growResonance
Demo buchen
← Alle Artikel

KI‑Sichtbarkeit messen: der Leitfaden für Marketing & SEO

Mit geschickten Händen wird eine Analyse zur Sichtbarkeit von KI-Lösungen vorbereitet.

KI‑Sichtbarkeit ist die Messung, wie oft, in welcher Form und mit welchem Tonfall KI‑Assistenten wie ChatGPT, Perplexity oder Google AI Overviews eine Marke nennen, zitieren oder empfehlen. Wer das messen will, muss zuerst zwischen vier Signalen unterscheiden: Präsenz (die Marke taucht auf), Zitation (sie wird als Quelle verlinkt), Empfehlung (sie erscheint als Top‑Option) und Tonalität (wie die KI über sie spricht). Raten hilft hier nicht weiter. Der erste Schritt ist immer ein systematischer Prompt‑Test mit wiederholtem Modell‑Tracking.

Für den Einstieg reicht eine kurze Checkliste:

  • Zehn Kernprompts definieren, die typische Kaufentscheidungen oder Rechercheanfragen zu Ihrer Marke abbilden.
  • Drei Engines auswählen, etwa ChatGPT, Perplexity und Google AI Overviews.
  • Eine Baseline dokumentieren, bevor Sie irgendetwas an Content oder Struktur ändern.
  1. Prompts formulieren und nach Intent gruppieren.
  2. Antworten in allen drei Engines abfragen und protokollieren.
  3. Ergebnis als Ausgangswert für den nächsten Monatscheck speichern.

Wichtige Erkenntnisse

KI‑Sichtbarkeit lässt sich nur über wiederholte Prompt‑Tests, klar definierte KPIs und konsequentes Monitoring über mehrere Engines hinweg zuverlässig steigern.

Thema Details
Vier Signale unterscheiden Präsenz, Zitation, Empfehlung und Tonalität liefern jeweils eigene Erkenntnisse, keines ersetzt die anderen.
Fünf KPIs etablieren Prompt‑Sichtbarkeit, Citation Rate, Share of Model, Sentiment Score und Anfragebezug bilden das Kernset.
Monatlichen Rhythmus fixieren Ein Kerncheck mit 10 bis 20 Prompts pro Monat reicht für belastbare Trends aus.
Datenquellen kombinieren LLM‑Tests, Social Listening, Media Intelligence und Search Console ergänzen sich gegenseitig.
Plattform als Beschleuniger nutzen Growresonance automatisiert Multi‑Engine‑Tracking und liefert White‑Label‑Reports für Agenturen.

Inhaltsverzeichnis

Was KI‑Sichtbarkeit konkret umfasst

KI‑Sichtbarkeit ist kein einzelner Wert, sondern ein Bündel aus vier Signalen, die Shopify in seiner Analyse zur Messung von KI‑Sichtbarkeit über Erwähnungsrate, Zitationsrate, Position in der Antwort und Sentiment abbildet. Präsenz bedeutet: Die Marke wird überhaupt genannt. Zitation heißt: Die Antwort verlinkt oder referenziert eine konkrete Quelle. Empfehlung ist die stärkste Form, wenn ein Produkt in einer Top‑Liste oder Kachel auftaucht. Und Tonalität entscheidet, ob die Nennung nützt oder schadet.

Wichtig dabei: Dieselbe Marke kann in ChatGPT als Empfehlung erscheinen, bei Perplexity nur als Fußnote und bei Google AI Overviews gar nicht auftauchen. Jede Engine hat eigene Trainingsdaten, eigene Retrieval‑Logik und eigene Vorlieben bei Quellen.

Nach der Praxis‑Methodik von Sigrid Holzner lohnt sich eine Einteilung in vier Antwortstufen:

  • Empfehlungsliste (die Marke steht unter den Top‑Optionen)
  • Produktkachel (visuelle Hervorhebung mit Bild oder Preis)
  • Zitat im Fließtext (die Marke wird erwähnt, aber nicht hervorgehoben)
  • Domain‑Chip in der Seitenleiste (nur als Quelle gelistet, ohne inhaltliche Würdigung)

Warum SEO‑Kennzahlen bei KI‑Antworten nicht ausreichen

Rankings, Klicks und Backlinks messen ein anderes System. In einer generativen Antwort gibt es keine Position 1 bis 10, sondern nur die Frage, ob die Marke überhaupt in der Antwort landet und wie sie dort dargestellt wird. Ein Ranking auf Platz 3 bei Google sagt nichts darüber aus, ob ChatGPT dieselbe Seite überhaupt als Quelle nutzt.

