AI Visibility Audit: Vorgehen, Metriken und Interpretation

Das AI Visibility Audit ist das Handwerkszeug, mit dem du verstehst, wie KI-Systeme deine Marke wahrnehmen, beschreiben und weiterempfehlen. Wer dabei nur auf einen Visibility Score schaut, hat das Wesentliche noch nicht verstanden.

Das erste Problem liegt beim Begriff selbst. Was heute als AI Visibility Audit angeboten und beschrieben wird, ist nicht einheitlich.

Schau dir an, was unter diesem Begriff aktuell angeboten wird. Du wirst drei Kategorien finden, die häufig als "AI Visibility Audit" etikettiert werden:

Die erste Kategorie ist ein technischer Check der Website: robots.txt, Schema-Markup, llms.txt, strukturierte Überschriften, Ladezeiten. Das ist kein AI Visibility Audit. Das ist ein technischer Readiness-Check für crawler-freundlichen Content. Sinnvoll, aber grundlegend etwas anderes.

Die zweite Kategorie ist ein Screenshot-Report aus einem Visibility-Tool. Du gibst zwanzig Prompts ein, das Tool liefert einen Score von 23 %, du schaust, wer bei welchen Fragen genannt wird. Das ist AI Visibility Benchmarking. Ebenfalls sinnvoll als Startpunkt, aber noch keine Diagnose.

Der Unterschied zwischen Kategorie zwei und drei ist nicht nur akademischer Natur. Ein Benchmarking-Tool sagt dir, wie oft du in einem kontrollierten Prompt-Sample auftauchst. Ein Audit erklärt dir, warum das so ist, wer stattdessen auftaucht und was sich strukturell dagegen tun lässt. Das erste hat die Komplexität eines Ranktrackers. Das zweite die Komplexität einer Wettbewerbs- und Quellenanalyse.

Untersuchungsgegenstand des Audits ist immer eine Entität, nicht eine URL. Das kann ein Unternehmen sein, eine Marke, eine Person, ein Produkt, eine Produktkategorie, eine Dienstleistung oder ein Standort. Eine Website ist dabei nur einer von mehreren Datenpunkten. Wer das Audit auf seine eigene Domain beschränkt, hat das Informationsökosystem noch nicht verstanden, innerhalb dessen KI-Systeme ihre Antworten zusammensetzen.

Bevor irgendjemand in einem Audit eine Zahl nennt, muss klar sein, was genau gemessen wird. Die Branche wirft vier grundlegend verschiedene Ereignisse unter dem Begriff "Visibility" zusammen, die unterschiedliche Implikationen und unterschiedliche Handlungsoptionen haben.

Stufe 1: Retrieval. Das KI-System ruft Inhalte deiner Domain ab. Das ist die technische Voraussetzung für alles andere. Messbar über Server-Logs (KI-Crawler-Zugriffe), nicht über Monitoring-Tools.

Stufe 2: Citation. Das KI-System verwendet deine URL oder Seite als Quellenangabe in einer Antwort. Auf Perplexity siehst du das als klickbaren Link. Bei ChatGPT mit Web-Suche als Fußnotenreferenz. Die Quelle wird verwendet, aber die Marke muss dabei nicht explizit genannt werden.

Stufe 3: Mention. Das KI-System nennt deinen Markennamen explizit im Antworttext. Das ist die Sichtbarkeit, die ein menschlicher Nutzer als "die KI kennt mich" wahrnimmt. Mention ist nicht dasselbe wie Citation.

Stufe 4: Recommendation. Das KI-System empfiehlt deine Marke aktiv als Lösung für das Problem des Nutzers. Nicht nur als mögliche Option, sondern als bevorzugte Wahl. Das ist das Ziel, auf das die meisten Unternehmen hinarbeiten wollen, und das am schwierigsten zu erreichen ist.

Diese vier Stufen können unabhängig voneinander auftreten. Deine Website kann zitiert werden, ohne dass dein Name fällt. Dein Name kann fallen, ohne dass du empfohlen wirst. Du kannst empfohlen werden auf Basis von Quellen, die nicht von dir stammen. Und du kannst in einem Tool einen hohen Visibility Score haben, weil du oft zitiert wirst, während dein Markenname in den meisten Antworten nie auftaucht.

Die Semrush-Studie vom Juni 2026, durchgeführt von und mit Kevin Indig aus 3.981 Domain-Appearances über 115 Prompts, 14 Länder und vier KI-Plattformen, hat das in Zahlen gegossen: 61,7 % aller AI Citations sind sogenannte Ghost Citations. Die Domain erscheint als Quellenlink, der Markenname wird im Antworttext nicht erwähnt. Nur 13,2 % der Appearances erzeugen sowohl eine Citation als auch eine Mention. Und das Verhalten variiert massiv zwischen den Plattformen: ChatGPT erzeugt 87 % Citation Rate, aber nur 20,7 % Mention Rate. Gemini dreht das um: 83,7 % Mention Rate, nur 21,4 % Citation Rate.

