KI-Sichtbarkeit messen: Kennzahlen, Grenzen und ein belastbares Setup

Die Frage kommt inzwischen in jeder zweiten Sitzung: Wie sichtbar sind wir eigentlich in ChatGPT und in den KI-Antworten von Google. Die ehrliche erste Antwort lautet, dass sich diese Frage nicht so beantworten lässt wie die nach dem Ranking – nicht weil die Werkzeuge fehlen, sondern weil es die Größe nicht gibt, nach der gefragt wird.

Das ist kein Grund, auf Messung zu verzichten. Es ist ein Grund, sie anders aufzubauen: als wiederholte Stichprobe statt als Vollerhebung, als Zeitreihe statt als Momentaufnahme, und mit einer Kennzahlenlogik, die ihre eigene Unschärfe mitführt. Wer das akzeptiert, bekommt belastbare Aussagen. Wer eine Prozentzahl mit zwei Nachkommastellen erwartet, bekommt eine erfundene.

Warum klassische Rankingmessung hier nicht greift

Drei Eigenschaften von Antwortsystemen setzen die gewohnte Messlogik außer Kraft. Sie hängen zusammen, aber jede für sich reicht schon aus.

Antworten sind nicht deterministisch. Sprachmodelle wählen bei der Erzeugung aus Wahrscheinlichkeitsverteilungen aus. Dieselbe Frage, zweimal hintereinander gestellt, kann unterschiedliche Quellen nennen, unterschiedlich gewichten und unterschiedlich formulieren. Eine einzelne Abfrage ist damit keine Messung, sondern eine Ziehung.

Antworten sind kontextabhängig. Gesprächsverlauf, Konto, Region, Sprache und Endgerät beeinflussen das Ergebnis. Es gibt keine neutrale Ergebnisseite, die alle gleichermaßen sehen – und damit auch kein Objekt, das man stellvertretend beobachten könnte.

Es gibt keine offizielle Schnittstelle. Kein Anbieter veröffentlicht Positionen, Auswahlkriterien oder eine Abfragemöglichkeit für die eigene Sichtbarkeit. Google formuliert in seiner Anleitung zu generativen Funktionen ausdrücklich, dass kein Drittanbieter-Werkzeug Zugriff auf die internen Ranking- oder KI-Systeme hat. Wer mit internen Kennzahlen wirbt, wirbt mit etwas, das er nicht hat.

Daraus folgt der Charakter des gesamten Vorhabens: Jede Zahl, die hier entsteht, ist eine Stichprobe unter definierten Bedingungen. Das ist kein Mangel des Werkzeugs, sondern eine Eigenschaft des Gegenstands – und wenn die Bedingungen sauber festgehalten werden, ist eine Stichprobe für Steuerungszwecke völlig ausreichend.

Abzugrenzen ist das von der einmaligen Bestandsaufnahme. Ein GEO-Audit klärt einmalig, wo eine Marke steht, welche Wettbewerber dominieren und welche Hebel überhaupt in Frage kommen; wie eine solche Diagnose aufgebaut ist, beschreibt der Guide zum GEO Audit. Die laufende Messung hat einen anderen Zweck: Sie beantwortet nicht, wo man steht, sondern ob sich etwas bewegt. Beides braucht ein anderes Design, und das eine ersetzt das andere nicht.

Was trotzdem messbar ist

Belastbar wird die Messung, wenn mehrere unabhängige Datenquellen zusammengeführt werden, von denen jede etwas anderes zeigt. Keine einzelne trägt eine Aussage allein.

Die ersten vier Zeilen entstehen aus eigener Erhebung und sind Stichproben. Die letzten drei stammen aus Systemen, die zählen statt schätzen – dafür zeigen sie jeweils nur einen Ausschnitt. Erst die Kombination erlaubt es, eine Bewegung von einem Messfehler zu unterscheiden.

Das Prompt-Set: die eigentliche Konstruktionsentscheidung

Das Prompt-Set entscheidet, was überhaupt sichtbar werden kann. Fragen, die nicht darin vorkommen, existieren für die Messung nicht. Seine Zusammenstellung ist deshalb eine strategische Aufgabe und keine operative – und sie ist die Stelle, an der die meisten Setups scheitern.

