AI Answer Inclusion Rate: KI-Sichtbarkeit messen

Warum die AI Answer Inclusion Rate jetzt zur Pflicht-Metrik wird

Suchverhalten verschiebt sich. Statt zehn blaue Links lesen Nutzer immer häufiger eine fertige KI-Antwort. In Deutschland nutzen bereits 67 Prozent der Menschen ab 16 Jahren zumindest gelegentlich generative KI, nach 40 Prozent im Vorjahr. Die meistgenutzten Systeme sind laut Bitkom ChatGPT mit 43 Prozent, Microsoft Copilot mit 39 Prozent und Google Gemini mit 28 Prozent.

Parallel verändert sich die klassische Suche. Die Präsenz von Google AI Overviews stieg laut Semrush von 6,49 Prozent der Keywords im Januar 2025 auf 24,61 Prozent im Juli 2025 und sank bis November 2025 auf 15,69 Prozent (Basis: über 10 Millionen Keywords). Diese KI-Antworten kosten Klicks: Laut einer Ahrefs-Analyse korreliert ein AI Overview mit einer um 58 Prozent niedrigeren durchschnittlichen Klickrate. Die CTR auf Position 1 fiel dabei von 0,073 im Dezember 2023 auf 0,016 im Dezember 2025.

Wer in der KI-Antwort nicht vorkommt, verliert Sichtbarkeit, auch bei gutem Ranking. Genau hier setzt die AI Answer Inclusion Rate an: Sie macht messbar, ob eine Marke in KI-Antworten überhaupt auftaucht.

Definition und Abgrenzung: Inclusion Rate, Citation Rate, Mention Rate

Die AI Answer Inclusion Rate misst den Anteil der relevanten KI-Antworten, in denen eine Marke erwähnt oder als Quelle zitiert wird. Sie ist die zentrale GEO-Metrik (Generative Engine Optimization) für die Bewertung der KI-Sichtbarkeit.

In der Praxis werden vier Begriffe oft vermischt. Eine saubere Trennung ist die Grundlage für belastbares Reporting:

• Inclusion Rate: der Oberbegriff. Anteil der Prompts, bei denen die Marke in irgendeiner Form (Nennung oder Zitat) in der Antwort erscheint. Formel: Antworten mit Marke geteilt durch Gesamtzahl der Antworten.
• Citation Rate: engerer Begriff. Anteil der Antworten, in denen die Domain explizit als verlinkte Quelle zitiert wird. Relevant für Plattformen mit Quellenangaben wie Perplexity oder Google AI Overviews.
• Mention Rate: Anteil der Antworten, in denen der Markenname im Fliesstext genannt wird, auch ohne Quellenlink. Wichtig für Systeme wie ChatGPT, die Marken oft nennen, aber nicht verlinken.
• Share of Voice (SOV): der relative Wert. Anteil der eigenen Marke an allen Marken-Nennungen oder Zitaten zu einem Themenfeld. SOV setzt die eigene Inclusion Rate ins Verhältnis zum Wettbewerb.

Faustregel: Inclusion Rate beantwortet "Komme ich vor?", Citation Rate "Werde ich verlinkt?", Mention Rate "Werde ich genannt?" und Share of Voice "Wie stehe ich gegen den Wettbewerb?". Im Management-Reporting solltest du immer benennen, welche Variante du misst.

Messmethodik: Prompt-Set, Sampling und der Non-Determinismus der LLMs

Die größte Fehlerquelle bei der Messung ist der Non-Determinismus von Sprachmodellen. Dieselbe Frage liefert bei jedem Lauf eine leicht andere Antwort, oft mit anderen Quellen.

Wie stark dieser Drift ist, zeigen Messdaten: Laut Maximus Labs änderten sich zwischen Juni und Juli 2025 40,5 Prozent der Zitate auf Perplexity und 59,3 Prozent auf Google AI Overviews innerhalb eines Monats. Eine Einzelmessung ist damit statistisch wertlos.