Was bedeutet das für die Praxis? Wer eine Strategie für ChatGPT-Sichtbarkeit entwickelt, muss andere Hebel bedienen als für Gemini-Sichtbarkeit. Ein aggregierter "AI Visibility Score" über alle Plattformen zusammen ist nicht nur unvollständig, er ist aktiv irreführend.

Ein AI Visibility Audit braucht mindestens drei verschiedene Datenebenen, die grundlegend unterschiedliche Fragen beantworten. Und es lohnt sich, diese Ebenen sauber zu trennen, weil zwei davon oft verwechselt werden.

Standardisierte Prompt-Datenbanken: Das Keyword-Datenbank-Pendant

Semrush und Sistrix haben für AI Visibility etwas gebaut, das konzeptionell der klassischen Keyword-Datenbank entspricht: Eine zentrale, vorausberechnete Datenbasis aus realen Nutzeranfragen an KI-Systeme.

Die Semrush AI Visibility Toolkit-Funktionen "Visibility Overview" und "Prompt Research" speisen sich aus einer Datenbank von aktuell 289 Millionen Prompts und deren Antworten, erhoben über ChatGPT, Gemini, Google AI Overviews und AI Mode. Die Grundlage sind reale AI-Suchanfragen aus Clickstream-Daten und Googles Keyword-Dataset für AI Overviews, gruppiert in Topics, bereinigt um Duplikate, mit vereinfachter Formulierung bei bewahrter Suchintention. Ergebnisse werden aus dieser vorberechneten Datenbank in Sekundenbruchteilen geliefert.

Sistrix betreibt ein funktional vergleichbares System. Im AI Search-Bereich werden Antworten von aktuell rund 25 Millionen Prompts weltweit automatisiert abgefragt. Die Datenbank wird regelmäßig aktualisiert, neue Prompts kommen hinzu, nicht mehr relevante fallen heraus. Auch hier gilt: Die Ergebnisse sind vorausberechnet und sofort verfügbar.

Was dieser Ansatz leistet und was nicht: Er beantwortet die Frage, wie sichtbar eine Domain im Universum der tatsächlich gestellten AI-Anfragen ist, und zwar vergleichbar über Domains hinweg. Du hast keinen Einfluss auf die Prompts, die dein Ergebnis bestimmen. Das klingt zunächst wie ein Nachteil. Es ist aber die Bedingung für echte Vergleichbarkeit. Wenn du und dein Wettbewerber gegen dasselbe standardisierte Prompt-Set gemessen werden, ist der Vergleich aussagekräftig. Wenn jeder sein eigenes Prompt-Set mitbringt, vergleichst du Äpfel mit Orangen.

Für wen dieses Modell besonders gut funktioniert: Marken mit ausreichendem Suchvolumen, sodass die Prompt-Datenbank genug relevante Anfragen enthält. Für einen global bekannten Konsumgüterhersteller ist die Abdeckung gut. Für einen regionalen Baustoffhändler mit spezifischen B2B-Zielgruppen im Norden Deutschlands (das Fallbeispiel von unten) ist die Abdeckung dünn. Im Datenbank-Modell erscheint eine solche Marke möglicherweise als nahezu unsichtbar, nicht weil sie es ist, sondern weil die Datenbank in dieser Nische noch keine aussagekräftige Promptzahl hat.

Ein weiterer Vorbehalt für DACH-Anwender: Die großen Indizes sind primär auf US-Daten aufgebaut. Semrush hat den 2026 AI Visibility Index mit 126 Millionen US-Prompts erstellt. Europäische, deutschsprachige Daten sind in den Tools vorhanden, aber strukturell unterrepräsentiert gegenüber dem englischsprachigen Raum. Sistrix hat hier einen Vorteil, weil das Tool von Haus aus DACH-zentriert ist.

Wichtig: Innerhalb von Semrush gibt es zwei verschiedene Ansätze, die nicht verwechselt werden sollten. Die "Visibility Overview" und "Prompt Research" speisen sich aus der standardisierten Datenbank. Die "Brand Performance"-Funktion dagegen generiert synthetische Custom-Prompts auf Basis der eingetragenen Domain und des Standorts. Das ist ein grundlegend anderes Messprinzip mit anderen Stärken und Schwächen.

Custom Monitoring: Kontrolliertes Sampling

Tools wie Rankscale, Peec.ai, Otterly, SE Ranking oder eben die Brand-Performance-Funktion in Semrush sowie das Prompt Tracking in Sistrix lassen dich eigene Prompt-Sets definieren und regelmäßig auf ausgewählten KI-Systemen ausführen. Die Antworten werden automatisiert auf Mentions, Citations, Share of Voice, Sentiment und zitierte Wettbewerber analysiert.

