Sichtbarkeit in KI-Suchmaschinen messen!
So bewertest du deine SEO-Performance in KI-Suchergebnissen
- Wie funktionieren KI-Suchmaschinen?
- Die größten Unterschiede zu Google
- Warum klassische SEO-Ansätze nicht ausreichen
- Die richtige Tool-Auswahl für Analyse von KI-Search
- Auswahl der zu trackenden Brands und Domains
- Warum ist das wichtig?
- Wie werden die Daten gesammelt?
- Definition der relevanten Suchanfragen (Prompts)
- Warum ist die Auswahl der Prompts so wichtig?
- Kategorisierung und Standardisierung von Prompts
- Wie werden Prompts kategorisiert?
- Warum ist das wichtig?
- Messung der Sichtbarkeit in KI-Suchmaschinen
- Sichtbarkeit im zeitlichen Verlauf
- Sichtbarkeit im Ranking (mit oder ohne Link)
- Welche Domains werden als Quelle genutzt?
- Filtermöglichkeiten für gezielte Analysen
- Welche Domains werden als Quelle genutzt?
- Wie schneiden Marken bei informationsorientierten Suchanfragen ab?
- Erkenntnisse aus der Datenanalyse
- Unterschiedliche Suchintentionen beeinflussen die Ergebnisse
- Welche Domains tauchen als Quellen auf?
- Was SEOs jetzt tun sollten
Da LLMs immer stärker in Suchprozesse eingebunden werden, wird es für SEOs entscheidend, ihre Sichtbarkeit in diesen Systemen zu tracken. Doch wie kann man messen, ob und wie oft eine Brand in KI-Suchmaschinen auftaucht?
Ohne datenbasierte Insights tappen wir im Dunkeln. Das gilt besonders für die Optimierung in KI-Suchmaschinen, die kein klassisches Ranking besitzen. Stattdessen geht es um Erwähnungen, Quellen und inhaltliche Relevanz.
In diesem Beitrag erfährst du:
- Wie du die Performance deiner Brand in LLMs analysierst
- Welche Metriken entscheidend sind und wie du sie misst
- Wie Tools wie Peec AI helfen können, fundierte Entscheidungen zu treffen
Während klassische Suchmaschinen wie Google Webseiten indexieren und ranken, funktionieren KI-Suchmaschinen und LLMs fundamental anders. Sie liefern keine klassischen organischen Suchergebnisse, sondern generieren direkte Antworten auf Basis riesiger Trainingsdatensätze.
- Keine festen Rankings: LLMs zeigen nicht einfach eine Liste von Webseiten an, sondern generieren individuelle Antworten.
- Dynamische Ergebnisse: Die ausgegebenen Inhalte können je nach Formulierung der Anfrage variieren.
- Keine Suchvolumen-Daten: Während Google uns Daten zu Suchvolumen, Klickzahlen und Impressionen liefert, gibt es solche Metriken in LLMs nicht.
- Quellen- und Markenerwähnungen statt Rankings: Anstelle von Platzierungen zählen Erwähnungen und die Häufigkeit, mit der eine Marke oder eine URL als Quelle angegeben wird.
Herkömmliche SEO-Strategien sind darauf ausgelegt, Google-Algorithmen zu optimieren, indem wir gezielt Content und technische Faktoren beeinflussen. Doch in LLMs spielt nicht nur die eigene Website eine Rolle – sondern vor allem die Präsenz der Marke in externen Quellen.
Das bedeutet:
- Wer in hochwertigen Quellen erwähnt wird, hat größere Chancen, in LLM-Antworten aufzutauchen.
- Der Kontext einer Marke zählt – nicht nur die eigene Website.
- Erwähnungen in KI-generierten Antworten sind dynamisch und können sich verändern.
Da LLMs keine Suchvolumen-Daten bereitstellen, müssen wir neue Wege finden, um unsere Performance zu messen. Im nächsten Abschnitt schauen wir uns an, wie man die richtigen Brands und Domains auswählt, um ihre Sichtbarkeit zu tracken.
Um die Sichtbarkeit in LLMs gezielt zu analysieren, haben wir uns für Peec AI als Tracking-Tool entschieden. Die Entscheidung fiel nicht nur aufgrund der umfangreichen Analysemöglichkeiten, sondern auch, weil wir bereits während der Beta-Phase eng mit dem Team zusammengearbeitet haben.
