Was ist AI Visibility? Kennzahlen, Quellen und Messung

In diesem Artikel

AI Visibility beschreibt, ob und wie eine Marke, Organisation, ein Produkt, eine Person oder eine Quelle in generierten KI-Antworten erscheint. Dazu gehören Präsenz, Prominenz, Zitationen, Framing und sachliche Richtigkeit in einem definierten Fragenkatalog.

AI Visibility ist ein beobachtetes Ergebnis. GEO bezeichnet die Arbeit, die dieses Ergebnis verbessern soll. Diese Trennung ist wichtig. Ein Team kann neue Inhalte veröffentlichen oder Medienberichterstattung gewinnen, ohne zu wissen, ob sich die KI-Antworten verändert haben.

Eine praktische Definition

AI Visibility ist die gemessene Präsenz und Darstellung einer Entität oder Quelle in generierten KI-Antworten für ein definiertes Set aus Prompts, Anbietern, Märkten, Sprachen und Messzeitpunkten.

Die Bedingungen gehören in die Definition. Niemand kann vollständig messen, wie eine Marke in jeder möglichen KI-Antwort erscheint. Eine Auswertung gilt nur für die Fragen und Systeme in der Stichprobe.

Das ähnelt eher einer Medienanalyse als einer einzelnen Suchposition. Eine Antwort kann eine Marke zuerst nennen, eine andere nur ihre Webseite zitieren und eine dritte auf Basis einer unabhängigen Bewertung einen Wettbewerber empfehlen. Jede Variante bildet eine andere Art von Sichtbarkeit.

Warum AI Visibility für PR-Teams wichtig ist

Kommunikationsteams gestalten bereits das Informationsumfeld, auf das KI-Systeme zugreifen können. Medienberichte, Interviews, Bewertungen, Unternehmensseiten, Studien, öffentliche Dokumente und Fachbeiträge können generierte Antworten stützen.

Dadurch entstehen bekannte PR-Fragen in einem neuen Format:

• Wird die Organisation genannt, wenn Stakeholder die Kategorie recherchieren?
• Transportieren Antworten die gewünschten Kernbotschaften?
• Welche Medien und anderen Drittquellen stützen die Beschreibung?
• Wiederholen die Systeme alte Aussagen oder Fehler?
• Welche Wettbewerber erhalten mehr Aufmerksamkeit?
• Entsteht durch das Framing ein Reputationsrisiko?

AI Visibility ersetzt weder Medienbeobachtung noch Zielgruppenforschung. Sie ergänzt diese Methoden um einen weiteren Output. Eine generierte Antwort kann die Informationssuche prägen. Ihre bloße Existenz belegt jedoch keine Bekanntheit, kein Vertrauen, kein Verhalten und keinen Umsatz.

Die Analyseeinheit

Beginnt mit dem einzelnen Antwortlauf. Ein Lauf verbindet einen bestimmten Prompt mit Anbieter, Markt, Sprache, Datum und relevanten Einstellungen.

Diese Einheit verhindert einen häufigen Reportingfehler. Wenn ein Team 20 Prompts in drei Produkten an zwei Tagen testet, entstehen bis zu 120 Antwortläufe, nicht 20. Anbieter und Zeitpunkt gehören zur Stichprobe.

Haltet die Formulierung eines Prompts für Zeitvergleiche stabil. Wenn sie sich ändert, sollte eine neue Prompt-Version beginnen. Wiederholt wichtige Läufe, weil generierte Antworten variieren.

Die wichtigsten AI-Visibility-Kennzahlen

Keine einzelne Kennzahl beschreibt die ganze Antwort. Ein brauchbares Messsystem hält die Dimensionen getrennt.

Jeder Report sollte Zähler, Nenner, Anbieter, Prompt-Set, Markt, Sprache und Zeitraum nennen. Ohne diese Angaben lässt sich ein Prozentwert nicht reproduzieren.

Sichtbarkeitsrate

Die Sichtbarkeitsrate beantwortet die einfachste Frage: Wie häufig erschien die Marke?

