AI-Sichtbarkeits-Monitoring: Tools und Methodik

Warum AI-Sichtbarkeit zur eigenen Disziplin wird

Ein wachsender Teil der B2B-Kaufrecherche beginnt nicht mehr in der klassischen Google-Suche, sondern in einem KI-Chat. Laut einer internationalen G2-Befragung starten 51 Prozent der B2B-Software-Käufer ihre Recherche inzwischen häufiger mit einem KI-Chatbot als mit Google, nach 29 Prozent im April 2025, und 71 Prozent verlassen sich bei der Software-Recherche auf KI-Chatbots. Diese Verschiebung hat direkte Folgen für die Lieferantenauswahl: In derselben Forschung gaben 69 Prozent der Käufer an, sich aufgrund der KI-Empfehlung für einen anderen Anbieter als ursprünglich geplant entschieden zu haben, und ein Drittel kaufte bei einem Anbieter, von dem es zuvor nie gehört hatte.

Wer in diesen Antworten nicht auftaucht, fällt aus der Shortlist, bevor der erste Website-Besuch stattfindet. Genau hier setzt AI-Sichtbarkeits-Monitoring an. Es beantwortet die Frage, ob, wie oft und mit welchem Sentiment eine Marke in den Antworten generativer Systeme erscheint, und liefert die Datengrundlage, um diese Präsenz gezielt zu steuern.

Im DACH-Raum ist das Thema kein Randphänomen mehr. In Deutschland nutzen 67 Prozent der Menschen ab 16 Jahren zumindest gelegentlich generative KI, gegenüber 40 Prozent im Vorjahr. In Österreich setzen 30 Prozent der Unternehmen ab 10 Beschäftigten 2025 KI ein, nach 20 Prozent (2024) und 11 Prozent (2023). Der Kanal wächst also auf beiden Seiten, bei den Recherchierenden und bei den anbietenden Unternehmen.

Was AI-Sichtbarkeits-Monitoring ist, und was es nicht ist

AI-Sichtbarkeits-Monitoring ist die systematische, wiederholte Messung, wie eine Marke in den Antworten generativer Suchsysteme erscheint. Es grenzt sich klar vom klassischen Rank-Tracking ab. Rank-Tracking misst eine Position für ein Keyword auf einer Ergebnisseite. AI-Monitoring misst hingegen, ob eine Marke in einer synthetisierten Textantwort genannt oder als Quelle zitiert wird, oft ohne dass es eine klassische Position gibt.

Rund um das Thema haben sich mehrere Begriffe etabliert, die zusammengehören:

• GEO (Generative Engine Optimization): Die Optimierung von Inhalten darauf, in generativen Antworten genannt und zitiert zu werden.
• AEO (Answer Engine Optimization): Eng verwandt, mit Fokus auf direkte Antwort-Engines wie ChatGPT oder Perplexity.
• AI Citation Tracking: Das Nachverfolgen, welche Quellen (URLs, Domains) ein KI-System für eine Antwort heranzieht.
• Share of AI Voice: Der Anteil der eigenen Marke an allen relevanten Markennennungen über ein definiertes Set von Anfragen, analog zum Share of Voice in der klassischen Markenforschung.

Die methodische Kernschwierigkeit unterscheidet AI-Monitoring grundlegend vom Rank-Tracking: KI-Antworten sind nicht deterministisch. Dieselbe Anfrage kann je nach Zeitpunkt, Kontext und Modellversion unterschiedliche Marken nennen. Eine einzelne Messung ist daher wertlos. Belastbar wird das Bild erst durch wiederholtes Sampling über ein stabiles Anfragen-Set.

Methodik: Das Polling-Modell und die Kern-KPIs

Bewährt hat sich ein Polling-Modell, das von der Logik der Wahlforschung inspiriert ist. Statt zu versuchen, jede denkbare Anfrage zu erfassen, definiert man ein repräsentatives Set von High-Intent-Anfragen als Stichprobenrahmen und misst diesen Rahmen wiederholt. Praktisch haben sich 250 bis 500 Anfragen als Größenordnung etabliert, die Aussagekraft und Aufwand ausbalanciert.