Der Vorteil: Du testest genau die Prompts, die für dein Geschäftsmodell, deine Zielgruppe und deinen Markt strategisch relevant sind. Ein regionaler Baustoffhändler kann Prompts einrichten wie "Wo kaufe ich Dämmplatten für Handwerksbetriebe in Schleswig-Holstein?" Das würde in keiner standardisierten Datenbank auftauchen.

Der Vorbehalt: Das Custom-Monitoring beantwortet "Was passiert, wenn mein definiertes Prompt-Set unter den Messbedingungen dieses Tools ausgeführt wird?", nicht "Wie oft fragen reale Menschen genau diese Dinge?". Die Aussage "meine AI Visibility beträgt 35 %" ist vollständig erst als: "In diesem Prompt-Set, auf diesen Plattformen, im deutschen Sprachraum, unter den Messbedingungen dieses Tools und im definierten Zeitraum wurde meine Marke in 35 % der Antworten erkannt."

Für das Audit heißt das: Custom Monitoring und standardisierte Prompt-Datenbanken sind komplementäre Instrumente, keine Alternativen. Die Datenbank sagt dir, wie sichtbar du im realen Nachfrageuniversum bist. Das Custom Monitoring sagt dir, wie du in den für dich strategisch wichtigen Szenarien abschneidest.

Google Search Console: Der Generative AI Report

Seit dem 3. Juni 2026 gibt es in der Google Search Console erstmals einen eigenen Report für generative KI-Features: AI Overviews und AI Mode in der Suche, sowie generative KI-Features in Discover.

Was das Report zeigt: Impressionen (wie oft URLs deiner Domain in generativen KI-Features ausgespielt wurden), aufgeschlüsselt nach Seiten, Ländern, Geräten und Datum.

Was es nicht zeigt: Klicks, CTR, durchschnittliche Position, Queries. Die Abwesenheit von Query-Daten ist dabei besonders relevant: Du siehst, welche Seiten in AI Features auftauchen, aber nicht für welche Suchanfragen.

Was das für das Audit bedeutet: Das ist der erste echte First-Party-Datenpunkt von Google. Die Daten sind nicht neu, sondern waren immer schon im allgemeinen Performance-Report enthalten, nur nicht separat ausgewiesen. Der Report beginnt mit Daten ab dem 18. Mai 2026. Rückwirkende Daten gibt es nicht.

Für den DACH-Raum: Der Rollout startete im Vereinigten Königreich und läuft schrittweise global aus. Wer das Report in seiner Search Console noch nicht sieht, ist nicht allein. Solange der Report nicht verfügbar ist, empfiehlt sich ein manueller Baseline-Export aus dem allgemeinen Performance-Report, um später die Veränderung messen zu können.

Die regulatorische Dimension verdient Erwähnung: Der UK-first-Rollout ist kein Zufall. Die UK Competition and Markets Authority hat Google im Rahmen des Digital Markets, Competition and Consumers Act 2024 verpflichtet, Publishers und Webseitenbetreibern Transparenz über die Nutzung ihrer Inhalte in KI-Features zu geben. Es war Regulierung, nicht Großzügigkeit, die diesen Report entstehen ließ.

Bing Webmaster Tools: AI Performance

Microsoft hat bereits im Februar 2026, also vier Monate vor Google, einen eigenen AI Performance-Bereich in den Bing Webmaster Tools eingeführt. Er zeigt Total Citations, Average Cited Pages, Grounding Queries und Citation-Aktivität auf URL-Ebene.

Für SEOs, die primär auf Google-Traffic ausgerichtet sind, klingt das nach einer Randnotiz. Es ist keine. Erstens zeigt Microsoft bereits auf URL-Ebene, welche Seiten von KI-Systemen als Quellengrundlage ("Grounding") verwendet werden. Das ist qualitativ detaillierter als der Google-Report. Zweitens ist der Report, obwohl ChatGPT-Zitierungen nicht separat ausgewiesen werden, der nützlichste verfügbare Proxy für ChatGPT-Sichtbarkeit: ChatGPT nutzt Bings Index als Datengrundlage für seine Web-Suche, und Seer Interactive hat gemessen, dass 87 % der ChatGPT-Citations mit Bings Top-20-Ergebnissen übereinstimmen. Wer in Bings AI Performance gut dasteht, ist mit hoher Wahrscheinlichkeit auch im ChatGPT-Antwortraum präsent.

Microsoft betont ausdrücklich: Citation-Häufigkeit ist kein Aussage über Ranking oder Autorität innerhalb einer einzelnen Antwort. Auch die Grounding Queries sind ein Sample der Gesamtaktivität.

