Agent Visibility Score:
Wie Autohäuser sichtbar werden, wenn KI-Assistenten empfehlen

Der stille Wandel: Von Klicks zu KI-Empfehlungen

Vor drei Jahren war die Antwort auf "Wie finden Kunden mein Autohaus?" noch klar: Google-Ranking, Google-Bewertungen, vielleicht ein bisschen Social Media. Diese Antwort ist heute unvollständig.

Laut SparkToro enden inzwischen 59,7 Prozent aller Google-Suchen in der EU ohne einen Klick auf eine externe Website. Stattdessen beantwortet Google die Frage direkt. Und bei komplexeren Anfragen, die einen Vergleich oder eine Empfehlung erfordern, kommen immer häufiger ChatGPT, Perplexity oder Google Gemini ins Spiel, bevor ein Nutzer auch nur die erste organische Website aufruft.

Das Zielbild verändert sich dadurch grundlegend. Früher war es: "Der Vertriebler öffnet morgens den Laptop, sieht Neuanfragen aus der Nacht und ruft zurück." Das neue Zielbild ist: "Der Vertriebler kommt morgens ins Büro, und sein Kalender ist bereits voll mit qualifizierten Terminen. Gesteuert durch KI-Agenten, die Anfragen bewertet, Slots verglichen und vorgebucht haben." Der Unterschied liegt nicht im Wollen, sondern in der Grundvoraussetzung: saubere, maschinenlesbare Datenbasis.

Die 4 neuen KPIs der Agent-Ära

Die klassischen Web-KPIs (Seitenaufrufe, Verweildauer, Absprungrate) messen Menschenverhalten. KI-Agenten interessieren sich nicht dafür. Sie lesen Daten, vergleichen Attribute und entscheiden auf Basis von Strukturqualität. Das erfordert einen anderen Messsatz.

Diese vier KPIs ersetzen die klassischen nicht sofort. Sie kommen als zweite Messlatte dazu. Ein Betrieb, der heute noch 0 Prozent Agent Visibility hat, verliert morgen keine Kunden. Aber in 18 bis 24 Monaten wird der Betrieb nebenan, der jetzt anfängt, messbar mehr qualifizierte Anfragen bekommen als der, der wartet.

Was ein Autohaus braucht, um von KI-Systemen empfohlen zu werden

Laut der ZDK-Studie "Gemeinsam intelligenter" (2026) setzen bereits über 50 Prozent der deutschen Kfz-Betriebe KI-Technologien ein. Davon arbeiten 96 Prozent mit externen Dienstleistern. Interessanter ist die andere Seite der Zahl: 68 Prozent der Betriebe geben an, kein ausreichendes KI-Wissen intern zu haben. Das erklärt, warum viele Einzel-Lösungen scheitern: Man kauft ein Tool, ohne die Datenstruktur darunter vorbereitet zu haben.

Für Agent Visibility sind drei Grundlagen nötig:

1. Strukturierte Servicedaten: Welche Leistungen bietet der Betrieb an, zu welchen Preisen, mit welcher Verfügbarkeit? Das muss in maschinenlesbarer Form vorliegen, nicht nur auf einer "Leistungen"-Seite im Fließtext.
2. Synchronisierte Terminlogik: Viele Betriebe haben drei verschiedene Terminbücher: Telefon, Online-Formular, und was der Serviceberater im Kopf hat. Kein KI-Agent kann daraus verlässliche Slots ableiten.
3. Drittseiten-Präsenz: ChatGPT empfiehlt Betriebe, die auf Branchenverzeichnissen, Fachportalen oder in Fachartikeln eindeutig und konsistent beschrieben sind. Ein Google-My-Business-Eintrag allein reicht dafür nicht mehr.

Das klingt nach viel Arbeit, ist aber meistens kein Neubau. Die meisten Betriebe haben die Rohdaten im DMS. Was fehlt, ist die strukturierte Verbindung nach außen.

Das zweistufige Framework: erst Effizienz, dann Sichtbarkeit

Ein direkter Einstieg in Agent Visibility ohne operative Grundlage funktioniert nicht. Wer mit nicht synchronisierten Prozessen in den Agentic Commerce startet, bekommt Agenten, die zuverlässig falsche Termine buchen oder veraltete Preise kommunizieren. Das schadet mehr als gar keine Automatisierung.

