Von Chikei Yung, Gruender chiwai — Veroeffentlicht Juni 2026

Case Study: Wie China Restaurant Yung in 39 Laendern sichtbar wurde — ohne Werbebudget

Ein Familienrestaurant in Frankfurt. 191 Gerichte. Eine PDF-Speisekarte, die seit Jahrzehnten existierte. Und eine Frage, die alles veraenderte: Warum empfiehlt ChatGPT unsere Wettbewerber, aber nicht uns?

Die Ausgangslage 2023: Unsichtbar per Standard

China Restaurant Yung betreibt seit 1988 ein Restaurant im Frankfurter Sachsenhausen. Das Restaurant hatte eine treue lokale Stammkundschaft, einen Ruf fuer authentische kantonesische und Sichuan-Kueche, und eine Kueche, die von Li Xiejie gefuehrt wird — einem Koch mit jahrzehntelanger Erfahrung in chinesischer Kulinartechnik.

Online sah die Situation anders aus. Die Website existierte hauptsaechlich auf Deutsch. Die Speisekarte war eine PDF-Datei — ein gescanntes Dokument mit 191 Gerichten in traditionellen Speisekarten-Kategorien. Keine individuellen Gerichteseiten. Keine strukturierten Daten. Keine mehrsprachigen Inhalte.

Fuer den groessten Teil der Restaurantgeschichte war das in Ordnung. Google-Rankings fuer „chinesisches Restaurant Frankfurt“ wurden durch Naehe und Bewertungsvolumen aufgebaut — Signale, die etablierten lokalen Betrieben zugutekamen. China Restaurant Yung hatte beides.

Dann veraenderte sich die Restaurant-Entdeckungslandschaft.

ChatGPT wurde Ende 2022 oeffentlich zugaenglich. Bis 2023 nutzten Gaeste es, um Restaurants mit spezifischen Anforderungen zu finden: „chinesisches Restaurant Frankfurt erdnussfrei“, „veganes Dim Sum Frankfurt“, „glutenfreies chinesisches Essen in meiner Naehe“. Bei diesen Anfragen existierte ein Restaurant ohne strukturierte Daten in der KI-Antwort schlicht nicht — unabhaengig davon, wie gut das Essen war.

China Restaurant Yung war unsichtbar. Nicht wegen mangelnder Qualitaet. Wegen Datenarchitektur.

Die fuenf Schritte, die wir unternommen haben

Schritt 1: PDF-Speisekarte zu strukturierten Gerichteseiten — eine URL pro Gericht

Die erste und grundlegendste Veraenderung: die Umwandlung einer statischen PDF in eine strukturierte Datenbank individueller Gerichteentitaeten.

Jedes der 191 Gerichte erhielt eine eigene Seite mit einer permanenten URL. Gerichtename, Beschreibung, Preis, Kategorie und Foto wurden als diskrete Datenpunkte gespeichert — nicht als Text in einem Dokument, sondern als strukturierte Felder in einer Datenbank, die als maschinenlesbares Markup gerendert werden konnten.

Namen und Beschreibungen wurden in drei Hauptsprachen (Deutsch, Englisch, Chinesisch) und drei weiteren Sprachen (Spanisch, Tuerkisch, Arabisch) erstellt — insgesamt DE/EN/ZH, die die primären Sprachen von Frankfurts internationaler Bevoelkerung und Touristenbasis abdecken.

Das praktische Ergebnis: 191 individuelle Seiten, jede mit einer eindeutigen URL, jede mit einem spezifischen Gericht als strukturierter Entitat. Kein PDF. Keine Speisekartenseite. Individuelle Web-Entitaeten, die indexiert, gecrawlt und zitiert werden koennen.

Schritt 2: Schema.org Restaurant und MenuItem Markup auf jeder Seite

Sobald die Gerichtedaten als strukturierte Entitaeten existierten, war der naechste Schritt, sie in dem Format maschinenlesbar zu machen, das KI-Systeme verstehen: Schema.org JSON-LD Markup.

Die Restaurant-Homepage erhielt einen vollstaendigen @type: Restaurant-Block: Name, Adresse, Telefon, openingHoursSpecification, servesCuisine („Chinese“), priceRange und einen hasMenu-Link zur Menuentitaet.

Jede individuelle Gerichteseite erhielt einen vollstaendigen @type: MenuItem-Block: Gerichtename in DE/EN/ZH, Beschreibung, Preis in EUR, Bild-URL, Menuesektion und die vollstaendigen Allergen- und Diaetdaten. Das JSON-LD wurde direkt in jede Seite eingebettet — lesbar fuer Googles Googlebot, GPTBot und Geminis Crawler in einer einzigen HTTP-Anfrage.

