KI-Sichtbarkeit messen, ohne sich selbst zu täuschen

Um KI-Sichtbarkeit zu messen, erstellen Sie ein festes Prompt-Panel auf Basis echter Zielgruppenfragen, führen es regelmäßig in ChatGPT, Gemini, Perplexity und Google AI Overviews aus und halten fest, ob Ihre Marke erwähnt, zitiert oder verlinkt wird und wie sie beschrieben wird. Wiederholen Sie die Durchläufe, weil Antworten variieren, und berichten Sie Trends statt Einzelergebnisse.

Warum ist KI-Sichtbarkeit schwer zu messen?

Aus drei Gründen – und es hilft, sie offen auszusprechen, bevor jemand ein Dashboard baut.

• Antworten sind nicht deterministisch. Stellen Sie dieselbe Frage zweimal, erhalten Sie womöglich andere Marken, andere Quellen und andere Formulierungen.
• Antworten sind personalisiert und kontextabhängig. Standort, Kontoverlauf, Gesprächskontext und Modellversion verschieben die Ergebnisse.
• Es gibt keine veröffentlichte „Position“. Anders als bei einem Suchranking gibt es keinen offiziellen Rang zum Nachschlagen, und die meisten KI-Plattformen bieten Marken nur begrenzte Analysen.

Jeder einzelne Screenshot, auf dem ein Assistent Ihre Marke nennt oder eben nicht, ist also eine Anekdote. Messen heißt Stichproben ziehen.

Was sollten Sie messen?

Bei SNMRush erfassen wir vier Ebenen, passend zu unserem Namen: Suche, neuronale Antworten und Markennennungen.

1. Präsenz: der Anteil der Prompts, in denen Ihre Marke überhaupt erwähnt wird.
2. Zitation: der Anteil, in dem eine Ihrer Seiten als Quelle angezeigt oder verlinkt wird.
3. Genauigkeit: ob die Beschreibung stimmt (Kategorie, Angebot, Standort, keine Verwechslung mit anderen Marken).
4. Anteil an Erwähnungen: wie oft Sie im Verhältnis zu genannten Wettbewerbern im selben Panel vorkommen.

Behalten Sie daneben die klassischen Suchmetriken im Blick, denn viele KI-Antworten beruhen auf Suchergebnissen: Rankings für dieselben Fragen, Impressionen in der Search Console und Referral-Traffic aus KI-Tools in Ihrer Analyse (Quellen wie chatgpt.com oder perplexity.ai tauchen inzwischen in vielen Referral-Berichten auf).

Wie erstellt man ein Prompt-Panel?

Das Panel ist das Herzstück der Methode, und seine Qualität entscheidet, ob die Zahlen etwas bedeuten.

Die meisten Teams beginnen mit einem Prompt-Brainstorming im Meeting. Heraus kommt eine Liste von Fragen, die das Marketingteam stellen würde – selten das, was Kunden fragen. Wir bauen Panels stattdessen aus Belegen. SNMRush nutzt SOMIN, eine KI-Plattform für Zielgruppenforschung, um die Fragen und Spannungsfelder sichtbar zu machen, die Menschen in echten Social-Media-Gesprächen zu einer Kategorie äußern, und formuliert Prompts in der eigenen Sprache der Zielgruppe. Die Methode beschreiben wir in Die Fragen finden, die Ihre Zielgruppe stellt.

Ein ausgewogenes Panel umfasst in der Regel:

• Kategoriefragen: „Wie gelingt … am besten?“, „Welche Tools helfen bei …?“
• Problemfragen: die Spannungsfelder hinter der Suche, so formuliert, wie Menschen sie formulieren.
• Vergleichsfragen: „X vs. Y“, „Alternativen zu X“.
• Markenfragen: „Was ist [Marke]?“, „Ist [Marke] gut für …?“
• Lokale Varianten, wenn Sie in mehr als einem Markt tätig sind.

Fünfzig bis hundertfünfzig Prompts sind für die meisten Marken eine praktikable Größe. Frieren Sie das Panel für ein Quartal ein, damit Trends vergleichbar bleiben.

