Warum ein 5 Jahre altes Startup einen 200 Jahre alten Makler verdrängt — und was KI damit zu tun hat.

Ein inhabergeführtes Maklerunternehmen mit zwei Jahrhunderten lokaler Marktkenntnis ist bei der Frage „Welcher Makler in meiner Nähe?" für KI-Systeme heute häufig weniger sichtbar als ein Wettbewerber, der vor fünf Jahren gegründet wurde.

Kein Budget-Unterschied. Oft kein Qualitäts-Unterschied. Aber ein struktureller Unterschied.

Diese Analyse basiert auf der Auswertung von 31 Makler-Websites und Marktauftritten im April 2026. Sie ist keine repräsentative Studie, sondern eine strukturierte Feldanalyse realer Marktteilnehmer. Die Scores sind relative Vergleichswerte innerhalb dieser Stichprobe — keine absoluten Marktbenchmarks. Das Muster ist dennoch klar.

Was potenzielle Kunden tatsächlich suchen — und wo die Antwort herkommt

Der Markt verändert sich schneller als die meisten Makler wahrnehmen: In Deutschland erscheinen AI Overviews bereits bei 27,86% aller Suchanfragen (SE Ranking, 2025). Wer dort nicht als Quelle auftaucht, verliert Sichtbarkeit — und weiß es nicht.

Bevor es um Formate und Strukturen geht, lohnt ein Blick auf das, was Käufer, Verkäufer und Interessenten tatsächlich in Suchmaschinen und KI-Assistenten eingeben. Drei Fragetypen dominieren den deutschen Immobilienmarkt 2026:

Preisanfragen auf Stadtteilebene sind die häufigste informationsgetriebene Suchanfrage im Immobilienbereich. Muster: „Was kostet eine Wohnung in [Stadtteil]?", „Quadratmeterpreise [Ort]", „Immobilienpreise [Stadtteil] aktuell". Laut ImmoScout24 (Q1 2026) liegt der bundesweite Durchschnitt für Eigentumswohnungen bei 2.703 €/m² — aber die Spanne reicht von unter 1.000 €/m² in strukturschwachen Lagen bis über 16.000 €/m² in Premiumlagen einzelner Großstädte. Genau diese lokale Granularität ist es, wonach Interessenten suchen — und was Portale mit HTML-Preisseiten auf Stadtteilebene liefern. KI-Systeme zitieren diese Seiten direkt, weil sie strukturiert, aktuell und indexierbar sind.

Das ist kein Nischenphänomen mehr: In Deutschland wird fast jede dritte Suche direkt von einer KI beantwortet, ohne Klick auf eine Website. Für informationsgetriebene Anfragen wie Preisrecherchen liegt dieser Wert noch höher. Und für Makler gibt es eine entscheidende Asymmetrie: Wer in AI Overviews zitiert wird, erzielt 35% mehr Klicks als der Durchschnitt — wer nicht zitiert wird, verliert 58% seiner bisherigen Klicks. (Seer Interactive/Ahrefs, 2025)

Empfehlungsanfragen sind der zweite dominante Fragetyp: „Welcher Makler in [Ort]?", „Bester Immobilienmakler [Stadtteil]", „Immobilienmakler [Stadt] Empfehlung". Diese Anfragen beantwortet Gemini nicht aus Preisseiten — sondern aus Google Business Profile-Daten: Vollständigkeit des Profils, Bewertungsvolumen und -qualität, Post-Frequenz. Das ist der strukturelle Grund, warum HTML-Content und GBP zwei verschiedene Hebel für zwei verschiedene Fragetypen sind.

AI Overviews reduzieren dabei die Klicks auf Websites um durchschnittlich 34,5% (Ahrefs, 2025). Das bedeutet: Wer nicht als Quelle zitiert wird, verliert Traffic — ohne es zu merken. Das Tückische daran: Google Search Console zeigt diese Verluste nicht separat aus. Wer nicht zitiert wird, merkt es oft erst Monate später.

Markt- und Prozessanfragen runden das Bild ab: „Wie entwickeln sich Immobilienpreise in [Region]?", „Was ist mein Haus wert?", „Wann lohnt sich ein Bieterverfahren?", „Wie hoch ist die Maklerprovision in [Bundesland]?". Diese Anfragen werden zunehmend direkt in KI-Assistenten gestellt — und von dort mit Quellenangaben beantwortet. Wer als Makler keinen strukturierten HTML-Content zu diesen Fragen anbietet, kommt als Quelle nicht in Frage.

Die Konsequenz für die Zwei-Hebel-Logik dieser Analyse ist eindeutig: Preisanfragen werden durch HTML-Preisseiten auf Stadtteilebene adressiert. Empfehlungsanfragen werden durch ein vollständig gepflegtes, aktives Google Business Profile adressiert. Beide Fragetypen sind relevant — und kein einziges der 30 analysierten Maklerunternehmen bedient beide gleichzeitig vollständig.

