Die KI kennt Ihre Region.
Sie kennt Ihr Weingut nicht.

Die Drei-Betriebe-Regel — wie KI-Assistenten Weinregionen sehen

1'001 von 1'205 gemessenen Weingütern — 83 % — kommen in keiner einzigen KI-Antwort vor. Das ist der Befund, den diese Studie erklärt: 2'052 gespeicherte Antworten von ChatGPT, Claude und Gemini über 57 Regionen in 8 Ländern — während KI-Assistenten zum am schnellsten wachsenden Weg werden, auf dem Kunden Händler finden^[1]. Am Ende dieser Studie erkennen Sie Ihre eigene Situation in einem von vier Bildern — und was als Nächstes zu tun ist.

1.1 · Kunden kommen zunehmend über die KI — und sie kaufen

Adobe misst den Verkehr auf US-Handelswebsites über mehr als eine Billion Besuche. Der Befund vom Juni 2026: Besuche, die von KI-Assistenten weitergeleitet werden, haben sich binnen eines Jahres mehr als verdoppelt (+138 % im Mai 2026) und sind seit Oktober 2024 um 1 324 % gewachsen^[1]. Entscheidend ist, wie sich diese Besucher verhalten: Sie verbringen 53 % mehr Zeit auf der Website, sehen 23 % mehr Seiten und schliessen 54 % häufiger einen Kauf ab als Besucher aus anderen Kanälen^[1] — Letzteres ist Adobes Kanal-Zurechnung, keine bewiesene Wirkung der KI-Empfehlung. Und die Prozentzahlen wachsen von einem kleinen Ausgangswert: Gemessen an Suchmaschinen und Direktzugriffen ist die KI weiterhin ein Nebenkanal. Bemerkenswert ist nicht seine Grösse, sondern sein Tempo — und dass, wer über eine KI kommt, nicht zum Stöbern kommt, sondern mit einer vorsortierten Kaufabsicht.

1.2 · Selbst der Handel ist für die KI nur halb lesbar

Dieselbe Adobe-Messreihe prüft seit 2026, welchen Anteil der Inhalte einer Handelswebsite ein KI-System überhaupt auswerten kann. Das Ergebnis ist ernüchternd — selbst die beste Kategorie erreicht 63 %^[1]:

Wenn schon Elektronik- und Lebensmittelhändler mit eigenen Digitalabteilungen an der Maschinenlesbarkeit scheitern, ist wenig dafür zu erwarten, dass es kleine Weingüter besser machen. Belegt ist das damit nicht: Adobe misst US-Handelswebsites mit einem anderen Verfahren als unserem, und für Weingüter existierte bis dahin keine Messung. Genau diese Lücke schliesst Teil 2 — mit eigenen Daten, nicht mit einem Analogieschluss.

1.3 · Der Weinmarkt schrumpft — und die Gewinner ändern die Kundenansprache

Der «State of the US Wine Industry Report» der Silicon Valley Bank, seit 25 Jahren die Referenzstudie der Branche, beziffert den US-Weinmarkt 2025 auf rund 329 Millionen Kisten und 74,3 Milliarden Dollar — das vierte Jahr in Folge mit rückläufiger Menge (−2,0 %)^[2]. Die Betriebe, die trotzdem wachsen, «setzen nicht auf eine Rückkehr zur Normalität — sie verändern grundlegend, wie sie ihre Kunden ansprechen» (Rob McMillan, Report-Autor, sinngemäss übersetzt)^[2]. Dazu passt die Grössenordnung des Direktgeschäfts: Ein US-Weingut erzielte 2025 im Schnitt 68 % seines Umsatzes direkt ab Hof^[2] — der Kanal, dessen Auffindbarkeit ein Betrieb selbst in der Hand hat. Auch der ProWein Business Report 2026 (Hochschule Geisenheim, über 1 000 Fachleute aus mehr als 30 Ländern) stellt seine Ausgabe unter genau dieses Thema: Erfolgsstrategien in einem schwieriger werdenden Markt^[4].

1.4 · Die ehrliche Gegenzahl: Wein wird noch offline entdeckt

Damit diese Studie nicht denselben Fehler macht wie viele KI-Verkaufsunterlagen, gehört auch das hierher: Eine Befragung von über 1 000 Konsumenten (Chelsea Co., Juni 2026) zeigt, dass neue Getränke heute noch mehrheitlich im Laden (43 %) und über Freunde und Familie (42 %) entdeckt werden; nur rund jeder Zehnte nennt Online-Kanäle als ersten Weg. 75 % der über 55-Jährigen lehnen KI im Getränkemarketing grundsätzlich ab, und auch bei den 18- bis 34-Jährigen bevorzugen 60 % Kampagnen, die «menschlich» wirken^[3].