Der Aufbau des Anfragen-Sets ist die wichtigste und anspruchsvollste Aufgabe. Für B2B-DACH gelten dabei eigene Anforderungen:

• Kaufnahe Intention abbilden: Anfragen, die echte Auswahlentscheidungen widerspiegeln (zum Beispiel "beste CRM-Software für mittelständische Industrie in Österreich"), nicht nur generische Begriffe.
• Deutschsprachig und marktspezifisch formulieren: Anfragen in der Sprache und mit den regionalen Bezügen, die echte Käufer verwenden, inklusive Österreich-Bezug wo relevant.
• Wettbewerber- und Kategorie-Anfragen mischen: Sowohl markenneutrale Kategorie-Anfragen als auch direkte Vergleiche mit benannten Wettbewerbern.
• Use-Case- und Problem-Anfragen ergänzen: Viele B2B-Recherchen starten beim Problem, nicht beim Produktnamen.

Auf diesem Set werden vier zentrale KPIs gemessen:

• Share of AI Voice: Anteil der eigenen Marke an allen Markennennungen im Set. Die wichtigste Wettbewerbskennzahl.
• Citation- und Mention-Rate: Wie oft die Marke genannt (Mention) beziehungsweise als verlinkte Quelle zitiert wird (Citation). Beides ist zu trennen, da eine Nennung ohne Quellenlink anders wirkt als ein Zitat mit Link.
• Sentiment: In welchem Tonfall und Kontext die Marke erscheint, also positiv, neutral oder mit Einschränkungen.
• Quellen-Attribution: Welche eigenen und fremden URLs das System als Beleg heranzieht. Diese Kennzahl ist die direkte Brücke zur Optimierung.

Wegen der Instabilität der KI-Antworten ist die Messkadenz entscheidend. Eine wöchentliche oder häufigere Messung ist Pflicht. Monatliche Messungen verfehlen einen grossen Teil der Schwankungen und liefern ein verzerrtes Bild.

Welche Plattformen monitoren? Und warum die Logik je System anders ist

Ein vollständiges Monitoring deckt mehrere Systeme ab, weil jedes eine eigene Zitier-Logik hat und unterschiedlich relevant ist. ChatGPT dominiert den KI-Traffic deutlich: Laut einer internationalen Conductor-Auswertung von 13.770 Domains und über 3,3 Milliarden Sitzungen entfielen 87,4 Prozent des gesamten KI-Referral-Traffics auf ChatGPT. Auch in Deutschland ist ChatGPT mit 43 Prozent das meistgenutzte KI-Tool, vor Microsoft Copilot mit 39 Prozent und Google Gemini mit 28 Prozent.

Diese Systeme gehören in ein DACH-B2B-Monitoring:

• ChatGPT: Höchste Reichweite und größter Traffic-Treiber. Zieht Quellen teils aus eigenem Wissen, teils aus angebundener Websuche.
• Google AI Overviews und AI Mode: In die Google-Suche integriert, stark von der klassischen organischen Sichtbarkeit und von Markensignalen beeinflusst.
• Perplexity: Antwort-Engine mit konsequenter Quellenangabe, daher besonders gut für Citation-Tracking geeignet.
• Google Gemini: Im DACH-Raum relevant durch die Verbreitung im Google-Ökosystem.
• Microsoft Copilot: Im B2B-Umfeld durch die Integration in Microsoft 365 und Bing von Bedeutung.
• Claude: Im professionellen Einsatz verbreitet, mit eigener Quellenauswahl.

Die Konsequenz: Eine Marke kann in einem System prominent und im anderen unsichtbar sein. Ein KPI-Wert ohne Angabe der Plattform ist nicht interpretierbar. Das Monitoring muss je System getrennt ausweisen.

Tool-Vergleich: Vom Enterprise-Stack bis zur KMU-Lösung

Der Markt für AI-Monitoring-Tools ist jung und wird stark kapitalisiert. Wie ernst Investoren das Feld nehmen, zeigt die Finanzierung des Anbieters Profound: Das Unternehmen sammelte 96 Millionen US-Dollar in einer Series C bei einer Bewertung von 1 Milliarde US-Dollar ein, was die Gesamtfinanzierung auf 155 Millionen US-Dollar bringt, nach einer Series B über 35 Millionen US-Dollar im August 2025. Bei der Tool-Auswahl zählen für österreichische B2B-KMU vor allem vier Kriterien: Engine-Abdeckung, Sprach- und Marktunterstützung, Preismodell und die Tiefe der Quellen-Attribution.

