So messen Sie die Sichtbarkeit Ihrer Marke in KI-Antworten (und warum die Zahl so ist, wie sie ist)

Jemand öffnet ChatGPT und tippt „bestes datenschutzfreundliches Analytics-Tool für einen Shopify-Shop in Deutschland“. Zurück kommen drei Namen, zu jedem ein Satz, dazu ein oder zwei Links. Die Person klickt auf einen davon. Das ist die gesamte Customer Journey: keine Ergebnisseite, kein Scrollen, keine zweite Meinung.

Ist Ihre Marke unter den dreien, haben Sie gerade einen Kunden gewonnen. Wenn nicht, haben Sie kein Ranking verloren; Sie waren gar nicht erst im Raum. Und Ihr Analytics-Dashboard verrät Ihnen davon nichts, außer dass der „Direct“-Traffic im letzten Monat leicht gestiegen ist.

Kurz gesagt:

• Sichtbarkeit in KI-Antworten ist der Anteil der Kauffragen, bei denen ein Modell Ihre Marke nennt, gemessen pro Frage, pro Modell und pro Wettbewerber.
• Stellen Sie 20–30 echte Kauffragen, jede dreimal, in jedem Modell, das für Sie zählt, und weisen Sie neben jedem Durchschnitt die Streuung aus.
• Verfolgen Sie sieben Kennzahlen: Erwähnungsrate, Position, Linkrate, Empfehlungsrate, Dominanzindex, Korrektheit und Varianz.
• Prüfen Sie, bevor Sie neue Seiten schreiben, ob KI-Crawler Ihre Website überhaupt lesen können. Geringe Sichtbarkeit hat meist eine technische Ursache.
• Messen Sie auch die zweite Achse: Besuche aus KI-Assistenten als eigenen Kanal in Ihrer Webanalyse.

Dieser Leitfaden zeigt, wie Sie diesen Raum vermessen: ob Sie darin vorkommen, wo Sie stehen, wer neben Ihnen steht und wie viele Menschen tatsächlich von der Antwort auf Ihre Website kommen. Er richtet sich an Marketer und Website-Betreiber, nicht an Data Scientists, und alles darin lässt sich für eine Handvoll Fragen von Hand erledigen, bevor Sie irgendetwas automatisieren.

Was „Sichtbarkeit in KI-Antworten“ tatsächlich bedeutet

Sichtbarkeit in KI-Antworten ist der Anteil der Kauffragen, die ein Modell mit der Nennung Ihrer Marke beantwortet. Gemessen wird pro Frage, pro Modell und pro Wettbewerber: ob die Marke überhaupt genannt wird, an welcher Position, mit oder ohne Link und wer daneben steht.

Der letzte Punkt ist der wichtigste. In der Suche gibt es zehn blaue Links und eine Position darunter. In einer KI-Antwort gibt es zwei oder drei Namen oder gar keinen. Es gibt keine „Seite zwei“, von der aus man sich hocharbeiten könnte. Entweder hat das Modell Ihre Marke für diese Frage auf dem Schirm oder nicht, und der Grund dafür ist meist ein anderer, als Sie vermuten.

Fragen statt Keywords

Keyword-Listen sind hier das falsche Ausgangsmaterial. Niemand tippt „Analytics Tool DSGVO“ in ChatGPT. Man stellt eine Frage und beschreibt dabei seine Situation, und die Situation verändert die Antwort.

Der erste Schritt ist daher eine Liste von Bedarfsszenarien: die Fragen, die Ihre Käufer tatsächlich stellen, gruppiert danach, wer fragt und was er will. Zwanzig bis dreißig Szenarien decken die meisten Unternehmen ab. So sieht ein Ausschnitt für einen Anbieter ergonomischer Bürostühle aus:

Auf drei Dinge kommt es an. Formulieren Sie die Fragen so, wie ein Mensch sie eintippen würde, auch die holprigen. Nehmen Sie Szenarien auf, in denen Sie mit einer Niederlage rechnen: Aus genau diesen lernen Sie etwas. Und halten Sie die Liste zwischen den Messungen stabil. Wenn Sie die Fragen jeden Monat ändern, messen Sie keine Entwicklung, sondern Ihre eigenen Änderungen.

