Ein Bildschirm zeigt 43.7. AI Visibility Score, steht darüber.
Gegenüber dem letzten Monat plus 6.2 Punkte. Der nächste Wettbewerber bei 51.4. In ChatGPT eine durchschnittliche Position von 2.8. Stimmung: positiv. Stimmenanteil: steigend. Hier und da Seiten, die als Quellen auftauchen.
Grüne Pfeile. Prozente. Ranglisten. Tabellen. Kurven.
Es sieht nach Auswertung aus.
Unklar bleibt der Nenner.
43.7 Prozent — wovon?
Bei der herkömmlichen Websuche war die Antwort unvollständig, aber wenigstens denkbar. Google wusste, welche Anfragen gestellt worden waren. Es wusste, welche Treffer gezeigt wurden. Es wusste, wann eine Seite eine Impression erhielt und wann jemand klickte. Die Search Console gab Verlagen einen Teil dieser Telemetrie der Plattform frei.
Die Zahlen waren lückenhaft. Die durchschnittliche Position war nie so einfach, wie sie aussah. Personalisierung, Geografie, Ergebnisbausteine und Stichproben erschwerten die Deutung.
Aber es gab einen Beobachter.
Jemand betrieb das System und konnte zählen, was darin geschah.
Die generative Suche hat diese Anordnung zerbrochen.
Fragt jemand ChatGPT, welche Buchhaltungssoftware er kaufen soll; fragt eine Reisende Gemini, wo sie in Kyoto übernachten soll; fragt ein Ingenieur Claude nach einem Vergleich von Datenbanktechnologien; fragt eine Kundin Perplexity nach den besten Laufschuhen — der Verlag draussen kann die Anfrage in der Regel nicht sehen.
Er sieht nicht, wie die Frage umgeschrieben wird.
Er sieht nicht jede Suche hinter der Antwort.
Er sieht nicht jedes geholte Dokument.
Er sieht nicht zwingend, welche der geholten Dokumente den erzeugten Text wirklich geformt haben.
Er sieht nicht die Gesamtheit der Antworten.
Und schon gar nicht, wie viele private Nutzer einer Marke über all diese Gespräche hinweg ausgesetzt waren.
Trotzdem ist eine Branche entstanden, die genau diese Welt zu messen behauptet.
Das Ergebnis heisst AI Visibility.
Die interessante Frage ist nicht, ob diese Branche Betrug betreibt.
Meistens nicht.
Unter den Dashboards liegt echte Technik. Es gibt echte Eingaben, echte Antworten, echte Quellenangaben, echte Crawler, echte Datensätze und zunehmend aufwendige Versuche, Nachfrage zu schätzen.
Wichtiger ist, ob wir den Unterschied ernst nehmen zwischen dem, was beobachtet wurde, dem, was geschätzt wurde, und dem, was die Zahl bloss bedeuten soll.
Daran kann hängen, ob die neuen Kennzahlen nützlich sind.
Daran kann auch hängen, welches Netz wir um sie herum bauen.
Die Suche hatte einen Beobachter
Suchmaschinenoptimierung hat immer ein Stück Reverse Engineering enthalten.
Google hat Verlagen nie genau gesagt, wie die Rangsysteme arbeiten. Die Praxis hat Zusammenhänge aus Dokumentation, Versuchen, beobachteten Ranglisten und grossen Datensätzen erschlossen.
Das umgebende Messsystem hatte aber ungewöhnlich feste Anker.
Eine Anfrage fand statt. Ein Ergebnis wurde gezeichnet. Eine Seite erhielt eine Impression. Ein Mensch klickte — oder nicht. Google besass die Telemetrie dieser Ereignisse aus erster Hand und gab wesentliche Teile über die Search Console frei.
SEO wurde dadurch keine exakte Wissenschaft. Es trennte aber zwei Arten von Information.
Auf der einen Seite die Telemetrie der Plattform: Anfragen, Impressionen, Klicks, Klickrate, indexierte Seiten, Kanonisierung, Crawling und verschiedene Erscheinungsformen in der Suche.
Auf der anderen Seite Schätzungen Dritter: Suchvolumen, Ranglisten von aussen, Backlink-Datenbanken, Verkehrsschätzungen, Authority-Werte, Wettbewerbsindizes für Sichtbarkeit.
Gute Praxis wusste, dass das nicht dasselbe ist.
Eine Verkehrsschätzung von Semrush war nicht Google Analytics. Die Keyword-Datenbank eines Crawlers war nicht die Search Console. Ein Domain-Authority-Wert war keine Variable, die Google heimlich herausgegeben hätte.
Diese Grenze war leichter im Blick zu behalten.
Die generative Suche macht es viel leichter, sie zu vergessen.
Die Antwortökonomie nimmt den Beobachter weg
Eine generative Antwort ist nicht einfach eine Suchergebnisseite in Absätzen.
Sie ist der Ausgang einer Kette.
Die ursprüngliche Frage kann eine Websuche auslösen — oder nicht.
Findet eine Suche statt, kann die Frage zuerst in eine oder mehrere andere Anfragen umgeschrieben werden.
OpenAI beschreibt dieses Verhalten für ChatGPT Search. ChatGPT search schreibt eine Anfrage typischerweise in eine oder mehrere gezielte Anfragen um. Es erhebt aus der IP-Adresse grobe Standortangaben und kann diesen groben Standort an Suchanbieter Dritter weitergeben. Ist Memory eingeschaltet, kann ChatGPT beim Umschreiben einer Suchanfrage einschlägige gespeicherte Erinnerungen verwenden. [1]
Google beschreibt einen verwandten Mechanismus als Query Fan-out: eine Menge gleichzeitiger, verwandter Anfragen, die das Modell erzeugt, um mehr Information anzufordern und weitere passende Suchergebnisse zu holen. [2] Fan-out ist eine Technik der Suche innerhalb von Google Search. Es ist keine Taktik für Verlage. Derselbe Optimierungsleitfaden ist in der Gegenrichtung deutlich: viele Seiten für Fan-out-Anfragen vor allem zu erzeugen, um generative KI-Antworten zu manipulieren, ist Scaled Content Abuse.
Die so gefundenen Dokumente können dann geholt, gefiltert, neu gereiht, in einen knappen Kontext gelegt, von einem generativen Modell zusammengezogen und selektiv genannt werden.
Die Kette läuft von der Frage zur Entscheidung, ob gesucht wird, zum Umschreiben oder Fan-out, zum Holen, zum Neuordnen, zur Zuteilung des Kontexts, zur Erzeugung, zur sachlichen Aufnahme, zur Quellenangabe, zur Empfehlung und schliesslich zum Verhalten der Nutzer.
Jeder Schritt kann das Ergebnis ändern. Die meisten Auswertungssysteme von aussen sehen nur Bruchstücke der Kette.
Daraus wird ein Erkenntnisproblem.
Angenommen, eine Marke kommt in fünf von zehn ChatGPT-Antworten vor.
Das lässt sich beobachten.
Angenommen, ein Anbieter macht daraus AI Visibility = 50%.
Das kann völlig in Ordnung sein, wenn klar definiert ist: Anteil der gemessenen Stichprobe, in der die Marke vorkam.
Die psychologische Lesart driftet trotzdem.
Die Zahl klingt bald so: die Hälfte der Menschen, die einschlägige Fragen stellen, sieht diese Marke.
Das Experiment hat das nicht gezeigt.
Das ist keine philosophische Spitzfindigkeit. Es ist der Unterschied zwischen einer Stichprobenzahl und einer Aussage über die Grundgesamtheit.
Ein Fenster, keine Konsole
Es gibt eine wichtige Einschränkung.
Am 3. Juni 2026 kündigten Hillel Maoz und Moshe Samet in der Search Console eine eigene Leistungsberichterstattung für generative KI an. [3] Der Beitrag stammt nicht von John Mueller. Muellers verwandter Text vom 15. Mai 2026 ist ein anderes Stück: Googles Leitfaden zur Optimierung für generative KI-Funktionen in der Suche. [32]
Der Search-Bericht erfasst Impressionen aus AI Overviews und AI Mode. Verlage können diese Impressionen nach Seite, Land, Datum und Gerät ansehen. Google hat auch eine generative Berichterstattung für Discover eingeführt. Stand 31. August 2026 sind diese Einblicke weltweit für Websites ausgerollt. [3][4]
Das ändert das Argument.
Man darf nicht mehr sagen, nirgendwo in der generativen Suche gebe es Telemetrie der Plattform zur Sichtbarkeit.
Ein Teil existiert. Google hat begonnen, ihn offenzulegen.