• Profound: Enterprise-Tier mit breiter Engine-Abdeckung und tiefer Analyse. Funktionsstark, aber preislich und vom Umfang her auf größere Organisationen ausgerichtet.
• Otterly AI: Auf KMU zugeschnitten, mit günstigerem Einstieg und Fokus auf Markennennungen und Share of Voice über die wichtigsten Engines.
• Ahrefs Brand Radar: In das Ahrefs-Ökosystem integriert, verbindet AI-Monitoring mit der bestehenden SEO- und Backlink-Datenbasis. Vorteil für Teams, die Ahrefs ohnehin nutzen.
• Semrush und SE Ranking: Etablierte SEO-Suiten mit zunehmenden AI-Tracking-Funktionen, sinnvoll für eine konsolidierte Tool-Landschaft.

Für ein österreichisches B2B-KMU ist die entscheidende Frage selten "welches Tool hat die meisten Funktionen", sondern "welches deckt die für meinen Markt relevanten Engines in deutscher Sprache ab und passt ins Budget". Ein günstigeres, gut bedientes Tool schlägt einen ungenutzten Enterprise-Vertrag. Wichtig ist zudem, vor dem Abschluss zu prüfen, wie das Tool deutschsprachige Anfragen und den DACH-Markt tatsächlich abbildet, da viele Anbieter primär auf den US-Markt optimiert sind.

Die Off-Page-Verbindung: Warum AI-Sichtbarkeit auf Markensignalen beruht

AI-Sichtbarkeit ist kein isoliertes Phänomen, sondern eng mit klassischem Off-Page-SEO verbunden. Generative Systeme bevorzugen Marken, die im Web häufig und konsistent erwähnt werden. Eine internationale Ahrefs-Analyse von 75.000 Marken zeigt, dass Branded Web Mentions mit 0,664 deutlich stärker mit der Sichtbarkeit in Google AI Overviews korrelieren als die reine Zahl der Backlinks mit 0,218, also rund dreimal so stark.

Das verschiebt den Hebel von der klassischen Linkzahl hin zu Markensignalen und Entitäten. Diese Off-Page-Faktoren treiben AI-Zitierungen:

• Brand Mentions, verlinkt und unverlinkt: Häufige Nennungen des Markennamens im relevanten Umfeld stärken die Entität, auch ohne Link. Unverlinkte Erwähnungen sind daher kein verlorenes Potenzial.
• Entity SEO: Eine klar definierte, konsistente Entität über Website, Wikipedia, Branchenverzeichnisse und strukturierte Daten hilft KI-Systemen, die Marke korrekt zuzuordnen.
• Earned Media und Digital PR: Redaktionelle Erwähnungen in glaubwürdigen Medien liefern genau die Belege, die generative Systeme bevorzugt zitieren.
• Reviews und Reputation: Bewertungen und konsistente Reputationssignale beeinflussen, in welchem Kontext und Sentiment eine Marke genannt wird.

Diese Logik deckt sich mit Erkenntnissen aus dem Google-Dokumenten-Leak von 2024. Die durchgesickerten 2.596 Module mit 14.014 Attributen bestätigten unter anderem eine siteAuthority-Metrik und klickbasierte NavBoost-Signale. Die Kernempfehlung der Analyse lautete, eine bekannte, anerkannte Marke ausserhalb der reinen Google-Suche aufzubauen. Genau dieser Markenaufbau zahlt heute doppelt ein, in die klassische Suche und in die AI-Sichtbarkeit.

Von Monitoring zu Optimierung: Massnahmen aus den Daten ableiten

Monitoring ist Mittel zum Zweck. Der Wert entsteht erst, wenn aus den Daten konkrete GEO- und AEO-Massnahmen abgeleitet werden. Die Quellen-Attribution ist dabei der wichtigste Ansatzpunkt: Sie zeigt, welche Inhalte KI-Systeme heranziehen, und damit, wo eigene Inhalte fehlen oder verbessert werden müssen.

