KI-Sichtbarkeit messen: So entstehen belastbare statt beliebige Ergebnisse.

Kurz erklärt

KI-Sichtbarkeit wird gemessen, indem relevante Kundenfragen über eine klar benannte KI-Oberfläche geprüft und die Antworten strukturiert ausgewertet werden. Erfasst werden unter anderem eigene Nennungen, ausdrückliche Empfehlungen, Wettbewerber, verfügbare Quellen und technische Fehler. Aussagekräftig wird die Messung erst durch mehrere passende Fragen und wiederholte, vergleichbare Messzeitpunkte.

Was bedeutet KI-Sichtbarkeit in einer Messung?

KI-Sichtbarkeit beschreibt, ob und wie ein Unternehmen in Antworten eines generativen Systems vorkommt. Dabei sind verschiedene Ergebnisse möglich: Das Unternehmen kann lediglich genannt, ausdrücklich empfohlen, als Quelle zitiert oder gar nicht berücksichtigt werden. Diese Zustände sollten getrennt erfasst werden.

Eine Messung bezieht sich immer auf eine konkrete Frage und eine konkrete technische Oberfläche. Eine Antwort der OpenAI Responses API mit Websuche ist eine beobachtbare API-Antwort. Sie darf nicht automatisch als identisch mit jeder Antwort in der öffentlichen ChatGPT-Oberfläche bezeichnet werden. Dasselbe gilt für andere Provider.

Die Messung liefert daher keine absolute Wahrheit über alle KI-Systeme. Sie erzeugt eine dokumentierte Stichprobe. Mehrere sinnvolle Stichproben können Muster sichtbar machen und zeigen, bei welchen Themen, Leistungen oder Standorten ein Unternehmen stärker oder schwächer vorkommt.

Welche Prompts sollten Unternehmen prüfen?

Gute Messfragen orientieren sich an echten Entscheidungssituationen. Ein Nutzer sucht selten nur nach einem Firmennamen. Er beschreibt ein Problem, eine Leistung, einen Standort oder ein Auswahlkriterium. Deshalb sollte ein Heizungsbetrieb nicht ausschließlich mit dem Begriff Heizungsbauer geprüft werden, sondern auch mit Wärmepumpe, Heizungssanierung oder Notdienst.

Ein ausgewogenes Set enthält unterschiedliche Fragetypen. Erkennungsfragen prüfen, ob das System das Unternehmen grundsätzlich zuordnen kann. Branchenfragen untersuchen offene Anbieterlisten. Leistungsfragen verbinden ein konkretes Angebot mit einer Region. Empfehlungsfragen verlangen eine engere Auswahl und sollten deshalb getrennt bewertet werden.

Prompts müssen präzise genug sein, um zur Zielgruppe zu passen, dürfen aber den gewünschten Firmennamen nicht künstlich vorgeben. Die Frage Welcher Anbieter ist empfehlenswert? misst etwas anderes als Ist Unternehmen X empfehlenswert? Nur die erste Variante zeigt eine unbeeinflusste Anbieterauswahl.

• Erkennung: Was ist Unternehmen X und welche Leistungen bietet es?
• Branche: Welche Anbieter für Leistung Y gibt es in Region Z?
• Empfehlung: Welcher Anbieter für Leistung Y in Region Z ist empfehlenswert?
• Problem: Wer kann bei Problem X in Region Z helfen?
• Auswahl: Worauf sollte ich bei einem Anbieter für Leistung Y achten?

Die wichtigsten Kennzahlen für KI-Sichtbarkeit

Die Nennquote zeigt, bei welchem Anteil erfolgreicher Antworten das eigene Unternehmen vorkam. Die Empfehlungsquote ist enger: Sie zählt nur Antworten, in denen das Unternehmen tatsächlich als Empfehlung oder geeignete Auswahl dargestellt wurde. Beide Werte benötigen einen klar definierten Nenner.

Zusätzlich ist die Abdeckung wichtig. Wenn von zehn geplanten Fragen nur zwei technisch beantwortet wurden, darf ein Ergebnis nicht denselben Vertrauensgrad besitzen wie eine vollständige Messung. Technische Fehler werden deshalb nicht als fachliche Nichtnennungen gewertet, sondern reduzieren die Messabdeckung.

Wettbewerber- und Quellenzahlen helfen bei der Einordnung. Häufig genannte Anbieter zeigen, mit wem ein Unternehmen in der beobachteten Antwort konkurriert. Quellen zeigen nur dann einen tatsächlichen Einfluss, wenn der Provider sie in der konkreten Antwort geliefert hat. Eine vermutete Quelle darf nicht als gemessene Citation erscheinen.

