Beeinflussen Google-Bewertungen wirklich die Restaurant-Empfehlungen von KI-Systemen?

TLDR: Keine KI-Firma veröffentlicht eine Formel dafür, wie Bewertungen in eine generierte Restaurantempfehlung einfließen. Behandeln Sie jede konkrete Gewichtungsangabe, die Sie online lesen, deshalb mit echtem Misstrauen. Die beste verfügbare Evidenz zeigt: Die Anzahl der Bewertungen hängt locker damit zusammen, ob eine KI ein Restaurant überhaupt empfiehlt. Die Sternebewertung hängt eher damit zusammen, welches bereits empfohlene Restaurant zuerst genannt wird. Andere Signale, etwa eine funktionierende eigene Website und korrekte Eintragsdaten, maßen in der einen Studie, die das direkt verglichen hat, mindestens ebenso stark. Bewertungen gehören in den laufenden Betrieb. Sie sind nicht der eine Hebel, auf den man ein Budget setzen sollte.

Eine Marketingverantwortliche einer Restaurantgruppe stellt vor der nächsten Investition in Bewertungsarbeit eine berechtigte Frage: Bewegt das überhaupt, ob ChatGPT, Gemini oder Perplexity das eigene Restaurant nennen, oder jagt man nur einer Zahl nach, weil alle sagen, sie sei wichtig?

Bewertungen stehen zwischen zwei Extremen. Sie sind nicht bedeutungslos, und sie sind auch nicht der entscheidende Hebel. Im Folgenden: was geprüfte Evidenz tatsächlich zeigt, wo Bewertungen im Vergleich zu anderen Signalen stehen, und was das für die nächste Investitionsentscheidung einer Gruppe in Deutschland bedeutet.

Was sagen die KI-Anbieter selbst zur Gewichtung von Bewertungen?

Zuerst die Angaben der Anbieter selbst. OpenAIs eigenes Hilfe-Center beschreibt die Websuche von ChatGPT als Rangfolge nach "mehreren Faktoren, die Nutzern helfen sollen, relevante, verlässliche Informationen zu finden", ohne die Formel zu veröffentlichen, und hält fest, dass eine Platzierung nie garantiert ist. Googles Anleitung zum Erscheinen in AI Overviews und im KI-Modus geht weiter: Dort steht, es gebe "keine zusätzlichen Anforderungen, um in AI Overviews oder im KI-Modus zu erscheinen, noch andere besondere Optimierungen", über die üblichen Voraussetzungen für die normale Google-Suche hinaus. Keine der beiden Seiten nennt eine Bewertungsgewichtung für die KI-generierten Antworten.

Das ist eine wichtige Lücke. Googles eigene Anleitung zum lokalen Ranking sagt ausdrücklich, "mehr Bewertungen und positive Ratings können dem lokalen Ranking Ihres Unternehmens helfen", und dass Prominenz unter anderem "darauf basiert, wie viele Websites auf Ihr Unternehmen verlinken und wie viele Bewertungen Sie haben". Diese Aussage betrifft Googles klassisches lokales Paket und Maps-Ranking. Sie ist nicht bestätigt als derselbe Mechanismus, den ein Chatbot nutzt, um eine generierte Antwort zu formulieren. Beides gleichzusetzen ist genau die Überschätzung, die diese Frage nahelegt, und die Evidenz trägt das nicht.

Was fanden zwei Studien aus 2026, als sie tatsächlich nachprüften?

Aussagen der Anbieter reichen nur begrenzt weit. Zwei Studien aus 2026 haben die Frage deshalb direkt zu messen versucht, statt nur Absichten zu beschreiben.

Eine akademische Vorab-Veröffentlichung von August 2026, Invisible to the Machine, prüfte 4.776 Gastronomiebetriebe gegen eine vollständige Marktzählung in zwei Märkten und erfasste dabei 2.208 Empfehlungen von ChatGPT, Claude, Gemini und Perplexity auf 96 Suchanfragen. Die Studie fand: Mehr Bewertungen erhöhten die Chance, überhaupt empfohlen zu werden. Die Sternebewertung zeigte für die Aufnahme in die Empfehlungsliste keinen vergleichbaren Zusammenhang. Erst wenn ein Lokal bereits empfohlen wurde, half die Bewertung dabei vorherzusagen, welches Lokal zuerst genannt wurde. Rund 86 % der untersuchten Betriebe wurden von keinem der vier Systeme je empfohlen, und fast drei Viertel der Betriebe mit 50 oder mehr Bewertungen blieben trotzdem unsichtbar.

Wichtig für deutsche Leser: Diese Studie untersuchte zwei Märkte auf Bali, Indonesien, nicht Deutschland, die USA oder Großbritannien. Es ist eine einzelne Untersuchung mit einem bestimmten Marktausschnitt, keine belegte, überall gültige Regel.

