Wenn jemand ChatGPT nach passenden Anbietern fragt, ist Ihr Unternehmen in der Antwort präsent? Eine KI-Sichtbarkeitsanalyse liefert eine systematische Antwort darauf. Sie zeigt, ob Ihre Marke genannt wird, in welchem Kontext dies geschieht und wo konkreter Handlungsbedarf besteht. Unsere Anleitung zeigt Ihnen in vier Schritten, wie Sie Ihre KI-Sichtbarkeit systematisch messen und interpretieren.
Das Wichtigste in Kürze
Grund für Analyse: 44% der User:innen nutzen die KI-Suche bereits heute als bevorzugte Informationsquelle im Kaufprozess (McKinsey). Unternehmen, die dort nicht präsent sind, existieren für einen wachsenden Teil ihrer Zielgruppe nicht.
Ziel der Analyse: Eine KI-Sichtbarkeitsanalyse zeigt, ob und wie generative KI-Systeme Unternehmen wahrnehmen und ob sie eine Marke empfehlen.
Ablauf der Analyse: Eine KI-Sichtbarkeitsanalyse umfasst typischerweise vier Schritte: 1. Ziel definieren, 2. Prompts erstellen, 3. Prompts testen, 4. Ergebnisse auswerten.
Kontinuierliches Monitoring: KI-Systeme aktualisieren ihre Wissensgrundlage laufend. Ein einmaliger Test liefert daher nur eine Momentaufnahme. Belastbare Erkenntnisse entstehen erst durch regelmässige Tests über einen längeren Zeitraum hinweg.
Einfacher Einstieg: Zehn zentrale Fragen in ChatGPT, Gemini und Perplexity genügen – so erhalten Sie einen ersten Überblick zur Sichtbarkeit in KI.
Was ist eine KI-Sichtbarkeitsanalyse?
Eine KI-Sichtbarkeitsanalyse ist eine systematische Methode, um zu prüfen, ob und wie ein Unternehmen in Antworten von KI-Systemen wie ChatGPT oder Gemini erscheint – und welche Quellen die KI dabei heranzieht. Die KI-Sichtbarkeit gibt an, wie oft eine Marke, ein Unternehmen oder eine Website in den KI-Antworten als vertrauenswürdige oder empfehlenswerte Quelle erwähnt oder zitiert wird.
Neue Suchrealität: Darum reicht Suchmaschinenoptimierung heute nicht mehr
Im Unterschied zur klassischen SEO-Analyse bewertet eine KI-Sichtbarkeitsanalyse keine Rankings in Suchergebnissen. Vielmehr prüft die KI-Sichtbarkeitsanalyse, ob eine Marke Teil der Antwort ist, die ein generatives KI-System auf konkrete User-Fragen gibt. Unternehmen und Marken, die in diesen Antworten nicht vorkommen, werden im Kaufprozess immer häufiger übersehen. Unabhängig davon, wie gut ihre Website bei Google rankt.
Laut einer Studie von McKinsey 2025 ist die KI-gestützte Suche für 44% der Menschen bereits heute die bevorzugte Informationsquelle im Kaufprozess. User:innen geben in KI-Systemen keine Stichwörter (Keywords) ein, wie dies bei der Suche in Google der Fall ist. Stattdessen führen sie einen Dialog mit der KI. Sie schildern ihr Problem, stellen Folgefragen und erhalten konkrete Empfehlungen von der KI. Ein Link zu einer Website taucht während solcher Konversationen oft gar nicht mehr auf.
Ablauf einer KI-Sichtbarkeitsanalyse
Eine strukturierte KI-Sichtbarkeitsanalyse folgt vier Schritten. Die folgenden vier Abschnitte beschreiben jeden Schritt im Detail.
Die KI-Sichtbarkeitsanalyse erfolgt in vier Schritten: Ziel definieren, Prompts erstellen, Prompts testen und Ergebnisse auswerten.
1. Schritt: Ziel der KI-Sichtbarkeitsanalyse definieren – Was wollen Sie herausfinden?
Das Ziel der Analyse bestimmt Aufbau, Fokus und Interpretation aller Resultate. Definieren Sie Ihr Ziel deshalb, bevor Sie Prompts erstellen.