Es gibt sogar eine Steuerung in der Search Console, mit der ein Verlag seine Property in die generativen Suchfunktionen von Google einschliessen oder davon ausschliessen kann — einschliesslich AI Overviews, AI Mode und generativer Funktionen in Discover. [5] Die Steuerung gilt auf Property-Ebene. Sie ist kein Schalter für einzelne URLs oder Anfragen, und Google sagt, sie diene nicht als Rang- oder Einschlusssignal für andere Teile der Suche.
In mindestens einem grossen Ökosystem wird ein Stück der Blackbox beobachtbar.
Aber man muss genau ansehen, was der eigene Search-Bericht derzeit hergibt.
Impressionen.
Kein vollständiges Transkript der Nutzerfragen. Nicht jede erzeugte Antwort. Nicht jede Fan-out-Anfrage. Nicht die vollständige Holmenge. Kein Herkunftsgraph, der zeigt, welcher Satz von welcher Quelle geformt wurde. Keine universelle Rangposition. Und schon gar keine gleichwertige Telemetrie für ChatGPT, Claude, Perplexity, Grok und jede andere Antwortmaschine.
Die Search Console, die es nicht gibt, ist also nicht mehr wörtlich inexistent.
Treffender: Es gibt keine plattformübergreifende Search Console für die Antwortökonomie.
Google hat ein Fenster in einen Teil des Gebäudes gebaut. Der Rest bleibt weitgehend dunkel.
Auch Telemetrie der Plattform soll man nicht zur unfehlbaren Zählung verklären. Google führt ein Anomalienprotokoll über gelegentliche Ausfälle der eigenen Berichterstattung. Zwischen dem 13. und 17. August 2026 senkte ein Protokollfehler die Impressionen im Leistungsbericht zur generativen KI in der Suche; die fehlenden Daten wurden am 21. August wiederhergestellt. Ein gesonderter Protokollfehler am 13. August betraf Discover und generative KI in Discover. [6] Das waren Fehler der Berichterstattung, keine Rangverluste, und es war nicht «der ganze August».
Messung durch die Plattform ist enorm wertvoll.
Sie ist keine Unfehlbarkeit.
Was sich wirklich messen lässt
Am nützlichsten denkt man generative Sichtbarkeit von den Teilen her, die die wenigsten Annahmen brauchen.
Eine Eingabe lässt sich beobachten. Eine Forscherin kann absenden: which password managers are best for a 20-person company? Der genaue Wortlaut ist bekannt. Die Zeit ist bekannt. Die Maschine lässt sich festhalten. Land oder Proxy-Standort lassen sich steuern. Konto oder API-Konfiguration lassen sich dokumentieren. Das ist ein experimenteller Input.
Eine Antwort lässt sich beobachten. Das Ergebnis lässt sich archivieren: welche Marken genannt wurden, wo sie standen, welche URLs sichtbar als Quelle erschienen, welche Domains vorkamen, wie lang die Antwort war, ob ausdrücklich empfohlen wurde, ob positive oder negative Behauptungen fielen. Das sind Beobachtungen.
Wiederholung lässt sich messen. Dieselbe Eingabe hundertmal laufen lassen. Kommt Marke A in 63 dieser 100 Läufe vor, ist an der Zahl nichts Fragwürdiges. Die richtige Deutung lautet nur: Marke A kam in 63 Prozent dieser hundert gemessenen Antworten unter diesen Versuchsbedingungen vor.
Das ist schon nützlich.
Problematisch wird es, wenn man die letzten sechs Wörter streicht.
Quellenangaben lassen sich messen. Verweist eine Antwort sichtbar auf eine Seite, existiert die Angabe. Über wiederholte Beobachtungen lassen sich Häufigkeit, Domainvielfalt, Überlappung und Veränderung in der Zeit berechnen. Das gehört zu den robustesten Messungen, die Aussenstehende haben.
Empfehlungsverkehr lässt sich messen. OpenAI dokumentiert, dass ChatGPT in Verweis-URLs automatisch den UTM-Parameter utm_source=chatgpt.com setzt. [7] Ein Verlag kann also wenigstens einen Teil echten nachgelagerten Verkehrs aus ChatGPT messen. Das ist keine synthetische Sichtbarkeit mehr. Das ist Verhalten.
Crawler-Anfragen lassen sich messen. Serverprotokolle können Crawler festhalten, die Seiten anfordern. Die FAQ von OpenAI für Verlage behandelt OAI-SearchBot als den Agenten, der für Zusammenfassungen und Ausschnitte in ChatGPT zählt, sofern er nicht gesperrt ist. GPTBot erscheint in einer gesonderten Frage, als steuerndes Element für das Training, nicht als Crawler der Sucheinbindung. [7] Google veröffentlicht eigene Crawler-Dokumentation. Unabhängige Crawler-Einstellungen sind gesondert beschrieben. [7a]
Auch das ist echte Telemetrie. Aber ein Crawl heisst: ein Crawler hat eine Ressource geholt. Daraus folgt nicht automatisch, dass die Ressource indexiert, für eine spätere Frage geholt, in eine Antwort aufgenommen, genannt, einem Menschen gezeigt oder für einen Kauf verantwortlich war.
Die Stufen müssen getrennt bleiben.
Was erschlossen wird
Die nächste Kategorie ist nicht erfunden.
Sie hängt nur am Modell.
Stimmenanteil. Liefert unser Eingabekorpus 1'000 Antworten, und Marke A erhält 400 Nennungen, während die Wettbewerber zusammen 600 erhalten, lässt sich ein Stimmenanteil bauen. Peec etwa definiert Sichtbarkeit als den Prozentsatz der KI-Antworten, in denen eine Marke vorkommt, und Stimmenanteil als die Nennungen dieser Marke geteilt durch alle Nennungen der beobachteten Marken. [30] Die Zahl beschreibt relative Präsenz im Versuchskorpus. Das kann nützen. Die äussere Gültigkeit hängt fast ganz daran, ob der Eingabekorpus der Grundgesamtheit ähnelt, die uns interessiert. Ein Stimmenanteil über tausend schlecht gewählte Eingaben ist nur die genaue Beschreibung eines schlecht gewählten Versuchs.
Durchschnittliche Position. Mehrere Werkzeuge rechnen eine durchschnittliche Reihenfolge, wenn eine Marke in einer Antwort vorkommt. Mathematisch geht das. Der begriffliche Haken: erzeugte Antworten sind nicht zwingend Ranglisten.
Man lese: Acme ist die herkömmliche Option und vermutlich die sicherste Wahl. Foo und Bar sind ebenfalls üblich. Für Organisationen mit ungewöhnlich strengen Souveränitätsanforderungen kann Baz jedoch wesentlich passender sein.
Welche Position hat Baz? Die vierte, weil sie als vierte genannt wurde? Die erste, weil sie die stärkste bedingte Empfehlung erhielt? Die zweite, weil sie den längsten Absatz füllte?
Die Forschung muss die Antwort definieren. Die Definition kann trotzdem nützen. Sie ist aber keine versteckte native Rangvariable, die man dem Modell entnommen hätte. Sie ist eine Operationalisierung des Auswertungssystems.
Stimmung. Erzeugte Sprache lässt sich als positiv, neutral oder negativ klassifizieren. Moderne Sprachmodelle können das sehr gut. Ein Wert kann also den Ton um Markennennungen in beobachteten Antworten beschreiben. Eine Formulierung wie «die KI nimmt Ihre Marke positiv wahr» schmuggelt aber eine stärkere Behauptung ein. Das System legt keine dauerhafte innere Variable brand_trust = 78 offen. Die Kennzahl heisst: beobachtete erzeugte Aussagen über diese Marke wurden unter dieser Methode überwiegend als positiv klassifiziert. Wieder nützlich. Wieder etwas anderes.
Eingabevolumen. Das ist das härteste kommerzielle Problem. Sagt eine Firma einer Marketingabteilung, 18'700 Menschen fragten ChatGPT jeden Monat diese Sache — woher kommt die Zahl? Die Antwort kann nicht einfach das private globale Anfrageprotokoll von OpenAI sein, es sei denn, OpenAI hätte es geliefert.
Anbieter bauen deshalb unterschiedliche Näherungen.
Ahrefs verankert sein Eingabeuniversum in der eigenen Keyword-Datenbank und in den People-Also-Ask-Daten von Google, erweitert den Korpus semantisch, führt Fragen über öffentliche KI-Oberflächen aus und beschreibt geschätzte Impressionen als potenzielle Sichtbarkeit, nicht als tatsächliche Reichweite. Google-Suchvolumen als Gewicht für KI-Nachfrage zu verwenden ist, in Ahrefs' eigenen Worten, eine Modellentscheidung, kein gemessenes Verhältnis. [8]
Das ist methodisch ehrlich.
