Der AI Visibility Guide – Ihre Marke in KI-Antworten messen.

AI Visibility erfasst, wie präsent eine Marke in KI-generierten Antworten ist – unabhängig davon, ob die Erwähnung über einen Link erfolgt oder nicht. Die zentrale Kennzahl ist die Citation Rate: der Anteil relevanter Testanfragen, bei denen eine Marke tatsächlich genannt wird. Ergänzend lohnt sich die Auswertung des Sentiments – wird die Marke neutral, positiv oder negativ dargestellt? – sowie des Kontexts, in dem die Nennung erfolgt (z. B. als Empfehlung, als Vergleich oder als reine Erwähnung). Da nur rund 11 % der Domains gleichzeitig von ChatGPT und Google AI Overviews zitiert werden, muss AI Visibility zwingend plattformspezifisch gemessen werden – ein aggregierter Gesamtwert verschleiert mehr, als er zeigt.

Der Begriff hat sich parallel zur rasanten Verbreitung generativer KI-Suche etabliert: Allein Google AI Overviews erreichen mittlerweile über 1,5 Milliarden Nutzer monatlich, ChatGPT zählt 900 Millionen wöchentlich aktive Nutzer, und die KI-referenzierten Besuche auf Websites sind laut Branchendaten zwischen Januar und Mai 2025 um 527 % gestiegen. Diese Grössenordnungen machen deutlich, warum klassische SEO-Kennzahlen wie Ranking-Position und Klickrate allein nicht mehr ausreichen, um die tatsächliche Sichtbarkeit eines Unternehmens zu beurteilen: Ein erheblicher und wachsender Teil der Customer Journey findet inzwischen ausschliesslich innerhalb von KI-generierten Antworten statt, ganz ohne klassischen Suchergebnis-Klick.

Für Unternehmen bedeutet das einen Paradigmenwechsel in der Erfolgsmessung: Wo früher Sichtbarkeit gleichbedeutend mit einem Platz auf der Suchergebnisseite war, zählt heute zusätzlich die Sichtbarkeit innerhalb einer einzigen, zusammenfassenden KI-Antwort – oft ohne dass der Nutzer die Ursprungsseite überhaupt besucht. Diese sogenannten Zero-Click-Interaktionen sind aus Marketingsicht nicht wertlos: Eine positive Markenerwähnung in einer KI-Antwort wirkt ähnlich wie eine Empfehlung und kann Vertrauen aufbauen, selbst wenn kein direkter Website-Besuch erfolgt.

Diese Verschiebung stellt klassische Marketing-Attributionsmodelle vor neue Herausforderungen: Ein Lead, der über eine ChatGPT-Empfehlung auf ein Unternehmen aufmerksam wurde, taucht in klassischen Web-Analytics-Tools oft gar nicht als eigener Kanal auf, sondern erscheint – falls überhaupt ein Klick erfolgt – als direkter Zugriff oder organische Suche. AI Visibility als eigenständige Kennzahl schliesst genau diese Messlücke, indem sie unabhängig vom klassischen Web-Tracking erfasst, wie präsent eine Marke im KI-gestützten Recherche-Prozess tatsächlich ist.

Diese drei Kennzahlen ergänzen sich gegenseitig. Eine hohe Citation Rate bei gleichzeitig negativem Sentiment kann schädlicher sein als gar keine Erwähnung. Ein gutes Sentiment bei sehr niedriger Citation Rate bedeutet wiederum, dass die Marke zwar positiv, aber kaum wahrgenommen wird. Und ein guter Share of Voice ohne Berücksichtigung des Sentiments verschleiert möglicherweise, dass Mitbewerber zwar seltener, aber deutlich positiver dargestellt werden. Erst die gemeinsame Betrachtung aller drei Werte ergibt ein vollständiges Bild der tatsächlichen AI Visibility.

In der praktischen Auswertung empfiehlt sich eine einfache Tabelle pro Testanfrage: Wurde die Marke genannt (ja/nein), in welchem Sentiment (positiv/neutral/negativ), an welcher Position in der Antwort (zuerst genannt oder nur am Rande erwähnt) und im Vergleich zu wie vielen Mitbewerbern. Über mehrere Testzyklen hinweg ergibt sich daraus ein belastbares Bild, das sich auch grafisch als Trend über die Zeit darstellen lässt – ähnlich einem klassischen Ranking-Tracking, nur eben für KI-Antworten statt für Suchergebnisseiten.

Der Fragen-Katalog im ersten Schritt verdient besondere Sorgfalt: Er sollte nicht nur offensichtliche Markenanfragen enthalten («Wer ist [Unternehmen]?»), sondern vor allem die Art von Fragen, die potenzielle Kunden stellen würden, bevor sie die eigene Marke überhaupt kennen – etwa «Welche [Branche]-Anbieter gibt es in [Region]?» oder «Was kostet [Leistung] typischerweise?». Genau diese unvoreingenommenen Fragen zeigen, ob ein Unternehmen organisch als Empfehlung auftaucht, statt nur auf direkte Nachfrage genannt zu werden.