Ein paar Beispiele, wo klassische Metriken in die Irre führen:

  • Hoher organischer Traffic, aber null Zitationen in KI‑Antworten, weil das Modell andere Quellen bevorzugt.
  • Backlinks von starken Domains, die trotzdem nicht als Referenz auftauchen, weil das Modell veraltete Trainingsdaten nutzt.
  • Sogenannte Ghost Citations: Die KI nennt eine Marke, ohne eine echte Quelle zu verlinken, wodurch der Ursprung der Information unklar bleibt.

Profi‑Tipp: Übernehmen Sie aus Ihrem bestehenden SEO‑Stack vor allem die technische Basis, etwa strukturierte Daten und saubere Indexierbarkeit. Was Sie neu aufbauen müssen, sind Prompt‑Tests und Sentiment‑Auswertung, denn dafür liefert kein klassisches SEO‑Tool verlässliche Zahlen.

Die fünf KPIs, mit denen Sie KI‑Sichtbarkeit messen

Ein praxistaugliches Monitoring braucht klare Definitionen, keine vagen Eindrücke. Business‑Wissen schlägt fünf Kennzahlen vor, die sich in der Praxis bewährt haben und mit einem monatlichen Test von 10 bis 20 Kernprompts erhoben werden können.

  1. Prompt‑Sichtbarkeit (Visibility Percentage): Anteil der getesteten Prompts, bei denen Ihre Marke überhaupt in der Antwort erscheint. Berechnung: Anzahl der Prompts mit Nennung geteilt durch Gesamtzahl der Prompts, mal 100. Für belastbare Werte braucht es mindestens 15 bis 20 Prompts pro Testlauf.
  2. Citation Rate: Anteil der Nennungen, bei denen tatsächlich eine Quelle verlinkt oder benannt wird, nicht nur eine bloße Erwähnung. Der Unterschied zur Prompt‑Sichtbarkeit liegt genau hier: Nennung ist nicht gleich Zitation.
  3. Share of Model: Wie oft Ihre Marke im Vergleich zu Wettbewerbern in derselben Antwort genannt wird. Das ist die KI‑Variante von Share of Voice, nur bezogen auf einzelne Antworten statt auf Suchergebnisseiten.
  4. Sentiment Score: Einordnung jeder Nennung in positiv, neutral oder negativ. Eine Erwähnung als Warnbeispiel zählt fürs Volumen, schadet aber dem Geschäft.
  5. Anfragebezug: Wie stark sich eine Sichtbarkeitssteigerung tatsächlich in Anfragen oder Leads niederschlägt. Ohne diesen Bezug bleibt jede KPI nur eine Zahl ohne Geschäftsrelevanz.

Ein Blick auf die GEO‑KPI‑Struktur von Smartlemon zeigt zusätzlich eine sinnvolle Reihenfolge: Harmonic Centrality, Detection Rate, Visibility Percentage, Share of Model, Citation Rate und Sentiment Score bauen aufeinander auf und bestimmen, welche Maßnahme zuerst greift.

Welche Datenquellen und Tool‑Typen die Messung stützen

KI‑Sichtbarkeit lässt sich nicht aus einer einzigen Quelle ablesen. Vier Datenströme ergänzen sich:

  • LLM‑Antwort‑Tests über API oder direkt im Frontend der jeweiligen Engine, idealerweise im Inkognito‑Modus, um personalisierte Verzerrungen zu vermeiden.
  • Social Listening, um zu erkennen, wie Nutzer über KI‑Empfehlungen zu Ihrer Marke sprechen.
  • Media Intelligence, die klassische Presseerwähnungen mit KI‑Zitationen abgleicht.
  • Eigene Logdaten, etwa aus CRM oder Google Search Console, um Zitationsquellen, Indexierbarkeit und organischen Traffic mit KI‑Erwähnungen in Verbindung zu bringen.