Die Messlücke in der Mitte

Wer diese drei Datenquellen kombiniert, bekommt ein relativ vollständiges Bild. Wer sich nur auf Monitoring-Tools verlässt, misst sein eigenes Prompt-Set, nicht das Suchverhalten realer Nutzer. Wer sich nur auf GSC verlässt, bekommt Impressionen ohne den Kontext, warum bestimmte Seiten auftauchen. Wer sich nur auf Bing verlässt, misst ein spezifisches Ökosystem.

Die wichtigste Messlücke bleibt trotzdem: Kein Tool zeigt dir, wie oft deine Marke empfohlen wird, ohne dass jemand auf deine Website klickt. Die Zero-Click-Empfehlung ist real und wächst, aber sie ist mit keinem der verfügbaren Instrumente direkt messbar. Du kannst daraus schlussfolgern (zum Beispiel über Brand-Suchanfragen, die mit einer Zeitverzögerung steigen), aber messen kannst du sie nicht direkt.

Das ist die unangenehmste Erkenntnis aus der aktuellen Forschungslage, und sie hat erhebliche Konsequenzen für jedes AI Visibility Audit.

Seer Interactive hat in einer Analyse von 541.213 LLM-Responses über 20 Marken und sechs KI-Plattformen die folgende Hypothese entwickelt und mit sechs unabhängigen Tests gestützt: KI-Systeme entscheiden zuerst aus ihrem parametrischen Gedächtnis, also dem Wissen, das während des Trainings in die Gewichte eingeflossen ist, welche Marken sie empfehlen. Dann rufen sie in einem separaten Retrieval-Schritt Quellen ab, die diese Entscheidung belegen. Die Citation ist die Bibliografie, nicht der Ausgangspunkt.

Was das bedeutet, lässt sich an einem konkreten Szenario zeigen: Ein Nutzer fragt nach der besten Lösung für ein spezifisches Bauproblem. Die KI generiert die Antwort und nennt dabei Hersteller A und B, weil diese Marken in ihren Trainingsdaten so stark verankert sind, dass sie für diesen Kontext automatisch aktiviert werden. Dann lädt das RAG-System Quelltexte nach, die die Antwort stützen sollen. Der beste verfügbare Quellentext stammt vom Fachartikels deiner Domain. Deine URL wird als Citation angehängt. Dein Markenname erscheint im Antworttext nicht. Der Nutzer sieht die Empfehlung für Hersteller A und B, sieht deinen Link als Fußnote, liest möglicherweise deinen Artikel, kauft dann bei einem der genannten Hersteller oder deren Händlern.

Das ist keine Fehlfunktion. Das ist die Architektur.

Die Konsequenz für das Audit: Wenn du bei deiner Analyse hauptsächlich feststellst, dass deine Domain oft als Quelle verwendet wird, aber dein Markenname kaum fällt, hast du kein Citation-Problem, sondern ein parametrisches Markenerkennungsproblem. Mehr Content auf deiner Domain zu veröffentlichen ändert das nicht. Was parametrisches Gedächtnis verändert, sind Dinge, die vor dem nächsten Modelltraining passieren: Erwähnungen in Publikationen, die KI-Systeme als besonders hochwertig einordnen, YouTube-Präsenz (Korrelationswert mit AI Visibility: 0,737 in der Ahrefs-Studie von 75.000 Marken), Branded Searches, Earned Media.

Zum Vergleich: Der Korrelationswert für Backlinks mit AI Visibility lag in derselben Studie bei 0,218. Backlinks, das dominierende Optimierungssignal der letzten zwanzig Jahre, haben für AI Visibility etwa ein Drittel der Vorhersagekraft von Branded Web Mentions.

Das ist keine Lektion über den Tod des Link-Buildlings. Es ist eine Lektion über Messlogik: Wenn du im Audit siehst, dass deine Citation-Rate ansteigt, aber deine Mention-Rate stagniert, schreibst du gute Artikel für die Bibliografie eines KI-Systems, das andere Marken empfiehlt.

Ein belastbares AI Visibility Audit läuft in sieben Schritten ab. Die Reihenfolge ist nicht zufällig.

Schritt 1: Scope und Ziele definieren

Bevor du einen einzigen Prompt eintippst, klärst du vier Fragen:

Welche Entität untersuchst du? Das Unternehmen als Ganzes, eine spezifische Produktlinie, eine Person, eine Dienstleistung, ein Standort? Scope-Entscheidungen prägen jede Folgeentscheidung.

Welche KI-Plattformen sind relevant für deine Zielgruppe? Nicht jede Plattform ist für jede Zielgruppe gleich relevant. B2B-Einkäufer nutzen andere Plattformen als private Bauherren. Recherchiere das, anstatt alle Plattformen gleich zu gewichten.

