AI-Readiness Audit Report

GEO & AEO Audit
de.unterberger.cc

Wie sichtbar ist Ihre Website für ChatGPT, Perplexity, Claude und Google AI Overviews? Vollständige Analyse der Zitierfähigkeit und KI-Readiness.

Domainde.unterberger.cc
OrganisationAutohaus Unterberger GmbH
FrameworkWordPress
Audit-Datum05.03.2026
0
von 100
AI-Readiness Score
Wie gut kann ein LLM diese Website lesen, verstehen und als Quelle zitieren?

Score nach Kategorie

Technical Foundation 25%
60
Content & GEO Relevance 30%
35
Semantic Structure 20%
40
Authority & Schema.org 15%
10
Next-Gen AEO 10%
15
Executive Summary

Was bedeutet dieser Score?

Autohaus Unterberger ist technisch solide aufgestellt, aber für KI-Suchmaschinen nahezu unsichtbar – das größte Problem: keinerlei strukturierte Daten.

Wenn ein Nutzer ChatGPT oder Perplexity nach "BMW Autohaus Südbayern" oder "Autohaus mit 27 Standorten Tirol" fragt, wird de.unterberger.cc aktuell nicht als Quelle zitiert. Die gute Nachricht: Die technische Basis (WordPress mit Server-Side Rendering, offene robots.txt) ist vorhanden.

Die schlechte: Es fehlt komplett an strukturierten Daten (Schema.org), die KI-Systemen sagen, WER Sie sind, WAS Sie anbieten und WO Sie zu finden sind. Mit 27 Standorten und 16 Marken hat Unterberger enormes Potenzial – es wird nur nicht maschinenlesbar kommuniziert.

AI Comprehension Test

Was versteht die KI über Sie?

🤖
AI Comprehension Test
So beschreibt eine KI Ihr Unternehmen

Autohaus Unterberger ist ein Familienunternehmen mit Standorten in Südbayern und Österreich, das BMW und MINI verkauft und wartet. Es gibt auch Standorte für Hyundai, Opel und FIAT. Das Unternehmen wurde 1976 in Kufstein gegründet. Konkrete Unterscheidungsmerkmale gegenüber anderen BMW-Händlern sind aus dem Text nicht klar erkennbar – die Seite liest sich wie ein typischer Autohaus-Auftritt.

– So würde ein LLM Ihr Unternehmen aktuell beschreiben
Erkannte Kern-Entitäten
Autohaus Unterberger (gegr. 1976) BMW / MINI / BMW M Hyundai / Opel / FIAT 27 Standorte (DE/AT) Jensen Classics
⚠
Fehlender Kontext
Es fehlen: Gründer/Inhaberfamilie (Name, Generation), genaue Mitarbeiterzahl, Umsatzgrößenordnung, konkrete Alleinstellungsmerkmale (warum Unterberger statt ein anderes Autohaus?), Auszeichnungen/Zertifizierungen, Service-Besonderheiten. Der Text "50 Jahre Faszination für Fahrfreude" ist ein Slogan – aber WAS macht die 50 Jahre konkret aus? Ohne diese Daten bleibt Unterberger für KI-Systeme austauschbar mit jedem anderen BMW-Händler.
Sofort umsetzbar

