KI-Sichtbarkeit messen: Vier Kennzahlen für eine belastbare Methode

Ob eine Marke in ChatGPT, Gemini oder AI Mode empfohlen wird, lässt sich prüfen. Aber wer KI-Sichtbarkeit messen will, scheitert selten am Tool und fast immer an der Statistik.

Die Frage erreicht mich inzwischen regelmäßig: „Können Sie prüfen, ob wir in ChatGPT auftauchen?“ Die ehrliche Antwort lautet: Prüfen kann das jeder. Einmal fragen, Screenshot machen, fertig. Nur ist das keine Messung, sondern eine Anekdote. Und Anekdoten sind eine gefährliche Grundlage für Budgetentscheidungen.

Dieser Artikel erklärt, warum KI-Sichtbarkeit messen ein Statistikproblem ist, welche vier Kennzahlen eine belastbare Aussage ermöglichen und wie sich der Messaufwand an die tatsächliche Unternehmensgröße anpassen lässt: vom Konzern-Monitoring bis zum Snapshot-Audit für den Mittelstand.

Das Grundproblem: KI-Antworten sind keine Rankings

Wer aus der klassischen SEO kommt, bringt eine Denkgewohnheit mit, die hier in die Irre führt: die Vorstellung einer stabilen Ergebnisliste. Ein Google-Ranking auf Position 3 ist heute und morgen mit hoher Wahrscheinlichkeit ähnlich. Es lässt sich abfragen, dokumentieren, vergleichen.

KI-Antworten funktionieren anders, und zwar aus drei Gründen, die sich nicht wegoptimieren lassen.

Erstens: Nicht-Determinismus. Dieselbe Frage, zweimal hintereinander gestellt, erzeugt unterschiedliche Antworten. Sprachmodelle generieren Text probabilistisch. Welche Marken in einer Empfehlungsliste auftauchen, kann zwischen zwei Durchläufen wechseln, ohne dass sich an der zugrunde liegenden Datenlage irgendetwas geändert hat.

Zweitens: Personalisierung. ChatGPT speichert Gesprächskontext und Nutzerinformationen über Sitzungen hinweg. Google personalisiert AI-Mode-Ergebnisse auf Basis des Nutzerverhaltens. Die Antwort, die ein Bestandskunde erhält, der schon dreimal nach Ihrer Produktkategorie gefragt hat, unterscheidet sich systematisch von der Antwort an einen anonymen Erstnutzer. Es gibt keine neutrale Antwort, die „das“ Ergebnis wäre.

Drittens: Kontextabhängigkeit. KI-Suche ist dialogisch. Die Empfehlung im fünften Gesprächsschritt, nachdem der Nutzer Budget, Anwendungsfall und Vorlieben genannt hat, hat mit der Antwort auf eine isolierte Erstfrage wenig gemein. Ein Prompt-Tracker misst fast immer den isolierten Erstkontakt. Der reale Kaufprozess sieht anders aus.

Die Konsequenz aus allen drei Punkten ist dieselbe: Eine einzelne Beobachtung hat keinen Aussagewert. Wer KI-Sichtbarkeit messen will, misst eine Verteilung über viele Durchläufe, Formulierungsvarianten und Zeitpunkte hinweg. Wer das als lästigen Mehraufwand betrachtet, hat das Messproblem noch nicht verstanden: Die Wiederholung ist nicht der Preis der Methode, sie ist ihr Inhalt.

KI-Sichtbarkeit messen: vier Kennzahlen, die eine Aussage tragen

Wenn KI-Sichtbarkeit eine Verteilung ist, braucht es Kennzahlen, die Verteilungen beschreiben. Vier haben sich in der Praxis als tragfähig erwiesen. Jede beantwortet eine andere Frage.

1. Mention Rate: Werde ich überhaupt genannt?

Der Anteil der Durchläufe, in denen die eigene Marke in der Antwort erwähnt wird. Wird ein Prompt-Set von 50 Prompts je fünfmal ausgeführt und die Marke erscheint in 80 von 250 Antworten, liegt die Mention Rate bei 32 %. Wichtig dabei: Erfasst werden müssen alle Schreibweisen, auch die, mit denen die KI die Marke möglicherweise benennt. Wer nur nach dem offiziellen Firmennamen sucht, unterschätzt die eigene Präsenz systematisch.

2. Citation Rate: Werde ich als Quelle verlinkt?

Der Anteil der Antworten, in denen die eigene Website als Quelle zitiert oder verlinkt wird. Das ist eine härtere Währung als die bloße Erwähnung: Eine Nennung kann aus Trainingsdaten stammen und veraltet sein. Eine Zitation bedeutet, dass das System die Website aktiv als Beleg heranzieht. Sie ist zugleich der Pfad, über den tatsächlich Traffic entsteht. Mention Rate und Citation Rate klaffen bei vielen Marken weit auseinander, und genau diese Lücke ist diagnostisch wertvoll: Hohe Mention Rate bei niedriger Citation Rate deutet darauf hin, dass die Marke bekannt ist, die Website aber nicht als zitierfähige Quelle funktioniert.