Technische Fehler und Nichtnennungen richtig trennen

Eine abgebrochene API-Anfrage sagt nichts darüber aus, ob ein Unternehmen fachlich sichtbar wäre. Rate Limits, Zeitüberschreitungen, unvollständige Antworten oder Schemafehler müssen als technische Fehler gespeichert werden. Sie dürfen weder den Score verschlechtern noch als Nichtnennung dargestellt werden.

Eine fachliche Nichtnennung liegt nur vor, wenn eine auswertbare Antwort vorhanden ist und das Unternehmen darin nach den festgelegten Erkennungsregeln nicht gefunden wurde. Dabei müssen Namensvarianten, Rechtsform, Marke und Domain berücksichtigt werden, ohne ähnlich benannte Unternehmen fälschlich zuzuordnen.

Auch Antworten ohne Quellen bleiben grundsätzlich auswertbar, wenn das Messziel eine Nennung ist. Für Aussagen über einflussreiche Websites sind sie jedoch ungeeignet. Ein gutes Dashboard zeigt daher Ergebnis, Provider, Modell, Zeitpunkt, Antworttext und Quellenstatus getrennt.

• API- und Netzwerkfehler separat speichern
• nur auswertbare Antworten in Nennquoten aufnehmen
• Namensvarianten kontrolliert berücksichtigen
• Quellenstatus getrennt vom Antwortstatus darstellen
• fehlende Daten niemals durch Schätzwerte ersetzen

Wie werden Messungen über Zeit vergleichbar?

Für einen Verlauf sollten Kernfragen stabil bleiben. Werden Prompt, Zielregion und Leistung bei jeder Messung vollständig verändert, ist eine Entwicklung kaum interpretierbar. Neue Fragen können ergänzt werden, sollten aber als Erweiterung des Messsets erkennbar bleiben.

Auch Modell und Messoberfläche gehören in den Verlauf. Ein Providerwechsel oder eine neue Modellversion kann Antworten verändern, ohne dass sich die Website geändert hat. Deshalb sollte die Scoring-Logik versioniert werden und nur vergleichbare Runs gemeinsam darstellen.

Generative Antworten bleiben variabel. Ein einzelner Rückgang ist nicht automatisch ein realer Sichtbarkeitsverlust. Unternehmen sollten mehrere Messpunkte, verschiedene relevante Fragen und die technische Abdeckung betrachten. Erst wiederkehrende Muster rechtfertigen eine strategische Reaktion.

Ein praxistauglicher Messablauf für KMU

Zuerst werden Unternehmen, Website, Kernleistungen und Zielregion korrekt erfasst. Danach entsteht ein überschaubares Set relevanter Fragen. Für einen lokalen Dienstleister reichen zum Start häufig Fragen zu Erkennung, Branche, zwei wichtigen Leistungen und einer Empfehlungssituation.

Der erste Run bildet die Ausgangslage. Unternehmen prüfen anschließend die Evidenz statt nur den Score: Wurde die eigene Firma erkannt? Welche Wettbewerber erscheinen? Welche Quellen werden geliefert? Passen die Antworten zur tatsächlichen Leistung und Region? Daraus werden wenige konkrete Maßnahmen abgeleitet.

Nach Umsetzung und ausreichender Verarbeitungszeit folgt eine erneute Messung. Die Ergebnisse werden nicht nur auf Verbesserung geprüft, sondern auch auf Abdeckung und Modelländerungen. So wird aus Prompt-Experimenten ein kontrollierter Optimierungsprozess.

• Unternehmensprofil und Zielsetzung festlegen
• fünf bis zehn relevante Kernfragen definieren
• Ausgangsmessung mit Evidenz speichern
• Website und digitale Signale prüfen
• priorisierte Maßnahmen umsetzen
• vergleichbar erneut messen und Verlauf bewerten

Häufige Fragen zu GEO

Wie viele Prompts braucht eine KI-Sichtbarkeitsmessung?

Es gibt keine universelle Mindestzahl. Für einen Einstieg sind mehrere unterschiedliche, geschäftsrelevante Fragen sinnvoll. Ein Score aus weniger als drei erfolgreichen Antworten sollte besonders vorsichtig interpretiert werden.

Sind API-Antworten mit ChatGPT identisch?

Nicht zwingend. Modelle, Systemanweisungen, Suchzugriff und Produktoberflächen können sich unterscheiden. Eine seriöse Messung benennt deshalb die tatsächlich verwendete technische Oberfläche.

Wie oft sollte KI-Sichtbarkeit gemessen werden?

Monatliche Messungen sind für viele KMU ein sinnvoller Ausgangspunkt. Häufigere Tests erzeugen nicht automatisch bessere Erkenntnisse und können durch natürliche Antwortvariabilität unnötige Unruhe verursachen.