„Warum empfiehlt ChatGPT meine vegane Marke nicht?“ Diese Frage stellen sich Gründerinnen und Gründer veganer Marken, wenn die Antwort der KI auf „beste vegane Snacks Berlin“ nur große Händlermarken aufzählt – und die eigene fehlt. Das ist kein Pech, sondern ein nachvollziehbares Verhalten von Sprachmodellen. Die Ursache: fehlende, maschinell prüfbare Nachweise.
Kurz gesagt: ChatGPT, Perplexity und Gemini behandeln selbstausgesagte „vegan“-, „tierversuchsfrei“- und „nachhaltig“-Behauptungen als unbelegbares Marketing, das sie weder bestätigen noch ungeprüft weitergeben dürfen. Die Modelle sichern sich ab, setzen Vorbehalte davor – oder lassen die Marke unerwähnt. Maschinell prüfbare Vertrauenssignale ändern das: Drittzertifikate wie der Vegan Trademark oder das V-Label, Register, Laborbefunde, verifizierte Presseberichte und strukturierte Daten machen aus einer Behauptung einen Fakt, den ein Modell zitieren und verteidigen kann. Ohne diese Nachweise bleibt eine vegane Marke in KI-Antworten unsichtbar – egal, wie gut ihr klassisches SEO ist.
Wie KI-Antworten aussehen, wenn eine Marke nur über sich selbst spricht
Das Muster wiederholt sich bei jeder Anfrage. Fragt man ChatGPT, Perplexity oder Gemini nach den besten veganen Produkten in einer Stadt, kommt selten eine Empfehlung mit Rückgrat. Stattdessen: Absicherung im Stil von „Ich bin nicht sicher, aber …“, Vorbehalte im Stil von „Bitte prüfen Sie die Zutatenliste selbst“ – und Listen, in denen vor allem die Marken großer Ketten und Eigenmarken stehen. In den Werte-Marken-Audits, die ich durchführe, sehe ich dieses Muster regelmäßig. Es hat drei Gesichter: Absichern, Vorbehalten, stilles Weglassen.
Das ist keine Laune des Modells, sondern Anweisung. Das OpenAI Model Spec – das Verhaltensdokument, das den ChatGPT-Assistenten zugrunde liegt – schreibt für den Umgang mit Unsicherheit eine explizite Rangfolge vor. Der schlechteste Fall darin ist die selbstbewusste falsche Antwort; eine abgesicherte richtige gilt mehr als gar keine Antwort:
„confident right answer > hedged right answer > no answer > hedged wrong answer > confident wrong answer“ – OpenAI, Model Spec, Abschnitt „Expressing uncertainty“
Für schwer verifizierbare Aussagen schreibt das Spec eine Formulierung mit Quellenzuordnung vor, im Englischen etwa „There are reports suggesting that …“ – auf Deutsch etwa: „Es gibt Berichte, die darauf hindeuten, dass …“. Eine Behauptung, die nur die Marke selbst über sich aufstellt, ist genau so ein Fall. „Vegan“, von der Marke selbst gelesen, ist eine unbelegbare Auskunft – und jede Konkurrentin behauptet dasselbe. Ein Modell, das es trotzdem behauptet, riskiert den untersten Rang der Rangfolge. Also geht es den Mittelweg: absichern, Vorbehalte setzen – oder schweigen. Das Schweigen ist die teuerste Variante, weil die Marke nicht einmal als Unsicherheit auftaucht.
Für die Kundin, die fragt, sieht das Ergebnis so aus: Marken, über die ein Modell frei schreibt, wirken empfohlen. Marken mit Vorbehalt wirken kompliziert. Und fehlende Marken wirken nicht vorhanden.
Ein Sprachmodell, das für eine Behauptung keine Quelle findet, behauptet sie nicht. Es sichert ab – oder es schweigt.
Der Hebel: maschinell prüfbares Vertrauen
Der Weg aus dem Schweigen lässt sich in einem Satz sagen: Verwandeln Sie Selbstauskünfte in Nachweise, die ein Crawler ohne Interpretation prüfen kann. Vier Sorten tragen das: Zertifikate, Register, Laborbefunde und Presse.
