bmw

GEO/AEO Audit Report – ahg-mobile.de

von 100

AI-Readiness Score

Wie gut kann ein LLM diese Website lesen, verstehen und als Quelle zitieren?

Score nach Kategorie

Technical Foundation

Authority & Grounding

Content & GEO Relevance

RAG Chunking & Cite-Ability

Next-Gen AEO (llms.txt)

<div> Elemente

Semantische HTML5

H1-Tags (Slider)

Anchor-IDs

<table> Elemente

Schema.org Brands

Executive Summary

Was bedeutet dieser Score?

Wenn ein Nutzer heute ChatGPT, Perplexity oder Google AI Overviews nach einem BMW-Autohaus in Baden-Württemberg fragt, wird ahg-mobile.de mit hoher Wahrscheinlichkeit nicht als Quelle zitiert – obwohl ahg einer der größten Händler der Region ist.

Die technische Basis (Next.js mit SSR) ist vorhanden, aber die Seite spricht keine Sprache, die KI-Systeme verstehen: 869 div-Container ohne semantische Bedeutung, kein einziger Anker für präzise Zitate, keine llms.txt als Wegweiser für LLMs und ein Schema.org-Markup, das bei den Grundlagen aufhört.

Die gute Nachricht: Die kritischsten Maßnahmen (llms.txt, sameAs, Anchor-IDs) sind innerhalb weniger Tage umsetzbar und erfordern keine Neuentwicklung der Seite.

Top 3 Prioritäten

llms.txt und llms-full.txt erstellen – sofort umsetzbar, größter ROI für KI-Sichtbarkeit. Das Äquivalent einer robots.txt für Large Language Models.

HTML von Div-Soup zu semantischem HTML5 refaktorieren – <section>, <article>, <nav> mit Anchor-IDs auf allen Überschriften und Schlüssel-Absätzen.

JSON-LD Schema erweitern – sameAs, AutoDealer-Typ, FAQPage, AggregateRating und citation-Properties für Entity Disambiguation und Factual Grounding.

Was bereits funktioniert

Positiv erkannt

✓

Next.js SSR liefert Content im initialen HTML (kein reines Client-Side Rendering)

✓

Basis JSON-LD mit Organization und 10 Brand-Einträgen vorhanden

✓

Keine KI-blockierenden Meta-Tags – Seite ist offen für KI-Indexierung

✓

Canonical URL korrekt gesetzt

✓

Open Graph Tags vollständig implementiert

✓

223 aria-label Attribute auf interaktiven Elementen

⚙

Technical Foundation & Crawler Access

5 Findings

25 /100

⚠

Kritisch

Keine Markdown-Bereitstellung für KI-Agenten

KI-Agenten müssen den kompletten, 523 KB großen HTML-Quellcode parsen – inklusive 912 Zeilen CSS und 869 div-Elementen. Das verschwendet Token-Budget und reduziert die Wahrscheinlichkeit einer korrekten Extraktion drastisch.

⚡ Handlungsempfehlung

Aktiviere Cloudflare "Markdown for Agents" oder implementiere einen serverseitigen Markdown-Endpoint. Setze Header wie x-markdown-tokens und Content-Signal: allowed.

⚠

Kritisch

Mangelhafte WAI-ARIA Struktur

Nur 10 ARIA-Rollen (5x combobox, 5x search) – ausschließlich auf Suchfeldern. Kein role="navigation", role="main" oder role="banner". Autonome KI-Agenten wie der ChatGPT Atlas Browser können die Seite nicht navigieren.

⚡ Handlungsempfehlung

Implementiere WAI-ARIA Landmarks: role="banner" auf Header, role="navigation" auf Navigationen, role="main" auf Hauptcontent, role="contentinfo" auf Footer.

⚠

Warnung

8 H1-Tags durch Slider-Duplikation

Kontext: Die 8 H1-Tags entstehen durch einen Hero-Slider – jede Slide hat eine eigene H1, die zudem für Desktop/Mobile doppelt im DOM steht (4 × 2 = 8). Verbreitetes Pattern, aber technisch ein Problem: Crawler sehen alle 8 gleichzeitig und können nicht erkennen, welche gerade "aktiv" ist.

⚡ Handlungsempfehlung

Lösung: Eine statische H1 oberhalb des Sliders. Slide-Headlines werden zu <p role="heading" aria-level="2"> oder gestylten <span>. Desktop/Mobile-Dopplung per CSS display:none statt doppeltem DOM lösen.