Typische Ziele einer KI-Sichtbarkeitsanalyse sind:
KI-Sichtbarkeit messen: Nennen generative KI-Systeme in ihren Antworten eine Marke überhaupt? Und wenn ja, wie häufig und in welchem Kontext?
Wettbewerb vergleichen: Welche Mitbewerber nennt die KI stattdessen und wie positionieren sich diese Wettbewerber im Vergleich zur eigenen Marke?
Content-Lücken erkennen: Zu welchen Themen liefert die KI keine, unzureichende oder falsche Informationen über ein Unternehmen?
Markenwahrnehmung verstehen: Welche Eigenschaften, Stärken oder Schwächen schreibt die KI einer Marke zu?
Quellen identifizieren: Welche Quellen nutzt die KI, um über eine Marke zu sprechen?
2. Schritt: Prompts erstellen – Wer fragt, was?
Die konkreten Fragen der Zielgruppe entscheiden, welche Prompts für die Analyse sinnvoll sind.
Zielgruppen-Mapping: Werten Sie vorhandene Quellen aus. Beispielsweise Anfragen im Kundendienst, Gesprächsnotizen aus dem Verkauf, Suchanfragen aus der Google Search Console oder Kommentare in den sozialen Media. So erhalten Sie ein realistisches Bild der konkreten Fragen und Probleme Ihrer Kundschaft.
Personas: Entwickeln Sie für die KI-Analyse detaillierte Profile der typischen Käufer:innen in Ihrer Branche, sogenannte Personas. Ein Beispiel ist «budgetsensibler IT-Entscheider in einem KMU». Je konkreter diese Persona, desto aussagekräftiger sind die Testergebnisse. Denn die KI kann anhand dieser Kontextinformationen konkretere Antworten liefern. Diese Profile nutzen Sie als Kontext in Ihren Prompts (Role-Prompting): «Ich bin IT-Leiter in einem KMU mit 50 Mitarbeitenden und suche…».
Prompt-Set: Definieren Sie 30-50 typische Fragen und strukturieren Sie diese nach Kaufphase und Frage-Typ:
Frage-Typ
Prompt-Beispiel
Informational
«Wie löse ich [Problem X]?»
Vergleichend
«Welche Anbieter sind für [Lösung] führend?»
Transaktional
«Was ist das beste Angebot für [Produkt]?»
Markenbezogen
«Was ist das Besondere an [Marke]?»
Prompt-Ketten: KI-Systeme nennen Marken oft erst im Verlauf eines längeren Dialogs. Meist nicht auf die erste Frage hin. Simulieren Sie deshalb echte Gesprächsverläufe, die vom Allgemeinen zum Spezifischen führen:
Prompt-Typ
Prompt-Beispiel
Allgemeiner Prompt
«Ich bin 25 und will eine Anlagestrategie entwickeln. Wie gehe ich vor?»
Offener Prompt
«Welche Unternehmen könnten mir dabei helfen?»
Spezifischer Prompt
«Was hältst du von [Unternehmen] im Vergleich zur Konkurrenz?»
3. Schritt: Prompts testen – Wie antwortet die KI?
Aussagekräftige Ergebnisse erfordern wiederholte Tests über mehrere Large-Language-Models (LLMs) und einen längeren Zeitraum hinweg. Denn generative KI-Systeme formulieren ihre Antworten jedes Mal neu, sodass ein einzelner Test Zufallstreffer nicht ausschliessen kann.
Automatisiertes Tracking: Sie können mit spezialisierten Tools wie Peec AI, Rankscale oder Profound Ihre Prompts regelmässig und automatisiert testen. Das ist über verschiedene KI-Modelle wie ChatGPT, Claude, Gemini, AI Overviews oder Perplexity möglich. Damit können Sie die Ergebnisse im Zeitverlauf miteinander vergleichen. Solche KI-Sichtbarkeitstracker bieten die effizienteste Methode für ein kontinuierliches Monitoring.
Manuelles Testen: Anders als automatisierte Tools, die jeden Prompt isoliert testen, bilden Prompt-Ketten echte Dialogverläufe im selben Kontextfenster ab. Diese Prompt-Ketten zeigen, wie eine KI auf einen sich entwickelnden Dialog reagiert. Und sie zeigen, wann und wie die KI Ihre Marke dabei ins Spiel bringt.
