Fast die Hälfte der Menschen in Deutschland fragt inzwischen KI-Chatbots zu Symptomen. Viele im OTC-Marketing wissen vielleicht nicht, was diese Systeme über die eigene Kategorie sagen. Wie ich das messe, und was die Zahlen bedeuten.

Von Detlef Ostfeld     Lesezeit 11 Minuten     Stand August 2026

DIE KURZE ANTWORT

Meine Arbeitsthese aus der Arbeit mit diesen Systemen: KI-Antworten unter andern zur Selbstmedikation werden über Wirkstoffe gebaut. Ein Markenname erscheint nur, wenn eine belastbare Verbindung zwischen Marke, Wirkstoff und Indikation existiert und in zitierfähigen Quellen steht. Belegt ist diese These bisher nicht, und ich behaupte auch nicht, dass sie es wäre.

Genau deshalb steht in diesem Beitrag das Verfahren im Mittelpunkt, mit dem sich die These prüfen lässt: ein festes Prompt-Set, kontrollierte Bedingungen, ausreichend Wiederholungen und ein Kodierschema, das mehr erfasst als die bloße Nennung. Dazu die Erklärung, welche Entscheidung aus welcher Kennzahl folgt.

Die Nachfrage ist längst da

Der Beratungsmoment in der Apotheke hat Konkurrenz bekommen, und zwar eine, die rund um die Uhr antwortet und nie ungeduldig wirkt. Das ist keine Prognose mehr.

BELEGT

Nach einer repräsentativen Befragung von Bitkom Research unter 1.145 Personen ab 16 Jahren (Erhebung KW 38 bis KW 43 2025) wenden sich 45 Prozent der Menschen in Deutschland an einen Chatbot, um Symptome zu klären oder allgemeine Gesundheitsfragen zu stellen. 55 Prozent der Nutzenden vertrauen den Antworten. 50 Prozent verstehen ihre Symptome damit nach eigener Aussage besser als über eine klassische Suche. 30 Prozent halten die Auskunft für ähnlich wertvoll wie eine ärztliche Zweitmeinung. 16 Prozent sind einer ärztlichen Empfehlung schon einmal nicht gefolgt und haben stattdessen dem Chatbot vertraut. [1] Ein Hinweis zur Sorgfalt: Bei den letzten drei Werten weichen die Sekundärberichte darin ab, ob sich die Angaben auf alle Befragten oder nur auf die Chatbot-Nutzenden beziehen. Wer die Zahlen weiterverwendet, sollte in der Primärquelle nachsehen.

Diese Zahlen beschreiben die Nachfrageseite. Die Angebotsseite ist bemerkenswert unerforscht. Welche Präparate nennen die Systeme eigentlich, wenn jemand nach Rückenschmerzen oder verstopfter Nase fragt? Nach unserer Recherche im August 2026 ist für den deutschen OTC-Markt keine öffentliche Erhebung auf Markenebene verfügbar. Untersucht wurden bisher der Rx-Bereich und die Unternehmensebene. [5] Das schließt nicht aus, dass es unveröffentlichte Auswertungen gibt. Die Markenebene der Selbstmedikation ist offen, und genau dort entscheidet sich der Abverkauf.

Warum der Wirkstoff die Antwort führt

Wer die Systeme längere Zeit beobachtet, erkennt ein wiederkehrendes Muster. Gefragt wird nach einem Symptom, geantwortet wird über Substanzen. Diclofenac. Ibuprofen. Dexpanthenol. Xylometazolin. Der Markenname folgt manchmal, oft in Klammern, gelegentlich gar nicht.

Das ist kein Zufall und auch keine Feindseligkeit gegenüber Marken. Es ist die direkte Folge der Quellenlage. Leitlinien, Fachportale und Behördeninhalte sind der Stoff, aus dem medizinische Antworten gebaut werden, und die sprechen über Wirkstoffe. Eine Marke erscheint in der Antwort, wenn die Verbindung von Marke zu Wirkstoff zu Indikation sauber hinterlegt ist. Fehlt diese Brücke, fällt die Marke aus der Antwort heraus, gleich wie hoch der Werbedruck im Fernsehen war.

