Falsch gemacht kommen die Tränen.
AI Visibility ist eines dieser Themen, die auf den ersten Blick vertraut wirken – und sich beim zweiten Hinsehen komplett entziehen. Wer versucht, sie mit der klassischen SEO-Brille zu betrachten – Rankings und Suchvolumen – erlebt schnell Frustration. Die Zahlen passen nicht zusammen. Die Volatilität wirkt willkürlich. Und am Ende steht man vor einem KPI, der nichts erklärt.
Das ist kein Umsetzungsfehler.
Es ist ein Denkfehler.
AI Visibility folgt nicht der Logik der klassischen Suche. Sie ist keine lineare Messgröße, sondern ein qualitatives Phänomen. Wer das ignoriert, schneidet Zwiebeln ohne Technik – und wundert sich über Tränen.
TL;DR – Die wichtigsten Punkte
- Qualität statt Quantität
AI Visibility ist keine Traffic-Metrik. Sie misst Wahrnehmung. Wer lineare SEO-KPIs darauf anwendet, scheitert zwangsläufig („Crying Factor“). - Der AI KPI Funnel
Sichtbarkeit entsteht in Schichten: Entity Salience (kennt das Modell die Fakten?), Mention (werden wir genannt?) und Recommendation (werden wir empfohlen – und warum?). - Marktforschung statt SEO
LLMs werden wie Probanden behandelt. Methoden der Werbewirkungsmessung (gestützte / ungestützte Befragung) ersetzen reines Keyword-Tracking. - Trust Shift
Vertrauen entsteht nicht mehr durch Position (Platz 1), sondern durch Narrativ (Begründung). Brand Search dient häufig der Validierung dieser Narrative. - Mut zur Limitation
Personalisierung und Fragmentierung machen vollständiges Tracking unmöglich. Ergebnisse sind qualitative Stichproben – keine Vollerhebung. - Ergänzung, kein Ersatz
Das Modell ersetzt kein klassisches Performance-Tracking, sondern ergänzt es um die qualitative Dimension der AI-Wahrnehmung.
Der fallende Baum im dunklen Wald
In der klassischen Suche hatten wir zumindest eine Idee, wie viele Menschen im Wald stehen. Suchvolumen war unser Anker. Der Pfad der Nachfrage – das Keyword – war sichtbar.
In der AI Search (LLMs, Google AI Overviews, Chatbots) ist dieser Wald dunkel und fragmentiert. Es gibt keine kollektiven Keyword-Ströme mehr. Jede Anfrage ist hochgradig personalisiert. Jedes Ergebnis abhängig vom Kontext, vom Gesprächsverlauf, vom Framing.
Und hier greift die alte philosophische Frage:
Wenn ein Baum im Wald umfällt – und niemand ist da, um ihn zu hören – ist er dann wirklich gefallen?
In der AI Search lautet die Antwort: Nein.
Ohne Prompt kein Ereignis.
Ohne Inferenz keine Sichtbarkeit.
Ohne Interaktion keine Wahrnehmung.
Suchvolumen als stabile Referenz existiert hier schlicht nicht mehr.
Sichtbarkeit entsteht nicht „an sich“ auf einer Liste, sondern ausschließlich im Moment der Interaktion. Wer hier versucht, quantitative Rankings zu erzwingen, misst Geister.
Das ist der erste Grund für die Tränen:
der Verlust quantitativer Kontrolle.
Die Zwiebel-Methode: Der AI KPI Funnel
Wenn Sichtbarkeit nur noch situativ entsteht, müssen wir aufhören, sie als Verkehrsfluss zu betrachten. AI Visibility ist keine Straße. Sie ist Wahrnehmung.
Und Wahrnehmung hat Schichten.
Schicht 1: Entity Salience – das Fundament
Bevor wir über Rankings oder Erwähnungen sprechen, müssen wir klären:
Kennt uns das System überhaupt?
Entity Salience beschreibt, ob und wie korrekt eine Marke im internen Weltmodell der AI existiert. Verbindet das Modell unsere Brand mit den richtigen Produkten, Leistungen und Positionierungen?
Der offensichtliche Fail-Case ist die Halluzination.
Der subtilere – und dennoch gefährliche – ist die Unvollständigkeit.
Wenn ein Modell nur einen Teil unseres Portfolios kennt oder uns auf eine veraltete Rolle reduziert, entsteht ein verzerrtes Bild. Entity Salience ist nicht binär. Sie ist graduell. Und bislang nicht sauber messbar.
Hier bleibt nur eines: qualitative Einschätzung.
Unbequem, aber notwendig.
Schicht 2: Mention – die Präsenz
Werden wir in relevanten Szenarien überhaupt erwähnt?
Tauchen wir im Consideration Set auf?
Hier zählt zunächst nur die nackte Präsenz – vergleichbar mit klassischem Share of Voice. Eine notwendige, aber keine hinreichende Bedingung.
Schicht 3: Recommendation – der Einfluss
Das ist die eigentliche Währung der AI Search.
Der Unterschied zwischen
„Marke X gibt es auch“
und
„Ich empfehle Marke X, weil …“
Recommendation ist ein qualitativer Sprung – und immer kompetitiv. Wenn eine AI zehn Lösungen nennt, ist eine einzelne Nennung kaum wertvoll. Entscheidend ist:
- Werden wir als die Lösung empfohlen oder als eine von vielen?