Semrush geht einen anderen Weg. Die Datensätze zur KI-Sichtbarkeit verbinden demnach Clickstream-Beobachtungen tatsächlichen KI-Suchverhaltens in grossem Massstab mit Google-Keyword-Daten, geordnet nach Themen. Die lebende Datenbank umfasst 317 Millionen plus Eingaben und Antworten, keine Volkszählung eines Publikums. Semrush sagt auch, keine Plattform könne genaue Zahlen zur Sichtbarkeit liefern. [9][10]
Profound lizenziert Eingaben aus Consumer-Panels mit doppelter Einwilligung, wendet Anonymisierung und probabilistische Modellierung an und skaliert Volumina auf eine breitere Bevölkerung. [11] Das ähnelt der Reichweitenmessung. Es kann wertvolle Schätzungen liefern. Es bleibt eine Schätzung.
Eine Panelprojektion kann sehr gut sein.
Sie ist trotzdem nicht das Anfrageprotokoll von OpenAI.
Das Fragenuniversum ist die verdeckte Grösse
Das zentrale Problem mag gar nicht das Sprachmodell sein.
Es mögen die Fragen sein.
Man stelle sich drei Firmen vor, die dieselbe Marke messen.
Firma A beginnt mit Google-Keywords.
Firma B lässt ein Sprachmodell wahrscheinliche Käuferfragen erzeugen.
Firma C sammelt echte Fragen aus Verkaufsgesprächen, Support-Tickets und Consumer-Panels.
Alle drei führen danach vollkommene Versuche durch.
Ihre Antworten könnten lauten: Sichtbarkeit 31 Prozent. Sichtbarkeit 47 Prozent. Sichtbarkeit 68 Prozent.
Keine dieser Zahlen muss Betrug sein.
Sie können einfach drei verschiedene Grundgesamtheiten beschreiben.
AirOps macht das Problem ungewöhnlich deutlich. Prompt Discovery, angekündigt am 30. April 2026, verbindet Paneldaten, People-Also-Ask-Muster, Suchabsicht und Erstanbieter-Gespräche aus Systemen wie Gong, Zendesk und Intercom. Prompt Mining, angekündigt am 25. März 2026, behandelt die Käufersprache des Hauses als fortlaufend nachgeführtes Fragenuniversum. AirOps argumentiert, keine einzelne Quelle erfasse, wie Menschen fragen, und die Käufersprache des Hauses unterscheide sich von breiten Marktsignalen. Die Volumina, die es ausweist, sind Schätzungen. [12][13]
Das ist ein wichtiges Eingeständnis.
Das Fragenuniversum zieht die Grenze der Messung. Es bestimmt, welche Themen existieren, welche Absichten zählen, welche Sprache sie vertritt, wie viel kommerzielle gegen informative Nachfrage vorkommt, welche Nischen übervertreten sind, und welche Fragen den Versuch nie erreichen.
Ein Dashboard kann danach zehn Dezimalstellen rechnen.
Die grösste Modellentscheidung ist schon gefallen.
Das kennt man aus der Umfrageforschung. Eine vollkommen ausgewertete Umfrage in einer unrepräsentativen Bevölkerung wird nicht repräsentativ, weil das Konfidenzintervall schmal ist.
Hier gilt dasselbe.
Wiederholung macht keine Repräsentativität
Eine der besseren Entwicklungen in den Werkzeugen zur KI-Sichtbarkeit ist die wachsende Einsicht, dass generative Antworten nicht deterministisch sind.
Gumshoe sagt es direkt: dieselbe Frage wiederholt an dasselbe Modell, und Marken, Empfehlungen und Quellenangaben können wechseln. Die Audits aggregieren deshalb über Eingaben, Personas und Modelle. Für die voreingestellte Gesamt-Sichtbarkeit nennt die Firma ungefähr ±5 Prozentpunkte bei 95 Prozent Konfidenz. Der Anspruch gilt für diesen Gesamt-Wert, nicht für Schnitte nach Thema oder Persona, wo die Intervalle weiter werden. Das Gerüst ist nur API und zuerst Persona. [14]
Gegenüber Screenshots ist das ein erheblicher methodischer Fortschritt. Die Ausgabe wird als Verteilung behandelt.
Ein Konfidenzintervall beantwortet aber eine bestimmte Frage. Es schätzt Unsicherheit unter der gewählten Versuchsanordnung.
Angenommen, wir erzeugen synthetische Personas: eine kostenempfindliche Gründerin, ein CIO im Konzern, eine Beschaffungsleiterin in Deutschland, eine Studentin, eine Familie mit Blick auf Privatsphäre. Dann sampeln wir sie ausgiebig. Die statistische Sicherheit kann sehr hoch werden. Der Versuch hat trotzdem nicht gezeigt, dass diese Personas in der wirklichen Nutzerschaft in den angenommenen Anteilen vorkommen.
Innere Gültigkeit fragt: gegeben unsere gewählten Eingaben, Personas und Modelle, wie stabil ist das Ergebnis?
Äussere Gültigkeit fragt: bildet diese Versuchspopulation die Menschen ab, deren Verhalten uns wirklich interessiert?
Wiederholung hilft der ersten Frage.
Die zweite löst sie nicht von selbst.
Man kann die falsche Bevölkerung mit exquisiter Genauigkeit messen.
Die Modelle selbst stimmen nicht überein
Schon bevor man wiederholte Läufe derselben Maschine betrachtet, holen verschiedene Maschinen verschiedene Welten.
Am 22. Juli 2026 veröffentlichte Samanyou Garg auf dem Writesonic-Blog eine Auswertung von 161'286 Eingaben über ChatGPT, Gemini, Perplexity und Google AI Overviews. Die Kernmenge mit Quellenangaben aus allen vier Maschinen umfasste 70'879 Eingaben. Auf Domain-Ebene, gemessen mit Jaccard-Ähnlichkeit, lag die paarweise Überlappung zwischen 0.119 und 0.237. Das höchste Paar waren Perplexity und Google AI Overviews, bei 0.237. Die Überlappung von ChatGPT mit den übrigen Systemen war besonders gering. [15]
Das ist Anbieterforschung und soll als solche gelesen werden.
Der Datensatz ist aber gross, die Methode offengelegt, und der Befund passt zur Architektur dieser Systeme: verschiedene Suchanbieter, Modelle, Neuordner und Strategien der Kontextwahl sollten verschiedene Quellenpopulationen erzeugen.
Es mag keine sinnvolle universelle Grösse namens AI Rank geben.
Es mag stattdessen die Wahrscheinlichkeit geben, dass eine Marke vorkommt — gegeben Maschine, Eingabe, Wortlaut, Geografie, Kontext und Zeitpunkt.
Das ist ein anderer Gegenstand.
Eine Organisation kann in Perplexity stark sichtbar, in ChatGPT schwach vertreten und in Google AI Mode kräftig genannt sein. Diese Zustände in eine Schlagzeilenzahl zu pressen mag kommerziell bequem sein. Es kann auch die nützlichste Information auslöschen.
Sichtbarkeit ist eine Verteilung, keine Position
Neuere akademische Arbeit gibt dieser Intuition eine stärkere empirische Grundlage.
Eine Studie von 2026 von Ronald Sielinski hat generative Suchsysteme über mehrere Themen wiederholt beprobt und erhebliche Schwankung der Quellenangaben über identische oder gleichwertige Messungen gefunden. Bootstrap-Konfidenzintervalle zeigten, dass viele scheinbare Unterschiede zwischen Domains innerhalb des statistischen Rauschens des Messvorgangs lagen. Ranginstabilität trat durch die Verteilungen der Quellenangaben hindurch auf, nicht nur am Rand. [16]
Die Folgerung ist schlicht.
Ein Dashboard, das Marke A bei 43.7 und Marke B bei 47.2 zeigt, lädt zu dem Schluss ein, Marke B laufe besser. Überlappen sich die Unsicherheitsintervalle aber kräftig, lautet die haltbare Schlussfolgerung eher: wir können ihre Sichtbarkeit derzeit nicht mit hinreichender Sicherheit unterscheiden.
Herkömmliche Geschäftsdashboards mögen solche Sätze nicht.
Die Wissenschaft lebt von ihnen.
Ein Wert ohne Stichprobengrösse versteckt, wie viel Beleg ihn erzeugt hat. Ein Wert ohne Unsicherheit versteckt, wie viel Bewegung Rauschen sein könnte. Ein Wert ohne Fragenrahmen versteckt die Bevölkerung, die er tatsächlich beschreibt. Ein Wert ohne Maschine und Kontext versteckt, wo die Beobachtung stattfand.
