KI-Sichtbarkeitsindex

1. Definition und Erläuterung

AI Visibility Score misst, wie häufig – und wie prominent – Ihre Marke oder Domain in Antworten generativer KI-Systeme (ChatGPT, Bard, Claude usw.) für einen vordefinierten Fragenkatalog erscheint. Die Kennzahl vereint drei Komponenten: Nennhäufigkeit (wie oft Sie in den Antworten erwähnt werden), Positionsgewichtung (ob Sie früh, mittig oder spät genannt werden) und Attributionsklarheit (Vorhandensein einer URL, des Markennamens oder eines Autorenhinweises). Der resultierende numerische Wert ermöglicht es Teams, ihre Sichtbarkeit in KI-generierten Inhalten ähnlich zu verfolgen und zu vergleichen, wie das klassische SEO die Platzierungen in den SERPs misst.

2. Bedeutung für die Generative Engine Optimization

Generative Engines fungieren zunehmend als „Antwortschicht“, die Nutzer vor – oder anstelle – des Klicks auf Suchergebnisse konsultieren. Hohe AI Visibility Scores führen zu:

• Markenerinnerung: Frühe Erwähnungen verankern sich im Gedächtnis der Nutzer, auch wenn kein Link geklickt wird.
• Traffic-Potenzial: Klare Attributierungen mit URLs können weiterhin Verweisbesuche erzeugen.
• Reputationsmanagement: Durch Monitoring des Scores lassen sich Fehlzuordnungen oder veraltete Informationen schnell erkennen.
• Wettbewerbsanalyse: Ein Score-Vergleich Seite an Seite zeigt, welche Mitbewerber die Answer Boxes zu gemeinsamen Themen dominieren.

3. Funktionsweise (Technischer Überblick)

Eine AI-Visibility-Pipeline folgt im Allgemeinen diesen Schritten:

• Auswahl des Fragenkatalogs: Ziel­fragen oder Prompts zusammenstellen – typischerweise High-Intent-Keywords und Markenanfragen.
• Automatisiertes Prompting: Die LLM-API nutzen, um jede Frage mehrfach zu senden (Temperature >0 sorgt für Varianz; 3–5 Durchläufe glätten das Ergebnis).
• Parsing & Scoring:
  • Antworten tokenisieren.
  • Markenerwähnungen via Regex oder Named-Entity-Recognition erkennen.
  • Positionsgewichte vergeben (z. B. erste 20 % der Tokens = Gewicht 1,0; mittlere 60 % = 0,5; letzte 20 % = 0,2).
  • Auf explizite Attribution prüfen: Hyperlink, Domaintext oder Zitationsformat; Klarheitsbonus hinzufügen.
• Aggregation: Gewichtete Erwähnungen über alle Durchläufe aufsummieren und durch die maximal mögliche Punktzahl teilen; Ergebnis ist ein Index von 0–100.
• Zeitreihen-Speicherung: Tägliche oder wöchentliche Scores in einem Data Warehouse speichern, um Trends zu analysieren.

4. Best Practices und Umsetzungstipps

• Sowohl transaktionale als auch informative Anfragen einbeziehen; KI-Modelle behandeln sie unterschiedlich.
• Den Fragenkatalog vierteljährlich aktualisieren; Trainingsdaten und Nutzerintention ändern sich.
• Das LLM version-locken (z. B. „gpt-4o-2024-04-09“), um Rauschen durch Modell-Upgrades zu vermeiden.
• Den Parser auf Edge Cases wie indirekte Referenzen („der führende CRM-Anbieter“) validieren.
• Mindestens drei Wettbewerber als Benchmark heranziehen, um den Score einzuordnen.

5. Praxisbeispiele

Während eines Produktlaunches verfolgte ein SaaS-Unternehmen einen Sprung seines AI Visibility Scores von 42 auf 71, nachdem es einen detaillierten API-Guide veröffentlicht hatte. Der Guide wurde in ChatGPT-Antworten auf „wie CRM-Daten integrieren“ innerhalb der ersten zwei Sätze zitiert. Umgekehrt stellte eine Consumer-Electronics-Marke einen Score-Rückgang fest, als Bard ein neueres Teardown-Video eines Wettbewerbers bevorzugte; durch ein Update der eigenen Dokumentation wurde die Sichtbarkeit wiederhergestellt.

6. Häufige Einsatzszenarien

• Content-Gap-Analyse: Themen identifizieren, bei denen Ihr Score niedrig, das Suchvolumen aber hoch ist.
• PR-Impact-Messung: Nachverfolgen, wie Pressemitteilungen oder Medienereignisse in LLM-Ausgaben einfließen.
• Compliance-Monitoring: Falsche Gesundheits- oder Finanzratschläge erkennen, die Ihrer Marke zugeschrieben werden.
• Investor-Reporting: AI-Visibility-Trends neben klassischen SEO-Kennzahlen präsentieren.