Wichtig: Führen Sie jeden manuellen Testdurchlauf in einem neuen, anonymen Chat ohne gespeicherte Gesprächshistorie durch. So erhalten Sie die Antworten, die ein:e «unbekannte:r» Nutzer:in bekommt. Nicht eine Antwort, die auf Ihre persönliche Nutzungshistorie zugeschnitten ist.
Tipp
Perplexity als Quellenindikator: In der Schweiz ist Perplexity zwar weniger verbreitet als ChatGPT oder Claude, für die Analyse ist es jedoch besonders wertvoll. Perplexity zeigt transparent an, welche Quellen es für seine Antworten verwendet. So sehen Sie auf einen Blick, welche Websites die KI aktuell als vertrauenswürdig einstuft – und ob Ihre Inhalte darunter sind.
4. Schritt: Auswertung – Was bedeuten die Ergebnisse?
Aus den in Schritt 3 gesammelten Testergebnissen, also den Antworten mehrerer KI-Systeme aus mehreren Testdurchläufen, lassen sich zwei Arten von Erkenntnissen ableiten: quantitative und qualitative.
Quantitative Analyse – die Zahlenperspektive:
Sichtbarkeitsanteil: Wie oft wird Ihre Marke im Vergleich zu Mitbewerbern genannt (Share of Voice)? Zehn Antworten, in denen ein Konkurrent achtmal und Ihr Unternehmen einmal auftauchen, sind ein klares Signal.
Zitat vs. Erwähnung: Wird Ihre Marke als klickbare Quelle zitiert, oder nur namentlich erwähnt? Ein Zitat (citation) mit Link signalisiert ein höheres Vertrauen in Ihre Inhalte. Es bestätigt nämlich, dass die Information aus dieser spezifischen Quelle stammt. Eine blosse Nennung (mention) steigert lediglich die Sichtbarkeit. Kurz: Mentions bringen Unternehmen oder Marken ins Gespräch, Citations machen sie zur Quelle.
Qualitative Analyse – die Inhaltsperspektive:
Tonalität: Beschreibt die KI Ihre Marke positiv, neutral oder kritisch? Achten Sie besonders auf wiederkehrende Formulierungen. Denn sie spiegeln wider, wie Ihre Marke im Internet wahrgenommen wird.
Fakten-Check: KI-Systeme können Informationen zu Unternehmen – Preise, Funktionen, Positionierung – falsch darstellen oder erfinden (Halluzinationen). Dies ist besonders der Fall, wenn die eigene Webpräsenz dünn ist oder widersprüchliche Quellen vorliegen. Prüfen Sie deshalb unbedingt die Korrektheit der KI-Informationen zu Ihrem Unternehmen. Falsche Angaben über Ihre Marke müssen Sie aktiv angehen.
Quellen-Analyse: Welche Drittseiten zitiert die KI, wenn sie über Ihr Unternehmen oder Ihre Marke spricht? Bewertungsportale, Fachmedien, Branchenverzeichnisse? Diese Seiten sind ein wichtiger Hebel für die anschliessende Optimierung für generative KI-Systeme.
Halten Sie die Ergebnisse jedes manuellen Prompt-Tests in einer strukturierten Tabelle fest. Ordnen Sie diese nach Prompt, KI-System, Datum und Ergebnis. Nur so lassen sich Veränderungen über die Zeit hinweg belastbar vergleichen.
Die Auswertung der KI-Sichtbarkeitsanalyse zeigt Ihnen nicht nur, ob Ihre Marke genannt wird. Sie macht auch sichtbar, welche Themen, Begriffe und Argumente in Ihren bestehenden Inhalten fehlen. Diese Erkenntnisse sollten in Ihre Content Strategie zurückfliessen.
Checkliste KI-Sichtbarkeitsanalyse
Alle Schritte sind kompakt zusammengefasst und dienen als praktische Arbeitshilfe für Ihre eigene KI-Sichtbarkeitsanalyse.
Unternehmen, die ihre KI-Sichtbarkeit ernst nehmen, etablieren ein regelmässiges Monitoring. Denn:
KI-Systeme aktualisieren ihre Wissensgrundlage kontinuierlich und passen ihre Antworten entsprechend an. Was heute gilt, kann in drei Monaten also bereits überholt sein.
