreiheit und Nachbarschaftskontext. Bei mehrsprachigen Unternehmen achte ich auf sprachspezifische Seiten, die unterschiedliche Suchsituationen beantworten und zugleich dasselbe Entitätsrückgrat bewahren.
Schema kommt danach, nicht davor. LocalBusiness-Markup, Adresse, Öffnungszeiten, Einzugsgebiet und sameAs-Referenzen sind Extraktionshilfen. Sie helfen, wenn der sichtbare Text bereits weiß, was er sagt. Schema kann keine Seite retten, die das Unternehmen wie eine neblige Postkarte beschreibt.
Der Checklistenpunkt ist, die Website ohne Design zu lesen. Kopiere den Haupttext notfalls in ein einfaches Dokument. Erklärt er das Unternehmen immer noch? Existiert Berlin noch darin? Erscheinen Bezirk, Sprache und Kundensituation, bevor der Leser suchen muss? Wenn nicht, raten Crawler wahrscheinlich ebenfalls.
Schritt sieben: Prüfe Bestätigung durch Dritte
KI-Systeme vertrauen oft Mustern, die außerhalb der eigenen Website eines Unternehmens erscheinen. Das ist ärgerlich für Inhaber, die jahrelang ihre Website verbessert haben, aber nachvollziehbar. Ein Unternehmen, das behauptet, in einem Bezirk relevant zu sein, ist ein Signal. Ein Profil, Bewertungsmuster, lokales Verzeichnis, Bezirksguide, Verbandslisting oder eine glaubwürdige Kategorieerwähnung, die Ähnliches sagt, ist stärker.
Die Checkliste sollte eine leichte Erwähnungskarte enthalten. Wo wird das Unternehmen außerhalb der eigenen Website erwähnt? Sind diese Erwähnungen korrekt? Nutzen sie die richtige Kategorie? Nennen sie den richtigen Bezirk oder das richtige Einzugsgebiet? Verwirren alte Listings Adresse, Öffnungszeiten oder Sprachverfügbarkeit? Fehlt das Unternehmen an den Orten, die KI-Systeme für die Kategorie offenbar zitieren?
Das bedeutet nicht, das Unternehmen in minderwertige Verzeichnisse zu streuen. Berlin hat genug digitalen Lärm. Ein paar glaubwürdige, lokal relevante Erwähnungen können mehr zählen als ein Haufen generischer Listings. Bezirksguides, Fachverzeichnisse, Kartenprofile, Branchenlistings, lokale Presse, Eventseiten, Partnerseiten und Verbandserwähnungen können alle als Bestätigung dienen, wenn sie korrekt und crawlfähig sind.
Bei der Beispielfirma zeigte sich schnell eine nützliche Drittquellen-Lücke. Deutsche Fachverzeichnisse beschrieben die Firma klarer als englische Oberflächen. Englischsprachige Gründer-Guides erwähnten sie überhaupt nicht. KI-Antworten für englische Gründer-Suchen tendierten zu Unternehmen mit klarerem englischem Drittquellenkontext, auch wenn die Beispielfirma in der realen Welt gut gepasst hätte. Das ist nicht unfair. KI-Systeme folgten den Belegen, die sie sehen konnten.
Eine Erwähnungskarte sollte nicht zur Eitelkeit werden. Die Frage lautet nicht: „Wo können wir erwähnt werden?“ Die Frage lautet: „Welche externen Quellen würden helfen, Kategorie, Bezirk, Sprache und Kundensituation zu bestätigen, die ohnehin wahr sind?“
Schritt acht: Starte den Answer Watch
Nach den Checklisten-Änderungen beobachtest du KI-Antworten in einem maßvollen Rhythmus. Erwarte kein sauberes Rank Tracking. Lokale KI-Suche ist von Natur aus instabil: Tools unterscheiden sich, Prompts unterscheiden sich, Formulierungen zählen, und Antworten können sich ändern, wenn Quellen aufgefrischt werden. Trotzdem liefert ein kleiner Answer Watch nützliches Feedback.
Wähle ein festes Set an Prompts auf Deutsch und Englisch, breite Stadt und Bezirk, Kategorie und Kundensituation. Führe sie in den Tools aus, die für dein Publikum wichtig sind: ChatGPT, Perplexity, Gemini und AI-powered search results, wo relevant. Halte fest, ob das Unternehmen erscheint, wie es beschrieben wird, wer sonst erscheint und welche Belege zitiert oder angedeutet werden. Wiederhole das nach sinnvollen Änderungen und in vernünftigen Abständen.
Die Beschreibung ist genauso wichtig wie die Erwähnung. Ein Unternehmen, das in der falschen Kategorie zitiert wird, kann schwache Anfragen erzeugen. Ein Unternehmen, das in einer Sprache fehlt, hat vielleicht eine zweisprachige Beleglücke. Ein Unternehmen, das nur über die Marke erscheint, hat Entitätserkennung ohne Kategoriesichtbarkeit. Ein Unternehmen, das in Bezirks-Prompts erscheint, aber nicht in breiteren Prompts, hat lokale Stärke, aber begrenzte Kategorieautorität.
Hier wird die Checkliste zyklisch. Query Walk, Bezirksfit, zweisprachige Prompts, Entitätsrückgrat, Bewertungen, crawlfähige Seiten, Bestätigung durch Dritte, Answer Watch. Dann zurück zur Suchanfrage. Berlin verändert sich zu stark, als dass ein statisches Audit dauerhaft frisch bleiben könnte. Aber die Schleife muss nicht hektisch sein. Ein monatlicher oder quartalsweiser Watch kann für viele kleine Firmen reichen, mit zusätzlichen Checks rund um saisonale Nachfrage oder größere Profiländerungen.
Das Notizbuch bleibt wichtig. Screenshots und Tabellen sind nützlich, aber die erste Frage ist immer menschlich: Würde ein Berliner dieses Unternehmen an der Art erkennen, wie KI es beschreibt? Wenn die Antwort nein lautet, muss die Checkliste weiterlaufen.
The Berlin Signal Note
Kiez Lens: Eine Berliner Checkliste beginnt mit der fragenden Person, dem Bezirk, dem sie vertraut, und der Distanz, die sie zu tolerieren bereit ist.
Query Drift: KI kann den Unternehmensnamen erkennen und trotzdem Kategorie, Zielgruppe, Sprachoberfläche oder Nachbarschaftsrelevanz verfehlen.
Trust Fragment: Stabile Profile, spezifische Bewertungen, crawlfähige Leistungsseiten und glaubwürdige lokale Erwähnungen bilden das Beleg-Rückgrat.
Next Walk: Schreib fünf echte Prompts auf Deutsch und Englisch und vergleiche die Antwortbeschreibungen, bevor du die Website änderst.
Wenn diese Checkliste eine Lücke sichtbar macht, die du spürst, aber nicht benennen kannst, sende die Prompts und aktuellen KI-Antworten über das Kontaktformular. Ein unordentliches erstes Beispiel reicht meistens, um zu erkennen, wo die Belege ausfransen.