KI-Sichtbarkeit messen: Was wirklich messbar ist – und was nicht

Sie lesen diesen Artikel – ich gratuliere: Sehr wahrscheinlich haben Sie bereits Traffic aus generativen Antworten, aus ChatGPT, Perplexity oder den Google AI Overviews. Und der Umstand, dass Sie ihn lesen, verrät noch etwas: Vermutlich haben Sie ein ernstes Problem damit zu messen, was diese Sichtbarkeit tatsächlich bringt. Damit sind Sie in guter Gesellschaft. Viele „AI-Sichtbarkeits-Reports”, die gerade herumgereicht werden, messen kein Ergebnis – sie messen Rauschen und verkaufen es als Kennzahl.

Das ist kein Randproblem. Wer eine falsche Zahl steuert, optimiert in die falsche Richtung und merkt es erst, wenn das Budget weg ist. Deshalb geht es in diesem Beitrag nicht um noch ein Tool, sondern um die Frage davor: Was lässt sich in der generativen Suche überhaupt sauber messen, was ist bestenfalls eine Untergrenze – und was ist prinzipiell unsichtbar? Ich trenne das entlang derselben drei Ebenen, die ich auch sonst in der Einordnung zur AI-Suche verwende: gesichert, beobachtet, experimentell.

Warum die meisten KI-Sichtbarkeits-Reports Rauschen messen

Der häufigste Fehler steckt schon in der ersten Zeile jedes Reports: Jemand stellt einer KI eine Frage, sieht die eigene Marke in der Antwort – und notiert das als Ergebnis. Nur ist ein einzelner Durchlauf keine Messung, sondern eine Stichprobe der Größe eins.

Aleyda Solis bringt es auf einen Satz: „A single run is an anecdote; a sample is a signal.”¹ Genau hier liegt der Bruch mit allem, was wir aus dem klassischen SEO gewohnt sind. Bei Google gibt es eine Ergebnisliste, die für alle mehr oder weniger gleich aussieht und sich von Tag zu Tag nur langsam verändert. In einem Sprachmodell existiert diese stabile Liste nicht.

Dieselbe Frage, zehn Minuten später erneut gestellt, liefert andere Quellen, eine andere Reihenfolge – manchmal eine andere Marke.

Ein Report, der auf einer Handvoll Einzelabfragen beruht, misst deshalb nicht Ihre Sichtbarkeit, sondern den Zufall des Moments. Er sieht seriös aus – Prozentzahlen, ein „AI Visibility Score”, eine Ampel – und ist trotzdem nicht reproduzierbar. Der erste Schritt zu ehrlicher Messung ist, das zu akzeptieren: KI-Sichtbarkeit ist keine Position, die man abliest, sondern eine Verteilung, die man schätzt.

Warum klassisches Rank-Tracking hier nicht funktioniert

Wer KI-Sichtbarkeit wie ein Ranking behandelt, misst eine Größe, die es nicht gibt. Die Zahlen dazu sind inzwischen unangenehm eindeutig.

Kevin Indig hat mit AirOps über 815.000 Prompt-Seite-Paare ausgewertet, wie stabil Zitate über mehrere Läufe hinweg sind. Das Ergebnis: Nur 2,2 Prozent der exakten URLs tauchen in allen drei Wiederholungen desselben Prompts wieder auf.² Auf Domain-Ebene und über zwei Läufe sieht es freundlicher aus – akademische Auswertungen finden dort Überschneidungen von rund 30 bis 50 Prozent³ –, aber der Kern bleibt: Von Tag zu Tag wechseln bei vielen Prompts etwa zwei Drittel der zitierten Quellen. Und das ist keine Index-Aktualisierung, sondern schlicht die Stochastik des Modells: Wiederholungen innerhalb weniger Stunden erzeugen dieselbe Streuung.³

Kurz: Ein einzelner Prompt-Check ist kein Messwert, sondern ein Münzwurf. Und ein Dashboard, das daraus einen Wochentrend mit Nachkommastelle baut, formatiert nur den Zufall.