Zertifikate und Register
Die Vegan Society vergibt den Vegan Trademark – nach eigener Darstellung das weltweit führende Drittzertifikat für vegane Produkte, mit über 70.000 zertifizierten Produkten, deren Anmeldungen von einem eigenen, erfahrenen Team geprüft werden. In Europa ist das V-Label der European Vegetarian Union das Pendant: ein international registriertes Siegel für vegane und vegetarische Produkte, das mehr als 70.000 Produkte von über 4.800 Lizenznehmern tragen. Beide Systeme nennen über 70.000 Produkte – es sind trotzdem zwei unabhängige Schemata: ein britisches Warenzeichen und ein europäisches Label.
Warum das zählt: Ein Zertifikat ist die eine Aussage über eine Marke, die nicht die Marke selbst trifft. Für ein Sprachmodell ist „vegan“ von der Marke selbst eine Auskunft – „vegan“ mit Lizenz im Register eines Dritten ist ein Fakt mit prüfbarer Herkunft. Der Vergaber ist dabei selbst eine Entität mit eigener Dokumentation, eigenen Kriterien, eigener Prüfhistorie. Genau diese Verkettung – Marke, Zertifikat, Vergaber, Register – kann ein Modell verteidigen. Ihre Selbstauskunft kann es das nicht.
Welches der beiden? Für den DACH-Markt ist das V-Label die naheliegende Wahl, für den UK- und US-Markt der Vegan Trademark; manche Marken führen beide. Die Entscheidung ist sekundär – entscheidend ist, dass ein Drittregister existiert, das die Behauptung trägt. Ein Zertifikat ist dabei keine moralische Auszeichnung, sondern eine Registrierung mit Kriterien und Prüfung. Genau das braucht ein Modell.
Laborbefunde
Allergen- und Kontaminationsprüfungen, Nährwertanalysen, akkreditierte Labors: Ein Bericht hat Nummer, Labor und Prüfdatum – das ist die Maschinenlesbarkeit des Papierformulars. Und er beantwortet exakt die Fragen, die bei veganen Produkten kritisch sind: Was ist wirklich drin, was ist wirklich nicht drin. Eine eigene Zutatenliste ist eine Auskunft. Ein Laborbericht ist ein Dokument, das ein Modell als Beleg einstufen kann.
Verifizierbare Dritte
Presseberichte, Auszeichnungen, Branchenlisten – alles, was einen Dritten als Urheber hat. Entscheidend ist, dass der Beleg auffindbar und dokumentiert ist, nicht nur auf der eigenen Presse-Seite verlinkt. Ein Modell, das Ihre Auszeichnung nur auf Ihrer eigenen Seite findet, gewichtet sie wie eine Auskunft. Findet es sie beim vergebenden Medium, gewichtet es sie wie einen Fakt.
Nachweise so aufbereiten, dass Crawler sie lesen können
Ein Zertifikat als PDF drei Klicks tief reicht nicht. Der Nachweis muss dort stehen, wo Crawler lesen – Produktseite, Unternehmensseite – und er muss maschinenlesbar sein. Dafür existiert ein dokumentierter Standard: schema.org kennt den Typ Certification, angehängt an ein Product über die Eigenschaft hasCertification – möglich auch an Organization, Service und Place. Relevant sind unter anderem issuedBy, die vergebende Organisation, und certificationStatus, der Status aktiv oder inaktiv. Das ist dokumentiertes, offenes Markup – kein erfundener Score irgendeiner Agentur.
So sieht das für eine Produktseite aus, als JSON-LD gesetzt:
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Bio-Cashew-Ferment",
"brand": {
"@type": "Brand",
"name": "Beispielhof"
},
"hasCertification": [
{
"@type": "Certification",
"name": "Vegan Trademark",
"issuedBy": {
"@type": "Organization",
"name": "The Vegan Society"
},
"certificationStatus": "active"
},
{
"@type": "Certification",
"name": "V-Label vegan",
"issuedBy": {
"@type": "Organization",
"name": "European Vegetarian Union"
},
"certificationStatus": "active"
}
]
}Was ich in jedem Audit einer Werte-Marke zuerst prüfe, ist nicht das Markup – es ist die Claim-Formulierung. Dieselbe Behauptung muss auf der Produktseite, der Unternehmensseite, den Händlerlisten und im Google Business Profile identisch stehen, inklusive des exakten Zertifikatsnamens. Findet ein Modell vier verschiedene Formulierungen von „100 % pflanzlich“, wertet es das als Drift, nicht als Fakt. Konsistenz ist ein Vertrauenssignal – Inkonsistenz ist eines in die falsche Richtung.