Die Dezimalstelle ist oft das unwichtigste Stück Information auf dem Schirm.
Die Quellenangabe ist nicht die Herkunft
Es gibt eine weitere verlockende Abkürzung.
Ein System nennt eine Seite. Wir schliessen: diese Seite hat die Antwort verursacht.
Diese Beziehung ist nicht verbürgt.
Ein sprachfähiges Modell mit Suche kann mehrere Seiten besuchen, überlappende Information holen, eine Quelle für die innere Synthese nutzen und sichtbar eine andere nennen.
Forschung an 13'929 Gesprächsprotokollen von LMArena mit Suche dokumentierte, was die Verfasser eine Attribution Gap nennen: zwischen Seiten, die das System offenbar verbraucht hat, und Seiten, die im Ausgang tatsächlich gutgeschrieben werden. Der volle Titel jener Arbeit enthält Estimating Ecosystem Exploitation. [17]
Das legt mindestens drei getrennte Vorgänge nahe.
Holen: das System hat eine Quelle erreicht.
Aufnahme: Information aus der Quelle ist materiell in die erzeugte Antwort eingegangen.
Nennung: die Quelle erhielt sichtbare Zuschreibung.
Das ist nicht austauschbar.
Eine Quelle kann geholt und nicht genannt werden. Eine Behauptung kann ohne vollständige Herkunft erscheinen. Eine Quellenangabe kann einen Absatz begleiten, ohne zu beweisen, dass allein die genannte Seite den Wortlaut verursacht hat.
Das zählt kommerziell, weil viele GEO-Strategien schon auf Quellenangaben hin optimieren.
Wird die Nennung zur Kennzahl, werden Verlage auf Nennung hin bauen. Die Häufigkeit der Nennung ist aber nicht dasselbe wie sachlicher Einfluss. Sachlicher Einfluss ist nicht zwingend dasselbe wie Empfehlung. Empfehlung ist nicht zwingend dasselbe wie ein geschäftliches Ergebnis.
Die Messkette muss offen bleiben.
GEO gibt es. Die stärksten Behauptungen stehen noch aus
Die grundlegende Arbeit zu Generative Engine Optimization von Pranjal Aggarwal und Kollegen hat GEO als Problem formalisiert und gezeigt, dass sich die Sichtbarkeit von Inhalten in kontrollierten Versuchen an generativen Maschinen durch Veränderung des Inhalts steigern liess. Die Zusammenfassung berichtet Steigerungen von bis zu 40 Prozent. Diese Gewinne wurden in einem bereits geholten Top-5-Kontext gemessen, nicht als organische Auffindbarkeit über das offene Netz. [18]
Das Ergebnis zählt. Eigenschaften von Inhalten können den generativen Ausgang beeinflussen.
Der Fehler ist, daraus eine stärkere These zu machen: also wissen wir, wie eine beliebige Webseite in ChatGPT organisch höher rangiert.
Das Experiment begründet das nicht.
Eine grosse kritische Übersicht von 2026 über 45 GEO-Studien, von Olivier Martinez, zieht genau diese Unterscheidung. Sie beschreibt generative Sichtbarkeit als eine stochastische, nur teilweise beobachtbare Kette aus Suchaktivierung, Crawling und Indexierung, Holen, Neuordnen, Kontextzuteilung, Nennung, Prominenz, sachlicher Aufnahme, Treue und Nutzerverhalten. [19]
Laut der Übersicht gelten die grundlegenden GEO-Befunde in ihrer Versuchsanordnung, betreffen aber oft Inhalte, die in einem kontrollierten Kontext schon verfügbar waren. Gewinne sind daran gebunden, dass die Quelle schon im Kontext steht. Das ist etwas anderes als der Nachweis der ganzen organischen Kette: veröffentlichen, crawlen, indexieren, holen, neu ordnen, in den Kontext treten, die Antwort formen, eine Nennung erhalten, eine Empfehlung erhalten, Verkehr erzeugen, ein Geschäftsergebnis erzeugen.
Die Übersicht fand Belege, dass bereits geholter Inhalt kausal beeinflussen kann, wie er genannt oder genutzt wird. Sie fand keine geprüfte Technik, die einen stabilen, längsschnittlichen und plattformübergreifenden kausalen Effekt auf organische Auffindbarkeit und nachgelagertes Verhalten gezeigt hätte. [19]
Die haltbare Position 2026 ist weder «GEO funktioniert» noch «GEO ist erfunden».
Sie lautet: manche Eingriffe beeinflussen generative Antworten unter kontrollierten Bedingungen nachweislich. Der Beleg wird schwächer, je weiter die behauptete Wirkung die wirkliche Ursachenkette hinunterwandert.
So sieht ein unreifes Forschungsfeld gewöhnlich aus.
Manche Anbieter sind vorsichtiger als andere
Die Branche der KI-Sichtbarkeit ist methodisch nicht einheitlich.
Das verdient Anerkennung.
Ahrefs sagt den Nutzern ausdrücklich, geschätzte Impressionen seien modelliert und sollten nicht als tatsächliche Reichweite gelesen werden. [8]
Otterly schreibt in einem Hilfeartikel vom 17. Juli 2026, es befrage öffentliche Weboberflächen statt sich vorwiegend auf Modell-APIs zu stützen — Claude ist die dokumentierte API-Ausnahme — und überwache verfolgte Eingaben täglich. Es warnt, ein persönliches ChatGPT-Ergebnis könne wegen Sitzung, Standort und Kontoeinstellungen abweichen. [20]
Gumshoe nimmt wiederholte Stichproben und Unsicherheitsangaben an, wählt aber ein experimentelles Gerüst über API und Personas. [14]
Trakkr beschreibt sein breites Research-Produkt offen als Stichprobe. Es erzeugt ungefähr 500 Entdeckungsfragen und sampelt jede einmal. Gesondert verfolgte Eingaben werden gegen alle acht Modelle jeden Tag beobachtet. [21]
Semrush stützt einen Teil seines Fragenuniversums auf Clickstream-Daten, die wirkliches Nutzerverhalten abbilden. [9]
Profound nutzt opt-in Consumer-Panels plus probabilistische Hochrechnung. [11]
AirOps verbindet marktweite und hauseigene Quellen für Eingaben. [12]
Das sind materiell verschiedene wissenschaftliche Gegenstände.
Wer nur Merkmalskästchen vergleicht — ChatGPT, Gemini, Stimmung, Quellenangaben — kann die wichtigeren Fragen leicht verfehlen. Woher kamen die Eingaben? Welche Oberfläche wurde gemessen? Wie oft wurde jede Bedingung wiederholt? Welche Bevölkerung soll der entstehende Wert vertreten? Wo endet Beobachtung, wo beginnt Modellierung?
Die vertrauenswürdigeren Anbieter neigen dazu, diese Grenzen zu erklären.
Die unglaubwürdigste Kennzahl ist nicht unbedingt jene mit dem schwächsten Algorithmus.
Es kann einfach jene sein, deren Werbebeschreibung am weitesten von ihrem Messprotokoll abgedriftet ist.
Warum die genaue Bezeichnung zählt
Orchly war das Produkt, das diese Untersuchung ursprünglich ausgelöst hat.
Die Kernbehauptung ist technisch plausibel. Die Plattform sagt, sie führe Eingaben gegen KI-Oberflächen aus, zeichne Nennungen, Quellenangaben, Stimmung und Wettbewerber auf und berichte Sichtbarkeit über Systeme einschliesslich ChatGPT, Perplexity, Gemini und Google-KI-Erfahrungen. [22]
Nichts davon verlangt Magie.
Manche Dokumentation zeigt aber, wie schnell Genauigkeit rutscht.
Orchly gibt an, Eingaben liefen von verschiedenen Standorten und IP-Adressen, und die Messungen spiegelten «geography and personalization included». [22]
Geografische Variation lässt sich im Versuch durchaus einführen.
Personalisierung ist ein stärkerer Begriff.
OpenAI dokumentiert, dass ChatGPT Search gespeicherte Erinnerung beim Umschreiben einer Anfrage einbeziehen kann. [1] Eine saubere synthetische Sitzung aus Zürich ist deshalb nicht automatisch gleichwertig mit dem lang laufenden ChatGPT-Konto eines wirklichen Menschen in Zürich. Ein System kann Geografie steuern, ohne persönliche Geschichte zu reproduzieren.
Das soll man nicht zusammenwerfen.
Es gibt ein noch klareres Beispiel.
