Brand Mentions vs. Backlinks: Die Ahrefs 75K-Brand-Studie

Warum Brand Mentions für die KI-Sichtbarkeit jetzt entscheidend sind

Die Logik der Auffindbarkeit verschiebt sich. Im klassischen SEO entschied über Jahre der Link-Graph: Wer mehr und bessere Backlinks hatte, rankte höher. In KI-Suchsystemen wie ChatGPT Search, Perplexity, Google AI Overviews und dem Google AI Mode gilt diese Gleichung nicht mehr. Eine groß angelegte Auswertung von Ahrefs liefert dafür den bislang deutlichsten Beleg.

Ahrefs hat nach eigenen Angaben 75.000 Marken analysiert, um zu verstehen, welche Faktoren Markennennungen in AI Overviews beeinflussen. Das Ergebnis ist für die Praxis unbequem: Nicht Backlinks, sondern Markenerwähnungen im offenen Web korrelieren am stärksten mit KI-Sichtbarkeit. In einer zweiten Auswertung über drei KI-Systeme hinweg zeigte sich, dass YouTube-Erwähnungen mit etwa 0,737 die stärkste Korrelation mit KI-Sichtbarkeit aufweisen, stärker als jeder andere getestete Faktor.

Für B2B-Unternehmen im DACH-Raum ist das kein akademisches Detail. Die Nutzung von KI-Suche wächst schnell. In Deutschland verwenden laut Bitkom bereits 50 Prozent der Internetnutzenden ab 16 Jahren zumindest gelegentlich KI-Chats statt klassischer Suchmaschinen, 12 Prozent sogar überwiegend oder ausschließlich. In Österreich nutzen nach einer Erhebung von Reppublika und Handelsverband rund 70 Prozent der Konsumenten zumindest selten einen KI-Dienst. Wer in diesen Antworten nicht vorkommt, verschwindet aus einem wachsenden Teil der Customer Journey.

Die Ahrefs-75K-Studie im Detail: Methodik und Befunde

Die Studie basiert auf Spearman-Rangkorrelationen zwischen klassischen Such- und Markensignalen einerseits und der Häufigkeit von Markennennungen in KI-Antworten andererseits. Betrachtet wurden Domains mit einem Domain Rating über 40, also etablierte Marken, nicht Nischen-Websites. Die wichtigste Rangfolge der Korrelationen ist eindeutig off-site-lastig: Branded Web Mentions korrelieren mit 0,664, branded Anchors mit 0,527 und das branded Suchvolumen mit 0,392, während die Zahl der Backlinks nur 0,218 erreicht.

Daraus ergibt sich der zentrale Befund: Markenerwähnungen korrelieren etwa dreimal so stark mit KI-Sichtbarkeit wie Backlinks. Die Auswertung über die drei KI-Systeme bestätigt das Bild und differenziert es. Die Korrelation der Branded Web Mentions liegt bei AI Mode bei 0,709, bei ChatGPT bei 0,664 und bei AI Overviews bei 0,656. Backlinks und URL Rating zeigen über alle Systeme hinweg nur sehr schwache Zusammenhänge.

Ein methodischer Hinweis ist wichtig: Korrelation ist nicht Kausalität. Starke Marken werden viel erwähnt und erscheinen häufig in KI-Antworten, beides kann eine gemeinsame Ursache haben, etwa Bekanntheit und Relevanz. Die Studie beweist nicht, dass eine zusätzliche Erwähnung mechanisch eine zusätzliche KI-Nennung erzeugt. Sie zeigt aber sehr deutlich, dass das traditionelle Backlink-Signal in der KI-Welt an Erklärungskraft verliert und Markensignale an dessen Stelle treten. Für die Priorisierung von Ressourcen ist das die entscheidende Information.