3. Top-3 Presence: Bin ich in der engeren Wahl?

KI-Empfehlungslisten haben eine steile Aufmerksamkeitskurve. Wer als achte von zehn Optionen genannt wird, existiert im Entscheidungsprozess praktisch nicht. Die Top-3 Presence misst den Anteil der Antworten, in denen die Marke unter den ersten drei genannten Optionen erscheint. Sie ist das KI-Pendant zur Unterscheidung zwischen „rankt irgendwo auf Seite 1″ und „rankt in den Top 3″. Für kommerzielle Prompts ist sie die wichtigste der vier Kennzahlen.

4. Stability Score: Kann ich den Zahlen trauen?

Die am häufigsten übersehene Dimension: Wie konstant sind die ersten drei Kennzahlen über wiederholte Messungen? Ein Rechenbeispiel macht den Punkt greifbar: Eine Mention Rate von 60 %, die zwischen den Messwochen zwischen 40 % und 80 % pendelt, beschreibt eine fundamental andere Situation als stabile 60 %. Der Stability Score quantifiziert diese Streuung. Er beantwortet die Frage, die vor jeder Interpretation stehen muss: Ist die beobachtete Veränderung ein Signal, oder liegt sie innerhalb des normalen Rauschens?

Ohne diese vierte Kennzahl sind die ersten drei nicht interpretierbar. Das ist der Kern des Statistik-Arguments: Wer die Streuung nicht kennt, kann Veränderung nicht von Zufall unterscheiden. Jede Monatsauswertung, die einen Anstieg der Mention Rate von 30 % auf 35 % als Erfolg verkauft, ohne die Streuung auszuweisen, ist methodisch wertlos.

Das Prompt-Set: Warum Keyword-Daten nicht reichen

Die Qualität jeder Messung steht und fällt mit den Prompts, die gemessen werden. Hier liegt eine Versuchung, die aus der SEO-Gewohnheit stammt: das Prompt-Set aus der Keyword-Recherche abzuleiten. Suchvolumen-Daten aus Search Console oder Ahrefs zeigen aber, wonach Menschen googeln. Wie sie mit einer KI sprechen, zeigen sie nicht.

Der Unterschied ist empirisch belegt: Prompts an ChatGPT sind im Schnitt deutlich länger als Google-Suchanfragen. Laut Semrush-Clickstream-Daten liegt die durchschnittliche Prompt-Länge 2026 bei 8,7 Wörtern, fast doppelt so lang wie im Vorjahr. Nutzer geben der KI Kontext mit, den sie einer Suchmaschine nie mitgeben würden: Budget, Anwendungsfall, bisherige Erfahrungen, persönliche Einschränkungen. „Laufschuhe Herren Test“ und „Ich laufe dreimal pro Woche 10 km auf Asphalt, habe Probleme mit dem Fußgewölbe und suche einen stabilen Schuh unter 150 Euro“ sind zwei verschiedene Welten. Nur die zweite bildet ab, wie Kaufentscheidungen in KI-Systemen tatsächlich vorbereitet werden.

Ein belastbares Prompt-Set entsteht deshalb aus drei Quellen.

Reale Kundenfragen. Support-Tickets, Beratungsanfragen, dokumentierte Einwände aus dem Vertrieb. Hier stehen die Formulierungen, Unsicherheiten und Vorbehalte, mit denen echte Interessenten in den Kaufprozess gehen, inklusive der unbequemen Fragen, die in keiner Keyword-Datenbank auftauchen.

Klassische Suchdaten, aber mit klarer Aufgabenteilung. Search Console und Keyword-Tools liefern keine Prompt-Vorlagen, dafür etwas anderes: Sie zeigen, in welchen Themenfeldern kommerziell relevante Nachfrage existiert und wo der Markt bereits gesättigt ist. Das Prompt-Set deckt diese Felder ab; die Formulierungen selbst kommen aus der ersten Quelle. Wer Suchdaten direkt in Prompts übersetzt, misst eine Nutzung, die es so nicht gibt.

Systematische Variation. Jede inhaltliche Frage wird in mehreren Formulierungsvarianten gemessen: direkt, kontextreich, vergleichend, mit und ohne Markennennung des Wettbewerbs. Erst die Varianz über Formulierungen hinweg zeigt, ob eine Sichtbarkeit robust ist oder am Wortlaut hängt.

Benchmark: Ohne Wettbewerbsbezug ist jede Zahl bedeutungslos

Eine Mention Rate von 40 %: Ist das gut? Die Frage ist ohne Referenz unbeantwortbar. Wenn der stärkste Wettbewerber bei 75 % liegt, ist es ein Alarmsignal. Wenn die gesamte Branche zwischen 20 % und 45 % streut, ist es eine Spitzenposition.

