So führen Sie ein AI-Sichtbarkeits-Audit über AI-Suchplattformen durch

Ein zuverlässiges AI-Sichtbarkeits-Audit beginnt, bevor der erste Prompt in ChatGPT, Google AI Mode oder Perplexity eingegeben wird.

Es muss die Entität, überprüfbare Ansprüche, relevante Benutzerabsichten und genaue Produktoberflächen definieren und genügend Beweise sichern, um ein Repräsentationsproblem von einer einmaligen Antwort oder unkontrollierten Bedingungen zu unterscheiden.

Die fünf Dimensionen, die in Was sollte ein AI-Sichtbarkeits-Audit messen? eingeführt wurden — Präsenz, Position, Herkunft, Präzision und Beständigkeit — bieten die analytische Struktur. Dieser Artikel erklärt, wie man das Audit gestaltet und durchführt, das diese Messungen liefert.

Eine Prompt-Liste ist kein Audit-Design. Das Audit beginnt mit Entitäten, Ansprüchen, Szenarien und kontrollierten Bedingungen.

Schritt 1: Definieren Sie den Entitäts- und Anspruchsbereich

Die erste Aufgabe besteht darin, genau festzulegen, was auditiert wird.

Eine Marke ist selten ein einzelner Name. Der Umfang sollte die kommerziellen und rechtlichen Namen, Schreibvarianten, Domains, Produkte, Dienstleistungen, Submarken, Schlüsselpersonen, Standorte, Kategorien, Wettbewerber und ähnlich benannte Entitäten abdecken. Dies verhindert, dass nur Produktnennungen oder plausible Beschreibungen der falschen Organisation als gültige Markenpräsenz gezählt werden.

Erstellen Sie eine Referenzanspruchskarte

Das Audit benötigt auch einen verifizierten Satz von Ansprüchen, gegen die Antworten bewertet werden können.

Die Karte sollte die Unternehmensdefinition, Angebote, Merkmale, Einschränkungen, Kundengruppen, Märkte, Preise, Integrationen, Zertifizierungen, Eigentum, Führung und wesentliche historische Änderungen abdecken. Jeder Anspruch sollte eine Referenzquelle, das Verifizierungsdatum, anwendbare Bedingungen und bekannte ungenaue Versionen aufzeichnen.

Die Karte muss Fakten von Interpretationen, Positionierungen und Bestrebungen unterscheiden. „Die führende Plattform“ ist nicht gleichbedeutend mit einem dokumentierten Merkmal oder dem aktuellen Preis.

Die zugrunde liegende Entität, Anspruchs- und Quellenarbeit wird detaillierter in Brand Semantics Infrastructure beschrieben.

Definieren Sie, wann die Marke nicht erscheinen sollte

Ein Audit sollte maximale Inklusion unabhängig von der Passform nicht belohnen.

Definieren Sie vor dem Test:

• Szenarien, in denen die Marke berücksichtigt werden sollte;

• Szenarien, in denen sie nur unter bestimmten Bedingungen relevant sein kann;

• Kategorien, zu denen sie nicht gehört;

• Anforderungen, die ihr Angebot disqualifizieren;

• Wettbewerber, mit denen sie tatsächlich verglichen werden sollte.

Abwesenheit in einem ungeeigneten Szenario kann auf eine angemessene Auswahl hinweisen; wiederholte Inklusion in der falschen Kategorie kann die Nennrate erhöhen und gleichzeitig ein semantisches Problem offenbaren.

Schritt 2: Erstellen Sie Absichtsszenarien, nicht eine Keyword-Liste

Eine herkömmliche SEO-Keyword-Liste reicht für ein Antwortsystem-Audit nicht aus.

Ein Szenario sollte das Problem des Benutzers, die Absicht, die Entscheidungsphase, den organisatorischen Kontext, den Standort, die Sprache, die Bewertungskriterien und die Grenzen der Eignung beschreiben.

