AI Visibility Scorecard: Markennennungen und Quellen messbar machen
Ein SEO-Dashboard zeigt Rankings, Klicks und Sitzungen. Es zeigt nicht, ob eine Marke in KI-Antworten genannt oder als Quelle verlinkt wird. Dafür brauchst du eine getrennte, reproduzierbare Messung.
Kurzantwort: Lege ein festes Fragenset fest. Führe dieselben Fragen unter dokumentierten Bedingungen aus. Erfasse pro Antwort Markennennung, Kontext, Quellenlink, Modell, Suchmodus, Datum und Land. Vergleiche erst danach Zeiträume und Wettbewerber.
Die AI Visibility Scorecard ergänzt SEO-Daten. Sie ersetzt weder Search Console noch Analytics und verspricht keine vollständige Sicht auf alle Antworten eines Modells.
Das Wichtigste in Kürze: vier getrennte Kennzahlen
- Mention Rate: Anteil der gültigen Antworten, in denen die Marke genannt wird.
- Citation Rate: Anteil der Antworten mit sichtbaren Quellen, die auf die eigene Domain verlinken.
- Context Split: Verteilung der Nennungen nach empfohlen, neutral, kritisch oder falsch zugeordnet.
- Source Share: Anteil der eigenen Domain an allen erfassten Quellen aus dem festgelegten Wettbewerbsset.
Diese Kennzahlen bleiben getrennt. Ein einziger Gesamtscore würde unterschiedliche Messfehler verdecken und eine Genauigkeit vortäuschen, die das Testverfahren nicht liefert.
Warum klassische SEO-Daten nicht reichen
Rankings, Impressionen, Klicks und Sitzungen bleiben wichtig. KI-Antworten sind eine zusätzliche Oberfläche mit eigenen Messproblemen. Ein gutes Google-Ranking garantiert keine Nennung in jeder KI-Antwort. Umgekehrt beweist eine einzelne Nennung keine stabile Sichtbarkeit.
- Antworten können sich bei gleicher Frage unterscheiden.
- Modelle, Suchmodi, Standorte und Zeitpunkte verändern das Ergebnis.
- Manche Systeme zeigen Quellenlinks, andere nicht oder nur in bestimmten Modi.
Die Scorecard beantwortet deshalb eine engere Frage: Wie häufig und in welchem Kontext erscheint die Marke in einem fest definierten Testset?
Messdesign vor Score
Definiere zuerst Themen, Suchintentionen, Wettbewerber und zulässige Varianten. Halte das Fragenset über einen Messzeitraum stabil. Dokumentiere jede Änderung, sonst vergleichst du verschiedene Tests.
Für Marken mit mehreren Bedeutungen gehört ein eigener Eindeutigkeitstest dazu. Unser Framework für mehrdeutige Markennamen zeigt die nötigen Prüfschritte.
Messmethode 1: Markennennungen
Die Mention Rate ist der Anteil der gültigen Antworten, in denen die Marke eindeutig vorkommt:
Mention Rate = Antworten mit eindeutiger Markennennung / alle gültigen Antworten
Erfasse den Kontext separat. Eine neutrale Aufzählung ist nicht dasselbe wie eine Empfehlung. Eine falsche Zuordnung darf nicht als Erfolg zählen.
So bleibt der Test vergleichbar
- Gleiches Fragenset und gleiche Reihenfolge.
- Modell, Version oder Produktmodus dokumentieren.
- Land, Sprache, Login und Personalisierung dokumentieren.
- Mehrere Läufe pro Frage verwenden und ungültige Antworten begründen.
- Rohantworten mit Datum speichern, statt nur einen Score abzulegen.
Die Gewichtung 50, 30 oder 20 Prozent ist keine Naturkonstante. Wenn du Gewichtungen nutzt, veröffentliche ihre Begründung und zeige die ungewichteten Werte daneben.
Unser Framework für KI-Sichtbarkeits-Benchmarking zeigt, wie Wettbewerber im selben Testset verglichen werden.
