AI-Sichtbarkeit ist kein einzelner Wert. Wie misst man Erwähnungen, Empfehlungen, Zitationen und Repräsentation?

Ein Dashboard zeigt an, dass eine Marke eine AI-Sichtbarkeit von 64 % hat. Ist das gut?

Die Zahl könnte bedeuten, dass die Marke in 64 von 100 Antworten erschien. Es könnte auch ein gewichteter Wert sein, der Erwähnungen, Zitationen, Position und geschätzte Reichweite kombiniert. In einem anderen Tool könnte „Sichtbarkeit“ beschreiben, wie oft die Domain der Marke eine führende Zitationsposition einnimmt. Alle drei Berechnungen können intern konsistent sein, während sie unterschiedliche Phänomene messen.

Dies ist das zentrale Problem bei der Berichterstattung über AI-Sichtbarkeit: Das Label kommt oft vor der operativen Definition.

AI-Sichtbarkeit ist nicht eine Eigenschaft einer Marke. Es ist eine Familie von Beobachtungen darüber, ob eine Marke erscheint, welche Rolle sie erhält, ob sie empfohlen wird, welche Quellen angezeigt werden, ob die Aussagen korrekt sind und wie stabil das Ergebnis ist. Ein zusammengesetzter Wert kann diese Beobachtungen zusammenfassen, aber er kann sie nicht ersetzen.

Die praktische Frage ist daher nicht „Was ist unser AI-Sichtbarkeitswert?“ Es ist:

Welches Ereignis haben wir gemessen, über welches Forschungspanel, mit welchem Nenner, und welche Entscheidung kann das Ergebnis unterstützen?

Das gleiche Label kann unterschiedliche Messungen verbergen

Es gibt keinen einheitlichen, vom Anbieter definierten Standard für „AI-Sichtbarkeit“. Die öffentliche Dokumentation der Tools veranschaulicht das Problem.

Die AI-Sichtbarkeitsmetriken von Semrush verwenden „AI-Sichtbarkeit“ als einen 0–100 Wettbewerbsbenchmark, der darauf basiert, wie oft eine Marke in generierten Antworten erscheint. Auf derselben Dokumentationsseite bezieht sich „Sichtbarkeit“ im Prompt-Tracking auf den Fortschritt einer Domain in den oberen Zitationspositionen für verfolgte Prompts. Der Brand Visibility Index von OtterlyAI kombiniert die Markenabdeckung mit einem Maß, das aus der durchschnittlichen Position abgeleitet ist.

Diese Methoden sind nicht austauschbar, obwohl jede eine nützliche Frage beantworten kann. Der Fehler beginnt, wenn ihre Ergebnisse verglichen werden, als ob sie dasselbe Ereignis, dieselbe Population und dieselbe Wahrscheinlichkeit messen würden.

Beginnen Sie mit der Beobachtungseinheit

Bevor Sie eine Formel wählen, definieren Sie, was eine Beobachtung ausmacht:

– ein Durchlauf ist eine Ausführung unter festgelegten Bedingungen;

– eine Antwort ist deren Ausgabe;

– ein Prompt ist die eingereichte Formulierung;

– ein Szenario ist die zugrunde liegende Information oder der Entscheidungsbedarf;

– eine Zitation ist ein sichtbarer Verweis;

– eine Aussage ist eine überprüfbare Aussage.

Zehn Erwähnungen in einer Antwort sind nicht gleichbedeutend mit Präsenz über zehn Szenarien. Drei Links aus einer Antwort schaffen keine Abdeckung über drei Antworten. Ein Prompt ist eine Formulierung, während ein Szenario eine Absicht, ein Publikum und einen Kontext darstellt.

Ein reproduzierbares AI-Sichtbarkeits-Audit beginnt daher mit Entitäten, Absichtsszenarien und kontrollierten Forschungsbedingungen.

Präsenz, Erwähnungen und Abdeckung sind nicht immer dasselbe

Präsenz ist die einfachste Dimension: Ist die Marke in der Antwort erschienen?

Eine Präsenzrate der Antwort kann definiert werden als:

gültige Antworten, die die Marke enthalten / alle gültigen Antworten im Umfang

Dies ist binär: Eine Antwort zählt einmal, unabhängig davon, ob die Marke einmal oder zwölfmal erscheint. Eine Erwähnungsanzahl kann stattdessen jede Vorkommen aufzeichnen. Der Erwähnungsanteil kann die Vorkommen einer Marke durch alle Vorkommen des geprüften Wettbewerber-Sets teilen, ist jedoch empfindlich gegenüber der Antwortlänge, Wiederholung und Extraktionsregeln.