Eine getrennte Studie von Juni 2026, durchgeführt vom lokalen SEO-Anbieter Local Falcon, prüfte 10.000 Restaurants in den USA und fand: 74,9 % blieben in Googles KI-generierten Empfehlungen unsichtbar, gegenüber 19,6 % Unsichtbarkeit in Google Maps für dieselben Restaurants. Restaurants mit über 1.000 Bewertungen wurden trotzdem in 70,9 % der Fälle aus KI-Empfehlungen ausgeschlossen. Diese Studie stammt von einem Anbieter und ist ausdrücklich korrelativ, nicht kausal, zeigt aber dieselbe Richtung wie die unabhängige akademische Prüfung: Eine hohe Bewertungsanzahl allein sichert einem Restaurant keinen verlässlichen Platz in einer KI-generierten Antwort, weder in Indonesien noch in den USA.

Wichtig ist, was keine der beiden Studien behauptet. Keine zeigt, dass mehr Bewertungen eine Empfehlung verursachen, und keine widerlegt, dass Bewertungen überhaupt eine Rolle spielen. Beide zeigen: Das Bewertungssignal allein ist ein schwacher, uneinheitlicher Prädiktor, neben anderen Signalen, die diese Frage üblicherweise gar nicht mit betrachtet.

Wo stehen Bewertungen im Vergleich zu anderen Signalen?

Die Bali-Studie ist die einzige der beiden, die mehrere Signale mit derselben Methode gleichzeitig gemessen hat. Behandeln Sie den Vergleich unten deshalb als Evidenz aus einer Studie, nicht als allgemeingültige Rangfolge. Er beantwortet trotzdem die eigentliche Frage: Bewertungen stehen nicht allein im Wettbewerb.

Eintragsgenauigkeit spielt eine Rolle, die reine Kennzahlen übersehen. Dieselbe Vorab-Veröffentlichung fand dauerhaft geschlossene Betriebe, die im Studienzeitraum 93-mal trotzdem empfohlen wurden, ein Problem veralteter Daten, kein Bewertungsproblem: Die Eintragsdaten des Lokals hatten mit der Realität nicht Schritt gehalten. Eine Gruppe mit korrekten, aktuellen strukturierten Daten für jeden Standort schützt sich gegen eine andere Fehlerquelle als die, die Bewertungsarbeit adressiert. Bemerkenswert: Googles eigene Anleitung zu strukturierten Daten für Bewertungen beschreibt dieses Markup ausschließlich für klassische Rich Snippets und Knowledge Panels und erwähnt AI Overviews, den KI-Modus oder andere generative Funktionen nicht, ein weiteres Beispiel für einen gut dokumentierten Mechanismus, der nicht bestätigt derselbe ist wie der hinter einer generierten Antwort.

Presseerwähnungen und externe Nennungen verhalten sich in einem Punkt ähnlich wie Bewertungen: Beide sind Formen davon, dass andere über das Restaurant sprechen, statt die eigene Werbung. Das erklärt vermutlich, warum beide in der Studie oben einen messbaren, moderaten Zusammenhang zeigten. Keines der beiden Signale dominierte den Vergleich.

Was bedeutet das für die Prioritäten einer Restaurantgruppe?

Bewertungsarbeit bleibt Teil des laufenden Betriebs. Sie beeinflusst weiterhin reale Gäste: Eine Studie der Harvard Business School zu Seattle-Restaurants von 2003 bis 2009 fand, dass ein Anstieg der Yelp-Bewertung um einen Stern mit 5 bis 9 % mehr Umsatz verbunden war, besonders bei unabhängigen Restaurants, kaum bei Ketten. Das ist eine US-Studie über menschliche Leser, die auf Yelp reagieren, keine Evidenz darüber, wie ein KI-Modell eine Empfehlung gewichtet, und beides sollte nicht gleichgesetzt werden. Es bleibt aber ein echter Grund, aktiv um ehrliche Bewertungen zu bitten, unabhängig von jeder Frage zur KI-Sichtbarkeit.

Was sich ändert, ist die Reihenfolge der Prioritäten. Wenn eine Gruppe entscheidet, wo die nächste Arbeitsstunde hingeht, legt die Evidenz oben drei praktische Schritte nahe, in dieser Reihenfolge:

• Eine fehlende oder defekte Website zuerst reparieren, bevor weitere hundert Bewertungen gesammelt werden. Das war das stärkste einzeln gemessene Signal in der einen Studie, die mehrere Signale direkt verglichen hat.
• Standortdaten (Öffnungszeiten, Adresse, Speisekarte, ob der Standort noch geöffnet hat) auf allen Plattformen aktuell halten. Dieselbe Studie fand dauerhaft geschlossene Betriebe, die trotzdem empfohlen wurden, ein Problem veralteter Daten, kein Bewertungsproblem.
• Bewertungen als einen von mehreren laufend gepflegten Faktoren behandeln, nicht als den einen kurzfristig zu optimierenden Faktor. Ein plötzlicher Anstieg sieht genau wie das Muster aus, nach dem Aufsichtsbehörden bei Anreiz-Bewertungen suchen.

