Ratgeber · Messung

KI-Sichtbarkeit messen: so geht es belastbar

Messung und Analyse14. August 2026Marcel Speckmann

Fünf Kartonplatten auf steigenden Höhen, verbunden durch gespannte Messingfäden, Sinnbild für Messung von KI-Sichtbarkeit

Kurzantwort

Einzelne Abfragen bei ChatGPT taugen nicht als Messung, weil Sprachmodelle nicht deterministisch antworten: Dieselbe Frage kann heute dein Unternehmen nennen und morgen ein anderes. Belastbar wird die Messung erst über Prompt-Sets, also über eine feste Menge von 20 bis 50 realistischen Fragen, wie sie der Eintrag zur Prompt-Sichtbarkeit beschreibt. Dieser Satz wird über mehrere Modelle hinweg abgefragt, jede Frage mehrfach, und monatlich wiederholt. Gemessen wird dann nicht, ob du vorkommst, sondern in wie viel Prozent der Antworten.

Warum Einzelabfragen in die Irre führen

Wer einmal ChatGPT nach der besten Agentur in seiner Stadt fragt und den eigenen Namen liest, hält das leicht für ein Ergebnis. Es ist keins.

Sprachmodelle erzeugen Antworten mit einem Zufallsanteil. Zwei identische Anfragen liefern unterschiedliche Formulierungen und oft unterschiedliche Nennungen. Dazu kommen Unterschiede je nach Konto, Sprache und Region. Und es macht einen Unterschied, ob das Modell die Antwort im Moment der Anfrage im Web verankert, also Grounding nutzt, oder allein aus dem Training antwortet.

Wie groß die Schwankung ist, hat eine Untersuchung von SparkToro und Gumshoe.ai vom 28. Januar 2026 gemessen. 600 Freiwillige stellten zwölf verschiedene Fragen an ChatGPT, Claude und Googles KI, jede davon vielfach wiederholt, insgesamt 2.961 Abfragen. Jede Antwort wurde in eine geordnete Markenliste übersetzt und mit den übrigen verglichen. Das Ergebnis: Die Wahrscheinlichkeit, bei zwei Durchläufen dieselbe Markenliste zu erhalten, liegt bei unter 1 zu 100.

Wichtiger ist die zweite Zahl aus derselben Veröffentlichung. In einem weiteren Teil wurden 142 unterschiedlich formulierte Fragen nach Kopfhörern gestellt, was 994 Antworten ergab. Über diese Antworten hinweg tauchten die starken Marken sehr wohl stabil auf: Bose, Sony, Sennheiser und Apple erschienen in 55 bis 77 Prozent der Fälle. Die einzelne Liste ist Zufall, die Häufigkeit über viele Listen ist es nicht. Genau daran setzt jede brauchbare Messung an.

Eine Untersuchung zum nicht deterministischen Verhalten von Sprachmodellen hat das sogar unter kontrollierten Bedingungen nachgewiesen: bei Temperatur 0, top-p 1, festem Startwert und identischer Technik, über fünf Modelle, acht Aufgaben und zehn Durchläufe. Gemessen wurden Genauigkeitsschwankungen von bis zu 15 Prozent und Abstände von bis zu 70 Prozent zwischen bestem und schlechtestem Durchlauf.

Das gilt in beide Richtungen: Eine einzelne Antwort ohne deine Nennung bedeutet ebenso wenig wie eine mit.

Die Methode: Prompt-Sets

Belastbar wird es mit einem festen Satz von Fragen, der über die Zeit gleich bleibt. Vier Schritte, immer in derselben Reihenfolge.

  1. Fragen sammeln. Zwanzig bis fünfzig Formulierungen, die deine Kunden tatsächlich verwenden würden. Nicht deinen Firmennamen, sondern dein Problem: „Wer kann in Oldenburg eine Website für Industrieunternehmen bauen“ statt „Speckmann Webdesign“. Die Namensabfrage prüft nur, ob das Modell dich kennt, nicht ob es dich empfiehlt. Nimm die Fragen aus Angebotsanfragen, aus Telefonnotizen und aus den Suchanfragen in deiner Search Console.
  2. Systematisch abfragen. Jede Frage über mehrere Systeme: ChatGPT, Perplexity, die Google AI Overviews und den AI Mode. Die Unterschiede sind erheblich, weil die Systeme unterschiedliche Quellen bevorzugen. Jede Frage in jedem System mindestens dreimal, wenn du den Trend sehen willst. Für belastbare Werte nennt SparkToro 60 bis 100 Durchläufe je Frage.
  3. Auswerten. Gezählt wird der Anteil der Antworten mit deiner Nennung, welche Wettbewerber genannt werden und welche Quellen die Modelle zitieren. Die dritte Zahl ist die wertvollste, denn sie zeigt, wo du vorkommen müsstest.
  4. Wiederholen. Monatlich, mit demselben Satz und derselben Anzahl Durchläufe. Erst die Veränderung über die Zeit ist eine Aussage.

