growResonance
Demo buchen
← Alle Artikel

Wie finde ich heraus, ob meine Marke in LLMs sichtbar ist?

Wie finde ich heraus, ob meine Marke in LLMs sichtbar ist?

Drei LLM-Antworten im Markencheck

KI-Sichtbarkeit bedeutet, dass Assistenten wie ChatGPT, Gemini, Perplexity oder Claude Ihre Marke namentlich nennen, zitieren oder aktiv empfehlen, wenn Nutzer eine passende Frage stellen. Ob das bei Ihnen der Fall ist, finden Sie am schnellsten heraus, indem Sie sechs bis zehn Buyer-Intent-Prompts formulieren und diese in mehreren Modellen parallel testen. Erscheint Ihr Markenname dort nicht, wissen Sie sofort: Handlungsbedarf besteht, und zwar unabhängig davon, wie gut Ihr klassisches SEO-Ranking aussieht.

Kurz gesagt:

  • Wenn Ihre Marke bei den Buyer-Intent-Prompts in mehreren LLMs nicht erwähnt oder zitiert wird, besteht Handlungsbedarf, unabhängig vom SEO-Ranking.
  • Ein schneller erster Test erfordert nur eine Tabelle und die Formulierung von fünf bis zehn Fragen, die ein Kunde stellen würde, in mehreren Modellen.
  • Die regelmäßig gesammelten KPIs wie die AI Mention Rate oder die Share of Voice liefern klare Trends, die eine langfristige Trendanalyse ermöglichen.
  • Technisch müssen Schema-Markup und eine llms.txt-Datei auf der Website eingerichtet sein, um zitierfähig zu werden und die Trefferquote zu erhöhen.
  • Die automatisierte, tägliche Überwachung mit einem Multi-LLM-Tool ist für Agenturen sinnvoll, um Trends und Quellenverweise effizient zu erkennen.
growResonance
Messen Sie Ihre KI-Sichtbarkeit systematisch
growResonance analysiert ChatGPT, Claude und Perplexity und erstellt konkrete Maßnahmen sowie Reports unter Ihrer Agenturmarke.
KI-Sichtbarkeit analysieren

Inhaltsverzeichnis

Wie prüfe ich in 10 Minuten, ob meine Marke in llms sichtbar ist?

Der Schnelltest braucht kein Tool, nur eine Tabelle und etwas Disziplin. Sie formulieren Fragen, die ein echter Kunde stellen würde, bevor er kauft, nicht Fragen, die Ihre Marke bereits im Wortlaut enthalten.

Typische Formulierungen sehen so aus:

  • „Welche Anbieter für [Ihre Kategorie] empfiehlst du in Deutschland?“
  • „Was ist der beste [Produkt/Dienstleistung] für [Zielgruppe]?“
  • „Vergleiche die drei bekanntesten Lösungen für [Problem].“
  • „Ich suche [Anwendungsfall], welche Marke passt dazu?“

Jede Frage stellen Sie mindestens zweimal, in leicht abgewandelter Formulierung, denn Modelle antworten nicht deterministisch. Dokumentieren Sie pro Durchlauf fünf Felder: Erwähnung (ja/nein), den genauen Kontext beziehungsweise das Zitat, die vom Modell genannten Quellen, das Sentiment (positiv, neutral, kritisch) und einen Screenshot als Beleg.

Profi-Tipp: Führen Sie denselben Prompt-Satz in mindestens zwei, besser drei LLMs aus, bevor Sie eine Schlussfolgerung ziehen. Ein einzelner Test in nur einem Modell ist eine Momentaufnahme, keine Baseline.

Kostenlose Schnellchecks arbeiten üblicherweise mit genau dieser Größenordnung von eine kleine Auswahl von Standardprompts. Während professionelles Monitoring täglich mit hunderten Anfragen arbeitet. Der Unterschied zwischen beidem ist keine Frage der Technik, sondern der Stichprobengröße, und genau die entscheidet, ob Sie ein zufälliges Ergebnis sehen oder einen echten Trend.

Vergleich der Stichprobengrößen bei LLM-Tests

Wie baue ich eine systematische Prompt-Testmatrix auf?

