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 25%

Content & GEO Relevance 30%

Semantic Structure 20%

Authority & Schema.org 15%

Next-Gen AEO 10%

Executive Summary

Was bedeutet dieser Score?

ahg-mobile.de erreicht 38 von 100 Punkten im AI-Readiness Audit. Das entspricht einer Website mit solider technischer Basis, aber ohne gezielte Optimierung für KI-Suchmaschinen.

Wenn ein Nutzer ChatGPT oder Perplexity nach einem Autohaus in Baden-Württemberg fragt, wird ahg-mobile.de aktuell wahrscheinlich nicht als Quelle zitiert. Der Grund: Die Website nutzt zwar modernes Server-Side Rendering (Next.js), aber die Inhalte sind für KI-Systeme schwer zu verarbeiten.

Die größten Hebel: Die Heading-Hierarchie reparieren (vier H1-Tags verwirren die KI), das Schema.org-Markup auf den richtigen Unternehmenstyp umstellen, und den Content mit verifizierbaren Fakten anreichern. Die wichtigsten Maßnahmen sind mit mittlerem Aufwand umsetzbar.

AI Comprehension Test

Was versteht die KI über Sie?

🤖

So beschreibt eine KI Ihr Unternehmen

Basierend auf dem aktuellen Seiteninhalt

ahg Automobile ist ein großes Autohaus-Netzwerk in Baden-Württemberg mit über 50 Standorten, das die Marken BMW, MINI, Hyundai, Kia, MG, Peugeot, Land Rover und BMW Motorrad vertreibt. Der genaue Unterschied zu anderen Autohäusern der Region ist aus dem Text nicht klar erkennbar – die Inhalte sind stark werbeorientiert ohne konkrete Differenzierungsmerkmale.

– So würde ein LLM ahg Automobile aktuell beschreiben

Erkannte Kern-Entitäten

ahg Automobile (Alphartis SE) 10 Automarken (BMW, MINI, Hyundai, ...) Horb am Neckar, Baden-Württemberg Neuwagen, Gebrauchtwagen, E-Mobilität BMW iX3 Premiere (7. März 2026)

⚠

Fehlender Kontext

Es fehlen: Gründungsjahr, Mitarbeiterzahl, konkreter Fahrzeugbestand, Zertifizierungen (z.B. BMW Excellenz-Auszeichnung), Geschäftsführer-Namen, vollständige Standortliste mit Adressen, Kundenbewertungen, und spezifische USPs die ahg von Wettbewerbern unterscheiden.

Sofort umsetzbar

Quick Wins

Schema.org auf AutoDealer umstellen & sameAs ergänzen

KI-Systeme erkennen ahg als Autohaus (statt als generische Organisation) und verknüpfen es mit Social-Media-Profilen. Die Grundlage dafür, bei Fragen wie „BMW Autohaus in Horb“ zitiert zu werden.

🔍 Was Ihr Entwickler tun muss

Im bestehenden JSON-LD den @type von ‘Organization’ auf ‘AutoDealer’ ändern. sameAs-Array mit Links zu LinkedIn, Facebook, Instagram, YouTube ergänzen. makesOffer und areaServed hinzufügen.

⚡ Aufwand: Medium

Heading-Hierarchie reparieren – nur eine H1

KI-Systeme nutzen H1-Tags, um das Hauptthema zu verstehen. Vier H1s verwirren – die KI weiß nicht, ob es um Mobilität, Fahrfreude, ein Neueröffnungsfest oder E-Auto-Prämien geht.

🔍 Was Ihr Entwickler tun muss

Im Hero-Slider die H1-Tags der Slides auf H2 oder aria-hidden Spans umstellen. Nur eine beschreibende H1 behalten, z.B. ‘ahg Automobile – Ihr Mobilitätspartner in Baden-Württemberg’.

⚡ Aufwand: Medium

Semantische HTML5-Container einführen

Ohne <section>, <article> und <nav> sieht die KI eine flache Ansammlung von Divs. Das ist wie ein Buch ohne Kapitel – die KI kann nicht erkennen, welche Inhalte zusammengehören.