Welche Marktregion und welche Sprache? Für DACH: Deutsch als Hauptsprache ist Pflicht, Englisch als Sekundärsprache empfehlenswert, weil KI-Systeme für manche Themen englische Quellen bevorzugen, selbst bei deutschen Prompts (Stichwort: Query Fan-Out mit Sprachbias).

Was willst du nach dem Audit entscheiden? Ein Audit ohne Entscheidungskontext ist Beschäftigungstherapie. Klare Ziele: Verstehe ich, wo und warum ich unsichtbar bin? Erkenne ich, welche Themencluster ich besetzen oder aufbauen muss? Weiß ich, mit welchen Quellen und Wettbewerbern ich im KI-Antwortraum konkurriere?

Schritt 2: Prompt-Set aufbauen

Das Prompt-Set ist die Grundlage des gesamten Audits. Es braucht Struktur entlang von vier Dimensionen.

Intent-Dimension: Discovery-Prompts ("Welche Anbieter gibt es für X?"), Lösungs-Prompts ("Wie löse ich Problem Y?"), Vergleichs-Prompts ("Was ist besser: A oder B?"), Brand-Prompts ("Was bietet Unternehmen Z an?"), und lokale Prompts ("Welcher Anbieter für X empfiehlt sich in Region W?").

Journey-Dimension: Informationsphase, Alternativenvergleich, Kaufentscheidung, Service/Support. KI-Systeme beantworten diese Phasen unterschiedlich. Auf wen du in der Kaufentscheidungsphase setzt, ist eine andere Frage als wer in der Informationsphase als Quelle erscheint.

Zielgruppen-Dimension: Formuliere Prompts so, wie verschiedene Zielgruppen tatsächlich fragen. Ein Handwerksmeister formuliert anders als ein Hausbesitzer, der sein erstes Renovierungsprojekt plant. Beide Fragen können in dasselbe Produkt münden, werden von KI-Systemen aber unterschiedlich behandelt.

Themencluster-Dimension: Bilde das eigene thematische Angebotsspektrum ab, nicht nur die Brand-Keywords. Was sind die Informationsthemen, für die du als Experte stehen willst?

Für einen belastbaren Audit brauchst du mindestens 30 Prompts, für statistische Aussagekraft 50 bis 100. Weniger ist ein Quick Check. Mehr kostet überproportional Zeit ohne proportional mehr Erkenntnis.

Schritt 3: Plattformen und Zeitraum festlegen

Minimum für DACH: ChatGPT (mit und ohne Web-Suche), Perplexity, Gemini, und Google AI Overviews (über manuelle SERP-Analyse oder über ein Monitoring-Tool mit AIO-Tracking). Optional: Copilot, Claude.

Warum der Zeitraum wichtig ist: KI-Antworten sind variabel. Dieselbe Frage liefert heute eine andere Antwort als morgen, schon wegen der Temperatur-Parameter der Modelle, und stärker noch wegen wechselnder RAG-Ergebnisse. Eine Einzelabfrage ist eine Momentaufnahme mit unbekannter Standardabweichung. Ein arXiv-Paper vom Mai 2026 zur Messung von AI Visibility empfiehlt deswegen explizit: "Don't Measure Once." Für das Audit bedeutet das konkret: Jeden Prompt mindestens dreimal abfragen, idealerweise an verschiedenen Tagen, und die Ergebnisse aggregieren statt den günstigsten Einzelrun zu verwenden.

Das ist etwas anderes als laufendes Monitoring. Das Audit liefert eine belastbare Bestandsaufnahme zu einem definierten Zeitpunkt. Wann sich kontinuierliches Monitoring lohnt, welche Frequenz sinnvoll ist und wie du ein Prompt-Set dafür methodisch sauber aufbaust, ist im Artikel AI Visibility Monitoring: Das richtige Prompt-Set ausführlich beschrieben.

Schritt 4: Daten erheben und dokumentieren

Für jeden Prompt, auf jeder Plattform, hältst du fest:

• Wird die Marke erwähnt? (ja/nein)

• An welcher Stelle? (erste Nennung, als Option unter mehreren, Randbemerkung)

• Wird die Domain zitiert? (ja/nein, mit URL)

• Sentiment der Nennung (positiv, neutral, negativ)

• Welche Wettbewerber werden genannt?

• Welche Quellen werden zitiert?

• Werden faktisch falsche Angaben gemacht?

Das ist manuelle Arbeit. Tools wie Rankscale oder Peec automatisieren Teile davon, aber manuelle Stichproben sind unverzichtbar, weil automatische Auswertungen die Qualität einer Antwort nicht beurteilen können, nur ob bestimmte Strings darin enthalten sind.

