Was sollte ein AI-Sichtbarkeits-Audit messen?

Die Sichtbarkeit von Marken in AI-Suchen reduziert sich oft auf eine einzige Frage: Erwähnt ChatGPT, Google AI Overviews oder Perplexity das Unternehmen?

Das ist als erste Beobachtung nützlich, aber es ist ein zu oberflächlicher Standard für ein Audit.

Eine Marke kann häufig erscheinen, aber der falschen Kategorie zugeordnet werden. Sie kann als Quelle zitiert werden, ohne als Anbieter empfohlen zu werden. Sie kann in einer Formulierung einer Frage genau dargestellt werden und nach einer geringfügigen Änderung der Formulierung verschwinden. Ein System kann auch konsequent veraltete Informationen wiederholen, zwei ähnliche Entitäten verwechseln oder ein Merkmal einem Produkt zuschreiben, das es nie angeboten hat.

Ein professionelles AI-Sichtbarkeits-Audit sollte daher fünf separate Fragen untersuchen:

• Ist die Marke präsent?

• Welche Rolle wird ihr zugeschrieben?

• Welche sichtbaren Quellen unterstützen ihre Darstellung?

• Sind die Ansprüche genau?

• Hält das Ergebnis über verschiedene Durchläufe, Eingaben, Plattformen und Zeiträume hinweg an?

Eine Erwähnung ist eine Beobachtung. Ein zuverlässiges Audit erklärt die dahinterstehende Darstellung.

Dieser Artikel definiert diese fünf Dimensionen. Der nächste Artikel in der Reihe erklärt wie man ein AI-Sichtbarkeits-Audit über öffentliche AI-Suchoberflächen durchführt.

Ein AI-Sichtbarkeits-Audit ist kein Eingabe-Check

Die einfachste Form des AI-Sichtbarkeitstests folgt normalerweise vier Schritten:

1. eine Liste von Fragen vorbereiten;

2. sie in mehrere Antwortsysteme eingeben;

3. zählen, wie oft die Marke erscheint;

4. die Gesamtzahl mit Wettbewerbern vergleichen.

Dies kann offensichtliche Abwesenheiten oder Fehler aufdecken. Es stellt jedoch nicht fest, warum die Fragen ausgewählt wurden, welche kommerziellen Absichten sie vertreten, ob die Websuche aktiv war, ob die Durchläufe wiederholt wurden oder ob die Marke als Empfehlung, Quelle oder zufälliges Beispiel erschien.

Es besteht auch das Risiko, eine probabilistische Ausgabe als stabiles Ergebnis zu behandeln.

In Quantifying Uncertainty in AI Visibility testete Ronald Sielinski wiederholte Proben von Perplexity Search, OpenAI SearchGPT und Google Gemini. Die Zitationsverteilungen variierten erheblich zwischen täglichen und hochfrequenten Messungen, und einige offensichtliche Unterschiede zwischen den Domänen lagen innerhalb des statistischen Rauschens des Messprozesses. Das Papier ist ein Preprint von 2026, sodass seine numerischen Ergebnisse weiterer Replikation bedürfen, aber es stellt die Berichterstattung über die Sichtbarkeit bei Einzelmessungen direkt in Frage.

Don’t Measure Once: Measuring Visibility in AI Search kommt zu derselben umfassenderen Schlussfolgerung: Antworten können über Durchläufe, Eingaben und Zeit variieren, sodass Sichtbarkeit als Verteilung möglicher Ergebnisse und nicht als fester Rang behandelt werden sollte.

Das bedeutet nicht, dass es eine universelle Anzahl von Wiederholungen gibt. Die Stichprobengröße sollte von der Plattform, dem Szenario und der beobachteten Variabilität abhängen. Es unterstützt jedoch eine Mindestregel:

Ein Audit, bei dem jede Eingabe nur einmal durchgeführt wird, ist eine Sammlung illustrativer Beobachtungen und kein zuverlässiges Maß für die Stabilität der Sichtbarkeit.