Quick Wins

1
AutoDealer-Schema mit JSON-LD implementieren
KI-Systeme können Autohaus Unterberger eindeutig als BMW/MINI-Händler mit 27 Standorten identifizieren und bei relevanten Anfragen zitieren.
🛠 Entwickler-Hinweis
Erstelle einen JSON-LD-Block mit @type: AutoDealer, name, url, logo, telephone, address, brand-Array (BMW, MINI, Hyundai, Opel, FIAT etc.) und sameAs-Links zu Facebook, YouTube, Instagram, TikTok, LinkedIn.
⚙ Aufwand: Medium
2
Heading-Hierarchie reparieren (8 H1 → 1 H1)
KI-Systeme können die Seitenstruktur besser verstehen und den Hauptinhalt vom Slider-Content unterscheiden.
🛠 Entwickler-Hinweis
Reduziere die H1-Tags auf genau einen (z.B. "Autohaus Unterberger – BMW & MINI in Südbayern, Tirol & Allgäu"). Slider-Überschriften auf H2 oder div mit aria-label umstellen.
⚙ Aufwand: Medium
3
FAQ-Bereich auf der Startseite ergänzen
FAQ-Inhalte sind einer der effektivsten Wege, in KI-Antworten zitiert zu werden – besonders bei Fragen wie "Welche Marken hat Unterberger?" oder "Wo gibt es BMW Autohäuser in Bayern?".
🛠 Entwickler-Hinweis
Erstelle einen FAQ-Bereich mit 5–8 häufigen Fragen und knappen Antworten. Ergänze FAQPage-Schema als JSON-LD.
⚙ Aufwand: Low
4
sameAs-Links für Entity Disambiguation
KI-Systeme können Autohaus Unterberger eindeutig von anderen Unterberger-Unternehmen (Immobilien, Gruppe) unterscheiden.
🛠 Entwickler-Hinweis
Im Organization/AutoDealer-Schema ein sameAs-Array ergänzen mit allen 5 Social-Media-URLs (Facebook, YouTube, Instagram, TikTok, LinkedIn).
⚙ Aufwand: Low
5
Alt-Texte für 20 Bilder ergänzen
KI-Systeme können den visuellen Kontext Ihrer Seite besser verstehen.
🛠 Entwickler-Hinweis
Prüfe alle Bilder im WordPress-Medienbereich. 20 Bilder haben kein alt-Attribut – besonders Slider-Bilder und Marken-Logos brauchen beschreibende Alt-Texte.
⚙ Aufwand: Low
Wichtigste Erkenntnisse

Top Findings

Kritisch
Kein Schema.org/JSON-LD vorhanden
Ihre Website hat keine maschinenlesbare Visitenkarte. KI-Systeme wissen nicht, dass Sie ein Autohaus sind, welche Marken Sie führen oder wo Ihre 27 Standorte liegen. Das ist so, als würden Sie ein riesiges Autohaus betreiben – aber ohne Firmenschild, ohne Wegweiser und ohne Eintrag im Telefonbuch.
Kritisch
8 H1-Überschriften statt einer einzigen
Stellen Sie sich vor, Sie hätten 8 Haupteingänge an Ihrem Autohaus, jeder mit einem anderen Firmennamen. Genau das sehen KI-Systeme: 8 verschiedene "Hauptüberschriften", ohne zu wissen, welche die echte ist.
Wichtig
Keine Entity Disambiguation (sameAs)
Unterberger betreibt auch Immobilien, Classics und andere Geschäftsfelder. Ohne sameAs-Verknüpfungen können KI-Systeme nicht unterscheiden, ob eine Anfrage das Autohaus, die Immobilienfirma oder die Unterberger Gruppe meint.
Wichtig
Kein FAQ-Content vorhanden
FAQ-Bereiche sind der einfachste Weg, um in KI-Antworten aufzutauchen. Wenn jemand fragt "Welche BMW-Händler gibt es in Rosenheim?", hat Ihre Seite aktuell keine direkte Antwort parat, die ein LLM zitieren könnte.
Wichtig
Content zu marketing-lastig, zu wenig Substanz
Die Startseite besteht hauptsächlich aus Werbe-Slogans ("Faszination für Fahrfreude", "ENDLICH LEGAL SCHWARZFAHREN"). KI-Systeme bevorzugen aber konkrete, verifizierbare Informationen. Der eine substantielle Absatz ist zu wenig.
Wichtig
20 Bilder ohne Alt-Text
Mehr als die Hälfte Ihrer Bilder haben keine Beschreibung. KI-Systeme und Screenreader können nicht erkennen, was darauf zu sehen ist.
Was bereits funktioniert