Stellen Sie jede Frage mehr als einmal

Diesen Teil lassen die meisten weg, und genau er entscheidet, ob Ihre Zahlen etwas aussagen.

Sprachmodelle arbeiten nicht deterministisch. Stellen Sie dieselbe Frage dreimal, erhalten Sie drei verschiedene Antworten: mal mit Ihrer Marke in allen dreien, mal nur in einer. Ein einzelner Durchlauf ist ein Münzwurf, der sich als Report ausgibt.

Die Lösung ist unspektakulär: Stellen Sie jede Frage pro Durchlauf mehrmals (drei ist ein sinnvolles Minimum) und weisen Sie die Streuung zusammen mit dem Durchschnitt aus. Ihre Erwähnungsrate ist nicht „58 %“, sondern „58 % ± 9 Punkte“. Liegt der Wert im nächsten Monat bei 63 %, wissen Sie, dass das im Rauschen liegt. Liegt er bei 78 %, ist etwas passiert.

Eine nützliche Regel: Wachstum zählt nur, wenn es größer ist als die Streuung. Wer schon einmal eine „+8 %“-Folie präsentiert hat, die sich beim nächsten Durchlauf in Luft auflöste, weiß, warum.

Sieben Kennzahlen, die sich lohnen

Sobald die Antworten vorliegen, müssen Sie aus Text Zahlen machen. Diese sieben decken fast alles ab, was ein Marketingteam wissen will, und jede hat eine einfache Definition, die Sie für eine kleine Stichprobe von Hand berechnen können.

Der Dominanzindex verdient eine Erklärung. Eine Möglichkeit, ihn zu bilden: Jede Antwort gibt einer Marke bis zu vier Punkte, je einen für die Erwähnung, die Nennung an erster Stelle, einen Link und eine Empfehlung. Ihr Index ist Ihre Punktzahl geteilt durch die Punkte aller Marken in denselben Antworten, mal 100. Über alle Marken ergibt er zusammen 100, verhält sich also wie ein Marktanteil und lässt sich genauso lesen. Liegt Ihrer bei 45 und der Ihres nächsten Wettbewerbers bei 31, wissen Sie, zu wem das Modell zuerst greift.

Wir haben das am 2. Oktober 2026 für unsere eigene Marke gemacht: sieben Szenarien, vier Modelle, drei Wiederholungen, 84 Antworten. EuroMetrics kam auf einen Dominanzindex von 7, gegenüber 32 für Plausible und 20 für Matomo, bei einem Share of Voice von 21 % und einem Link in 18 % der Antworten. Nicht schmeichelhaft, aber genau die Art von Zahl, die Sie brauchen, bevor Sie entscheiden, was Sie angehen.

Erfassen Sie alle sieben pro Modell, nicht nur als Durchschnitt. Manche Modelle versehen fast jede Antwort mit Quellen, andere nur selten. Eine gemischte „Linkrate“ verdeckt diesen Unterschied und damit auch die Entscheidung, wo Sie investieren sollten.

Speichern Sie die Antworten, nicht nur die Prozentwerte

Speichern Sie jede Antwort vollständig, mit jedem Link, den das Modell ausgegeben hat. Das klingt nach einem Detail der Datenhaltung. Tatsächlich ist es die nützlichste Entscheidung der ganzen Methode, aus drei Gründen.

Erstens lässt sich jede Zahl auf den Text zurückführen, aus dem sie entstanden ist. Fragt jemand, warum die Korrektheit gesunken ist, öffnen Sie die Antworten und lesen nach, was das Modell falsch dargestellt hat. Meist ist es ein veralteter Preis, ein eingestelltes Produkt oder die Behauptung eines Wettbewerbers, die als Tatsache wiedergegeben wird.

