AI Visibility selbst testen: Prompts, Methoden und ein echtes Beispiel

Bevor du den ersten Prompt absetzt, musst du verstehen, was du eigentlich misst. Denn nicht jedes Modell funktioniert gleich.

Reine Sprachmodelle ohne Websuche (klassisches ChatGPT ohne aktiviertes Search-Feature, Claude ohne Tools) antworten ausschließlich auf Basis ihres Trainings. Was dort steht, spiegelt wider, was in den Trainingsdaten über dich vorhanden war – typischerweise bis zu einem bestimmten Stichtag. Für gut dokumentierte Großunternehmen und bekannte Persönlichkeiten ist das oft ein dichtes Bild. Für KMU, Freelancer und regionale Anbieter zeigt dieses Bild häufig: wenig bis nichts.

Das ist kein Fehler des Modells. Es ist ein Signal. Wer im Trainingskorpus kaum vorkommt, ist für das Modell schlicht keine etablierte Entität.

Modelle mit aktiver Websuche (Perplexity, ChatGPT Search, Claude mit Web-Tool) arbeiten anders: Sie rufen Seiten in Echtzeit ab, lesen aktuelle Quellen und bauen ihre Antwort darauf. Hier ist deine aktuelle Sichtbarkeit im Netz direkt relevant – ähnlich wie bei Google AI Overviews, nur ohne den klassischen Ranking-Mechanismus dahinter.

Beide Typen sagen dir etwas Unterschiedliches. Am sinnvollsten ist es, beide zu befragen.

Das Ziel dieser Analyse ist nicht quantitatives Tracking. Kein Score, kein Verlauf, kein Benchmark. Dafür gibt es inzwischen spezialisierte Tools wie Peec AI (ab ca. 90 Euro/Monat), Otterly.ai oder Rankscale – auf die komme ich am Ende kurz zurück.

Was du durch direkte Abfrage lernst:

• Wie das Modell dich einordnet: Als welchen Typ von Anbieter oder Experten siehst du aus? Generalist oder Spezialist? Bekannt oder unbekannt?

• Welche Begriffe assoziiert werden: Welche Adjektive, Themen und Kontexte tauchen auf, wenn dein Name fällt?

• Wo du im Wettbewerbsvergleich stehst: Wirst du spontan neben bestimmten Wettbewerbern genannt, oder tauchen andere Namen häufiger auf?

• Ob Verwechslungsgefahr besteht: Gibt es andere Personen oder Unternehmen mit ähnlichem Namen, die das Modell eher im Kopf hat als dich?

• Welche Inhalte als Quellen auftauchen: Bei Modellen mit Websuche siehst du, welche deiner Seiten zitiert werden – und welche nicht.

Was du nicht lernst: Ob diese Einschätzungen repräsentativ sind. LLM-Antworten sind nicht deterministisch. Gleicher Prompt, anderer Verlauf, anderes Ergebnis.

Diese vier Prompt-Vorlagen kannst du direkt verwenden. Ersetze die Platzhalter durch deine eigenen Angaben. Ich empfehle, die Prompts zuerst in ChatGPT ohne Websuche auszuführen (Training-Snapshot), dann noch einmal in Perplexity (Websuche-Ansicht).

Prompt 1: Grundcheck – Was weiß das Modell?

Geeignet für: ChatGPT (Standard), Claude

Prompt 2: Wettbewerbsvergleich

Geeignet für: ChatGPT, Claude, Perplexity

Prompt 3: Empfehlungscheck

Geeignet für: Perplexity, ChatGPT mit aktivierter Websuche

Prompt 4: Kontextassoziationscheck

Geeignet für: alle Modelle

Wer diese vier Prompts systematisch durchführen will - für mehrere Marken, regelmäßig, mit einheitlichem Output - kann mein Custom GPT AI Visibility Analyst nutzen. Es führt eine vollständige Markenanalyse durch, kombiniert Trainings-Snapshot und Websuche und liefert strukturierten Output: Modellwissen, Assoziationen, Wettbewerbsvergleich, SWOT und strategische Empfehlungen.

Du brauchst einen ChatGPT-Account (kostenlos reicht). Das GPT ist öffentlich zugänglich.

Damit du siehst, was dabei rauskommt, zeige ich hier das Ergebnis für meine eigene Marke. Ich habe den Prompt mit folgender Eingabe gestartet:

Marke: „Carsten Feller | feller.systems". Branche: SEO Beratung und AI Visibility Optimization. Wettbewerber-Beispiele: teleschmie.de, hechtinsgefecht.de, jaeckert-odaniel.com, matthiasklenk.de.

Das Ergebnis (leicht gekürzt):

Modellwissen: Für klassische LLMs ohne aktuelle Websuche ist die Markenpräsenz wahrscheinlich noch schwach bis mittel. Die Marke wirkt eher wie eine spezialisierte Freelancer-Marke im DACH-Raum als wie eine breit verankerte SEO-Authority. Für webgestützte Systeme wie Perplexity, ChatGPT Search und Google AI Overviews ist die Entität deutlich besser greifbar, weil feller.systems viele aktuelle, klar strukturierte Inhalte zum Thema AI Search veröffentlicht.