Welche inhaltlichen Hebel wirken, ist empirisch belegt. Eine wissenschaftliche Untersuchung zur Generative Engine Optimization zeigt anhand eines Benchmarks mit 10.000 Anfragen, dass das Hinzufügen von Zitaten, Quellenangaben und Statistiken die Sichtbarkeit einer Quelle in generativen Antworten um bis zu 40 Prozent steigern kann. Daraus ergeben sich klare Prioritäten:

• Statistiken und Zahlen einbauen: Inhalte mit konkreten, belegten Daten werden bevorzugt zitiert.
• Quellen und Zitate ergänzen: Nachvollziehbare Belege erhöhen die Zitierwahrscheinlichkeit.
• Strukturierte Daten pflegen: Schema-Markup hilft Systemen, Inhalte und Entitäten korrekt zu erfassen.
• Digitale PR gezielt einsetzen: Wo das Monitoring zeigt, dass Wettbewerber über bestimmte Medien zitiert werden, ist redaktionelle Präsenz in eben diesen Quellen der direkte Hebel.
• Inhaltslücken schliessen: Anfragen, bei denen die Marke fehlt, markieren konkreten Content-Bedarf.

Dieser Kreislauf, also messen, Lücke erkennen, Inhalt oder PR-Massnahme umsetzen, erneut messen, ist der eigentliche Betriebsmodus von AI-Sichtbarkeits-Arbeit.

DACH- und Österreich-Spezifika: Datenquellen und DSGVO

Ein Monitoring, das nur den US-Markt abbildet, geht an der DACH-Realität vorbei. Relevant ist, ob und wie regionale Quellen in die Bewertung einfliessen. Dazu zählen die WKO und ihre Verzeichnisse, österreichische und deutschsprachige Fachmedien, Berufsnetzwerke wie LinkedIn und XING sowie regionale Branchenverzeichnisse. Diese Quellen sind oft die Belege, über die eine DACH-Marke in deutschsprachigen KI-Antworten überhaupt erst zitierfähig wird. Beim Aufbau des Anfragen-Sets und bei der Bewertung der Quellen-Attribution sollten sie daher bewusst berücksichtigt werden.

Der Datenschutz ist beim Tooleinsatz kein Nebenthema. Die meisten AI-Monitoring-Anbieter sitzen in den USA und verarbeiten Anfragen sowie Marken- und teils personenbezogene Daten auf Servern in Drittländern. Daraus ergeben sich konkrete Pflichten:

• Drittland-Transfer prüfen: Bei Anbietern mit US-Datenverarbeitung ist eine gültige Rechtsgrundlage für den Transfer erforderlich.
• Auftragsverarbeitung regeln: Wo personenbezogene Daten verarbeitet werden, braucht es einen Auftragsverarbeitungsvertrag (AVV).
• Prompt- und Markendaten bewerten: Prüfe, welche Anfragen und Inhalte das Tool speichert und ob darin sensible Informationen enthalten sein können.
• Datensparsamkeit wahren: Keine personenbezogenen oder vertraulichen Daten in Monitoring-Anfragen aufnehmen, die dort nicht hingehören.

Diese Punkte gehören vor den Vertragsabschluss, nicht danach. Eine saubere DSGVO-Bewertung ist Teil der Tool-Auswahl.

Reporting und ROI: AI-Sichtbarkeit auf Geschäftsergebnisse mappen

Damit AI-Monitoring intern Bestand hat, muss es an Geschäftsergebnisse anschliessen, nicht bei Eitelkeitskennzahlen stehen bleiben. Die Brücke bilden Referral-Traffic und der Einfluss auf die B2B-Shortlist. Der Anteil ist absolut noch klein, aber strukturell bedeutsam: Laut der internationalen Conductor-Auswertung stammten 1,08 Prozent des gesamten Web-Traffics aus KI-Referrals. Entscheidend ist die Qualität dieses Traffics, denn er kommt aus einer kaufnahen Recherchephase.

Praktisch lässt sich AI-Sichtbarkeit über mehrere Ebenen mit dem Geschäft verknüpfen:

• Referral-Traffic messen: KI-Quellen wie ChatGPT lassen sich in der Webanalyse als Referral-Quelle identifizieren und im Zeitverlauf beobachten.
• Conversion zuordnen: Verknüpfe KI-Referral-Traffic mit Leads und Abschlüssen, um den Beitrag zur Pipeline sichtbar zu machen.
• Shortlist-Einfluss erfassen: Da die KI-Empfehlung nachweislich die Anbieterwahl verändert, ist die Präsenz im Anfragen-Set selbst eine frühe Leistungskennzahl, auch ohne sofortigen Klick.
• Wettbewerbsentwicklung berichten: Der Share of AI Voice im Zeitverlauf zeigt, ob die Marke gegenüber dem Wettbewerb gewinnt oder verliert.