Warum LLMs Marken aus Kontext statt aus Links verstehen

Der 3:1-Abstand zwischen Markenerwähnungen und Backlinks lässt sich aus der Funktionsweise großer Sprachmodelle erklären. Klassische Suchmaschinen bewerten Autorität historisch über den Link-Graphen: Ein Link ist eine zählbare Empfehlung von Domain zu Domain. Sprachmodelle arbeiten anders. Sie lernen aus Text und leiten Bedeutung aus Wort-Kontext und Ko-Okkurrenz ab, also daraus, in welchen Zusammenhängen ein Markenname gemeinsam mit bestimmten Themen, Kategorien und Attributen auftaucht.

Für ein LLM ist die Aussage "Anbieter X ist führend bei Lösung Y für Branche Z" auch dann ein starkes Signal, wenn sie keinen Link enthält. Genau hier liegt der Bruch mit dem klassischen Linkbuilding: Unverlinkte Erwähnungen, sogenannte Unlinked Mentions, waren im traditionellen SEO weitgehend wertlos. Für die KI-Sichtbarkeit sind sie ein Kernsignal, weil das Modell den Markennamen und seinen semantischen Kontext aufnimmt, unabhängig von einem Hyperlink.

Daraus folgt eine strategische Verschiebung. Statt Domains nach Linkpotenzial zu bewerten, zählt, wie oft, in welchem Kontext und wie konsistent eine Marke im Web mit ihren Kernthemen genannt wird. Co-Citation, also die gemeinsame Nennung mit relevanten Begriffen und Wettbewerbern, wird wichtiger als der einzelne dofollow-Link. Das verändert, mit welchen Maßnahmen Sichtbarkeit überhaupt aufgebaut wird.

YouTube als unterschätzter GEO-Kanal

Der überraschendste Befund der Studie betrifft Video. Über alle drei KI-Systeme hinweg sind YouTube-Erwähnungen mit rund 0,737 das stärkste Einzelsignal für KI-Sichtbarkeit, noch vor den ohnehin starken Branded Web Mentions. Plausibel ist das, weil Google und seine KI-Systeme YouTube-Inhalte direkt verarbeiten können und Transkripte eine reichhaltige, thematisch dichte Textquelle bilden, in der Marken im Klartext genannt werden.

Für B2B im DACH-Raum bedeutet das nicht, einen Unterhaltungskanal aufzubauen. Es bedeutet, Fachwissen systematisch als Video zu verankern:

• Experten-Formate: Kurze, fokussierte Erklärvideos zu Fachfragen, in denen Unternehmen und Produkt explizit benannt werden, nicht nur im Titel, sondern im gesprochenen Wort.
• Webinar-Aufzeichnungen: Bestehende B2B-Webinare als YouTube-Videos mit sauberem Transkript zweitverwerten.
• Produkt- und Anwendungsvideos: Use Cases und Implementierungen mit klarer Nennung von Branche, Problem und Lösung, damit die Ko-Okkurrenz für das Modell erkennbar wird.
• Konsistente Benennung: In jedem Video Marken-, Produkt- und Themenbegriffe ausformuliert verwenden, da KI-Systeme primär den Transkripttext auswerten.

YouTube wird damit vom Reichweitenkanal zum Sichtbarkeitssignal für KI-Antworten. Wichtig bleibt der methodische Vorbehalt: Korrelation belegt keine Garantie. Aber kein anderer Kanal zeigt in der Studie einen vergleichbar starken Zusammenhang.

Earned Media und Digital PR statt klassischem Linkbuilding

Wenn Markenerwähnungen das entscheidende Signal sind, verschiebt sich der Hebel von der eigenen Domain auf fremde, glaubwürdige Quellen. Eine Auswertung von Muck Rack über mehr als eine Million KI-Prompts ergab laut der begleitenden Mitteilung, dass 85,5 Prozent der KI-Zitate aus Earned Media stammen, nicht von Marken-Websites. Die eigene Website ist also notwendig, aber für die Zitierfähigkeit in KI-Antworten bei Weitem nicht hinreichend.