Schritt 5: Source Ecosystem analysieren

Das ist der Schritt, den die meisten Audits überspringen, und es ist einer der wichtigsten.

Die Frage ist nicht nur: Werde ich genannt? Sondern: Wer prägt die Antworten, in denen ich nicht vorkomme?

Dokumentiere für jeden Prompt, welche Domains als Quellen erscheinen. Kategorisiere sie: Eigen-Domain, Hersteller/Produzenten, Fachpublikationen, Bewertungsportale, Foren, Behörden/Verbände, Wikipedia, Aggregatoren. Nach zwanzig bis dreißig Prompts hat sich ein Muster ergeben: Das ist das Source Ecosystem, in dem du agierst.

Diese Analyse beantwortet: Wer hat das Informationsfeld bereits besetzt? Aus welchen Quellen schöpft die KI ihr Wissen über deine Branche? Gibt es Lücken, die weder du noch deine direkten Wettbewerber besetzen?

Für einen Baustoffhändler sähe dieses Ecosystem typischerweise so aus: Hersteller dominieren (Knauf, Isover, Rockwool), daneben Energieberatungsportale und DIN-Normen-Dokumente, dazu Handwerkerforen und Baufachmedien. Andere Baustoffhändler sind fast gar nicht präsent. Das ist nicht ein Marktversagen, sondern eine strukturelle Tatsache: KI-Systeme haben für "Was dämmt am besten?" keinerlei Anlass, einen Händler zu zitieren, der Produkte mehrerer Hersteller führt, aber kein eigenständiges Expertenwissen über die Produkte publiziert hat.

Schritt 6: Entity- und Technik-Check

Parallel zur Antwortanalyse prüfst du die technische Lesbarkeit deiner wichtigsten Seiten für KI-Crawler und die Klarheit deiner Entität im semantischen Web.

Technische Punkte: Werden KI-Crawler von robots.txt blockiert? (GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot, Bytespider) Ist Schema.org-Markup für Organization, LocalBusiness und Produkte sauber implementiert und fehlerfrei? Ist der Content auf wichtigen Seiten so strukturiert, dass ein LLM klare Informationshäppchen extrahieren kann, sprich: Klare Paragraphen mit einer Kernaussage pro Absatz, keine riesigen seitenbreiten Textblöcke?

Entitäts-Check: Wird deine Marke als eindeutige Entität erkannt? Gibt es Verwechslungspotenzial mit ähnlichen Namen? Ist die Entität auf Wikidata vorhanden (nicht zwingend notwendig, aber ein klarer Qualitätsindikator)? Sind die Kernleistungen in deinem Google Business Profile vollständig und in Übereinstimmung mit deiner Website beschrieben?

Schritt 7: Ergebnisse konsolidieren

Am Ende stehst du vor einem Datensatz aus Monitoring-Ergebnissen, manuellen Antwortanalysen, Source-Ecosystem-Daten, GSC/Bing-Reports und dem Technik-Check. Die Konsolidierung ist Interpretationsarbeit. Sie endet in einem Befundbild und einer Maßnahmenpriorisierung. Dazu mehr im nächsten Abschnitt.

Die Fiktive Baugesellschaft Nord GmbH (FBN) ist ein fiktiver Baustoffhändler aus Schleswig-Holstein. Drei Standorte, rund 12.000 SKUs online, Zielgruppen: Handwerksbetriebe (Primär), Bauherren (Sekundär), Architekten (Tertiär). Sortiment: Hochbau (Mauerwerk, Dämmstoffe, Putze), Trockenbau, Bedachung, Bodenbelag.

Klassisches SEO-Bild vor dem Audit: Gut aufgestellt. Top-3-Positionen für regionale Keywords wie "Dämmstoffe Flensburg", "Baustoffhändler Schleswig-Holstein", "Trockenbau Materialien kaufen Schleswig-Holstein". Seitenstruktur sauber, technisch solide. Lokaler Ruf unter Handwerksbetrieben stark.

AI Visibility vor dem Audit: Unbekannt. Es wurde nie gemessen.

Was das Audit zeigt

Bei generischen Fachprompts: Keine Marken, nur Materialkategorien.

Prompt: "Welche Dämmstoffe eignen sich für die Außenwanddämmung eines Altbaus nach GEG-Anforderungen?"

ChatGPT liefert eine strukturierte Fachberatung: Tabelle mit Materialtypen (Mineralwolle, EPS, XPS, Holzfaser, PUR/PIR), Wärmeleitfähigkeitswerten, Vor- und Nachteilen, Richtwerten für Dämmstärken auf Basis des U-Wert-Ziels nach GEG. Kein einziger Herstellername fällt. Knauf, Isover, Rockwool: Alle abwesend. FBN ebenfalls.