Der häufigste Fehler ist ein Set, das überwiegend die eigene Marke abfragt. Wer ein System nach seinem Unternehmen fragt, bekommt fast immer eine Antwort über dieses Unternehmen. Der daraus errechnete Nennungsanteil liegt nahe hundert Prozent und sagt nichts. Gemessen werden muss der Fall, in dem die Marke nicht Teil der Frage ist.

1. Kategoriefragen ohne Markenbezug. Fragen nach Anbietern, Lösungen oder Verfahren in der eigenen Kategorie. Das ist der Kern des Sets, weil hier tatsächlich ausgewählt wird.
2. Problemfragen aus Käufersicht. Wie ein Interessent sein Problem beschreibt, bevor er weiß, dass es eine Anbieterkategorie dafür gibt. Diese Fragen sind sprachlich am weitesten von der eigenen Terminologie entfernt und deshalb aufschlussreich.
3. Vergleichs- und Auswahlfragen. Worauf zu achten ist, welche Kriterien zählen, welche Optionen sich gegenüberstehen. Hier entstehen die Empfehlungen, die eine Vorauswahl prägen.
4. Markenfragen. Nur zur Kontrolle von Richtigkeit und Tonalität – nicht zur Berechnung von Anteilen. Sie decken auf, welche falschen Zuschreibungen im Umlauf sind.

Für den Aufbau haben sich einige Regeln als praktikabel erwiesen. Der Wortlaut wird eingefroren: Wer zwischen zwei Erhebungen umformuliert, misst die eigene Bearbeitung mit. Die Fragen werden so gestellt, wie Menschen sprechen, nicht als Suchbegriffskette. Der Umfang bleibt konstant und in einer Größenordnung, die sich dauerhaft auswerten lässt – einige Dutzend Fragen sind als Arbeitsgröße meist realistischer als mehrere hundert, weil die Auswertung von Hand mitwachsen muss. Und jedes Set bekommt eine Versionsnummer, denn eine Änderung am Set ist eine Änderung am Messinstrument.

Nennungsanteil, Zitierquote und Tonalität

Nennung und Zitierung sind zwei verschiedene Dinge, und die Unterscheidung ist mehr als eine Feinheit. Eine Marke kann im Antworttext genannt werden, ohne dass die eigene Domain als Quelle verlinkt ist – dann stammt die Information aus fremden Belegen. Umgekehrt kann die eigene Domain als Beleg auftauchen, ohne dass der Markenname im Text erscheint. Der erste Fall ist ein Hinweis auf Erwähnungen im offenen Web, der zweite auf zitierfähige Inhalte. Sie erfordern unterschiedliche Maßnahmen und gehören deshalb getrennt erfasst.

Beide Größen brauchen Wiederholung, um überhaupt interpretierbar zu sein. Weil das Ergebnis pro Abfrage schwankt, ist ein einzelner Durchlauf je Frage nahezu wertlos – erst mehrere Durchläufe je Frage, System und Zeitraum ergeben einen Anteil, dessen Veränderung mehr aussagt als der Zufall. Wie viele Durchläufe nötig sind, hängt davon ab, wie stark die Antworten im konkreten Themenfeld schwanken; das lässt sich in der ersten Erhebung feststellen und danach festlegen.

Die dritte Größe wird am häufigsten übersehen und ist oft die wertvollste: die Rolle, in der die Nennung stattfindet. Eine Marke kann als Empfehlung auftauchen, als eine von vielen, als Randnotiz oder als Gegenbeispiel. Ein steigender Nennungsanteil bei gleichzeitig schlechter werdender Rolle ist ein schlechteres Ergebnis als ein stabiler Anteil. Damit diese Bewertung nicht vom Tagesurteil abhängt, braucht sie eine festgelegte Skala und eine dokumentierte Regel, nach der zugeordnet wird.

Der praktisch wichtigste Einzelbefund entsteht meist nebenbei: sachlich falsche Aussagen über das eigene Unternehmen. Sie sind unmittelbar bearbeitbar, weil sie fast immer auf eine fehlende, veraltete oder mehrdeutige öffentliche Quelle zurückgehen. Wer nur Anteile zählt und die Antworttexte nicht liest, findet sie nie.

