Agent Search Optimization: Wie Sie zur besten Wahl für KI-Agenten werden.

Vom Crawler zum Stellvertreter

Was Google-Agent tatsächlich verändert – und was nicht.

Google beschreibt Google-Agent in seiner offiziellen Dokumentation als User-Agent für Agenten auf Google-Infrastruktur, die auf Nutzeranfrage durch das Web navigieren und Aktionen ausführen. Das entscheidende Wort lautet „Nutzeranfrage“. Googlebot besucht Seiten automatisiert, um Google Search aufzubauen. Google-Agent kommt, weil ein konkreter Mensch ein Google-Produkt gebeten hat, etwas zu erledigen. Das ist eine andere Rolle, auch wenn beide Systeme HTTP-Requests an dieselbe Website senden.

Für Betreiber entstehen daraus drei praktische Konsequenzen. Erstens sollten Zugriffe nicht allein anhand der User-Agent-Zeichenfolge freigeschaltet oder ausgewertet werden. Google weist selbst darauf hin, dass diese Zeichenfolge gefälscht werden kann, und veröffentlicht IP-Bereiche sowie Verfahren zur Verifikation. Zweitens gelten für nutzergetriggerte Fetcher andere Erwartungen an robots.txt als für klassische Crawler. Google erklärt, dass solche Fetcher robots.txt im Allgemeinen ignorieren, weil der Abruf vom Nutzer ausgelöst wurde. Blockaden entstehen deshalb häufig in WAF-, CDN-, Rate-Limit- oder Bot-Management-Regeln. Drittens ist ein Agentenbesuch eher als Nutzungsvorgang denn als bloßer Indexierungsimpuls zu verstehen. Antwortzeit, sichtbarer Zustand, Fehlermeldungen und Interaktionslogik werden relevant.

Gleichzeitig bleibt vieles unverändert. Für AI Overviews und AI Mode in Google Search gelten laut Google die normalen SEO-Anforderungen weiter. Eine Seite muss indexiert und für ein Snippet geeignet sein; es gibt kein spezielles AI-Schema und keine verpflichtende AI-Textdatei. Hilfreiche, zuverlässige Inhalte, erreichbare Seiten, interne Links, gute Nutzererfahrung und strukturierte Daten, die mit dem sichtbaren Text übereinstimmen, bleiben das Fundament. Wer wegen Google-Agent hektisch eine llms.txt hochlädt, aber Preise nur in unlesbaren PDFs pflegt und Formulare ohne Labels ausliefert, setzt die Prioritäten falsch.

Mechanik

So läuft eine agentische Suche ab.

Agentische Suche ist kein einzelner Prompt mit einer einzelnen Antwort. Ein Agent erhält ein Ziel und konstruiert daraus einen Arbeitsplan. Bei „Finde eine geeignete Warenwirtschaft für einen deutschen Händler mit fünf Filialen, DATEV-Anbindung und maximal 800 Euro Monatsbudget“ muss das System zunächst Kriterien extrahieren. Danach sucht es mögliche Anbieter, öffnet relevante Seiten, prüft Funktionen und Konditionen, verwirft unpassende Kandidaten, gleicht Aussagen mit weiteren Quellen ab und stellt ein Ergebnis zusammen. Je nach Berechtigung kann es anschließend eine Demo-Anfrage vorbereiten oder Termine vergleichen.

Dieser Ablauf produziert mehrere Auswahlstellen. Ein Anbieter kann schon bei der Discovery fehlen, weil die Kategorie unklar ist. Er kann beim Parsing scheitern, weil die Funktion nur in einer Grafik steht. Er kann bei der Evaluation ausscheiden, weil Preis oder Zielgruppe nicht genannt werden. Er kann Vertrauen verlieren, weil Website, Verzeichnis und Pressemitteilung unterschiedliche Fakten enthalten. Und er kann trotz guter Bewertung nicht konvertieren, weil das Formular einen visuellen Sonder-Selektor verlangt, den der Agent nicht verlässlich bedienen kann.

Deshalb betrachten wir agentische Suche als Kette mit fünf Zuständen: discover, understand, verify, select und act. Jeder Zustand braucht eigene Testfragen. Wird die richtige Seite gefunden? Sind Angebot und Ausschlusskriterien eindeutig? Gibt es einen überprüfbaren Beleg? Kann der Agent begründen, warum das Angebot zur Nutzeranforderung passt? Kann der nächste Schritt ohne Mehrdeutigkeit und mit angemessener menschlicher Kontrolle erfolgen? Ein globaler „ASO Score“ verwischt diese Unterschiede. Eine Diagnose muss zeigen, an welcher Stelle und aus welchem Grund die Kette bricht.