Formel: Antworten mit Markenerwähnung ÷ relevante Antwortläufe × 100

Erscheint eine Marke in 42 von 100 Antwortläufen, beträgt ihre Sichtbarkeitsrate 42%. Die Zahl sagt noch nichts über Position, Richtigkeit, Ton oder Zitation aus.

Legt vor der Erhebung fest, was als Erwähnung gilt. Produktnamen, Abkürzungen, frühere Namen, Führungspersonen und Muttergesellschaften können zu Fehlzuordnungen führen, wenn die Regel unklar bleibt.

Share of Voice in KI-Antworten

Share of Voice vergleicht Markenauftritte innerhalb eines definierten Wettbewerber-Sets.

Formel: Auftritte der eigenen Marke ÷ Auftritte aller beobachteten Marken × 100

Eine Antwort kann mehrere Marken nennen. Der Nenner besteht deshalb meist aus Markenauftritten und nicht aus Antworten. Wenn die eigene Marke 30-mal erscheint und das Vergleichsset insgesamt 100 Markenauftritte enthält, beträgt der Share of Voice 30%.

Manche Teams nennen diese Kennzahl Share of Model. Auch dann müssen Prompt-Set, Anbieter, Marken und Zähleinheit offengelegt werden. Unser ausführlicher Leitfaden zu Share of Voice erklärt die unterschiedlichen Nenner in Medienberichterstattung und KI-Antworten.

Position und Prominenz

Eine kurze Erwähnung am Ende unterscheidet sich von der ersten Empfehlung mit einem erklärenden Absatz.

Die Position hält fest, wo eine Marke erscheint. Prominenz kann zusätzlich Textumfang, Listenplatz, Empfehlungsstatus oder die Nutzung als Beispiel einbeziehen. Da Anbieter Antworten unterschiedlich formatieren, sollten Teams ihre Codierregel veröffentlichen. Ein universeller Plattform-Score ist daraus nicht ableitbar.

Zitationen und Quellenmix

Eine Zitation ist ein Quellenlink, den der Anbieter mit einer Antwort anzeigt. Sie zeigt, dass das Produkt die Antwort in diesem Lauf mit einer URL oder Domain verbunden hat.

Zwei Quoten sind sinnvoll, beantworten aber unterschiedliche Fragen:

• Zitationsrate auf Antwortebene: Antwortläufe mit der ausgewählten Quelle ÷ relevante Antwortläufe.
• Zitationsanteil: Zitationen der ausgewählten Quelle ÷ alle Zitationen im Vergleichsset.

Der Quellenmix gruppiert Zitationen nach Typen wie eigene Seiten, redaktionelle Medien, Unternehmenswebsites, Referenzquellen, Institutionen oder nutzergenerierte Inhalte. Die Verteilung zeigt, woher die sichtbaren Belege stammen.

Eine Zitation beweist weder Autorität noch kausalen Einfluss oder Richtigkeit. Sie ist ein beobachteter Quellenlink. Wie Retrieval und Zitation funktionieren, erklärt Wie KI-Antworten Quellen finden und zitieren.

Sentiment, Framing und Richtigkeit

Sentiment ordnet ein, wie eine Antwort eine bestimmte Marke darstellt, häufig als positiv, neutral oder negativ. Die Bewertung sollte auf Markenebene erfolgen. Eine Antwort kann ein Unternehmen loben und ein anderes kritisieren.

Framing geht darüber hinaus. Es beschreibt die Rolle der Marke, etwa Marktführer, günstige Alternative, Spezialist oder Risiko. Solche Kategorien können nützlicher sein als ein allgemeiner Sentiment-Wert, wenn es um Positionierung geht.

Die Richtigkeit braucht eine eigene Prüfung anhand definierter Fakten und Botschaften. Auch eine positive Beschreibung kann falsch sein. Erfasst deshalb, ob wichtige Aussagen korrekt, veraltet, unbelegt oder nicht vorhanden sind. Für Medienberichterstattung erklären unsere Leitfäden zu Sentiment und Key Message Pull-through die verwandten Codiermethoden.

So entsteht eine belastbare Stichprobe

Das Prompt-Set bestimmt die Bedeutung der Kennzahlen. Entwickelt es aus echten Fragen von Stakeholdern und nicht aus einer Liste bequemer Markenprompts.