Zweitens sehen Sie, wer Ihren Platz eingenommen hat. In den Antworten, in denen Ihre Marke fehlt, hat das Modell irgendetwas zitiert: ein Vergleichsportal, einen Marktplatz-Eintrag, einen Reddit-Thread, den Ratgeber eines Wettbewerbers. Die Liste dieser Seiten, sortiert nach Häufigkeit, ist Ihre To-do-Liste außerhalb der eigenen Website. In unserem eigenen Durchlauf tauchten 140 der 184 Quellen, die neben einer der beobachteten Marken zitiert wurden, ausschließlich neben Wettbewerbern auf. Diese Liste ist auch die einzige ehrliche Antwort auf die Frage „Warum die und nicht wir?“.

Drittens lässt sich die Historie kostenlos neu berechnen. Ergänzen Sie einen vergessenen Wettbewerber oder eine Schreibweise Ihrer Marke, mit der Sie nicht gerechnet haben, und jeder frühere Durchlauf wird anhand der gespeicherten Antworten neu bewertet. Keine neuen Durchläufe, keine unterbrochene Trendlinie, keine Kosten.

Warum die Zahl so ist, wie sie ist

Jetzt kommt der unbequeme Teil. Geringe Sichtbarkeit hat fast immer eine technische Ursache, und die ist im Browser nicht zu sehen: Für Sie sieht die Website einwandfrei aus, weil Sie kein KI-Crawler sind.

Bevor Sie auch nur eine neue Seite schreiben, führen Sie sieben Prüfungen durch. Sie liefern neben dem „Wie viel“ auch das „Warum“.

Zugang

1. Lässt robots.txt jeden KI-Crawler einzeln zu? GPTBot und OAI-SearchBot, ClaudeBot, PerplexityBot und Googlebot sind unterschiedliche Tokens, und eine Regel für einen davon sagt nichts über die anderen aus.
2. Was liefert der Server tatsächlich aus, wenn der Besucher ein KI-Crawler ist? Eine Firewall oder ein Bot-Schutz kann einen Crawler blockieren, den robots.txt zulässt, und meldet Ihnen das nicht.

Inhalt

1. Bekommt der Crawler so viel Text, wie ein Mensch sieht? Die meisten KI-Crawler führen kein JavaScript aus; der Googlebot schon. Werden Ihre Produktbeschreibungen clientseitig gerendert, bekommt der Crawler nur das Gerüst.
2. Ist der Text ganz ohne JavaScript lesbar: Überschriften, Preise, Adressen, direkt im HTML, das der Server ausliefert?

Marke

1. Sagt das Markup maschinell überprüfbar, wem diese Website gehört? Eine Organization-Entität mit Name, Logo und Links zu Ihren anderen Profilen macht den Unterschied zwischen „eine Website über Stühle“ und „die Website dieses Unternehmens“.
2. Sind Ihre Laden- oder Büroadressen als Text sichtbar oder in einem Karten-Widget versteckt, das der Crawler nicht lesen kann?

Konventionen

1. Die neueren Signale: llms.txt, Markdown-Versionen für Agenten, Content Signals-Header. Gut zu kennen, aber keines davon ersetzt die sechs Punkte oben. Google schreibt in seinem Leitfaden zu generativen KI-Funktionen, dass es solche Dateien nicht verwendet.

Die Prüfungen 1, 3 und 4 erledigen Sie im Terminal in weniger als einer Minute. Rufen Sie eine Produktseite zweimal ab, einmal als Browser und einmal als Crawler, und zählen Sie die Wörter:

curl -sA "Mozilla/5.0 (Windows NT 10.0) Chrome/128.0" https://example.com/product | wc -w
curl -sA "GPTBot/1.2 (+https://openai.com/gptbot)" https://example.com/product | wc -w

Ist die zweite Zahl nur ein Bruchteil der ersten, haben Sie Ihr Problem gefunden, noch bevor Sie sich mit dem Wettbewerb beschäftigen. Für eine einzelne Seite ohne Terminal prüft unser kostenloser SEO-Checker den Zugang für KI-Crawler, robots.txt und das Schema-Markup in einem Durchgang.