Ein Wort zum Google Business Profile: Für lokale Anfragen – „veganes Café Wien“ – ist es oft die stärkste Belegquelle, die eine kleine Marke überhaupt hat. Öffnungszeiten, Kategorien, Bewertungen, einheitliche Claim-Formulierungen: Was dort steht, liest jedes Modell mit. In unseren Audits ist das Business Profile regelmäßig die am schlechsten gepflegte Fläche einer Werte-Marke.
Die Beweislage: Behauptungssubstanz schlägt Keyword-SEO
Das ist keine Theorie aus diesem Artikel. SPINS, ein Datenanbieter des amerikanischen Lebensmittelhandels, hat am 22. September 2026 die Plattform Agentic Discovery für Konsumgütermarken gestartet – mit der unmissverständlichen Positionierung: „The next battleground for consumer brands isn’t the shelf or the search engine, it’s the AI recommendation.“ Übersetzt: Das nächste Schlachtfeld für Konsummarken ist weder das Regal noch die Suchmaschine, sondern die KI-Empfehlung (Dan Buckstaff, Chief Product Officer bei SPINS).
Die ersten Fallstudien aus dem Programm zeigen, worauf es ankommt. MadeGood, eine Snackmarke, bearbeitete mit strukturierten Produktdaten genau die Behauptungen, die am Punkt des Kaufs entscheiden – schulfähig, nussfrei. Ergebnis laut Fallstudie: +12,5 Prozentpunkte Auftrittsrate in ChatGPT, 81 % Auftritt bei schulfähigen Anfragen, +49 % bei nussfreien Anfragen.
Death Wish Coffee ließ strukturierte Inhalte rund um die Fair-Trade-Claims der Marke aufbauen. Ergebnis: +13,9 Prozentpunkte Auftrittsrate in Google AI Overviews, 100 % Auftritt bei Anfragen zu hohem Koffeingehalt, +50 % bei Fair-Trade-Anfragen.
Der Mechanismus hinter den Zahlen: „Strukturierte Produktdaten“ heißt nicht, ein Keyword öfter zu wiederholen. Es heißt, jede prüfbare Eigenschaft als eigene, maschinenlesbare Einheit zu erfassen – Behauptung, Quelle, Geltungsbereich – und dort zu veröffentlichen, wo Crawler sie erwarten. Bei MadeGood waren das die Claims schulfähig und nussfrei, bei Death Wish die Fair-Trade-Zertifizierung. Beide haben nichts erfunden; sie haben dokumentiert, was über sie prüfbar war.
Der Hebel ist Behauptungssubstanz plus Struktur – nicht Keyword-Dichte.
Die Eigenmarken-Mauer – und die Antwort kleiner Marken
Nun der naheliegende Einwand: Gegen Walmart-Eigenmarken hat eine Marke mit fünf Personen keine Chance. Die Datenlage ist differenzierter. Das AI Visibility Index von EMARKETER für Food & Beverage analysierte im Juli 2026 insgesamt 7.460 ChatGPT-Empfehlungen über 16 Kategorien hinweg. Die Nummer eins der Gesamtwertung: Great Value, die Eigenmarke von Walmart – mit einer Erwähnungsrate von 5 %.
Das trägt zwei Lesarten. Erstens: Eigenmarken dominieren. Zweitens, und das ist hier die relevante: Selbst die führende Marke taucht nur in jeder zwanzigsten Empfehlung auf. Die Sichtbarkeit ist extrem fragmentiert, der Rest verteilt sich auf viele Marken und Nischen. In einer Welt, in der Platz eins fünf Prozent erreicht, ist der Platz dahinter nicht verloren, sondern offen.