Das 5P AI-Darstellungs-Audit-Modell

Brand Semantics verwendet das 5P AI-Darstellungs-Audit-Modell:

1. Präsenz

2. Position

3. Herkunft

4. Genauigkeit

5. Persistenz

Die zugrunde liegenden Anliegen sind nicht neu. Die ursprüngliche GEO-Forschung, die später bei KDD 2024 veröffentlicht wurde, formalisiert Sichtbarkeits- und positionsangepasste Maße für generative Antworten. Nachfolgende Forschungen haben wiederholte Messungen, Zitationsunterstützung und die Zuverlässigkeit auf Anspruchsebene untersucht.

Vergleichbare Elemente erscheinen auch in den Methoden der Praktiker. David Cosgroves Five Layers of AI Brand Knowledge behandelt die Entitätskennung, faktische Genauigkeit, Positionierung, Wissenslücken und Quellenzuordnung. Digital Applieds AI Search Visibility Score umfasst Position und Persistenz, obwohl es diese enger definiert und in eine zusammengesetzte Punktzahl kombiniert. Yotpo verwendet auch den Begriff Markenpersistenz für wiederholte Sichtbarkeit über Sitzungen hinweg.

Der Wert des 5P-Modells liegt in der Integration dieser Anliegen als fünf operationell separate Dimensionen eines darstellungsfokussierten Audits. Es behauptet nicht, dass Erwähnungen, Positionierung, Herkunft, Genauigkeit oder Stabilität neu entdeckt wurden.

Präsenz: Erscheint die Marke?

Präsenz ist die grundlegendste Ebene. Sie stellt fest, ob die Marke, das Produkt, die Domain oder eine verwandte Entität in der Antwort erscheint.

Nützliche Maße umfassen:

• Erwähnungsrate über relevante Szenarien;

• Plattformabdeckung;

• Produktpräsenz;

• Ko-Vorkommen der Marke und ihrer Kategorie;

• Präsenz in markenbezogenen und nicht-markenbezogenen Fragen.

Ein nützliches Audit sollte mindestens vier Formen der Präsenz unterscheiden:

• auffordernde Präsenz — die Marke erscheint, weil die Frage sie nennt;

• spontane Präsenz — die Marke erscheint in einem Kategorie-, Problem- oder Empfehlungsszenario, ohne genannt zu werden;

• nur Quellenpräsenz — die Domain wird zitiert, aber die Marke fehlt im Antworttext;

• nur Produktpräsenz — ein Produkt wird erwähnt, ohne eine klare Verbindung zur Muttermarke.

Das ist wichtig, denn eine Marke, die erkannt wird, wenn sie ausdrücklich angefordert wird, ist nicht unbedingt in nicht-markenbezogenen Entscheidungsszenarien auffindbar.

Die Erwähnungsrate ist daher nicht Marktanteil, Empfehlungswahrscheinlichkeit oder kommerzieller Wert. Sie ist eine Beobachtung über die Einbeziehung.

Position: Welche Rolle wird der Marke zugeschrieben?

Position ist breiter gefasst als der physische Standort eines Markennamens in der Antwort. Sie umfasst:

• die der Marke zugewiesene Rolle;

• Empfehlungsstatus;

• Kategoriezuteilung;

• Eignung für bestimmte Anwendungsfälle;

• vergleichende Beziehung zu Wettbewerbern;

• Hervorhebung innerhalb der Antwort.

Eine praktische Taxonomie kann Folgendes umfassen:

• primäre Empfehlung;

• sekundäre Empfehlung;

• Shortlist-Einbeziehung;

• Kategoriebeispiel;

• Informationsquelle;

• Hintergrundnennung;

• Vorsicht oder negative Vergleich;

• irrelevante Einbeziehung;

• Entitätsverwirrung.

Eine Marke, die in 70 Prozent der Antworten erwähnt wird, aber fast immer nur als Quelle, hat ein anderes Sichtbarkeitsproblem als eine Marke, die in 30 Prozent der Antworten präsent ist, aber regelmäßig als die stärkste Empfehlung dargestellt wird.