HYPOTHESE

Für diesen Mechanismus gibt es bislang keine veröffentlichte Erhebung aus dem deutschen OTC-Markt. Er ist aus der Beobachtung vieler Antworten abgeleitet und passt zu den weiter unten zitierten Plattformdaten. Das macht ihn plausibel und nicht bewiesen. Wer ihn für die eigene Kategorie prüfen will, findet ab dem Kapitel Wie ich messe die Anleitung dazu.

Abbildung 1. Der Mechanismus hinter fast jeder Sichtbarkeitslücke im OTC-Bereich. Die Kategorie gewinnt, die Marke verliert, und zwar leise.

Markenbekanntheit ist im Chatfenster keine Währung. Zitierbarkeit ist es.

Fünf Archetypen statt Einzelfälle

Ich habe mir in den letzten Monaten eine Reihe deutscher OTC-Leitmarken angesehen. Einzelbefunde gehören in Kundenprojekte und nicht in einen öffentlichen Beitrag. Das Muster dahinter ist ohnehin interessanter, weil es sich auf jede Marke anwenden lässt. Zwei Größen entscheiden über die Ausgangslage: wie eindeutig das Tripel aus Marke, Wirkstoff und Indikation ist, und ob eine eigene, zitierfähige Evidenzbasis existiert.

Abbildung 2. Die Position entscheidet über die Maßnahme. Eine Dachmarke braucht Struktur, ein stiller Spezialist braucht Verknüpfung, eine Quasi-Gattungsmarke braucht Verteidigung.

BELEGT

Dass der Archetyp Leitlinienanker keine Theorie ist, zeigt ein Blick in die deutsche Leitlinienlandschaft. Die S2k-Leitlinie zur Rhinosinusitis von DEGAM und DGHNO nennt einen patentierten Mischextrakt mit eigener Kennung ausdrücklich und formuliert, dass eine Behandlung damit empfohlen werden kann. [2] Auch die S3-Leitlinie Husten in ihrer Fassung von November 2025 führt diesen Extrakt in der symptomatischen Therapie auf. [3] Für ein Sprachmodell ist eine solche Kennung etwas grundlegend anderes als ein Werbeclaim. Sie ist eine eindeutige Entität, die in einem hochautoritativen Dokument neben einer Indikation steht.

Es gibt keine Zahl für die KI

Ein Satz, der in Kundenterminen regelmäßig fällt, lautet: Wir wollen wissen, wie sichtbar wir in KI sind. Diese Frage hat keine Antwort, weil es die eine KI nicht gibt. Die Systeme greifen auf unterschiedliche Quellen zurück und nennen Marken unterschiedlich bereitwillig.

BELEGT MIT VORBEHALT

Eine Auswertung von 680 Millionen Zitationen ergab, dass nur rund 11 Prozent der Domains sowohl von ChatGPT als auch von Perplexity zitiert werden. Eine Untersuchung von 34.234 KI-Antworten fand Markennennungen bei ChatGPT in etwa 0,6 Prozent und bei Perplexity in rund 13 Prozent der Fälle. [4] Beides stammt aus Erhebungen von Anbietern aus dem GEO-Umfeld, die ihre Methodik nicht offenlegen. Ob dabei Nennungen im Text oder verlinkte Markendomains gezählt wurden, geht aus der Quelle nicht hervor, und ein Gesundheitsbezug besteht nicht. Ich nutze die Zahlen für die Größenordnung und nicht für die Nachkommastelle.

In den Google AI Overviews trägt der alte SEO-Reflex ohnehin nur begrenzt. Eine Surfer-Analyse beziffert den Anteil der dort zitierten Quellen, die nicht in den Top 10 derselben Suchanfrage ranken, auf rund zwei Drittel. [6] Diese Richtung ist besser abgesichert als die Einzelzahl, weil zwei weitere Anbieter im selben Zeitraum von der Gegenseite her zum gleichen Bild kommen: Der Anteil der Zitate, die aus den organischen Top 10 stammen, ist im Verlauf des Jahres deutlich gefallen.

Für Gesundheitsfragen kommt eine Besonderheit dazu. Eine Analyse von 5.472 Zitationen aus Gesundheitsanfragen zeigte, dass Perplexity kommerzielle und nutzergenerierte Inhalte bevorzugt, ChatGPT stark aus Gesundheitsmedien schöpft und Gemini staatliche und institutionelle Quellen in den Vordergrund stellt. [7] Wer nur ein System prüft, misst einen Ausschnitt und hält ihn für das Bild.

