KI-Sichtbarkeit richtig messen: SPIV, Entropie, Stabilität
Generative Suche verhält sich probabilistisch, klassische Rank-Tabellen liefern Scheinpräzision. Wer KI-Sichtbarkeit wie ein starres SERP-Listing misst, jagt Rauschen. Entscheidend ist, die echten Kontexte von Nutzerinnen und Nutzern in den Messaufbau zu holen und Antworten als Verteilung zu betrachten, nicht als eine Zahl. Der Hebel liegt in strukturierten Prompts mit realen Datenpunkten. SPIV bündelt Segment, Persona, Intent und Variable zu hochfidelisierten Eingaben, gespeist aus Search Console, People Also Ask, Community-Threads und First-Party-Dialogen. So werden LLM-Antworten von hypothetisch zu kaufnah und messbar. Sichtbarkeit zeigt sich dann zweilagig: Primär durch Treffer, Erwähnungen und Links in KI-Antworten, sekundär durch Stabilitätsmetriken. Run Length zeigt, wie konsistent eine Marke in Folgen von Antworten auftaucht. Shannon-Entropie und Gini machen Streuung sichtbar. KL-Divergenz vergleicht Verteilungen über Zeit oder gegenüber Wettbewerbern. Operativ funktioniert das nur, wenn Audits entkoppelt werden. Statt einem Alles-in-einem-Dokument arbeiten Cluster-Analysen pro Thema mit klaren To-dos. So schließt Messung direkt auf Business-Prioritäten an: Fokus auf intents mit Kaufnähe, nicht auf niedrige Absichten ohne Weg zum Produkt.
Was das für deine Website bedeutet: 1) SPIV-Prompts aufsetzen: Ziehe für 5 bis 10 Kern-Intents Daten aus Google Search Console, PAA, Reddit, Quora und Support-Logs. Formatiere je Intent 3 bis 5 Prompts mit Segment, Persona, Intent, Variable. Beispiel: Segment B2B SaaS, Persona IT-Leitung, Intent Anbieter shortlist, Variable Budget 30k, Compliance ISO 27001. 2) Messlauf bauen: Teste pro Prompt 20 bis 50 Durchläufe in ChatGPT mit Browsing, Perplexity, Gemini, Copilot und Google AI Overview. Logge pro Antwort Marke, Links, Begründungen, konkurrierende Empfehlungen, Antwortlänge und Quellen. Speichere alles versioniert in Sheets oder BigQuery. 3) Stabilität berechnen und Schwellen definieren: Ermittele pro Cluster Run Length, Shannon-Entropie und Gini. Vergleiche Wochen mit KL-Divergenz. Setze Alerts, zum Beispiel Entropie steigt um mehr als 0,2 oder Run Length fällt unter 3 Antworten in Folge, dann Content-Maßnahme anstoßen. 4) Aktionen ableiten, nicht diskutieren: Für Cluster mit hoher Kaufintention baue Antwort-Hubs mit Vergleichstabellen, klaren Produkt-Mappings und referenzierbaren Belegen. Ergänze strukturierte Daten für Organization und Product, füge FAQs und prozessnahe Schritte hinzu, platziere zitierfähige Studien oder Kundenstimmen auf den Seiten, die im Prompt-Setup adressiert sind.
Original-Artikel auf Neil Patel Blog:
How We Rebuilt AI Visibility Measurement From The Ground Up ↗Mehr lesen
Steht deine Website auch in ChatGPT?
Buch dir einen 15-Min Call, wir zeigen dir live wo deine Seite in Google + AI Search aktuell unsichtbar ist.