Deshalb sollte die Position nicht darauf reduziert werden, wie früh eine Erwähnung erscheint. Die textuelle Reihenfolge kann nützlich sein, erfasst jedoch nicht die Kategorie, Rolle oder den Empfehlungsstatus.

Herkunft: Welche sichtbaren Quellen prägen die Antwort?

Die Herkunft betrifft die beobachtbare Quellenumgebung rund um eine Antwort.

Ein Audit kann feststellen:

• welche Domains zitiert werden;

• welche Quellen zur Marke gehören;

• welche aus Medien, Verzeichnissen, Foren, Partnern oder Wettbewerbern stammen;

• ob die Quellen aktuell sind;

• ob eine zitierte Seite die richtige Entität betrifft;

• ob sie den spezifischen Anspruch unterstützt, der ihr zugeschrieben wird;

• ob verschiedene Plattformen auf unterschiedliche Quellenechosysteme angewiesen sind.

Der präzise Begriff ist sichtbare Herkunft. Eine Schnittstelle, die mehrere Links anzeigt, offenbart nicht jedes Dokument, das berücksichtigt wurde, oder den vollständigen internen Abrufprozess. Das Fehlen einer Zitation beweist auch nicht, dass keine externen Informationen zur Antwort beigetragen haben.

Herkunft ist daher kein Synonym für Zitationsanzahl. Sie sollte Quellentyp, Unabhängigkeit, Aktualität, Entitätsübereinstimmung, Widersprüche und Unterstützung auf Anspruchsebene umfassen.

Der Preprint From Citation Selection to Citation Absorption trennt die Auswahl einer zitierten Seite von dem Grad, zu dem diese Seite Sprache, Beweise, Struktur oder faktische Unterstützung zur endgültigen Antwort beiträgt. Bei 602 Eingaben und mehr als 21.000 Zitationsschichten fanden die Autoren heraus, dass die Breite der Zitation und die gemessene Tiefe des Einflusses divergieren können. Die Studie rechtfertigt keine permanente Rangfolge von Plattformen, unterstützt jedoch die separate Messung des Beitrags von Quellen unabhängig von der Zitationsmenge.

Genauigkeit: Sind die Ansprüche genau?

Die Genauigkeit betrifft die faktische und semantische Richtigkeit von Ansprüchen über die geprüfte Entität. Sie sollte nicht mit Zitationsgenauigkeit verwechselt werden, die Zitationen bewertet, anstatt die Wahrheit der Markenrepräsentation.

Eine Antwort sollte in atomare Ansprüche zerlegt werden.

Der Satz:

„Unternehmen X ist eine britische SaaS-Plattform, die prädiktive Analysen in ihrem Einstiegsplan anbietet“

enthält mindestens vier Ansprüche:

1. Unternehmen X ist eine SaaS-Plattform.

2. Unternehmen X ist britisch.

3. Es bietet prädiktive Analysen an.

4. Das Merkmal ist im Einstiegsplan verfügbar.

Jeder dieser Ansprüche kann wahr, falsch, veraltet, teilweise wahr, nicht verifizierbar, mit einer wichtigen Einschränkung versehen oder der falschen Entität zugeordnet sein.

Das DeepTRACE-Framework wendet eine Analyse auf Anspruchsebene an und erstellt Matrizen, die Ansprüche, Zitationen und faktische Unterstützung verknüpfen. Die Autoren fanden heraus, dass generative Such- und Tiefenforschungsantworten erhebliche Anteile an Aussagen enthalten können, die von ihren aufgeführten Quellen nicht unterstützt werden. Das Papier ist ein Preprint, und ein Teil seiner Bewertung verwendete einen modellbasierten Richter, der gegen menschliche Bewertungen validiert wurde, aber die Methode auf Anspruchsebene ist direkt relevant für das Marken-Audit.

