Studie: KI-Sichtbarkeit österreichischer Hotels am niedrigsten

Eine Untersuchung der niederösterreichischen Agentur maxonline hat 515 Vier- und Fünf-Sterne-Hotels in Deutschland, Österreich und der Schweiz auf ihre Sichtbarkeit bei KI-Systemen geprüft. Demnach erscheinen österreichische Häuser in Antworten von Systemen wie ChatGPT, Gemini oder Perplexity seltener als Häuser der Nachbarländer.

Im Ländervergleich erreicht Österreich laut Studie durchschnittlich 9,6 von 100 möglichen Punkten; Deutschland kommt auf 11,2 Punkte, die Schweiz auf 14,3 Punkte. In die Untersuchung flossen 172 österreichische Häuser ein.

Studie: Sichtbarkeit von 515 Vier- und Fünf-Sterne-Hotels im DACH-Raum

Die Analyse umfasst 515 Domains von Vier- und Fünf-Sterne-Hotels in Deutschland, Österreich und der Schweiz. Von diesen 515 analysierten Domains entfallen 472 auf privat geführte Einzelhäuser und 43 auf Ketten- und Mehrhausbetriebe. Der Titel der Studie weist zudem darauf hin, dass Ketten dreimal häufiger empfohlen werden als privat geführte Häuser.

Die Studie stellt länderspezifische Durchschnittswerte gegenüber: Österreich 9,6 Punkte, Deutschland 11,2 Punkte, Schweiz 14,3 Punkte. Diese Werte bilden den zentralen Vergleichsrahmen der Untersuchung und werden in der Studie als orientierende Kennzahlen präsentiert. Die Studie benennt die Aggregatwerte ausdrücklich als branchenweite Muster und nicht als Bewertungen einzelner Betriebe.

Kennen ist nicht empfehlen

Die Auswertung unterscheidet zwischen dem reinen Erkennen eines Hauses bei namentlicher Nachfrage und der Empfehlung eines Hauses bei generischer Nachfrage ohne Markenbezug. Nach Angaben der Studie ist bei namentlicher Nachfrage die Kenntnis eines Hotels durch KI-Systeme beinahe durchgängig gegeben; entscheidend für die Analyse war jedoch, ob ein KI-System ein Haus namentlich empfiehlt, wenn ein Gast ohne Markennamen nach einer Unterkunft für eine Region oder einen Anlass fragt.

Alle Anfragen mit Markenbezug wurden aus der Auswertung ausgeschlossen. Harald Fischl, Geschäftsführer von maxonline, wird in der Studie mit der Feststellung zitiert: "Genau in dieser Situation entstehen neue Gäste". In einem weiteren wörtlichen Satz heißt es: “Der Gast kennt das Haus ja noch nicht. Er fragt nach einem Wanderurlaub mit Hund oder einem Wellnesswochenende — und bekommt drei bis fünf Namen genannt. Wer da nicht dabei ist, wird nicht schlechter bewertet. Er kommt gar nicht erst vor.”

Die Studie fokussiert damit auf die Empfehlungsphase in der Reiseentscheidung — also auf Antworten, die KI-Systeme generisch zur Region oder zum Anlass liefern. Die Herausnahme markenbezogener Anfragen soll laut Studie die Analyse auf diese konkrete Situation konzentrieren.

Sterne und Lage helfen laut Studie kaum

Die Studie nennt konkrete Werte für die Sternekategorien: Fünf-Sterne-Häuser erreichen demnach 12,9 Punkte, Vier-Sterne-Häuser 10,7 Punkte. Beide Werte liegen nach Aussage der Untersuchung deutlich unter der Schwelle, ab der KI-Systeme verlässlich empfehlen.

Auch bekannte Destinationen schützen laut Studie nicht automatisch vor niedriger Sichtbarkeit. Innerhalb Österreichs liegt Graz mit 15,5 Punkten vorn; die Wachau kommt auf 7,1 Punkte, Kärnten auf 4,4 Punkte, Lech am Arlberg auf 8,5 Punkte. Branchenweit liegen 93 Prozent aller untersuchten Häuser unter 20 Punkten, und 28 Betriebe erreichen den Wert null, darunter nach Angaben der Studie auch Fünf-Sterne-Häuser in international bekannten Regionen.

Wie maxonline und Semrush in der Untersuchung zusammenwirken

Die Untersuchung wurde von maxonline erstellt; als Datengrundlage dienten modellierte Sichtbarkeitswerte aus der AI-Visibility-Datenbank von Semrush. Die Studie beschreibt damit einen Analyseablauf, bei dem eine Agentur die Ergebnisse einer externen Datenbank auswertet und interpretiert.

Semrush wird in der Studie als Anbieter der AI-Visibility-Datenbank genannt; die Datenbank umfasst laut Studie über 289 Millionen reale Nutzeranfragen an KI-Systeme. Die Studie betont, dass die Sichtbarkeitswerte modellbasiert sind und als richtungsweisend zu verstehen sind, nicht als exakte Messung einzelner Betriebe.

AI-Visibility, Semrush und die genannten KI-Systeme erklärt

AI-Visibility-Datenbank: In der Studie wird die AI-Visibility-Datenbank von Semrush als Grundlage genannt. Die Datenbank fasst nach Angaben der Untersuchung mehr als 289 Millionen reale Nutzeranfragen an KI-Systeme zusammen; diese Abdeckung dient der Studie als Datengrundlage zur Ermittlung von Sichtbarkeitswerten.