Die richtige Lesart beider Befunde zusammen: KI ist heute nicht der grösste Kanal der Weinentdeckung — sie ist der am schnellsten wachsende^[1]. Wer seine Website jetzt lesbar macht, tut es vor der Masse, nicht nach ihr. Und die Skepsis der Konsumenten betrifft KI als Absender von Marketing — nicht die stille Frage an einen Assistenten, welches Weingut man in einer Region besuchen soll. Genau diese Frage haben wir 2'052 Mal gestellt.

Hier ist die Antwort. Gezählt werden nur Betriebe, deren Website wir tatsächlich lesen konnten — eine Seite, die wir nicht erreichen, bekommt keinen Wert. Methode und sämtliche Einzelmessungen finden Sie am Ende der Seite.

Wie die Stichprobe zustande kam. Je Region haben wir die dort ansässigen Weingüter über öffentlich zugängliche Verzeichnisse und Websuche zusammengetragen und bis zu 60 Betriebe je Region aufgenommen. Es ist keine Zufallsstichprobe und keine Vollerhebung; grosse Regionen sind unterproportional abgebildet. Von 1'378 aufgenommenen Betrieben konnten wir 1'205 Websites tatsächlich abrufen — 173 (12.6 %) sind ausgeschlossen, weil unser Abruf scheiterte. Da darunter überdurchschnittlich viele technisch schwache Seiten sein dürften, sind die Lesbarkeitsanteile dieser Studie eher zu gut als zu schlecht.

2.1 · In Ihrer Region empfiehlt die KI drei Betriebe

Das ist der Befund, der am meisten Geld kostet. In 16 von 41 auswertbaren Regionen entfallen alle Nennungen, die auf gemessene Betriebe fallen, auf höchstens drei Häuser; in 6 dieser Regionen wird überhaupt nur ein einziger der gemessenen Betriebe je genannt. In 27 Regionen tragen die Top 3 mindestens 90 %. Gezählt wird dabei nur, was wir eindeutig einem Betrieb unseres Panels zuordnen konnten: KI-Antworten nennen daneben auch Weingüter, die nicht im Panel stehen oder dort unter abweichender Schreibweise geführt sind. Die Zahl misst also die Konzentration innerhalb der gemessenen Betriebe — eine Untergrenze für die Breite der Empfehlungen, keine Vollerhebung der Region. Am Kern ändert das nichts: Wer nicht zu den wenigen Genannten gehört, taucht in keiner unserer 2'052 gespeicherten Antworten auf — und anders als bei einer Suchmaschine gibt es keine zweite Seite, auf der man doch noch gefunden würde.

Basis dieser Auswertung: Gemessen wurden 57 Regionen. In den Konzentrationsteil gehen die 41 Regionen mit mindestens 10 lesbar gemessenen Betrieben und mindestens einer Nennung ein; die kleineren tragen keine Verteilungsaussage, und in einer weiteren Region wurde kein gemessener Betrieb genannt — dort gibt es keine Konzentration zu berichten, und eine 0 zu drucken würde «gleichmässig verteilt» heissen, das Gegenteil des Beobachteten.

2.2 · Lesbare Websites werden deutlich häufiger genannt

Zuerst die Grundrate: 204 von 1'205 Betrieben (16.9 %) werden überhaupt je genannt — 1'001 in keiner einzigen Antwort. Teilt man die Betriebe nach der Lesbarkeit ihrer Website in vier gleich grosse Gruppen, werden von den 25 % mit den am schwersten lesbaren Websites 13 % genannt, von den 25 % mit den lesbarsten 23.5 % — rund 80 Prozent mehr. Die Treppe dazwischen ist nicht sauber — das zweite Viertel liegt mit 12 % leicht unter dem ersten; so steht es in den Daten und so bleibt es hier stehen. Ein Teil dieses Abstands ist Ländermix: Im lesbarsten Viertel stehen dreimal so viele US-, spanische und argentinische Betriebe wie im schwächsten, und diese Länder haben ohnehin deutlich höhere Nennungsquoten. Rechnet man deshalb innerhalb jedes Landes, bleibt ein Abstand von 11.6 % auf 21.2 % — der Zusammenhang verschwindet nicht, er wird etwas kleiner. Er bleibt ein gemessener Zusammenhang, keine bewiesene Ursache: Ruf und Grösse eines Betriebs haben wir nicht erhoben und können sie nicht herausrechnen. Lesbarkeit öffnet die Tür; ob jemand hindurchgeht, entscheiden auch andere Dinge. Was sich sagen lässt: Unter den von uns gemessenen Eigenschaften ist sie die einzige, die ein Betrieb selbst herstellen kann — und 76.5 % der bestgebauten Websites werden trotzdem nie genannt.