Zum Beispiel:

Ein Betriebsleiter eines mittelständischen europäischen Herstellers sucht nach einer Prozessanalyseplattform, die mit einem bestehenden ERP-System integriert ist und Unternehmenszugangskontrollen unterstützt.

Dieses eine Szenario kann mehrere Prompt-Varianten generieren:

• „Welche Prozessanalyseplattformen sollte ein mittelständischer Hersteller in Betracht ziehen?“

• „Vergleichen Sie Prozessintelligenz-Tools für einen europäischen Hersteller, der ein ERP-System verwendet.“

• „Welche Plattformen kombinieren ERP-Integration mit Unternehmenszugangskontrollen?“

• „Ich benötige eine Alternative zu Produkt Y für die Prozessanalyse in der Fertigung. Was würden Sie empfehlen?“

Halten Sie die Analyseeinheiten getrennt

Diese Unterscheidung ist wichtig, da Paraphrasen die Empfindlichkeit von Prompts testen, während wiederholte Durchführungen identischer Formulierungen die stochastische Variabilität testen. Sie sollten nicht in ein und dasselbe undifferenzierte Ergebnis kombiniert werden.

Branded und Non-Branded Szenarien einbeziehen

Branded Szenarien testen die Entitätserkennung und Anspruchsgenauigkeit:

• Was bietet Marke X an?

• Bietet Marke X Merkmal Y an?

• Wie schneidet Marke X im Vergleich zu Wettbewerber Z ab?

• Was sind die Einschränkungen von Marke X?

Non-Branded Szenarien testen Entdeckung und Empfehlung:

• Welche Anbieter lösen Problem X?

• Was sind die stärksten Optionen für ein Unternehmen mit diesen Anforderungen?

• Welche Alternativen sollten mit dem Kategoriesieger verglichen werden?

• Wer ist auf diesen Anwendungsfall spezialisiert?

Eine Marke kann in expliziten Fragen stark abschneiden, während sie in kommerziell wichtigen Entdeckungsszenarien abwesend bleibt. Berichten Sie sie separat.

Schritt 3: Definieren Sie die Produktoberflächenmatrix

Der Name des Anbieters allein ist nicht ausreichendes Metadatum.

„Google-Sichtbarkeit“ kann sich auf herkömmliche Suchergebnisse, AI Overviews, AI Mode oder Gemini beziehen. „ChatGPT“ kann sich auf eine Antwort mit Suche, eine parametrische Antwort ohne aktuelle Abrufung oder einen tiefen Forschungsworkflow beziehen. „Copilot“ kann sich auf die öffentliche Bing-Suche oder eine organisatorische Umgebung beziehen, die auf privaten Daten basiert.

Ein Basis-Publikum-Audit kann Folgendes umfassen:

Google AI Overviews und AI Mode

Die Richtlinien von Google für AI-Funktionen in der Suche behandeln AI Overviews und AI Mode als unterschiedliche Oberflächen. Sie können unterschiedliche Modelle und Techniken verwenden, unterschiedliche Links anzeigen und Abfragen über Unterthemen und Datenquellen verteilen.

Da AI Overviews nicht für jede Abfrage ausgelöst werden, unterscheiden Sie zwischen Nicht-Aktivierung und einer aktivierten Antwort, in der die Marke abwesend ist. Trennen Sie auch Markenmentions, Domainzitationen, Empfehlungen und ungenaue Darstellungen. Google gibt an, dass unterstützende Links indiziert und für einen herkömmlichen Snippet berechtigt sein müssen, aber die Berechtigung garantiert keine Anzeige. Zeichnen Sie Land, Sprache, Gerät, Anmeldestatus und Oberflächenaktivierung auf; fassen Sie AI Overviews, AI Mode und Gemini nicht zu einem Google-Score zusammen.

