So messen wir KI-Suchsichtbarkeit

WhoCanFindMe misst zwei verschiedene Dinge, und es ist wichtig, beide zu verstehen:

1. KI-Bereitschaft (das kostenlose Audit). Ein deterministischer, heuristischer Score auf Basis von Signalen, die wir direkt von Ihrer öffentlichen Seite extrahieren: robots.txt-Regeln, strukturierte Daten, Extrahierbarkeit von Inhalten, Aktualitätssignale und technische Gesundheit. Das läuft in Sekunden und kostet nichts, weil keine Live-KI-API-Aufrufe nötig sind. Es sagt Ihnen, ob Ihre Seite darauf ausgelegt ist, gefunden zu werden von KI-Crawlern und Parsern.
2. Gemessene Sichtbarkeit (kostenpflichtige Stufe). Live-Abfragen mit Websuche an ChatGPT, Perplexity und Gemini, plus eine Trainingsdaten-Abrufanfrage an Claude (das noch keine native Websuch-API hat), um zu messen, ob Ihre Marke tatsächlich in Antworten erscheint. Drei Engines basieren auf Retrieval; Claude ist eine Prüfung des Trainingsgedächtnisses. Siehe Abschnitt 4 für die vollständigen Details.

Die Unterscheidung ist wichtig. Ein Bereitschafts-Score sagt Ihnen etwas über die technischen Voraussetzungen für KI-Sichtbarkeit; Gemessene Sichtbarkeit sagt Ihnen das tatsächliche Ergebnis. Sehen Sie Bereitschaft als „Ist die Tür entriegelt?“ und Gemessene Sichtbarkeit als „Gehen tatsächlich Menschen hindurch?“

Der Bereitschafts-Score fasst sechs Signalkategorien zusammen. Jede ist unabhängig von Ihrer öffentlichen Seite messbar, ganz ohne KI-API-Aufruf.

Jede KI-Engine gewichtet die sechs Signalkategorien unterschiedlich, weil sie tatsächlich unterschiedliche Retrieval-Architekturen haben. Statt einen einzelnen „KI-Score“ zu präsentieren, berechnen wir einen Bereitschafts-Score pro Engine und mitteln diese für die zentrale Gesamtzahl.

ChatGPT gewichtet Crawler-Zugriff hoch, weil 87% seiner Zitate aus Bings Top-10 stammen, und Bing erfordert OAI-SearchBot-Zugriff. Perplexity gewichtet Aktualität und Autorität am stärksten, weil seine sechsstufige RAG-Pipeline aggressiv nach Aktualität und Faktendichte filtert. Gemini schätzt strukturierte Daten und Autoritätssignale am meisten, was Googles E-E-A-T-Rahmen widerspiegelt. Claude stellt Extrahierbarkeit an erste Stelle, weil es die selektivste Engine ist, mit 97,8% der Zitate aus etablierten, klar strukturierten Quellen.

Jede Engine, die in robots.txt blockiert ist, erhält einen 55%-Abschlag auf ihren zusammengesetzten Score (der Score wird mit 0,45 multipliziert), was widerspiegelt, dass blockierte Engines die Seite überhaupt nicht indexieren oder zitieren können.

Der Gesamt-Bereitschafts-Score ist der arithmetische Mittelwert der vier Engine-Scores, jeweils auf [0, 100] begrenzt.

Bereitschafts-Scores sind eine notwendige, aber keine hinreichende Bedingung für KI-Sichtbarkeit. Gemessene Sichtbarkeit geht weiter: Wir senden echte Anfragen an die tatsächlichen KI-Engines und messen, ob Ihre Marke in den fundierten, zitierten Antworten erscheint.

Warum fundierte Abfragen statt Trainingsgedächtnis-Tests

Bei den meisten großen Consumer-KI-Engines (ChatGPT Search, Perplexity, Google AI Overviews und Copilot) werden Antworten zum Anfragezeitpunkt auf Live-Websuche gestützt. Das Trainingsgedächtnis entscheidet, ob eine KI eine Marke „kennt“; die Live-Websuche entscheidet, ob sie diese Marke in Antworten zitiert. GEO ist vor allem ein Retrieval-Problem, weshalb wir fundierte Abfragen bevorzugen, wo immer die Engine sie unterstützt.

Bei ChatGPT, Perplexity und Gemini verwenden wir kein Base-Model-Prompting (die KI zu fragen, was sie ohne Websuche über eine Marke „weiß“). Das testet eingefrorenes Trainingsgedächtnis, ist stark nicht-deterministisch, anfällig für Halluzinationen bei weniger bekannten Marken und spiegelt nicht wider, was Nutzer in fundierten Consumer-Engines tatsächlich sehen. Claude ist die eine Ausnahme: Nach dem aktuellen Stand der Anthropic-API hat Claude kein natives Websuch-Werkzeug analog zu dem von OpenAI oder Google, daher ist sein Score zwangsläufig eine Prüfung des Trainingsgedächtnisses, keine fundierte Messung. Wir kennzeichnen dies bei jedem Claude-Score und wechseln zu einer fundierten Abfrage, sobald Anthropic eine Websuch-API veröffentlicht.

Design des Anfragensatzes

Wir erstellen einen kuratierten Anfragensatz über drei Kategorien: Discovery-Anfragen (kategoriebasiert, ohne Markennamen), Vergleichsanfragen (Bewertungsphase) und markendirekte Anfragen. Der Mix liegt bei etwa 60/30/10: Discovery ist am höchsten gewichtet, weil dort neues Publikum gewonnen wird. Mindestens 30 Anfragen pro Audit liefern ein aussagekräftiges Signal; das reguläre Standard-Audit nutzt 50.