Beim Testen der Plattformen empfiehlt sich zudem, dieselbe Frage mehrfach und zu unterschiedlichen Tageszeiten zu stellen, da Antworten je nach Serverlast, Modellversion und Zufallskomponente leicht variieren können. Eine einzelne Antwort gilt nicht als repräsentatives Ergebnis, sondern als eine von mehreren Stichproben, aus denen erst über die Zeit ein verlässliches Bild entsteht.

Fehler 1 – Nur einmalig messen: Eine einzelne Messung liefert eine Momentaufnahme, keine verlässliche Baseline. Ohne wiederholte Messung über mehrere Wochen lässt sich kein echter Trend von zufälligem Rauschen unterscheiden.

Fehler 2 – Nur Markenanfragen testen: Wer ausschliesslich nach dem eigenen Firmennamen fragt, misst nicht, ob die Marke auch bei unvoreingenommenen, themenbezogenen Anfragen organisch auftaucht – der eigentlich aussagekräftigere Indikator.

Fehler 3 – Plattformen isoliert betrachten: Da nur rund 11 % der Domains gleichzeitig von ChatGPT und Google AI Overviews zitiert werden, führt die Fokussierung auf eine einzige Plattform zu einem unvollständigen Bild der Gesamtsichtbarkeit.

Fehler 4 – Sentiment ignorieren: Eine hohe Citation Rate allein ist kein Erfolg, wenn die Marke dabei negativ oder veraltet dargestellt wird. Sentiment-Analyse ist kein optionaler Zusatz, sondern fester Bestandteil einer vollständigen AI-Visibility-Bewertung.

Fehler 5 – Messung ohne Massnahmenplan: Daten ohne Ableitung konkreter nächster Schritte bleiben folgenlos. Jede Messung sollte mit einer priorisierten Liste an Optimierungsmassnahmen enden, nicht nur mit einer Kennzahl.

Diese Unterschiede haben direkte praktische Konsequenzen: Ein Unternehmen, das ausschliesslich für Google AI Overviews optimiert (also primär klassisches SEO betreibt), wird bei ChatGPT und Perplexity vermutlich unterdurchschnittlich abschneiden, da diese Plattformen andere Autoritätssignale – insbesondere Markenerwähnungen auf Drittplattformen statt Backlinks – stärker gewichten. Eine vollständige AI-Visibility-Strategie berücksichtigt diese plattformspezifischen Unterschiede von Anfang an, statt eine «One-size-fits-all»-Optimierung zu verfolgen.

Manuelle Stichproben: Der einfachste Einstieg ist die manuelle Eingabe eines festen Fragen-Katalogs in ChatGPT, Gemini und Perplexity, verbunden mit einer sorgfältigen Dokumentation der Ergebnisse. Dieser Ansatz ist zeitaufwändig, aber kostenlos und liefert direktes, unverfälschtes Feedback.

Teilautomatisierte Tools: Verschiedene spezialisierte Tools erlauben es, Testanfragen automatisiert über mehrere Plattformen hinweg zu stellen und die Ergebnisse zu protokollieren. Sie reduzieren den manuellen Aufwand, ersetzen aber keine fachliche Interpretation der Ergebnisse.

API-basierte Ansätze: Für grössere Unternehmen mit vielen zu überwachenden Keywords kann eine direkte Anbindung an verfügbare APIs sinnvoll sein. Wichtig ist dabei, dass API-Antworten nicht in allen Fällen exakt das widerspiegeln, was Endnutzer in der jeweiligen Konsumenten-Oberfläche sehen.

Unabhängig vom gewählten Ansatz gilt: Eine einzelne Messung liefert keine verlässliche Aussage. KI-Antworten sind nicht deterministisch, daher braucht es wiederholte Abfragen über mehrere Wochen, um echte Trends von zufälligen Schwankungen zu unterscheiden.

Wichtig ist zudem die Unterscheidung zwischen Tools, die direkt die Konsumenten-Oberfläche von ChatGPT, Gemini oder Perplexity simulieren, und Tools, die lediglich die zugrunde liegende API ohne Websuche-Komponente abfragen. Letztere liefern unter Umständen ein verzerrtes Bild, da sie die in den Endnutzer-Apps aktivierte Live-Websuche möglicherweise nicht in gleicher Weise nutzen. Vor der Wahl eines Tools lohnt sich daher die Prüfung, ob die Ergebnisse tatsächlich mit dem übereinstimmen, was ein echter Nutzer in der jeweiligen App sehen würde – im Zweifel hilft ein einfacher Abgleich mit einer manuellen Stichprobe.