Positiv erkannt

✓
Server-Side Rendering aktiv – WordPress liefert den Content direkt im HTML aus, KI-Crawler können alles lesen
✓
robots.txt offen – keine KI-Crawler blockiert, kein noai Meta-Tag
✓
Gute Meta-Description mit konkreten Fakten: "27 Standorten und 16 Marken in Tirol, Vorarlberg, dem Allgäu, Südbayern und in Salzburg"
✓
Semantische HTML5-Elemente vorhanden: header, nav, main, footer, section, article
✓
Social-Media-Präsenz auf 5 Plattformen (Facebook, YouTube, Instagram, TikTok, LinkedIn)
✓
Marken-Logos haben beschreibende Alt-Texte (z.B. "BMW Logo, vertreten am Standort Bad Wiessee")
✓
Barrierefreiheits-Widget (digi·access) integriert
✓
Canonical URL korrekt gesetzt
✓
Mehrsprachigkeit mit sauberer Domain-Struktur (de.unterberger.cc / at.unterberger.cc)
✓
Konkrete Fahrzeugzahlen auf der Startseite: 1.729 Fahrzeuge (468 Neuwagen, 1.261 Gebrauchtwagen, 131 Motorräder)
0
H1-Tags
0
H2-Tags
0
Anchor-IDs
0
Tabellen
0
Bilder ohne Alt
0
Schema-Typen
0
Sections
0
Articles
⚙
Technical Foundation & Crawler Access
2 Findings
60/100
⚠
Wichtig
Keine expliziten WAI-ARIA Landmarks
Die Seite nutzt semantische HTML5-Elemente (header, nav, main, footer), aber keine expliziten ARIA-Roles. Für autonome KI-Agenten sind explizite Roles hilfreicher als implizite Landmarks.
⚙ Handlungsempfehlung
Ergänze explizite ARIA-Roles: role="banner" auf header, role="navigation" auf nav, role="main" auf main, role="contentinfo" auf footer. Optional: role="search" auf dem Fahrzeugsuche-Formular.
Aufwand: Low · Confidence: 0.85
💡
Empfehlung
Keine Markdown-Bereitstellung für KI-Agenten
Kein Hinweis auf serverseitiges Markdown-Rendering (Cloudflare "Markdown for Agents") oder Content-Signal Header. Dies ist ein zukunftsweisender Standard.
⚙ Handlungsempfehlung
Cloudflare "Markdown for Agents" evaluieren oder serverseitigen Markdown-Endpoint implementieren.
Aufwand: High · Confidence: 0.70
📄
Content & GEO Relevance
4 Findings
35/100
⚠
Wichtig
Geringe Informationsdichte – zu viel Marketing
Die Startseite besteht überwiegend aus Werbe-Slogans ("50 Jahre Faszination für Fahrfreude", "ENDLICH LEGAL SCHWARZFAHREN"). Nur ein Absatz liefert substanzielle Informationen. Für KI-Zitierbarkeit braucht es hochverdichtete Fakten-Absätze (40-60 Wörter).
⚙ Handlungsempfehlung
Ergänze unter H2-Überschriften hochverdichtete Fakten-Absätze, z.B.: "Autohaus Unterberger ist ein 1976 in Kufstein gegründetes Familienunternehmen mit 27 Standorten. Als autorisierter BMW, MINI, Hyundai, Opel und FIAT Händler beschäftigt das Unternehmen über X Mitarbeiter."
Aufwand: Low · Confidence: 0.90
⚠
Wichtig
Kein FAQ-Bereich vorhanden
Keine FAQ-Sektion mit Frage-Antwort-Paaren gefunden. FAQPage-Content ist einer der effektivsten Wege, in KI-Antworten zitiert zu werden.
⚙ Handlungsempfehlung
Erstelle einen FAQ-Bereich mit 5-8 Fragen: "Welche Automarken bietet Unterberger an?", "Wo sind die Standorte?", "Kann ich online einen Werkstatttermin buchen?". Ergänze FAQPage-Schema als JSON-LD.
Aufwand: Low · Confidence: 0.95
⚠
Wichtig
Keine Tabellen für strukturierte Daten
Vergleichsdaten, Standort-Übersichten oder Serviceleistungen werden nicht in semantischen HTML-Tabellen dargestellt. Tabellen sind besonders gut für RAG-Systeme extrahierbar.
⚙ Handlungsempfehlung
Erstelle eine Standort-Übersichtstabelle mit Spalten: Standort, Marken, Services, Adresse. Alternativ: Vergleichstabelle der Marken mit Services pro Standort.
Aufwand: Medium · Confidence: 0.95
⚠
Wichtig
Keine Expertenzitate oder Testimonials
Keine blockquote- oder cite-Elemente gefunden. Zitate von realen Personen steigern die Vertrauenswürdigkeit für LLMs.
⚙ Handlungsempfehlung
Ergänze 2-3 Zitate: Geschäftsführer-Statement zur Unternehmensphilosophie, Kundenstimmen mit Name und Standort. Nutze <blockquote> mit <cite>.
Aufwand: Low · Confidence: 0.95
📌
Semantic Structure & Cite-Ability
3 Findings
40/100
⚠
Kritisch
8 H1-Überschriften statt einer einzigen
Die Seite verwendet mindestens 8 H1-Tags, hauptsächlich für Slider-Überschriften. HTML-Standard erlaubt pro Seite nur eine H1. Mehrere H1-Tags verwirren KI-Systeme bei der Identifikation des Hauptthemas.