Das ist die technische Grundlage, die spezifische KI-Anfragen beantwortbar macht. Wenn jemand fragt „Welche Frankfurter chinesischen Restaurants haben erdnussfreie Gerichte?“ — kann die KI jetzt die containsAllergen-Daten fuer jedes unserer 191 Gerichte abrufen und parsen und eine faktische Antwort liefern. Ohne dieses Markup liefert die Frage fuer uns kein Ergebnis.

Schritt 3: Maschinenlesbare Allergenkennzeichnung fuer 191 Gerichte

Allergendaten waren bereits nach EU-Recht (EU-Lebensmittelinformationsverordnung, LMIV) vorgeschrieben. Aber Compliance — eine PDF-Allergentabelle oder eine Fussnote auf der Speisekarte — ist nicht gleich Maschinenlesbarkeit.

Die 14 EU-regulierten Allergene wurden mit der Schema.org containsAllergen-Property pro Gericht einzeln gemappt. Li Xiejie prueft jedes Gericht gegen sein Zutaten-Wissen und den deutschen Naehrstoff- und Allergen-Datenbankstandard BLS. Die Daten durchliefen einen Operator-Bestaetigunsschritt — eine manuelle Verifizierung durch das Kuechen-Team — bevor sie als bestaetigt markiert wurden.

Diaeteignungs-Flags (VeganDiet, VegetarianDiet) wurden mit der Schema.org suitableForDiet-Enumeration basierend auf derselben Zutaten-Pruefung hinzugefuegt.

Das Ergebnis: 191 Gerichte mit verifizierten, maschinenlesbaren Allergen- und Diaetdaten. Ein Restaurant, das KI-Anfragen wie „Welche Gerichte sind fuer Gaeste mit Glutenunvertraeglichkeit geeignet?“ faktisch beantworten kann — nicht mit einer allgemeinen Aussage, sondern mit einer strukturierten Liste spezifischer Gerichte.

Schritt 4: llms.txt auf der Domain

Die llms.txt-Datei ist ein relativ neues, aber zunehmend wichtiges Element einer KI-First-Webpraesenz. Analog zu robots.txt fuer Suchmaschinen-Crawler liefert llms.txt KI-Systemen eine direkte, kuratierte Uebersicht darueber, was eine Website enthaelt und welche Daten verfuegbar sind.

Fuer China Restaurant Yung enthaelt die llms.txt-Datei unter chinayung.de/llms.txt: die Gruendungsgeschichte des Restaurants (1988, Familienbetrieb, Frankfurt), den Kuechen-Typ und Spezialitaeten, einen Link-Index zu allen Gerichteseiten nach Kategorie geordnet, Allergen- und Diaetabdeckungsinformationen sowie Sprachverfuegbarkeit.

KI-Systeme, die llms.txt respektieren, lesen diese Datei zuerst. Das reduziert das Halluzinationsrisiko (KI-Systeme erfinden Informationen ueber das Restaurant) und erhoht die Wahrscheinlichkeit genauer, spezifischer Empfehlungen.

→ Wie llms.txt fuer Restaurants funktioniert — der vollstaendige Leitfaden

Schritt 5: Google Business Profile Sync via API

Google Business Profile ist der direkteste Kanal in Google Geminis lokales Restaurant-Wissen. Die Food Menus API ermoeglicht es, strukturierte Speisekartendaten direkt in GBP zu uebertragen — was bedeutet, dass dieselben allergen-vollstaendigen, mehrsprachigen Gerichtedaten, die auf der Website vorhanden sind, auch in Googles eigener strukturierter Datenschicht vorhanden sind.

Fuer China Restaurant Yung wurden 171 Gerichte via Food Menus API in GBP uebertragen — mit mehrsprachigen Namen und Beschreibungen, Allergendaten und Diaet-Flags. Der Sync laeuft automatisch: wenn ein Gericht im chiwai-System geaendert wird, aktualisiert sich der GBP-Eintrag ohne manuellen Eingriff.

Das schafft einen geschlossenen Kreislauf: Die Daten des Restaurants sind konsistent ueber Website, Schema.org Markup und Googles eigene Datenbank. KI-Systeme, die diese Quellen querverifizieren, finden konsistente, verifizierbare Informationen — was genau die Empfehlungswahrscheinlichkeit fuer spezifische Anfragen erhoet.

→ Google Business Profile und KI: GBP als Bruecke zu Gemini

Was die Daten zeigen

Wenige Wochen nach Abschluss der fuenf Schritte begannen die Gerichteseiten auf chinayung.de, Suchanfragen aus dem Ausland zu generieren. Die Google Search Console-Daten zeigen Impressionen aus 39 Laendern — darunter Anfragen aus englischsprachigen Maerkten, chinesischsprachigen Maerkten und anderen, in denen das Restaurant keine direkte Marketingpraesenz hat.