🔍 Was Ihr Entwickler tun muss

Bestehende Div-Container durch semantische Elemente ersetzen: <nav> für Navigation, <section> für Inhaltsbereiche, <article> für einzelne Fahrzeugangebote und News-Beiträge.

⚡ Aufwand: Medium

Wichtigste Erkenntnisse

Top Findings

Kritisch

Vier verschiedene H1-Überschriften (Slider)

Ihre Startseite hat vier Hauptüberschriften gleichzeitig. Das ist wie vier verschiedene Firmenschilder an einem Gebäude – Kunden und KI-Systeme wissen nicht, was das Kernthema ist.

Kritisch

Keine semantischen HTML-Container (Div-Soup)

Der gesamte Seiteninhalt steckt in generischen Containern ohne Bedeutung. Für eine KI ist das wie ein Dokument ohne Absätze und Kapitelüberschriften – alles fließt ineinander.

Wichtig

Schema.org nutzt falschen Unternehmenstyp

Ihre Visitenkarte für KI-Systeme sagt „Organisation“ statt „Autohaus“. Ein potenzieller Kunde fragt nach einem BMW-Händler – aber die KI erkennt nicht, dass ahg einer ist.

Wichtig

Keine Social-Media-Verknüpfung (sameAs fehlt)

KI-Systeme nutzen sameAs-Links, um Ihr Unternehmen eindeutig zu identifizieren. Ohne diese Links kann die KI ahg Automobile nicht von anderen Unternehmen mit ähnlichem Namen unterscheiden.

Wichtig

Nicht-übersetzte ARIA-Labels (i18n-Bug)

Einige Bedienelemente zeigen technische Platzhalter statt echtem Text. Das betrifft die Barrierefreiheit und signalisiert KI-Systemen eine unfertige Website.

Wichtig

Keine FAQ-Struktur vorhanden

FAQ-Seiten sind einer der effektivsten Wege, in KI-Antworten zitiert zu werden. Fragen wie „Welche Marken bietet ahg an?“ oder „Wo sind ahg-Standorte?“ könnten direkt beantwortet werden.

Wichtig

Meta-Description zu generisch

Die Seitenbeschreibung enthält keine spezifischen Merkmale (keine Markennamen, keine Region). KI-Systeme nutzen diese Beschreibung als ersten Eindruck – aktuell klingt ahg wie jedes andere Autohaus.

Was bereits funktioniert

Positiv erkannt

✓

Server-Side Rendering aktiv (Next.js) – Inhalte sind für KI-Crawler direkt lesbar

✓

Schema.org JSON-LD mit detaillierten Unternehmensinfos (Adresse, Telefon, E-Mail, Muttergesellschaft)

✓

10 Automarken korrekt im brand-Array gelistet

✓

Open Graph Tags vollständig implementiert (Titel, Beschreibung, Bild)

✓

Canonical URL korrekt auf https://www.ahg-mobile.de/de gesetzt

✓

Aria-Labels auf Links und interaktiven Elementen vorhanden

✓

Alt-Texte auf Markenlogos korrekt gesetzt

✓

Usercentrics CMP für DSGVO-konforme Cookie-Verwaltung integriert

H1-Tags
(4 einzigartige)

H2-Überschriften

Semantische Container
(section/article/nav)

ARIA-Labels

HTML-Tabellen

Font-Preloads

Schema-Typen
(Organization)

Kategorie 1

Technical Foundation & Crawler Access

⚙

Technical Foundation

3 Findings

55/100

⚠

Wichtig

Fehlende WAI-ARIA Landmarks & semantische Navigation

Keine <nav>, <header>, <aside> Elemente vorhanden. Nur <main> und <footer> existieren. Autonome KI-Agenten können die Seitenstruktur nicht navigieren. Zusätzlich nicht-übersetzte ARIA-Labels: aria-label="common.prev" (6×), aria-label="common.playVideo" (5×).