Gefundene H1: "50 Jahre Faszination für Fahrfreude", "E-Auto Förderung 2026", "ENDLICH LEGAL SCHWARZFAHREN", "EINE NEUE ÄRA DER FAHRFREUDE", "MINI Junge Gebrauchte", "Dienstwagenbesteuerung", "Jensen Classics", "Den Alten zu Kohle machen?"
⚙ Handlungsempfehlung
Reduziere auf eine H1 (z.B. "Autohaus Unterberger – BMW & MINI Händler in Südbayern, Tirol & Allgäu"). Slider-Überschriften auf H2 oder als <div> mit aria-label umstellen.
Aufwand: Medium · Confidence: 0.90
⚠
Wichtig
Keine semantischen Anchor-IDs auf Überschriften
Die H2-Überschriften haben keine sprechenden id-Attribute für Deep-Links und verbesserte Scraper-Navigation.
⚙ Handlungsempfehlung
Ergänze id-Attribute auf allen H2/H3: z.B. <h2 id="ueber-uns">, <h2 id="aktionsangebote">, <h2 id="standorte">.
Aufwand: Low · Confidence: 0.85
⚠
Wichtig
20 Bilder ohne Alt-Text
Von 38 Bildern haben 20 kein alt-Attribut. Besonders betroffen: Slider-Bilder und einige Markenlogos. Content-relevante Bilder ohne Alt-Text verhindern, dass KI-Systeme den visuellen Kontext verstehen.
⚙ Handlungsempfehlung
Ergänze beschreibende Alt-Texte auf allen Content-relevanten Bildern. Beispiel: alt="Blauer BMW iX3 auf Landstraße – jetzt als Neuwagen bei Unterberger". Dekorative Bilder dürfen alt="" behalten.
Aufwand: Low · Confidence: 0.85
🏆
Authority & Grounding (Schema.org)
5 Findings
10/100
⚠
Kritisch
Kein JSON-LD / Schema.org vorhanden
Die Seite enthält keinerlei JSON-LD-Blöcke oder Schema.org-Markup. Für ein Autohaus mit 27 Standorten und 16 Marken ist dies eine massive Lücke. Ohne strukturierte Daten können KI-Systeme die Organisation nicht eindeutig identifizieren.
⚙ Handlungsempfehlung
Implementiere mindestens: 1) AutoDealer-Schema mit name, url, logo, telephone, address, brand-Array, openingHoursSpecification. 2) sameAs-Array mit allen Social-Media-URLs. 3) Optional: WebSite-Schema mit SearchAction für die Fahrzeugbörse.
Aufwand: Medium · Confidence: 0.95
⚠
Kritisch
Keine Entity Disambiguation (sameAs)
Trotz Präsenz auf 5 Social-Media-Plattformen fehlt die Verknüpfung via sameAs. "Unterberger" ist mehrdeutig – ohne sameAs können LLMs nicht zwischen Autohaus, Immobilien und Unterberger Gruppe unterscheiden.
⚙ Handlungsempfehlung
Ergänze sameAs-Array: ["https://www.facebook.com/AutohausUnterberger/", "https://www.youtube.com/@unterbergergruppe", "https://www.instagram.com/bmw.unterberger.de/", "https://www.tiktok.com/@unterbergergruppe", "https://www.linkedin.com/company/unterberger-gruppe/"].
Aufwand: Low · Confidence: 0.95
⚠
Wichtig
Kein branchenspezifisches AutoDealer-Schema
Für Autohäuser ist der Schema-Typ AutoDealer ideal – er erlaubt brand, makesOffer, areaServed. Aktuell fehlt jegliches branchenspezifisches Schema.
⚙ Handlungsempfehlung
Implementiere AutoDealer-Schema mit brand-Array: BMW, MINI, Hyundai, Opel, FIAT. Ergänze areaServed: Tirol, Vorarlberg, Allgäu, Südbayern, Salzburg. Optional: makesOffer für Neuwagen, Gebrauchtwagen, Werkstattservice.
Aufwand: Medium · Confidence: 0.95
⚠
Wichtig
Kein Multi-Location-Schema für 27 Standorte
27 Standorte in 2 Ländern, aber kein einziger mit PostalAddress, GeoCoordinates oder OpeningHoursSpecification. Für lokale KI-Suchanfragen ("BMW Werkstatt Rosenheim") essenziell.
⚙ Handlungsempfehlung
Implementiere auf jeder Standort-Einzelseite ein LocalBusiness/AutoDealer-Schema mit: name, address, geo, telephone, openingHoursSpecification, brand. Auf der Startseite via department oder hasPOS verknüpfen.
Aufwand: High · Confidence: 0.90
⚠
Wichtig
Kein Personen-Schema (E-E-A-T)
Keine Schlüsselpersonen (Geschäftsführer, Inhaberfamilie) mit Person-Schema ausgezeichnet. Die Seite erwähnt keine Führungspersonen namentlich.
⚙ Handlungsempfehlung
Ergänze Person-Schema für Geschäftsführer/Inhaber mit name, jobTitle, worksFor, sameAs (LinkedIn-Profil).
Aufwand: Medium · Confidence: 0.80
🚀
Next-Gen AEO – llms.txt & Agenten-Readiness
1 Finding
15/100
💡
Empfehlung
Keine llms.txt vorhanden
Unter /llms.txt wird eine 404-Seite ausgeliefert. Eine llms.txt würde LLMs eine kompakte, strukturierte Zusammenfassung des Unternehmens liefern – ideal für ein Multistandort-Autohaus.
⚙ Handlungsempfehlung
Erstelle eine /llms.txt mit: H1 "Autohaus Unterberger", Blockquote-Summary (Familienunternehmen seit 1976, 27 Standorte, 16 Marken), H2-Sektionen für Marken, Standorte, Services, Kontakt. Optional: /llms-full.txt mit detaillierten Standort-Infos.
Aufwand: Low · Confidence: 0.95
Was bereits funktioniert