Dazu kommt eine Beobachtung vom Übergang von GPT-5.5 zu GPT-5.6: Die Zahl der erwähnten einzigartigen Marken in Food & Beverage sank nur um 2 %, die Zahl der zitierten Domänen dagegen um 17 %. Das Modell hat seinen Quellenpool verengt – und Walmart war die mit Abstand am häufigsten zitierte Quelle für Empfehlungen zu herzhaften Snacks. Die 17 % sind die eigentliche Strategieanweisung in diesem Datensatz: Wenn der Quellenpool enger wird, entscheidet nicht mehr, wer am lautesten behauptet, sondern wer am besten belegt. Für kleine Marken ist das eine gute Nachricht – belastbar dokumentierte Quellen sind in einer Nische erreichbar.
Der Punkt ist Entität, nicht Rang. Eine KI-Antwort vergibt keine Positionen eins bis zehn wie eine Suchergebnisliste; sie entscheidet über Erwähnung oder Nicht-Erwähnung. Eine Marke mit fünf Personen gewinnt keine Anfrage wie „beste vegane Snacks“. Aber sie gewinnt die engen Anfragen – „fermentierter Cashew-Käse aus Tirol“, „nussfreier Riegel für die Schulbox“ –, wenn sie die am besten dokumentierte Entität zu genau dieser Frage ist: Siegel, Registereintrag, Presse, konsistente Formulierungen, strukturierte Daten.
EmpCo: seit dem 27. September 2026 zählt Belegführung
Seit dem 27. September 2026 gelten in der EU die Regeln der EmpCo-Richtlinie. Für das Wort „vegan“ ist die kurze Konsequenz diese: Als schlichte Produktinformation – die Zutaten sind pflanzlich – ist es in der Regel kein Nachhaltigkeitslabel und löst keine Zertifizierungsregeln aus. Wird es aber so präsentiert, dass es Umwelt- oder Tierschutz-Vorteile andeutet, gilt es als Nachhaltigkeits-Claim – und dann greifen Zertifizierung und Substantiierung. So ordnet es die FAQ der Europäischen Kommission vom Juni 2026 ein: fallweise, mit genau dieser Grenze zwischen Produktinformation und Implikation.
Der Grund, warum das in einem Artikel über KI-Sichtbarkeit steht: Regulator und Sprachmodell verlangen seitdem dasselbe. „Vegan, weil die Zutatenliste es sagt“ ist unproblematisch – für beide. „Vegan, weil es dem Planeten hilft“ braucht Belege – für beide. Die Belegakte, die die eine Anforderung erfüllt, erfüllt die andere gleich mit. Wer umgekehrt planetare Versprechen andichtet, ohne Belege, erfüllt keine der beiden.
Wenn Rückrufe die Werte überlagern
Zwei Vorfälle aus 2026, getrennt zu betrachten. Im September 2026 rief die Firma hinter Miyoko’s, Prosperity Organic Foods, eine einzelne Charge ihres European Style Cultured Vegan Salted Butter wegen möglicher Kontamination mit E. coli zurück – einen Class-I-Rückruf. Die Händler zogen die Charge aus dem Regal, und die FDA hatte den Rückruf zu diesem Zeitpunkt noch nicht einmal veröffentlicht. Der Vorfall hängt am Wort „vegan“, ob die Marke will oder nicht.
Im August 2026 gab Frankie’s Organic eine Allergenwarnung für seine Plant-Based Vegan Cheddar Puffs heraus, nachdem zwei Beschwerden über allergische Reaktionen eingegangen waren: möglicherweise nicht deklarierte Milch. In einem Produkt, das „vegan“ auf der Packung trägt.
Der zweite Fall ist der eigentliche Grund, warum dieser Artikel Laborbefunde als Vertrauenssignal führt. „Vegan“ ohne Drittprüfung ist eine Selbstauskunft – und genau dieser Fehlerfall, „vegan“ trifft auf „enthält Milch“, zeigt, warum ein akkreditierter Allergentest maschinell prüfbares Beweismaterial ist. Die KI-Konsequenz trifft beide Vorfälle: Ein Modell, das über eine Marke recherchiert, findet Rückruf- und Allergenmeldungen bei Presse und Behörden – Quellen, die in einer KI-Antwort gewichtiger sind als jede Positioning-Seite der Marke selbst. Und die Zeitschere wirkt dagegen: Rückruf-Schlagzeilen sind aktuell und überall auffindbar; Ihre Zertifikate sind es nur, wenn sie strukturiert und sichtbar sind.