Nehmt die Phasen auf, die für die Organisation wichtig sind, zum Beispiel Kategorie-Recherche, Vergleiche, Reputationsprüfungen, Fachfragen oder Kaufentscheidungen. Trennt markenbezogene und generische Prompts. Erfasst Land und Sprache, weil Quellen und Antworten abweichen können.

Danach folgt ein fester Messablauf:

1. Prompts, Marken, Anbieter, Länder und Sprachen festlegen.
2. Einen Ausgangswert erheben und vollständige Antworten speichern.
3. Erwähnungen, Position, Zitationen, Framing und Richtigkeit nach schriftlichen Regeln bewerten.
4. Die Stichprobe in einem gleichbleibenden Rhythmus wiederholen.
5. Schwankungen und Lücken zeigen, statt sie in einem Score zu verstecken.
6. Referrals oder Business-Outcomes nur verbinden, wenn die Evidenz dafür ausreicht.

Die AMEC GEO Principles empfehlen diesen transparenten und wiederholten Ansatz. Kein Tool, Score oder Prompt-Katalog bildet die gesamte AI Visibility ab.

First-Party-Daten und unabhängiges Tracking

Plattformdaten und unabhängiges Prompt-Tracking beobachten unterschiedliche Teile des Systems.

Die Google Search Console kann bei geeigneten Properties Link-Impressionen aus generativen Suchfunktionen melden. Bing Webmaster Tools zeigt Zitationen und zitierte Seiten für eigene KI-Angebote. OpenAI kennzeichnet Referrals aus ChatGPT Search. Diese First-Party-Signale sind nützlich, aber jeder Anbieter liefert andere Daten.

Unabhängiges Tracking beobachtet Antworten über ein kontrolliertes Prompt-Set. So lassen sich Marken, Anbieter, Framing und Quellennutzung vergleichen. Private Suchanfragen und die verborgene Gewichtung eines Anbieters bleiben unsichtbar.

Nutzt nach Möglichkeit beide Perspektiven. Plattformdaten zeigen Aktivitäten rund um eigene Properties. Prompt-Tracking zeigt, wie ausgewählte Fragen beantwortet werden. Dazu gehören auch Markenerwähnungen und Drittquellen, die keinen Klick erzeugen.

Die Grenze der AI-Visibility-Messung

AI Visibility beweist nicht, dass eine Person eine Antwort gelesen, geglaubt, erinnert oder danach gehandelt hat. Ebenso wenig zeigt sie, dass eine einzelne Content-Änderung eine Veränderung verursacht hat.

Generierte Antworten schwanken, Suchindizes verändern sich und Anbieter aktualisieren ihre Systeme. Ein seriöser Report behandelt AI Visibility deshalb als gemessenen Output. Für Effekte auf Zielgruppen braucht es Befragungen, Experimente, Interviews, Verhaltensdaten oder andere Outcome-Methoden. Umsatzbehauptungen benötigen eine belastbare Attributionsmethode.

AI Visibility in aclipp

aclipp strukturiert Antwortläufe nach Prompt, Anbieter, Land, Marke, Wettbewerber und Datum. Eine Marke gilt als präsent, wenn ein relevanter Lauf eine erkannte Textnennung enthält oder eine hinterlegte Markendomain zitiert. Der Lauf zählt auch dann nur einmal, wenn beides vorkommt. Abgeschlossene Läufe mit einer Antwort oder einem leeren Ergebnis bilden den Nenner. Ablehnungen und Anbieterfehler werden ausgeschlossen.

Die Position richtet sich nach dem ersten Vorkommen jeder beobachteten Marke im Antworttext. Eine Zitation ohne Textnennung beeinflusst sie nicht. Die Anteile der Quellentypen werden nach Zitationsvorkommen gewichtet und nicht nach eindeutigen URLs. Das sind Produktdefinitionen von aclipp, keine universellen Plattformstandards.

Die allgemeinen Definitionen dieses Artikels gelten anbieterübergreifend. Das genaue Verhalten in aclipp erklären die Help-Center-Seiten zu AI-Visibility-Metriken und URL- und Domain-Typen. Die Optimierungsdisziplin hinter der Messung beschreibt Was ist GEO?.