Das Ranking: Wer wird zitiert — und wer nicht

Die untersuchten Unternehmen wurden anhand eines einheitlichen Bewertungsmodells entlang von sieben Dimensionen analysiert — darunter Content-Struktur, Indexierbarkeit, Aktualität, semantische Auszeichnung und lokale Signale. Jede Dimension wird mit bis zu 20 Punkten bewertet und anschließend auf einen Gesamtscore von 0–100 normiert (7 × 20 = 140 Rohpunkte → 100).

Zwei Gruppen lassen sich in dieser Stichprobe klar unterscheiden: Maklerunternehmen mit indexierbarem HTML-Content, insbesondere Preisseiten auf Stadtteilebene (Scores 71–86), und Maklerunternehmen, deren relevante Inhalte primär in PDFs, JavaScript-Anwendungen oder eingeschränkt crawlbaren Formaten vorliegen (Scores 29–65). Alle Unternehmen mit einem Score über 70 in dieser Stichprobe betreiben HTML-Preisseiten auf Stadtteilebene — kein einziges Unternehmen ohne diese Struktur erreicht diesen Wert. Die Trennlinie verläuft in dieser Stichprobe nicht entlang von Unternehmensgröße oder Markterfahrung — sondern entlang von Content-Format und technischer Zugänglichkeit.

Das Traditions-Paradox

In einem untersuchten Markt zeigt sich ein typisches Muster dieser Stichprobe: Ein junges Maklerunternehmen hat eine strukturierte HTML-Architektur aufgebaut — eigene URLs je Stadtteil, Preise als Fließtext, regelmäßige Aktualisierung. Score: 81. In AI Overviews für diesen Markt wurde das Unternehmen als einziger lokaler Makler neben ImmoScout und Immowelt beobachtet.

Ein etabliertes Traditionsunternehmen im selben Markt verfügt über umfangreiche lokale Marktdaten — teilweise aus methodisch überlegenen Primärquellen. Score: ~48. Diese Inhalte liegen jedoch überwiegend in Formaten vor, die für Suchsysteme nur eingeschränkt auswertbar sind.

Interpretation: Nicht die Datenqualität ist in dieser Stichprobe der dominierende Faktor für Sichtbarkeit — sondern die digitale Zugänglichkeit der Inhalte.

Das „PDF-Paradoxon" in fünf Varianten

In der Analyse zeigen sich wiederkehrende Muster, bei denen vorhandene Inhalte für Suchsysteme und KI nur eingeschränkt verwertbar sind:

Klassisches PDF: Mehrere Maklerunternehmen veröffentlichen Marktberichte aus institutionellen Quellen ausschließlich als PDF. PDFs sind grundsätzlich indexierbar, aber strukturell schwerer auswertbar als HTML — insbesondere für LLM-basierte Systeme.

JavaScript-Karte: Ein Digitalmakler verfügt über umfangreiche Preisdaten mit hoher Datengranularität. Da die Inhalte über eine JavaScript-Karte ausgeliefert werden, sind sie für viele Crawler nur eingeschränkt zugänglich.

CDN-Viewer: Ein überregionales Franchise-Netzwerk stellt 60+ Marktberichte bereit — eingebettet in CDN-gehostete Viewer-Dateien mit eingeschränkter Indexierungstiefe.

Strukturell eingeschränktes CMS: Ein Marktberichterstatter mit methodisch hochwertigen Transaktionsdaten betreibt seine Website auf einem CMS, das keine eigene URL-Struktur je Stadtteil erlaubt — was thematische Tiefe und Indexierbarkeit begrenzt.

Veraltete Inhalte: Ein Maklerunternehmen mit einer der stärksten technischen Architekturen der Stichprobe hat Preisseiten aus 2022. Aktualität ist ein relevanter Faktor in dynamischen Antwortsystemen.

Gemeinsamer Nenner in allen fünf Fällen: Inhalt vorhanden — aber nicht optimal zugänglich.

Die neue Dimension: Lokale Signale & Google Business Profile

Neben der Website-Struktur zeigt sich eine zweite relevante Ebene: lokale Plattformsignale.

Branchenauswertungen — darunter der Whitespark Local Search Ranking Factors Report 2026 — deuten darauf hin, dass Signale aus dem Google Business Profile einen erheblichen Einfluss auf lokale Sichtbarkeit haben. Solche Reports basieren auf korrelativen Einschätzungen von SEO-Praktikern und sind nicht spezifisch für die Immobilienbranche oder AI Overviews validiert. Sie liefern jedoch plausible Hinweise auf relevante Hebel primär auf Basis englischsprachiger Märkte, die Grundprinzipien sind jedoch auf Google-Algorithmen zurückzuführen und damit international übertragbar.

Drei operative Unterkriterien stechen in der Praxisbeobachtung hervor: Vollständigkeit des Profils (Kategorien, Services, Beschreibung), regelmäßige Aktivität durch Posts, und die Nutzung der Q&A-/FAQ-Funktion — seit Ende 2025 unter dem Namen „Ask Maps" auch direkt in KI-Antworten beobachtbar.

Parallel dazu entwickeln sich lokale KI-Suchergebnisse in Richtung kuratierter Einzelempfehlungen statt reiner Listen — eine Beobachtung, die sich mit dem Verhalten von Gemini in lokalen Abfragen deckt, aber noch keine belastbare Datenbasis hat.