Die Verkehrsdokumentation von Orchly ordnet Google-Extended neben Bots ein, die in Verkehrsprotokollen als Anfrage-Entitäten erscheinen können, und beschreibt es in der Taxonomie von Orchly als Besuch eines «AI Chatbot». [23]
Googles eigene technische Dokumentation, zuletzt nachgeführt am 14. Juli 2026, sagt, Google-Extended habe keine gesonderte HTTP-User-Agent-Zeichenkette. Es ist ein Product Token in robots.txt, mit dem bestimmte Nutzungen von Inhalten gesteuert werden, die über bestehende Google-User-Agents geholt werden. [24]
Das beweist nicht, dass das zugrunde liegende Produkt von Orchly ungültig wäre.
Es zeigt, warum unabhängige Prüfung zählt.
Wenn eine Kategorie Beobachtbarkeit in Systeme verkauft, die ohnehin schwer zu beobachten sind, können scheinbar kleine Fehler der Bezeichnung falsche Ursachengeschichten erzeugen.
Eine Zeile im Zugriffsprotokoll ist ein Beleg.
Was diese Zeile bedeutet, verlangt erheblich mehr Sorgfalt.
Google warnt ungewöhnlich klar
Google hat inzwischen eine eigene Orientierung zu SEO-, AEO- und GEO-Werkzeugen Dritter veröffentlicht.
Es sagt nicht, sie seien nutzlos.
Es sagt etwas Präziseres.
Google bewertet diese Dienste Dritter nicht. Sie haben keinen Zugang zu den internen Rangdaten oder KI-Systemen von Google. Sie können Leistung nicht garantieren. Vorhersagen sind die ihren, und Verlage sollen Behauptungen an der amtlichen Orientierung und an den Daten der Search Console aus erster Hand prüfen. [25]
Das ist fast genau die Grenze, die die Branche braucht.
Messung durch Dritte war immer wertvoll. Ahrefs brauchte nicht die innere PageRank-Datenbank von Google, um nützlich zu werden. Semrush brauchte nicht die vollständigen Anfrageprotokolle von Google, um wertvolle Wettbewerbsinformation zu erzeugen.
Nützliche Beobachtung von aussen wird gefährlich, wenn der modellierte Gegenstand so dargeboten wird, als wäre er Telemetrie der Plattform.
Die Lösung ist nicht, das Messen einzustellen.
Die Lösung ist, Messungen richtig zu beschriften.
Ein besserer Gegenstand als KI-Sichtbarkeit
Die kritische GEO-Übersicht schlägt eine mehrstufige Sicht vor, die Auffindbarkeit, Nennung, Aufnahme und Ergebnisse trennt. [19]
Auf diesem Rahmen sollte eine praktische Beobachtungsstelle sich weigern, das System in einen einzigen Wert zusammenzuziehen.
Eine nützliche Darstellung ist ein Vektor: Auffindbarkeit, Holen, Nennung, Aufnahme, Prominenz, wirtschaftliches Ergebnis.
Auffindbarkeit fragt, ob das System den Inhalt überhaupt finden oder erreichen kann. Mögliche Belege sind Crawler-Zugang, Indexberechtigung, Zustand in der Search Console, erfolgreiches direktes Holen und robots-Steuerungen.
Holen fragt, unter festgelegten Anfragebedingungen, wie oft Quelle oder Marke in die beobachtbare Hol- oder Antwortmenge eintritt. Ausserhalb von APIs, die Suchspuren offenlegen, bleibt das oft latent; die Methode muss sagen, wann Holen beobachtet und wann es erschlossen wird.
Nennung fragt, wie oft die Quelle sichtbare Zuschreibung erhält. In Antworten, die Quellenangaben zeigen, ist das direkt beobachtbar.
Aufnahme fragt, wie oft unverwechselbare Information aus einer Quelle materiell in der erzeugten Antwort erscheint. Das ist schwerer. Es kann kontrollierte sachliche Marker, semantischen Vergleich und menschliche Prüfung verlangen.
Prominenz fragt, wie stark die entstehende Antwort Marke oder Quelle in den Vordergrund stellt. Mögliche Masse sind erste Nennung, Empfehlungsstatus, textliche Reihenfolge, Anteil an der Antwort und Stärke der Befürwortung. Keines soll sich als universeller nativer Rang ausgeben.
Wirtschaftliches Ergebnis fragt, was schliesslich geschah: Verweis, Besuch, engagierte Sitzung, Lead, Kauf, Abonnement oder eine andere sinnvolle Handlung. Hier wird Sichtbarkeit kommerziell relevant.
Nicht jedes Vorhaben braucht jede Dimension.
Wichtig ist, eine nicht für die andere einzusetzen.
Eine Nennung ist kein Verkauf. Ein Crawl ist keine Nennung. Eine Erwähnung ist kein Marktanteil. Eine Impression ist keine Überzeugung.
Die Messung selbst messen
An diesem Punkt würde ein weiterer Essay gegen GEO-Dashboards nicht reichen.
Der nützliche nächste Schritt ist empirisch.
Nicht: wie steigern wir den AI Visibility Score des Studios?
Sondern: wie stabil, repräsentativ und kausal gehaltvoll sind die Messungen, aus denen ein solcher Wert gebaut würde?
Die erste Frage beginnt damit, die Kennzahl hinzunehmen.
Die zweite fragt, ob die Kennzahl verdient, ein Ziel zu werden.
Was wir tatsächlich durchführen
Die hier vorgeschlagene Beobachtungsstelle ist ein Satz von Messungen, kein Dashboard-Produkt. Nichts darunter ist ein Ergebnis. Es ist ein Protokoll, das noch nicht ausgeführt wurde.
Man beginne mit einer Frage kommerzieller Absicht — which password managers are best for a small company? — und verweigere die Idee «der ChatGPT-Antwort». Man lasse sie wiederholt laufen. Nicht einmal. Nicht drei Screenshots. Vielleicht fünfzig oder hundert Mal je Maschine. Man zeichne genannte Marken, Empfehlungsreihenfolge, genannte URLs und Domains, Suchaktivierung wo beobachtbar, Antwortlänge, sachliche Behauptungen, Zeitstempel, Region und Modell oder Produktoberfläche. Was man erhält, ist eine Antwortverteilung. Marke A könnte in 31 Prozent der Läufe zuerst empfohlen, in 18 als zweite, in 22 anderswo genannt und in 29 abwesend sein. Das ist ein reicherer Gegenstand als Average AI Rank: 2.4.
Dann halte man den zugrunde liegenden Bedarf fest und ändere die Wörter. What is the best password manager for a small business? Which password manager would you recommend to a 20-person company? What are good password-management tools for SMEs? If I run a small company, which password manager should I buy? Die semantische Absicht ist ähnlich. Der Wortlaut ist nicht identisch. Bewegen sich Marken- und Quellenausgänge erheblich, ist die Formulierung der Eingabe selbst eine grosse Quelle von Messunsicherheit. Ein Anbieter beobachtet die Sichtbarkeit nicht bloss. Indem er den Wortlaut der Eingabe wählt, definiert er teilweise die Welt, in der Sichtbarkeit gemessen wird.
Drei Fragenuniversen
Man baue drei unabhängige Eingabekorpora für dieselben Kategorien: eines aus herkömmlichen Keyword- und People-Also-Ask-Daten; eines, das Sprachmodelle systematisch erzeugen, um einschlägige Käuferabsichten abzudecken; eines aus wirklicher Käufersprache — Consumer-Panels, Foren wo angemessen, Support-Tickets, Verkaufsgespräche, Anfragen des Hauses. Man messe identische Marken und Maschinen gegen jeden Korpus. Geben suchabgeleitete Eingaben 42 Prozent, synthetische Abdeckung 58 Prozent und beobachtete Käuferfragen 31 Prozent, können alle drei Ergebnisse mathematisch stimmen. Der Unterschied würde zeigen, dass der Schlagzeilenwert von seinem Stichprobenrahmen nicht zu trennen ist. Das mag der kommerziell wichtigste Versuch des ganzen Vorhabens sein.
Oberflächen, Geografie und Ursache
Viele Anbieter wählen APIs, weil sie stabil, erlaubt, skalierbar und wiederholbar sind. Andere befragen absichtlich öffentliche Oberflächen, weil APIs ihrer Ansicht nach nicht wiedergeben, was ein normaler Mensch sieht. Das soll man prüfen statt debattieren: API-Bedingung und Bedingung des Produkts für Einzelpersonen, gleichwertige Eingaben und Geografie soweit möglich, dann Überlappung von Marken, Quellenangaben, Empfehlungen, Jaccard-Ähnlichkeit der Quellen, Verteilungen der Ausgänge. Stimmen sie stark überein, gewinnt die Messung über API als Näherung Glaubwürdigkeit. Weichen sie systematisch ab, wird «wir messen ChatGPT» eine unvollständige Beschreibung, solange der Anbieter nicht sagt, welche ChatGPT-Oberfläche.