Referral-Traffic aus KI-Quellen in der Analytics

Wenn jemand aus einer KI-Oberfläche heraus eine Quelle öffnet, entsteht eine Sitzung mit entsprechender Herkunft. Diese Sitzungen lassen sich in der Web-Analytics als eigene Gruppe ausweisen, statt sie in den allgemeinen Verweis- oder Direktzugriffen untergehen zu lassen. Das ist eine Konfigurationsarbeit von überschaubarem Umfang und die Voraussetzung dafür, die Größe überhaupt zu beobachten.

Bei der Bewertung ist Zurückhaltung angebracht. Die Zahlen sind fast immer klein im Verhältnis zum organischen Verkehr, und sie sind systematisch unvollständig: Nicht jede Oberfläche übergibt eine Herkunft, In-App-Browser verhalten sich anders, und ein Teil der Zugriffe landet zwangsläufig im Direktzugriff. Als Steuerungsgröße taugt der Wert deshalb nur in seiner Richtung, nicht in seiner Höhe.

Interessanter als die Menge ist die Beschaffenheit dieser Sitzungen. Sie beginnen häufig auf tiefen Inhaltsseiten statt auf der Startseite, und die Besucher kommen vorinformiert – sie haben die Antwort bereits gelesen und öffnen die Quelle zur Prüfung oder zum nächsten Schritt. Einstiegsseite und Folgeverhalten sagen deshalb mehr über die Wirkung aus als die Sitzungszahl.

Die grundsätzliche Grenze ist strukturell: Eine Nennung ohne Klick hinterlässt in der Analytics keine Spur, und sie ist der Regelfall. Was hier gemessen wird, ist der sichtbare Rest einer überwiegend unsichtbaren Wirkung – ein Problem, das der Sache nach dasselbe ist wie bei jeder Attribution im oberen Funnel. Wie sich Wirkung jenseits von Klickzahlen belegen lässt, behandelt der Guide zur Messung von SEO-Erfolg.

Crawler-Zugriffe in den Server-Logs als Frühindikator

Bevor ein Inhalt zitiert werden kann, muss er abgeholt worden sein. Genau das steht in den Server-Logs, und es ist die einzige Datenquelle im ganzen Setup, die früher reagiert als das Ergebnis selbst. Sie wird trotzdem selten ausgewertet, weil sie technisch weiter weg liegt als ein Analytics-Bericht.

Auswertbar sind drei Dinge: welche Systeme abrufen, welche URLs sie abrufen und wie häufig. Die Zuordnung ist möglich, weil die Anbieter ihre Zugriffskennungen dokumentieren. OpenAI beschreibt getrennte Crawler für die Suchfunktion und für das Modelltraining, die sich unabhängig voneinander steuern lassen; Google führt seine Crawler in einer eigenen Übersicht auf. Damit lässt sich der Zugriff nach Zweck unterscheiden, statt ihn pauschal als Bot-Verkehr abzutun.

• Neue oder überarbeitete Inhalte, die von keinem der Systeme abgeholt werden, können nicht in Antworten auftauchen. Das ist ein technisches Problem, kein inhaltliches.
• Ein Anstieg der Abrufe nach einem Relaunch oder einer Umstellung ist der erste Hinweis darauf, dass die technische Seite funktioniert – lange bevor sich in Antworten etwas zeigt.
• Eine geerbte oder versehentlich gesetzte Regel in der robots.txt, die ein gewünschtes System aussperrt, fällt hier auf und sonst nirgends.
• Ungleiche Abdeckung wird sichtbar: Wenn nur ein Teil des Inhaltsbestands regelmäßig abgeholt wird, ist der Rest faktisch nicht im Rennen.

Zwei Einschränkungen gehören dazu. Ein Abruf ist keine Nutzung – aus den Logs lässt sich nicht ableiten, ob ein Inhalt in einer Antwort verwendet wurde. Und Zugriffskennungen lassen sich fälschen; eine sichere Zuordnung ist nur über die von den Anbietern veröffentlichten Adressbereiche möglich. Für die Steuerung der Zugriffsregeln selbst gilt weiterhin der Standard für das Robots-Protokoll, der festlegt, wie diese Regeln auszuwerten sind.