Daraus folgt die Sampling-Regel: Es braucht mindestens 30 Läufe pro Query und Plattform, um eine Veränderung von 10 Prozentpunkten beim Share of Voice mit 95 Prozent Konfidenz zu erkennen. Praktischer Aufbau eines belastbaren Prompt-Sets:

• Prompt-Set definieren: 20 bis 50 reale Nutzerfragen pro Themencluster, formuliert wie echte Suchanfragen, nicht wie Keywords. Beispiel B2B-DACH: "Welche Anbieter für Lohnverrechnung gibt es in Österreich?".
• Intent-Mix abbilden: informationale, kommerzielle und vergleichende Fragen mischen, denn KI-Systeme zitieren je nach Intent unterschiedlich.
• Mindestens 30 Läufe je Prompt: pro Plattform und möglichst zu unterschiedlichen Zeitpunkten, um den Drift abzufangen.
• Lokalisierung beachten: deutschsprachige Prompts, Standort und Sprache der Engine auf DACH einstellen, da Quellen und Marken sich pro Region stark unterscheiden.
• Konsistente Erfassung: Nennung, Zitat und Position der Marke pro Antwort protokollieren, damit Mention Rate und Citation Rate getrennt auswertbar bleiben.

Wer ohne ausreichendes Sampling misst, berichtet Rauschen statt Trends. Das ist der häufigste methodische Fehler in frühen GEO-Reports.

Multi-Engine-Tracking: ChatGPT, Perplexity, Google AIO und Gemini getrennt messen

Es gibt keine einheitliche KI-Sichtbarkeit. Jede Engine hat eigene Quellenlogik, daher muss die Inclusion Rate pro Plattform separat erhoben werden.

• ChatGPT: nennt Marken oft im Text, verlinkt aber seltener. Hier dominiert die Mention Rate als Kennzahl.
• Perplexity: arbeitet stark zitatbasiert mit sichtbaren Quellen. Die Citation Rate ist hier aussagekräftig und gut messbar.
• Google AI Overviews und AI Mode: eng an die organische Suche gekoppelt. Diese Engine ist für DACH-B2B besonders relevant, weil sie auf bestehenden Rankings aufsetzt.
• Google Gemini: als eigenständiger Assistent mit wachsender Nutzung, in Deutschland laut Bitkom bei 28 Prozent der KI-Nutzer.

Eine aggregierte Gesamt-Inclusion-Rate über alle Engines verschleiert mehr, als sie zeigt. Berichte pro Plattform und gewichte nach der Nutzerverteilung deiner Zielgruppe.

Was AI-Inclusion treibt: Erkenntnisse aus der GEO-Forschung

Die Frage "Womit komme ich in KI-Antworten?" ist teilweise empirisch beantwortet. Die Princeton-GEO-Studie testete Optimierungen an einem Benchmark mit 10.000 Queries aus 25 Domains und zeigte, dass sich die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern lässt. Die wirksamsten Hebel waren laut Studie Cite Sources, Quotation Addition und Statistics Addition mit 30 bis 40 Prozent relativer Verbesserung bei der Position-Adjusted Word Count.

Praktisch heisst das: belegte Statistiken, wörtliche Zitate und klar attribuierte Quellen erhöhen die Wahrscheinlichkeit, zitiert zu werden. Reine Keyword-Optimierung reicht nicht.

Ein zweiter, oft unterschätzter Faktor ist die Marke selbst. Laut dem 2025 AI Citation Report von The Digital Bloom ist das Markensuchvolumen mit einem Korrelationskoeffizienten von 0,334 der stärkste Prädiktor für KI-Sichtbarkeit, stärker als Backlinks. Eine bekannte Marke wird häufiger genannt. GEO und Markenaufbau gehören damit zusammen.

Wichtig für DACH-B2B: Klassisches SEO bleibt die Basis. Laut feller.systems stammen 52 bis 60 Prozent der AI-Overview-Zitate aus den organischen Top 10, nach Ahrefs-Daten sogar bis zu 76 Prozent. Wer organisch nicht rankt, wird in AI Overviews kaum zitiert.

Verknüpfung mit GSC, GA4 und Conversion-Tracking

Die Inclusion Rate ist eine Sichtbarkeitsmetrik, kein Geschäftswert. Erst die Verknüpfung mit bestehenden KPIs macht sie reporting-fähig.

• Google Search Console: AI Overviews werden in den Impressionen mitgezählt, aber Klicks fehlen. Sinkende CTR bei stabilen Impressionen ist ein Indiz für KI-Abschöpfung. Die um 58 Prozent niedrigere CTR bei AIO-Keywords macht diesen Effekt greifbar.
• GA4 und Referral-Attribution: Referral-Traffic aus KI-Quellen wie Perplexity oder ChatGPT in GA4 als eigene Channel-Gruppe oder über Hostname-Filter erfassen. So wird KI-getriebener Traffic von klassischem organischem Traffic trennbar.
• Conversion-Tracking: KI-Referral-Sessions mit Conversion-Events verknüpfen, um den tatsächlichen Geschäftsbeitrag der KI-Sichtbarkeit zu zeigen.