Assoziationen: SEO-Beratung mit technischer Tiefe; AI Search als Ergänzung, nicht als Ersatz für SEO; B2B-Shortlist-Bildung; messbarkeitsgetrieben, skeptisch gegenüber Buzzwords. Kommunikative Tonalität: nüchtern, anti-hype, technisch-strategisch.

Wettbewerbsvergleich:

Kritische Einschätzung: feller.systems ist aus AI-Visibility-Sicht gut positioniert, aber noch nicht maximal verankert. Die Website liefert starke Signale: klare Spezialisierung, technische Glaubwürdigkeit, aktuelle AI-Search-Inhalte. Der nächste Schritt liegt nicht primär in mehr Blogartikeln, sondern in externen Erwähnungen, Cases und einer klar benannten eigenen Methodik.

So sieht das im Original aus.

Das ist kein Bericht, den ich schöngerechnet habe. Das ist die rohe Ausgabe des Custom GPT – inklusive der Lücken. Genau das ist der Wert: nicht Bestätigung, sondern Einordnung.

Egal ob du die manuellen Prompts nutzt oder das Custom GPT – die Interpretation macht den Unterschied. Worauf du achten solltest:

Wie konkret ist das Modell? Wenn es allgemeine Aussagen produziert ("ist ein Experte im Bereich SEO"), ohne Details zu nennen, ist das ein Zeichen für schwache Entitätspräsenz. Wenn es spezifische Aussagen macht, die tatsächlich stimmen, ist das Datenbasis vorhanden.

Stimmen die Assoziationen mit deiner Positionierung überein? Wenn das Modell dich als "günstige Option für Einsteiger" beschreibt, du dich aber als strategischen Partner für B2B-KMU positionierst, liegt ein Kommunikationsproblem vor – oder deine Außendarstellung sendet andere Signale als beabsichtigt.

Wer kommt im Empfehlungscheck spontan? Wenn du im Empfehlungs-Prompt (Prompt 3, ohne deinen Namen) nicht vorkommst, bedeutet das nicht zwingend, dass das Modell nichts über dich weiß. Es kann auch bedeuten, dass deine Inhalte nicht in den Kontexten präsent sind, in denen Kaufentscheidungen fallen.

Was nennt das Modell als Quelle? Bei Perplexity siehst du direkt, welche URLs zitiert werden. Das ist wertvoller als jeder Score: Du weißt, welche Seiten als zitierfähig gelten – und welche nicht.

Manuelle Abfragen geben dir einen qualitativen Schnappschuss. Was sie nicht können: Entwicklung über Zeit messen, verschiedene Prompt-Varianten systematisch abdecken oder automatisiert über mehrere Modelle hinweg laufen.

Dafür gibt es inzwischen spezialisierte Tools. Ich nutze selbst Rankscale im Pro-Plan (99 Euro/Monat). Es trackt deine Sichtbarkeit in mehreren LLMs, liefert Wettbewerbsvergleiche auf Prompt-Basis und zeigt Trendverläufe. Wer erst reinschnuppern will, kann mit dem Essentials-Plan starten (20 Euro/Monat, eingeschränkte Funktionen). Als spezialisierte Alternativen für reines AI Visibility Monitoring sind Otterly.ai und Peec AI einen Blick wert – beide fokussieren auf Mentions, Citations und Wettbewerbsvergleiche quer durch ChatGPT, Perplexity und Google AI Overviews.

Wer bereits eines der großen SEO-Suiten im Einsatz hat, muss nicht zwingend ein weiteres Tool abonnieren. Sistrix bietet eine kostenlose Beta für bestehende Kunden. Ahrefs hat das Brand Radar AI als Add-on, das je nach Umfang bei 179 Euro pro Monat (eine Plattform) oder 654 Euro (alle unterstützten Modelle) liegt. Semrush integriert AI Visibility entweder als Add-on für 99 US-Dollar pro Monat oder als Teil von Semrush One ab 199 US-Dollar pro Monat.

Für wen sich das lohnt: Wer AI Visibility als festen Bestandteil seiner Strategie versteht, regelmäßig Maßnahmen umsetzt und den Effekt messen will. Wer noch nicht weiß, ob und wie die KI ihn einordnet, sollte zuerst verstehen, was gemessen werden soll – bevor er ein Abo abschließt. Dafür reichen die Prompts oben und, falls du es strukturierter magst, das Custom GPT.

Du brauchst einen ChatGPT-Account mit Plus-Abo. Öffne chatgpt.com/gpts und klicke auf "GPT erstellen".

Name und Beschreibung kannst du frei wählen. "AI Visibility Analyst" funktioniert gut als Arbeitstitel.

Aktiviere unter "Funktionen": Web-Suche und Code-Interpreter (für spätere CSV-Uploads, falls du Keyword-Listen einlesen willst).

Die Systemanweisung ist der eigentliche Kern. Hier ein funktionierender Ausgangspunkt:

Gesprächsaufhänger (in der deutschen Interface-Version so bezeichnet) - drei reichen:

• Was weißt du über die Marke [Name] im Kontext von LLMs?

• Vergleiche [Marke A] mit [Marke B] hinsichtlich ihrer Sichtbarkeit in KI-Antworten.

• Wie wird [Marke oder Thema] aktuell im Web diskutiert? Bitte mit Quellen.

Speichern, mit deiner eigenen Marke testen, Systemanweisung bei Bedarf anpassen. Der Builder zeigt dir nach jeder Änderung direkt eine Vorschau.