KI-Sichtbarkeit messen: Was ein Prozentwert wirklich aussagt
Ein Dashboard zeigt 42 Prozent KI-Sichtbarkeit. Klingt erst einmal ziemlich eindeutig. Die Marke kommt offenbar in einem guten Teil der Antworten vor. Vielleicht sogar häufiger als noch im vergangenen Monat.
Nur: 42 Prozent wovon?
Von zwanzig Fragen oder zweihundert? Von allgemeinen Wissensfragen oder konkreten Kaufentscheidungen? Wurde ChatGPT getestet, Perplexity oder Google AI Overviews? Und wie oft wurde dieselbe Frage gestellt?
Die Prozentzahl allein beantwortet keine dieser Fragen. Trotzdem wird sie inzwischen häufig behandelt, als wäre sie mit einem Google-Ranking vergleichbar.
Das ist verständlich. Unternehmen wollen wissen, ob sie in der KI-Suche vorkommen und ob ihre Arbeit etwas verändert. Dafür braucht es Kennzahlen. Man muss nur verstehen, was sie tatsächlich messen.
Was KI-Sichtbarkeit überhaupt bedeutet
Im Kern beschreibt KI-Sichtbarkeit, ob eine Marke in Antworten von Systemen wie ChatGPT, Gemini, Claude oder Perplexity erscheint.
Das kann sehr unterschiedlich aussehen.
Fragt jemand nach den besten Anbietern für eine bestimmte Software, könnte das System fünf Unternehmen empfehlen. Bei einer anderen Frage verweist es vielleicht auf einen Fachartikel eines Herstellers. Manchmal taucht eine Marke nur beiläufig in einer Erklärung auf. Und manchmal gar nicht.
Alle drei Formen der Präsenz sind interessant, aber sie haben nicht denselben Wert.
Eine Empfehlung bei einer konkreten Kaufentscheidung ist für ein Unternehmen in der Regel relevanter als die beiläufige Erwähnung bei einer allgemeinen Wissensfrage. Eine Verlinkung als Quelle kann wiederum zeigen, dass ein bestimmter Inhalt bei der Beantwortung einer Frage herangezogen wurde.
Deshalb lohnt es sich, zwischen Markennennung, Empfehlung und Quellenzitat zu unterscheiden.
Wer alles zusammenzählt, erhält zwar eine schöne Kennzahl. Für Entscheidungen im Marketing ist sie aber oft zu grob.
Der entscheidende Unterschied liegt in den Fragen
Stellen wir uns einen Hersteller von Wärmepumpen vor.
Auf die Frage „Wie funktioniert eine Wärmepumpe?“ muss seine Marke nicht unbedingt erscheinen. Ein neutraler Erklärtext ist hier möglicherweise die bessere Antwort.
Anders sieht es bei „Welche Wärmepumpenhersteller eignen sich für ein Mehrfamilienhaus?“ aus. Jetzt geht es um konkrete Anbieter, Produkte und möglicherweise eine spätere Investition.
Fehlt die Marke bei der zweiten Frage, ist das geschäftlich deutlich interessanter.
Beide Fragen können Bestandteil einer Sichtbarkeitsanalyse sein. Werden sie gleich gewichtet, vermischt man allerdings zwei unterschiedliche Situationen.
Genau deshalb beginnt eine aussagekräftige Messung mit der Auswahl der Fragen und nicht mit dem Dashboard.
Welche Probleme wollen potenzielle Kunden lösen? Nach welchen Alternativen suchen sie? Welche Anbieter vergleichen sie miteinander? Und an welcher Stelle einer Entscheidung wäre es relevant, dass unsere Marke vorkommt?
Ein gutes Fragen-Set bildet diese Situationen ab. Es soll nicht die Fragen enthalten, bei denen die eigene Marke erwartungsgemäß besonders gut abschneidet.
Sonst misst man vor allem, wie geschickt der Test zusammengestellt wurde.
Warum dieselbe Frage unterschiedliche Ergebnisse liefern kann
Wer regelmäßig mit ChatGPT oder Perplexity arbeitet, kennt das Phänomen: Eine Frage wird zweimal gestellt und die Antworten unterscheiden sich.
Vielleicht werden andere Anbieter genannt. Vielleicht steht eine andere Quelle an erster Stelle. Manchmal verändert sich nur die Formulierung, manchmal die gesamte Auswahl.