Signalarchitektur

Welche Signale helfen Agenten bei der Auswahl?

Es gibt keinen veröffentlichten universellen ASO-Algorithmus. ChatGPT, Gemini, Claude, Perplexity und spezialisierte Agenten nutzen unterschiedliche Modelle, Suchsysteme, Datenquellen und Werkzeuge. Sinnvoll ist deshalb keine Liste vermeintlicher Rankingtricks, sondern eine robuste Informationsarchitektur, die unabhängig vom einzelnen Anbieter gute Entscheidungen ermöglicht. Sechs Signalgruppen sind besonders relevant.

Strukturierte Daten können diese Signale präzisieren, dürfen sie aber nicht erfinden. Ein Organization- oder Product-Markup ist hilfreich, wenn es reale, sichtbare Informationen beschreibt. Ein Schema-Graph mit Eigenschaften, die Nutzer auf der Seite nicht nachvollziehen können, schafft dagegen Inkonsistenz. Gleiches gilt für FAQ-Markup, Bewertungen und Preise. Maschinenlesbarkeit bedeutet nicht, eine zweite unsichtbare Wahrheit für Bots zu bauen. Sie bedeutet, dieselbe Wahrheit für verschiedene Leser eindeutig auszudrücken.

Technisches Audit

Die technische ASO-Checkliste.

Ein technisches Audit beginnt mit echten Requests, nicht mit Vermutungen. Wir prüfen, welche Inhalte ein einfacher HTTP-Client erhält, welche Informationen erst nach JavaScript-Ausführung erscheinen und ob wichtige Zustände durch Cookies, Geolocation, Modals oder Client-Routing verdeckt werden. Server Rendering ist kein Selbstzweck; entscheidend ist, dass Kerninformationen und Navigation stabil verfügbar sind. Ein Agent sollte nicht erst eine Animation schließen und drei Tabs erraten müssen, um Leistungsumfang oder Kontaktmöglichkeit zu finden.

1. Zugriff und Infrastruktur

Kontrollieren Sie Statuscodes, Redirect-Ketten, Canonicals, robots-Regeln, Caching und Antwortzeiten. Analysieren Sie WAF- und CDN-Ereignisse für legitime User-Agents, aber verifizieren Sie Herkunft über veröffentlichte IP-Bereiche oder Reverse DNS. Prüfen Sie Rate Limits auf realistische mehrstufige Recherche: Ein Agent kann in kurzer Zeit mehrere Detailseiten abrufen, ohne ein bösartiger Scraper zu sein. Sicherheitsregeln sollten Verhalten und verifizierte Identität bewerten, nicht pauschal jeden nichtmenschlichen Request blockieren.

2. Rendering und Informationszugang

Öffnen Sie zentrale Seiten ohne JavaScript und vergleichen Sie den Informationsgehalt nach dem Rendern. Kerntexte, Produktdaten, Links und Formlabels sollten im DOM eindeutig sein. Inhalte in Canvas, Videos oder rein visuellen Vergleichstabellen brauchen Textalternativen. PDFs können ergänzen, sollten aber nicht die einzige Quelle für entscheidende Bedingungen sein. Sorgen Sie für sprechende URLs, logische Breadcrumbs und interne Links, damit ein Agent von Kategorie zu Detail und nächstem Schritt navigieren kann.

3. Formulare und Zustände

Jedes Eingabefeld braucht ein dauerhaft zugeordnetes Label, einen sinnvollen Namen, passende Datentypen und klar formulierte Validierung. Erfolg und Fehler müssen maschinenlesbar und sichtbar ausgegeben werden. Vermeiden Sie Aktionen, deren Bedeutung nur durch Farbe, Position oder Icon erkennbar ist. Ein Button „Weiter“ kann in einem fünfstufigen Prozess mehrfach etwas anderes bedeuten; „Lieferadresse prüfen“ ist eindeutiger. Serverseitige Validierung bleibt Pflicht, auch wenn ein Agent den Browser bedient.