Semrush: Semrush wird in der Studie als Anbieter der genannten Datenbank benannt. Die Studie verwendet die von Semrush bereitgestellten modellbasierten Sichtbarkeitswerte als Basis für die Auswertungen, wobei die Studie transparent auf die modellierte Natur der Werte hinweist.

ChatGPT, Gemini, Perplexity und Google AI Overviews: Diese vier Systeme werden in der Studie als Quellen der erhobenen Nutzeranfragen genannt. Die Untersuchung wertet reale Anfragen aus diesen KI-Systemen zur Ermittlung von Empfehlungswahrscheinlichkeiten aus; die Studie nennt diese Quellen als zentrale Bestandteile der Datenerhebung.

Sichtbarkeitswerte (modellbasiert): Die Studie weist darauf hin, dass die Sichtbarkeitswerte modellbasiert sind. Das bedeutet laut Studie, dass die Werte als richtungsweisend zu verstehen sind und nicht als exakte Messung einzelner Betriebe; diese Einschränkung ist in der Studie offengelegt und Teil der methodischen Erklärung.

Privat geführte Einzelhäuser vs. Ketten- und Mehrhausbetriebe: Die Studie teilt die Stichprobe nach Eigentums- und Betriebsformen auf und nennt die absolute Verteilung: 472 Domains sind privat geführten Einzelhäusern zugeordnet, 43 Domains entfallen auf Ketten- und Mehrhausbetriebe. Der Titel der Studie hebt hervor, dass Ketten dreimal häufiger empfohlen werden als privat geführte Häuser.

Offenlegung: Branchenmuster, keine Einzelbewertung

Die Studie nennt kein Hotel namentlich und legt nach eigenen Angaben den Fokus auf ein Branchenmuster statt auf die Leistung einzelner Häuser. Damit betont die Untersuchung ihren aggregierten Ansatz und die Vermeidung von Einzelkritik.

Die in der Studie verwendeten Werte sind modellbasiert und auf Basis von Nutzeranfragen an vier KI-Systeme ermittelt worden. Die Studie benennt die verwendete Datenbank und die Zahl der zugrundeliegenden Anfragen als zentrale methodische Eckpunkte und weist auf den Interpretationsrahmen der Ergebnisse hin.

Was die Studie für Hotels aussagt

Die Studie dokumentiert laut Aussendung, dass die überwiegende Zahl der untersuchten Vier- und Fünf-Sterne-Hotels in der Auswertung niedrige Sichtbarkeitswerte aufweist: 93 Prozent der Häuser liegen unter 20 Punkten und 28 Betriebe erreichen den Wert null. Die Zahlen werden in der Studie als sektorale Übersicht präsentiert.

Die Studie stellt weiterhin heraus, dass Ketten und Mehrhausbetriebe im Datensatz häufiger in Empfehlungen auftauchen als privat geführte Einzelhäuser. Konkret zeigt die Stichprobenverteilung 472 Einzelhäuser gegenüber 43 Ketten- beziehungsweise Mehrhaus-Domains.

FAQ zur Studie

Wie viele Hotels wurden insgesamt untersucht?

Die Studie analysiert 515 Vier- und Fünf-Sterne-Hotels im DACH-Raum. Von diesen entfallen 172 Häuser auf Österreich; der Rest verteilt sich auf Deutschland und die Schweiz, wobei die Studie die aggregierten Ergebnisse ohne Nennung einzelner Betriebe darstellt.

Welche Rolle spielen Markenanfragen in der Auswertung?

Markenbezogene Anfragen wurden aus der Auswertung entfernt. Ausgewertet wurde einzig, ob ein KI-System ein Haus empfiehlt, wenn ein Gast ohne Markennamen nach einer Unterkunft für eine Region oder einen Anlass fragt, weil die Studie laut Aussendung gerade diese Situation als relevant für Neukundengewinnung betrachtet.

Welche Datenbasis wurde verwendet?

Als Datengrundlage nennt die Studie die AI-Visibility-Datenbank von Semrush mit über 289 Millionen realen Nutzeranfragen, erhoben über ChatGPT, Gemini, Perplexity und Google AI Overviews. Die Studie beschreibt die Sichtbarkeitswerte als modellbasiert und richtungsweisend.

Wurden einzelne Hotels genannt oder bewertet?

Die Studie nennt kein Hotel namentlich; untersucht wurde laut Aussendung ein Branchenmuster, nicht die Leistung einzelner Häuser. Die Untersuchung zielt demnach auf aggregierte Aussagen statt auf die Bewertung einzelner Betriebe.

Wie verteilen sich die Domains auf Einzelhäuser und Ketten?

Von den 515 analysierten Domains entfallen 472 auf privat geführte Einzelhäuser und 43 auf Ketten- und Mehrhausbetriebe. Der Untertitel der Studie weist explizit darauf hin, dass Ketten dreimal häufiger empfohlen werden als privat geführte Häuser.

Wo ist die vollständige Studie verfügbar?

Die vollständige Studie mit allen Auswertungen und Grafiken ist laut Aussendung frei zugänglich unter der in der Meldung genannten URL der Agentur.

Quellen und Kontakt

Quelle der Untersuchung: maxonline Marketing hfw GesmbH; Datengrundlage: AI-Visibility-Datenbank von Semrush mit über 289 Millionen realen Nutzeranfragen an KI-Systeme, erhoben über ChatGPT, Gemini, Perplexity und Google AI Overviews. Die Studie selbst ist unter der in der Aussendung angegebenen URL frei zugänglich: https://max-online.at/studien/geo-hotellerie-2026/

Kontakt: maxonline Marketing hfw GmbH, Harald Fischl, Telefon: 067761156737, E-Mail: harald.fischl[at]max-online.at, Website: https://max-online.at