Abbildung 3. Zwei Systeme, kaum gemeinsame Quellen, und ein Unterschied um mehr als das Zwanzigfache bei der Bereitschaft, überhaupt Marken zu nennen. Die Werte stammen aus Anbietererhebungen ohne offengelegte Methodik und sind bewusst gerundet dargestellt.

Wie messe

Die gute Nachricht: Es ist messbar, und zwar ohne Blackbox und ohne Tool-Abo. Der Aufwand ist überschaubar. Über die Qualität entscheidet die Disziplin bei den Randbedingungen, nicht die Technik.

Abbildung 4. Die Architektur einer Baseline-Messung. Wer den Umfang reduzieren muss, streicht Systeme und nicht Wiederholungen.

1. Die Prompt-Architektur

Vier Prompt-Typen, weil sie unterschiedliche Fragen beantworten. Sie zu vermischen ist der häufigste Fehler in Eigenversuchen.

• Symptomoffen. Was hilft am besten gegen Muskelschmerzen im Rücken? Hier misst du ungestützte Sichtbarkeit. Das ist die härteste und ehrlichste Kategorie, weil nichts vorgegeben wird.
• Vergleichend. Welche Mittel bei akuter Nebenhöhlenentzündung sind wissenschaftlich belegt? Hier misst du, gegen wen du antrittst und wie das Set aussieht, in dem du landest.
• Markendirekt. Wofür wird Produkt X angewendet? Hier misst du Faktenkorrektheit und Sentiment. Nennungshäufigkeit ist hier bedeutungslos, die Marke steht ja in der Frage.
• Handlungsnah. Was gehört in eine Hausapotheke? Hier misst du Commerce-Relevanz, also die Nähe zur Kaufentscheidung.

Vierzig bis fünfzig Prompts, verteilt über die relevanten Indikationscluster. Formuliert wie echte Menschen fragen, mit Nebensätzen und Zeitangaben. Ein Prompt aus dem Marketingdeutsch produziert eine Antwort, die niemand je bekommt.

2. Die Kontrollbedingungen

Hier entscheidet sich, ob die Messung etwas wert ist. Personalisierung verfälscht das Ergebnis stärker als jeder andere Faktor.

• Ohne Login, ohne Chatverlauf, ohne aktiviertes Memory.
• Jeder Prompt in einem frischen Chat. Kein Nachfassen im selben Thread, weil die zweite Antwort auf der ersten aufbaut.
• Sprache Deutsch, Standort Deutschland, privates Browserfenster oder API-Zugriff.
• Modellversion und Datum in jeder Zeile protokollieren, weil sich Antworten zwischen Releases verschieben.
• Rohtext oder Screenshot jeder Antwort ablegen. Ohne Beleg ist eine Zeile im Zweifel wertlos.

3. Die Stichprobenlogik

Diese Systeme antworten stochastisch. Dieselbe Frage, fünf Minuten später, kann eine andere Reihenfolge und andere Quellen liefern. Deshalb mindestens fünf Läufe je Prompt und System. Eine einzelne Antwort ist eine Anekdote. Sie taugt für ein Screenshot-Posting, nicht für eine Investitionsentscheidung.

Entscheidend ist dabei eine Unterscheidung, die in Eigenversuchen fast immer untergeht: Auf Ebene eines einzelnen Prompts sind fünf Läufe wenig. Eine Marke, die in Wahrheit in 20 Prozent der Antworten vorkommt, erscheint bei fünf Läufen in einem Drittel der Messungen überhaupt nicht. Bei einer wahren Rate von 10 Prozent passiert das in knapp 60 Prozent der Fälle. Aus zwei Treffern bei fünf Läufen lässt sich statistisch nur ableiten, dass die wahre Rate irgendwo zwischen 12 und 77 Prozent liegt. Wer auf dieser Basis behauptet, eine Marke komme bei einer bestimmten Frage nicht vor, sagt mehr über den Zufall als über den Markt.

Auf Ebene der Systemkennzahl kippt das Bild. 48 Prompts mal fünf Läufe ergeben 240 Antworten je System. Ein dort beobachteter Wert von 20 Prozent liegt mit 95-prozentiger Sicherheit zwischen 15 und 26 Prozent. Das reicht für Steuerung, Zielsetzung und Vorher-Nachher-Vergleiche vollkommen aus. Die Aggregation macht das Verfahren belastbar, nicht der einzelne Prompt.