Wie oft sollten Sie es ausführen?

Monatlich reicht für die meisten Marken, wobei jeder Prompt pro Engine mehrmals ausgeführt wird, um Schwankungen auszugleichen. Halten Sie Datum, Engine, Modus (zum Beispiel mit oder ohne Websuche), Standort und vollständige Antwort fest. Bewahren Sie die Rohantworten auf; Sie werden sie erneut lesen wollen, wenn sich eine Zahl bewegt.

Definitionen

• Prompt-Panel: eine feste Liste von Fragen, mit der KI-Antworten über die Zeit stichprobenartig erfasst werden.
• Präsenzrate: Prozentsatz der Panel-Durchläufe, in denen Ihre Marke erwähnt wird.
• Zitationsrate: Prozentsatz der Durchläufe, in denen Ihre Domain als Quelle angezeigt wird.
• Anteil an Erwähnungen: Ihre Erwähnungen als Anteil an allen erfassten Markennennungen im Panel.

Was sind die häufigsten Fehler?

• Einen einzelnen Durchlauf berichten. Eine Antwort ist eine Stichprobe von eins.
• Das Panel jeden Monat ändern. Damit verlieren Sie die Vergleichbarkeit.
• Erwähnungen zählen, ohne sie zu lesen. Eine Erwähnung, die Sie falsch beschreibt, ist ein Problem, kein Erfolg.
• Kausalität behaupten. Steigt die Präsenz, nachdem Sie eine Seite veröffentlicht haben, ist das ermutigend, aber kein Beweis. Modelle werden aktualisiert, Wettbewerber verändern sich, und Engines justieren ihr Retrieval nach.
• Das Geld ignorieren. Sichtbarkeit ist ein Mittel zum Zweck. Verknüpfen Sie sie, wo möglich, mit Anfragen und Umsatz.

Der letzte Punkt verdient Nachdruck. Unsere Schwester-App FMedia argumentiert für Paid Media, dass Vanity-ROAS den echten Gewinn verschleiert; das Gegenstück bei der KI-Sichtbarkeit ist eine steigende Zahl an Erwähnungen, die nie zu einem Gespräch mit einem Käufer führt. Verfolgen Sie assistierte Conversions und Anfragequellen zusammen mit den Sichtbarkeitsmetriken.

Wie sollten Ergebnisse berichtet werden?

Am besten funktioniert eine einseitige monatliche Auswertung: die vier zentralen Raten mit Trendlinien, die Prompts mit der größten Bewegung, drei wörtlich zitierte Antwortbeispiele, die Quellen, die KI-Engines in Ihrer Kategorie am häufigsten zitieren, und eine kurze Maßnahmenliste. Die Seite SOMIN-Reporting zeigt eine ähnliche Philosophie, breiter auf Marketing-Reporting angewendet: Jede Zahl sollte sich auf die Belege dahinter zurückführen lassen.

Wie Agenturen belegbasiertes Reporting zum Teil der Kundenbeziehung machen, zeigt die Analytic-Partners-Fallstudie.

Wie sieht eine gute Baseline aus?

Es gibt keinen universellen Benchmark, und Sie sollten jedem misstrauen, der einen nennt. Eine gute Baseline ist schlicht Ihr eigenes erstes Quartal an Daten, konsistent gemessen. Von dort aus werden die Fragen praktisch: Welche Prompts erwähnen uns nie, welche Quellen zitieren die Engines stattdessen, und was wäre nötig, um die bessere Quelle zu werden?

Noch ein praktischer Tipp: Protokollieren Sie das Modell oder den Modus, den jede Engine anzeigt, sofern sichtbar. Wenn eine Plattform ein neues Modell ausrollt, können sich Ergebnisse über Nacht verschieben, und Sie werden das vom Effekt Ihrer eigenen Arbeit trennen wollen.

Hier wird Messung wieder zu Arbeit: Die Antworten zeigen, welcher antwortorientierte Content zu schreiben ist, welche Entitäten zu klären und welche Erwähnungen zu verdienen sind. Ehrlich messen, die Lücken angehen und erneut messen.