ChatGPT Search und Perplexity

OpenAI beschreibt ChatGPT Search als Bereitstellung zeitnaher Antworten mit Links zu Webquellen. Prompts können in gezielte Suchanfragen umgeschrieben werden, während allgemeiner Standort und aktivierte Memory die Formulierung beeinflussen können. Zeichnen Sie die Aktivierung der Suche, den Anmeldestatus und den Zustand des Speichers, die Sprache, den Standort und den Gesprächskontext auf.

Die Crawler-Dokumentation von OpenAI unterscheidet zwischen OAI-SearchBot, GPTBot und ChatGPT-User; sie unterstützen unterschiedliche Such-, Modellentwicklungs- und benutzerinitiierte Funktionen. Perplexity unterscheidet ebenfalls PerplexityBot und Perplexity-User. Seine zitationsreiche Schnittstelle ist nützlich für die Quellenanalyse, aber rohe Zitationszahlen sollten nicht direkt mit Plattformen verglichen werden, die Quellen anders offenlegen.

Gemini und Claude mit Websuche

Gemini sollte als separate Produktoberfläche von Google AI Overviews und AI Mode behandelt werden. Zeichnen Sie die öffentliche Schnittstelle, das offengelegte Modell oder den Modus, den Anmeldestatus, die Sprache, den Standort und ob die aktuelle Webverankerung sichtbar oder anderweitig identifizierbar ist, auf.

Für Claude unterscheiden Sie die öffentliche Schnittstelle von API-Experimenten. Die Crawler-Richtlinien von Anthropic trennen ClaudeBot, Claude-User und Claude-SearchBot. Die API-Dokumentation zur Websuche zeigt, dass API-Suchen innerhalb einer Anfrage wiederholt werden können und Domainkontrollen, Lokalisierung und Suchlimits verwenden können.

API-Kontrollen sind nützlich für Experimente, aber API-Ergebnisse sollten nicht als gleichwertig zu gewöhnlichen Antworten der öffentlichen Schnittstelle berichtet werden.

Microsoft Copilot Search und DeepSeek

Die relevante Microsoft-Oberfläche ist Copilot Search in Bing, nicht Microsoft 365 Copilot oder ein organisatorischer Agent, der auf Microsoft Graph basiert.

Die Dokumentation zu Copilot Search von Microsoft besagt, dass die Oberfläche zusammengefasste Antworten mit zitierten Quellen bereitstellt, auf Bing-Ergebnissen basiert und zusätzliche Suchen im Namen des Benutzers durchführen kann. Die Schnittstelle unterscheidet auch zwischen verwendeten Quellen zur Informationsbereitstellung und verwandten Links, die nicht zur Erstellung verwendet wurden.

Dokumentieren Sie diese Unterscheidung für den getesteten Markt und die Version, da die Funktionalität variieren kann.

Öffentliches DeepSeek kann einbezogen werden, wenn die Schnittstelle sichtbar anzeigt, dass die Websuche aktiv ist. Die offizielle DeepSeek API-Dokumentation bietet keine vergleichbar detaillierte Beschreibung des Such- und Zitationsverhaltens der öffentlichen Schnittstelle. Das Audit sollte daher nur das aufzeichnen, was beobachtet werden kann: Suchzustand, sichtbares Modell oder Modus, Quellenpräsentation, Klickbarkeit, Datum, Sprache und Standort. Es sollte keine undokumentierte Abrufarchitektur inferieren.

Schritt 4: Bewerten Sie die eigenen Quellen der Marke

AI-Tests sollten nicht die erste Begegnung des Prüfers mit Informationen über die Marke sein.

Überprüfen Sie die Homepage, Kategorien- und Produktseiten, Dokumentationen, Preise, Berichte, Unternehmensinformationen, Führungsprofile, Sprachversionen und offizielle Plattformprofile.

Technische Zugänglichkeit

Überprüfen Sie, ob wichtige Seiten durchsuchbar, indexierbar und in textuellem HTML verfügbar sind; ob die Kanonisierung die richtigen URLs auswählt; ob eine WAF oder CDN relevante Crawler blockiert; und ob veraltete Seiten öffentlich und auffindbar bleiben.

