Die stille Frage vor dem Anruf: Wie KI-Assistenten Dienstleister-Anfragen vorab beantworten

Ein Kunde tippt abends "Wer repariert heute noch eine Heizung in der Nähe?" in ein Chatfenster – und bekommt eine Antwort, bevor das Telefon beim Betrieb überhaupt klingelt. Dieser Artikel erklärt den Mechanismus dahinter: wie aus einer Alltagsfrage eine Vorab-Antwort wird, welche Fragemuster dabei auffällig oft wiederkehren, und was sich über diesen Vorgang seriös belegen lässt – und was nicht.

Der Mechanismus: Wie aus einer stillen Frage eine Antwort wird

Wenn ein Nutzer eine Frage an einen KI-Assistenten stellt, passiert technisch gesehen ein zweistufiger Vorgang. Zunächst zerlegt das Sprachmodell die Formulierung in einen Intent (Was will die Person erreichen? Einen Handwerker finden, einen Preis einschätzen, Öffnungszeiten prüfen) und in einzelne Attribute (Ort, Zeitpunkt, Dringlichkeit, Gewerk). Im zweiten Schritt versucht das Modell, diese Attribute mit Informationen abzugleichen, die es über reale Unternehmen kennt oder während des Gesprächs nachschlagen kann – etwa aus Website-Texten, strukturierten Daten, Verzeichniseinträgen oder Bewertungsportalen.

Dass dieser Abgleich inzwischen massenhaft stattfindet, zeigen aktuelle Zahlen: 39 Prozent der deutschen Online-Nutzer verwenden KI-Assistenten zur Informationssuche, wie die YouGov Deutschland GmbH berichtet. Unter KI-Nutzern insgesamt ist der Hauptanwendungsfall mit 64 Prozent die direkte Antwort auf Fragen, nicht etwa Diskussionen oder Kreativaufgaben – also genau jenes Muster, das auch vor einem Anruf bei einem Dienstleister typisch ist. Beide Werte beziehen sich auf unterschiedliche Grundgesamtheiten (einmal alle Online-Nutzer, einmal die KI-Nutzer darunter) und lassen sich daher nicht rechnerisch zu einer einzelnen Kennzahl verknüpfen.

Entscheidend für Dienstleister ist: Der Mechanismus braucht Material, mit dem er arbeiten kann. Fehlen maschinenlesbare Angaben zu Öffnungszeiten, Einzugsgebiet oder Notdienst, kann das Modell nur raten, ausweichen oder auf ältere, möglicherweise veraltete Quellen zurückgreifen.

Sechs Fragemuster, die vor dem Klingeln auftauchen

Aus der Praxis von Anfragen bei Dienstleistern lassen sich wiederkehrende Muster erkennen, auch ohne Einblick in konkrete Chatprotokolle einzelner Anbieter. Diese Muster sind keine erhobenen Statistiken, sondern eine Einordnung typischer Formulierungen:

• Verfügbarkeit und Dringlichkeit: "Wer hat heute Abend noch Notdienst in [Stadtteil]?"
• Preisrahmen: "Was kostet ungefähr eine Rohrreinigung / ein Energieausweis / eine Hochzeitsfotografie?"
• Einzugsgebiet: "Kommt ein Elektriker auch ins Umland oder nur in die Kernstadt?"
• Vertrauen und Qualifikation: "Ist die Praxis/der Betrieb seriös, gut bewertet, zertifiziert?"
• Ablauf und Erreichbarkeit: "Kann ich online einen Termin buchen oder muss ich anrufen?"
• Vergleich und Auswahl: "Welcher Anbieter in der Region ist für [Leistung] am besten geeignet?"

Diese Muster überschneiden sich häufig: Eine Frage nach Verfügbarkeit enthält fast immer implizit auch eine Ortsangabe, eine Frage nach Preis oft eine versteckte Vertrauensfrage. Der Mechanismus muss also mehrere Attribute gleichzeitig verarbeiten, nicht nur eines.

Beispiel: Ein Rohrbruch am Samstagabend

Beispiel (konstruiert, zur Veranschaulichung): Eine Mieterin in einer mittelgroßen deutschen Stadt bemerkt samstags um 19 Uhr Wasser unter der Spüle. Statt eine Suchmaschine mit Keywords zu füttern, fragt sie einen Sprachassistenten: "Welcher Installateur hat heute noch Notdienst und kommt in meinen Stadtteil?" Der Assistent zerlegt die Frage in die Attribute Dringlichkeit (heute), Gewerk (Installateur) und Ort (Stadtteil). Er sucht nach Betrieben, bei denen diese drei Attribute belegt sind – etwa durch einen klar ausgewiesenen Notdienst-Hinweis, eine Angabe zum Einzugsgebiet und aktuelle Erreichbarkeitsdaten.