Jede Kennzahl wird deshalb für die eigene Marke und die relevanten Wettbewerber erhoben. Dabei entsteht in der Praxis regelmäßig eine Asymmetrie, die Ergebnisse verzerrt: Für die eigene Marke wird sorgfältig erfasst, jede Schreibvariante, jede gängige Abkürzung, während beim Wettbewerber nur der Hauptname gezählt wird. Diese ungleiche Sorgfalt produziert Zahlen, die besser aussehen, als die Lage ist. Die Erfassungslogik muss für alle gemessenen Marken identisch sein, sonst vergleicht die Auswertung Äpfel mit halben Birnen.

Native Daten: Was die Search Console inzwischen liefert

Lange war jede Messung von KI-Sichtbarkeit ausschließlich auf externe Beobachtung angewiesen: simulierte Prompts, Dritttools, Stichproben. Das ändert sich gerade. Google hat mit den Generative AI Performance Reports in der Search Console erstmals eine First-Party-Datenquelle geschaffen. Die Reports zeigen Impressionen der eigenen URLs in AI Overviews und AI Mode (sowie in generativen Features von Discover), aufgeschlüsselt nach Seiten, Ländern, Geräten und Zeitverlauf.

Die Einschränkungen sind real: Der Rollout erfolgt schrittweise und hat längst nicht alle Properties erreicht. Klickdaten fehlen komplett. Und die Daten decken nur Googles KI-Oberflächen ab; ChatGPT, Perplexity und andere Systeme bleiben außen vor.

Trotzdem verändert das die Messarchitektur. Für den Google-Anteil der KI-Sichtbarkeit gibt es jetzt eine Referenzquelle, gegen die sich extern gemessene Daten validieren lassen. Die Pages-Dimension beantwortet zudem eine Frage, die externe Messung nie beantworten konnte: Welche konkreten URLs zieht Googles KI tatsächlich heran? Diese Seiten sind die Blaupause. Ihre Struktur, Faktendichte und Aktualität zeigen, was das System als zitierfähig bewertet.

Praktische Konsequenz: Wer noch keinen Zugriff auf die Reports hat, dokumentiert jetzt die Baseline der klassischen Performance-Daten. Der Vorher-Nachher-Vergleich ist nur möglich, wenn der Vorher-Zustand festgehalten wurde.

Messrhythmus: Wie viel Monitoring ein Unternehmen wirklich braucht

Die unbequemste Frage kommt zum Schluss: Wie viel Messung ist wirtschaftlich vernünftig?

Die Tool-Landschaft suggeriert, kontinuierliches Monitoring sei der Standard: tägliche Messläufe, Dashboards, Alerts. Für Unternehmen mit dediziertem SEO-Team und laufenden Content-Investitionen kann das stimmen. Für die Mehrheit der mittelständischen Unternehmen gilt ein anderer Maßstab: Messung ist nur so viel wert wie die Handlungen, die daraus folgen.

Wer nicht die Ressourcen hat, monatlich auf Sichtbarkeitsveränderungen zu reagieren, etwa mit Content-Überarbeitung, Strukturanpassungen oder neuen Inhalten, braucht auch kein monatliches Monitoring. Ein Dashboard, das niemand in Entscheidungen übersetzt, ist eine Abonnementgebühr für ein gutes Gewissen.

Der realistischere Einstieg für die meisten Unternehmen ist das Snapshot-Audit: eine vollständige Messung nach der beschriebenen Methodik, mit definiertem Prompt-Set, mehrfachen Durchläufen, allen vier Kennzahlen und Wettbewerbsbenchmark, zu einem festen Zeitpunkt und wiederholt im Quartals- oder Halbjahresrhythmus. Das liefert belastbare Standortbestimmungen und Trendaussagen ohne laufende Kosten für Daten, die niemand nutzt. Steigt die Handlungsfrequenz, lässt sich der Messrhythmus jederzeit verdichten.

Wichtig ist die Reihenfolge: erst klären, welche Handlungsfähigkeit tatsächlich besteht, und erst danach den Messumfang festlegen. Wer es andersherum macht, kauft Daten für Entscheidungen, die nie getroffen werden.

Fazit: KI-Sichtbarkeit messen heißt wiederholen

KI-Sichtbarkeit ist messbar, aber nur für den, der sie als das behandelt, was sie ist: eine Verteilung, kein Ranking. Ein einzelner Prompt ist eine Anekdote. Ein Prompt-Set ohne Wiederholung ist eine Momentaufnahme. Erst wiederholte Messung mit ausgewiesener Streuung macht aus Beobachtung eine Grundlage für Entscheidungen.

Die vier Kennzahlen Mention Rate, Citation Rate, Top-3 Presence und Stability Score sind kein Tool-Feature, sondern eine Methodik: Sie definieren Anforderungen an die Datenerhebung, nicht an eine bestimmte Software, und lassen sich notfalls mit einem strukturierten manuellen Verfahren umsetzen. Was sich dagegen durch kein Werkzeug ersetzen lässt: die Ableitung der Prompts aus echtem Kundenverständnis, der konsequente Wettbewerbsbezug und ein Messumfang, der zur eigenen Handlungsfähigkeit passt.