Das liegt unter anderem daran, dass generative Systeme nicht immer identische Antworten erzeugen. Auch Modellversionen, verfügbare Suchergebnisse, Sprache und Kontext können eine Rolle spielen.
Eine einzelne Antwort ist deshalb eine Beobachtung. Sie ist noch kein stabiler Nachweis für die Sichtbarkeit einer Marke.
Eine wissenschaftliche Vorveröffentlichung aus dem März 2026 beschäftigt sich genau mit diesem Problem. Die Untersuchung zeigt anhand wiederholter Messungen, dass sich Quellenzitate in generativen Suchsystemen deutlich verändern können. Unterschiede zwischen Domains sind dadurch nicht automatisch ein Beleg für tatsächliche Leistungsunterschiede.
Die Konsequenz ist relativ einfach: Wer Veränderungen messen möchte, sollte vergleichbare Fragen mehrfach prüfen und die Bedingungen der Messung dokumentieren.
Das macht die Analyse aufwendiger. Dafür wird sie wesentlich aussagekräftiger.
Wann ein AI Visibility Score sinnvoll ist
Trotz dieser Einschränkungen ist ein zusammengefasster Sichtbarkeitswert durchaus nützlich.
Er kann helfen, Entwicklungen über mehrere Wochen oder Monate zu beobachten. Besonders dann, wenn immer wieder dieselben relevanten Fragen unter möglichst vergleichbaren Bedingungen untersucht werden.
Wichtig ist, dass sich nachvollziehen lässt, wie der Wert zustande kommt.
Nehmen wir an, ein Unternehmen wird bei 12 von 30 untersuchten Fragen genannt. Für dieses Fragen-Set liegt die einfache Nennungsquote bei 40 Prozent.
12 von 3040 Prozent
Einfache Nennungsquote für dieses Fragen-Set. Ein angenommenes Beispiel.
Das ist eine klare, verständliche Aussage. Sie bedeutet allerdings nicht, dass das Unternehmen bei 40 Prozent aller möglichen KI-Anfragen sichtbar wäre.
Ändert man die Fragen, kann sich auch der Wert verändern.
Die Zahl ist also keine universelle Eigenschaft einer Marke. Sie beschreibt ein Ergebnis innerhalb einer definierten Untersuchung.
Besonders hilfreich wird sie in Kombination mit den Antworten dahinter. Welche Fragen führen zu einer Erwähnung? Welche Wettbewerber werden bevorzugt? Wo wird die eigene Website als Quelle verwendet? Und wo fehlen Informationen, die für eine Empfehlung wichtig wären?
Erst dadurch wird aus der Kennzahl ein Werkzeug, mit dem Unternehmen tatsächlich arbeiten können.
Was ein guter Sichtbarkeitsreport zeigen sollte
Ein Report muss nicht kompliziert aussehen, um belastbar zu sein. Er sollte aber seine Grundlage offenlegen.
Dazu gehören die untersuchten Systeme, die Auswahl der Fragen, der Messzeitraum und die verwendete Sprache. Auch die Unterscheidung zwischen Erwähnungen, Empfehlungen und Zitaten ist sinnvoll.
Besonders wichtig ist ein direkter Blick auf die Antworten.
Wenn ein Wettbewerber regelmäßig genannt wird, sollte erkennbar sein, in welchem Zusammenhang das passiert. Wird er wegen seiner Produktmerkmale empfohlen? Taucht er in Vergleichsartikeln auf? Oder nennt das System ihn lediglich, weil die Marke besonders bekannt ist?
Für die weitere Arbeit macht das einen erheblichen Unterschied.
Ein Unternehmen, dem technische Produktinformationen fehlen, hat ein anderes Problem als ein Anbieter, dessen Produkt zwar gut erklärt wird, der aber kaum in relevanten Vergleichen vorkommt.
Beides kann zu niedriger KI-Sichtbarkeit führen. Die sinnvolle Maßnahme ist jedoch nicht dieselbe.
Was Unternehmen an ihrer Sichtbarkeit tatsächlich verbessern können
Der erste Impuls ist häufig, mehr Content zu produzieren.
Dabei lohnt sich zunächst ein Blick auf das, was bereits existiert.