Daraus folgt eine harte praktische Grenze: Unterschiede von weniger als etwa 5 bis 7 Prozentpunkten zwischen zwei Messungen oder zwei Domains sind bei kleinen Stichproben nicht von Rauschen zu unterscheiden.³ Wenn ein Dashboard meldet, Ihre „AI-Sichtbarkeit” sei diese Woche von 12 auf 15 Prozent gestiegen, ist die nüchterne Antwort meistens: Das kann alles sein – Fortschritt, Rückschritt oder gar nichts. Ein Rank-Tracker, der so tut, als gäbe es Platz 3 in ChatGPT, verkauft Ihnen eine Scheinstabilität.

Polling statt Tracking: der richtige Ansatz

Die Lösung ist keine bessere Momentaufnahme, sondern ein anderer Messtyp. Man verfolgt keine Position, man befragt das System wiederholt und beschreibt das Ergebnis als Verteilung – Polling statt Tracking.

In der Praxis besteht ein belastbarer Messaufbau aus vier Entscheidungen:

1. Ein fester Prompt-Set aus echten Kauffragen. Nicht Ihr Markenname, sondern die Fragen, die Ihre Kundschaft wirklich stellt – 20 bis 50 Formulierungen, die stabil bleiben, damit Sie über die Zeit dasselbe messen. In dokumentierten Fällen genügten rund 36 Kernfragen, um Bewegung sichtbar zu machen.
2. Mehrere Läufe pro Frage. Wie viele, entscheidet die gewünschte Genauigkeit. Für ein enges 95-%-Konfidenzintervall bräuchte es je nach Engine rund 40–50 Läufe (Gemini), etwa 100 (Perplexity) oder 150+ (SearchGPT).³ Das ist für den Mittelstand unrealistisch. Der praktikable Kompromiss, den auch Indig empfiehlt: 3 bis 5 Läufe pro Frage, dafür konsequent, mit gespeicherten Rohantworten und einem klaren Trend statt einer Punktzahl.²
3. Jede Engine getrennt. ChatGPT, Perplexity und Gemini verhalten sich unterschiedlich stabil und unterschiedlich auskunftsfreudig. Ein gemischter Gesamtwert glättet genau die Unterschiede weg, die für Ihre Strategie entscheidend sind.
4. Nach Thema aggregieren, nicht nach Einzelprompt. Ob eine bestimmte Frage heute zitiert, ist Zufall. Ob Ihre Marke über ein ganzes Themenfeld hinweg regelmäßig auftaucht, ist ein Signal.

Dieser Ansatz ist beobachtet, nicht bewiesen: Synthetische Prompts über eine API sind nicht dasselbe wie die personalisierten Antworten eingeloggter Menschen.

Aber bei genügend Läufen und echten Kauffragen nähert sich das Bild der realen Sichtbarkeit an – deutlich näher jedenfalls als eine einzelne, hübsch gerahmte Einzelabfrage.

Seit Juli 2026: die Gegenrichtung zum Polling

Beim Polling stellen Sie Ihre eigenen Fragen. Inzwischen lässt sich auch die Gegenrichtung abfragen: Datenanbieter wie DataForSEO werten einen laufend abgefragten Prompt-Korpus aus und zeigen, in welchen bereits gestellten Fragen eine Domain oder Marke zitiert wird – samt geschätztem Abfragevolumen, den daneben genannten Wettbewerbern und den Zitaten, die in einem Zeitraum neu hinzugekommen oder verloren gegangen sind.¹¹ Das ersetzt den eigenen Prompt-Set nicht; es ergänzt ihn an seiner blindesten Stelle – bei den Kauffragen, auf die Sie selbst nicht gekommen wären.

Zwei Einschränkungen gehören dazu: Für den deutschen Markt deckt dieser Weg derzeit im Wesentlichen Googles AI Overviews ab, der ChatGPT-Korpus existiert nur für den US-Markt auf Englisch. Und auch dieser Korpus besteht aus synthetischen Abfragen – die Wasserlinie aus der Grafik oben gilt unverändert. Einordnung: beobachtet.

Mention rate ist nicht Citation rate

Selbst wenn Sie sauber sampeln, messen viele Reports die falsche Sache: Sie zählen „Erwähnungen” und meinen damit mal einen Link, mal einen Markennamen – zwei völlig verschiedene Dinge. Diese Verwechslung ist der zweite große Grund, warum Zahlen zur KI-Sichtbarkeit oft nicht vergleichbar sind.