Szenarioabdeckung beantwortet eine andere Frage:

Szenarien, in denen die Marke einen definierten Präsenzschwellenwert erreicht hat / alle berechtigten Szenarien

Der Schwellenwert ist entscheidend. Wenn „Erwähnungsrate“ und „Präsenzrate“ dieselbe binäre Berechnung verwenden, sind sie einfach zwei Namen für eine Metrik.

Das 5P AI-Repräsentations-Auditmodell ordnet diese Maße unter Präsenz ein, hält jedoch absichtlich Position, Herkunft, Präzision und Beständigkeit getrennt. Präsenz stellt die Inklusion fest. Sie stellt jedoch keine Bedeutung fest.

Eine Erwähnung identifiziert nicht die Rolle der Marke

Die gleiche Marke kann als primäre Empfehlung, Shortlist-Option, Kategoriebeispiel, Informationsquelle, Vergleichspunkt, ungeeignete Option oder verwirrte Entität erscheinen. Alle erhöhen die binäre Präsenz. Nur einige deuten auf eine echte Überlegung hin.

Repräsentation benötigt daher eine Klassifizierung, nicht nur eine Sentimentanalyse. Ein positiver Satz kann eine Marke in die falsche Kategorie einordnen, während eine neutrale Antwort sie genau als die beste Wahl für einen eingeschränkten Anwendungsfall identifizieren kann.

Empfehlung benötigt ihren eigenen Nenner

Die Empfehlungsrate sollte normalerweise nicht über jeden Prompt in einer Studie berechnet werden. Definitionale, fehlerbehebende, vergleichende und ausdrücklich markenbezogene Fragen schaffen nicht immer eine echte Möglichkeit zur Empfehlung.

Eine besser interpretierbare Formel ist:

gültige berechtigte Antworten, die die Marke empfehlen / alle gültigen berechtigten Antworten

Berechtigung muss definiert werden, bevor die Ergebnisse betrachtet werden. Der Zähler benötigt ebenfalls eine Regel: Zählt die Aufnahme in die Shortlist, und wird die erste Empfehlung stärker gewichtet als die fünfte? Eine B2B-Beschaffungsstudie könnte die Aufnahme in die Shortlist als bedeutend erachten, während eine Verbraucherstudie eine ausdrückliche Unterstützung erfordern könnte. Die Metrik wird glaubwürdig, wenn die Regel erklärt und konsistent angewendet wird.

Zitationsmetriken beantworten eine andere Frage

Die Zitationsrate misst die sichtbare Quelleninklusion, nicht die Markenempfehlung.

Auf der Antwortebene kann sie definiert werden als:

gültige Antworten, die die geprüfte Domain zitieren / gültige Antworten, die in der Lage sind, Zitationen anzuzeigen

Zitationsanteil fragt, welcher Anteil zu einer Domain oder Quellklasse gehört. Zitationsprävalenz fragt, wie breit eine Domain in den Antworten erscheint. Plattformen unterscheiden sich in Zitationsvolumen, Präsentation und Nutzung von Websuche.

Eine sichtbare Zitation stellt die sichtbare Herkunft fest. Sie beweist nicht, dass die Seite jede Aussage geprägt hat. Die Bewertung von Unterstützung oder Beitrag erfordert eine Analyse auf Anspruchsebene:

Zählen Sie Zitationen als Zitationen. Konvertieren Sie sie nicht stillschweigend in Empfehlungen, Einfluss oder faktische Unterstützung.

Repräsentation kann nicht auf günstige Formulierungen reduziert werden

Markenrepräsentation umfasst die Kategorie, das Angebot, das Publikum, die Fähigkeiten, die Einschränkungen und die Beziehungen, die durch die Antwort ausgedrückt werden. Ihre Messung erfordert eine verifizierte Referenzebene. Eine Anspruchskarte kann Aussagen identifizieren, die korrekt, veraltet, falsch, nicht überprüfbar oder mit einer wesentlichen Einschränkung unvollständig sind. Ohne sie ist die „Halluzinationsrate“ oft nur ein Eindruck.

Eine Anspruchsgenauigkeitsrate kann ausgedrückt werden als:

korrekte atomare Markenansprüche / alle atomaren Markenansprüche, die überprüfbar sind

Ein falscher Bürostandort und eine erfundene Fähigkeit zählen beide als Fehler, aber ihre Konsequenzen unterscheiden sich. Bewahren Sie den Fehlertyp und die Schwere zusammen mit der Rate auf.

Die Infrastruktur der Markensemantik verbindet die Messung mit Entitätenkarten, Anspruchskarten und Quellenabgleich und definiert, was eine korrekte Repräsentation enthalten würde und wie sie verifiziert werden kann.

Der Nenner kann die Schlussfolgerung ändern

Jede Prozentzahl enthält eine politische Entscheidung darüber, was unter die Linie gehört.