Was Google selbst ausweist

Seit Juni 2026 stellt Google in der Search Console eigene Leistungsberichte für die generativen KI-Funktionen bereit, mit getrennten Ansichten für Suche und Discover. Ausgewiesen werden unter anderem Einblendungen, die betroffenen Seiten, Länder, Endgeräte und der zeitliche Verlauf. Google hat die Berichte zunächst für einen Teil der Websites ausgerollt, um sie zu erproben.

Diese Quelle hat im gesamten Setup eine Sonderstellung, weil sie als einzige nicht auf einer Stichprobe beruht, sondern auf der Zählung des Betreibers selbst. Wo sie verfügbar ist, gehört sie deshalb an den Anfang der Auswertung und nicht ans Ende.

Zwei Einschränkungen sind trotzdem zu beachten. Erstens deckt sie ausschließlich Google ab; für die Sichtbarkeit in anderen Antwortsystemen sagt sie nichts, weshalb sie das eigene Prompt-Set nicht ersetzt – Systeme wie ChatGPT bleiben nur über eigene Erhebung beobachtbar, wie der Guide zu ChatGPT-SEO ausführt. Zweitens sind Impressionen Einblendungen und keine Zitierungen: Sie zeigen, dass eine Seite in einer KI-Funktion erschienen ist, nicht in welcher Rolle und mit welchem Gewicht.

Nebenbei liefert Googles Dokumentation einen brauchbaren Prüfmaßstab für Angebote am Markt: Die ausdrückliche Feststellung, dass kein Drittanbieter-Werkzeug Zugriff auf die internen Systeme hat, macht jede Behauptung über interne Metriken überprüfbar falsch.

Warum Momentaufnahmen wertlos sind

Die Schwankung zwischen zwei Erhebungen liegt in derselben Größenordnung wie die Effekte, die man sucht. Ein einzelner Messpunkt kann deshalb nicht zwischen Wirkung und Streuung unterscheiden. Erst eine Reihe von Messpunkten unter identischen Bedingungen macht eine Richtung erkennbar – und selbst dann ist die Richtung die Aussage, nicht der einzelne Wert.

Vergleichbar bleibt eine Reihe nur, wenn das Messinstrument unverändert bleibt: gleiches Prompt-Set, gleicher Wortlaut, gleiche Systeme, gleiche Anzahl Durchläufe, gleicher Abstand, gleiche Bewertungsregeln. Jede Änderung daran unterbricht die Reihe. Wenn eine Änderung nötig ist, gehört sie mit Versionsnummer dokumentiert und nach Möglichkeit einmal parallel erhoben, damit sich der Versatz beziffern lässt.

Beim Rhythmus ist ein monatlicher Abstand für die meisten Fälle ein brauchbarer Kompromiss: wöchentlich erzeugt vor allem Rauschen, quartalsweise verpasst Modellwechsel. Diese Modellwechsel sind ohnehin die wichtigste Störgröße – die Anbieter aktualisieren ihre Systeme ohne Ankündigung, und ein Bruch in der Reihe kann daher ebenso gut ein Modellwechsel wie ein Ergebnis der eigenen Arbeit sein. Wer bekannte Anbieterveränderungen neben der Reihe protokolliert, kann solche Brüche später einordnen statt sie zu deuten.

Ein einzelner Messwert aus einem Antwortsystem beantwortet keine Frage. Er erzeugt nur das Gefühl, eine beantwortet zu haben.

Grenzen: was diese Messung nicht leisten kann

Die Grenzen gehören in jeden Bericht, sonst wird aus einer nützlichen Stichprobe eine irreführende Kennzahl.

Keine Vollerhebung. Sichtbar wird ausschließlich das eigene Set. Eine Aussage über den Anteil an allen KI-Antworten in einem Markt existiert nicht und lässt sich auch nicht schätzen, weil die Grundgesamtheit unbekannt ist.