Für die operative Seite eines fairen, einheitlichen Bewertungsprozesses über mehrere Standorte hinweg erklärt unser Leitfaden zum Bewertungsmanagement für Gruppen mit mehreren Standorten die praktischen Schritte, einschließlich derselben Grenzen bei der Kausalitätsfrage. Lesen Sie ihn für das Wie. Klären Sie zuerst, ob die zugrunde liegende Annahme überhaupt trägt, bevor Sie mehr Budget investieren.

Es gibt auch einen rechtlichen Grund, Bewertungsarbeit ehrlich statt aggressiv zu betreiben. Echte, korrekt eingeholte Bewertungen sind in Deutschland nicht nur gute Praxis, sondern gesetzliche Pflicht. Der Anhang zu § 3 Absatz 3 UWG untersagt in Nr. 23b die Behauptung, Bewertungen stammten von Verbrauchern, die eine Ware oder Dienstleistung tatsächlich erworben oder genutzt haben, ohne angemessene und verhältnismäßige Prüfmaßnahmen, und in Nr. 23c die Übermittlung, Beauftragung oder falsche Darstellung gefälschter Verbraucherbewertungen zu Zwecken der Verkaufsförderung. Für eine Gruppe mit Standorten auch in den USA oder Großbritannien gilt: Die US-amerikanische FTC und die britische Competition and Markets Authority verfolgen vergleichbare Regeln in ihren jeweiligen Märkten, Bewertungsechtheit ist also keine rein deutsche Sonderpflicht.

Wo passt Schmitdy in diese Entscheidung?

Keine der Studien oben sagt etwas über die eigenen Standorte aus. Eine allgemeine Untersuchung von 10.000 US-Restaurants oder 4.776 Betrieben auf Bali ist Evidenz für die Form des Problems, keine Diagnose der eigenen Lücken einer deutschen Gruppe.

Der kostenlose AI Search Audit von Schmitdy prüft die Signalmischung für die eigenen Standorte, statt den allgemeinen Befund einfach zu übernehmen: aktuelle Sichtbarkeit über ChatGPT, Perplexity, Claude, Gemini und Google AI Overviews, die konkreten Fragen, die in der eigenen Kategorie tatsächlich gestellt werden, welche Domains und Seiten in den eigenen Ergebnissen zitiert werden, und ein Plan für 90 bis 180 Tage mit den Hebeln, die für die eigenen Standorte wirklich zählen, ob das am Ende das Bewertungsprofil ist, die Eintragsgenauigkeit, die eigene Webpräsenz, oder, häufiger, eine Kombination, die keine dieser allgemeinen Studien im Voraus benennen kann. Der Audit ist kostenlos, ohne Verpflichtung danach.

Wägen Sie das gegen die realistischen Alternativen ab, bevor Sie sich entscheiden:

Wählen Sie den Standort, der diese Woche am ehesten Aufmerksamkeit braucht, fordern Sie den Audit an, und vergleichen Sie das tatsächliche Ergebnis für die eigenen Standorte mit dem allgemeinen Muster oben, bevor Sie die nächste Investition festlegen.

Quellen

1. OpenAI Hilfe-Center: Websuche mit ChatGPT.
2. Google Search Central: Erscheinen in KI-Funktionen.
3. Google Unternehmensprofil-Hilfe: wie lokales Ranking funktioniert.
4. Google Search Central: strukturierte Daten für Bewertungen.
5. Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census, Vladimir Pitenin, Vorab-Veröffentlichung August 2026.
6. Local Falcon: The Restaurant AI Visibility Index, Juni 2026.
7. BrightLocal: Uncovering ChatGPT Search Sources, Dezember 2024.
8. BrightLocal: consumers trust AI as much as reviews.
9. Harvard Magazine: HBS study finds positive Yelp reviews lead to increased business, Bericht über Michael Lucas Harvard-Business-School-Studie "Reviews, Reputation, and Revenue: The Case of Yelp.com".
10. Anhang zu § 3 Absatz 3 UWG, Nr. 23b und 23c.
11. US FTC: Final Rule Banning Fake Reviews and Testimonials, August 2024.
12. Competition and Markets Authority: short guide for businesses publishing consumer reviews.

Die Liste oben umfasst die 12 geprüften externen Quellen. Unser eigener Leitfaden zum Bewertungsmanagement für Gruppen mit mehreren Standorten, oben verlinkt, ist ein interner Querverweis und zählt nicht zu dieser externen Summe.