Das ist kein Versehen. Im beratenden Informationsbereich für Baumaterialien verhält sich ChatGPT wie ein neutraler Baufachberater: Kriterien, Eigenschaften, physikalische Werte. Händler und Hersteller erscheinen strukturell nicht. Das gilt nicht nur für die FBN, sondern für alle Marktteilnehmer. Die KI hat das Informationsfeld aus Normen, technischen Grundlagen und Fachpublikationen aufgebaut, nicht aus Markenkommunikation.

Bei lokalen Kaufprompts: KI kennt regionale Fachgroßhändler, aber nicht FBN.

Prompt: "Wo kaufe ich Trockenbaumaterialien für einen Handwerksbetrieb in Schleswig-Holstein?"

Das Ergebnis ist aufschlussreich. ChatGPT zeigt eine Karte mit regionalen Fachgroßhändlern aus Schleswig-Holstein: Baustoff + Metall aus Neumünster, wego vti Kiel, Siemsen Baustoffe, Richter Baustoffe Kiel, team baucenter. Die Antwort empfiehlt korrekt, für Handwerksbetriebe eher Fachgroßhändler als Baumärkte aufzusuchen. Fachlich solide, lokal präzise.

FBN erscheint nicht. Die gezeigten Wettbewerber schon. Das ist keine Frage der Onpage-Optimierung, sondern der strukturierten Datenlage: ChatGPT zieht für lokale Kaufempfehlungen primär aus Google Business Profile-Daten. Wer dort vollständig und korrekt eingetragen ist, erscheint. Wer nicht oder unvollständig, fehlt. Für FBN ist das die konkreteste und kurzfristig adressierbarste Lücke im gesamten Audit.

Ghost Citation auf Informationsseiten.

Die FBN betreibt auf ihrer Website einige Ratgeberartikel, darunter einen zu Brandschutzanforderungen im Trockenbau. Dieser Artikel erscheint (fiktiv, würde erscheinen) bei Perplexity als Citation-Quelle für den Prompt "Welche Brandschutzklasse brauche ich für Trockenbauplatten in Schulen?" Der Artikel wird als Referenz verwendet, FBN als Marke wird im Antworttext nicht genannt. Stattdessen empfiehlt Perplexity Knauf Fireboard als Produkt.

FBN ist Ghost-Citation-Quelle für Produktempfehlungen, die zu Wettbewerbern führen.

Halluzination bei Preisen.

Bei direkten Marken-Prompts ("Was bietet Fiktive Baugesellschaft Nord GmbH an?") liefern (fiktiv, würden liefern) Claude und ChatGPT im Offline-Modus teilweise veraltete Angaben zum Sortimentsschwerpunkt und einen falschen Hauptstandort. Die Marke ist schwach in den Trainingsdaten verankert.

Die strukturelle Einsicht: Anderes Wettbewerbsfeld in der KI

Das ist das wichtigste Ergebnis des Audits, und es würde in einem reinen Score-Report nicht auftauchen.

In der klassischen SEO-Sichtbarkeit für einen Baustoffhändler sind die Wettbewerber andere Baustoffhändler. Der Kampf findet um Keywords wie "Dämmstoffe kaufen Schleswig-Holstein" statt, und er wird mit technischen SEO-Maßnahmen, Linkaufbau und lokaler Präsenz gewonnen.

In der AI-Sichtbarkeit für denselben Baustoffhändler gibt es je nach Prompt-Typ zwei grundverschiedene Wettkampffelder. Im beratenden Informationsbereich ("Welcher Dämmstoff für welchen Wandaufbau?") tritt FBN nicht gegen andere Händler an. Es treten überhaupt keine Marken an. Die KI liefert neutrale Fachberatung auf Basis von Materialkategorien, Normen und physikalischen Werten. Wer in diesem Feld Sichtbarkeit will, muss das Informationsfeld mit zitierfähigem Expertenwissen besetzen, das über Produktlisten hinausgeht.

Im lokalen Kaufkontext ("Wo kaufe ich Trockenbaumaterialien in Schleswig-Holstein?") ist das Wettbewerbsfeld konkret und adressierbar: Baustoff + Metall, wego vti, team baucenter. Das sind keine globalen Marktführer, sondern regionale Wettbewerber, die im Google Business Profile vollständiger hinterlegt sind.

FBN führt in der klassischen Suche und in der KI-Suche verschiedene Wettkämpfe, und beide unterscheiden sich je nach Prompt-Typ nochmals voneinander. Wer das nicht versteht, optimiert für das falsche Spielfeld.

Das Handlungsfeld ist zweiteilig: Kurzfristig die GBP-Datenlage verbessern, damit FBN in lokalen Kaufprompts sichtbar wird. Mittelfristig Fachcontent aufbauen, der die Lücke besetzt, die kein Hersteller füllen will: Herstellerübergreifende Planungsberatung für Handwerksbetriebe. "Wie kombiniere ich Dämmsysteme verschiedener Hersteller bei einer Außenwandsanierung?" ist eine Frage, die Knauf nicht beantworten wird. Ein Fachhandel kann es.

