Die Veränderung ist subtil: Publisher verlagern einen Teil ihrer Inhalte von Seiten für Menschen in maschinenlesbare Kanäle, weil Assistenten zunehmend zu zentralen Anlaufstellen für die Suche werden. Beantwortet ein virtueller Assistent eine Anfrage, bevorzugt er häufig strukturierte Snippets oder maschinenlesbare Blöcke. Publisher haben erkannt, dass sie die Antworten von Assistenten beeinflussen können, indem sie gesponserte Aussagen oder bevorzugte Metadaten in diese ausschließlich maschinenlesbaren Ebenen einfügen – ohne die Darstellung für Menschen zu verändern. Dahinter stehen mehrere Motive: zusätzliche Werbeflächen, mehr Kontrolle über die Platzierung in Antworten und Experimente von Publishern, die angesichts sinkender Banner-CPMs dringend neue Einnahmequellen suchen.

Die technisch möglichen Ansätze sind vielfältig: bedingt ausgelieferte JSON-LD-Blöcke, die nur auf Anfragen mit bekannten Assistenten-Signaturen reagieren; alternatives HTML, das anhand des User-Agents bereitgestellt wird; eigene API-Endpunkte mit kuratierten „Assistenten-Briefings“; sowie angereicherte Wissensgraph-Feeds mit gesponserten Attributen. Die Umsetzung kann unterschiedlich komplex sein: Die einfache Erkennung des User-Agents ist günstig, aber anfällig. Tokenbasierte Feeds bieten mehr Kontrolle, erfordern jedoch eine Integration zwischen Publisher und Plattform. Entscheidend ist die Herkunft: Ob ein Agent verifizierte Publisher-Feeds nutzt oder strukturierte, werblich optimierte Blöcke ohne Herkunftsnachweis ausliest, beeinflusst das Vertrauen – und dessen Missbrauch lässt es schwinden.

Plattformen reagieren, weil Werbung, die sich an Agenten richtet, die Erwartungen an Transparenz und faire Rankings untergräbt. Spielen Assistenten gesponserte Empfehlungen ohne Kennzeichnung aus, schwindet das Vertrauen der Nutzer und das rechtliche Risiko steigt. Anbieter setzen daher auf verschiedene Schutzmaßnahmen: Sie stufen nicht verifizierte, nur maschinenlesbare Inhalte als minderwertig ein, verlangen Verifizierungstokens von Publishern oder bevorzugen Inhalte, die sowohl in der menschlichen als auch in der maschinellen Darstellung erscheinen. Diese Richtlinien erschweren kurzfristig den Missbrauch, benachteiligen aber auch legitime Anwendungsfälle wie Barrierefreiheits-Feeds oder strukturierte Entwickler-APIs. Die zentrale Herausforderung besteht darin, Missbrauch zu verhindern und zugleich Innovationen von Entwicklern und Publishern zu ermöglichen.

GEO-Anfragen und lokale Empfehlungen sind besonders anfällig: Schon ein kleiner, nur für Agenten sichtbarer Vorteil kann ein Unternehmen bei Suchanfragen wie „in meiner Nähe“ an die Spitze der Ergebnisse bringen. Das verändert die Budgetplanung im Marketing: Statt auf Keywords oder Kartenanzeigen zu setzen, könnten manche Unternehmen in maschinenlesbare Schema-Daten und bezahlte Platzierungen in Wissens-Feeds investieren. Für Produktteams und Investoren bedeutet dieser Wandel, dass sie ihre KPIs neu bewerten müssen: Qualität der KI-vermittelten Empfehlungen, nachgelagerte Conversions und Markenrisiken werden zu zentralen Kennzahlen. Zugleich werden Aufsichtsbehörden und Verbraucherschützer Kennzeichnungspflichten fordern, damit sich Empfehlungen von Assistenten nachvollziehen und als bezahlte Platzierungen erkennen lassen.

Schutzmaßnahmen lassen sich in drei praktische Bereiche gliedern: Erkennung, Herkunftsnachweise und Richtlinien. Erkennungstools untersuchen Websites auf bedingte Feeds, verborgene Schema-Blöcke oder Antworten, die je nach User-Agent variieren, und melden Auffälligkeiten. Herkunftsnachweise beruhen auf kryptografischen Publisher-Tokens oder signierten Feeds, mit denen Plattformen die Echtheit überprüfen können. Zu den möglichen Richtlinien gehören die verpflichtende Kennzeichnung bezahlter Inhalte für Maschinen, Sperrlisten für Plattformen bei gezielter Manipulation und Prüfpflichten für Eingaben in Wissensgraphen. Für Betreiber ist es kurzfristig entscheidend, die Überwachung einzurichten und einen Reaktionsplan zu erstellen, der notwendige Plattformintegrationen gegen Reputations- und Compliance-Risiken nicht gekennzeichneter Platzierungen abwägt.