Wie baue ich eine systematische Prompt-Testmatrix auf? — overview diagram

Der Schnelltest zeigt Ihnen den Status quo. Für belastbares Reporting an Kunden brauchen Sie eine Matrix, die Prompts, Modelle und Zeitpunkte kreuzt, damit Schwankungen von echten Veränderungen unterscheidbar werden.

So gehen Sie vor:

  1. Prompts aus Buyer Intent ableiten. Nehmen Sie die zehn wichtigsten Keywords Ihrer Kunden und formen Sie daraus natürliche Fragen, orientiert an den Phasen Awareness, Consideration und Decision.
  2. Matrix aufbauen. Jede Zeile ist ein Prompt, jede Spalte ein Modell (ChatGPT, Gemini, Perplexity, Claude, Copilot). Jede Zelle bekommt einen Wert: erwähnt, zitiert, empfohlen oder nicht vorhanden.
  3. Ergebnisse normalisieren. Eine Erwähnung ohne Kontext zählt anders als eine aktive Empfehlung mit Link. Vergeben Sie eine einfache Punkteskala, etwa 0 für keine Erwähnung, 1 für neutrale Nennung, 2 für zitierte Quelle, 3 für aktive Empfehlung.
  4. Frequenz festlegen. Wöchentliche Stichproben reichen für die meisten Marken, kompetitive Branchen profitieren von täglichen Läufen.
  5. Daten strukturieren. Exportieren Sie als CSV oder JSON mit den Feldern prompt_id, model, timestamp, mention_score, cited_source, sentiment.

Automatisierung lohnt sich, sobald Sie mehr als drei Kunden oder mehr als 20 Prompts pro Woche testen, weil manuelles Copy-Paste in mehrere Chat-Interfaces schlicht nicht mehr skaliert. Eine strukturierte Anleitung zum Prompt-Testing hilft dabei, die Matrix von Anfang an so aufzusetzen, dass sie später auswertbar bleibt statt in einer unübersichtlichen Tabelle zu enden.

Welche KPIs zeigen echte KI-Sichtbarkeit?

Vier Kennzahlen liefern belastbare Aussagen, alle anderen sind meist Beiwerk.

  • AI Mention Rate: Anteil der getesteten Prompts, bei denen Ihre Marke überhaupt auftaucht, berechnet als Erwähnungen geteilt durch Gesamtzahl der Prompt-Durchläufe.
  • AI-Referral-Traffic: Besucher, die über einen Link aus einer KI-Antwort auf Ihre Seite kommen, erkennbar an Referrer-Strings wie chat.openai.com oder perplexity.ai in Ihrer Analytics-Software.
  • Share of Voice in KI: Ihre Erwähnungen im Verhältnis zu allen genannten Wettbewerbern bei identischen Prompts.
  • Answer-Capsule-Coverage: Anteil der Antworten, in denen ein wörtlich oder sinngemäß übernommener Abschnitt Ihrer Inhalte als Quelle erscheint.

Eine einzelne Momentaufnahme sagt wenig. Erst wenn Sie eine Baseline aus der ersten Testwoche gegen die Werte der folgenden vier bis sechs Wochen stellen, erkennen Sie, ob eine Veränderung Zufall oder echter Trend ist. Für Kundenreportings ist die AI Mention Rate meist die verständlichste Zahl, weil sie sich direkt mit Wettbewerbern vergleichen lässt, während die Answer-Capsule-Coverage eher intern zeigt, welche Inhalte tatsächlich funktionieren. Einzelne Agenturfälle berichten von auffällig hohen Konversionsraten bei Traffic aus KI-Antworten, was als Einzelbeobachtung interessant ist, aber keine allgemeine Regel darstellt.

Welche technischen Signale muss ich prüfen?

Bevor Inhalte überhaupt zitierfähig werden, muss die technische Basis stimmen. Vier Punkte gehören auf jede Checkliste.

  • Schema-Markup priorisieren: Organization, Article, FAQPage, HowTo und Product liefern Modellen strukturierte Fakten statt Fließtext zum Interpretieren.
  • llms.txt anlegen: Die Datei liegt unter /llms.txt (kurze Übersicht) und optional /llms-full.txt (vollständige Inhaltsliste) im Root-Verzeichnis und signalisiert Crawlern, welche Seiten als kanonisch gelten.
  • Crawlbarkeit sicherstellen: Prüfen Sie robots.txt auf Blockaden für GPTBot, PerplexityBot und ClaudeBot, kontrollieren Sie Ihre Sitemap auf Vollständigkeit und Ladezeiten unter zwei Sekunden.
  • RAG-Zugänglichkeit testen: Modelle, die live abrufen statt nur aus Trainingsdaten zu antworten, brauchen sauber gerenderten Text ohne versteckte Inhalte hinter JavaScript-Ladevorgängen.