Nach dem Audit stehen typischerweise vier Befundmuster im Raum, die unterschiedliche Ursachen und unterschiedliche Konsequenzen haben.

Hohe SEO-Sichtbarkeit, niedrige AI-Sichtbarkeit

Ursache: Das Unternehmen rankt gut in der klassischen Suche, hat aber kein Gewicht in den KI-Trainingsdaten und kein starkes Source-Ecosystem bei relevanten Prompts.

Mögliche Gründe: Vorrangig transaktionale Inhalte ohne Erklärungstiefe, schwache Third-Party-Präsenz (kaum Erwähnungen in Fachpublikationen, wenig Branded Web Mentions), kein YouTube-Content.

Handlungsrichtung: Nicht die technische Struktur anpassen, sondern das Informationsfeld systematisch besetzen. Erklärende, zitierbare Inhalte zu den eigenen Kernthemen aufbauen. Externe Markenpräsenz stärken.

Zitiert, aber nicht erwähnt: Ghost Citation

Ursache: Das Source Ecosystem enthält die eigene Domain, aber das parametrische Markengedächtnis der KI assoziiert andere Marken mit dem Thema.

Handlungsrichtung: Inhalte so strukturieren, dass die Marke in zitierbaren Kernsätzen explizit vorkommt. Nicht "Die empfohlene Dämmstärke beträgt 16 cm", sondern "FBN empfiehlt auf Basis der GEG-Anforderungen eine Mindestdämmstärke von 16 cm für..." Außerdem: Earned Media aufbauen, um die Markenassoziation in externen Quellen zu stärken.

Falsch beschrieben oder halluziniert

Ursache: Zu wenige konsistente Informationsquellen über die Marke, die KI füllt Informationslücken mit Analogieschlüssen oder veralteten Daten.

Handlungsrichtung: Konsistente Markenbeschreibungen auf allen relevanten Plattformen (Google Business Profile, Wikidata, branchenspezifische Portale). Grounding Page auf der eigenen Domain publizieren. Aktuelle Informationen gezielt auf vertrauenswürdigen Third-Party-Quellen platzieren.

Im Informationscluster präsent, im Empfehlungscluster unsichtbar

Das ist der FBN-Befund in seiner Reinform: Als Quelle für Fachinformationen fungierend, aber nie als empfohlener Anbieter genannt.

Ursache: Unterschied zwischen Retrieval/Citation und Recommendation. Die KI nutzt Inhalte als Beleg, hat aber keine Grundlage, die Marke als Handlungsempfehlung zu formulieren.

Handlungsrichtung: Inhalte entwickeln, die explizit in den Empfehlungskontext hineinführen: Lokale Beratungsangebote beschreiben, Kompetenzverweise für spezifische Anwendungsfälle platzieren, Kundenstimmen und Case Studies mit konkretem Nutzennachweis publizieren.

Ein ehrliches Audit schließt die eigenen Grenzen ein.

Kein Audit misst reale Nachfrageverteilung. Das Prompt-Set ist immer ein Konstrukt. Ob es die tatsächliche Verteilung der Suchanfragen realer Nutzer abbildet, weißt du nicht. Du kannst von GSC-Daten auf wahrscheinlich nachgefragte Themen schließen, aber eine direkte Brücke gibt es nicht.

Kein Audit liefert kausale Belege. Wenn deine Mention-Rate nach einer PR-Kampagne steigt, ist das ein Zusammenhang, kein Beweis. KI-Antworten variieren täglich, und externe Ereignisse überlagern sich mit eigenen Maßnahmen. Wer Kausalität behauptet, weiß weniger als er zugibt.

Kein Audit bildet Zero-Click-Visibility ab. Der wichtigste mögliche Effekt von AI Visibility, nämlich dass ein Nutzer eine Marke im KI-Antworttext liest und sich das merkt, ohne jemals zu klicken, ist mit keinem verfügbaren Tool direkt messbar.

Kein Audit hat Zugang zu den Trainingsgewichten. Wie stark eine Marke im parametrischen Gedächtnis eines Modells verankert ist, kann nur indirekt über Offline-Tests approximiert werden, bei denen ein Modell ohne Web-Zugang befragt wird. Das gibt Hinweise, ist aber keine präzise Messung.

Monitoring-Daten veralten schnell. Modellversionen ändern sich. RAG-Systeme werden aktualisiert. Was heute gilt, kann in vier Wochen anders sein. Ein Audit ist eine Momentaufnahme, die regelmäßig wiederholt werden muss.