Daraus ergibt sich eine plausible Arbeitsthese: Lokale Plattformsignale gewinnen im Zusammenspiel mit Website-Content weiter an Bedeutung für Sichtbarkeit in KI-generierten Antworten. In dieser Stichprobe hat kein einziges Maklerunternehmen alle drei GBP-Unterkriterien aktiv erfüllt.

Der Landmakler-Effekt

In weniger kompetitiven regionalen Märkten zeigt sich in der Stichprobe ein plausibles Muster: Makler mit einfachen, aber strukturierten Websites, grundlegender Content-Aktivität und gepflegtem Google Business Profile erzielen vergleichsweise schnell Sichtbarkeit — weil die Konkurrenz durch digital starke Wettbewerber geringer ist.

Das stärkste Beispiel in dieser Gruppe: Ein Landmakler mit renommiertem nationalem Branchenpreis, Sachverständigenzertifikat und 40 Jahren Marktpräsenz. Score: ~38. Kein strukturierter digitaler Content, kein aktives GBP. In seinem Markt dürften wenige gezielte Maßnahmen einen überproportionalen Effekt haben — diese Einschätzung ist jedoch hypothetisch und nicht durch Messdaten belegt.

Was jetzt zu tun ist — in dieser Reihenfolge

Kurzfristig: Technische Grundlagen schaffen — strukturierte Daten (Schema.org), klare Seitenstruktur, AggregateRating für vorhandene Bewertungen. Google Business Profile vollständig pflegen und aktiv nutzen.

Mittelfristig: Vorhandene Inhalte aus PDFs in HTML überführen. Keine neuen Daten nötig — dieselben Informationen, bessere Zugänglichkeit. Das ist einer der am stärksten differenzierenden Schritte in dieser Stichprobe.

Langfristig: Systematische Content-Architektur aufbauen — eigene Seiten je Stadtteil oder Region, Inhalte regelmäßig aktualisieren. Dasselbe Strukturprinzip, das ImmoScout und Immowelt für ihre Sichtbarkeit nutzen.

Der Küchentisch-Irrtum

Ein häufiger Einwand gegen diese Analyse lautet: „Wir arbeiten über Empfehlungen und persönliche Beziehungen. KI-Sichtbarkeit ist für uns irrelevant."

Das stimmt — und greift gleichzeitig zu kurz.

Ein Traditionsunternehmen mit 200 Jahren Marktkenntnis gewinnt den Auftrag tatsächlich oft noch am Küchentisch. Durch Vertrauen, durch Marke, durch persönliche Präsenz. Das ist ein echter Wettbewerbsvorteil, den kein junges Startup kurzfristig replizieren kann.

Das Problem liegt eine Stufe früher: KI-Systeme übernehmen heute zunehmend die Vorqualifizierung, die früher das persönliche Netzwerk geleistet hat. Der Interessent fragt nicht mehr Google — er fragt Gemini. Und Gemini entscheidet, welche drei Makler überhaupt in Frage kommen. Wer in dieser Vorstufe nicht vorkommt, wird nicht zum Gespräch eingeladen. Nicht weil er schlechter ist — sondern weil er nicht sichtbar war.

Die Frage ist nicht: Netzwerk oder Sichtbarkeit? Die Frage ist: Wie viele potenzielle Mandate erreichen das persönliche Gespräch gar nicht mehr, weil die Vorauswahl bereits durch eine KI getroffen wurde?

In dieser Stichprobe ist das keine Hypothese. Es ist die beobachtete Realität.

Die wichtigste Erkenntnis

Viele Maklerunternehmen verfügen über exzellente Marktdaten, langjährige Kenntnis und starke lokale Positionierung. Diese Stärken entfalten in Such- und KI-Systemen jedoch nur dann Wirkung, wenn sie technisch zugänglich, strukturiert aufbereitet und regelmäßig aktualisiert sind.

Die Arbeitsthese dieser Feldanalyse lautet:

Nicht der beste Inhalt gewinnt Sichtbarkeit — sondern der am besten zugängliche.

Und für den Immobilienmarkt gilt dabei noch etwas Besonderes: Immobilien gehört aktuell zu den Branchen mit dem geringsten Anteil an AI Overview-Auslösungen (Semrush, 2025). Der Wettbewerb um Citations ist noch überschaubar. Wer jetzt die Struktur baut, steht allein da wenn der Wandel vollständig einsetzt.

Diese Aussage ist durch die vorliegende Stichprobe plausibel, aber nicht kausal bewiesen. Sie ist als strukturierte Beobachtung zu verstehen — nicht als Studienergebnis.

Und ja — ich habe für diese Analyse auch KI genutzt. Claude für die strukturierte Auswertung, Gemini und ChatGPT als Gegenprobe. Es macht Sinn, KI-Systeme zu KI-Themen zu befragen — und zu schauen, was sie sehen und was nicht. Das Ergebnis war konsistent. Und hat meine Einschätzung bestätigt.

Podcast Folge zu diesem Thema:

Passende Links:

ImmoKaiser Podcast "Die Macht der Bewertungen" mit Elias Indrich.