• Wichtige Inhalte sind als HTML-Text erreichbar.
• Navigation und interne Links ergeben eine logische Informationshierarchie.
• Strukturierte Daten entsprechen vollständig dem sichtbaren Inhalt.
• Produkt-, Service- und Standortinformationen haben einen klaren Aktualitätsstand.
• Formfelder besitzen Label, Name, Typ, Pflichtstatus und verständliche Fehler.
• Schreibende oder kostenpflichtige Aktionen verlangen eine bewusste Bestätigung.
• Logs können relevante Agent-Requests datensparsam und überprüfbar auswerten.

Content & Evidence

Schreiben Sie für Entscheidungen, nicht für Wortzahlen.

Agenten benötigen Information mit hoher Entscheidungsdichte. Eine gute Seite beantwortet zunächst die konkrete Frage und liefert danach Kontext, Beleg und nächste Schritte. Lange Einleitungen, die nur ein Keyword umkreisen, erhöhen die Extraktionskosten und verwässern Kernaussagen. Answer-first bedeutet jedoch nicht, jeden Text in sterile FAQ-Sätze zu zerlegen. Originalität, Fachurteil und nachvollziehbare Argumente bleiben wichtig – gerade weil generische AI-Texte im Netz leicht austauschbar sind.

Beginnen Sie mit den Fragen, die eine echte Auswahl verändern: Für wen ist das Angebot geeignet? Wann ist es nicht geeignet? Welche Voraussetzungen gibt es? Was kostet es und wovon hängt der Preis ab? Welche Ergebnisse sind realistisch? Wie wurden Zahlen erhoben? Wer ist fachlich verantwortlich? Welche Alternativen existieren? Eine Agentenentscheidung wird besser, wenn Ausschlusskriterien genauso klar sind wie Vorteile. Das kann kurzfristig weniger ungeeignete Anfragen erzeugen – und genau dadurch die Qualität der Leads erhöhen.

Evidenz sollte nah an der Behauptung stehen. Wenn Sie eine Leistungssteigerung nennen, erklären Sie Stichprobe, Zeitraum, Ausgangswert und Messmethode. Wenn Sie eine Zertifizierung führen, verlinken Sie den Nachweis. Wenn ein Experte einen Beitrag verantwortet, zeigen Sie Rolle, Erfahrung und weitere Arbeiten. Verwenden Sie Primärquellen für technische und wissenschaftliche Aussagen. Das ursprüngliche GEO-Paper der KDD 2024 zeigte in seinem experimentellen Benchmark Sichtbarkeitsverbesserungen von bis zu 40 Prozent; zugleich betonten die Autoren, dass die Wirkung nach Domäne variiert. Daraus lässt sich keine pauschale Kundengarantie ableiten, wohl aber die Bedeutung domänenspezifischer Tests.

Denken Sie über die eigene Domain hinaus. Ein Agent kann Ihren Text mit Handelsregisterdaten, Herstellerverzeichnissen, Partnerseiten, Fachartikeln, Bewertungen, Videos oder Community-Beiträgen abgleichen. Digital PR für ASO bedeutet daher nicht Masse, sondern unabhängige, thematisch passende Bestätigung. Pflegen Sie Namen, Beschreibungen, Standorte und Leistungsdaten konsistent. Widersprüche werden von Menschen manchmal überlesen; ein vergleichender Agent macht sie zum Auswahlrisiko.

Agent UX

WebMCP: strukturierte Werkzeuge statt Klick-Raten.

Heute bedienen Browser-Agenten viele Websites ähnlich wie Menschen: Sie interpretieren Screenshots oder DOM-Strukturen, klicken Elemente und tragen Werte ein. Das funktioniert, bleibt aber fehleranfällig. Eine Schaltfläche kann mehrdeutig sein, dynamische Zustände können übersehen werden und jeder zusätzliche Klick ist eine neue Interpretationsstelle. WebMCP soll Websites ermöglichen, Funktionen als strukturierte Tools zu beschreiben, die ein Browser-Agent entdecken und im sichtbaren Seitenkontext ausführen kann.

Der Vorschlag kennt einen deklarativen und einen imperativen Ansatz. Beim deklarativen Ansatz erhält ein normales HTML-Formular einen Toolnamen und eine Beschreibung; Felder werden zu Parametern. Beim imperativen Ansatz registriert JavaScript ein Tool mit JSON-Schema und Ausführungsfunktion. Beides ist als Progressive Enhancement gedacht: Die menschliche Oberfläche bleibt sichtbar, und der Nutzer kann nachvollziehen, was geschieht. Das unterscheidet WebMCP von einer unsichtbaren Backend-Automation.