Ein weiterer Vorteil von Peec AI ist, dass es sich um ein Unternehmen mit Sitz in Deutschland handelt. Gerade im Bereich KI-Optimierung ist es essenziell, mit Anbietern zusammenzuarbeiten, die Datenschutz und Compliance ernst nehmen. Peec AI bietet nicht nur detaillierte Einblicke in die Markensichtbarkeit in ChatGPT, Perplexity & Co., sondern auch eine intuitive Benutzeroberfläche, die speziell für SEOs entwickelt wurde.
Alle nachfolgenden Analysen und Erkenntnisse in diesem Beitrag basieren auf Daten aus Peec AI. Diese sind aber auch auf alle anderen Alternativtools anwendbar. Wer sich selbst von den Funktionen überzeugen möchte, kann eine Demo buchen und das Tool in Aktion erleben.
Um die Sichtbarkeit in KI-Suchmaschinen und LLMs systematisch zu analysieren, muss zunächst festgelegt werden, welche Marken und Domains überwacht werden sollen. Anders als bei klassischen Suchmaschinen geht es hier nicht um Rankings in den SERPs, sondern um die Häufigkeit der Erwähnungen einer Marke innerhalb KI-generierter Antworten.
Nicht nur die eigene Marke, sondern auch Wettbewerber spielen eine entscheidende Rolle. Wer in LLMs häufiger genannt wird – sei es als direkte Antwort oder als verlinkte Quelle – hat einen Vorteil.
Daher sollte beim Tracking Folgendes berücksichtigt werden:
- Eigene Marke & Domain: Wie oft und in welchem Kontext wird sie genannt?
- Wettbewerber: Welche Brands tauchen häufiger in LLM-Antworten auf?
- Unabhängige Quellen: Welche externen Webseiten werden als vertrauenswürdige Quelle genutzt?
Mithilfe von spezialisierten Tools wie Peec AI lassen sich Erwähnungen von Marken und Domains gezielt tracken. Dabei werden die Daten nicht über klassische Keyword-Rankings erhoben, sondern über die Analyse der generierten Antworten von LLMs.
Nachdem wir nun die zu trackenden Marken festgelegt haben, geht es im nächsten Schritt darum, die relevanten Suchanfragen (Prompts) zu definieren, die für die Analyse genutzt werden sollen.
Nachdem wir die zu trackenden Marken und Domains festgelegt haben, stellt sich die nächste entscheidende Frage: Welche Suchanfragen sollen analysiert werden?
Da LLMs kein klassisches Suchvolumen bieten, müssen wir Prompts gezielt definieren, um die Sichtbarkeit unserer Marke in KI-generierten Antworten zu messen.
In klassischen Suchmaschinen basiert die Keyword-Recherche auf Suchvolumen, Konkurrenz und Nutzerintention. In LLMs hingegen müssen wir uns fragen:
- Welche Begriffe oder Fragen lösen relevante Antworten aus?
- Welche Prompts könnten zu Erwähnungen unserer Marke führen?
- Welche Formulierungen nutzen User, wenn sie eine KI nach bestimmten Produkten oder Dienstleistungen fragen?
Da LLMs individuelle Antworten generieren, beeinflusst die Art der Suchanfrage stark, ob und wie eine Marke erwähnt wird. Deshalb ist es essenziell, verschiedene Prompt-Varianten zu testen und standardisierte Suchanfragen für eine fundierte Analyse festzulegen.
Im nächsten Abschnitt schauen wir uns an, wie Prompts standardisiert und kategorisiert werden, um eine konsistente Datenerfassung zu ermöglichen.
Damit die Performance-Messung in LLMs und KI-Suchmaschinen aussagekräftig bleibt, müssen die Prompts einheitlich definiert und kategorisiert werden. Das sorgt dafür, dass die gesammelten Daten vergleichbar sind und präzise ausgewertet werden können.
Für eine saubere Analyse wurden die Prompts in drei Hauptvarianten unterteilt:
- Produktspezifische Prompts: Fragen zu einzelnen Produkten oder Dienstleistungen (z. B. „Wer bietet die beste [Versicherungsprodukt] an?“).