In einer Auswertung von knapp 4.000 Marken-Erscheinungen lag die Rate der Verlinkungen bei rund 75 Prozent, die Rate der namentlichen Nennungen aber nur bei etwa 38 Prozent. 61,7 Prozent aller Erscheinungen waren „Ghost Citations” – die Quelle wurde verlinkt, die Marke im Text aber nicht genannt.⁴ Noch deutlicher wird es, wenn man die Engines nebeneinanderstellt: Sie verhalten sich fast spiegelbildlich.

Werte aus derselben Ghost-Citation-Auswertung.⁴ ChatGPT setzt fast immer einen Link, nennt aber selten den Namen; Gemini nennt den Namen, verlinkt aber selten.

Für die Messung heißt das: Mention rate (Anteil der Läufe mit namentlicher Nennung) und Citation rate (Anteil der Läufe mit Link auf Ihre Domain) sind zwei getrennte KPI. Ein einziger „AI Visibility Score”, der beides zu einer Zahl verrührt, mischt Unvergleichbares. Für ChatGPT ist die Citation rate der aussagekräftigere Wert, für Gemini die Mention rate. Wer das nicht trennt, vergleicht Äpfel mit einer Ampel.

Was die Plattformen offiziell hergeben

Bevor Sie selbst aufwendig sampeln: Es gibt genau eine Plattform mit offiziellen First-Party-Daten – und die reicht weniger weit, als viele annehmen. Alle anderen liefern schlicht nichts.

Seit dem 3. Juni 2026 zeigt die Google Search Console eigene Gen-AI-Performance-Berichte für AI Overviews und den AI Mode.⁵ Das ist ein echter Fortschritt und gesichert – aber mit vier Einschränkungen, die man kennen muss:

• Sie sehen nur Impressions – keine Klicks, keine CTR, keine Suchanfragen.
• AI Overviews und AI Mode sind zu einer Zahl verschmolzen, nicht getrennt ausweisbar.
• Eine Impression zählt nur, wenn Ihr Link tatsächlich angezeigt wurde – eingeklappte, nie ausgeklappte Zitate erzeugen keine.⁵
• Historie gibt es erst ab dem 18. Mai 2026; alles davor lässt sich nicht rückwirkend segmentieren.

Und die anderen? OpenAI gibt für ChatGPT nichts heraus – die einzige Spur ist der utm_source=chatgpt.com-Parameter in ausgehenden Links. Perplexity teilt Daten nur mit Partnern über ein Publisher-Programm.⁶ Wer Ihnen „ChatGPT-Impressions” verspricht, kann sie nicht von der Plattform haben – sie stammen aus genau dem Sampling, über das wir oben gesprochen haben. Das ist nicht schlimm, solange es sauber als Schätzung ausgewiesen wird. Problematisch wird es erst, wenn eine Hochrechnung als offizielle Zahl auftritt.

Traffic und Umsatz: GA4 ist der Boden, nicht die Decke

Am Ende zählt, was unten ankommt. KI-Referral-Traffic lässt sich in GA4 sauber erfassen – nur dürfen Sie ihn niemals für die volle Wirkung halten. Er ist die Untergrenze, nicht das Ergebnis.

Über einen Referrer-Regex (chatgpt.com, perplexity.ai, gemini.google.com, copilot.microsoft.com, claude.ai …) machen Sie KI-Sitzungen in GA4 sichtbar. Diese Zahl ist als Faktum gesichert, als Reichweite aber systematisch zu niedrig: Der AI Mode taucht wegen fehlender Referrer-Information oft als „Direct” auf, und eine Zero-Click-Erwähnung – jemand liest über Sie, ohne zu klicken – erzeugt gar kein Signal. Was Sie sehen, ist der sichtbare Teil des Eisbergs, nicht seine Masse.