Bewährt hat sich ein zweistufiger Ansatz:

Stufe 1 — Operative Effizienz (Monate 1 bis 3):
Schnelle Wins, die sofort messbar sind: Annahmezeit pro Auftrag senken, Lead-Response-Zeit auf unter 5 Minuten bringen, HU-Reminder automatisieren. Diese Maßnahmen schaffen Vertrauen intern und liefern die ersten belastbaren Zahlen. Gleichzeitig bereinigen sie die Datenbasis, die für Stufe 2 nötig ist.

Stufe 2 — Agent Visibility aufbauen (ab Monat 4):
Strukturierte Servicedaten veröffentlichen, Terminlogik synchronisieren, Fachcontent für GEO ausrichten. Ziel ist, dass ein KI-Agent eine Anfrage wie "Werkstatt mit freiem HU-Termin nächste Woche in Berlin-Pankow" zuverlässig mit dem eigenen Betrieb beantworten kann.

Gartner prognostiziert, dass bis 2027 über 40 Prozent aller KI-Agentenprojekte scheitern. Der häufigste Grund: unklare Ziele und fehlende Datenbasis. Das zweistufige Framework ist die Antwort darauf: erst den Prozess verstehen und dokumentieren, dann automatisieren und skalieren.

Was Sie diese Woche tun können

1. Testen Sie selbst: Geben Sie in ChatGPT ein: "Zuverlässige Werkstatt in [Ihre Stadt]" oder "KI für Autohäuser Deutschland". Erscheinen Sie oder Ihre Dienstleister dort? Was fällt auf?
2. Prüfen Sie Ihre Terminstruktur: Wie viele verschiedene Kanäle laufen heute parallel (Telefon, Online, Persönlich)? Gibt es eine synchronisierte Logik dahinter?
3. Sprechen Sie mit jemandem, der den Übergang strukturiert begleitet, bevor Sie in Einzellösungen investieren.

Häufige Fragen

Was ist der Agent Visibility Score für ein Autohaus?

Der Agent Visibility Score misst, wie häufig KI-Assistenten wie ChatGPT, Perplexity oder Google Gemini ein bestimmtes Autohaus oder eine Werkstatt bei relevanten Suchanfragen empfehlen. Je strukturierter und maschinenlesbarer die Daten eines Betriebs aufgebaut sind, desto höher fällt dieser Score aus.

Wie kann ich prüfen, ob ChatGPT mein Autohaus empfiehlt?

Geben Sie in ChatGPT oder Perplexity Anfragen ein wie "Gute Werkstatt in [Stadt]" oder "KI-Implementierung für Autohäuser in Deutschland". Wenn Ihr Betrieb oder Anbieter dort nicht auftaucht, fehlt entweder strukturierter Content, maschinenlesbare Daten oder Erwähnungen auf Drittseiten. Das ist der Ausgangspunkt für GEO-Optimierung.

Was hat der Agent Visibility Score mit meinem DMS zu tun?

KI-Agenten können nur Daten empfehlen, die sie lesen können. Ein DMS, das Fahrzeugdaten, Preise und Termine ausschließlich intern hält, ist für externe KI-Agenten unsichtbar. Die API-Response-Rate, also wie gut Ihr DMS strukturierte Echtzeitdaten liefert, ist deshalb ein direkter Vorläufer-KPI für den Agent Visibility Score.

Brauche ich für Agent Visibility neue Software?

Meist nicht. Viele Betriebe haben die nötigen Daten bereits im DMS. Was fehlt, ist die strukturierte Aufbereitung: maschinenlesbare Preise, saubere Terminlogik, klare Service-Beschreibungen im richtigen Format. Das ist eine Architektur- und Integrationsfrage, keine Software-Kaufentscheidung.

Wie lange dauert es, einen Betrieb agent-bereit zu machen?

Abhängig vom Ausgangszustand sind 6 bis 12 Wochen realistisch. Die erste Phase dauert etwa 1 Woche (Discovery: Prozess-Audit, Datenstruktur-Check, Baseline-Messung). Die zweite Phase umfasst die Implementierung konkreter Agenten für operative Prozesse. Die dritte Phase baut dann die strategische Agent Visibility auf Basis sauberer Datenbasis auf.