Wo Ihr eigenes Weingut in dieser Verteilung steht, sehen Sie kostenlos — zum Angebot am Ende der Studie →

2.3 · Die Lücke: Fast niemand ist heute gut lesbar

Sprachmodelle stützen sich bei überprüfbaren Angaben — Adresse, Weine, Appellation, Öffnungszeiten — bevorzugt auf Quellen, die sie ohne Deutung übernehmen können. Genau dieser Teil — «strukturierte Daten», also die Angaben, die eine Maschine ohne Rätselraten übernehmen kann — fehlt in der Breite: 560 von 1'205 gemessenen Weingütern (46 %) haben keine nutzbaren strukturierten Daten. Für die lesbarste Gruppe aus 2.2 muss man also nicht gegen die Branche gewinnen — die meisten treten gar nicht an.

Noch grösser ist die Lücke bei der einen Datei, nach der KI-Systeme zuerst suchen: 983 von 1'205 Betrieben haben keine llms.txt. Sie zu schreiben dauert etwa eine Stunde, kostet nichts — und ist damit die einzige Massnahme dieser Studie, die ein Weingut noch heute selbst umsetzen kann.

2.4 · Wo die Weingüter am unsichtbarsten sind

Der Ländervergleich fällt anders aus, als es das Selbstbild der Branche erwarten lässt. Frankreich hat unter den belastbar gemessenen Ländern den niedrigsten Anteil genannter Betriebe: 10 % — bei 191 gemessenen Weingütern und damit der grössten Stichprobe dieser Studie. Schweiz liegt mit 11 % kaum darüber.

Länder unter 30 gemessenen Betrieben sind gekennzeichnet und tragen keine Aussage. Sie stehen in der Tabelle, weil sie wegzulassen die Auswahl zu unserer Aussage machen würde.

Wo stehen Sie?

Damit ist gemessen, wie es um die Branche steht. Jetzt zu Ihnen: Die Studie beschreibt vier Situationen, und Ihre eigene erkennen Sie an zwei Fragen — werden Sie in Antworten über Ihre Region genannt, und ist Ihre Website für ein KI-System lesbar? Die mit Abstand häufigste ist die erste Karte.

Drei Schritte, die jedes Weingut diese Woche gehen kann

1. robots.txt prüfen (5 Minuten, kostenlos). Öffnen Sie ihredomain.ch/robots.txt und suchen Sie nach GPTBot, ClaudeBot oder PerplexityBot mit «Disallow». Ein Bot-Schutz, der still alles abweist, sperrt die KI komplett aus.
2. llms.txt schreiben (etwa eine Stunde, kostenlos). Wenige Zeilen, die einem KI-System sagen, was auf Ihrer Website steht. 983 von 1'205 gemessenen Betrieben haben keine — es ist der einfachste Weg, zur lesbaren Minderheit zu gehören.
3. Strukturierte Daten nachrüsten (der grössere Schritt). Adresse, Öffnungszeiten, Weine und Appellation als schema.org-Daten — der Teil einer Website, den eine Maschine ohne Deutung übernehmen kann, und heute bei 46 % der Betriebe schlicht nicht vorhanden (Abbildung 4). Hier beginnt Arbeit, die man vergeben kann.

Methode der eigenen Messung

• Was gefragt wurde. Je Region derselbe Katalog aus zwölf Fragen in der Sprache ihrer Käufer — welche Weingüter man kennen sollte, welche sich für eine Degustation lohnen, wo man direkt ab Hof kaufen kann. Regionale Fragen, weil nationale Fragen einen 12-Hektar-Betrieb nie erreichen. Der vollständige Katalog steht in jeder Panel-Datei.
• Wer geantwortet hat. ChatGPT, Claude, Gemini, je Frage ein Durchlauf — 36 Antworten pro Region, 2'052 insgesamt, jede im Wortlaut gespeichert. Sprachmodelle antworten nicht deterministisch: Ein zweiter Durchlauf am selben Tag ergäbe leicht andere Nennungen. Für Aussagen über einzelne Betriebe wäre das zu wenig; für Verteilungen über 1'205 Betriebe trägt es. Ein einzelnes Modell zählt bei uns nicht als Befund.
• Wie gezählt wurde. Ein Betrieb gilt als genannt, wenn sein Name in der gespeicherten Antwort steht. Namensbestandteile, die zwei Betriebe derselben Region teilen, werden verworfen — es sind Ortsnamen, keine Betriebe.
• Was nicht gezählt wurde. Websites, die wir nicht lesen konnten. Ihr Wert wäre eine Aussage über unseren Abruf, nicht über das Weingut.
• Was diese Studie nicht behauptet. Dass sich Nennungen durch eine einzelne Massnahme herbeiführen lassen. Ob eine Massnahme die Nennungen verändert, misst man mit einer zweiten Messung nach einigen Monaten; eine offene Fallstudie dazu läuft, und bis Zahlen vorliegen, steht hier nichts darüber.