Der eigentliche Wert dieser Messung liegt deshalb nicht im Volumen, sondern in der Qualität. Und die ist bemerkenswert:

• In einer Fallauswertung von Seer Interactive konvertierte ChatGPT-Traffic mit 15,9 Prozent gegenüber 1,76 Prozent aus der organischen Suche – bei einem einzelnen B2B-Kunden, also als Hinweis, nicht als Benchmark.⁷
• Similarweb misst über eine breite Panel-Basis eine Conversion-Rate von 7,1 Prozent für KI-Traffic gegenüber 7,8 Prozent bei bezahlter Suche – KI-Besucher konvertieren also auf dem Niveau von Paid-Traffic.⁸
• Der Löwenanteil dieses messbaren Traffics kommt aus einer Quelle: ChatGPT stellt rund 92 Prozent des trackbaren LLM-Traffics.⁹

Die Lehre daraus: Bewerten Sie KI-Traffic über die Conversion-Rate, nicht über die Sitzungszahl. Das Volumen ist eine Untergrenze und schwankt mit jedem Plattform-Update; die Qualität dagegen ist der Grund, warum sich die Arbeit überhaupt lohnt.

Was das für den DACH-Markt bedeutet

Das alles klingt nach einem US-Phänomen? Die deutschen Zahlen sagen etwas anderes – und sie erklären, warum Messung hier gerade jetzt zur Chefsache wird.

SISTRIX hat für den deutschen Markt rund 100 Millionen Keywords ausgewertet: Etwa 20 Prozent aller Suchanfragen zeigen inzwischen ein AI Overview, und wo es erscheint, fällt die Klickrate auf Position 1 von 27 auf 11 Prozent. Für Deutschland summiert sich das auf geschätzte 265 Millionen entgangene organische Klicks pro Monat.¹⁰ Eine Längsschnitt-Auswertung von SMART LEMON über mehrere Domains zeigt die Geschwindigkeit: Die AI-Overview-Abdeckung der Top-10-Keywords sprang binnen eines halben Jahres von 2,18 Prozent (Mai 2025) auf 47,1 Prozent (Dezember 2025), die Klickrate sank im Schnitt um 44 Prozent.¹¹

Zwei Dinge folgen daraus. Erstens: Der Traffic, der Ihnen in der klassischen Suche wegbricht, verschwindet nicht – er wandert in die KI-Antwort. Wer dort nicht auftaucht, verliert doppelt. Zweitens: Der deutschsprachige Werkzeugmarkt ist reif genug, um lokal zu messen. Anbieter wie SISTRIX, Peec AI (Berlin) oder blinq decken den DACH-Raum inzwischen nativ ab – Sie sind nicht auf US-Tools angewiesen, die deutsche Prompts stiefmütterlich behandeln. Wie Sie überhaupt in diese Antworten hineinkommen, ist ein eigenes Thema; die konkreten Hebel dazu stehen in meiner GEO-Checkliste.

Messbar vs. unsichtbar: die Übersicht

Bevor es an den konkreten Aufbau geht, das Ganze auf zwei Tabellen verdichtet. Die erste zeigt, was Sie heute wirklich messen können – und wie belastbar jede Quelle ist:

Die zweite Tabelle ist die unbequemere – und die wichtigere. Sie zeigt, was sich mit keinem Tool und keinem Budget messen lässt:

Wer Ihnen eine Kennzahl aus der zweiten Tabelle als Messwert präsentiert, hat sie geschätzt – das ist legitim, solange es dabeisteht.

Der minimale Messaufbau für den Mittelstand

Sie brauchen für den Anfang kein Enterprise-Tool für mehrere Tausend Euro im Monat. Ein ehrlicher, reproduzierbarer Messaufbau lässt sich mit kostenlosen Bordmitteln bauen – er misst bewusst eine Untergrenze, aber eine belastbare. Notieren Sie beim Prompt-Sampling Mention- und Citation-Rate getrennt und heben Sie die Rohantworten auf: Nur so bleibt jede Zahl später überprüfbar.

Was Sie damit bewusst nicht bekommen, gehört zur Ehrlichkeit dazu: die echte Zero-Click-Reichweite, personalisierte Antworten einzelner Nutzer und den Anteil, den Ihre Nennung dem Modelltraining statt der Live-Recherche verdankt. Einzelne Tool-Scores und automatisch erzeugte Sentiment-Werte bleiben experimentell – nützlich als Zusatz, ungeeignet als Steuerungsgröße.

