AI Visibility Check: Warum ein guter Run mehr sagt als hundert schnelle

Was ist ein AI Visibility Check?

Ein AI Visibility Check prüft, was KI-Systeme wie ChatGPT, Gemini, Perplexity, Claude oder die Google AI Overviews über ein Unternehmen sagen, und über seine Wettbewerber. Dafür werden den Modellen Fragen gestellt, wie sie Einkäufer, Ingenieure und Entscheider tatsächlich stellen: nach Anbietern für eine bestimmte Anwendung, nach Lösungen für ein technisches Problem oder nach Vergleichen zwischen Herstellern.

Anders als bei der klassischen Suchmaschinenoptimierung gibt es dabei keine Rankings und keine Positionen. Entscheidend ist, ob eine Marke in der Antwort vorkommt, wie sie beschrieben wird und auf welche Quellen sich die KI dabei stützt. 

Was eine Messung abbildet und was nicht

Eine Messung ist eine Momentaufnahme. Sie zeigt, wie die abgefragten Modelle zum Zeitpunkt der Messung antworten. Eine gute Analyse beantwortet dabei vier Fragen:

• Nennung: Wird die Marke genannt, wie oft und an welcher Stelle der Antwort?
• Themenfelder: In welchen Branchen, Anwendungen und Produktbereichen ist das Unternehmen stark, wo fehlt es?
• Quellen: Welche Websites, Fachportale und Drittseiten zitieren die KI-Systeme, und gehören die eigenen Inhalte dazu?
• Wettbewerb: Welche Anbieter werden stattdessen genannt, auch solche, die bisher auf keiner Wettbewerbsliste standen?

Was eine Messung nicht abbildet: Sie ist kein Traffic-Report und kein Ranking-Bericht. Sie zeigt auch nicht, was ein einzelner Nutzer in seinem Chatverlauf sieht, denn KI-Antworten sind zum Teil personalisiert. Sie zeigt das Bild, das die Modelle grundsätzlich von einem Unternehmen und seinem Markt haben, und genau darauf kommt es an.

Warum zig Runs wenig bringen

Viele Tools messen täglich oder wöchentlich, mit immer denselben Fragen. Das wirkt gründlich und liefert eindrucksvolle Kurven. Aussagekräftiger wird die Analyse dadurch aber kaum.

Der Grund: KI-Antworten schwanken. Dieselbe Frage kann heute etwas anders beantwortet werden als morgen, ohne dass sich an der Sichtbarkeit eines Unternehmens irgendetwas geändert hat. Tägliche Kurven bilden vor allem dieses Rauschen ab. Solange sich an Website, Inhalten und Quellen nichts ändert, bleiben die Muster dahinter stabil. Zig Wiederholungen bestätigen nur, was schon die erste Messung gezeigt hat.

Aussagekräftig wird eine Messung durch Breite, nicht durch Wiederholung: viele unterschiedliche Fragen, sauber nach Themen strukturiert und über mehrere Modelle hinweg gestellt. Die Modelle werden zu Beginn festgelegt, danach erhält jedes Modell exakt dieselben Fragen. So entsteht ein sauberer Vergleich zwischen den Modellen, und zufällige Ausreißer bei einzelnen Antworten gleichen sich über die Vielzahl der Fragen aus. Was bleibt, sind belastbare Muster, zum Beispiel ein Themenfeld, in dem eine Marke bei vielen Fragen und mehreren Modellen durchgängig fehlt.

Eine erneute Messung ist dann sinnvoll, wenn sich etwas verändert hat: nach der Umsetzung von Maßnahmen oder nach einem größeren Modell-Update.

Wie aiva misst

Genau nach diesem Prinzip arbeitet aiva, unsere beratungsgestützte AI Visibility Analysis für Industrieunternehmen:

• Gesteuerte Fragen statt Zufall: Im Kern arbeitet aipa, unsere Prompt-Infrastruktur. Sie erzeugt gezielte Fragen pro Industrie, Persona, Intent und Use Case. Die Fragen sind versioniert und jederzeit identisch wiederholbar.
• Fixierte Modellversionen: aiva misst nicht nur „ChatGPT“, sondern eine genau festgelegte Modellversion. So bleibt jede spätere Messung vergleichbar.
• Alle relevanten Modelle: die westlichen Frontier-Modelle wie ChatGPT, Gemini, Claude, Perplexity und Copilot sowie das chinesische LLM-Ökosystem mit DeepSeek, Doubao, Ernie, Qwen, Hunyuan und Kimi. Mehr dazu auf unserer Seite zur China-Kompetenz.
• Brand und Non-Brand getrennt: Wie gut eine Marke bei direkten Markenfragen abschneidet, sagt wenig darüber, ob sie bei generischen Fragen nach Lösungen empfohlen wird. aiva wertet beides getrennt aus, denn die große Lücke liegt fast immer bei den generischen Fragen.
• Offene Methodik: Dimensionen, Personas und Fragen liegen als Excel vor, nachvollziehbar und auditierbar.

Wie eine belastbare Messung im Detail aufgebaut ist, beschreibt unser Gastbeitrag AI Visibility Analyse im B2B: Der Kanal ohne Reporting im Blog des bvik.

Vom Run zur Maßnahme: der AEO-Regelkreis

Eine Messung ist nur so viel wert wie die Maßnahmen, die daraus folgen. Deshalb endet aiva nicht mit einem Dashboard, sondern mit priorisierten Handlungsempfehlungen, einer Opportunity-Map nach Wirkung und Aufwand und einem gemeinsamen Workshop. Die Empfehlungen verteilen sich auf drei Handlungsfelder: Technik, Content und Drittseiten.

Die Umsetzung übernimmt auf Wunsch unser Leistungsbereich AEO & GEO, auch gemeinsam mit Ihren bestehenden Agenturen. Für Inhalte, die KI-Systeme verstehen und zitieren, setzen wir unter anderem aiga ein, unseren AI Glossary Agent für Fach-Glossare und Buyer-Intent-FAQs.

Nach drei und sechs Monaten folgt die Re-Messung mit identischer Konfiguration: dieselben Fragen, dieselben Modellversionen. Erst jetzt ist eine weitere Messung wirklich aussagekräftig, weil sie zeigt, was die Maßnahmen bewirkt haben.
Messen, handeln, erneut messen: Das ist der AEO-Regelkreis.

Wie das in der Praxis aussieht, zeigt unsere Case Study Der Hub, den keine KI sehen konnte: ein Branchen-Hub, der ohne jede Zitationsspur startete und heute von KI-Systemen zitiert wird.

Fazit: Sichtbarkeit steuern statt Kurven beobachten

Ein AI Visibility Check ist kein Selbstzweck. Sein Wert liegt nicht in der Zahl der Messungen, sondern in der Qualität der Fragen, der Breite der Modelle und den Maßnahmen, die daraus folgen. Eine gut aufgebaute Messung zeigt die Muster. Die Re-Messung nach der Umsetzung zeigt die Wirkung. Alles dazwischen ist Rauschen.

Wo steht Ihr Unternehmen in den KI-Antworten Ihrer Kunden, und gegen wen verlieren Sie? 
Eine aiva-Analyse zeigt es Ihnen, aufgeschlüsselt nach Branchen, Anwendungen und Märkten, mit konkreten Empfehlungen. 
aiva kennenlernen
aiva-Broschüre herunterladen