ZU MESSEN

Praktische Regel: Aussagen auf Systemebene berichten, Aussagen auf Einzelprompt-Ebene nur als Beispiel kennzeichnen. Wenn zwei Werte verglichen werden, gehört die Schwankungsbreite dazu. Und wer feinere Unterschiede belegen will, etwa zwischen 20 und 30 Prozent Nennungsrate auf einem einzelnen Prompt, braucht deutlich mehr als fünf Läufe.

4. Das Kodierschema

Nur zu zählen, ob die Marke vorkam, ist die vertane Version dieser Messung. Sieben Felder je Antwort, und erst die Kombination erzeugt Aussagekraft: Nennung, Position, Nennungsart, Sentiment, führendes Label, zitierte Domains, Faktenfehler.

Das Feld führendes Label ist das unterschätzte. Es hält fest, ob die Antwort über einen Wirkstoff oder über einen Markennamen gebaut wurde. Diese eine Spalte beschreibt die Größe des Problems für die gesamte Kategorie.

Das Feld zitierte Domains ist das operativ wertvollste. Aus der Aggregation entsteht die Quellenlandkarte, also die Liste der Websites, die über deine Kategorie tatsächlich entscheiden. Fast immer stehen dort Namen, die in keinem Mediaplan auftauchen.

5. Was eine Messung ungültig macht

• Eingeloggter Account mit Verlauf. Das Ergebnis beschreibt dann die Person, nicht den Markt.
• Wechselndes Prompt-Set zwischen zwei Erhebungen. Dann misst du deine eigene Formulierung.
• Nur markendirekte Prompts. Ergibt hohe Zahlen und keine Erkenntnis.
• Ein Lauf je Prompt. Ergibt Zufall in Tabellenform.
• Zusammenfassung aller Systeme zu einer Zahl. Verwischt genau den Unterschied, der die Maßnahme bestimmt.

Was die Zahlen bedeuten

Am Ende stehen fünf Kennzahlen. Ihr Wert liegt in der Entscheidung, die aus ihnen folgt. Deshalb lese ich sie immer paarweise, nie einzeln.

Abbildung 5. Dieselbe Zahl bedeutet je nach Kombination etwas anderes. Eine hohe Mention Rate bei niedrigem Sentiment ist ein Reputationsproblem, keine Erfolgsmeldung.

Die fünf Kennzahlen im Wortlaut

Weil eine Abbildung für Suchsysteme und Screenreader unsichtbar bleibt, stehen die Definitionen hier zusätzlich im Text.

• Mention Rate: Anteil der Antworten eines Systems, in denen die Marke überhaupt vorkommt, unabhängig vom Kontext. Ein niedriger Wert heißt, die Marke ist im Antwortraum der Kategorie nicht vorhanden. Dann gehören zuerst Zugang und Entität geprüft.
• Empfehlungsrate: Anteil der Antworten, in denen die Marke als Empfehlung auftritt und nicht nur als Aufzählung oder Warnung. Ein niedriger Wert heißt, die Marke wird erwähnt, aber nicht als Lösung angeboten. Dann gehören Evidenz und Anwendungsnutzen nachgeschärft.
• Erstnennungsrate: Anteil der Antworten, in denen die Marke an Position 1 der genannten Produkte steht. Ein niedriger Wert heißt, die Marke steht im Set, aber hinter dem Wettbewerb. Dann lohnt die Analyse der Quellen, die den Erstgenannten tragen.
• Sentiment: Mittelwert des Tons über alle Antworten mit Nennung, auf einer Skala von plus eins bis minus eins. Ein niedriger Wert heißt, die Marke erscheint überwiegend im Einschränkungskontext. Mehr Sichtbarkeit schadet dann, solange der Kontext ungeklärt ist.
• Wirkstoffquote: Anteil der Antworten, in denen ein Wirkstoff statt eines Markennamens das Antwortgerüst führt. Ein hoher Wert heißt, die Kategorie gewinnt und keine Marke gewinnt. Das ist eine Strategiefrage und keine Kampagnenfrage.