Google gibt an, dass die herkömmlichen Grundlagen der SEO auch für AI Overviews und AI Mode gelten: Durchsuchbarkeit, Indexierbarkeit, interne Links, textuelle Verfügbarkeit wichtiger Informationen und Konsistenz zwischen strukturierten Daten und sichtbarem Inhalt. Seine Richtlinien besagen auch, dass keine spezielle AI-Datei oder ein dediziertes Schema für diese Oberflächen erforderlich ist.

Technischer Zugang garantiert keine Sichtbarkeit, aber nicht zugängliche Informationen können nicht zuverlässig als aktuelle Quelle fungieren.

Verfügbarkeit und Konsistenz der Ansprüche

Wichtige Ansprüche sollten explizit, aktuell, der richtigen Entität zuordenbar und durch Beweise gestützt sein.

Überprüfen Sie auf fehlende Definitionen, mehrdeutige Kategorien, widersprüchliche Merkmale, alte Preise, eingestellte Funktionen, sprachübergreifende Inkonsistenzen, Verwirrung der Entitäten und wichtige Fakten, die nur in veralteten Dokumenten verfügbar sind.

Nicht jede ungenaue AI-Antwort stammt aus dem Modell. Das eigene Erbe der Marke kann das veraltete oder widersprüchliche Material enthalten, aus dem der Fehler rekonstruiert wird.

Schritt 5: Kartieren Sie das externe Quellenökosystem

Die Darstellung kann auch durch Medien, Verzeichnisse, Bewertungen, Partnerseiten, öffentliche Dokumentationen, Foren, soziale Plattformen, Analystenberichte, Wettbewerbsvergleiche und institutionelle Materialien geprägt werden.

Für jede relevante Quelle zeichnen Sie die Kategorie, zugehörige Ansprüche, Währung, Entitätsübereinstimmung, Auftreten in AI-Antworten, Korrekturmöglichkeiten und vergleichende Stärke gegenüber Wettbewerbsquellen auf.

Identifizieren Sie Quellenlücken

Eine Quellenlücke besteht, wenn ein wichtiger Anspruch keine glaubwürdige öffentliche Unterstützung hat, nur auf den eigenen Marketingseiten der Marke existiert, in der getesteten Sprache oder im Markt nicht verfügbar ist oder weniger präzise beschrieben wird als ein entsprechender Wettbewerbsanspruch.

Eine Quellenlücke beweist nicht, dass die Marke abwesend sein wird. Sie identifiziert ein schwaches Beweisumfeld, in dem Abruf, Verifizierung oder Empfehlung schwieriger sein können.

Identifizieren Sie widersprüchliche Beschreibungen

Eine Marke kann sich als Analyseplattform beschreiben, während Verzeichnisse sie als Projektmanagement-Software klassifizieren. Eine Partnerseite kann eine Integration auflisten, die eingestellt wurde. Ein alter Presseartikel kann einen früheren Geschäftsführer nennen.

Dokumentieren Sie diese Konflikte vor dem Testen. Sie können spätere Fehler erklären, obwohl sie keine Kausalität herstellen.

Schritt 6: Führen Sie kontrollierte Tests durch und bewahren Sie die Beweise auf

Jede Durchführung sollte einen Datensatz erzeugen, der nach Änderungen der Schnittstelle oder Antwort überprüft werden kann.

Ein Screenshot ist nützlich, aber bewahren Sie den vollständigen Text, Links, Quellenreihenfolge, Suchindikatoren und relevante Follow-ups auf. Andernfalls können spätere Prüfer möglicherweise nicht zwischen Empfehlung, Auflistung, Quellenverwendung und materieller Qualifikation unterscheiden.

Verwenden Sie wiederholte Durchführungen

Wiederholte Stichprobenforschung zeigt, warum eine Durchführung nicht als festes Plattform-Ergebnis behandelt werden sollte. Quantifizierung der Unsicherheit in der AI-Sichtbarkeit fand erhebliche Zitationsvariabilität über wiederholte Messungen, während Nicht einmal messen argumentiert, dass Sichtbarkeit als Verteilung über Durchführungen, Prompts und Zeit charakterisiert werden sollte.

