LUSINI im Spiegel generativer KI-Systeme.

Ein weltklasse Katalog, den ausgerechnet ChatGPT nicht lesen darf.

LUSINI ist kommerziell stark (50.000+ Artikel, fünf Eigenmarken, tausende echte Bewertungen, ein umfangreicher deutscher Wikipedia-Artikel), aber diese Substanz wird von wenigen, hebelstarken Struktur-Defekten zunichtegemacht. Das grundlegendste Problem sitzt ganz vorne in der Pipeline: der Shop ist für KI-Crawler gesperrt.

Methode: 15 Kaufentscheider-Prompts (unbranded und branded) in 6 Sprachmärkten per API an drei Mainstream-Modelle (GPT-5.5, Claude Sonnet 4.6, Gemini 2.5 Flash), 540 Antworten aus zwei unabhängigen Messläufen (Reproduzierbarkeit 98 %, temperature = 0), plus direktes Crawling / Triangulation für Technik-, Struktur- und Entitäts-Befunde (der Live-Shop ist Cloudflare-geblockt, daher über robots.txt, Corporate-Site, Wikidata und Suche trianguliert).

Reifegrad je Hebel.

Das Y1-Periodensystem ordnet die Stellhebel der KI-Sichtbarkeit den vier Pipeline-Stufen zu, jedes Element nach LUSINIs Reifegrad eingefärbt. Das Muster ist ungewöhnlich: fast nichts ist gesichert „stark", ein breites orangenes Band (weil der weltklasse Katalog vorhanden, aber hinter dem Block maschinell nicht verifizierbar ist) und neun harte Schwächen, konzentriert auf die Fundamente: selektiver Crawler-Zugang, Entitätsgraph, llms.txt, Zitierfähigkeit.

Was die Färbung trägt (Evidenz)

Kern-Ironie: LUSINIs 50.000-Artikel-Katalog und die redaktionellen Ratgeber (Küchenbrigade-Glossar, Material-Kaufberatung) sind inhaltlich stark, bleiben aber für OpenAIs GPTBot, Perplexity und CommonCrawl hinter der Cloudflare-Challenge, während ClaudeBot und Google-Extended durchkommen. Ausgerechnet die größte KI-Antwortfläche (ChatGPT) sieht den Katalog nicht. Die Sichtbarkeit scheitert am Edge, nicht am Content.

Wo LUSINI auftaucht, und wo nicht.

Aus 540 Antworten (zwei Messläufe), getrennt in unbranded (432 neutrale Kaufberatungs-Antworten, misst Entdeckung) und branded (108 Antworten, wo eine LUSINI-Marke im Prompt steht). Wichtig zur Interpretation: bei zwei der drei branded-Prompts steht „LUSINI" bereits in der Frage, das Modell wiederholt den Namen also zwangsläufig. Diese branded-Nennung ist ein Name-Echo, kein Sichtbarkeits-Signal. Für eine Dachmarke mit noch geringer Bekanntheit ist unbranded die entscheidende KPI: wer LUSINI nicht kennt, tippt es auch nicht ein.

LUSINI-Nennung nach Prompt-Typ

Bewusst nicht abgebildet: die zwei branded-Prompts, die „LUSINI" selbst nennen (l03, l12). Dort wiederholt das Modell den vorgegebenen Namen per Konstruktion zu ~100 % (72/72), ein tautologisches Echo, kein Sichtbarkeitswert. Der einzig aussagekräftige branded-Prompt fragt nach der Sub-Marke VEGA und verknüpft sie nur zu 11 % mit LUSINI, ein Beleg für die maschinell unlesbare Markenarchitektur. Belastbar als Sichtbarkeit bleibt allein unbranded.

Eigenmarken-Sichtbarkeit (unbranded)

Auch organisch (unbranded) wird die Sub-Marke VEGA (16 %) häufiger genannt als die Dachmarke LUSINI (10 %). Die bekannteste Einheit im Portfolio ist nicht der Absender, sondern eine seiner Marken, ein Awareness-Defizit der jungen Dachmarke.

Wettbewerber · Share of Voice in der Kaufberatung (unbranded), sortiert

Nur die neutrale Kaufberatung (unbranded) erlaubt einen fairen Wettbewerbsvergleich, hier konkurrieren alle Anbieter zur selben offenen Frage. Eine branded-Spalte zeigen wir bewusst nicht: die branded-Prompts drehen sich um LUSINI/VEGA und verzerren jedes Wettbewerber-Signal, Amazon und Metro erscheinen dort mit 0 %, nur weil die LUSINI-zentrierten Fragen sie nicht einladen, GGM und GastroHero mit 33 %, nur weil ein Vergleichs-Prompt sie namentlich nennt.

Discovery-Heatmap · LUSINI unaufgefordert genannt (unbranded), Modell × Sprache

Helleres Pink = häufiger unaufgefordert genannt (gepoolt über 2 Messläufe, n=24 je Zelle). Die Discovery lebt fast nur im deutschen Heimmarkt und fast nur bei OpenAI (DE 71 %). Google zeigt LUSINI nur auf Deutsch (42 %), sonst nie; Anthropic nennt es in keiner Sprache unaufgefordert. International (ohne DE) landet LUSINI bei 4 %. Die Discovery-Lücke ist also robust und modell- wie sprachübergreifend, nicht der Effekt eines einzelnen Modells.

KI-Faktencheck · wird LUSINI korrekt dargestellt?

Getrennt von der Sichtbarkeit: wenn ein Modell LUSINI überhaupt bespricht (145 Antworten), wie korrekt und wohlwollend ist das Bild? Bewertet von zwei unabhängigen KI-Judges (GPT-5.5 und Claude Sonnet) gegen die Audit-Fakten. Der Ton ist fast durchweg positiv, die Modelle empfehlen LUSINI, wenn sie es kennen. Das Problem sind die Fakten.

Beide Judges sind sich über die Rangfolge einig: Google weitaus am fehleranfälligsten, dann Anthropic, OpenAI am saubersten. Die Spannen (untere Grenze = beide Judges einig, obere = strengerer Judge; Judge-Übereinstimmung 61 %) heißen: die absoluten Werte sind Näherungen, die Rangfolge ist belastbar. Wichtig: das sind keine Meinungen, sondern falsche Fakten, und sie treffen genau die im Audit benannten Schwächen, veralteter Wikidata-Eintrag, Nachnamen-Kollision, unlesbare Markenarchitektur. Die Entity-Maßnahmen (Paket 2 + 3) korrigieren damit nicht nur die Sichtbarkeit, sondern auch dieses Bild. (Hinweis: OpenAI bespricht LUSINI oft freiwillig und kennt es, Google und Anthropic fast nur, wenn der Prompt den Namen vorgibt, und raten dann.)

Von der Diagnose zu Hebeln.

Priorisiert nach Fundamentalität: die Pakete setzen an den 9 schwachen Elementen und den wichtigsten der 21 teilweisen an. Der mit Abstand grundlegendste Hebel steht bewusst zuerst, denn ohne Crawler-Zugang für OpenAI, Perplexity und CommonCrawl wirkt kein anderer, auch nicht der beste Content.