Getestete Beispiele zeigen, dass strukturierte Daten die Trefferquote deutlich verbessern können. In einem veröffentlichten Testbericht stieg die Genauigkeit bei GPT-4 durch Schema-Ergänzung von 16 % auf 54 %. Das ist kein Universalwert für jede Website, zeigt aber die Größenordnung, in der technische Signale wirken können.

Wie strukturiere ich Inhalte für Entitäten-Sichtbarkeit?

LLM-Sichtbarkeit läuft auf zwei Ebenen: der parametrischen Ebene, also dem, was ein Modell aus seinen Trainingsdaten bereits „weiß“, und der Abrufebene, bei der es live Inhalte nachschlägt. Ihre Content-Strategie muss beide adressieren, nicht nur eine.

  • Answer-Capsules schreiben: Beginnen Sie jeden Abschnitt mit zwei bis drei Sätzen, die eine Frage vollständig und ohne Kontext davor beantworten, so wie ein Modell sie zitieren würde.
  • Thematische Cluster statt Einzelartikel bauen: Zehn tief verknüpfte Seiten zu einem Thema schlagen fünfzig verstreute Blogposts, weil Modelle Zusammenhänge über Verlinkung und wiederholte Begriffe erkennen.
  • Entitätskonsistenz durchsetzen: Nutzen Sie überall denselben Markennamen in derselben Schreibweise, pflegen Sie einen GEO-Grundlagenartikel als Referenzpunkt und halten Sie Angaben in Verzeichnissen, Social Profiles und der eigenen Website deckungsgleich.

Profi-Tipp: Widersprüchliche Angaben zwischen Ihrer Website und Branchenportalen schwächen die Zitierwahrscheinlichkeit messbar, weil Modelle Quellen gegeneinander abgleichen. Eine falsche Adresse auf einem veralteten Verzeichniseintrag reicht schon aus. Erwähnungen in etablierten Medien wie Fachpublikationen erhöhen zusätzlich die Chance, in Trainingsdaten überhaupt vertreten zu sein.

Welches Tool passt zu meinem Sichtbarkeits-Check?

Ein Gratis-Scan zeigt Ihnen eine Momentaufnahme, meist einen einzelnen Prompt-Durchlauf in einem oder zwei Modellen. Das reicht, um einen ersten Eindruck zu gewinnen, aber nicht, um Trends zu belegen oder Kunden regelmäßig zu reporten.

Ein echtes Monitoring-Tool sollte diese Kriterien erfüllen:

  • Multi-LLM-Abdeckung: ChatGPT, Gemini, Perplexity und Claude gleichzeitig, da je nach Modell die Abruflogik variiert und ein einzelnes Modell nie das ganze Bild zeigt.
  • Tägliche statt punktuelle Messung: Nur regelmäßige Läufe zeigen, ob eine Optimierung tatsächlich wirkt.
  • Quellen-Mapping: welche Domain das Modell als Beleg zitiert, nicht nur ob die Marke genannt wird.
  • White-Label-Reporting und API-Export: vor allem für Agenturen, die Ergebnisse unter eigener Marke an Kunden weitergeben.

Ein Tool sollte genau diese Kombination abdecken: tägliches Multi-LLM-Tracking, Quellenauswertung und exportierbare Reports, ohne dass Agenturen jeden Prompt händisch in Chat-Fenster tippen müssen.

Wer steckt hinter dieser Anleitung?

Verfasst hat diesen Leitfaden Harald Pfanner, SEO- und Content-Marketing-Experte bei growResonance, der sich täglich mit der Frage beschäftigt, wie Marken in Antwort-Systemen statt nur in Suchergebnissen auftauchen.