Rechne den Umfang vorher aus, sonst unterschätzt du ihn. Dreißig Fragen, drei Antwortsysteme und drei Durchläufe je Frage ergeben für die Trendmessung 270 Antworten pro Messung. Jede davon muss erfasst, auf Nennungen geprüft und mit ihren Quellen abgelegt werden. Das ist die Größenordnung, ab der Handarbeit aufhört und Automatisierung anfängt.

Wenn du kürzen musst, kürze bei den Fragen, nicht bei den Durchläufen. Zehn Fragen mit je drei Durchläufen sind aussagekräftiger als dreißig Fragen mit je einem.

Was Google selbst an Daten liefert

Bevor du ein Werkzeug kaufst, sieh in die Search Console. Google hat dort einen eigenen Bericht für generative KI eingeführt. Er weist aus, wie oft Links auf deine Seiten in den KI-Funktionen der Google-Suche eingeblendet wurden.

Laut der Dokumentation zum Bericht über generative KI deckt er AI Overviews und den AI Mode ab. Experimente aus den Search Labs bleiben ausgenommen, weil sie noch in Entwicklung sind. Der Bericht liefert allerdings nur eine einzige Kennzahl, nämlich Impressionen. Seit dem 31.08.2026 ist er für alle Websites verfügbar.

AngabeIm Bericht enthaltenBedeutung für die Messung
ImpressionenjaZeigt Einblendungen von Links, nicht Nennungen im Antworttext
KlicksneinKlickverhalten in KI-Antworten bleibt offen
PositionneinKein Ersatz für ein Ranking
SuchanfragenneinDu siehst nicht, auf welche Frage hin du erschienen bist
Seiten, Länder, Geräte, DatumjaVerlauf und Verteilung lassen sich auswerten
ChatGPT, Perplexity, ClaudeneinGoogle misst nur Google

Der Bericht ist damit ein guter Verlaufsindikator und keine vollständige Messung. Er beantwortet die Frage „werden meine Seiten in Googles KI-Antworten überhaupt eingeblendet“, aber nicht die Frage „bei welchen Fragen werde ich als Anbieter genannt“.

Eine Erwartung solltest du dabei gleich fallen lassen. Google schreibt in der Dokumentation zu KI-Funktionen in der Suche ausdrücklich, dass es für AI Overviews und den AI Mode keine zusätzlichen Anforderungen und keine gesonderte Optimierung gibt. Eine Seite muss indexiert und für ein Snippet zugelassen sein, mehr nicht. Neue maschinenlesbare Dateien oder eigenes Markup verlangt Google dafür nicht. Umgekehrt heißt das: Wer nosnippet oder ein knappes max-snippet setzt, schließt sich von diesen Einblendungen selbst aus, data-nosnippet nimmt nur die markierten Abschnitte heraus. Prüfe das, bevor du über schlechte Werte rätselst.

Welche Werkzeuge es gibt

Der Markt für Messwerkzeuge ist jung und unübersichtlich. Grob gibt es drei Gruppen.

Etablierte SEO-Anbieter mit KI-Modul. SISTRIX etwa bietet eine Auswertung, die zeigt, bei welchen Anfragen eine Marke oder Domain in KI-Antworten auftaucht, aufgeschlüsselt nach Modell und Land. Der Vorteil liegt in der Datenbasis und darin, dass klassische Sichtbarkeit und KI-Nennungen nebeneinander stehen.

Spezialisierte Werkzeuge. Eine Reihe neuer Anbieter misst ausschließlich KI-Sichtbarkeit, oft mit eigenen Prompt-Sets. Sie sind meist flexibler bei der Definition der Fragen, ihre historischen Daten reichen aber selten weit zurück.

Eigene Messung. Über die Programmierschnittstellen der Anbieter lässt sich ein Prompt-Set automatisiert abfragen und protokollieren. Das ist aufwendiger, dafür hast du die volle Kontrolle über die Fragen. Zwei Punkte solltest du dabei einplanen: Die Abfragen kosten pro Anfrage Geld, und die Antwort über eine Schnittstelle ist nicht zwingend dieselbe wie die in der Weboberfläche, weil dort andere Modellversionen und Werkzeuge im Einsatz sein können.

Für die meisten Unternehmen ist die erste Gruppe der pragmatische Einstieg.

