AI Visibility tracken

Wie sich das Suchverhalten verändert

Auch wer weiterhin eine Anfrage bei Google eintippt, sieht heute meist zuerst eine KI-generierte Antwort, bevor der erste blaue Link erscheint. Suchmaschinen haben KI-Zusammenfassungen an die Spitze der Ergebnisseite gerückt, und der Effekt auf das Klickverhalten ist messbar. Laut einer Analyse von SparkToro auf Basis von Similarweb-Clickstream-Daten endeten Anfang 2026 rund 68 Prozent der Google-Suchanfragen in den USA ganz ohne Klick auf eine externe Website.

Dieser Wandel ist real, bedeutet aber nicht, dass die eigene Website an Bedeutung verliert. Es sind nun zwei Zielgruppen unterwegs statt einer: Menschen kommen weiterhin über Suche, Social Media und direkten Traffic. Parallel dazu durchsuchen große Sprachmodelle die Website, fassen sie zusammen und speisen diese Zusammenfassung in z. B. eine ChatGPT-Antwort oder ein AI Overview ein. Weil diese zweite Zielgruppe in den gängigen SEO-Daten und Traffic-Reports nicht auftaucht, lohnt es sich, sie gezielt zu messen. Denn ein relevanter Teil der aktuellen Markensichtbarkeit läuft wahrscheinlich bereits über diesen Kanal.

Genau deshalb sollten Sie Ihre AI Visibility tracken und ihr einen eigenen Platz neben dem bestehenden SEO-Tracking in Ihrer Marketing Measurement Strategie geben, nicht als Ersatz dafür.

Warum ein einzelner Prompt nichts aussagt

Zum Start ist der naheliegende Impuls, ChatGPT oder ein anderes Tool zu öffnen, eine Frage zur eigenen Marke oder Kategorie zu stellen und zu schauen, was zurückkommt. Das ist ein vernünftiger Einstieg, aber der Grund, warum das nur einen Teil der Geschichte zeigt, liegt in der Funktionsweise selbst, nicht in einer Datenlücke.

Wenn ein LLM eine Frage beantwortet, die von aktuellen Informationen profitiert, greift es meist über Retrieval-Augmented Generation (RAG) auf live durchsuchte Webinhalte zurück, statt sich ausschließlich auf während des Trainings gelerntes Wissen zu verlassen. Diese Anbindung ist auch der Grund, warum Antworten schwanken: Welche Quellen zurückkommen, hängt davon ab, was im jeweiligen Moment frisch indexiert und gerankt ist, und wie sauber ein Modell diese Quellen einordnen kann, hängt wiederum stark davon ab, wie klar strukturiert die zugrunde liegenden Daten sind. Dieselbe Frage zweimal gestellt kann deshalb zwei unterschiedliche Antworten liefern, mit unterschiedlichen genannten Marken, unterschiedlichen zitierten Quellen und unterschiedlichem Tonfall.

Ein praktisches Detail: Wer manuell testet, sollte für jeden Prompt eine neue Chat-Session starten. Folgefragen innerhalb derselben Unterhaltung lassen das Modell auf seine eigenen vorherigen Antworten zurückgreifen, was das Ergebnis verzerrt. Wer stattdessen über eine API testet, sollte den Temperature-Parameter auf 0 setzen, um die generative Varianz des Modells zu minimieren (auch wenn Live-Retrieval und modellseitige Updates weiterhin zu Schwankungen führen).

Eine einzelne Antwort aufzuzeichnen und als "so sichtbar sind wir" zu interpretieren, ist, als würde man eine Person nach ihrer Meinung fragen und das Ergebnis als Marktstimmung ausgeben.

So lässt sich AI Visibility tracken

Das Messprinzip ist klar, sobald man es als das behandelt, was es ist: eine Stichprobenerhebung, ähnlich wie Brand-Health-Tracking, nur dass das Modell die befragte Instanz ist:

1. Repräsentative Prompts definieren. Ein Set an Prompts formulieren, das widerspiegelt, wie die eigene Kundschaft tatsächlich Fragen stellt, nicht nur reine Marken-Suchen.
2. Jeden Prompt wiederholt ausführen, jedes Mal in einer neuen Session. Eine einzelne Antwort ist kein Muster, und dieselbe Chat-Session weiterzuführen lässt frühere Antworten die nächste beeinflussen. Sie sollten daher denselben Prompt mehrfach in neuen Sessions stellen, bis sich die Ergebnisse stabilisieren.
3. Mehr als ein Modell abfragen. Je nach Markt tragen ChatGPT, Gemini, Perplexity, Claude & Co. alle einen relevanten Anteil an AI-Search-Sessions. Wer AI Visibility nur mit einem Modell trackt, bekommt daher ein verzerrtes Bild.
4. Erst aggregieren, dann Schlüsse ziehen. Den Durchschnitt über alle Antworten betrachten: Share of Voice in AI-Antworten (wie oft die Marke überhaupt auftaucht), Brand Citation Rate (wie oft sie als Quelle zitiert wird), das Ranking innerhalb von Empfehlungen sowie das Sentiment, das die Marke umgibt. Hier eine Liste von AI Search KPIs.
5. Regelmäßig wiederholen. Die Sichtbarkeit in KI-Antworten verschiebt sich, sobald Modelle aktualisiert werden und Wettbewerber neue Inhalte veröffentlichen. Eine einmalige Prüfung hat daher eine kurze Halbwertszeit.

Dieser Prozess lässt sich im ersten Schritt manuell mit einer Tabelle und einer Handvoll Prompts umsetzen. Wir empfehlen, ihn zu automatisieren, sobald das Prompt-Set und das Abfragevolumen wachsen.

Manuelles Tracking oder ein spezialisiertes Tool?

Wer AI Visibility tracken möchte, kann zunächst problemlos manuell nach den oben beschriebenen Schritten starten. In manchen Fällen ist das sogar ein guter Einstieg, um ein erstes Gefühl für die eigene Sichtbarkeit zu bekommen. Aufgrund des Zeit- und Datenaufwands ist ein manueller Ansatz auf Dauer nicht tragfähig. Langfristig braucht es eine stärker automatisierte Lösung. Eine Option ist, den Prozess mit einem Set an Skripten zu automatisieren, die LLMs gezielt abfragen, die Antworten speichern, aufbereiten und in einem eigens gebauten Report darstellen. Das ist eine individuelle Lösung, die wir für einige unserer Kunden bereits umgesetzt haben.

Angesichts der wachsenden Nachfrage in diesem Bereich sind in den vergangenen Jahren eine Reihe von AI-Visibility-Tools entstanden. Diese Tools liefern Antworten auf die AI-Visibility-Frage mit minimalem Zeit- und Datenaufwand auf der eigenen Seite. Man gibt Markenname, Branche, Website und idealerweise eine Liste relevanter Themen ein. Das Tool entwirft daraufhin ein Set an Prompts, sendet diese an mehrere LLMs und zeigt die resultierende Sichtbarkeit, das Ranking, Erwähnungen und Sentiment in einem Dashboard, typischerweise mit einer Abfrage von mindestens drei verschiedenen Modellen. Diese vorgeschlagenen Prompts sind ein Ausgangspunkt. Die Prompts, die wirklich zählen, sind die, die die eigene Kundschaft realistischerweise stellen würde, und diese sauber zu definieren ist ein eigenes Thema, auf das wir im weiteren Verlauf dieser Serie noch zurückkommen.

Alle drei Ansätze folgen demselben Messprinzip, unterscheiden sich jedoch in Zeitaufwand, Kosten, Anpassbarkeit und Transparenz.

Das Fazit

KI ist zu einem echten Recherche- und Entscheidungskanal geworden, der neben der klassischen Suche steht, statt sie vollständig zu ersetzen. Wer AI Visibility tracken kann und die Werte in die eigene Sichtbarkeits- und Awareness-Messung einbezieht, bekommt das vollständigere Bild und ist der wachsenden KI-gestützten Suche einen Schritt voraus. Im nächsten Beitrag unserer Serie schauen wir uns an, wie AI-Visibility-Tools unter der Haube tatsächlich funktionieren und wie Sie das passende Tool für Ihren eigenen Anwendungsfall auswählen.

Sind Sie bereit, einen eigenen Ansatz für AI-Visibility-Tracking aufzubauen?

Zum Academy Workshop: AI Visibility

Guià Resina Urpí, Senior Business Analyst bei Hopmann Marketing Analytics, arbeitet an Projekten zu Data Strategy, AI Search Visibility und Marketing Measurement für internationale Unternehmen.