Drei Konstellationen, die ich regelmäßig sehe

Hohe Nennung, niedrige Empfehlung

Die Marke ist bekannt genug, um im Antwortraum aufzutauchen, und wird trotzdem nicht als Lösung angeboten. Das ist selten ein Sichtbarkeitsthema. Meist steht dahinter eine Substanz mit Einschränkungen oder eine Konkurrenzsubstanz mit besserer Studienlage. Mehr Reichweite verstärkt in diesem Fall die Einschränkung. Zuerst gehört der Kontext bearbeitet.

Niedrige Nennung bei hoher Wirkstoffquote

Der häufigste Befund. Die Antwort ist fachlich sauber und markenfrei. Die Kategorie gewinnt, der Preis entscheidet, und der Markenaufbau von zwanzig Jahren spielt im Chatfenster keine Rolle. Das ist ein Strukturthema und gehört auf die Geschäftsführungsebene, nicht ins Content-Team.

Auseinanderfallende Werte zwischen den Systemen

Sichtbar in einem System, unsichtbar im nächsten. Das ist die beste denkbare Nachricht, weil es beweist, dass die Inhalte existieren und zitierfähig sind. Es fehlt die Abdeckung derjenigen Quellen, die das andere System bevorzugt. Diese Lücke ist mit gezielter Arbeit schließbar.

HYPOTHESE

Was eine solche Messung nicht leistet: Sie zeigt keine Kausalität. Ein Anstieg der Mention Rate nach einer Maßnahme ist ein Indiz. Für mehr braucht es einen Vorher-Nachher-Vergleich mit unverändertem Prompt-Set und ein Kontrollset aus nicht optimierten Marken derselben Kategorie. Und sie sagt nichts über Abverkauf, solange niemand die Verbindung zwischen Nennung und Kaufverhalten sauber untersucht hat.

Die Hebel, in der Reihenfolge ihrer Wirkung

Bevor irgendjemand über Kampagnen spricht, gehört das Fundament geprüft. Der häufigste Befund in Audits ist auch der banalste.

Abbildung 6. Content-Offensiven auf Ebene 3 verpuffen, solange Ebene 1 blockiert ist. Die Prüfung dauert eine halbe Stunde und kostet nichts.

Ein Realitätscheck zum Thema Medfluencer

Expertenstimmen wirken. Für rezeptfreie Arzneimittel ist der rechtliche Rahmen in Deutschland allerdings eng, und das wird in GEO-Konzepten gerne übersehen.

BELEGT

Paragraf 11 Absatz 1 Satz 1 Nummer 2 HWG untersagt außerhalb der Fachkreise Werbung mit Angaben, die sich auf Empfehlungen von Wissenschaftlern, von im Gesundheitswesen tätigen Personen oder von anderen Personen beziehen, die aufgrund ihrer Bekanntheit zum Arzneimittelverbrauch anregen können. Verboten ist also die Werbung mit der Empfehlung, kein Auftritt an sich. Der Bundesgerichtshof hat diese Regel weit ausgelegt: Es genügt, wenn eine Berufsgruppe pauschal als Gewährsleute benannt wird. Die Pflichtangaben nach Paragraf 4 HWG gelten auch in digitalen Formaten. [8]

BELEGT

Der für die Praxis entscheidende Punkt steht in derselben Kommentarlage: Die Werbeverbote des Paragrafen 11 HWG greifen nur bei der Werbung für ein konkretes Arzneimittel, nicht bei Wirkstoffwerbung. Damit hat die Empfehlung, indikationsbezogen statt produktbezogen zu arbeiten, eine rechtliche Grundlage und ist keine reine Vorsichtsmaßnahme. [8]

Daraus folgt eine klare Trennung. Indikationsbezogene Aufklärung durch Fachpersonen ist zitierfähiges Material und rechtlich handhabbar. Eine produktbezogene Empfehlung im selben Format ist ein Abmahnrisiko. Für die KI-Sichtbarkeit ist die erste Variante ohnehin die wertvollere, weil sie genau die Brücke zwischen Wirkstoff und Anwendung baut, an der es den Modellen fehlt.

Hinweis: Diese Einordnung ersetzt keine Rechtsberatung. Ob eine konkrete Maßnahme zulässig ist, entscheidet sich am Einzelfall und gehört vor der Umsetzung einem Fachanwalt für Wettbewerbs- und Heilmittelwerberecht vorgelegt.