Was nach einem Vorfall zu tun ist, folgt derselben Logik: den Vorfall dokumentieren, die Korrektur dokumentieren – neuer Prüfbericht, neue Charge – und beides strukturiert zugänglich machen, statt zu tun, als wäre nichts gewesen. Ein Modell versöhnt widersprüchliche Quellen über Dokumentationsdichte und Aktualität; eine Marke, die nur schweigt, verliert gegen die Schlagzeile.
Rückrufe werden zu Quellen, die KI-Antworten zitieren. Strukturierte Belege sind das, was dann dagegen steht.
Die Checkliste: sechs Schritte für eine kleine vegane Marke
Sechs Schritte, geordnet nach Aufwand: Die ersten vier sind einmalige Projektarbeit, die letzten zwei laufende Pflege.
- Zertifizieren: Vegan Trademark oder V-Label, je nach Markt – beide mit Register und Lizenzstatus. Wer ohnehin EU-Bio führt, hat bereits ein Drittregister und sollte es genauso konsequent nutzen.
- Strukturieren:
hasCertification-Markup auf jeder Produktseite, Zertifikate zusätzlich an den Organization-Daten, einheitliche Claim-Formulierungen von Anfang an. - Belegen: pro Behauptung eine Belegakte – Zertifikatsnummer, Prüfbericht, Pressebeleg, Gültigkeit. Auch „nussfrei“ ist eine Behauptung, die einen Allergentest als Beleg haben will.
- Konsistent verteilen: dieselbe Formulierung auf der eigenen Site, auf den Händlerseiten und im Google Business Profile – inklusive des Zertifikatsnamens.
- Beobachten: KI-Antworten zur eigenen Marke und zur eigenen Nische regelmäßig abfragen und dokumentieren. Ein Tracker wie Cited – das Tool, das wir dafür gebaut haben – verfolgt in Echtzeit, wie ChatGPT, Claude, Perplexity, Gemini und Google AI Overviews eine Marke und ihre Wettbewerber beschreiben, und erzeugt daraus automatisch To-dos.
- Aktuell halten: Zertifikate laufen ab, Prüfberichte altern.
certificationStatusmuss stimmen, sonst widerspricht das eigene strukturierte Markup dem Register.
Wie wir das prüfen
Für vegane Marken führen wir ein KI-Sichtbarkeits-Audit zum Pauschalpreis – GEO, für Generative Engine Optimization, ist der Branchenname dafür. Was das Audit abdeckt:
- Anfragesätze für Ihre konkrete Nische – die Fragen, die Kundinnen tatsächlich stellen
- Inventur der Vertrauenssignale: Zertifikate, Register, Prüfberichte, Presse
- Claim-Konsistenz über eigene Seiten, Händlerseiten und das Google Business Profile
- Prüfung des strukturierten Markups, inklusive
hasCertification - Wettbewerbs-Snapshot: welche Marken in den relevanten KI-Antworten stehen – und mit welchen Nachweisen
Zum Festpreis, weil Vertrauenssignal-Arbeit überprüfbar sein sollte, nicht eine Monatsrate. Ehrlich zum Aufwand: Zertifikatsstatus und Claim-Formulierungen zu prüfen ist eine Sache von einer Stunde. Strukturierte Daten über einen ganzen Produktkatalog neu aufzubauen und Händlerseiten einzubeziehen ist ein Projekt von einigen Tagen – das sagen wir vorher. Das KI-Sichtbarkeits-Audit ist auf einer eigenen Seite dokumentiert, eine Festpreis-Anfrage dauert zwei Minuten.
Der Wechsel, den dieser Artikel beschreibt, ist im Kern einer: von der Selbstauskunft zum Beleg. Er ist klein genug, um diese Woche anzufangen – Zertifikatsnummern aufschreiben, Claim-Formulierungen angleichen, hasCertification aufsetzen – und groß genug, um zu entscheiden, ob Ihre Marke in der Antwort steht, die Ihre Kundin morgen ihrer KI stellt.