Die Frage "Wie empfiehlt ChatGPT Restaurants?" war einst theoretisch — 2026 ist sie operativ. Gäste fragen Chatbots nach Freitagabend-Empfehlungen und erhalten echte Listen. Wer fehlt, verliert Kunden, ohne es zu merken. Hier lesen Sie, wie LLM-Discovery funktioniert und was zu tun ist.
Quellen der LLMs
Zwei Kanäle: Training-Scraping (Common Crawl, öffentliche Blogs) und Laufzeit-Webabruf (Live-Bing/Google). Trainingsdaten ändern sich langsam; Laufzeit ist sofort.
Warum Schema.org
Eine Seite mit schema.org/Restaurant-Markup wird 3-5× genauer gelesen. Felder: name, address, telephone, servesCuisine, priceRange, openingHoursSpecification, hasMenu, aggregateRating.
Praktische Schritte
1. JSON-LD in <head> (thMenu generiert automatisch).
2. Google Business Profil vollständig.
3. Menü als HTML/Markdown, nie PDF.
4. Bewertungen via aggregateRating mappen.
Häufige Fehler
Client-side gerenderte Menüs (JS-only) sind unsichtbar. SSR ist Pflicht. In robots.txt GPTBot, PerplexityBot, ClaudeBot zulassen.
Neue SEO-Ära
Google ist nicht mehr allein. LLM-Discovery dürfte 35%+ der Reise- und Esserfragen übernehmen. Monatlich Test: "Was sagt ChatGPT über mein Restaurant?"
Hilfreich? Teilen Sie es.
Verwandte Artikel
Statischer QR vs. dynamischer QR: 3-Jahres-Gesamtkostenvergleich
Ein 24-Tisch-Bistro rechnet vor: 21.000 TRY für Nachdrucke vs. 11.640 TRY für dy…
Omotenashi trifft QR: Japanische Gastfreundschaft ohne Verlust der Menschlichkeit
Warum Tokios Sukiyabashi Jiro QR-Menüs ablehnt, während 68% der mittleren Izakay…
AR-Essensvorschau via WebXR: Browser-basiertes 3D ohne App
Wie Dishoom Soho mit model-viewer 22% höhere Bestellsummen erzielte. Sub-200KB .…