Die drei Werkzeuggruppen im Überblick

WerkzeuggruppeStärkeSchwächeGeeignet für
SEO-Anbieter mit KI-ModulDatenbasis, SEO und KI nebeneinanderFragen liegen weitgehend festEinstieg und laufenden Betrieb
Spezialisierte KI-WerkzeugeFragen frei bestimmbarWenig VergangenheitsdatenGenauere Einzelanalysen
Eigene Messung über SchnittstellenVolle KontrolleAufwand und PflegeAgenturen und eigene Teams

Wie ein Messprotokoll aussieht

Welches Werkzeug du auch wählst, am Ende brauchst du je Antwort einen Datensatz mit immer denselben Feldern. Wer das von Anfang an sauber anlegt, kann ein Jahr später noch vergleichen. Wer es nachträglich vereinheitlichen muss, fängt praktisch von vorn an.

Ein einzelner Eintrag kann so aussehen:

{
  "datum": "2026-08-14",
  "frage_id": 17,
  "frage": "Wer baut Websites für Maschinenbauer im Raum Oldenburg?",
  "system": "perplexity",
  "durchlauf": 2,
  "genannt": true,
  "wettbewerber": ["Anbieter A", "Anbieter B", "Anbieter C"],
  "quellen": [
    "https://example.de/vergleich-agenturen",
    "https://example.de/branchenverzeichnis"
  ]
}

Vier Dinge sind daran wichtig. Die frage_id bleibt über Monate stabil, auch wenn du den Wortlaut später einmal korrigierst. Der durchlauf macht sichtbar, dass mehrfach gefragt wurde. genannt ist ein einfacher Wahrheitswert und keine Note, denn alles andere lässt sich nicht sauber vergleichen. Und quellen ist das Feld, aus dem später die eigentliche Arbeitsliste entsteht.

Bei einer eigenen Messung musst du die Quellen nicht aus dem Text herauslesen. Die Dokumentation der Sonar-Schnittstelle von Perplexity beschreibt, dass jede Antwort ein Feld search_results mitliefert, mit Titel, URL, Datum und Textausschnitt der verwendeten Seiten. Das ist genau die Liste, die du für die Kennzahl „zitierte Quellen“ brauchen, ohne Nachbearbeitung.

Speichere zusätzlich den vollständigen Antworttext. Du brauchst ihn, wenn du später wissen willst, in welchem Zusammenhang dein Name gefallen ist.

Welche Kennzahlen sinnvoll sind

Fünf Werte haben sich als brauchbar erwiesen.

Nennungsquote. Anteil der Antworten, in denen du vorkommst, bezogen auf das gesamte Prompt-Set und alle Durchläufe. Die wichtigste Einzelzahl.

Nennungsquote je System. Getrennt für ChatGPT, Perplexity und Google, weil die Systeme unterschiedliche Quellen bevorzugen. Wer nur bei einem auftaucht, hat ein Quellenproblem.

Wettbewerbsanteil. Wer wird stattdessen genannt und wie oft? Daraus ergibt sich, ob es überhaupt einen etablierten Anbieterkreis gibt und wie weit du davon entfernt bist. Der Eintrag zum Share of Model beschreibt, wie sich dieser Anteil sauber gegen den Wettbewerb rechnen lässt.

Zitierte Quellen. Aus welchen Seiten schöpfen die Modelle bei deinen Fragen? Das ist die konkreteste Arbeitsanweisung, die es gibt: Wenn dieselben drei Vergleichslisten immer wieder auftauchen, weißt du, wo du vorkommen solltest.

Eigene Quellenquote. Anteil der Antworten, in denen nicht nur dein Name fällt, sondern deine eigene Website als Quelle verlinkt wird. Diese Zahl liegt fast immer deutlich unter der Nennungsquote und sagt etwas über die Zitierfähigkeit deiner Inhalte aus.

Was du nicht messen solltest, ist die Position innerhalb einer Antwort. Sie schwankt zu stark, um daraus etwas abzuleiten. Die Autoren der SparkToro-Untersuchung ziehen dieselbe Grenze: Ein Sichtbarkeitsanteil über Dutzende bis Hunderte Fragen mit mehreren Durchläufen sei eine vernünftige Kennzahl, eine angebliche Rangposition in der KI dagegen nicht.

Häufige Fehler bei der Messung

Fünf Fehler sehe ich in Projekten immer wieder.

Den Fragensatz laufend ändern. Jede Änderung setzt die Zeitreihe zurück. Sammle neue Fragen in einem separaten Block und nimm sie erst zum Jahreswechsel dazu, mit klarer Notiz im Protokoll.

Im eigenen, eingeloggten Konto messen. Verlauf, gespeicherte Angaben und personalisierte Einstellungen verzerren das Ergebnis zu deinen Gunsten. Miss ohne Anmeldung oder über eine Schnittstelle.

Nennung mit Empfehlung verwechseln. Dein Name kann auch in einer Aufzählung stehen, die er besser nicht zieren würde. Deshalb gehört der Antworttext ins Protokoll, nicht nur der Wahrheitswert.