🔧 Handlungsempfehlung

Semantische HTML5-Elemente implementieren: <header> für Seitenkopf, <nav> für Navigation, <aside> für Sidebar-Inhalte. i18n-Bug fixen: ‘common.prev’ → ‘Vorherige’, ‘common.playVideo’ → ‘Video abspielen’.

Aufwand: Medium · Confidence: 0.95

⚠

Wichtig

Übermäßige Font-Preloads (40+)

Über 40 Web-Font-Dateien werden vorab geladen. Dies verlangsamt den initialen Seitenaufbau und kann dazu führen, dass KI-Crawler bei Timeout die Seite nicht vollständig erfassen.

🔧 Handlungsempfehlung

Font-Subsetting implementieren und nur kritische Fonts preloaden (max. 3-5). Restliche Fonts per font-display:swap lazy laden.

Aufwand: Medium · Confidence: 0.90

💡

Empfehlung

Markdown-Bereitstellung für KI-Agenten

Keine serverseitigen Markdown-Signale vorhanden. Dies ist ein zukunftsweisender Standard (z.B. Cloudflare ‘Markdown for Agents’).

🔧 Handlungsempfehlung

Cloudflare ‘Markdown for Agents’ evaluieren oder serverseitigen Markdown-Endpoint implementieren.

Aufwand: High · Confidence: 0.70

Kategorie 2

Content & GEO Relevance

📄

Content & GEO Relevance

5 Findings

35/100

⚠

Wichtig

Content Marketing-lastig, geringe Informationsdichte

Die Absätze bestehen überwiegend aus werblichem Text („Top Angebote“, „Jetzt profitieren“, „attraktive Konditionen“) ohne spezifische, verifizierbare Fakten. KI-Systeme bevorzugen dicht gepackte, faktische Informationen.

🔧 Handlungsempfehlung

Jede Sektion mit einem ‘Atomic Answer’-Absatz (40-60 Wörter) beginnen, der die wichtigsten Fakten zusammenfasst. Beispiel: ‘ahg Automobile, gegründet [Jahr], ist mit über 50 Standorten einer der größten Automobilhändler in Baden-Württemberg.’

Aufwand: Low · Confidence: 0.90

⚠

Wichtig

Keine verifizierbaren Fakten & Statistiken

Einzige konkrete Zahl: „Über 50x in der Region für Sie da“. Es fehlen Gründungsjahr, Mitarbeiterzahl, Fahrzeugbestand, Zertifizierungen – alles Daten, die ein LLM als Faktenquelle zitieren würde.

🔧 Handlungsempfehlung

Fakten-Block ergänzen: Gründungsjahr, exakte Standortanzahl, Mitarbeiterzahl, betreute Markenanzahl, jährlich verkaufte Fahrzeuge. Idealerweise als semantische HTML-Tabelle.

Aufwand: Low · Confidence: 0.85

⚠

Wichtig

Keine FAQ-Struktur vorhanden

Keine FAQ-Bereiche mit klaren Frage-Antwort-Paaren. FAQ ist einer der effektivsten Wege, in KI-Antworten zitiert zu werden.

🔧 Handlungsempfehlung

FAQ-Sektion mit 5-10 häufigen Fragen ergänzen. Mit FAQPage Schema.org Markup auszeichnen. Jede Antwort als eigenständiger, zitierbarer Absatz (40-60 Wörter).

Aufwand: Low · Confidence: 0.90

⚠

Wichtig

Keine Expertenzitate oder Testimonials

Keine <blockquote> oder <cite> Elemente. Geschäftsführer-Zitate oder Kundenstimmen steigern die Vertrauenswürdigkeit für LLMs (E-E-A-T-Signal).

🔧 Handlungsempfehlung

Geschäftsführer-Zitat mit <blockquote> und <cite> auf der Startseite ergänzen. Kundenstimmen-Sektion mit echten Testimonials hinzufügen.

