Proximity Ranking in der KI-Suche: Wie Nähe entscheidet

Wer glaubt, ein gepflegtes Google Business Profile allein reiche für Sichtbarkeit in ChatGPT oder Perplexity, unterschätzt einen Faktor, den klassisches SEO lange nachrangig behandelt hat: Wie nah ein Nutzer geografisch an deinem Standort ist, entscheidet in KI-Antworten oft direkter über Sichtbarkeit als in klassischen Google-Rankings.

Definition: Proximity Ranking bezeichnet den Einfluss der geografischen Nähe zwischen suchender Person und Unternehmen auf Auswahl und Reihenfolge lokaler Suchergebnisse. Google nennt Distanz offiziell als einen von drei zentralen Rankingfaktoren neben Relevanz und Bekanntheit; in KI-Suchsystemen wie ChatGPT oder Perplexity wirkt Nähe zusätzlich über IP-Positionsbestimmung, freiwillige Standortfreigabe und die Kartendaten, auf die das jeweilige Modell zugreift.

Wie Proximity Ranking die KI-Suche steuert

Für die klassische Google-Suche ist die Sache offiziell dokumentiert: Laut Google Business Profile Help basieren lokale Suchergebnisse hauptsächlich auf drei Faktoren: Relevanz, Distanz und Bekanntheit. Distanz ist dabei schlicht der physische Abstand zwischen Nutzerstandort und Unternehmen (Google Business Profile Help, 2026).

In der KI-Suche fehlt eine vergleichbar klare, einheitliche Dokumentation. Was öffentlich bekannt ist: Laut Search Engine Land führte OpenAI im März 2026 eine Standortfreigabe für ChatGPT ein, die zwischen ungefährer Position und präziser, adressgenauer Position unterscheidet. Präzise Standortdaten werden laut OpenAI nach der Antwort wieder gelöscht (Search Engine Land, 2026).

Perplexity und ähnliche Systeme ziehen für Karten- und Ortsdaten teils externe Quellen heran. Welche Datenbasis im Einzelfall wie stark gewichtet wird, ist öffentlich nicht einheitlich dokumentiert. Hier bleibt GEO ein Feld mit vielen offenen Fragen statt gesicherter Antworten.

Warum ein gepflegtes Google Business Profile allein nicht reicht

Die typischen Probleme, die uns in geaio-Analysen begegnen, liegen selten am fehlenden Google Business Profile selbst. Sie liegen in der Lücke dahinter: kein Knowledge Panel, das die Marke eindeutig einer Entität zuordnet, widersprüchliche Adressangaben zwischen Website und Profil, oder eine lokale Entität, die für ein Sprachmodell schlicht zu schwach definiert ist, um sie zuverlässig einem Standort zuzuordnen.

Das ist der Kern des Problems: Proximity Ranking setzt voraus, dass ein Modell deinen Standort überhaupt eindeutig erkennt, bevor Nähe als Signal wirken kann. Ein Profil ohne konsistentes Schema-Markup und ohne saubere NAP-Daten (Name, Adresse, Telefonnummer) liefert dafür oft nicht genug.

NAP-Konsistenz oder Local Schema zuerst? Zwei Taktiken im Vergleich

Zwei naheliegende Taktiken konkurrieren meist um die erste Priorität. Beide lösen unterschiedliche Teile des Problems. Keine der beiden ersetzt die andere vollständig.

Taktik	Aufwand	Wirkt vor allem auf	Größter Nachteil
NAP-Konsistenz manuell bereinigen (Website, Profile, Verzeichnisse)	Niedrig bis mittel	Vertrauenswürdigkeit der Adressdaten	Muss bei jeder Änderung (Umzug, neue Rufnummer) überall erneut nachgezogen werden
LocalBusiness-Schema (JSON-LD) implementieren	Mittel	Maschinenlesbarkeit der Kontaktdaten für KI-Crawler	Nutzt wenig, wenn sichtbare Seiteninhalte den Schema-Daten widersprechen

Unsere Empfehlung für die meisten Betriebe mit einem Standort: zuerst NAP-Konsistenz bereinigen, danach LocalBusiness-Schema ergänzen. Schema-Markup ohne saubere zugrunde liegende Daten schreibt vorhandene Fehler nur zusätzlich in maschinenlesbarer Form fest. geaio prüft dafür konkret, ob Adresse und Kontaktdaten zwischen sichtbarer Seite und Schema übereinstimmen. Genau daran scheitern viele Seiten in der Praxis.

Entity Clustering für Mehrstandort-Unternehmen: Wann sich der Aufwand lohnt

Für Unternehmen mit mehreren Filialen kommt eine dritte Option dazu: Entity Clustering, bei dem einzelne Standorte technisch und semantisch einer übergeordneten Marken-Entität zugeordnet werden. Wie das im Detail funktioniert, erklären wir im Beitrag zu Mehrstandort-Unternehmen in KI-Suchmaschinen.