Stand Juli 2026 ist WebMCP ein Draft Community Group Report der Web Machine Learning Community Group und kein W3C-Standard. Chrome dokumentiert eine Origin Trial und lokale Testmöglichkeiten. Produktive Kernprozesse sollten deshalb nicht davon abhängen. Geeignet sind eng begrenzte Piloten mit geringem Risiko, etwa Produktsuche, Support-Triage, Terminfilter oder das Vorbereiten einer Anfrage. Das Formular auf dieser Website trägt beispielhaft deklarative Toolattribute, sendet aber absichtlich nicht automatisch ab. Erst der sichtbare Klick des Nutzers löst die Kontaktaufnahme aus.

Eine WebMCP-Entscheidung beginnt mit dem Task, nicht mit der API. Welcher Nutzerschritt ist heute unnötig fehleranfällig? Welche Parameter werden wirklich benötigt? Ist der Effekt lesend, schreibend, kostenpflichtig oder irreversibel? Welche Bestätigung ist angemessen? Welche Ausgabe hilft dem Agenten, Erfolg oder Fehler korrekt zu erklären? Erst wenn diese Fragen beantwortet sind, lohnt sich die technische Umsetzung.

Security by Design

Agentenkomfort ohne Kontrollverlust.

Ein Agent im Browser kann den Authentifizierungszustand des Nutzers erben, Informationen über mehrere Websites kombinieren und Aktionen in dessen Namen vorbereiten. Das ist leistungsfähig und sensibel. WebMCP beschreibt unter anderem Risiken durch Prompt Injection, irreführende Toolbeschreibungen, übermäßige Parameter und Unterschiede zwischen UI- und Tool-Validierung. Diese Risiken sind kein Grund, jede Agenteninteraktion zu blockieren. Sie sind ein Grund, sie wie jede andere sicherheitsrelevante Schnittstelle zu entwerfen.

Trennen Sie read-only Werkzeuge von schreibenden Aktionen. Ein Tool, das Verfügbarkeit prüft, braucht andere Kontrollen als eines, das eine Bestellung auslöst. Minimieren Sie Parameter und übertragen Sie keine Daten „auf Vorrat“. Toolname, Beschreibung und Resultat müssen präzise und frei von nicht vertrauenswürdigen Instruktionen sein. Inhalte aus Reviews, Foren oder anderen Nutzereingaben sollten als untrusted behandelt werden. Serverseitige Autorisierung, Validierung, Rate Limits, CSRF-Schutz und Protokollierung bleiben bestehen; ein agentischer Aufruf darf keinen alternativen schwächeren Codepfad eröffnen.

Besonders wichtig ist die Bestätigung vor folgenreichen Aktionen. Der Nutzer sollte Preis, Empfänger, Datenumfang und Effekt sehen, bevor Kauf, Kündigung, Veröffentlichung oder Weitergabe erfolgt. Ein guter Prozess erlaubt dem Agenten, bis zum Entscheidungspunkt effizient vorzubereiten, reserviert die finale Zustimmung aber für den Menschen. In regulierten Bereichen können zusätzliche Identitätsprüfung, Vier-Augen-Prinzip oder revisionssichere Logs nötig sein.

Datenschutz gehört in dasselbe Design. Übermitteln Sie nur Daten, die für den konkreten Zweck erforderlich sind, nennen Sie Empfänger und Speicherdauer transparent und vermeiden Sie sensitive Informationen in Toolantworten. Ein agentenlesbares Interface ist kein Freibrief für mehr Datensammlung. Im Gegenteil: Eindeutige Schemas ermöglichen Datenminimierung, weil ein Agent genau weiß, welche Felder benötigt werden.

Evaluation

Wie ASO messbar wird.

Eine gute Messung unterscheidet Bereitschaft, Sichtbarkeit, Auswahl und Geschäftswirkung. Bereitschaft lässt sich deterministisch testen: Ist eine Seite erreichbar? Wird der richtige Preis extrahiert? Kann das Formular korrekt ausgefüllt werden? Sichtbarkeit und Auswahl sind probabilistischer. Antworten können nach Modell, Oberfläche, Region, Zeitpunkt und Formulierung variieren. Geschäftswirkung entsteht erst, wenn eine Empfehlung oder Agentenaktion zu qualifiziertem Verhalten führt.