Die Anfragen, die diese Impressionen generieren, sind nicht generisch („chinesisches Restaurant Frankfurt“). Sie sind spezifisch: Gerichtenamen in verschiedenen Sprachen, allergenspezifische Suchen, kuechen-spezifische Suchen. Das sind genau die Anfragen, die strukturierte Daten beantwortbar machen — und die fuer uns zuvor unsichtbar waren.

Kein Werbebudget wurde eingesetzt. Der Sichtbarkeitsanstieg kam ausschliesslich daher, dass strukturierte Daten die Restaurantinformationen maschinenlesbar und fuer KI-Systeme sprachuebergreifend abrufbar machten.

Die Live-Site: chinayung.de — alle 191 Gerichte, DE/EN/ZH, vollstaendiges Schema.org Markup, live.

Was das fuer andere Restaurants bedeutet

China Restaurant Yung ist kein Ausnahmefall in Bezug auf Groesse oder Ressourcen. Es ist ein einzelnes unabhaengiges Restaurant, das 35 Jahre lang mit einer traditionellen Online-Praesenz betrieben hatte. Die Veraenderungen, die wir vorgenommen haben — strukturierte Daten, individuelle Gerichteseiten, Allergen-Markup, mehrsprachige Inhalte, GBP-Sync — sind fuer jedes Restaurant reproduzierbar.

Die Barriere ist nicht die Technologie. Es ist die Zeit und das Fachwissen, das benoetigt wird, um strukturierte Restaurantdaten korrekt zu implementieren und zu pflegen. Das ist das Problem, das chiwai loest: den gesamten Datenlayer zu automatisieren, damit jedes Restaurant — eine familiengefuehrte kantonesische Kueche oder ein Einzelstandort-Bistro — dieselbe KI-sichtbare Dateninfrastruktur wie eine grosse Kette haben kann.

Die Restaurant-Entdeckungslandschaft hat sich fundamental veraendert. Restaurants, die das fruehzeitig verstehen, werden einen strukturellen Vorteil haben, der sich ueber Zeit verstaerkt — weil strukturierte Daten, einmal implementiert, kontinuierlich ohne zusaetzliche Kosten wirken.

FAQ

Wie lange hat die Implementierung gedauert?

Die fuenf Schritte fuer China Restaurant Yung wurden ueber mehrere Wochen abgeschlossen. Der zeitintensivste Teil war die Allergen-Verifizierung — Li Xiejie musste die Allergendaten fuer jedes der 191 Gerichte gegen sein Kuechen-Wissen bestaetigen. Die technischen Schritte (Schema.org-Generierung, GBP-Sync, llms.txt) wurden von chiwai automatisiert und erforderten kein technisches Fachwissen vom Restaurant-Team. Fuer neue Restaurants, die heute ueber chiwai onboarden, dauert das initiale Setup deutlich kuerzer, weil die Automatisierungs-Pipeline ausgereifter ist.

Ist das nur fuer Restaurants mit einer grossen Speisekarte relevant?

Nein. Ein Restaurant mit 20 Gerichten, das vollstaendiges, verifiziertes, mehrsprachiges Schema.org Markup hat, ist fuer KI-Systeme bei spezifischen Anfragen sichtbarer als ein Restaurant mit 200 Gerichten und keinen strukturierten Daten. Die Groesse der Speisekarte ist weniger wichtig als die Vollstaendigkeit und Genauigkeit der strukturierten Daten. Eine kleine fokussierte Speisekarte mit vollstaendigen Allergen- und Diaetdaten kann tatsaechlich einen Vorteil haben — einfachere Daten sind fuer KI-Systeme leichter mit spezifischen Anfragen abzugleichen.

Ersetzt das traditionelles Marketing?

Nein — es ergaenzt es. KI-Sichtbarkeit ist eine Daten-Infrastrukturschicht, kein Marketing-Kanal. Es ersetzt keine starke Social-Media-Praesenz, kein Google-Bewertungsmanagement und keine lokale SEO. Was es tut: Es schafft eine Grundlage, die jedes andere Marketing effektiver macht. Wenn eine KI-Empfehlung einen potenziellen Gast auf Ihre Website fuehrt, werden die strukturierten Daten, die er dort findet — vollstaendige Gerichteinformationen, Allergendaten, mehrsprachige Inhalte — effektiver konvertieren als eine unstrukturierte Seite. Beide Schichten wirken zusammen.