Das ARD Readiness Audit misst, wie gut eine Website auf die agentische, generative Suche vorbereitet ist — also darauf, in den synthetisierten Antworten von Google AI Mode/AI Overviews, ChatGPT, Perplexity & Gemini zitiert zu werden, statt nur in einer klassischen Ergebnisliste zu ranken. Es prüft die Marke über mehrere realistische Such-Anliegen hinweg, vergleicht sie gegen ein Zielbild 2027 und die Top-Wettbewerber, und liefert priorisierte Maßnahmen mit Quick-Win-Score.
Suchmaschinen ranken Seiten. Generative Engines synthetisieren Antworten. Das sind zwei verschiedene Probleme — SEO hat das erste 25 Jahre gelöst; ARD ist die Disziplin für das zweite.
Klassisches SEO optimiert die Platzierung in einer Rangliste. Generative Engines synthetisieren stattdessen eine fertige Antwort — wer darin nicht zitiert wird, existiert für die Nutzerin nicht, egal wie gut die Seite rankt. Dieses Audit macht messbar, wo deine Marke in dieser neuen Realität steht.
ai-catalog.json an einem Well-Known-Pfad, eine Registry-API liefert Agenten auf natürliche Anfragen gerankte, kryptografisch verifizierbare Treffer. Dieses ARD Readiness Audit misst, wie gut eine Marke auf genau diesen Wandel — SEO → GEO/AEO → agentische Suche — vorbereitet ist. Alle Zahlen unten sind quellen- und datumsbelegt.Werte werden jeden Sonntag automatisch per Subscription-Websuche neu verifiziert. Verlässlichkeitsstufe je Wert ausgewiesen (primär = benannte Primärquelle/Studie, sekundär = Aggregator).
Belegte, datierte Ereignisse 2023 → heute. Jede Zeile mit Quelle.
ai-catalog.json an einem Well-Known-Pfad + verifizierbare Registry, damit Agenten die Tools/Ressourcen einer Domain finden & verifizieren. Der reale Standard hinter ARD. Google Developers Blog · belegtAkademisch 2023 (Princeton/Georgia Tech/AI2) geprägter Oberbegriff: Inhalte so optimieren, dass generative Engines sie als Quelle zitieren. Hebel: Statistiken, Experten-Zitate, Inline-Quellen.
Engerer Teilbereich von GEO — Inhalte für die Antwort-Extraktion strukturieren (prägnante Antworten, Frage-Überschriften, FAQ-Schema).
Offizieller Spec-Entwurf seit 17.06.2026 (Google, Microsoft, Cisco, Databricks, GitHub, Nvidia, Salesforce …): Domains veröffentlichen ein ai-catalog.json an einem Well-Known-Pfad; eine Registry-API liefert Agenten gerankte, kryptografisch verifizierbare Treffer auf natürliche Anfragen. So finden & verifizieren Agenten die Ressourcen/Tools einer Domain. Dieses Audit prüft die Readiness dafür — und für agentische Suche insgesamt.
Diese vier Hebel bilden — zusammen mit den drei Antwort-Achsen — die 8 Audit-Achsen: SichtbarkeitZitierfähigkeitShare of VoiceStrukturierte DatenE-E-A-T / Earned MediaMulti-Query-TiefeEntitäten-KlarheitAntwort-Formate
Schema.org, saubere Architektur, klare Entitäten — die Voraussetzung dafür, dass ein LLM Inhalte parst und zitiert. Technical SEO ist zur Wasserleitung geworden, die generative Sichtbarkeit mit Druck versorgt.
Backlinks waren das Vertrauenssignal — jetzt zählt zusätzlich die Erwähnung in glaubwürdigen Drittquellen. Das E-E-A-T-Prinzip überlebt fast unverändert.
robots.txt für KI-Crawler (GPTBot, ClaudeBot, PerplexityBot, Google-Extended) + maschinenlesbare Formate. Realitäts-Check: llms.txt-Adoption nur 0,3 %, und Google misst ihm keinen Ranking-Effekt bei. Der ernstzunehmende Standard ist Googles Agentic Resource Discovery (ai-catalog.json, seit 06/2026) — die echte ARD-Schicht.
Content von Keyword-Seiten zu zitierfähigen Bausteinen: FAQ, Datentabellen, Originalstudien, prägnante Antworten — das, was ein Agent in seine Antwort hebt.
Mitglieder eines Wettbewerbsfelds werden mit EINEM gemeinsamen, marken-neutralen Prompt-Pool gemessen — so sind Sichtbarkeit, Zitierfähigkeit & Share of Voice direkt vergleichbar (nicht prompt-relativ wie bei Einzel-Audits).
Noch kein Gruppen-Audit durchgeführt.
Jede Karte öffnet den vollständigen HTML-Report (Spiderdiagramm, Metriken, priorisierte Maßnahmen, Benchmark). Audits, die sich gegenseitig benchmarken, sind als Gruppe (⬡) gekennzeichnet.