Beginnen Sie mit Server-Logs. Erfassen Sie User-Agent, Zeit, URL, Status und notwendige technische Metadaten datensparsam. Verifizieren Sie bekannte Anbieter über offizielle IP-Listen oder Reverse DNS, bevor Sie Volumen berichten. JavaScript-Analytics sieht viele agentische Requests nicht; Logs bilden deshalb eine wichtige technische Baseline. Niedriges Volumen ist in einer frühen Rolloutphase kein Misserfolg. Die Baseline schafft Vergleichbarkeit für später.

Ergänzen Sie ein Task-Panel aus realen Nutzerzielen. Ein SaaS-Anbieter könnte Aufgaben testen wie „Finde eine Lösung mit SSO, EU-Hosting und maximal 500 Euro für 30 Nutzer“ oder „Prüfe, ob der Anbieter einen AV-Vertrag anbietet und nenne die Quelle“. Dokumentieren Sie Wortlaut, System, Modell, Region, Datum und mehrere Wiederholungen. Bewerten Sie nicht nur, ob die Marke genannt wurde, sondern ob Fakten korrekt sind, welche Quellen verwendet werden, warum die Auswahl erfolgt und ob der nächste Schritt gelingt.

Verbinden Sie diese Daten mit Business-KPIs: qualifizierte Anfragen, Demo-Teilnahmen, Warenkorbqualität, Abschlussrate und Umsatz. Kennzeichnen Sie Attribution vorsichtig. Ein Nutzer kann eine Empfehlung im Agenten erhalten, später direkt die Domain eingeben und in klassischer Analytics als „Direct“ erscheinen. Spezielle Landingpages, freiwillige „Wie haben Sie uns gefunden?“-Felder und CRM-Notizen können helfen, ohne eine Scheingenauigkeit zu erzeugen.

Umsetzung

Ihr pragmatischer 30-Tage-ASO-Plan.

Ein erster Monat soll keine vollständige Transformation versprechen. Er soll Unsicherheit reduzieren, Blockaden entfernen und eine belastbare Priorisierung schaffen. Wählen Sie dafür eine wichtige Angebotskategorie und einen Conversion-Prozess. Ein enger Scope liefert mehr Erkenntnis als ein oberflächlicher Scan der gesamten Domain.

Das wichtigste Ergebnis ist ein gemeinsames Backlog. SEO, Content, PR, Produkt, Development und Legal sollten nicht getrennte „AI Search“-Listen pflegen. Eine Maßnahme wie transparente Preislogik verbessert gleichzeitig Nutzererfahrung, Sales-Qualifizierung, strukturierte Daten und Agentenauswahl. Priorisieren Sie solche Mehrfachhebel zuerst.

Glossar

Die wichtigsten Begriffe ohne Buzzword-Salat.

AI Agent

Ein Softwaresystem, das ein Ziel in Schritte zerlegt, Werkzeuge nutzt, Zustände auswertet und Aufgaben mit unterschiedlichem Autonomiegrad ausführt.

Agentic Search

Eine mehrstufige Suche, bei der ein Agent Recherche plant, Quellen aufruft, Informationen abgleicht und eine Auswahl oder Handlung vorbereitet.

ASO

Agent Search Optimization beziehungsweise Agentic Search Optimization: Optimierung für Auffindbarkeit, Bewertung, Auswahl und sichere Agentenaktion.

GEO

Generative Engine Optimization: Maßnahmen, die Sichtbarkeit und Zitierfähigkeit in generativen Antwortsystemen verbessern sollen.

AEO

Answer Engine Optimization. Der Begriff wird für direkte Antworten in Such- und Assistenzsystemen genutzt und überschneidet sich stark mit GEO.

Google-Agent

Der dokumentierte User-Agent für auf Google-Infrastruktur gehostete Agenten, die auf konkrete Nutzeranfrage navigieren und Aktionen ausführen.

WebMCP

Ein derzeit entstehender Web-API-Vorschlag, mit dem Websites strukturierte Tools für Browser-Agenten deklarativ oder per JavaScript anbieten können.

llms.txt

Eine freiwillige Textdatei, die kompatiblen Systemen Orientierung zu wichtigen Inhalten geben soll. Sie ist keine Google-Anforderung und kein garantierter Rankingfaktor.

Task Success

Der Anteil definierter Aufgaben, die ein Agent korrekt, vollständig und innerhalb der vorgesehenen Sicherheitsgrenzen abschließt.

Prompt Injection

Manipulative Instruktionen in Inhalten, Metadaten oder Toolantworten, die das Verhalten eines sprachmodellbasierten Agenten unerwünscht beeinflussen sollen.