Daraus folgt eine andere PR-Logik als im klassischen Linkbuilding. Ziel ist nicht primär der gesetzte Link, sondern die kontextstarke Nennung in Quellen, denen KI-Systeme vertrauen:

• Fachmedien und Branchenportale: Beiträge, Interviews und Fachkommentare in einschlägigen B2B-Publikationen, in denen die Marke mit ihren Kernthemen genannt wird.
• Unlinked Mentions akzeptieren: Erwähnungen ohne Link sind kein Misserfolg mehr, sondern ein valides Signal, das aktiv gesucht werden sollte.
• Konsistente Entitäts-Beschreibung: Über alle Quellen hinweg dieselbe, klare Positionierung kommunizieren, damit das Modell ein stabiles Markenverständnis aufbaut.
• Digital PR statt Outreach für Links: Themen und Daten platzieren, die zitiert werden, statt Linktausch zu betreiben.

Für österreichische und deutsche B2B-Marken heißt das konkret, in den relevanten deutschsprachigen Fachmedien präsent zu sein, da KI-Systeme regionale Quellen für regionale Anfragen heranziehen.

Front-Loading und Answer Islands: On-Page-Taktiken aus der GEO-Forschung

Earned Media baut das Markensignal extern auf. On-Page entscheidet, ob die eigenen Inhalte überhaupt zitierfähig sind. Die akademische Grundlage liefert die Princeton-Studie zur Generative Engine Optimization, die zeigt, dass GEO die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann. Wirksam sind dabei vor allem Inhalte, die für ein Sprachmodell leicht extrahierbar sind.

Zwei Prinzipien stehen im Mittelpunkt. Front-Loading bedeutet, die Antwort an den Anfang zu stellen: Jeder Abschnitt beginnt mit einer klaren, eigenständigen Aussage, bevor Begründung und Kontext folgen. Answer Islands sind in sich geschlossene Textblöcke, die ein Modell als Ganzes zitieren kann, ohne den restlichen Artikel zu benötigen.

Praktisch heißt das: Statistiken mit Quelle, prägnante Definitionen und gut formulierte, faktenstarke Sätze erhöhen die Wahrscheinlichkeit, zitiert zu werden. Genau diese Elemente, Zahlen, belegte Aussagen und sprachliche Klarheit, identifiziert die GEO-Forschung als Hebel. Für die Praxis bedeutet das, jeden zentralen Sachverhalt so zu formulieren, dass er ohne Umformulierung in eine KI-Antwort passt.

AI-Referral-Traffic und Conversion: warum der ROI trotz geringem Volumen stimmt

Ein häufiger Einwand gegen GEO lautet, KI-Suche bringe kaum messbaren Traffic. Das Volumen ist tatsächlich gering, der Wert pro Besuch jedoch hoch. Ahrefs berichtet für die eigene Website, dass 0,5 Prozent des Traffics aus KI-Suche 12,1 Prozent aller Signups erzeugten und KI-Besucher rund 23-mal häufiger konvertieren als klassischer organischer Suchtraffic. Eine breitere Auswertung von Semrush kommt in dieselbe Richtung: Der durchschnittliche KI-Such-Besucher ist gemessen an der Conversion-Rate 4,4-mal so wertvoll wie ein klassischer organischer Besuch.

Die Erklärung liegt in der Funnel-Position. Wer einer KI-Antwort folgt, hat seine Frage bereits präzisiert und ist näher an der Entscheidung. Für B2B mit hohen Vertragswerten verschiebt das die Rechnung deutlich. Selbst wenige hochqualifizierte Besuche rechtfertigen Investitionen, wenn die Conversion entsprechend hoch ist.

Das Volumen dürfte zudem steigen. AI Overviews wurden laut Semrush im Jahresverlauf 2025 von 6,49 Prozent der Anfragen im Januar auf 24,61 Prozent im Juli und 15,69 Prozent im November ausgelöst, und Semrush erwartet, dass KI-Suche bis Anfang 2028 mehr Besucher auf Websites bringen könnte als die klassische Suche. Wer früh in das Markensignal investiert, baut Vorsprung in einem wachsenden Kanal auf.