Begrenzte Vergleichbarkeit zwischen Anbietern. Zwei Monitoring-Anbieter verwenden unterschiedliche Fragen, Durchlaufzahlen, Regionen und Modellstände. Sie werden für dieselbe Marke unterschiedliche Werte ausweisen, ohne dass einer davon falsch sein muss. Werte aus verschiedenen Quellen dürfen deshalb nicht in eine Reihe gemischt werden.

Keine belastbare Kausalität. Zwischen einer Maßnahme und einer Veränderung im Ergebnis liegen unkontrollierte Einflüsse: Modellwechsel, Wettbewerberaktivität, Berichterstattung, saisonale Verschiebungen. Die Reihe zeigt, dass sich etwas verändert hat, nicht zwingend warum.

Keine Aussage über den einzelnen Nutzer. Gemessen wird in einer neutralen Sitzung. Was ein bestimmter Interessent mit seinem Verlauf und seinen Einstellungen sieht, kann davon abweichen.

Richtig eingesetzt ist das Ergebnis ein Steuerungsinstrument, das eine Richtung anzeigt und Handlungsbedarf sichtbar macht. Als Leistungsnachweis mit Nachkommastellen taugt es nicht. Angebote, die genau das versprechen – marktweite Sichtbarkeitswerte mit anbieterübergreifender Vergleichbarkeit –, versprechen etwas, das der Gegenstand nicht hergibt.

Ein belastbares Setup in der Praxis

Zusammengesetzt ergibt sich ein Aufbau in sechs Schritten, der sich mit vertretbarem Aufwand betreiben lässt und dessen Ergebnisse einer Nachfrage standhalten.

1. Fragen festlegen. Gemeinsam mit Vertrieb und Fachbereich klären, welche Fragen im Kaufprozess tatsächlich gestellt werden. Das ist die einzige Stelle, an der Fachwissen aus dem Unternehmen unverzichtbar ist.
2. Prompt-Set versionieren. Wortlaut einfrieren, Kategorien ausbalancieren, Versionsnummer und Erhebungsbedingungen dokumentieren.
3. Systeme und Durchläufe festlegen. Welche Antwortsysteme erhoben werden, wie viele Durchläufe je Frage, in welcher Region und Sprache – und danach unverändert lassen.
4. Auswertung standardisieren. Für jede Antwort dieselben vier Felder erfassen: Nennung, Zitierung der eigenen Domain, Rolle der Nennung, genannte Wettbewerber. Eine schriftliche Zuordnungsregel ist wichtiger als das Werkzeug.
5. Weitere Datenquellen anschließen. Analytics-Kanal für KI-Verweise einrichten, Log-Auswertung nach Zugriffskennungen aufsetzen, verfügbare Search-Console-Berichte einbinden.
6. Berichtsformat festlegen. Reihe statt Momentwert, Wettbewerb im selben Bild, und die Grenzen als fester Bestandteil des Berichts statt als Fußnote.

Zum Aufwand gehört eine ehrliche Einordnung. Werkzeuge nehmen die Erhebung ab – es gibt Kategorien für die wiederholte Abfrage und Auswertung von Prompts, für die Analyse von Server-Logs und für die Kanalzuordnung in der Web-Analytics. Was sie nicht abnehmen, ist die Konstruktion des Sets und die Deutung der Ergebnisse. Der Nutzen liegt in der eingesparten Sammelarbeit, nicht im Urteil; genau darin unterscheiden sich diese Werkzeuge von Rank-Trackern, bei denen die Zahl für sich stand.

In welcher Tiefe sich dieser Aufbau lohnt, hängt davon ab, wie viel der eigenen Nachfrage tatsächlich über recherchierende Fragen entsteht. Als fortlaufende Leistung ist das AI Visibility Monitoring genau darauf zugeschnitten; die daraus abgeleitete inhaltliche Arbeit gehört in die Generative Engine Optimization, und wo die technische Auffindbarkeit noch die eigentliche Bremse ist, beginnt der Weg beim SEO Audit. Welche dieser drei Ebenen im Einzelfall zuerst dran ist, lässt sich in einem kurzen Gespräch eingrenzen.

Häufige Fragen zur Messung von KI-Sichtbarkeit

Warum lässt sich KI-Sichtbarkeit nicht wie ein Ranking messen?