Aufwand: Low · Confidence: 0.90

💡

Empfehlung

Keine tabellarischen Daten

Keine semantischen HTML-Tabellen vorhanden. Tabellen sind besonders gut für RAG-Systeme extrahierbar und eignen sich für Standortübersichten oder Markenvergleiche.

🔧 Handlungsempfehlung

Standortübersicht als HTML-Tabelle implementieren (Standort, Adresse, Marken, Öffnungszeiten). Marken-Vergleichstabelle ergänzen.

Aufwand: Low · Confidence: 0.85

Kategorie 3

Semantic Structure & Cite-Ability

🗂

Semantic Structure

4 Findings

25/100

❌

Kritisch

Vier verschiedene H1-Überschriften

Mindestens 4 einzigartige H1-Tags im Hero-Slider, jeweils dupliziert für Desktop/Mobile. Bricht die fundamentale HTML-Konvention: <h1>Ihr Mobilitätspartner</h1>, <h1>Eine neue Ära der Fahrfreude</h1>, <h1>Großes Neueröffnungsfest</h1>, <h1>E-Auto-Prämie</h1>.

🔧 Handlungsempfehlung

Eine einzige beschreibende H1 setzen. Slider-Headlines auf <h2> oder <span aria-hidden="true"> umstellen. In Next.js: Custom Slider-Component anpassen.

Aufwand: Medium · Confidence: 0.95

❌

Kritisch

Div-Soup: Keine semantischen Container

0 <section>, 0 <article>, 0 <nav>, 0 <header>, 0 <aside>. Nur <main>=1 und <footer>=1. CSS-Klassen wie sc-d5c7baf7-3 ohne semantische Bedeutung (styled-components).

🔧 Handlungsempfehlung

Styled-Components-Wrapper durch semantische HTML5-Elemente ersetzen: <nav> für Navigation, <section> für Inhaltsbereiche, <article> für Fahrzeugangebote und News.

Aufwand: Medium · Confidence: 0.95

⚠

Wichtig

Keine semantischen Anchor-IDs auf Überschriften

H2/H3-Überschriften haben keine sprechenden id-Attribute. Deep-Links und gezielte Navigation durch KI-Scraper nicht möglich.

🔧 Handlungsempfehlung

Alle H2/H3 mit automatisch generierten IDs versehen (Slug-Format). In Next.js: rehype-slug Plugin oder Custom Heading-Component nutzen.

Aufwand: Medium · Confidence: 0.90

⚠

Wichtig

Alt-Text-Qualität teilweise mangelhaft

Einige Bilder verwenden Dateinamen als Alt-Text: alt="Dienstwagenbesteuerung News.jpg". Markenlogos sind korrekt beschriftet.

🔧 Handlungsempfehlung

Alle alt-Attribute prüfen. Dateinamen ersetzen: ‘Dienstwagenbesteuerung News.jpg’ → ‘Neue Regelungen zur Dienstwagenbesteuerung 2026’.

Aufwand: Low · Confidence: 0.90

Kategorie 4

Authority & Grounding (Schema.org)

🏆

Authority & Schema.org

5 Findings

40/100

⚠

Wichtig

Falscher Schema-Typ: Organization statt AutoDealer

JSON-LD verwendet @type: "Organization". Für ein Autohaus ist "AutoDealer" korrekt (erbt von LocalBusiness). Ermöglicht branchenspezifische Properties wie makesOffer, areaServed.

🔧 Handlungsempfehlung

@type auf ‘AutoDealer’ ändern. Ergänzen: makesOffer (Neuwagen, Gebrauchtwagen, Service), areaServed (Regionen in BaWü).

Aufwand: Medium · Confidence: 0.90

⚠

Wichtig

Fehlende sameAs-Verknüpfungen

JSON-LD enthält kein sameAs-Array. Ohne Verknüpfung zu Social-Media-Profilen kann kein LLM die „ahg Automobile“-Entität eindeutig identifizieren.