Was diese Studie nicht leisten kann

• Keine Zufallsstichprobe. Die 1'205 Betriebe wurden nicht gezogen, sondern zusammengetragen; sie repräsentieren ihre Regionen nicht proportional. Die Schweiz stellt mit 397 Betrieben rund ein Drittel des Panels — jede über alle Länder gepoolte Zahl ist entsprechend schweizlastig.
• Keine Kausalität. Wir vergleichen Betriebe zu einem Zeitpunkt. Dass eine bessere Website zu mehr Nennungen führt, folgt daraus nicht; belegen liesse sich das nur mit einer zweiten Messung nach einer Veränderung.
• Eine Momentaufnahme. Alle Messungen stammen aus wenigen Tagen Ende Juli 2026, je Frage aus einem Durchlauf. Modelle ändern sich, Antworten schwanken.
• Untergrenze statt Vollerhebung. Gezählt werden nur Nennungen, die wir einem Betrieb unseres Panels eindeutig zuordnen konnten. Nennungen ausserhalb des Panels und abweichende Schreibweisen fehlen; die tatsächliche Nennungsbreite liegt eher höher als hier ausgewiesen.
• Fremde Zahlen sind fremde Zahlen. Adobe misst US-Handelswebsites, die Silicon Valley Bank den US-Weinmarkt, Chelsea Co. Konsumenten. Keine dieser Quellen misst Weingüter im deutschsprachigen Raum — sie ordnen ein, sie belegen unsere Befunde nicht.
• Wer das veröffentlicht. Die Operal AG verkauft Weingütern Leistungen zur KI-Lesbarkeit. Deshalb liegt das Verfahren offen und ist jede Zahl aus den Messdateien nachrechenbar.

Quellen (extern, alle 2026 erschienen)

1. Adobe Analytics / Digital Commerce 360: «AI-referred traffic to retail sites doubles in a year», 17. Juni 2026. digitalcommerce360.com — Adobe Analytics, über 1 Billion Besuche auf US-Handelswebsites.
2. Silicon Valley Bank: «State of the US Wine Industry Report 2026 (25. Ausgabe)», 15. Januar 2026. svb.com — Jährlicher Branchenreport; DTC-Zahl gemäss Berichterstattung von VinePair (15.01.2026).
3. Chelsea Co. (Barcelona), via wein.plus: «Marketing-Studie zu Kaufentscheidungen bei Wein und KI-Akzeptanz», 17. Juni 2026. magazine.wein.plus — Befragung von über 1 000 erwachsenen Konsumenten alkoholischer Getränke.
4. ProWein / Hochschule Geisenheim: «ProWein Business Report 2026», 06. Februar 2026. prowein.com — Befragung von über 1 000 Fachleuten aus mehr als 30 Ländern, Spätherbst 2025.

Alle eigenen Messungen, aus denen diese Studie besteht

So zitieren Sie diese Studie: Operal AG (2026): «Die Drei-Betriebe-Regel — KI-Sichtbarkeit von Weingütern», Marktstudie AI4Wineries, Version 1.0, Stand 30. Juli 2026. 1'205 Weingüter in 57 Regionen und 8 Ländern, 2'052 gespeicherte Antworten von ChatGPT, Claude, Gemini. Messverfahren: AIRI Open Specification v1.0. Abrufbar unter ai4wineries.operal.tech/de/studie. Text und Daten stehen unter CC BY 4.0 — Weiterverwendung mit Quellenangabe ausdrücklich erwünscht.

Herausgeber und verantwortlich: Operal AG, Zug. Die Studie wird von einem Unternehmen veröffentlicht, das Weingütern Leistungen zur KI-Lesbarkeit verkauft. Deshalb liegt das Verfahren offen, sind alle Antworten gespeichert, ist jede eigene Zahl aus den Messdateien reproduzierbar und jede fremde Zahl mit Erscheinungsdatum und Link belegt.