Dieser Artikel schreibt keine bestimmte Stichprobengröße vor. Er erfordert jedoch, dass das Audit unterscheidet:

• eine identische Prompt, die erneut ausgeführt wird;

• eine paraphrasierte Prompt-Variante;

• ein anderes Datum;

• eine andere Sprache oder einen anderen Standort;

• ein geändertes Modell oder eine geänderte Schnittstelle;

• ein Follow-up innerhalb einer bestehenden Konversation.

Steuern Sie den Gesprächszustand

Eine frische Sitzung und eine Follow-up-Antwort sind nicht gleichwertig.

Nach mehreren Runden kann das System bereits Wettbewerber ausgewählt, Benutzeranforderungen abgeleitet oder Annahmen eingeführt haben, die spätere Antworten beeinflussen. Baseline-Tests sollten daher Folgendes trennen:

• frische Sitzungs-Prompts;

• kontrollierte Follow-ups;

• längere Entscheidungsreisen;

• personalisierte oder speicheraktivierte Szenarien.

Das Audit muss reproduzierbar sein

Ein glaubwürdiges Audit hat einen definierten Entitätsbereich, verifizierte Ansprüche, Absichtsszenarien, oberflächenspezifische Metadaten und vollständige Antwortaufzeichnungen.

Diese Grundlage ermöglicht es, zu bestimmen, ob ein Problem die Abwesenheit, die Empfehlungsrolle, die Quellenherkunft, faktische Fehler oder Instabilität betrifft. Der nächste Artikel erklärt wie man diese Erkenntnisse klassifiziert, interpretiert und berichtet.

Die prozedurale Unterscheidung folgt auch der GEO-Kontrolloberfläche: Marken können Teile ihres Informationsbesitzes kontrollieren, Teile des breiteren Quellenumfelds beeinflussen und Ausgaben beobachten, die sie nicht direkt kontrollieren.

Diskutieren Sie ein AI-Sichtbarkeits-Audit mit Brand Semantics.

Quellen und methodische Hinweise

• Google Search Central, AI-Funktionen und Ihre Website. Verwendet für AI Overviews, AI Mode, Abfrageverteilung, Berechtigung und technische Grundlagen. Die Dokumentation offenbart keine vollständigen Abruf- oder Quellenauswahlmechanismen.

• OpenAI Help Center, ChatGPT Search, und OpenAI, Überblick über OpenAI-Crawler. Verwendet für Suchverhalten, Abfrageumformulierung, Standort, Speicher und Unterscheidungen zwischen OAI-SearchBot, GPTBot und ChatGPT-User.

• Perplexity, Perplexity-Crawler. Verwendet für die Unterscheidung zwischen PerplexityBot und Perplexity-User.

• Anthropic, Crawler-Richtlinien und Websuchwerkzeug. Verwendet für Claude-SearchBot, Claude-User und API-Suchkontrollen. API-Dokumentation wird nicht als vollständige Beschreibung der öffentlichen Schnittstelle behandelt.

• Microsoft, Copilot Search in Bing. Verwendet für Bing-Verankerung, zusätzliche Suchen, zitierte Quellen und die Unterscheidung zwischen verwendeten Quellen und verwandten Links.

• DeepSeek, API-Dokumentation. Verwendet, um die Grenze der öffentlichen technischen Dokumentation zu identifizieren; keine undokumentierten Abrufmechanismen werden inferiert.

• Ronald Sielinski, Quantifizierung der Unsicherheit in der AI-Sichtbarkeit, und Julius Schulte, Malte Bleeker und Philipp Kaufmann, Nicht einmal messen. Beide sind Preprints von 2026, die wiederholte Messungen anstelle einmaliger Tests unterstützen.