🔧 Handlungsempfehlung

sameAs-Array ergänzen: LinkedIn, Facebook, Instagram, YouTube, Google Business Profile. Format: "sameAs": ["https://linkedin.com/company/ahg-automobile", ...]

Aufwand: Low · Confidence: 0.95

⚠

Wichtig

Keine BreadcrumbList-Schema

Keine BreadcrumbList im JSON-LD. Breadcrumbs helfen KI-Systemen, die Seitenhierarchie zu verstehen und korrekte Navigationslinks zu generieren.

🔧 Handlungsempfehlung

BreadcrumbList JSON-LD auf allen Seiten implementieren. Für Unterseiten: Home → Marke → Modell.

Aufwand: Medium · Confidence: 0.85

💡

Empfehlung

Kein Person-Schema für E-E-A-T

Keine Schlüsselpersonen mit Person-Schema ausgezeichnet. E-E-A-T ist ein wichtiges Vertrauenssignal für KI-Systeme.

🔧 Handlungsempfehlung

Person-Schema für Geschäftsführer und Key-Mitarbeiter ergänzen, inkl. sameAs-Links zu LinkedIn.

Aufwand: Medium · Confidence: 0.80

💡

Empfehlung

Multi-Location Schema für 50+ Standorte

Trotz 50+ Standorten nur eine Adresse im Schema. Jeder Standort sollte als eigenes LocalBusiness mit PostalAddress und GeoCoordinates ausgezeichnet sein.

🔧 Handlungsempfehlung

Auf /de/standorte jede Filiale als eigenes LocalBusiness-Schema implementieren mit PostalAddress, GeoCoordinates, OpeningHoursSpecification.

Aufwand: High · Confidence: 0.85

Kategorie 5

Next-Gen AEO – llms.txt & Agenten-Readiness

🤖

Next-Gen AEO

1 Finding · 4 nicht prüfbar

30/100

💡

Empfehlung

Kein Speakable-Schema für Voice Search

Für ein Autohaus mit regionalem Fokus sind Voice-Suchanfragen relevant. Kein speakable-Schema im JSON-LD vorhanden.

🔧 Handlungsempfehlung

Speakable-Schema für Unternehmensbeschreibung, Standortinfo und Öffnungszeiten implementieren.

Aufwand: Low · Confidence: 0.70

🔍 Nicht prüfbar (kein Punktabzug)

robots.txt – nicht Teil des Inputs
llms.txt Existenz – nur HTML-Quellcode bereitgestellt
HTTP-Header – nicht verfügbar
Sitemap.xml – nicht Teil des Inputs

Was bereits funktioniert

Positiv erkannt

✓

SSR via Next.js: Content wird im initialen HTML-Response vollständig ausgeliefert. KI-Crawler können alle Inhalte ohne JS-Ausführung erfassen.

✓

Schema.org JSON-LD: Organization mit legalName, parentOrganization (Alphartis SE), PostalAddress, telephone, email. Solide Datenbasis.

✓

10 Marken im brand-Array: BMW, BMWi, MINI, Alpina, Land Rover, Hyundai, Kia, MG, Peugeot, BMW Motorrad. Korrekte Entitäts-Zuordnung.

✓

Open Graph Tags: og:type, og:url, og:title, og:description, og:image vollständig. Social-Sharing und KI-Erfassung funktionieren.

✓

Canonical URL: Korrekt auf https://www.ahg-mobile.de/de gesetzt. Verhindert Duplicate-Content-Probleme.

✓

ARIA-Labels: 80+ Labels auf interaktiven Elementen. ‘Zum Angebot’ (12×), Markennamen auf Brand-Links. Grundlegende Barrierefreiheit vorhanden.

✓

Alt-Texte auf Logos: Markenlogos mit korrekten Markennamen. Korrekte Entitäts-Verknüpfung für KI-Systeme.

✓

Usercentrics CMP: DSGVO-konforme Cookie-Verwaltung integriert. Professioneller Datenschutz-Umgang.

✓

Google Search Console: google-site-verification Meta-Tag vorhanden. Aktive Überwachung der Suchperformance.