Erfassungsbogen: eine Zeile pro Antwort
Speichere zuerst die einzelne Antwort. Berechne die Kennzahlen erst aus diesen Rohzeilen. So bleibt nachvollziehbar, warum eine Nennung, Quelle oder Empfehlung gezählt wurde.
| Feld | Was du festhältst |
|---|---|
| Frage | Den exakten Wortlaut und die zugehörige Suchintention. |
| Testumgebung | Plattform, Modell oder Produktmodus, Sprache, Land, Login und Personalisierung. |
| Wiederholung | Die laufende Nummer. Für geschäftlich wichtige Fragen sind drei bis fünf Läufe pro Plattform ein belastbarer Start. |
| Gültigkeit | Ja oder Nein. Bei Nein wird der Grund notiert und die Antwort nicht stillschweigend gelöscht. |
| Markennennung | Ja oder Nein, ergänzt um empfohlen, neutral, kritisch oder falsch zugeordnet. |
| Sichtbare Quelle | Die tatsächlich angezeigte URL. Eine bloße Markennennung ist noch keine Zitation. |
| Empfehlung | Welche Anbieter oder Lösungen auf der engeren Auswahlliste stehen. Zitation und Empfehlung werden getrennt gezählt. |
| Zeitpunkt | Datum und Uhrzeit, damit Modell- oder Produktänderungen später als Messbruch erkennbar sind. |
Ein Ergebnis wird deshalb als Rate mit Stichprobengröße berichtet, zum Beispiel drei Nennungen in fünf gültigen Läufen, nicht als pauschales „sichtbar“ oder „unsichtbar“.
Messmethode 2: sichtbare Quellen
Die Citation Rate misst nur Antworten, in denen das jeweilige System Quellenlinks zeigt. Sie sagt nicht, welche Texte ein Modell beim Training verarbeitet hat.
Citation Rate = Antworten mit Link zur eigenen Domain / gültige Antworten mit sichtbaren Quellen
Zusätzlich kannst du den Source Share im festgelegten Wettbewerbsset berechnen. Zähle dafür nur sichtbare Links und dedupliziere dieselbe URL innerhalb einer Antwort.
Automatisierung mit Grenzen
Nutze offizielle APIs, Exportfunktionen oder erlaubte Schnittstellen, wenn sie verfügbar sind. Wenn eine Oberfläche keine stabile Schnittstelle anbietet, ist ein kleiner manueller Test belastbarer als ein Scraper, der gegen Nutzungsbedingungen verstößt oder nach einem Layoutwechsel falsche Daten liefert.
Der Beitrag API-basiertes LLM-Tracking beschreibt die technische Erfassung. Wie ChatGPT Search Quellen für Nutzer sichtbar macht, dokumentiert OpenAI in der FAQ für Publisher und Entwickler.
Dashboard: Rohdaten vor Managementzahl
Zeige zuerst Stichprobe, Testbedingungen und Rohzahlen. Danach kommen Zeitreihe und Wettbewerbsvergleich.
- Gültige Antworten und Fehlversuche je Plattform.
- Mention Rate und Citation Rate getrennt.
- Kontextverteilung der Markennennungen.
- Häufigste Quellen und wiederkehrende falsche Aussagen.
- Änderungen am Fragenset oder Messverfahren.
Ein Anstieg beweist nicht automatisch, welche einzelne Content-Maßnahme ihn verursacht hat. Nutze die Zeitreihe als Hinweis für weitere Prüfung und gleiche sie mit Search Console, Referral-Traffic und veröffentlichten Änderungen ab.
FAQ zur AI Visibility Scorecard
Ersetzt die Scorecard SEO?
Nein. Sie ergänzt Rankings, Impressionen, Klicks und Sitzungen um beobachtete Nennungen und sichtbare Quellenlinks in einem definierten KI-Testset.
Welche Tools brauchst du?
Für den Start reichen ein festes Fragenset, manuelle Tests und eine Tabelle mit Rohantworten. Automatisierung lohnt sich erst, wenn Testbedingungen und Auswertung stabil sind.
Wie oft solltest du messen?
Wähle einen Rhythmus, der zur Änderungsrate und Stichprobengröße passt. Monatlich kann ein Startpunkt sein. Nach Modell- oder Produktänderungen solltest du einen Messbruch dokumentieren, statt die Reihe unkommentiert fortzuführen.
Quellen und Prüfhilfe
- Google: Inhalte für KI-Funktionen in der Suche
- OpenAI: FAQ für Publisher und Entwickler
- OpenAI: ChatGPT Search
- Mehrklicks: Unterschied zwischen Synthese und sichtbarer Zitation
Zuletzt fachlich geprüft: 8. Oktober 2026.