Nützliche Genauigkeitsmaße umfassen:

• Anspruchsgenauigkeit;

• Unterstützungsrate von Ansprüchen;

• Halluzinationsrate;

• Veraltete Anspruchsrate;

• Entitätsverwirrungsrate;

• Fehlende Einschränkungsrate;

• Unterstützungsrate von Empfehlungen.

Eine Halluzinationsrate kann glaubwürdig nicht berechnet werden, ohne eine definierte Referenzwahrheit. Das Audit benötigt zunächst eine genehmigte Anspruchskarte, aktuelle Produktdokumentationen, Preisgestaltung, Organisationsdaten und andere verifizierte Quellen.

Persistenz: Hält die Darstellung?

Persistenz ist eine Überbegriffsdimension für mehrere Formen der Stabilität:

• Stabilität bei wiederholten Durchläufen;

• Stabilität bei Eingabevarianten;

• Konsistenz über Plattformen hinweg;

• Konsistenz über Sprachen hinweg;

• Zitationsstabilität;

• Anspruchsstabilität;

• zeitliche Persistenz.

Frühere Branchenmethoden verwenden ebenfalls den Begriff, manchmal enger gefasst. Digital Applied definiert Persistenz durch die fortlaufende wöchentliche Zitationspräsenz, während Yotpo Markenpersistenz auf wiederholte Sitzungen anwendet. Das 5P-Modell verwendet es über Präsenz, Rolle, Quellen, Ansprüche und Wettbewerber hinweg, anstatt es auf die Lebensdauer einer Zitation zu reduzieren.

Diese Unterscheidung ist wichtig, denn ein System kann:

• die Marke konsequent erwähnen, aber ihre Rolle ändern;

• die Marke konsequent empfehlen, während sich die Beweise ändern;

• den gleichen faktischen Fehler in jedem Durchlauf wiederholen;

• die Marke korrekt auf Englisch, aber inkorrekt auf Polnisch darstellen;

• innerhalb einer Plattform stabil bleiben, während sie anderswo stark divergiert.

Stabilität ist nicht Genauigkeit. Eine ungenaue Darstellung kann sehr beständig sein.

Warum eine AI-Sichtbarkeitsbewertung nicht ausreicht

Eine zusammengesetzte Punktzahl kann für die Berichterstattung an Führungskräfte nützlich sein, ist aber ein schlechter Ersatz für eine Diagnose.

Hohe Präsenz kann mit niedriger Genauigkeit koexistieren. Hohe Persistenz kann bedeuten, dass ein falscher Anspruch konsequent wiederholt wird. Ein starker Zitationsanteil kann mit schwacher Empfehlungs Sichtbarkeit koexistieren. Eine Marke kann in aufgeforderten Fragen dominieren, während sie in nicht-markenbezogenen Entdeckungsszenarien abwesend bleibt.

Die Kombination dieser Ergebnisse in eine Zahl verbirgt den Mechanismus, der die Handlung leiten sollte.

Ein 5P-Punktesystem kann weiterhin numerische Zusammenfassungen verwenden, aber die fünf Dimensionen sollten sichtbar und separat interpretierbar bleiben. Das Audit sollte nicht nur beantworten, ob die Sichtbarkeit hoch oder niedrig ist, sondern welche Art von Sichtbarkeit existiert, ob sie genau ist und welche Beweise sie unterstützen.

Was das nicht bedeutet

Eine Erwähnung ist keine Empfehlung

Eine Marke kann als Quelle, Beispiel oder periphere Referenz erscheinen. Die Erwähnungsrate zeigt nicht automatisch den Empfehlungsanteil an.

Eine Zitation ist kein Beweis für Absorption

Ein sichtbarer Link stellt nicht fest, wie tief die Seite die Antwort beeinflusst hat. Zitationsauswahl und Zitationsabsorption sind unterschiedliche Beobachtungen.

Keine Zitation beweist keine Abrufung

Das Fehlen eines sichtbaren Links offenbart nicht den vollständigen Generierungsprozess. Ein Audit bewertet beobachtbare Ausgaben und sichtbare Quellen.