Eine Messung ohne Ableitung konkreter Massnahmen bleibt wirkungslos. Zeigt die Analyse beispielsweise eine niedrige Citation Rate bei gleichzeitig fehlendem Schema-Markup, ist die nächste Massnahme klar: FAQPage- und Organization-Schema implementieren. Zeigt sich ein negatives Sentiment trotz hoher Citation Rate, liegt das Problem oft an veralteten oder unvollständigen Informationen, die durch aktualisierte, autoritative Inhalte korrigiert werden sollten. Ein niedriger Share of Voice gegenüber einem bestimmten Mitbewerber kann darauf hindeuten, dass dieser Mitbewerber stärkere Markenerwähnungen auf Drittplattformen aufgebaut hat – ein Hinweis auf gezielten Handlungsbedarf bei der eigenen PR- und Content-Strategie.

Die konkrete Umsetzung dieser Massnahmen folgt der im GEO Guide Schweiz beschriebenen Methodik: technische Basis sicherstellen, Content-Struktur optimieren, Autorität aufbauen und den gesamten Zyklus regelmässig wiederholen. AI Visibility und GEO sind damit zwei Seiten derselben Medaille – die eine misst, die andere handelt.

Für Unternehmen, die in mehreren Schweizer Sprachregionen tätig sind, reicht eine Messung in nur einer Sprache nicht aus. Da KI-Systeme Anfragen pro Sprache weitgehend getrennt verarbeiten, kann eine Marke auf Deutsch eine hohe Citation Rate erreichen und gleichzeitig auf Französisch oder Italienisch komplett unsichtbar sein – ein blinder Fleck, der ohne mehrsprachiges Monitoring unentdeckt bliebe.

Eine vollständige AI-Visibility-Strategie für die Schweiz testet den Fragen-Katalog deshalb in allen relevanten Sprachen separat und vergleicht die Ergebnisse. In der Praxis zeigt sich häufig, dass die Citation Rate in der jeweiligen Hauptsprache eines Unternehmens deutlich höher ausfällt als in den übrigen Landessprachen – ein klarer Hinweis darauf, wo zusätzliche, sprachspezifische Inhalte den grössten Hebel bieten.

Nicht jedes Unternehmen muss AI Visibility sofort mit höchster Priorität behandeln. Besonders dringend ist das Thema für Unternehmen in beratungsintensiven Branchen, in denen potenzielle Kunden vor einer Entscheidung aktiv recherchieren und vergleichen – etwa Rechts-, Finanz- und Gesundheitsdienstleistungen, technische B2B-Produkte oder spezialisierte lokale Dienstleister. In diesen Bereichen ersetzt eine KI-Antwort zunehmend die klassische «Drei-Angebote-einholen»-Recherche, und wer dabei nicht genannt wird, verschwindet faktisch von der Einkaufsliste, ohne dass der potenzielle Kunde das Unternehmen je bewusst ausgeschlossen hätte.

Weniger dringend, aber dennoch relevant ist AI Visibility für Unternehmen mit sehr lokalem, persönlichem Kundenstamm, der primär über Mund-zu-Mund-Empfehlungen gewonnen wird. Auch hier lohnt sich jedoch ein Basis-Monitoring, da sich das Rechercheverhalten auch in traditionell beziehungsorientierten Branchen zunehmend in Richtung KI-gestützter Vorabrecherche verschiebt. Eine erste, kostengünstige Standortbestimmung – auch ohne grosses Budget – schafft zumindest die Grundlage, um spätere Entwicklungen einordnen zu können.

AI Visibility ist kein abstraktes Konzept, sondern eine konkret messbare Grösse: über Citation Rate, Sentiment und Share of Voice, erhoben über einen festen Fragen-Katalog auf den wichtigsten KI-Plattformen. Wer regelmässig misst, erkennt frühzeitig Lücken – fehlende Schema-Daten, veraltete Inhalte, fehlende Markenerwähnungen – und kann diese gezielt über GEO-Massnahmen schliessen. Der grösste Fehler ist nicht eine schlechte erste Messung, sondern das Ausbleiben jeglicher Messung: Ohne Baseline lässt sich weder Fortschritt noch Rückschritt erkennen.

Angesichts des rasanten Wachstums von KI-gestützter Suche – mit kombiniert mehreren Milliarden monatlichen Nutzern allein bei den grössten Plattformen – wird AI Visibility in den kommenden Jahren voraussichtlich vom optionalen «Nice-to-have» zu einer festen, regelmässig berichteten Kennzahl neben klassischen SEO- und Marketing-KPIs werden. Unternehmen, die bereits heute eine erste Baseline-Messung etablieren, verschaffen sich einen klaren Vorsprung gegenüber Mitbewerbern, die das Thema erst angehen, wenn der Wettbewerbsdruck in den KI-Antworten bereits deutlich grösser ist.