Und für den Report danach: die KPI, die sich in der Praxis durchgesetzt haben – mit Rechenweg und ehrlicher Einordnung. Die Formeln der oberen fünf gehen im Kern auf Aleyda Solis zurück.¹

Genau an dieser Untergrenze arbeite ich weiter. Bei NeonKraft läuft dazu ein eigener Tracker, der Marken-Nennungen und Zitate über mehrere KI-Engines hinweg wiederholt abfragt und als datierte Zeitreihe speichert – Polling, wie oben beschrieben, nur automatisiert. Belastbare eigene Benchmarks daraus veröffentliche ich erst, wenn die Reihe lang genug ist, um mehr als Rauschen zu zeigen. Bis dahin nenne ich in Reports nur, was extern verifizierbar ist – und markiere jede Schätzung als Schätzung.

Tools und Preise im Überblick

Wenn das manuelle Sampling zu aufwendig wird, übernimmt ein Tool die Läufe – der Markt ist 2026 erstaunlich breit geworden, vom 29-Dollar-Einstieg bis zum Enterprise-Vertrag. Die Preise habe ich am 08.07.2026 direkt auf den offiziellen Preisseiten geprüft:

Und damit zum eigentlichen Punkt. Der Unterschied zwischen einem KI-Sichtbarkeits-Report, der etwas wert ist, und einem, der gut aussieht, liegt nicht im Tool. Er liegt in der Methode und in der Bereitschaft, Grenzen zu benennen: getrennt nach Engine zu messen statt alles zu einem Score zu verrühren, Mention und Citation auseinanderzuhalten, die GA4-Zahl als Boden zu lesen und nicht als Decke, und einen Unterschied unter der Rauschschwelle auch als das zu bezeichnen, was er ist – kein Unterschied. Genau so baue ich Messung auf: nicht als beruhigendes Dashboard, sondern als Entscheidungsgrundlage, die Sie hinterfragen können, weil jede Zahl ihre Herkunft und ihr Evidenz-Level trägt.

Häufige Fragen

Quellen

1. Aleyda Solis, „A 3-Layer Framework to Measure AI Presence, Readiness and Impact". aleydasolis.com, 23.04.2026 (aktualisiert 19.06.2026).
2. Kevin Indig, „How to make prompt tracking much more accurate" (Auswertung mit AirOps, 815.000 Prompt-Seite-Paare). Search Engine Land / growth-memo.com, 10.06.2026.
3. Sielinski, R., „Quantifying Uncertainty in AI Visibility". arXiv:2603.08924, März 2026 (Konsistenz zwischen Läufen, Konfidenzintervalle, nötige Stichprobengrößen).
4. Kevin Indig / Semrush, „The Ghost Citation Problem" bzw. „Ghost Citations Study" (rund 4.000 Marken-Erscheinungen). April 2026.
5. Google Search Central, „Gen-AI performance reports in Search Console", 03.06.2026; zur Zählweise der Impressions: John Mueller via seroundtable.com.
6. Perplexity, „Introducing the Perplexity Publishers Program" (Datenzugang nur über Partner, u. a. ScalePost.ai). 2026.
7. Seer Interactive, Case-Study zu ChatGPT-Referral-Traffic (ein B2B-Kunde, Okt. 2024 – Apr. 2025).
8. Similarweb, „Generative AI / GEO stats", aktualisiert 28.05.2026.
9. Previsible, via Search Engine Land, „ChatGPT AI referral traffic sessions data" (166 GA4-Properties). 2026.
10. SISTRIX / Johannes Beus, „AI Overviews in Deutschland" (rund 100 Mio. Keywords). 25.02.2026.
11. SMART LEMON, „Studie: Auswirkungen von AI Overviews in Deutschland" (Längsschnitt, mehrere Domains). 27.05.2025 (aktualisiert 08.12.2025).
12. DataForSEO, „Extended LLM Mentions API Release" (Historical- und Timeseries-Endpunkte, Pay-as-you-go seit 01.07.2026). Juli 2026.