KI-Sichtbarkeit messen: Nennungen, Empfehlungen und Quellen unterscheiden

Zuletzt aktualisiert: 9. September 2026

Wenn ich untersuche, wie ein Unternehmen in KI-Antworten vorkommt, möchte ich zunächst wissen, welche Frage damit beantwortet werden soll. Geht es darum, ob das System den Firmennamen kennt? Soll es das Unternehmen bei einer offenen Anbietersuche empfehlen? Oder interessiert uns, ob die eigene Website als Quelle verwendet wird? Diese Ergebnisse können zusammen auftreten, müssen es aber nicht. Wer sie in einer einzigen Sichtbarkeitszahl zusammenfasst, kann später kaum noch erklären, was sich eigentlich verändert hat.

In meinen Untersuchungen im Lübecker KI-Monitor arbeite ich deshalb mit festgelegten Fragen und getrennten Auswertungsgrößen. Die Antworten werden gespeichert, damit sich eine Zahl auf die tatsächlich beobachteten Ausgaben zurückführen lässt. Das Verfahren kann wiederholt werden, auch wenn dabei zu einem späteren Zeitpunkt andere Antworten entstehen.

Was genau soll gezählt werden?

Für einen ersten Vergleich unterscheide ich vier Beobachtungen:

Beobachtung	Konkrete Frage an die Antwort
Nennung	Kommt der Name des Unternehmens vor?
Empfehlung	Wird das Unternehmen für die gestellte Aufgabe empfohlen?
Zugeschriebene Eigenschaft	Welche Leistung, Spezialisierung oder regionale Zuständigkeit wird ihm zugeordnet?
Quellenverweis	Welche URL wird als Beleg angezeigt?

Ein Unternehmen kann genannt werden, weil die Antwort von ihm abrät. Eine Website kann als Quelle dienen, während im Antworttext ein anderer Anbieter empfohlen wird. Deshalb würde ich eine Nennung nicht automatisch als Empfehlung und einen Link nicht automatisch als positive Darstellung verbuchen.

Auch ein sichtbarer Quellenverweis muss inhaltlich geprüft werden. Die verlinkte Seite kann zum Thema passen, ohne die konkrete Aussage zu belegen. Ein gespeicherter Zitatfall aus meiner Lübecker Reiseplan-Erhebung macht diese zusätzliche Prüfung nachvollziehbar.

Warum eine einzelne Antwort nicht genügt

Bei generativen Suchsystemen können sich Auswahl, Reihenfolge und Formulierung zwischen Wiederholungen ändern. Zu den möglichen Einflüssen gehören der Gesprächskontext, die verfügbaren Quellen, Produkteinstellungen und Veränderungen am System. Welche davon eine bestimmte Abweichung erklären, lässt sich aus der fertigen Antwort allein meistens nicht bestimmen.

SparkToro und Gumshoe untersuchten wiederholte Marken- und Produktempfehlungen und berichteten deutliche Unterschiede zwischen den Ausgaben. Die Veröffentlichung vom 27. Januar 2026 ist dafür ein empirischer Anhaltspunkt. Die dort beobachtete Übereinstimmung ganzer Listen ist allerdings etwas anderes als die Wahrscheinlichkeit, mit der ein bestimmtes Unternehmen erneut genannt wird.

Eine Position innerhalb einer Antwort lässt sich durchaus zählen, wenn ihre Bedeutung vorher festgelegt wurde. Für meine Bankenstudie war beispielsweise auch die Position einer Nennung interessant. Daraus entsteht jedoch kein allgemeines, dauerhaftes „ChatGPT-Ranking“ für das Unternehmen. Die Zahl gehört zu den untersuchten Fragen, Antworten und Bedingungen.

Fragen nach ihrem Zweck zusammenstellen

Eine direkte Firmenfrage gibt den Namen bereits vor. Eine offene Frage nach geeigneten Anbietern prüft dagegen, ob das Unternehmen ohne diese Vorgabe auftaucht. Beide Fragearten können sinnvoll sein, sollten aber getrennt auswertbar bleiben.

Dass diese Unterscheidung praktisch etwas verändert, zeigt meine Untersuchung zu Lübecks Hidden Champions. Dort habe ich direkte Unternehmensbeschreibungen und offene Fragen nach führenden Anbietern gegenübergestellt. Neben den Nennungen unterscheide ich die ausgegebenen Quellen und den Umgang mit Websuche. Die Ergebnisse gelten für dieses untersuchte Set; sie sind keine Schätzung sämtlicher realer Nutzerfragen.

Für ein eigenes Fragenset würde ich deshalb zuerst die konkreten Aufgaben sammeln: Welche Leistung wird gesucht, für welchen Einsatz, mit welchen Anforderungen und gegebenenfalls an welchem Ort? Varianten ergänze ich dort, wo sich die Frage inhaltlich verändert. Eine große Zahl beinahe identischer Formulierungen schafft noch keine breite Abdeckung.