⚠

Warnung

Keine differenzierte Crawler-Steuerung

Keinerlei Meta-Tags zur KI-Crawler-Steuerung. Es fehlen Blockaden für Trainings-Bots (GPTBot, ClaudeBot) und explizite Erlaubnisse für Search-Indexer (OAI-SearchBot, PerplexityBot).

⚡ Handlungsempfehlung

Differenzierte Meta-Robots-Tags: Erlaube Search-Indexer explizit, blockiere Trainings-Bots gezielt via robots.txt.

⚠

Warnung

Fehlende Twitter Cards & Hreflang-Tags

Open Graph Tags sind vollständig, aber sämtliche Twitter Card Meta-Tags fehlen. Zudem existiert eine französische Version (/fr) ohne hreflang-Tags für korrekte Sprachzuordnung.

⚡ Handlungsempfehlung

Ergänze twitter:card, twitter:title, twitter:description, twitter:image sowie hreflang-Tags für DE und FR.

📖

Content & GEO Relevance (Princeton Metrics)

5 Findings

10 /100

⚠

Kritisch

Keine Atomic Answers unter Überschriften

Unter H2/H3 fehlen hochverdichtete "Atomic Answers" (40-60 Wörter). Die 22 <p>-Tags enthalten Navigation-Dumps (486 Wörter in einem <p>), Fahrzeug-Listings oder 3-Wort-Teaser.

⚡ Handlungsempfehlung

Unter jeder H2 einen verdichteten Absatz mit direkter Antwort: "ahg Automobile betreibt als Teil der Alphartis SE über 50 Standorte in Baden-Württemberg..."

⚠

Kritisch

Keine verifizierbaren Statistiken

Statistiken steigern KI-Sichtbarkeit um +41 % (Princeton). Keine verifizierbare Zahl im Content: keine Standort-Anzahl, Mitarbeiterzahlen oder Kundenzufriedenheitswerte. Alle 435 Prozentwerte sind CSS-Werte.

⚡ Handlungsempfehlung

Konkrete Statistiken: "53 Standorte, über 1.200 Mitarbeiter, X.XXX Fahrzeuge im Bestand." Jede Zahl mit Quelle belegen.

⚠

Kritisch

Keine Expertenzitate oder Testimonials

Expertenzitate steigern KI-Sichtbarkeit um +38 %. Weder <blockquote> noch <cite>-Elemente. Keine Geschäftsführer-Zitate, keine Kundenstimmen.

⚡ Handlungsempfehlung

2-3 semantisch korrekte Expertenzitate mit <blockquote> und Schema.org Review-Markup für Testimonials.

⚠

Kritisch

Keine tabellarischen Daten

Null <table>-Elemente, obwohl ein Autohaus prädestiniert ist: Fahrzeugvergleiche, Standorte, Services, Öffnungszeiten. RAG-Systeme extrahieren Tabellen deutlich präziser.

⚡ Handlungsempfehlung

Fahrzeug-Listings und Standort-Infos in semantische HTML-Tabellen mit <caption>, <thead>, <tbody> konvertieren.

⚠

Kritisch

Content überwiegend werblich

Fast ausschließlich Marketing-Phrasen ("Herzlich Willkommen", "Jetzt profitieren!") und CTAs. Es fehlen enzyklopädische Inhalte, die ein LLM als Faktenquelle zitieren könnte.

⚡ Handlungsempfehlung

"Über ahg Automobile"-Abschnitt mit Firmengründung, Geschichte und konkreten Fakten im enzyklopädischen Stil ergänzen.

🔗

RAG Chunking & Cite-Ability

4 Findings

8 /100

⚠

Kritisch

Keine Paragraph-Level Anchor IDs

320 IDs existieren (auto-generiert als "block-XXXX"), aber kein einziges auf <p>, <h2> oder <h3>. Perplexity benötigt Anchor-IDs für exakte Inline-Zitate.

⚡ Handlungsempfehlung

Alle H2/H3 und Kern-Absätze mit semantischen IDs versehen: <h2 id="ueber-ahg">. URL-freundliche Slugs verwenden.