Bei den Werkzeugen lohnt sich eine Unterscheidung nach Aufgabe. Prompt‑Runner und Aggregatoren automatisieren die eigentlichen Testabfragen über mehrere Modelle hinweg. Media‑Intelligence‑Plattformen liefern den Kontext aus Presse und sozialen Netzwerken. Reporting‑Dashboards bündeln die Ergebnisse für Kunden oder Geschäftsführung. Und API‑Connectoren verbinden all das mit bestehenden Systemen wie CRM oder Business‑Intelligence‑Tools.

Ein einfacher Datenfluss sieht so aus: Prompt wird formuliert, an die Engine gesendet, die Antwort gespeichert, per Textanalyse auf Nennung, Zitation und Sentiment ausgewertet und schließlich im Dashboard visualisiert. Wer diesen Ablauf einmal sauber aufsetzt, kann ihn monatlich wiederholen, ohne jedes Mal neu zu improvisieren. Mehr zur technischen Umsetzung eines modellübergreifenden Monitorings finden Sie in einer vertiefenden Analyse dazu.

Arbeitsplatzgestaltung mit spezieller Hardware für das Testen von KI-Prompts

Wie Sie Prompt‑Tests aufbauen und dokumentieren

Ein belastbares Prompt‑Set braucht Struktur, keine Zufallsfragen. Bewährt hat sich ein Umfang von 10 bis 15 Prompts pro Produktgruppe, aufgeteilt nach Intent: Markenfragen einerseits, konkrete Kaufabsicht andererseits.

Für B2B‑Entscheidungsfragen eignen sich zum Beispiel:

  1. „Welche Anbieter für [Kategorie] empfiehlst du für ein mittelständisches Unternehmen?“
  2. „Was unterscheidet [Ihre Marke] von [Wettbewerber X] bei [Anwendungsfall]?“
  3. „Ich suche eine Lösung für [Problem], welche würdest du wählen und warum?“

Jede Antwort gehört dokumentiert, sonst verpufft der Aufwand. Ein einfaches Schema reicht: Datum, Prompt‑Wortlaut, getestete Engine, Intent‑Kategorie, Antworttyp (Empfehlung, Kachel, Zitat oder reiner Domain‑Chip), Sentiment und alle genannten Quell‑URLs.

Profi‑Tipp: Testen Sie dieselben Prompts nie nur einmal. Modelle liefern bei identischer Eingabe unterschiedliche Antworten, je nach Tageszeit und Serverlast. Drei Wiederholungen pro Prompt und Monat liefern ein realistischeres Bild als eine einzelne Momentaufnahme.

Vom Einzeltest zum festen Reporting‑Rhythmus

Ein monatlicher Kerncheck mit 10 bis 20 Prompts reicht für die meisten mittelständischen Teams, ergänzt um ein quartalsweises Benchmarking gegen Wettbewerber. Nach größeren Modell‑Updates, etwa einer neuen ChatGPT‑Version, lohnt sich zusätzlich ein Ad‑hoc‑Test, da sich Antwortmuster dann oft über Nacht verändern.

Eine einfache Reporting‑Tabelle bildet Metrik, Verantwortlichen, Zielwert und Trend über die letzten drei Monate ab. Bei der Priorisierung von Maßnahmen hilft diese Reihenfolge:

  1. Faktenfehler in bestehenden Antworten korrigieren, etwa über aktualisierte Produktseiten.
  2. Content‑Lücken schließen, die Modelle offenbar nicht auffinden oder nicht verstehen.
  3. PR‑Maßnahmen einsetzen, um neue, zitierfähige Quellen zu schaffen.
  4. Strukturierte Daten prüfen und ergänzen, damit Modelle Inhalte korrekt einordnen können.

Kurzperspektive: Warum praxisnahe Messbarkeit den Unterschied macht

Für Agenturen ist ein sauberes Reporting der eigentliche Werttreiber, nicht die Maßnahme selbst. Ein Kunde, dessen Marke vorher in keiner der drei Engines auftauchte und nach gezielten Content‑Updates plötzlich als Empfehlung erscheint, braucht diesen Nachweis schwarz auf weiß. Genau das unterscheidet fundierte GEO‑Arbeit von reinem Bauchgefühl.

Wie eine Plattform die Messarbeit spürbar vereinfacht

Manuelle Prompt‑Tests über drei Engines und mehrere Kunden hinweg fressen schnell einen ganzen Arbeitstag pro Monat. Growresonance automatisiert genau diesen Teil: tägliches Tracking der Markenerwähnungen in ChatGPT, Claude, Perplexity, Gemini und Google AI Overviews, statt manueller Stichproben einmal im Monat.