Angenommen, es wurden 100 Durchläufe geplant. Fünf lieferten Anbieterfehler, fünf waren leer und zehn aktivierten keinen zitationsfähigen Suchmodus. Wenn die Marke in 18 Antworten zitiert wurde, könnte ihre berichtete Zitationsrate sein:

– 18/100, wenn jeder geplante Durchlauf im Nenner bleibt;

– 18/90, wenn technische Fehler ausgeschlossen werden;

– 18/80, wenn die Metrik auf gültige, zitationsfähige Antworten beschränkt ist.

Jede Zahl beschreibt einen anderen Prozess. Technische Fehler sind keine neutralen Antworten oder Abwesenheit der Marke, aber sie stillschweigend zu entfernen, kann eine unzuverlässige Plattform sauberer erscheinen lassen. Berichten Sie die Vollständigkeit separat und erklären Sie jeden Nenner.

Mindestens sollten sowohl der Prozentsatz als auch der Bruch veröffentlicht werden: 18/80, nicht nur 22,5 %.

Plattformdurchschnitte sind nicht neutral

Die Kombination von ChatGPT, Google AI Mode, Gemini, Claude, Copilot und Perplexity schafft Entscheidungen über Plattformgewichte, äquivalente Produktoberflächen, Suchmodi und Klassifizierungsregeln.

Ein ungewichteter Durchschnitt gibt den Mittelwert über die ausgewählten Plattformen an. Er schätzt nicht die Wahrscheinlichkeit, dass ein Kunde die Marke trifft, was glaubwürdige Zielgruppen- und Szenariogewichte erfordern würde.

Aggregation kann auch einen scheinbaren Trend umkehren. Eine Marke kann in jedem stabilen Segment besser werden, aber insgesamt abnehmen, wenn die zweite Messung schwierigere Szenarien enthält oder einer schlecht abschneidenden Plattform mehr Gewicht gibt.

Ergebnisse auf Plattform- und Szenarioebene sollten daher unter jedem Gesamtwert verfügbar bleiben.

Ein Prozentsatz ist eine Schätzung, kein festes Plattformmerkmal

Generative Antworten variieren je nach Durchläufen, Formulierungen und Zeit. Zwei aktuelle Preprints liefern Beweise, obwohl keiner ein universeller Benchmark für jede Plattform oder jeden Markt ist.

Quantifying Uncertainty in AI Visibility untersucht wiederholte Zitationsmessungen über Perplexity Search, OpenAI SearchGPT und Google Gemini. Es rahmt Zitationsmetriken als Stichprobenschätzungen einer zugrunde liegenden Antwortverteilung ein und stellt fest, dass einige scheinbare Unterschiede zwischen Domains innerhalb des Messrauschens liegen.

Don’t Measure Once analysiert wiederholte Marken- und Quellenbeobachtungen über mehrere AI-Suchmaschinen. Es argumentiert ebenfalls, dass Sichtbarkeit als Verteilung und nicht als Einzelpunkt-Ergebnis behandelt werden sollte.

Beide sind Preprints von 2026 und keine etablierten plattformübergreifenden Standards. Sielinski ist mit dem kommerziellen AI-Sichtbarkeitsunternehmen IQRush verbunden, während Schulte eine Verbindung zu Aurora Intelligence neben seiner universitären Rolle offenlegt. Ihre Methoden und Einschränkungen sind hier wichtiger als ihre Hauptzahlen.

Die Stichprobengröße hängt von der Metrik, dem Szenario, der Plattform und der Variabilität ab. Ein Durchlauf pro Prompt kann keine Beständigkeit feststellen. Wesentliche Entscheidungen sollten den Bruch, die Anzahl der Durchläufe, ein Stabilitätsmaß und, wo gerechtfertigt, ein Unsicherheitsintervall umfassen.

Wann ein zusammengesetzter Wert nützlich ist

Ein zusammengesetzter Wert kann ein Signal für Führungskräfte liefern, die Richtung unter einer stabilen Methode verfolgen und Untersuchungen auslösen. Das Problem ist nicht die Aggregation selbst, sondern die Aggregation ohne Nachvollziehbarkeit.

Das Handbuch der OECD und der Europäischen Kommission behandelt die Konstruktion von zusammengesetzten Indikatoren als methodologische Aufgabe. Auswahl, Normalisierung und Gewichtung können das Ergebnis verändern.

Für die AI-Sichtbarkeit benötigen die Komponenten operationale Definitionen, die Gewichte müssen explizit sein, Änderungen des Panels und technische Ausschlüsse müssen dokumentiert werden, und die Ergebnisse der Komponenten müssen zugänglich bleiben. Der Wert darf nicht als Marktanteil, Nutzerexposition oder Umsatzwirkung präsentiert werden.