Die Optimierung für KI-Systeme (Generative Engine Optimization kurz: GEO) ist ein langfristiger, strategischer Prozess. Die Auswirkungen von GEO zeigen sich deshalb erst mit der Zeit.
Ein kontinuierliches Monitoring mit quantitativen und qualitativen Tests macht die erzielten Verbesserungen in der KI-Sichtbarkeit erkennbar. Ähnlich wie beim SEO-Reporting, jedoch mit anderen Metriken: Visibility, Share of Voice, Citation Rate und Tonalität (Sentiment) in KI-Antworten ersetzen dabei Rankings, Klicks und Klickraten.
Schnelleinstieg: KI-Sichtbarkeit in wenigen Stunden prüfen
Mit einem KI-Sichtbarkeitscheck messen Sie Ihre Präsenz in generativen KI-Tools in wenigen Stunden. Dafür brauchen Sie keine spezialisierten Tools.
1. Schritt: Formulieren Sie rund zehn entscheidungsrelevante Fragen, die Ihre potenzielle Kundschaft auf generativen KI-Plattformen stellen würde, wenn sie nach einer Lösung sucht, die Ihr Unternehmen bietet.
2. Schritt: Testen Sie diese Fragen in ChatGPT, Gemini und Perplexity, in jeweils neuen, anonymen Chats.
3. Schritt: Notieren Sie dabei, ob Ihre Marke genannt wird, wie sie beschrieben wird, welche Konkurrenten erwähnt werden und welche Quellen die KI dabei zitiert.
Die Ergebnisse dieses einfachen Checks zeigen Ihnen auf einen Blick, ob und wie Ihre Marke in KI-Antworten vorkommt, und liefern die Basis für eine fundierte, weiterführende Analyse.
Häufige Fragen zur KI-Sichtbarkeitsanalyse
Die Anzahl der getesteten Prompts hat einen direkten Einfluss auf die Aussagekraft Ihrer KI-Sichtbarkeitsanalyse. Zu wenige Fragen liefern ein verzerrtes Bild, während zu viele den Aufwand erhöhen, ohne zwingend zu einem zusätzlichen Erkenntnisgewinn zu führen. Die Test-Prompts sollten verschiedene Perspektiven, Kontexte und Kaufphasen berücksichtigen.
Als Orientierung zur Anzahl Prompts:
Schneller Einstieg: 10–15 zentrale Fragen reichen aus, um ein erstes Gefühl für die KI-Sichtbarkeit zu entwickeln.
Fundierte Analyse: 30–50 Prompts decken die wichtigsten Themen, Kaufphasen und Fragestellungen der Zielgruppe ab.
Kontinuierliches Monitoring: 50+ Prompts ermöglichen es, Entwicklungen über die Zeit differenziert zu beobachten.
KI-Sichtbarkeitsanalysen wirken auf den ersten Blick einfach. In der Praxis schleichen sich jedoch schnell Verzerrungen ein. Wenn Sie die folgenden typischen Fehler vermeiden, werden Ihre Ergebnisse deutlich aussagekräftiger:
Einmal testen statt systematisch vergleichen: Einzelne Antworten können Zufallstreffer sein. Erst wiederholte, systematische Tests über mehrere LLMs hinweg zeigen belastbare Muster.
Nur ein KI-System nutzen: Jedes LLM hat eigene Trainingsdaten und Logiken. Wer nur ChatGPT testet, erhält ein verzerrtes Bild seiner tatsächlichen KI-Sichtbarkeit.
Zu allgemeine oder unpräzise Prompts: Vage Fragen führen zu generischen Antworten und damit zu wenig relevanten Resultaten. Je genauer ein Prompt den Kontext der Zielgruppe abbildet, desto realitätsnäher ist die KI-Antwort.
Gesprächsverlauf ignorieren: Viele KI-Sichtbarkeitsanalysen testen nur Einzelprompts. KI-Empfehlungen entstehen in der Realität jedoch oft erst im Dialog. Wer keine Prompt-Ketten testet, unterschätzt seine Sichtbarkeit in generativen KI-Systemen.