Share of Model: die neue Metrik richtig messen

Klassische Rankings greifen für KI-Sichtbarkeit zu kurz. Die relevante Größe ist der Share of Model, manchmal auch Share of Citation genannt: Wie oft, wie prominent und wie positiv eine Marke in KI-Antworten erscheint, relativ zum Wettbewerb. Das ist kein einzelner Wert, sondern ein Bündel von Kennzahlen.

• Erwähnungshäufigkeit: Bei welchem Anteil eines definierten Sets relevanter Prompts wird die Marke überhaupt genannt?
• Share of Voice in KI-Antworten: Anteil der eigenen Nennungen gegenüber den genannten Wettbewerbern.
• Zitierte Quellen: Welche Domains werden als Beleg verlinkt, und ist die eigene Marke darunter?
• Tonalität: Wird die Marke neutral, positiv oder im Vergleich nachteilig dargestellt?
• Plattform-Abdeckung: In welchen Systemen erscheint die Marke, in ChatGPT, Perplexity, AI Overviews oder AI Mode?

Die Skala der Effekte unterstreicht, warum diese Messung lohnt. Marken im obersten Quartil der Web-Erwähnungen erhielten in der Ahrefs-Studie im Schnitt rund 169 AI-Overview-Nennungen, über zehnmal so viele wie das nächste Quartil mit etwa 14 Nennungen. Die beiden unteren Quartile tauchen praktisch nicht auf. KI-Sichtbarkeit verteilt sich also extrem ungleich, was die Messung des eigenen Standorts und der Lücke zum Wettbewerb umso wichtiger macht.

Plattformunterschiede: nicht jedes System gewichtet Marken gleich

Die Studie zeigt, dass die KI-Systeme Markensignale unterschiedlich stark gewichten. Über mehrere Metriken hinweg, darunter Branded Web Mentions, branded Anchors und branded Suchvolumen, weist AI Mode durchgängig stärkere Korrelationen mit klassischen Markensignalen auf als ChatGPT oder AI Overviews. Ahrefs beschreibt AI Mode deshalb als eine Art Konsens-Maschine, die bevorzugt Marken empfiehlt, die ohnehin viele Menschen kennen und suchen.

Für die Priorisierung folgt daraus eine klare Linie. In Systemen, die stark auf etablierte Markensignale setzen, zahlen Bekanntheit und konsistente Erwähnungen besonders ein. Systeme mit schwächerer Markenkopplung lassen tendenziell mehr Raum für gut strukturierte, themenstarke Inhalte auch von weniger bekannten Anbietern. Eine sinnvolle GEO-Strategie verfolgt deshalb beide Spuren parallel: das Markensignal über Earned Media und Video stärken und gleichzeitig zitierfähige On-Page-Inhalte aufbauen. Welche Plattform für ein konkretes Geschäft am wichtigsten ist, hängt davon ab, wo die eigene Zielgruppe tatsächlich sucht, was Teil der Messung sein sollte.

Häufige Fehler

• Budget weiter primär in Backlinks stecken: Die Studie zeigt, dass Backlinks mit 0,218 nur schwach mit KI-Sichtbarkeit korrelieren. Reines Linkbuilding adressiert das falsche Signal.
• Unlinked Mentions ignorieren: Wer Erwähnungen ohne Link als wertlos abtut, übersieht das zentrale Markensignal für Sprachmodelle.
• Video kategorisch ausschließen: YouTube ist der stärkste Einzelprädiktor der Studie. Es als B2B-untauglich abzutun, verschenkt den größten gemessenen Hebel.
• Nur die eigene Domain optimieren: Mit 85,5 Prozent stammt der Großteil der KI-Zitate aus Earned Media. Die eigene Website allein reicht nicht.
• GEO am Traffic-Volumen messen: KI-Traffic ist gering, aber hochkonvertierend. Wer nur Sitzungen zählt, unterschätzt den ROI systematisch.
• Alle Plattformen gleich behandeln: AI Mode, ChatGPT und AI Overviews gewichten Markensignale unterschiedlich. Eine pauschale Taktik verschenkt Priorisierung.
• Korrelation als Kausalität verkaufen: Die Zahlen zeigen Zusammenhänge, keine Garantien. Seriöse GEO-Arbeit kommuniziert das offen.