Nennungsquoten berechnen und richtig einordnen

Die Nennungsquote ist der Anteil der ausgewerteten Antworten, in denen das Unternehmen nach der festgelegten Regel vorkommt. Wird es in 12 von 30 Antworten genannt, beträgt die Quote 40 Prozent. Mehrere Nennungen innerhalb derselben Antwort zählen bei dieser Kennzahl einmal. Die Frage, wie oft der Name insgesamt im Text steht, wäre eine andere Zählung.

Mit dem Nennungs- und Zitatrechner im KI-Suche Wiki kannst Du solche Summen berechnen. Der Rechner beurteilt allerdings nicht, ob Dein Fragenset repräsentativ ist oder welche Abhängigkeiten zwischen den Antworten bestehen. Wiederholungen derselben Frage, gemeinsame Erhebungstage und verwandte Themen können für die statistische Auswertung relevant sein.

Auch hundert Antworten machen ein Ergebnis nicht automatisch belastbar. Entscheidend ist, wofür die Antworten stehen, wie sie erhoben wurden und welche Unsicherheit die Auswertung berücksichtigt. Die Methodik des Lübecker KI-Monitors beschreibt, wie ich Beobachtungseinheiten, Wiederholungen und Cluster in meinen Erhebungen behandle.

Quellen zählen und ihren Ursprung prüfen

Bei Quellen lässt sich nach einzelnen Verweisen, verschiedenen URLs, Hosts oder registrierbaren Domains zählen. Diese Zahlen können deutlich auseinanderliegen. Der Quellenzähler macht die gewählte Zusammenfassung nachvollziehbar.

Für eine fachliche Einordnung kommt die Herkunft der Information hinzu. Mehrere Domains können dieselbe Unternehmensmeldung wiedergeben. Eine eigene Website und ein von derselben Person herausgegebenes Wiki sind ebenfalls keine zwei unabhängigen Untersuchungen. Das Prüfschema zur Quellenherkunft ergänzt die URL-Zählung um Herausgeber und Informationsursprung.

Was Serverlogs erkennen lassen

Serverlogs können zeigen, welche Adresse zu welchem Zeitpunkt angefragt wurde und welchen Status der Server zurückgab. Bei der Bot-Zuordnung muss zusätzlich die Herkunft geprüft werden; eine passende User-Agent-Kennung allein bestätigt sie nicht. Die Crawler-Referenz trennt dokumentierte Zwecke und Prüfwege der einzelnen Kennungen.

Aus einem Abruf folgt noch keine Verwendung in einer Antwort. Ebenso wenig beweist er eine Nennung oder Empfehlung. Suchabrufe, Trainingsabrufe und Zugriffe auf Nutzeranfrage müssen jeweils nach ihrer dokumentierten Funktion eingeordnet werden. Insbesondere ist GPTBot nicht pauschal der Beleg für einen durch ChatGPT-Suche ausgelösten Besuch.

Eigene Testabfragen können zusätzliche Abrufe verursachen. Solche Messaktivitäten würde ich deshalb mit Zeitpunkt und Bedingungen dokumentieren und, soweit möglich, bei der Logauswertung gesondert betrachten. Ob täglich, wöchentlich oder monatlich gemessen wird, löst das Zuordnungsproblem allein nicht. Auch ein monatlicher Test kann einen Abruf auslösen.

Veränderungen über mehrere Zeitpunkte beurteilen

Für einen Vergleich halte ich Fragen und bekannte Einstellungen möglichst konstant. Gespeichert werden auch Zugang, Modellangabe, Zeitpunkt, verfügbare Suchinformationen und die vollständige Antwort. Der Referenzbogen zum Antwortkontext fasst diese Angaben für eine einzelne Ausgabe zusammen.

Steigt die Nennungsquote nach einer Veröffentlichung, ist das zunächst eine beobachtete zeitliche Entwicklung. Als Erklärung kommen auch andere neue Quellen, veränderte Suchergebnisse oder Produktänderungen infrage. Ich kann dokumentieren, was ich umgesetzt habe und wie sich die Antworten seitdem entwickelt haben. Den Anteil einer einzelnen Maßnahme kann ich daraus ohne einen dafür geeigneten Untersuchungsaufbau nicht isolieren.

Für die praktische Arbeit interessiert mich schließlich, ob das Unternehmen bei den relevanten Aufgaben häufiger und zutreffend vorkommt. Eine hohe Nennungsquote hilft wenig, wenn die Antwort die falsche Leistung oder den falschen Standort nennt. Welche Änderungen an Inhalten und Unternehmensangaben dafür sinnvoll sind, behandle ich in meiner Einordnung zur Optimierung für KI-Suche.