Was jetzt zu tun ist

01   Baseline messen, vier Wochen

Prompt-Set bauen, Kontrollbedingungen festlegen, sieben Systeme, fünf Wiederholungen. Parallel der technische Audit. Am Ende steht eine Zahl, über die man in der Geschäftsführung sprechen kann.

02   Quellenlandkarte erstellen

Alle zitierten Domains aggregieren und nach Indikation clustern. Daraus entsteht die Prioritätenliste derjenigen Medien, die über deine Kategorie tatsächlich entscheiden.

03   Quartalsweise wiederholen

Ein einmaliger Wert ist eine Momentaufnahme. Erst die Wiederholung mit unverändertem Prompt-Set zeigt, ob eine Maßnahme gewirkt hat.

Der Markt für Selbstmedikation wuchs 2025 auf 11,5 Milliarden Euro bei rund 941 Millionen Packungen, und mehr als jede zweite Arzneimittelpackung in Deutschland ist rezeptfrei. [9] Über diesen Markt entscheidet zunehmend eine Antwort, die niemand kontrolliert und die kaum jemand misst. Das ist unangenehm. Es ist auch eine der wenigen Gelegenheiten, in denen ein Vorsprung noch mit Handarbeit zu holen ist.

Häufige Fragen

Warum nennen KI-Systeme bei Gesundheitsfragen so selten Markennamen?

Weil die Quellen, aus denen medizinische Antworten gebaut werden, über Wirkstoffe sprechen. Leitlinien, Fachportale und Behördeninhalte führen Substanzen und Indikationen. Eine Marke erscheint nur, wenn die Verbindung zwischen Marke, Wirkstoff und Indikation eindeutig hinterlegt ist. Dazu kommt eine generelle Zurückhaltung der Systeme bei Produktempfehlungen in medizinischen Kontexten.

Wie misst man die KI-Sichtbarkeit einer OTC-Marke konkret?

Mit einem festen Set aus 40 bis 50 Prompts in vier Typen, mindestens fünf Wiederholungen je Prompt und System, ohne Login und ohne Chatverlauf, jeder Prompt in einem frischen Chat. Erfasst werden Nennung, Position, Nennungsart, Sentiment, führendes Label, zitierte Domains und Faktenfehler. Daraus ergeben sich Mention Rate, Empfehlungsrate, Erstnennungsrate, Sentiment und Wirkstoffquote, jeweils getrennt nach System.

Wie viele Wiederholungen braucht eine belastbare Messung?

Mindestens fünf Läufe je Prompt und System. Wichtig ist die Ebene der Aussage. Auf Ebene eines einzelnen Prompts sind fünf Läufe wenig: Eine Marke mit einer wahren Nennungsrate von 20 Prozent erscheint dort in einem Drittel der Messungen gar nicht. Auf Ebene der Systemkennzahl summieren sich 48 Prompts mal fünf Läufe zu 240 Antworten, und ein beobachteter Wert von 20 Prozent liegt dann mit 95-prozentiger Sicherheit zwischen 15 und 26 Prozent. Das reicht für Steuerungszwecke.

Was bedeutet eine hohe Nennungsrate bei niedriger Empfehlungsrate?

Die Marke ist präsent, wird aber nicht als Lösung angeboten. Dahinter steht meist eine Substanz mit Einschränkungen oder eine Konkurrenzsubstanz mit besserer Studienlage. Mehr Reichweite verstärkt in diesem Fall die Einschränkung. Zuerst gehört der inhaltliche Kontext bearbeitet, danach die Sichtbarkeit.

Reicht es, nur ein KI-System zu prüfen?

Nein. Die Systeme greifen auf weitgehend unterschiedliche Quellen zurück. Zwischen ChatGPT und Perplexity überschneiden sich nur etwa 11 Prozent der zitierten Domains, und die Bereitschaft, Marken überhaupt zu nennen, unterscheidet sich um ein Vielfaches. Eine Marke kann in einem System präsent und in einem anderen unsichtbar sein.

Was ist der schnellste Hebel für mehr KI-Sichtbarkeit?

Der technische Zugang. Viele Herstellerseiten sperren die Crawler der KI-Anbieter über die robots.txt aus oder verstecken Inhalte hinter Consent-Wänden. Die Prüfung dauert eine halbe Stunde. Ohne diesen Schritt wirkt keine Content-Maßnahme.