Positiv erkannt

✓
Server-Side Rendering via WordPress – Content wird im initialen HTML-Response ausgeliefert. Kein Client-Side Rendering.
✓
robots.txt vollständig offen – Erlaubt alle Bots (nur /wp-admin/ blockiert). Keine KI-Crawler blockiert, kein noai Meta-Tag.
✓
Informative Meta-Description – Enthält konkrete Fakten: "Familienunternehmen mit 27 Standorten und 16 Marken in Tirol, Vorarlberg, dem Allgäu, Südbayern und in Salzburg".
✓
Semantische HTML5-Elemente – header, nav, main, footer, 14 sections, 4 articles vorhanden.
✓
Gute Alt-Texte auf Markenlogos – z.B. "BMW Logo, vertreten am Standort Bad Wiessee". Vorbildlich kontextualisiert.
✓
Social-Media-Präsenz – Facebook, YouTube, Instagram, TikTok, LinkedIn verlinkt. Basis für sameAs vorhanden.
✓
digi·access Barrierefreiheits-Widget – Screenreader, Tastatursteuerung, Schriftgrößen, Kontrast. Zeigt Bewusstsein für Zugänglichkeit.
✓
Canonical URL korrekt – og:url zeigt auf https://de.unterberger.cc/. Verhindert Duplicate-Content bei KI-Crawling.
✓
Saubere Domain-Struktur – de.unterberger.cc (Deutschland) / at.unterberger.cc (Österreich) für länderspezifische Inhalte.
✓
Konkrete Fahrzeugzahlen – 1.729 Fahrzeuge (468 Neuwagen, 1.261 Gebrauchtwagen, 131 Motorräder). Verifizierbare Zahlen erhöhen KI-Zitierbarkeit.

GEO & AEO Audit Report · 05.03.2026

Generative Engine Optimization & Answer Engine Optimization