Für ein belastbares Kundenreporting gehören drei Elemente in jede Vorlage: die vier KPIs aus dem Abschnitt oben mit Zeitverlauf, eine Quellen-Mapping-Tabelle, die zeigt, welche Domains die KI zitiert, und eine priorisierte Fixliste mit den technischen und inhaltlichen Maßnahmen aus dieser Anleitung. Konkrete Kundenfälle mit Vorher-Nachher-Zahlen sind der stärkste Beleg im Pitch, sie gehören hier als Platzhalter eingeplant und später mit echten, dokumentierten Ergebnissen befüllt, nie mit erfundenen Zahlen.

Warum GEO für Agenturen kein Nischenangebot mehr ist

Nutzer fragen zunehmend direkt ChatGPT oder Perplexity statt Google, und mit 900 Millionen wöchentlichen Nutzern allein bei ChatGPT ist das kein Nischenverhalten mehr. Agenturen, die jetzt GEO als Leistung anbieten, verschaffen ihren Kunden einen Vorsprung, den klassisches SEO allein nicht mehr liefert. Mein konkreter Rat: Testen Sie noch heute den Sechs-Prompt-Schnellcheck bei einem Bestandskunden, bevor ein Wettbewerber es tut.

— Harald Pfanner: SEO- und Content-Marketing-Experte, Redakteur bei growResonance

growResonance: Der direkte Weg zu belastbaren KI-Sichtbarkeitsdaten

Ein manueller Schnellcheck mit sechs Prompts zeigt Ihnen den Status quo an einem Tag, aber Kunden erwarten Wochenreports mit Trendlinien, nicht Stichproben. growResonance schließt genau diese Lücke: tägliches Multi-LLM-Tracking über ChatGPT, Claude, Perplexity und Gemini, automatische Quellenauswertung und White-Label-Reports, die Sie unter der eigenen Agenturmarke an Kunden weitergeben, ohne selbst eine Zeile Code zu schreiben.

growResonance

Wer mehrere Kundenprojekte parallel betreut, kennt das Problem: Jeder manuelle Prompt-Test in mehreren Chat-Fenstern kostet Zeit, die niemand abrechnen kann. Das rollenbasierte Multi-Client-Management bündelt genau das an einer Stelle, inklusive API-Zugang für eigene Auswertungen. Starten Sie mit dem kostenlosen LLM-Sichtbarkeits-Check, um zu sehen, wo Ihre erste Kundenmarke aktuell steht, und werfen Sie danach einen Blick auf die Preise für Agenturen, um zu prüfen, welches Paket zur Größe Ihres Kundenstamms passt.

Quellen

Vertiefende Einblicke liefern die systematische Übersicht der fünf Sichtbarkeitsfaktoren, der Praxisleitfaden zur Sichtbarkeitsmessung und die technische RAG-Studie für alle, die die Abrufmechanik hinter LLMs verstehen wollen. Ergänzend lohnt der Vergleich von Multi-Projekt-Plattformen.

FAQ

Was bedeutet KI-Sichtbarkeit genau?

KI-Sichtbarkeit misst, ob und wie oft Ihre Marke in Antworten von ChatGPT, Gemini, Perplexity oder Claude genannt, zitiert oder empfohlen wird, unabhängig von klassischen Suchmaschinen-Rankings.

Wie viele Prompts brauche ich für einen ersten Check?

Sechs bis zehn Buyer-Intent-Prompts über zwei bis drei Modelle hinweg reichen für eine erste Einschätzung, professionelles Monitoring testet dagegen eine größere Anzahl von Anfragen täglich.

Was ist der Unterschied zwischen AI Mention Rate und Share of Voice?

Die AI Mention Rate zeigt, wie oft Ihre Marke überhaupt erwähnt wird, Share of Voice setzt diese Erwähnungen ins Verhältnis zu allen genannten Wettbewerbern bei denselben Prompts.

Reicht ein kostenloser Sichtbarkeits-Scan aus?

Ein Gratis-Scan liefert eine gute erste Momentaufnahme, für belastbare Trends und Kundenreporting brauchen Sie aber wiederholte Messungen über mehrere Wochen, wie sie ein Tool wie growResonance automatisiert liefert.

Welche technische Maßnahme wirkt am schnellsten?

Eine llms.txt-Datei und Schema-Markup wie Organization und FAQPage lassen sich meist innerhalb eines Tages umsetzen und verbessern nachweislich, wie präzise Modelle Ihre Inhalte interpretieren.

Empfehlungen