Technische Machbarkeit ist nicht dasselbe wie vertragliche Erlaubnis. Die Nutzungsbedingungen von OpenAI, wirksam ab 1. Januar 2026, gelten für ChatGPT, DALL·E und andere Dienste für Einzelpersonen. Sie verbieten, Daten oder Output automatisch oder programmatisch zu extrahieren. [26] Dieses Verbot soll man nicht mit einem Taschenspielertrick auf API- oder Enterprise-Bedingungen übertragen. Jede Beobachtung des Produkts für Einzelpersonen braucht deshalb eine plattformweise Entscheidung zur Einhaltung. Für ChatGPT unter diesen Bedingungen sollte die Studie manuell sammeln oder ausdrückliche Ermächtigung nutzen, statt automatisiert zu scrapen, solange die geltenden Bedingungen das nicht ändern. Methode schliesst Rechtmässigkeit ein.
Man führe gleichwertige Eingaben aus der Schweiz, aus Deutschland, aus dem Vereinigten Königreich, aus den Vereinigten Staaten und aus Japan. Wo Produkte Kontostände oder Memory-Bedingungen steuerbar machen, trenne man eine saubere Sitzung von einem etablierten Konto, Memory aus von Memory ein. Das Ziel ist nicht, jeden wirklichen Menschen nachzuahmen. Das wäre unmöglich. Das Ziel ist zu beziffern, wie gross diese Kontexteffekte werden können. Erscheint Marke A in 72 von 100 Schweizer Läufen und in 18 von 100 amerikanischen, verbirgt ein globaler Sichtbarkeitswert aktiv Information.
Man erzeuge Inhalte mit unverwechselbaren sachlichen Elementen, die sich mit hoher Sicherheit verfolgen lassen. Man stelle Fragen, für die diese Tatsachen einschlägig sind. Man ordne jeden Lauf in ein schlichtes Raster: genannt und aufgenommen; genannt ohne klare Aufnahme; Aufnahme ohne Zuschreibung; kein beobachteter Einfluss. Menschliche Prüfung bliebe nötig. Der Versuch begänne, ein Phänomen zu trennen, das heutige Auswertung oft zusammenzieht: genannt werden, und die Antwort formen. Eine Welt, in der die eigene Arbeit eine Antwort informiert, die Nennung aber jemand anderes erhält, ist wirtschaftlich und kulturell eine andere als eine Welt, in der die Arbeit genutzt und gutgeschrieben wird.
Schliesslich prüfe man das Versprechen im Kern von GEO. Man wähle vergleichbare Webseiten. Man bilde gematchte Behandlungs- und Kontrollgruppen. Eine Behandlung verbessert semantische Hierarchie, ausdrückliche Entitätsnamen, knappe sachliche Aussagen, Beleglinks, kanonische Metadaten, strukturierte Daten und maschinenlesbare Darstellung. Eine andere wendet gängig empfohlene Techniken der generativen Suche an. Eine dritte liefert eine absichtlich klarere Maschinenschnittstelle: stabiler semantischer Inhalt, strukturierte Ressourcen, zugängliches Markup, ausdrückliche Fähigkeiten. Dann beobachte man beide Gruppen vorher und nachher. Man ziehe nicht Vorher von Nachher ab und nenne das Kausalität. Man vergleiche die Veränderung in der behandelten Gruppe mit der Veränderung in der Kontrollgruppe. Das beseitigt nicht jeden Störfaktor. Modelle ändern sich. Indizes werden erneuert. Wettbewerber veröffentlichen. Holsysteme entwickeln sich. Ein Behandlungs-/Kontrolldesign ist aber erheblich stärker als: wir haben die Seite umgeschrieben, und das Dashboard wurde grün.
Eine handhabbare erste Welle könnten fünf kommerzielle Kategorien, zehn zugrunde liegende Absichten, drei semantische Formulierungen, zehn Wiederholungen und fünf Maschinen sein: 7'500 Beobachtungen. Hält das Protokoll, kann dieselbe Disziplin wachsen. Der Massstab zählt weniger als die Aufzeichnung. Jede Beobachtung sollte Versuchskennung, Zeitstempel, Maschine, Produktoberfläche, Modell wo verfügbar, Region, Konto- oder Sitzungszustand, Eingabefamilie, genauen Eingabetext, Rohantwort, Quellenangaben, extrahierte Nennungen, beobachtete Suchmetadaten wo verfügbar und Software- oder Protokollversion bewahren. Rohsätze sollen unveränderlich sein. Abgeleitete Werte sollen sich stets daraus neu bauen lassen. Keine Dashboard-Zahl soll ohne Weg zurück zu ihrem Beleg existieren.
Die Untersuchung sollte sich zuerst selbst widerlegen
Ein ernstes Forschungsvorhaben sollte nicht beginnen mit: Dashboards zur KI-Sichtbarkeit sind Unsinn.
Es sollte mit Hypothesen beginnen, die das Gegenteil beweisen könnten.
Zum Beispiel:
H₀: wiederholte Messungen der KI-Sichtbarkeit sind hinreichend stabil, dass Punktschätzungen betrieblich nützlich sind.
H₁: identische Eingaben erzeugen substanzielle Schwankung von Lauf zu Lauf.
H₂: semantische Umschreibung führt zu grösserer Varianz als identische Wiederholung.
H₃: die Wahl der Maschine erklärt mehr Varianz als der Wortlaut der Eingabe.
H₄: Beobachtungen über API und über das Produkt für Einzelpersonen unterscheiden sich materiell.
H₅: scheinbarer «Rang» ist weniger stabil als schlichte Markenpräsenz.
H₆: die Wahrscheinlichkeit der Nennung ist weniger stabil als die Wahrscheinlichkeit der Erwähnung.
H₇: die Wahl des Eingabekorpus ändert vergleichende Sichtbarkeitswerte materiell.
H₈: kontrollierte Eingriffe an Websites erzeugen kleinere oder weniger stabile Effekte, als naive Vorher/Nachher-Dashboards nahelegen.
Manche dieser Hypothesen können scheitern.
Das wäre wertvoll.
Erweist sich eine bestimmte Sichtbarkeitsmessung als bemerkenswert stabil, wiederholbar und vorhersagekräftig für Ergebnisse aus erster Hand, muss die skeptische These sich ändern.
Eine gute Beobachtungsstelle kann ihren Urheber widerlegen.
Die Unsicherheit gehört auf die Anzeige
Die statistische Auswertung sollte die Absichtsfamilie, nicht jede Umschreibung oder jeden wiederholten Aufruf, wo angemessen als grundlegenden Cluster behandeln. Wiederholte Beobachtungen von fünf Umschreibungen derselben Frage sind nicht fünf unabhängige menschliche Absichten.
Nützliche Verfahren sind Cluster-Bootstrap-Konfidenzintervalle, hierarchische oder Mixed-Effects-Modelle, GEE für wiederholte binäre Ausgänge, Jaccard-Ähnlichkeit für Quellenmengen, Kendall- oder Spearman-Masse für Rangstabilität, Varianzzerlegung über Maschine, Absicht, Wortlaut und Zeit, Korrektur für multiples Testen und Difference-in-Differences für Eingriffe.
Die genaue Methode kann sich entwickeln.
Der Grundsatz nicht.
Statt AI Visibility: 43.7 zeige man Erwähnungswahrscheinlichkeit 44 Prozent, ein 95-Prozent-Intervall von 39–49 Prozent, 82 Absichtsfamilien, 1'640 Beobachtungen, Schweiz, Bedingung des ChatGPT-Produkts für Einzelpersonen, Protokoll v1.2, zuletzt beprobt am 31. August 2026.
Die zweite Oberfläche sieht weniger magisch aus.
Sie nützt viel mehr.
Google liefert ein Kalibrierungsexperiment
Es gibt jetzt eine unerwartete Gelegenheit.
Weil Google in der Search Console Impressionen generativer Art aus erster Hand zu liefern begonnen hat, können wir synthetische Sichtbarkeitsmessungen gegen tatsächliche Telemetrie der Plattform halten.
Das ist potenziell einer der wertvollsten verfügbaren Versuche.