Ein Wert sollte eine Navigationsebene sein, nicht eine Barriere zwischen dem Leser und den Beweisen.

Der Vertrag über die AI-Sichtbarkeitsmetrik

Brand Semantics schlägt einen Vertrag über die AI-Sichtbarkeitsmetrik vor: eine kompakte Spezifikation, die jeder wesentlichen Metrik beigefügt werden sollte.

Dies ist ein methodologischer Vorschlag von Brand Semantics, kein offizieller Plattformstandard. Er macht eine Metrik prüfbar, bevor sie überzeugend wird.

Ein Beispiel: Ein Vertrag über die Empfehlungsrate könnte eine ausdrückliche positive Empfehlung auf Antwortebene, 40 vordefinierte nicht markenbezogene Kaufszenarien, fünf Durchläufe pro Szenario, gleiche Szenariogewichte und separate Plattformresultate spezifizieren. Anbieterfehler würden von der Rate ausgeschlossen, aber separat berichtet. Zeiträume würden nur verglichen, wenn die Szenariobibliothek, die Modelloberfläche und die Klassifizierungsregeln stabil blieben.

Berichten Sie über ein Scorecard, nicht nur über einen Wert

Ein nützliches Messsystem hat drei verbundene Ebenen.

Managementansicht – eine kleine Gruppe von Richtungsindikatoren, wesentlichen Risiken und Veränderungen über die Zeit.

Diagnoseansicht – Ergebnisse nach Plattform, Markt, Zielgruppe, Szenarioart, Empfehlungsrolle, Quellenklasse und Fehlerkategorie.

Beweisansicht – vollständige Antworten, Zitationen, Ansprüche, Klassifizierungen, Zeitstempel und technische Status.

Dies ergänzt den Prozess zur Interpretation und Berichterstattung eines AI-Sichtbarkeits-Audits. Es spiegelt auch die GEO-Kontrolloberfläche wider: Marken können kontrollierte Assets optimieren und Informationsbedingungen beeinflussen, aber Erwähnungen, Zitationen und Empfehlungen bleiben beobachtete Ergebnisse.

Semantio unterstützt diesen Ansatz, indem es szenariobasierte, plattformübergreifende Überwachung bewahrt und Antworten, Empfehlungen, Quellen und Fehler trennt. Ein Tool beseitigt nicht die Notwendigkeit von Metrikdefinitionen; es kann helfen, sie konsistent anzuwenden und die zugrunde liegenden Beweise zu bewahren.

Was das nicht bedeutet

Ein synthetischer Wert ist nicht verboten. Er kann nützlich sein, wenn seine Methode stabil, transparent und zerlegbar ist.

Jedes Projekt benötigt nicht jede Metrik. Ein Quellen-Audit, eine Empfehlungsstudie und eine Überprüfung des faktischen Risikos erfordern unterschiedliche Scorecards.

Zitationen und Empfehlungen sind nicht automatisch wertvoll oder korrekt. Eine Zitation kann veraltet sein, während eine Empfehlung auf einer falschen Fähigkeit basieren kann.

Mehr Beobachtungen beheben kein schlechtes Forschungsdesign. Das Wiederholen eines nicht repräsentativen Prompt-Panels liefert eine genauere Schätzung des falschen Konstrukts.

Tools sind nicht standardmäßig direkt vergleichbar. Das gleiche Label kann unterschiedliche Ereignisse, Panels und Gewichte verbergen.

AI-Sichtbarkeit ist nicht Marktanteil oder Geschäftsauswirkung. Die Verbindung von Repräsentation zu Nachfrage, Konversion oder Umsatz erfordert zusätzliche Beweise.

Messen Sie das Ereignis, bevor Sie den Wert benennen

AI-Sichtbarkeit wird nützlich, wenn sie in beantwortbare Fragen zerlegt wird: Erscheint die Marke, in welchen Szenarien, wird sie empfohlen, welche Rolle und Kategorie erhält sie, welche Quellen sind sichtbar, sind ihre Ansprüche korrekt und bleibt das Ergebnis bestehen?

Eine einzelne Zahl kann einen Teil dieses Bildes zusammenfassen. Sie sollte jedoch nicht das Bild neu definieren dürfen.

Bevor Sie einen AI-Sichtbarkeitswert akzeptieren, fragen Sie nach seinem Vertrag: Ereignis, Einheit, Nenner, Panel, Ausschlüsse, Aggregation und Unsicherheit. Ohne sie kann die Zahl ein Dashboard schmücken, ist aber nicht stark genug, um eine Entscheidung zu leiten.

Brand Semantics wendet diese Unterscheidung durch AI Strategic Consulting an, indem sie Messdesign mit Entitäts-, Anspruchs-, Quellen- und Repräsentationsanalyse verbindet.