AI-Sichtbarkeit messen: Warum du die falsche Zahl trackst

Die meisten Teams messen gerade eine Zahl, die nichts mit ihrem Geschäftserfolg zu tun hat. AI-Visibility-Tools zählen, wie oft ein Modell eine Marke erwähnt oder zitiert. Das fühlt sich nach Fortschritt an, weil es wie Rank-Tracking aussieht. Es ist aber nicht dasselbe.

Der entscheidende Unterschied: Eine Zitation ist keine Empfehlung. Ein Modell kann deine Seite als Quelle nennen und gleichzeitig deinen Wettbewerber empfehlen. Genau das passiert regelmäßig. In einer Analyse von 100 'Best of'-Queries für Business-Software wurden selbstpromotionale Listicles in 69% der Fälle zwar als Quelle zitiert, die Marke dahinter aber nicht empfohlen. Google las die Seite und empfahl stattdessen die Konkurrenten, die darin erwähnt wurden. Noch klarer wird es bei ChatGPT: In 20.000 getesteten Antworten änderten sich Produktempfehlungen zu 80% sobald die Websuche aktiviert war. Die Korrelation zwischen Zitation und Empfehlung lag bei gerade einmal 0,4.

Dazu kommt ein Datenproblem, das viele noch nicht auf dem Schirm haben. AI-Systeme feuern ständig eigene Google-Suchanfragen ab, um ihre Antworten zu erden. Diese Anfragen landen als Impressionen in der Search Console, ohne dass je ein Mensch geklickt hat. Das erklärt das Muster, das viele gerade beobachten: Impressionen steigen, Klicks stagnieren oder fallen. Die Kurve zeigt keine wachsende menschliche Nachfrage, sondern Maschinen die im Hintergrund suchen.

Ein weiteres Problem ist die Instabilität der Antworten selbst. Eine einmalige Messung ist nahezu wertlos. Studien zeigen, dass man im Schnitt über 4.000 Anfragen stellen müsste, um zweimal dieselbe Markenliste in einer Antwort zu bekommen. Dashboards die eine stabile Zahl anzeigen, glätten Rauschen zu Scheinpräzision.