- Suchintentspezifische Prompts: Fragen, die sowohl einen transaktionsorientierten Intent haben, bei denen gezielt nach Marken gesucht wird, als auch informationsorientierte Fragen, bei denen allgemeine Informationen im Fokus stehen.
- Zielgruppenspezifische Prompts: Fragen, die eine spezifische Nutzergruppe ansprechen, beispielsweise mit dem Fokus auf „Beste“ (z. B. „Was ist die beste [Versicherungsprodukt]?“) oder „Günstig“ (z. B. „Was ist die günstigste [Versicherungsprodukt]?“).
Durch die Standardisierung der Prompts können wir:
- Veränderungen über die Zeit hinweg verfolgen.
- Die Sichtbarkeit verschiedener Marken fair vergleichen.
- Gezielt Optimierungspotenziale in LLM-Ergebnissen identifizieren.
Zusätzlich wurden weitere allgemeine Prompts ergänzt, um die Analyse noch breiter aufzustellen und zusätzliche Erkenntnisse über Markenerwähnungen und Quellenverlinkungen zu gewinnen.
Nun, da wir die Prompts sauber definiert haben, geht es im nächsten Schritt darum, die Sichtbarkeit der Marken in den LLM-Ergebnissen zu messen und zu analysieren.
Nachdem wir die relevanten Marken, Domains und Prompts definiert haben, stellt sich nun die entscheidende Frage: Wie lässt sich die Sichtbarkeit in KI-Suchmaschinen messen?
Da LLMs keine klassischen Rankings oder organischen Klicks bereitstellen, müssen wir auf alternative Metriken zurückgreifen. Die wichtigsten Messgrößen ist dabei, die Sichtbarkeit der Brands im zeitlichen Verlauf.
Diese Metrik zeigt, wie häufig eine Marke in den KI-generierten Antworten erscheint – und wie sich diese Erwähnungen über die Zeit verändern. Das hilft SEOs zu verstehen, welche Maßnahmen direkte Auswirkungen auf die Präsenz in LLMs haben.
Anders als bei Google spielt die genaue Platzierung innerhalb einer Antwort eine Rolle. Es wird analysiert, ob eine Marke:
- In der direkten Antwort erwähnt wird.
- Als Quelle mit Link hinterlegt ist.
- Innerhalb eines Vergleichs auftaucht.
KI-Suchmaschinen greifen auf externe Quellen zurück, um Antworten zu formulieren. Dabei zeigt sich oft ein Muster:
- Unabhängige Quellen werden bevorzugt.
- Unternehmenswebsites erscheinen seltener direkt in Antworten.
- Einige Marken haben eine hohe Eigenpräsenz als Quelle (z. B. HUK).
Diese Analyse gibt Aufschluss darüber, auf welchen Seiten eine Marke erwähnt oder verlinkt wird – und wo es Optimierungspotenzial gibt.
Nun, da wir die Sichtbarkeit messen können, geht es im nächsten Abschnitt darum, die Daten gezielt zu analysieren und durch Filter weiter zu verfeinern.
Um tiefere Einblicke in die Sichtbarkeit einer Marke in KI-Suchmaschinen zu erhalten, ist eine detaillierte Filterung der Daten notwendig. So lassen sich spezifische Fragen beantworten, z. B.:
- Welche Suchanfragen oder Themen sorgen für Erwähnungen meiner Marke?
- Wie schneidet meine Brand im Vergleich zu meinen Wettbewerbern ab?
- Welche LLMs liefern welche Ergebnisse? Gibt es Unterschiede zwischen ChatGPT, Perplexity & Co.?
- 1.Nach Tags (Keyword-Cluster): Gruppierung der Daten nach vordefinierten Themenbereichen, Erkennen, in welchen Themenfeldern die Marke besonders präsent ist
- 2.Nach Wettbewerbern (Competitors): Analyse der Sichtbarkeit im direkten Vergleich mit anderen Marken, Herausfinden, welche Brands häufiger erwähnt werden und warum
- 3.Nach LLMs (verschiedene KI-Modelle): Vergleich der Ergebnisse in unterschiedlichen LLMs (ChatGPT, Perplexity, Gemini usw.), Identifikation von Modell-spezifischen Unterschieden in der Darstellung
Ein besonders spannender Filter ist die produktbasierte Analyse. Hierbei kann gezielt untersucht werden, welche Marken in bestimmten Produktkategorien am stärksten sichtbar sind.