Personalisierte Chats verwenden: Alte Chatverläufe beeinflussen die KI-Antworten. Um neutralere Ergebnisse zu erhalten, sollten Sie deshalb in qualitativen Tests immer neue, anonyme Sessions ohne Chathistorie nutzen.
Nicht jedes KI-System liefert bei identischen Fragen dieselben Antworten. Das liegt daran, dass sich die Modelle in mehreren Punkten unterscheiden:
Trainingsdaten: Jedes KI-Modell wurde auf einer anderen Datenbasis trainiert. Dementsprechend unterscheiden sich der Wissensstand, die Markenkenntnisse und die Quellenpräferenzen.
Antwortlogik: Manche KI-Systeme gewichten strukturierte Inhalte stärker, andere priorisieren redaktionelle Quellen oder aggregierte Informationen.
Quellenintegration: Systeme wie Perplexity greifen aktiv auf externe Webseiten oder Wissensdatenbanken zu (retrieval-augmented generation; kurz RAG) und zitieren diese. Andere LLM-Modelle greifen dagegen stärker auf ihr internes Wissen zurück.
Dialogverhalten: Einige Modelle reagieren sensibler auf Kontext und Folgefragen, während andere stärker bei der Ausgangsfrage bleiben.
Weil sich KI-Modelle in Trainingsdaten, Antwortlogik und Quellenintegration unterscheiden, gibt es keine einheitliche KI-Sichtbarkeit. Die Wahrnehmung einer Marke variiert je nach KI-System. Erst der Vergleich über mehrere KI-Modelle hinweg ergibt ein realitätsnäheres Gesamtbild.
Eine kontinuierliche Überwachung der KI-Sichtbarkeit zeigt laufend, ob und wie eine Marke, ein Unternehmen oder ein Angebot in KI-Antworten erscheint. Im Vergleich zu gelegentlichen Analysen werden Veränderungen früher erkennbar, beispielsweise neue Wettbewerber, sinkende Erwähnungen, falsche Aussagen oder neue Quellen. Unternehmen können ihre Inhalte somit rechtzeitig korrigieren, ergänzen oder optimieren, bevor Sichtbarkeit verloren geht. Gleichzeitig lässt sich besser messen, ob Optimierungen wirken und die eigene Präsenz in KI-Systemen langfristig gestärkt wird.
Unternehmen testen ihre KI-Sichtbarkeit, indem sie wiederholt relevante Kundenfragen als Prompts in KI-Systemen eingeben und die Antworten dokumentieren. Danach verändern sie gezielt eine einzelne Variable, etwa eine FAQ-Antwort, eine Definition oder eine Produktinformation. Anschliessend prüfen sie erneut, ob KI-Systeme die Marke häufiger erwähnen, korrekter beschreiben oder gegenüber Wettbewerbern empfehlen. Belastbare Ergebnisse entstehen, wenn Unternehmen mit spezifischen Kundenfragen arbeiten, die Tests regelmässig wiederholen und nicht zu viele Änderungen gleichzeitig vornehmen.
Unternehmen können die KI-Sichtbarkeit ihrer Marke mit spezialisierten Tools oder durch manuelle Tests prüfen. Grundlage sind typische Kundenfragen, die als Prompts in ChatGPT, Gemini, Perplexity oder anderen KI-Systemen eingegeben werden. Anschliessend analysieren die Unternehmen, ob die KI ihre Marke erwähnt, korrekt einordnet und gegenüber Wettbewerbern empfiehlt. Zusätzlich dokumentieren sie, welche Quellen, Begriffe und Argumente in den KI-Antworten vorkommen. Besonders aussagekräftig sind Prompts, die reale Entscheidungssituationen abbilden. Beispiele dafür sind: «Welche Anbieter eignen sich für …?», «Welche Lösung ist die beste für …?» oder «Welche Unternehmen sind bekannt für …?».
Andy Dreckmann ist Content-Marketing- und SEO-/GEO-Profi mit knapp 20 Jahren Erfahrung auf Unternehmens- und Agenturseite. Als Senior Kommunikationsberater bei C-Factor analysiert er Kundenbedürfnisse und Keywords, entwirft Strategien, jongliert mit Worten und navigiert seine Kunden durch die digitalen Gewässer. Mit einem Ziel: Content, der Mehrwert schafft.