- Wird die Empfehlung begründet?
- Gibt es eine Citation (Link)?
Erst dann wird aus Empfehlung potenziell messbarer Impact.
Die Qualitätsdimension: Stability & Context
Die drei Schichten stehen nicht isoliert. Ihre Aussagekraft zeigt sich erst über Stability und Context. Diese Dimensionen sind keine eigene Funnel-Stufe, sondern der Lackmustest für alle Ebenen.
Stability – der Marktforschungsansatz
Wir behandeln das LLM wie einen Probanden.
Ungestützte Befragung:
„Nenne die besten Tools für X.“ – Tauchen wir spontan auf?
Gestützte Befragung:
„Was hältst du von Brand Y im Vergleich zu Z?“ – Wie stabil ist das Urteil, wenn wir genannt werden?
Ein einzelner Treffer ist kein Signal, sondern Rauschen. Relevant sind nur wiederkehrende Muster über verschiedene Szenarien hinweg.
Context – die Frame-Analyse
In welchem semantischen Frame erscheinen wir?
Sind wir die günstige Option für Einsteiger?
Die Premiumlösung für Profis?
Der Spezialist oder der Generalist?
Diese Analyse ist rein qualitativ. Aber sie entscheidet darüber, ob eine Mention ein Asset oder ein Liability ist.
Vom positionalen zum narrativen Trust
In der klassischen Suche war Vertrauen positional vermittelt. Platz 1 bedeutete implizite Autorität.
In der AI Search verschiebt sich Vertrauen ins Narrative. Die Maschine begründet ihre Empfehlung. Trust wird ausformuliert.
Das wirkt fundierter – ist für Nutzer aber oft auch intransparenter. Halluzinationsgefahr inklusive. Deshalb validieren Nutzer häufig über Brand Search. Sie prüfen das Maschinenurteil gegen menschliche Erfahrungsberichte.
Steigende Brand-Suchvolumina – besonders mit Zusätzen wie „Erfahrung“ oder „Preise“ – können daher ein Indikator für erfolgreiche AI Visibility sein. Die Kausalität ist nie isoliert beweisbar. Das Muster jedoch beobachtbar.
Das Propanthial-S-oxid der Messbarkeit
Beim Zwiebelschneiden weinen wir wegen eines Gases, das wir nicht sehen.
In der AI Visibility sind das die blinden Flecken:
- fehlende Clickstream-Daten
- unsichtbare Zero-Click-Sessions
- kaum belastbare Referrer aus Chat-Interfaces
Diese Unsichtbarkeit – oft als „Dark AI Traffic“ bezeichnet – erzeugt Unsicherheit. Viele Teams reagieren darauf mit Kontrollzwang. Mehr Tracking. Mehr Modelle. Mehr Hoffnung, die Lücken doch noch schließen zu können.
Doch dieses Problem ist inhärent.
Die strategische Antwort liegt nicht im vollständigen Schließen dieser Lücken – das ist technisch oft unmöglich –, sondern im Aufbau eines robusten Indikatorensystems, das Unschärfe akzeptiert, statt sie zu bekämpfen.
Die Grenze des Modells
Dabei müssen wir ehrlich sein:
Dieses Modell löst nicht das Problem der direkten Business-Impact-Messung.
Es gibt keine Formel, die eine Mention in Umsatz übersetzt.
Und das ist okay.
AI Visibility misst Wahrnehmung.
Revenue misst Transaktion.
Die Schichten der Zwiebel – Entity Salience, Mention, Recommendation – sind Leading Indicators. Sie sind qualitativ. Sie zeigen, wie die Maschine über eine Marke denkt und spricht.
Traffic, Leads und Umsatz sind Lagging Indicators. Sie sind quantitativ. Sie zeigen, was daraus im Business ankommt.
AI-Visibility-Metriken sind damit kein Steuerungsinstrument im klassischen Sinne, sondern Frühwarnsysteme. Sie machen Verschiebungen im Maschinenraum sichtbar, lange bevor sie sich in Traffic oder Sales niederschlagen.
Wer versucht, diese Signale direkt in Umsatzzahlen zu übersetzen, wird scheitern. Die Kausalität ist nie isoliert beweisbar. Die Korrelation hingegen ist systematisch beobachtbar – und nutzbar.
Nicht als Ersatz für Performance-Messung, sondern als zusätzlicher Input für Attributionsmodelle, die über Last-Click hinausdenken.
Fazit: Bewusster messen. Besser verstehen.
AI Visibility ist als quantitative Steuerungsgröße limitiert.
Ihr Wert liegt in der qualitativen Erkenntnis.
Wer hier Perfektion anstrebt, wird weinen.
Wer sie als Sentiment-Seismograph nutzt – als Frühwarnsystem für Wahrnehmungsverschiebungen – gewinnt Orientierung.
Sichtbarkeit ist kein Platz mehr auf einer Liste.
Sie ist ein Platz im Narrativ der Maschine.
Die entscheidende Frage lautet nicht mehr:
„Auf welchem Platz ranken wir?“
Sondern:
„Wie spricht die Maschine über uns – und warum?“
Mehr Notes On Search?