Kann ein potenzieller Kunde auf der Website verstehen, welches Problem das Unternehmen löst? Sind die Leistungen konkret beschrieben? Werden die Unterschiede zu Alternativen nachvollziehbar erklärt? Gibt es belastbare Informationen zu Einsatzgebieten, Kosten und Voraussetzungen?
Gerade bei komplexen Produkten sind diese Details entscheidend.
Ein Hersteller, der seine Maschinen mit technischen Daten, Anwendungsfällen und nachvollziehbaren Ergebnissen beschreibt, bietet eine andere Informationsgrundlage als ein Wettbewerber, der hauptsächlich von Innovation und Qualität spricht.
Hinzu kommt die technische Seite. Inhalte müssen für Suchsysteme erreichbar und verständlich sein. Wichtige Informationen sollten nicht ausschließlich in Bildern, Animationen oder geschlossenen Dokumenten stecken.
Google weist in seinen eigenen Empfehlungen darauf hin, dass für die Sichtbarkeit in AI Overviews und AI Mode weiterhin die grundlegenden SEO-Prinzipien gelten. Es braucht kein besonderes KI-Markup, das eine Platzierung garantiert.
Auch für ChatGPT Search spielt die Zugänglichkeit öffentlicher Webseiten eine Rolle. OpenAI beschreibt beispielsweise, wie Websitebetreiber den Zugriff des Such-Crawlers OAI-SearchBot steuern können.
Das sind keine geheimen Optimierungstricks. Es sind Voraussetzungen dafür, dass gute Informationen überhaupt gefunden und verwendet werden können.
Steigende Sichtbarkeit bedeutet nicht automatisch mehr Umsatz
Angenommen, die gemessene KI-Sichtbarkeit eines Unternehmens steigt innerhalb von drei Monaten deutlich.
Das ist ein positives Signal. Es zeigt, dass die Marke im untersuchten Fragen-Set häufiger vorkommt.
Ob daraus zusätzliche Kunden entstehen, ist eine andere Frage.
Nicht jede KI-Antwort führt zu einem Websitebesuch. Nicht jede Erwähnung ist eine Empfehlung. Und nicht jede Empfehlung entsteht in einer Situation, in der jemand unmittelbar kaufen möchte.
Deshalb sollte die Entwicklung der KI-Sichtbarkeit gemeinsam mit anderen Kennzahlen betrachtet werden. Dazu gehören organischer Traffic, qualifizierte Anfragen, tatsächliche Conversions und die Sichtbarkeit bei kaufnahen Fragen.
Auch der Zeitpunkt ist relevant. Wenn sich die Sichtbarkeit verbessert, nachdem neue Inhalte veröffentlicht wurden, ist das zunächst eine zeitliche Übereinstimmung. Ob die Inhalte die Veränderung verursacht haben, lässt sich daraus allein nicht beweisen.
Gerade bei jungen Disziplinen wie GEO ist diese Unterscheidung wichtig.
Die bessere Frage lautet: Wo fehlen wir und warum?
Ein einzelner AI Visibility Score ist ein guter Einstieg. Für die eigentliche Arbeit sind die Lücken dahinter meistens interessanter.
Bei welchen Fragen wird die Konkurrenz genannt, während die eigene Marke fehlt? Welche Informationen verwenden die Systeme, um Anbieter miteinander zu vergleichen? Und lassen sich diese Informationen auf der eigenen Website überhaupt finden?
Mit solchen Fragen lässt sich gezielt arbeiten.
Manchmal fehlt eine verständliche Leistungsseite. Manchmal eine technische Erklärung. In anderen Fällen können glaubwürdige externe Quellen oder eine klarere Positionierung helfen.
Nicht jedes Problem lässt sich mit einem weiteren Blogartikel lösen.
SEESZN betrachtet diese Lücken unter anderem im Rahmen des Absence Index. Das Modell untersucht, bei welchen relevanten Fragen eine Marke in generierten Antworten nicht vorkommt. Es ist ein Beobachtungsmodell und kein allgemeingültiger Branchenbenchmark.
Dieser Unterschied ist wichtig.
Denn am Ende sollte eine Sichtbarkeitsanalyse nicht beweisen, wie gut eine Marke bereits dasteht. Sie sollte zeigen, wo sie noch etwas verbessern kann.
Und dafür braucht man mehr als eine schöne Prozentzahl.