Wiederholungen und statistische Auswertung

Ein einzelner Durchlauf einer einzelnen Anfrage ist nahezu bedeutungslos. LLM-Nichtdeterminismus bedeutet, dass dieselbe Anfrage über Durchläufe hinweg unterschiedliche Zitate erzeugen kann, selbst bei temperature=0 (Schwankungen durch die Batch-Größe auf GPU-Ebene lassen sich nicht ausschließen). Die Princeton-GEO-Studie fand, dass 60 bis 100 Wiederholungen nötig sind, um Sichtbarkeitsprozentsätze zu stabilisieren.

Jede Wiederholung sendet dieselbe Anfrage erneut. Wir variieren oder umschreiben den Prompt zwischen den Wiederholungen nicht. Standard-kostenpflichtige Audits laufen mit 3 Wiederholungen pro Anfrage pro Engine; die kostenlose/anonyme Vorschau und routinemäßige Agency-Neuprüfungen laufen mit 1 (eine einzelne Momentaufnahme, kein Band). Die Zitatrate wird als Anteil der Durchläufe berechnet, in denen die Marke zitiert wurde (brandCited = true). Wir nutzen das Wilson-Score-Intervall, um ein 95%-Konfidenzintervall für diesen Anteil zu berechnen. Das spiegelt die Konsistenz von Durchlauf zu Durchlauf unter anbieterseitigem Rauschen bei identischen Aufrufen wider, nicht eine Stichprobe dazu, wie sehr Zitate über verschiedene Formulierungen derselben Anfrage variieren können.

API- vs. Consumer-UI-Genauigkeit

Bei ChatGPT, Perplexity und Gemini nutzen wir die programmatische API jeder Engine mit aktivierter Websuche. Das ist der Industriestandard und der einzig skalierbare Ansatz, führt aber zu bekannten Lücken:

• Consumer-ChatGPT.com kann Personalisierung und Browserverlauf einbeziehen, die APIs nicht nachbilden.
• Gemini-API mit Google-Search-Grounding und Google AI Overviews teilen sich nur ~38,5% der meistzitierten Domains, eine strukturelle Lücke, die wir bei jedem Google-Score explizit offenlegen.
• Perplexity dokumentiert eine mögliche Abweichung zwischen seiner API und der Consumer-Oberfläche.
• Claudes API hat überhaupt kein Websuch-Werkzeug, daher nutzt ihr Score den Trainingsdaten-Abruf des Modells statt eines Live-API-Aufrufs: die größte Genauigkeitslücke der vier, offengelegt bei jedem Claude-Score.

Wir kennzeichnen diese Einschränkungen in jedem Bericht, der einen Score für Gemessene Sichtbarkeit enthält. Wir glauben, dass Transparenz über Messgrenzen wertvoller ist als falsche Genauigkeit.

KI-Sichtbarkeits-Scores sind Schätzungen, keine Fakten. Drei Quellen von Schwankung beeinflussen jede Messung:

1. LLM-Nichtdeterminismus. Selbst bei temperature=0 schwanken API-Antworten aufgrund von Batch-Größen-Varianz auf GPU-Ebene. Ein Zeitpunkt-Score ohne Wiederholungen kann bei einem erneuten Durchlauf um ±30% abweichen. Unsere Engine für Gemessene Sichtbarkeit wiederholt jede identische Anfrage mehrfach und meldet Wilson-Score-Konfidenzintervalle für die resultierende Zitatrate. Das misst die Konsistenz von Durchlauf zu Durchlauf unter anbieterseitigem Rauschen, nicht die Variation über verschiedene Formulierungen derselben Anfrage, sodass Sie sehen können, wie stabil jede Zahl ist.
2. Modell- und Algorithmus-Updates. OpenAI, Google und Perplexity aktualisieren ihre Modelle fortlaufend, oft ohne öffentliche Ankündigungen. Ein Score von vor sechs Wochen spiegelt möglicherweise nicht mehr die aktuelle Realität wider. Wir zeigen das Messdatum bei jedem Score an und kennzeichnen Scores, die älter als 30 Tage sind.
3. Geografische und Personalisierungs-Variation. Dieselbe Anfrage erzeugt je nach Standort, Sprache und Kontotyp unterschiedliche Antworten. Unsere Messungen laufen von standardisierten Standorten aus. Ergebnisse für andere Regionen können abweichen.

Der Bereitschafts-Score (kostenloses Audit) ist deutlich stabiler als Gemessene Sichtbarkeit, weil er deterministische Signale prüft (robots.txt, strukturierte Daten, HTML-Inhalt), keine stochastischen KI-Ausgaben. Eine Änderung des Bereitschafts-Scores spiegelt eine echte Änderung an Ihrer Seite wider.

Wir glauben, dass intellektuelle Ehrlichkeit über Messgrenzen ein nützliches Werkzeug von einem überzeugend aussehenden Score-Generator unterscheidet. Hier ist, was dieses Werkzeug Ihnen ausdrücklich nicht sagen kann:

Unsere Methodik baut auf veröffentlichter akademischer Forschung und primären Praktiker-Studien auf. Das Feld bewegt sich schnell; wir überprüfen wichtige Statistiken vierteljährlich neu. Beleg-Stärke-Kennzeichnungen: Belegt = kontrollierte Studie oder über mehrere Studien repliziert; Wahrscheinlich = einzelne Studie oder starker Praktiker-Konsens mit plausiblem Mechanismus; Folklore = weit verbreitet wiederholt, keine Studie.