Ein echtes Beispiel aus unseren eigenen Messungen in diesem September: Ein Onlinehändler lieferte einem KI-Crawler 22 % des Textes, den ein Mensch sieht, und keine einzige Zeile Markup, aus der hervorging, zu welchem Unternehmen die Website gehört. Von außen war es eine Website wie jede andere. Aus Sicht des Modells existierte sie kaum.

Die zweite Achse: Wer tatsächlich kam

Alles bisher misst, was die Modelle sagen. Es verrät Ihnen nicht, ob daraufhin jemand gehandelt hat, und genau danach wird Ihr CFO fragen.

Traffic aus KI-Assistenten kommt meistens mit einem Referrer an: chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai. Fast jedes Analytics-Tool sortiert diese unter „Referral“ ein, neben irgendeinem Blog, oder verliert sie an „Direct“, wenn der Referrer fehlt. So oder so sehen Sie KI-Plattformen nicht als eigene Traffic-Quelle und damit auch nicht deren Landingpages, das Verhalten dieser Besucher oder ihre Conversions.

Zwei Dinge sollten Sie ändern. Legen Sie die KI-Referrer in einen eigenen Kanal, getrennt von der organischen Suche und von allgemeinen Referrals. Und akzeptieren Sie die Grenze ehrlich: Manche Assistenten übergeben überhaupt keinen Referrer, dieser Kanal ist also eine Untergrenze, keine Obergrenze. Was Sie sehr wohl sagen können: „Mindestens so viele Menschen kamen über KI-Antworten, und das haben sie getan.“ Das ist mehr, als die meisten Teams heute sagen können.

Legen Sie beide Achsen nebeneinander, und Sie wissen, was zu tun ist. Erwähnungsrate steigt, KI-Traffic bleibt gleich: Das Modell nennt Sie, verlinkt Sie aber nicht, also arbeiten Sie an der Linkrate. Erwähnungsrate bleibt gleich, KI-Traffic steigt: Das Modell schickt Menschen auf eine Seite, mit der Sie nicht gerechnet haben, also sehen Sie sich diese Seite an. Beides steigt: Die Maßnahmen haben gewirkt; jetzt schreiben Sie die Fallstudie.

Drei Dinge, die Sie vorab klarstellen sollten

Jede ehrliche Messung hat Grenzen, und es ist besser, sie gleich zu Beginn zu nennen als im dritten Monatsbericht.

Noch ist nicht jede Oberfläche messbar. ChatGPT, Claude, Gemini, Perplexity und Google AI Overview lassen sich durch gezielte Abfragen messen. Einige regionale Assistenten sind derzeit über keinen Datenanbieter erreichbar und bleiben deshalb außen vor, bis sich das ändert.

KI-Blöcke erscheinen nicht bei jeder Suchanfrage. Google zeigt bei manchen kommerziellen Fragen eine AI Overview und bei anderen eine Reihe von Shopping-Ergebnissen. Das ist ein Messergebnis, kein Messfehler. Legen Sie Abdeckungsziele im Verhältnis zum Anteil der Anfragen fest, bei denen der Block überhaupt erscheint.

Modelle ändern sich. Retrieval-Backends werden ausgetauscht, Antwortformate ändern sich, ein Modell verlinkt plötzlich mehr oder weniger. Eine Trendlinie über ein Modell-Update hinweg braucht eine Fußnote. Erst die vollständig gespeicherten Antworten (siehe oben) machen diese Fußnote möglich.