Für teilnehmende Seiten des Studios: generative Impressionen aus erster Hand aus der Search Console aufzeichnen; unabhängig synthetische Beobachtung von AI Mode und AI Overviews gegen einen eingefrorenen Eingabesatz laufen lassen; Trends vergleichen; prüfen, ob synthetische Sichtbarkeit Veränderungen tatsächlicher Impressionen vorhersagt; ansehen, ob Näherungen aus Nennung und Erwähnung mit Verweisverkehr und Engagement zusammenhängen.
Die Frage wird: sagt das, was Sichtbarkeitsanbieter messen, das voraus, was eine Plattform tatsächlich zählen kann?
Das ist das Kalibrierungsproblem, das dem Markt derzeit fehlt.
Die Antwort könnte manche Methodik stützen. Sie könnte andere entlarven.
Beides wäre nützlich.
Messung bleibt nicht unbeteiligt
Es gibt einen grösseren Grund, sich zu kümmern.
Kennzahlen beschreiben Systeme nicht bloss. Sobald Institutionen sie belohnen, verändern sie diese Systeme.
Goodharts Gesetz wird gewöhnlich so wiedergegeben: wird eine Messgrösse zum Ziel, hört sie auf, eine gute Messgrösse zu sein. Die Formulierung stammt aus Charles Goodharts Aufsatz von 1975, «Problems of Monetary Management: The UK Experience», erschienen in den Papers in Monetary Economics der Reserve Bank of Australia. [27]
Donald Campbells verwandte Formulierung betont, wie quantitative Indikatoren, die der Entscheidung dienen, einem Druck ausgesetzt werden, der die Vorgänge verzerrt, die sie überwachen sollten. Die Quelle ist «Assessing the impact of planned social change», Dartmouth Occasional Paper No. 8 (Dezember 1976), später Evaluation and Program Planning 1979. [28] Jeffery Rodamars Essay in Significance von 2018 zeichnet das Verhältnis der beiden Formulierungen nach. [29]
SEO liefert den historischen Nachweis.
Sobald Suchrang wirtschaftlich wertvoll wurde, änderten sich Websites. Überschriften änderten sich. Seitenstrukturen. Erscheinungsrhythmen. Ganze Artikelgattungen entstanden, weil Keyword-Werkzeuge Nachfrage zeigten. Affiliate-Inhalte wuchsen. Märkte für Backlinks bildeten sich.
Der Messapparat hat das Netz nicht bloss beobachtet.
Er hat mitgeholfen, es zu formen.
Kennzahlen der KI-Sichtbarkeit beginnen denselben Vorgang.
Belohnt die Kennzahl Erwähnungen, werden Verlage Erwähnungen bauen. Belohnt sie Häufigkeit der Nennung, wird Inhalt auf Nennung hin gebaut. Sind Listicles unverhältnismässig sichtbar, erscheinen mehr Listicles. Erzeugen schlichte sachliche Strukturen höhere proprietäre Werte, nimmt das Netz zunehmend diese Strukturen an. Zählen Nennungen Dritter mehr als Expertise des Hauses, kaufen Firmen Präsenz bei Dritten. Übertreffen maschinenlesbare Zusammenfassungen nuancierte Argumente, erhält Nuance eine wirtschaftliche Strafe. Und wird ein einzelner synthetischer Wert zur Marketing-KPI, werden Teams auf den Wert hin optimieren, unabhängig davon, ob er menschlichen Nutzen vorhersagt.
Das ist kein Messproblem mehr.
Es ist ein Problem der Anreizgestaltung.
Die Gefahr ist nicht, dass die Kennzahlen erfunden wären
Das ganze Feld als falsche Wissenschaft zu bezeichnen wäre befriedigend und meistens falsch.
Die Technik ist echt. Die Beobachtungen sind echt. Die statistischen Probleme sind vertraut. Die besseren Anbieter legen wesentliche Teile ihrer Methode offen. Manche Datensätze sind wirklich eindrucksvoll.
Die Gefahr ist feiner.
Sie besteht darin, dass die Branche vorzeitige Gewissheit übernimmt.
Eine Folge etwa: wir haben dieses System beprobt. Wird zu: wir haben KI-Sichtbarkeit gemessen. Dann: KI-Sichtbarkeit beträgt 43.7. Dann: KI-Sichtbarkeit ist gestiegen, weil wir diese Seite geändert haben. Dann: diese Technik verbessert Ihre Position in der KI. Dann: optimieren Sie jede Seite auf die Kennzahl.
Jeder Satz verlangt einen grösseren Schluss als der vorige.
Schliesslich ist das Dashboard viel weiter gereist als der Beleg.
Ein glaubwürdiges Messsystem für die Antwortökonomie sollte fünf Fragen beantworten, bevor es einen Wert zeigt. Was wurde beobachtet — eine tatsächliche Eingabe, Antwort, Quellenangabe, Crawler-Anfrage, Impression oder ein Verweis? Was wurde beprobt — welche Maschinen, Eingaben, Orte, Sitzungen und Daten? Was wurde modelliert — Nachfrage nach Eingaben, Gewichtung der Bevölkerung, Stimmung, Stimmenanteil, erschlossenes Holen? Wie unsicher ist es — Stichprobenzahl, Schwankung, Konfidenzintervall, Drift über die Zeit? Welche kausale Behauptung wird aufgestellt — Zusammenhang, kontrollierter Eingriff, oder bloss ein attraktives Vorher/Nachher-Bild?
Dieser Massstab würde die Auswertung der KI-Sichtbarkeit nicht töten.
Er würde die Kategorie besser machen.
Die fehlende Konsole
Vielleicht hat uns die Google Search Console zu viel erwarten gelehrt.
Für eine kurze historische Spanne gab ein vorherrschendes Entdeckungssystem Verlagen ein teilweises Fenster aus erster Hand in die Maschinerie, die ihre Arbeit verteilte.
Generative Entdeckung zersplittert diese Sichtbarkeit wieder.
Verschiedene Maschinen suchen verschieden. Verschiedene Modelle nennen verschieden. Private Gespräche bleiben privat. Eingaben sind praktisch unbegrenzt. Persönlicher Kontext ändert das Holen. Die volle Herkunftskette wird selten offengelegt.
Es mag für dieses Ökosystem nie eine kanonische Search Console geben.
Das macht Messung nicht unmöglich.
Es macht erkenntnistheoretische Disziplin wichtiger.
Wir können Eingaben laufen lassen. Wir können Antworten archivieren. Wir können Schwankung messen. Wir können Quellenangaben prüfen. Wir können Crawler verfolgen. Wir können Verweise beobachten. Wir können Paneldaten nutzen. Wir können Maschinen vergleichen. Wir können eingreifen. Wir können Unsicherheit rechnen. Wir können synthetische Kennzahlen mit den ersten Bruchstücken generativer Telemetrie aus erster Hand in Beziehung setzen, die jetzt erscheinen.
Es gibt genug zu messen.
Wir müssen nur aufhören so zu tun, als sei jede messbare Näherung die Sache selbst.
Die Antwortökonomie braucht nicht weniger Kennzahlen.
Sie braucht Kennzahlen, die sich erinnern, woher sie kommen.
Denn schliesslich werden diese Zahlen zu Zielen.
Und sobald sie Ziele werden, beginnen sie, das Netz nach ihrem Bild neu zu bauen.
Die wichtige Frage lautet deshalb nicht mehr nur: können wir KI-Sichtbarkeit messen?
Sie lautet: was genau wählen wir zu messen — und was wird aus dem Netz, wenn alle daraufhin zu bauen beginnen?