Ein gutes Reporting kombiniert die Monitoring-KPIs (Share of AI Voice, Citation-Rate, Sentiment) mit den Geschäftskennzahlen (Referral-Traffic, Conversion) zu einer durchgängigen Kette von der Sichtbarkeit bis zum Ergebnis.

Häufige Fehler im AI-Sichtbarkeits-Monitoring

• Aus einer Einzelmessung schliessen: Eine einmalige Abfrage ignoriert die Instabilität der KI-Antworten und führt zu Fehlentscheidungen.
• Zu seltene Kadenz: Monatliche Messungen verfehlen einen Grossteil der Schwankungen. Mindestens wöchentlich ist Pflicht.
• Nur eine Plattform betrachten: Wer nur ChatGPT misst, übersieht die abweichende Logik von AI Overviews, Perplexity, Gemini, Copilot und Claude.
• Mention und Citation verwechseln: Eine Nennung ohne Quellenlink ist nicht dasselbe wie ein verlinktes Zitat. Beide getrennt auszuweisen ist wichtig.
• Unrepräsentatives Anfragen-Set: Generische statt kaufnaher Anfragen, oder ein rein englischsprachiges Set für einen DACH-Markt, verzerrt das Ergebnis.
• Monitoring ohne Konsequenz: Daten zu sammeln, ohne daraus GEO-Massnahmen abzuleiten, erzeugt Kosten ohne Wirkung.
• DSGVO erst nachgelagert prüfen: Drittland-Transfer und Auftragsverarbeitung gehören vor die Tool-Auswahl, nicht danach.

Metriken und Messung: Ein schlanker Stack ohne Enterprise-Budget

Wirksames Monitoring braucht kein grosses Budget. Für österreichische B2B-KMU lässt sich ein belastbarer Stack aus drei Bausteinen aufbauen.

Erstens ein bezahlbares Tool für KMU, das die wichtigsten Engines abdeckt und Share of AI Voice sowie Citation-Rate über das Anfragen-Set automatisiert misst. Zweitens eine regelmäßige manuelle Prompt-Prüfung: Die zehn bis zwanzig wichtigsten Anfragen werden zusätzlich von Hand in den relevanten Systemen gestellt und dokumentiert. Das deckt Nuancen ab, die automatisierte Tools übersehen, und schärft das Gefühl für die tatsächlichen Antworten. Drittens das Tracking der AI-Referrals über die vorhandene Webanalyse und die Google Search Console, um die Brücke zum Traffic und zu den Rankings zu schlagen.

Sinnvolle Kennzahlen für dieses Setup sind der Share of AI Voice je Plattform, die Citation- und Mention-Rate, das Sentiment der Nennungen, die Liste der zitierten Quellen-URLs sowie der KI-Referral-Traffic mit den daraus entstehenden Leads. Halte diese Werte je Messzyklus in einer einfachen Tabelle fest und vergleiche Trends, nicht Einzelwerte. So entsteht aus einem schlanken, günstigen Aufbau ein belastbares Bild der AI-Sichtbarkeit, das direkt in Optimierungsmassnahmen mündet.

Wiederhole die Messung mindestens wöchentlich und das tiefere Reporting monatlich. So erkennst du Verschiebungen frühzeitig und kannst reagieren, bevor der Wettbewerb in den KI-Antworten dauerhaft die Oberhand gewinnt.

Weiterführendes

AI-Sichtbarkeits-Monitoring ist der Messteil eines größeren Kreislaufs aus Beobachtung und Optimierung. Baue auf den Monitoring-Daten eine priorisierte GEO- und Digital-PR-Roadmap auf, die nach Wirkung und Aufwand sortiert ist. Verknüpfe das Monitoring mit den angrenzenden Off-Page-Themen, also Brand Mentions, Entity SEO, Earned Media und Reputationsmanagement, da diese die eigentlichen Treiber der AI-Zitierungen sind. Für den DACH-Raum lohnt es sich, deutschsprachige Quellen und regionale Plattformen wie WKO, Fachmedien sowie LinkedIn und XING bewusst in Anfragen-Set und Quellenbewertung aufzunehmen.