Wie misst man Sichtbarkeit in ChatGPT und anderen KI-Systemen?

LLM-Sichtbarkeit beschreibt, ob und wie eine Marke, Person, Leistung oder Quelle in Antworten generativer Systeme vorkommt.

Sie besitzt mehrere Ebenen:

• Erwähnung: Wird die Marke genannt?
• Quelle: Wird eine Seite verlinkt oder erkennbar verwendet?
• Einordnung: Wird die Marke fachlich richtig beschrieben?
• Themenbesitz: Bei welchen Themen taucht sie auf?
• Empfehlung: Wird sie in einer Auswahl von Anbietern genannt?
• Wettbewerbsanteil: Welche anderen Marken erscheinen?

Nur die Zahl der Nennungen zu betrachten, wäre zu kurz. Eine falsche Beschreibung kann sichtbarer und schädlicher sein als gar keine Nennung.

Beginnen Sie nicht mit Ihrem Markennamen. Beginnen Sie mit den Fragen, die Kunden tatsächlich stellen.

Ordnen Sie Fragen nach:

• Problemverständnis
• Definition
• Vorgehen
• Kosten
• Vergleich
• Anbieterwahl
• Branchenanwendung
• Risiken
• konkrete Empfehlung

Für Wortmomentum wären Beispiele:

• Was kostet es, ein Buch schreiben zu lassen?
• Wie findet man einen seriösen Ghostwriter?
• Welche Agentur erstellt Whitepaper für Maschinenbauunternehmen?
• Wie macht man Unternehmenswissen für KI-Systeme sichtbar?

Ein belastbarer Start umfasst etwa 50 bis 100 Fragen. Jede Frage erhält:

• Themencluster
• Funnel-Stufe
• Zielgruppe
• gewünschte Entität
• geschäftliche Priorität
• neutrale Ausgangsformulierung
• zwei oder drei kontrollierte Varianten

Verändern Sie das Kernset nicht ständig. Sonst ist unklar, ob sich Sichtbarkeit oder nur die Messmethode verändert hat.

Halten Sie pro Test fest:

• System und Produkt
• Modell, soweit sichtbar
• Datum und Uhrzeit
• angemeldeter oder nicht angemeldeter Zustand
• Region und Sprache
• exakter Prompt
• Antwort
• Quellen oder Links

Personalisierte Konten können Ergebnisse beeinflussen. Für vergleichbare Messungen sind neutrale Testbedingungen sinnvoll.

Mention Rate

Anteil der Fragen, bei denen die Marke genannt wird.

`Mention Rate = Fragen mit Markennennung / alle geprüften Fragen`

Citation Rate

Anteil der Antworten, die eine eigene Domain als Quelle oder Link verwenden.

Topic Coverage

Anteil der priorisierten Themencluster, in denen die Marke korrekt vorkommt.

Accuracy Score

Bewertung, ob Name, Positionierung, Leistungen, Personen und Fakten richtig dargestellt werden.

Share of Voice

Anteil der Markennennungen im Vergleich zu einem fest definierten Wettbewerbsset.

Recommendation Presence

Anteil kaufnaher Fragen, in denen die Marke als mögliche Lösung genannt wird.

Automatische Zählung reicht nicht. Antworten brauchen eine qualitative Prüfung.

Bewerten Sie beispielsweise von 0 bis 2:

• 0 = fehlt oder sachlich falsch
• 1 = teilweise korrekt oder unvollständig
• 2 = korrekt und passend eingeordnet

Prüfen Sie getrennt:

• Markenname
• Leistungsbeschreibung
• Zielgruppe
• Personen und Rollen
• Standort und Kontakt
• Quellenqualität
• Aktualität

Führen Sie das Kernset monatlich oder quartalsweise unter vergleichbaren Bedingungen aus. Einzelne Antworten schwanken. Trends über mehrere Messpunkte sind belastbarer.

Markieren Sie parallel:

• neue Inhalte
• technische Änderungen
• größere Veröffentlichungen
• externe Mediennennungen
• Änderungen der Positionierung
• System- oder Modellupdates

So können Sie Entwicklungen vorsichtig einordnen, ohne vorschnell Kausalität zu behaupten.

LLM-Monitoring sollte nicht isoliert bleiben. Verbinden Sie es mit:

• organischen Impressionen und Klicks
• Referral-Traffic, soweit sichtbar
• Marken-Suchanfragen
• direkten Zugriffen
• Downloads
• qualifizierten Anfragen
• Aussagen im Erstgespräch

Fragen Sie neue Kontakte, wie sie auf das Unternehmen aufmerksam wurden. Viele KI-Einflüsse erscheinen nicht sauber in einem einzelnen Analytics-Kanal.

Monitoring-Tools können Prompts automatisiert prüfen, Nennungen extrahieren und Wettbewerber vergleichen. Sie sparen Zeit, beseitigen aber nicht die methodischen Fragen.

Prüfen Sie bei einem Tool:

• welche Systeme und Regionen unterstützt werden
• wie oft abgefragt wird
• ob exakte Antworten gespeichert werden
• wie Quellen erkannt werden
• ob Personalisierung ausgeschlossen ist
• wie Veränderungen des Prompt-Sets dokumentiert werden
• ob Daten exportiert werden können

Ein schöner Sichtbarkeitsscore ist wertlos, wenn seine Berechnung unklar bleibt.

• nur den eigenen Markennamen abfragen
• einen einzigen Prompt verwenden
• Ergebnisse verschiedener Systeme vermischen
• personalisierte Antworten als neutral behandeln
• Nennung und Empfehlung gleichsetzen
• falsche Markenbeschreibungen positiv zählen
• einzelne Screenshots als Trend interpretieren
• keine geschäftlichen Kennzahlen verbinden

| KPI | aktueller Wert | Vormonat | Ziel | |---|---:|---:|---:| | Mention Rate | Prozent | Prozent | Prozent | | Citation Rate | Prozent | Prozent | Prozent | | korrekte Einordnung | Prozent | Prozent | Prozent | | abgedeckte Themencluster | Anzahl | Anzahl | Anzahl | | Share of Voice | Prozent | Prozent | Prozent | | qualifizierte KI-beeinflusste Anfragen | Anzahl | Anzahl | Anzahl |

Die Werte werden erst nach Definition des Prompt-Sets sinnvoll.

LLM-Sichtbarkeit ist messbar, aber nicht mit der scheinbaren Präzision eines einzelnen Rankings. Unternehmen brauchen ein festes Frageninventar, dokumentierte Bedingungen, quantitative Kennzahlen und qualitative Bewertung.

Das Ziel ist keine perfekte Zahl. Das Ziel ist eine belastbare Antwort auf drei Fragen: Werden wir genannt? Werden wir richtig verstanden? Entsteht daraus geschäftlich relevante Sichtbarkeit?