Der Nachteil: Entity Clustering lohnt sich erst, wenn NAP-Konsistenz und Local Schema je Standort bereits stehen. Ohne dieses Fundament verstärkt Clustering bestehende Fehler eher, weil es mehrere fehlerhafte Standortdaten unter einer Entität zusammenführt, ohne sie zu korrigieren. Bei einem einzelnen Standort ist der zusätzliche Aufwand meist nicht gerechtfertigt. Hier bringen NAP-Pflege und Schema-Markup schneller spürbare Ergebnisse.

Was fehlende Nähe-Signale für deine Sichtbarkeit bei ChatGPT und Perplexity kosten

Rechenbeispiel zur Einordnung, keine gemessene Ranking-Veränderung: Ein Unternehmen mit vier Filialen führt Adresse und Telefonnummer in drei unterschiedlichen Schreibweisen: einmal im Google Business Profile, einmal im LocalBusiness-Schema der Website, einmal auf einer veralteten Kontaktseite. Rechnerisch ergeben sich daraus bis zu vier mögliche NAP-Konflikte, einer pro Standort, die ein Sprachmodell beim Abgleich von Entität und Adresse zusätzlich auflösen muss, bevor es den jeweiligen Standort als Antwort in Betracht zieht.

In eigenen geaio-Analysen sehen wir bei Unternehmen mit mehreren Standorten regelmäßig genau dieses Muster: Adresse und Telefonnummer im LocalBusiness-Schema weichen leicht von den sichtbaren Kontaktdaten auf der Seite ab. Diese Beobachtung basiert auf wiederholten geaio-Scans und erhebt keinen Anspruch auf statistische Repräsentativität. Sie deckt sich aber mit der Tatsache, dass geaio genau diese NAP-Konsistenz zwischen Seite und Schema als eigenes Prüfkriterium führt.

Wie stark ChatGPTs Standortfreigabe gegenüber der bisherigen IP-Schätzung tatsächlich zu anderen Empfehlungen führt, ist öffentlich nicht differenziert belegt. Wir beobachten, dass die Funktion existiert und Nutzer sie aktivieren können, ohne daraus eine verlässliche Kausalität für einzelne Rankings abzuleiten. Wer seine Ausgangslage kennen will, findet den Einstieg im Beitrag zu Google Business Profile für KI optimieren. Dort und in einer geaio-Analyse zeigt sich, ob Entity, Schema und sichtbare Inhalte überhaupt zusammenpassen. Für SEO- und GEO-Verantwortliche ist das der nüchterne erste Schritt, bevor über Proximity Ranking überhaupt sinnvoll diskutiert werden kann.

Häufig gestellte Fragen

Was ist Proximity Ranking in der KI-Suche? Proximity Ranking beschreibt, wie stark die geografische Nähe zwischen suchender Person und Unternehmen Auswahl und Reihenfolge in lokalen Suchergebnissen beeinflusst. Google nennt Distanz offiziell als einen von drei zentralen Rankingfaktoren; in der KI-Suche wirkt Nähe zusätzlich über IP-Position und freiwillige Standortfreigaben.

Wie erkennt ChatGPT, wo sich eine Person befindet? Ohne aktivierte Standortfreigabe schätzt ChatGPT die Position meist grob über die IP-Adresse. Seit März 2026 können Nutzer laut Search Engine Land zusätzlich eine ungefähre oder präzise Standortfreigabe aktivieren; präzise Daten werden nach der Antwort gelöscht.

Reicht ein gepflegtes Google Business Profile für gute Proximity-Signale? Nicht allein. Ein Profil hilft nur, wenn Adresse und Kontaktdaten konsistent mit Website und Schema-Markup sind und die Entität für ein Sprachmodell eindeutig einem Standort zuzuordnen ist. Fehlt diese Konsistenz, bleibt das Profil ein isoliertes Signal.

Was bedeutet NAP-Konsistenz und warum ist sie wichtig? NAP steht für Name, Adresse, Telefonnummer. Konsistenz bedeutet, dass diese Angaben auf Website, Google Business Profile und in Schema-Markup identisch formatiert sind. Abweichungen zwingen KI-Systeme, Widersprüche zusätzlich aufzulösen, was die Zuordnung zu einem Standort erschwert.

**Was geändert wurde:**
- 11 Gedankenstriche → Punkte/Doppelpunkte/Klammern (Grenze war 3)
- 3× „X statt Y"/„kein X, sondern Y" → auf 1 zulässige Instanz reduziert, die verbliebene sitzt im Fließtext (nicht im Schlussabschnitt)
- Inhalt, Quellenangaben, Frontmatter, Definitionsbox, Spans, Tabelle, FAQ und H2-Struktur unverändert

Nichts weiter zu tun – keine Entscheidung außerhalb der Lektoratsregeln getroffen, daher kein Log-Eintrag nötig.