Praxisbeispiel:
Stell dir vor, du möchtest wissen, welche Versicherungen in LLMs für Kfz-Versicherungsthemen auftauchen. Mit diesem Filter kannst du sehen, ob deine Marke erwähnt wird – oder ob deine Wettbewerber dominieren.
Häufig zeigt sich, dass informationsorientierte Anfragen weniger markengetrieben sind. Stattdessen erscheinen unabhängige Quellen wie Vergleichsportale oder Fachmagazine in den Antworten.
Das bedeutet für SEOs:
- Marken, die durch strategisches Content-Marketing im SEO hochwertigen und relevanten Content aufgebaut haben, profitieren auch hier und werden deutlich häufiger als Quelle herangezogen.
- Erwähnungen auf vertrauenswürdigen Websites erhöhen die Chancen, in LLM-Antworten zu erscheinen.
Nun, da wir wissen, wie sich die Daten analysieren und filtern lassen, schauen wir uns im nächsten Abschnitt an, welche spannenden Erkenntnisse aus den Analysen gewonnen werden können.
Nachdem wir nun wissen, wie sich die Sichtbarkeit in KI-Suchmaschinen messen und filtern lässt, stellt sich die nächste Frage: Welche konkreten Erkenntnisse lassen sich aus den Analysen gewinnen?
Ein spannendes Beispiel zeigt sich in der Analyse von vergleichenden Suchanfragen wie:
- „Beste Versicherung für Selbstständige“
- „Günstigste Versicherung für Selbstständige“
Ergebnisse:
- Bei „beste“ erscheinen häufiger Marken mit hoher Reputation oder Testberichten.
- Bei „günstigste“ werden oft Vergleichsportale oder Preisinformationen bevorzugt.
SEO-Insight:
Die Wahl der Prompts beeinflusst, welche Art von Antworten LLMs generieren. Das bedeutet, dass Marken strategisch überlegen müssen, in welchen Kontexten sie sichtbar sein wollen.
Ein weiteres zentrales Learning ist die Analyse der verlinkten Quellen. Die Ergebnisse zeigen:
- LLMs ziehen überwiegend neutrale und unabhängige Seiten als Referenz heran.
- Unternehmensseiten erscheinen seltener als Quelle.
- Einige Marken wie HUK haben eine hohe Eigenpräsenz in den Verlinkungen.
SEO-Insight:
Markenerwähnungen in relevanten Quellen sind wichtiger denn je! Backlinks alleine reichen nicht aus – LLMs priorisieren „vertrauenswürdige“ externe Inhalte.
SEOs müssen sich jetzt mit der Sichtbarkeit in KI-Suchmaschinen und LLMs auseinandersetzen – denn diese Systeme verändern das Suchverhalten grundlegend. Ohne fundierte Daten bleibt jede Optimierung ein Blindflug.
Da klassische Ranking-Daten und Suchvolumen in LLMs nicht existieren, müssen SEOs neue Metriken nutzen, um zu verstehen, wie ihre Marke in KI-generierten Antworten erscheint. Tools wie Peec AI liefern genau diese Insights und helfen, datenbasierte Entscheidungen zu treffen.
Wer in Zukunft in LLMs sichtbar sein will, darf nicht mehr nur auf Google setzen. Gezieltes Tracking, strategische Optimierung und kontinuierliche Anpassungen sind essenziell, um in KI-Suchmaschinen präsent zu bleiben.
SEOs, die sich nicht mit LLMO beschäftigen, laufen Gefahr, an Sichtbarkeit zu verlieren. Jetzt ist der richtige Zeitpunkt, um fundierte Daten zu nutzen – und nicht im Blindflug zu optimieren.
jetzt herunterladen
Ultimativer Guide: Google AI-Overviews
Das ausführliche E‑Book für die Vorbereitung auf Googles größte Veränderung in den Suchergebnissen. Lerne, wie du dich bereits heute optimal auf die KI-Ergebnisse vorbereiten kannst.