Quellen
[1] OpenAI. Searching the web with ChatGPT. OpenAI Help Center. Dokumentiert, dass ChatGPT search eine Anfrage typischerweise in eine oder mehrere gezielte Anfragen umschreibt; groben Standort aus der IP erhebt; und, wenn Memory eingeschaltet ist, beim Umschreiben einer Suchanfrage einschlägige gespeicherte Erinnerungen verwenden kann. https://help.openai.com/en/articles/9237897
[2] Google Search Central. Optimizing your website for generative AI features on Google Search. Veröffentlicht 15. Mai 2026; zuletzt nachgeführt 10. Juli 2026. Dokumentiert Retrieval-Augmented Generation und Query Fan-out als gleichzeitige verwandte Anfragen, die das Modell erzeugt. Seiten für Fan-out-Anfragen vor allem zu erzeugen, um generative KI-Antworten zu manipulieren, ist Scaled Content Abuse. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
[3] Hillel Maoz und Moshe Samet. Introducing Search Generative AI performance reports in Search Console. Google Search Central Blog, 3. Juni 2026. https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports — und Google Search Console Help. Generative AI performance report (Search). Impressionen für AI Overviews und AI Mode. Weltweit Stand 31. August 2026. https://support.google.com/webmasters/answer/16984139
[4] Google Search Console Help. Generative AI performance report (Discover). Weltweit Stand 31. August 2026. https://support.google.com/webmasters/answer/16983858
[5] Google Search Console Help. Search generative AI control. Einschluss/Ausschluss auf Property-Ebene für AI Overviews, AI Mode und generative Discover-Funktionen. Kein Rangsignal für andere Teile der Suche. Weltweit Stand 31. August 2026. https://support.google.com/webmasters/answer/16908024
[6] Google Search Console Help. Data anomalies in Search Console. 13.–17. August 2026 Protokollfehler bei Impressionen der generativen KI in der Suche, wiederhergestellt 21. August; 13. August Protokollfehler bei Discover und generativer KI in Discover. Nur Protokollierung. https://support.google.com/webmasters/answer/6211453
[7] OpenAI. Publishers and Developers — FAQ. Dokumentiert utm_source=chatgpt.com auf Verweis-URLs und (in gesonderten Fragen) OAI-SearchBot für Zusammenfassungen und Ausschnitte, sofern nicht gesperrt, sowie GPTBot als steuerndes Element für das Training. https://help.openai.com/en/articles/12627856
[7a] OpenAI. Crawlers overview. Unabhängige robots.txt-Steuerungen für jeden Bot. https://developers.openai.com/api/docs/bots
[8] Rebekah Bek / Ahrefs. Ahrefs Brand Radar Methodology: How we collect and model AI visibility data. Nachgeführt 26. Februar 2026. Geschätzte Impressionen als potenzielle Sichtbarkeit, nicht tatsächliche Reichweite; Google-Volumen als Modellentscheidung, kein gemessenes Verhältnis. https://ahrefs.com/blog/brand-radar-methodology/
[9] Semrush. Where does the data in Semrush's AI Visibility Toolkit come from? Clickstream plus Google-Keyword-Daten; 317 Millionen plus Eingaben; keine Plattform kann genaue Zahlen zur Sichtbarkeit liefern. https://www.semrush.com/kb/1607-semrush-ai-visibility-data
[10] Semrush. Semrush data (2026 glance). Stützt die Angabe 317 Millionen plus KI-Eingaben. https://www.semrush.com/kb/997-semrush-data
[11] Profound. Prompt Volumes. Consumer-Panels mit doppelter Einwilligung, Anonymisierung, probabilistische Modellierung, Volumina skaliert auf die volle Bevölkerung. https://www.tryprofound.com/features/prompt-volumes
[12] AirOps. Prompt Discovery: Build a Prompt Universe You Can Actually Trust. 30. April 2026. Paneldaten, People Also Ask, Suchabsicht und Gespräche des Hauses; Volumina sind Schätzungen. https://www.airops.com/blog/announcing-prompt-discovery
[13] AirOps. Prompt Mining: Take action on the questions your buyers already ask you. 25. März 2026. Käufersprache des Hauses; kein einzelner Datensatz erfasst das volle Bild. https://www.airops.com/blog/announcing-prompt-mining
[14] Gumshoe. How Gumshoe Works: Methodology, Data Integrity, and Why It Matters. Nachgeführt April 2026. Nur API, zuerst Persona; nicht-deterministische Ausgänge über Wiederholungen aggregiert; voreingestellte Gesamt-Sichtbarkeit ±5 Prozentpunkte bei 95 Prozent Konfidenz. https://gumshoe.ai/resources/gumshoe-methodology/
[15] Samanyou Garg / Writesonic. Do AI Engines Cite the Same Sources? We Studied 161,286 Prompts Across 4 Platforms. 22. Juli 2026. 161'286 Eingaben; Kernmenge vierfach 70'879; Domain-Jaccard 0.119–0.237; Maximum Perplexity × Google AI Overviews 0.237. https://writesonic.com/blog/ai-citation-source-overlap-study
[16] Ronald Sielinski. Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Search Measurement. arXiv:2603.08924, 2026. Wiederholte Stichproben, Bootstrap-Konfidenzintervalle und Instabilität der Quellenränge. https://arxiv.org/abs/2603.08924
[17] Ilan Strauss, Jangho Yang, Tim O'Reilly, Sruly Rosenblat, Isobel Moure. The Attribution Crisis in LLM Search Results: Estimating Ecosystem Exploitation. arXiv:2508.00838, 2025. n = 13'929 LMArena-Protokolle; Attribution Gap zwischen erreichten und gutgeschriebenen Seiten. https://arxiv.org/abs/2508.00838
[18] Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan, Ameet Deshpande. GEO: Generative Engine Optimization. arXiv:2311.09735, 2023. Sichtbarkeitssteigerungen von bis zu 40 Prozent in bereits geholtem Top-5-Kontext, nicht organische Auffindbarkeit. https://arxiv.org/abs/2311.09735
[19] Olivier Martinez. Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026). arXiv:2607.14035, 2026. Prüft 45 Studien; Gewinne gebunden an Inhalt, der schon im Kontext steht. https://arxiv.org/abs/2607.14035
[20] OtterlyAI. How OtterlyAI collects data. 17. Juli 2026. Aggregation öffentlicher Oberflächen; Claude-API-Ausnahme; tägliche Eingaben. https://help.otterly.ai/how-otterlyai-collects-data
[21] Trakkr. Research. Ungefähr 500 Entdeckungsfragen, jede einmal beprobt; verfolgte Eingaben gegen alle acht Modelle jeden Tag. https://trakkr.ai/learn/docs/features/research
[22] Orchly. How to track AI visibility in Orchly. Nachgeführt 13. Juni 2026. Sichtbarkeit, Quellenangaben, Stimmung, Wettbewerberbeobachtung; «geography and personalization included». https://orchly.ai/help/track-ai-visibility/
[23] Orchly. How to read AI traffic analytics and logs. Nachgeführt 13. Juni 2026. Die Taxonomie von Orchly legt Google-Extended unter AI Chatbot. https://orchly.ai/help/read-ai-traffic-and-audit-logs/
[24] Google Crawling Infrastructure. Google's common crawlers — Google-Extended. Zuletzt nachgeführt 14. Juli 2026. Google-Extended ist ein Product Token in robots.txt ohne gesonderten HTTP-User-Agent. https://developers.google.com/crawling/docs/crawlers-fetchers/google-common-crawlers
[25] Google Search Central. Google Search's guidance on using third-party SEO tools, services, and advice. Nachgeführt 5. Juni 2026. Google bewertet sie nicht; keine inneren Rangdaten; keine Leistungsgarantie. https://developers.google.com/search/docs/fundamentals/third-party-seo
[26] OpenAI. Terms of Use. Wirksam 1. Januar 2026. Geltungsbereich: Dienste für Einzelpersonen. Verbietet, Daten oder Output automatisch oder programmatisch zu extrahieren. Regelt für sich nicht API oder Enterprise. https://openai.com/policies/terms-of-use/
[27] Charles Goodhart. Problems of Monetary Management: The UK Experience. In Papers in Monetary Economics, Vol. I. Reserve Bank of Australia, 1975. (Der Palgrave-Nachdruck von 1984 ist eine spätere Ausgabe, nicht das Ursprungsjahr.)
[28] Donald T. Campbell. Assessing the impact of planned social change. Occasional Paper No. 8, Public Affairs Center, Dartmouth College, Dezember 1976; Evaluation and Program Planning 1979, 2(1): 67–90. DOI: 10.1016/0149-7189(79)90048-x
[29] Jeffery Rodamar. There ought to be a law! Campbell versus Goodhart. Significance, 2018. DOI: 10.1111/j.1740-9713.2018.01205.x
[30] Peec AI. Metrics overview. Sichtbarkeit als Prozentsatz der KI-Antworten, in denen eine Marke vorkommt; Stimmenanteil als Nennungen der Marke geteilt durch alle Nennungen der beobachteten Marken. https://docs.peec.ai/metrics-overview
[32] John Mueller. A new resource for optimizing for generative AI in Google Search. Google Search Central Blog, 15. Mai 2026. Optimierungsleitfaden; nicht die Ankündigung der Search-Console-Berichte vom 3. Juni. https://developers.google.com/search/blog/2026/05/a-new-resource-for-optimizing
Forschungsstand: vorgeschlagene Beobachtungsstelle. Die empirische Arbeit in diesem Entwurf ist ein vorgeschlagener Versuch. Es werden hier keine Ergebnisse eines Mehrmaschinen-Piloten, keine Wirkungen von Website-Eingriffen und keine plattformübergreifenden Schlüsse zur Sichtbarkeit behauptet, bevor diese Messungen tatsächlich erhoben und ausgewertet worden sind.