Stabilität ist nicht Genauigkeit

Ein System kann konsequent einen veralteten oder falschen Anspruch wiederholen.

Eine Punktzahl repräsentiert nicht das gesamte Audit

Aggregation kann einen wesentlichen Fehler, eine instabile Empfehlung oder eine Quellenabhängigkeit verbergen.

AI-Sichtbarkeit beweist keinen Geschäftseinfluss

Die Präsenz in Antworten kann die Entdeckung oder Kaufentscheidungen unterstützen, aber der Einfluss auf den Umsatz erfordert separate Daten zu Verkehr, Konversion, Attribution und qualitativen Beweisen.

Die Darstellung messen, nicht nur die Erwähnung

Ein AI-Sichtbarkeits-Audit sollte nicht nur beantworten, ob eine Marke in ChatGPT oder Google AI Overviews erscheint.

Es sollte feststellen:

• wo die Marke erscheint;

• welche Rolle sie erhält;

• welche Wettbewerber sie umgeben;

• welche Quellen sichtbar sind;

• ob diese Quellen die Ansprüche unterstützen;

• ob die Darstellung genau ist;

• ob das Ergebnis unter relevanten Bedingungen anhält.

Das 5P-Modell organisiert diese Fragen, ohne materiell unterschiedliche Ergebnisse in eine Sichtbarkeitsbewertung zu reduzieren.

Der nächste Schritt ist methodisch: die Entität definieren, Absichtsszenarien erstellen, die relevanten Produktoberflächen auswählen und genügend Beweise für die Ergebnisse bewahren, damit diese überprüft werden können. Dieser Prozess wird in Wie man ein AI-Sichtbarkeits-Audit über AI-Suchplattformen durchführt behandelt.

Brand Semantics wendet diese Unterscheidung durch AI Strategic Consulting an, indem technische Sichtbarkeit, Quellenanalyse, Anspruchsgenauigkeit und Überwachung der Darstellung verbunden werden.

Quellen und methodische Hinweise

• Pranjal Aggarwal et al., GEO: Generative Engine Optimization, peer-reviewed bei KDD 2024. Verwendet für die frühe Formalisierung von Sichtbarkeits- und positionsangepassten Maßnahmen in generativen Antworten.

• Ronald Sielinski, Quantifying Uncertainty in AI Visibility, arXiv Preprint, überarbeitet im Juni 2026. Verwendet für wiederholte Messungen, Zitationsvariabilität und Unsicherheit.

• Julius Schulte, Malte Bleeker und Philipp Kaufmann, Don’t Measure Once, arXiv Preprint, April 2026. Verwendet für Sichtbarkeit als Verteilung über Durchläufe, Eingaben und Zeit.

• Zhang Kai, He Xinyue und Yao Jingang, From Citation Selection to Citation Absorption, arXiv Preprint, April 2026. Verwendet für die Unterscheidung zwischen Zitationsauswahl, Breite und messbarer Absorption.

• Pranav Narayanan Venkit et al., DeepTRACE, arXiv Preprint, September 2025. Verwendet für die Prüfung auf Anspruchsebene und Zitationsunterstützungsanalyse.

• David Cosgrove, The Five Layers of AI Brand Knowledge; Digital Applied, AI Search Visibility Score; und Yotpo, Wie man ein AI-Such-Audit für Marken-Erwähnungen durchführt. Diese Praktiker-Materialien dokumentieren die frühere öffentliche Nutzung überlappender Konzepte; sie sind keine unabhängige Validierung proprietärer Metriken.

Methodischer Hinweis: Das 5P AI-Darstellungs-Audit-Modell ist ein organisatorisches Rahmenwerk von Brand Semantics. Sein Beitrag ist die Integration und operationale Trennung von fünf etablierten Audit-Anliegen. Die Terminologie ist nicht offizielle Plattformterminologie oder ein etabliertes akademisches Standard.