Ein Betrieb, der diese Angaben nur auf einer Unterseite ohne strukturierte Kennzeichnung versteckt hat, taucht in der Antwort möglicherweise gar nicht auf – unabhängig davon, wie gut seine Handwerksleistung tatsächlich ist. Ein Betrieb, der Notdienstzeiten, Einzugsgebiet und Kontaktweg klar und konsistent benennt, hat eine bessere Grundlage, genannt zu werden. Wie sich eine solche strukturierte Aufbereitung in der Praxis auswirken kann, skizziert beispielhaft das GEO-Fallbeispiel 2026: Wie ein Elektrobetrieb aus Leipzig-Plagwitz seine Angaben für den Abgleich durch KI-Assistenten aufbereitet hat.

Welche Daten der Mechanismus braucht

Die folgende Tabelle ordnet die beschriebenen Fragemuster den Datenquellen zu, auf die ein Abgleich typischerweise zurückgreift, sowie dem Risiko, das bei fehlenden Angaben entsteht.

Wer diese Tabelle als Ausgangspunkt nutzt, kann mit dem kostenlosen GEO-Check prüfen, an welchen Stellen die eigenen Angaben für einen Abgleich überhaupt verwertbar vorliegen.

Was sich über den Mechanismus nicht belegen lässt

So nachvollziehbar das Grundprinzip ist, so klar sind auch seine Grenzen. Erstens: Welche konkreten Quellen ein Modell bei einer einzelnen Antwort tatsächlich herangezogen hat, lässt sich von außen nicht zweifelsfrei rekonstruieren – Anbieter veröffentlichen diese Abläufe nicht im Detail. Zweitens: Dieselbe Frage kann an zwei aufeinanderfolgenden Tagen unterschiedlich beantwortet werden, weil Modelle aktualisiert werden, Trainingsstände wechseln oder zusätzliche Live-Suchen einfließen. Drittens: Es gibt keinen Einblick in die tatsächlichen Chatprotokolle fremder Nutzer – jede Aussage über "typische" Fragen beruht auf Mustererkennung aus öffentlich zugänglichem Verhalten, nicht auf einer vollständigen Erhebung aller gestellten Fragen.

Hinzu kommt: Die Bitkom-Erhebung von Mai 2026 zeigt zwar, dass 58 Prozent der Menschen in Deutschland KI nutzen und für 41 Prozent KI die erste Anlaufstelle bei fast allen Fragen ist, wie Bitkom e.V. feststellt – doch daraus lässt sich nicht ableiten, wie viele dieser Fragen konkret Dienstleister in Deutschland betreffen. Die Zahl beschreibt allgemeines Nutzungsverhalten, nicht branchenspezifisches.

Belegbar ist dagegen, dass lokale Dienstleistungen bereits Teil dieses Verhaltens sind: Mehr als 44 Prozent der Befragten haben laut der Erhebung von Greven Medien GmbH & Co. KG bereits Erfahrung mit KI-gestütztem Kundenservice bei lokalen Anbietern gesammelt, besonders nützlich fanden sie dabei Terminbuchungen mit Kalendereintragung mit 51 Prozent und Online-Tischreservierungen in der Gastronomie mit 47,3 Prozent. Das zeigt: Der Mechanismus wirkt bereits spürbar, auch wenn sich einzelne Gesprächsverläufe nicht nachträglich auswerten lassen.

Einschätzung

Einschätzung: Der Mechanismus hinter Vorab-Fragen ist kein Geheimnis, sondern eine nachvollziehbare Kombination aus Intent-Erkennung und Attributabgleich. Entscheidend ist aus unserer Sicht weniger die Technik im Hintergrund als die Frage, ob die eigenen Betriebsdaten überhaupt in einer Form vorliegen, die sich zuverlässig abgleichen lässt. Ein Betrieb, der Notdienstzeiten, Einzugsgebiet und Ablauf nur in einem PDF oder in einem Werbetext versteckt, verschenkt Chancen, unabhängig davon, wie gut seine eigentliche Leistung ist.

Wer diesen Mechanismus strukturiert angehen will, findet im Wissensbereich weiterführende Hintergründe, etwa zur Zehn-Prüfpunkte-Checkliste vor einer GEO-Beauftragung oder zur Frage, wie man laut der GEO-Prioritäten-2026-Checkliste Budget sinnvoll zwischen klassischem SEO und Sichtbarkeit in KI-Antworten verteilt.

Häufige Fragen