Eine monatliche Routine für einen Nachmittag

1. Frieren Sie die Szenarioliste ein. Zwanzig bis dreißig Fragen, gruppiert nach Segment und Absicht. Ändern Sie sie nur, wenn sich Ihr Geschäft ändert.
2. Stellen Sie jede Frage dreimal in jedem Modell, das für Sie zählt, jeden Monat am selben Tag. Speichern Sie die vollständigen Antworten.
3. Werten Sie die sieben Kennzahlen pro Modell aus, jeweils mit der Varianz daneben. Vergleichen Sie mit dem Vormonat und ignorieren Sie alles, was innerhalb der Streuung liegt.
4. Lesen Sie die Antworten, in denen Sie fehlen, und listen Sie die Seiten auf, die stattdessen zitiert werden. Das sind Ihre Ziele für Outreach und Content.
5. Wiederholen Sie die sieben Prüfungen an den Seiten, die das Modell zitieren sollte. Beheben Sie die Probleme und messen Sie dann erneut.
6. Sehen Sie sich den KI-Kanal in Ihrer Webanalyse an: Besuche, Landingpages, Conversions. Führen Sie jede Veränderung auf die Kennzahlen oben zurück.

Machen Sie das einen Monat lang von Hand, und Sie wissen mehr über Ihre Sichtbarkeit in KI-Antworten als die meisten Ihrer Wettbewerber. Danach werden Sie es automatisieren wollen.

So macht es EuroMetrics

Das Modul AI Visibility setzt diese Methode für Sie um. Es stellt Ihre Bedarfsszenarien nach Zeitplan an ChatGPT, Claude, Gemini, Perplexity und Google AI Overview, jeweils mehrmals, und speichert jede Antwort mit ihren Quellen. Es berechnet Erwähnungsrate, Position, Links, Empfehlungen, Korrektheit und Dominanz pro Modell, pro Szenario und pro Wettbewerber, mit der Streuung neben jeder Zahl und einer Liste der Seiten, die Ihren Platz eingenommen haben. Die Prüfungen laufen gegen die Seiten, die zitiert werden sollten. Und weil das Modul Teil Ihrer Traffic-Analyse ist, erscheinen Besuche aus KI-Assistenten als eigener Kanal neben der Suche, samt Landingpages und Conversions.

Ein Produkt, zwei Achsen: ob Sie in der Antwort vorkommen und was Ihnen das gebracht hat.

Möchten Sie sehen, wie Ihre Marke in KI-Antworten dasteht?
Erste Messung anfragen →

Häufige Fragen

Ist das dasselbe wie AEO oder GEO?

AEO (Answer Engine Optimization) und GEO (Generative Engine Optimization) bezeichnen die Arbeit, mit der Seiten häufiger zitiert werden sollen. Dieser Leitfaden beschreibt die Messung, die zeigt, ob diese Arbeit überhaupt etwas bewirkt: den Spielstand, nicht den Spielplan. Sie brauchen beides, und der Spielstand sollte zuerst kommen.

Wie viele Szenarien und Wiederholungen brauche ich wirklich?

Für eine einzelne Marke in einem Markt ergeben 20–30 Szenarien, jeweils dreimal in vier oder fünf Modellen gestellt, ein stabiles Monatsbild, also etwa 300–450 Antworten pro Durchlauf. Weniger Szenarien machen die Zahlen sprunghaft, weniger Wiederholungen machen sie wertlos. Mehr lohnt sich erst, wenn der erste Satz stabil ist.

Kann ich das mit der ChatGPT-App statt über die API machen?

Für einen ersten Eindruck ja, und so entwickeln Sie gut ein Gespür dafür. Für eine Trendlinie nein: Die App nutzt Personalisierung und Gedächtnis, die Antworten je nach Nutzer und Sitzung verändern, sodass zwei Personen mit derselben Frage zu unterschiedlichen Ergebnissen kommen. Eine Messung braucht jedes Mal dieselben neutralen Bedingungen.

Warum sind sich die Modelle so uneinig?

Sie nutzen unterschiedliche Suchindizes, unterschiedliche Retrieval-Regeln und unterschiedliche Gewohnheiten beim Verlinken. In unserem eigenen Durchlauf vom 2. Oktober 2026 versahen Claude und Perplexity jeweils 21 von 21 Antworten mit Quellen, Gemini dagegen nur 15 von 21. Deshalb werden die Kennzahlen pro Modell erfasst: Ein Durchschnitt über alle Modelle verdeckt genau die Unterschiede, auf die Sie reagieren würden.