Weil es keine Position gibt. Antworten werden stochastisch erzeugt, hängen von Verlauf, Konto und Region ab, und kein Anbieter veröffentlicht eine Schnittstelle für Positionen oder Auswahlkriterien. Google stellt zudem ausdrücklich fest, dass kein Drittanbieter-Werkzeug Zugriff auf die internen Systeme hat. Jede Zahl ist damit eine Stichprobe unter definierten Bedingungen, keine Vollerhebung.

Wie viele Prompts braucht ein belastbares Prompt-Set?

Wichtiger als die Anzahl ist die Zusammensetzung und die Konstanz. Einige Dutzend Fragen sind als Arbeitsgröße meist realistischer als mehrere hundert, weil die Auswertung dauerhaft leistbar bleiben muss. Entscheidend ist, dass der Wortlaut eingefroren wird, die Kategorien ausgewogen sind und jede Änderung am Set als neue Version dokumentiert wird.

Reicht es, die eigene Marke abzufragen?

Nein, das ist der häufigste Konstruktionsfehler. Wer ein System nach seinem Unternehmen fragt, bekommt fast immer eine Antwort über dieses Unternehmen; der Nennungsanteil liegt dann nahe hundert Prozent und sagt nichts aus. Aussagekräftig sind Kategorie-, Problem- und Vergleichsfragen ohne Markenbezug. Markenfragen dienen nur der Kontrolle von Richtigkeit und Tonalität.

Was zeigen Crawler-Zugriffe in den Server-Logs?

Sie zeigen, ob die Systeme die Inhalte überhaupt abholen – der früheste verfügbare Indikator, weil ein Abruf jeder möglichen Zitierung vorausgeht. Weil die Anbieter ihre Zugriffskennungen dokumentieren, lässt sich nach Zweck unterscheiden. Grenzen: Ein Abruf belegt keine Nutzung in einer Antwort, und Kennungen lassen sich fälschen; sicher ist die Zuordnung nur über veröffentlichte Adressbereiche.

Weist Google selbst Daten zur Sichtbarkeit in KI-Funktionen aus?

Ja. Seit Juni 2026 gibt es in der Search Console eigene Leistungsberichte für generative KI-Funktionen, mit getrennten Ansichten für Suche und Discover sowie Angaben zu Einblendungen, Seiten, Ländern, Geräten und Zeitverlauf. Der Rollout erfolgte zunächst für einen Teil der Websites. Die Daten decken ausschließlich Google ab und zeigen Einblendungen, nicht Zitierungen.

Sind die Zahlen verschiedener Monitoring-Anbieter vergleichbar?

Nur eingeschränkt. Anbieter arbeiten mit unterschiedlichen Fragen, Durchlaufzahlen, Regionen und Modellständen und kommen dadurch für dieselbe Marke zu unterschiedlichen Werten, ohne dass einer falsch sein muss. Werte aus verschiedenen Quellen sollten deshalb nie in dieselbe Zeitreihe gemischt werden. Vergleichbar ist immer nur eine Reihe mit sich selbst.

Fazit

KI-Sichtbarkeit lässt sich messen, aber nicht so, wie Rankings gemessen wurden. Was entsteht, ist eine wiederholte Stichprobe unter dokumentierten Bedingungen, ergänzt um drei zählende Datenquellen: Referral-Sitzungen in der Analytics, Crawler-Abrufe in den Server-Logs und, soweit verfügbar, Googles eigene Ausweisung in der Search Console. Jede dieser Quellen zeigt einen Ausschnitt, und erst zusammen ergeben sie ein Bild, das eine Entscheidung tragen kann.

Der größte Hebel liegt nicht im Werkzeug, sondern in zwei Konstruktionsentscheidungen: einem Prompt-Set, das die eigene Marke nicht in die Frage schreibt, und der Disziplin, das Messinstrument über die Zeit unverändert zu lassen. Wer beides einhält und die Grenzen im Bericht mitführt, hat eine Grundlage, die einer kritischen Nachfrage standhält. Wer stattdessen eine glatte Prozentzahl liefert, hat vor allem eines gemessen: die eigene Bereitschaft, eine Zahl zu erfinden.

Kostenlose Wachstumsanalyse anfragen →