⚠

Kritisch

Div-Soup: 869 <div> vs. 2 semantische Elemente

Verhältnis 434:1. Es fehlen <article>, <section>, <aside>, <nav>, <header>. RAG-Systeme zerreißen den Kontext zwischen zusammengehörigen Content-Blöcken.

⚡ Handlungsempfehlung

<section> für Content-Blöcke, <nav> für Navigation, <header> für Header. Styled-Components-Klassen beibehalten.

⚠

Kritisch

Navigation in einzelnem <p>-Tag

486 Wörter Navigationsinhalt in einem <p>-Tag. RAG-Systeme interpretieren dies fälschlicherweise als Content-Absatz.

⚡ Handlungsempfehlung

Navigation in <nav><ul><li><a>-Strukturen migrieren.

⚠

Warnung

Fehlende Noscript-Fallback-Inhalte

Nur ein leeres <noscript>-Tag. Obwohl Next.js SSR liefert, sollte verifiziert werden, dass alle Content-Blöcke im initialen HTML enthalten sind.

⚡ Handlungsempfehlung

JavaScript-deaktivierten Test durchführen. Bei Lücken: <noscript>-Bereiche mit Fallback-Content.

🔐

Authority & Grounding (Schema.org)

5 Findings

15 /100

⚠

Warnung

JSON-LD nur auf Basis-Level

Vorhanden: Organization, PostalAddress, 10 Brand-Einträge. Fehlend: AutoDealer-Typ, AggregateRating, Review, FAQPage, Service, Offer.

⚡ Handlungsempfehlung

@type auf ["Organization","AutoDealer"] erweitern. AggregateRating, FAQPage, Service und Offer ergänzen.

⚠

Kritisch

Kein Factual Grounding (citation)

Externe Links (mini.de, youtube.com, linkedin.com) sind nicht als Schema.org "citation" ausgezeichnet. LLMs können die Vertrauenswürdigkeit nicht einschätzen.

⚡ Handlungsempfehlung

citation-Properties im JSON-LD implementieren. Offizielle Herstellerseiten als Beleg verlinken.

⚠

Kritisch

Fehlende Entity Disambiguation (sameAs)

"ahg Automobile" ohne sameAs deklariert. LinkedIn und YouTube existieren, sind aber nicht im Schema verknüpft. LLMs können die Entity nicht eindeutig identifizieren.

⚡ Handlungsempfehlung

sameAs ergänzen: LinkedIn, YouTube, ggf. Wikipedia/Wikidata-Eintrag erstellen.

⚠

Kritisch

Keine Terminologie-Autorität

"E-Auto-Prämie", "Junge Gebrauchte", "JGA" ohne DefinedTerm/DefinedTermSet. ahg positioniert sich nicht als Definitionsquelle.

⚡ Handlungsempfehlung

DefinedTermSet "Automobilhandel-Glossar" mit DefinedTerm-Einträgen erstellen.

⚠

Warnung

Keine Person-Entitäten (E-E-A-T)

Kein Person-Schema für Geschäftsführung. LLMs bewerten Content höher, wenn identifizierbare Experten verknüpft sind.

⚡ Handlungsempfehlung

Person-Schema für Geschäftsführer mit sameAs-Links zu LinkedIn-Profilen.

🤖

Next-Gen AEO (llms.txt Standard)

3 Findings

0 /100

⚠

Kritisch

Keine /llms.txt Datei

Der llms.txt-Standard ist das Äquivalent einer robots.txt für LLMs. Ohne diese Datei müssen LLMs 523 KB Quellcode selbst interpretieren.

⚡ Handlungsempfehlung

/llms.txt erstellen: H1-Titel, Blockquote-Summary, H2-Navigation zu den wichtigsten Unterseiten.

⚠

Kritisch

Keine /llms-full.txt Datei

Die vollständige llms-full.txt nutzt das gesamte Kontextfenster und stellt alle Unternehmensinformationen in Markdown bereit.

⚡ Handlungsempfehlung

/llms-full.txt mit komplettem Unternehmensportrait: 50+ Standorte, Markenportfolio, Services, FAQs, Kontaktdaten.

⚠

Kritisch

Kein Token Management

Ohne die "## Optional"-Sektion wissen LLMs bei knappem Kontextfenster nicht, welche Inhalte sie ignorieren dürfen.

⚡ Handlungsempfehlung

"## Optional"-Sektion für weniger kritische Bereiche (Impressum, Datenschutz, Cookie-Einstellungen).