Falsche Angaben übersehen. Modelle geben Leistungen, Standorte oder Ansprechpartner gelegentlich falsch wieder, ein Fall von Halluzination. Das ist ein eigener Befund und wichtiger als jede Quote, weil falsche Angaben aktiv Schaden anrichten.

Zu früh Schlüsse ziehen. Zwei Messpunkte sind kein Trend. Rechne mit einem halben Jahr, bevor du beurteilst, ob eine Maßnahme aus der Generative Engine Optimization gewirkt hat.

Marcel Speckmann
Geschrieben vonMarcel Speckmann

Geschäftsführer der Speckmann Webdesign GmbH in Oldenburg. Ich arbeite an Suchmaschinenoptimierung, KI-Sichtbarkeit und den Websites, die dafür die Grundlage sind. Was hier steht, stammt aus laufenden Projekten, nicht aus Lehrbüchern.

Mehr über meine Arbeit →

Dazu passt

Die Messung ist der erste Schritt unserer Arbeit an KI-Sichtbarkeit. Was danach kommt, steht auf der Leistungsseite.

Zur Seite KI-Sichtbarkeit →

Häufige Fragen

Das werden wir oft gefragt

Wie oft sollte ich KI-Sichtbarkeit messen?

Monatlich. Häufiger erzeugt nur Rauschen, seltener übersieht Veränderungen. Wichtig ist, den Fragensatz und die Anzahl der Durchläufe konstant zu halten. Wer die Fragen laufend ändert, kann keine Entwicklung erkennen, sondern vergleicht jedes Mal zwei verschiedene Messungen. Für eine erste Beurteilung, ob eine Maßnahme wirkt, solltest du mit etwa sechs Messpunkten rechnen.

Wie viele Fragen braucht ein Prompt-Set?

Zwanzig bis fünfzig sind für die meisten Unternehmen ausreichend. Weniger als zehn liefern zu unsichere Werte, mehr als hundert erhöhen den Aufwand, ohne die Aussage wesentlich zu verbessern. Entscheidend ist die Qualität der Fragen, nicht die Menge. Frag so, wie deine Kunden ihr Problem beschreiben, und nicht nach deinem Firmennamen. Für den Trend sollte jede Frage mindestens dreimal je System laufen, für belastbare Werte 60 bis 100 Mal.

Reicht der Bericht in der Search Console als Messung?

Nein, er deckt nur einen Teil ab. Der Bericht zu generativen KI-Funktionen zeigt Impressionen aus AI Overviews und dem AI Mode, also nur aus Googles eigenen Systemen. Klicks, Position und Suchanfragen enthält er nicht. ChatGPT, Perplexity und Claude tauchen dort gar nicht auf. Als kostenloser Verlaufsindikator ist er nützlich, als vollständige Messung nicht.

Kann ich Nennungen in KI-Antworten in Besucher umrechnen?

Nur eingeschränkt. Perplexity und Google AI verlinken Quellen, diese Klicks tauchen in deiner Statistik als Verweis auf. ChatGPT verlinkt je nach Modus, oft ohne dass ein messbarer Besuch entsteht. Ein Teil der Wirkung besteht ohnehin darin, dass jemand deinen Namen liest und später direkt sucht. Der Eintrag zur Attribution erklärt, warum diese Zuordnung grundsätzlich schwierig bleibt.

Warum reicht es nicht, Temperatur und Startwert festzulegen?

Selbst unter kontrollierten Bedingungen antworten Sprachmodelle nicht vollständig gleich. Ein Test mit festem Startwert, Temperatur 0 und top-p 1 zeigte über fünf Modelle und acht Aufgaben Genauigkeitsschwankungen von bis zu 15 Prozent, nachzulesen in der Untersuchung zum nicht deterministischen Verhalten von Sprachmodellen. Für die Messung heißt das: Nur wiederholte Durchläufe über einen festen Fragensatz liefern belastbare Werte.

Welche Modelle gehören in eine Messung?

Sinnvoll ist die Abdeckung der drei wichtigsten Antwortsysteme: ChatGPT, Perplexity und Google mit AI Overviews und AI Mode. Diese drei bilden den Großteil der heutigen Nutzung ab und greifen auf unterschiedliche Quellen zurück. Wer nur ein System misst, sieht einen Ausschnitt, und das Ergebnis lässt sich nicht auf die anderen übertragen. Claude lohnt zusätzlich, wenn deine Zielgruppe technisch arbeitet.

Nächster Schritt

Wo stehst du bei Google und in der KI?

Im Erstgespräch sehen wir uns deine Sichtbarkeit gemeinsam an: was bei Google läuft, ob die Modelle dich kennen und wo der größte Hebel liegt. 30 Minuten, kostenlos, ohne Verpflichtung.

Jetzt kostenlosen Sichtbarkeits-Check vereinbaren