Growresonance

Die Plattform bündelt Sentiment‑Analyse, Wettbewerbsvergleich und technische GEO‑Audits, etwa die Prüfung von llms.txt‑Dateien oder den GPTBot‑Zugriff, in einem Dashboard. Für Agenturen zählt vor allem eines: White‑Label‑Reports, die unter der eigenen Marke an Kunden gehen, plus ein Multi‑Client‑Management, mit dem sich mehrere Kunden aus einem einzigen Account verwalten lassen. Dank DSGVO‑konformem EU‑Hosting bleibt die Datenlage dabei auch für europäische Kunden sauber. Wer die eigene Preisstruktur für Unternehmen prüfen will, findet die Details auf der Übersicht zur KI‑Sichtbarkeitsmessung. Agenturen, die mehrere Kunden gleichzeitig betreuen, werfen am besten einen Blick auf die Agentur‑Verwaltung für mehrere Kunden, inklusive Demo‑Option zum Ausprobieren.

Häufig gestellte Fragen zur Messung von KI‑Sichtbarkeit

Wie oft sollte man KI‑Sichtbarkeit messen? Ein monatlicher Kerncheck mit 10 bis 20 Prompts reicht für die meisten Teams aus, ergänzt um ein quartalsweises Benchmarking gegen Wettbewerber und Ad‑hoc‑Tests nach größeren Modell‑Updates.

Reicht ein einzelner Prompt‑Test, um KI‑Sichtbarkeit zu bewerten? Nein. Modelle liefern bei derselben Eingabe unterschiedliche Antworten, deshalb braucht es mehrere Wiederholungen pro Prompt und Monat, um verlässliche Trends statt Zufallstreffer zu erkennen.

Welche KI‑Systeme sollte man zuerst prüfen? ChatGPT, Perplexity, Google AI Overviews und Gemini decken die größte Reichweite ab und zeigen oft unterschiedliche Ergebnisse für dieselbe Marke, weshalb sie getrennt gemessen werden sollten.

Was unterscheidet Erwähnung von Zitation? Eine Erwähnung nennt die Marke nur im Text, eine Zitation verlinkt oder benennt zusätzlich eine konkrete Quelle. Diese Unterscheidung entscheidet, ob ein Nutzer der KI‑Antwort tatsächlich weiterklicken kann.

Ersetzt KI‑Sichtbarkeit klassische SEO‑Kennzahlen? Nein, sie ergänzt sie. Technische Grundlagen wie Indexierbarkeit und strukturierte Daten bleiben relevant, während Prompt‑Tests und Sentiment‑Auswertung neue, eigenständige Messgrößen liefern.

Häufig gestellte Fragen zur Messung von KI‑Sichtbarkeit — overview diagram

Quellen

Wer tiefer einsteigen will, findet je nach Bedarf passende Anlaufstellen. Zur Methodik lohnt sich die Praxis‑Anleitung von Sigrid Holzner mit ihrer Vier‑Stufen‑Logik. Für KPI‑Definitionen bieten sich die GEO‑KPI‑Übersicht von Smartlemon und der Fünf‑Kennzahlen‑Ansatz von Business‑Wissen an.

Für den technischen Unterbau hilft die Beschreibung der Search Console, um Zitationsquellen mit echtem Traffic abzugleichen. Wer eine tiefere Einordnung des Konzepts sucht, findet sie im Grundlagenartikel zu Generative Engine Optimization sowie in der Anleitung zur LLM‑Sichtbarkeitsmessung.

Statistischer Einordnungsfakt: Ghost Citations, bei denen eine KI eine Marke nennt, ohne eine nachvollziehbare Quelle zu verlinken, gehören zu den größten Messproblemen im GEO‑Bereich, weil sie Erwähnungsrate und Zitationsrate künstlich auseinanderdriften lassen.

Agenturen, die das Thema als eigenständige Leistung verkaufen wollen, finden praktische Ansätze im Beitrag zur KI‑Sichtbarkeit als Agenturleistung, einen ersten Eindruck der eigenen Werte liefert der kostenlose Sichtbarkeits‑Check.

Empfehlung