llms.txt-Realitätscheck

Im GEO-Umfeld wird die Datei llms.txt häufig als technische Lösung gehandelt. Sie ist ein vorgeschlagener Standard, der KI-Systemen in einer strukturierten Markdown-Datei zeigen soll, welche Inhalte einer Website besonders relevant sind. Der nüchterne Befund: llms.txt ist ein Vorschlag, kein von den großen KI-Anbietern breit unterstützter, verbindlicher Standard. Die Datei kann Struktur und Orientierung bieten, ersetzt aber kein Markensignal.

Die Ahrefs-Daten machen die Prioritäten deutlich. Wenn Markenerwähnungen rund dreimal stärker mit KI-Sichtbarkeit korrelieren als Backlinks und der Großteil der Zitate aus Earned Media stammt, dann liegt der Hebel nicht in einer technischen Datei, sondern im Aufbau von Erwähnungen, Video-Präsenz und zitierfähigen Inhalten. Technische GEO-Dateien sind bestenfalls ein Beitrag zur Sauberkeit, nicht der entscheidende Faktor. Wer knappe Ressourcen hat, investiert sie zuerst in das Markensignal.

Metriken und Messung im Überblick

Eine belastbare GEO-Messung kombiniert externe Signale mit konkreter Sichtbarkeitsbeobachtung. Sinnvoll ist ein monatlicher Rhythmus:

• Brand-Mention-Volumen und -Kontext: Entwicklung der Erwähnungen im Web, inklusive unverlinkter Nennungen, und in welchem thematischen Umfeld sie erscheinen.
• Share of Model: Anteil der eigenen Nennungen an einem festen Set relevanter Prompts, getrennt nach ChatGPT, Perplexity, AI Overviews und AI Mode.
• Zitierte Quellen: Welche Domains KI-Systeme als Beleg heranziehen und ob die eigene Marke oder eigene Earned-Media-Quellen darunter sind.
• AI-Referral-Traffic und Conversion: In GA4 über die Referrer und Quell-Kanäle KI-Domains erfassen und die Conversion-Rate getrennt vom organischen Traffic ausweisen, um den hohen Wert pro Besuch sichtbar zu machen.
• Video-Präsenz: Reichweite und Erwähnungen der eigenen Themen auf YouTube, da dies das stärkste gemessene Signal ist.

Realistisch ist ein Zeithorizont von mehreren Monaten. KI-Systeme aktualisieren ihre Wissensbasis verzögert, und Markensignale bauen sich über konsistente Erwähnungen langsam auf.

Weiterführendes

Die Ahrefs-75K-Studie verschiebt die Grundannahme der Auffindbarkeit. Für KI-Suchsysteme zählt das Markenverständnis, das Sprachmodelle aus Erwähnungen, Kontext und Video ableiten, deutlich stärker als der klassische Link-Graph. Für B2B-Marken im DACH-Raum ergibt sich daraus eine klare Reihenfolge: zuerst das Markensignal über Earned Media, Fachmedien und YouTube stärken, dann zitierfähige On-Page-Inhalte mit Front-Loading aufbauen und schließlich Share of Model sowie AI-Referral-Conversion messen. Technische GEO-Dateien und reines Linkbuilding bleiben nachrangig. Wer früh in einen Kanal investiert, in dem die KI-Sichtbarkeit extrem ungleich verteilt ist, sichert sich überproportionale Chancen, bevor der Wettbewerb nachzieht.