Diese Brückenbildung ist entscheidend, weil das Management nicht nach Inclusion Rates fragt, sondern nach Traffic, Leads und ROI.

Tool-Landschaft für DACH und Österreich

Die Messung lässt sich teilweise automatisieren. Für den DACH-Raum relevant:

• Ahrefs Brand Radar: trackt Marken-Nennungen und Zitate in KI-Antworten und verknüpft sie mit dem bekannten organischen Datenbestand.
• Semrush AI Visibility: misst Präsenz in AI Overviews und KI-Engines, gut anschlussfähig an bestehende Semrush-Rankingdaten.
• Sistrix: im DACH-Markt etabliert für Sichtbarkeit und zunehmend mit AI-Overview-Auswertung, sinnvoll als Brückenwert zur klassischen Sichtbarkeit.
• Spezialisierte GEO-Monitoring-Tools: Anbieter wie Profound fokussieren auf Multi-Engine-Prompt-Tracking mit ausreichendem Sampling.
• Manuelles Tracking: als Einstieg oder Validierung sinnvoll, ein dokumentiertes Prompt-Set mit 30 Läufen je Engine in einer Tabelle liefert bereits belastbare Trends.

Hinweis für Österreich und DACH: Prüfe immer, ob das Tool deutschsprachige Prompts und regionale Engine-Einstellungen unterstützt. Internationale Tools messen sonst gegen den US-Markt.

Benchmarks und realistische Zielwerte im B2B-DACH-Kontext

Absolute Benchmarks sind mit Vorsicht zu lesen, da sie stark von Branche, Prompt-Set und Engine abhängen. Als pragmatische Orientierung haben sich folgende Bandbreiten etabliert: unter 5 Prozent Inclusion Rate gilt als praktisch unsichtbar, 15 bis 30 Prozent als starke Präsenz und über 30 Prozent als Category-Leader-Niveau. Diese Werte sind Erfahrungswerte, keine Studienzahl, und sollten intern kalibriert werden.

Belastbar ist hingegen, dass KI-Sichtbarkeit in technischen B2B-Märkten überdurchschnittlich relevant ist: Laut feller.systems erscheinen AI Overviews in B2B Technology und SaaS bei 70 Prozent der SERPs, nach 36 Prozent im Mai 2024. In diesen Segmenten ist eine niedrige Inclusion Rate ein direkter Wettbewerbsnachteil.

Setze Zielwerte relativ statt absolut: Verbesserung der eigenen Inclusion Rate gegenüber dem Vormonat und Steigerung des Share of Voice gegenüber den drei wichtigsten Mitbewerbern.

Wettbewerbsanalyse: Share of Voice und Competitive Displacement

KI-Antworten nennen meist nur wenige Anbieter. Sichtbarkeit ist hier ein Verdrängungswettbewerb. Zwei Auswertungen sind zentral:

• Share of Voice gegen Mitbewerber: Erfasse zu jedem Prompt alle genannten Marken und berechne deinen Anteil. So siehst du, ob du in deinem Themenfeld überhaupt zum Relevant Set der KI gehörst.
• Competitive Displacement: Tracke über die Zeit, welche Marken neu auftauchen und welche verschwinden. Wegen des monatlichen Zitat-Drifts von 40 bis 60 Prozent braucht es auch hier ausreichend Sampling, sonst hältst du Rauschen für Verdrängung.

Diese Sicht ist wertvoller als die isolierte eigene Inclusion Rate, weil sie zeigt, ob du Boden gewinnst oder verlierst.

Praxis-Workflow und Reporting

Ein durchgängiger Workflow verbindet Recherche, Optimierung und Messung:

1. Prompt- und Keyword-Recherche: reale Nutzerfragen je Themencluster sammeln und in ein versioniertes Prompt-Set überführen.
2. Baseline messen: Inclusion, Citation und Mention Rate pro Engine mit mindestens 30 Läufen erheben.
3. Content optimieren: belegte Statistiken, Zitate und klare Quellen ergänzen, da diese laut GEO-Studie bis zu 40 Prozent mehr Sichtbarkeit bringen, und die organische Top-10-Position absichern.
4. Marke stärken: auf Markensuchvolumen einzahlen, dem stärksten Prädiktor für KI-Sichtbarkeit.
5. Kontinuierlich messen und berichten: monatlicher Vergleich von Inclusion Rate, Share of Voice und KI-Referral-Conversions im Management-Reporting.

Fürs Reporting gilt: AI-Sichtbarkeit nicht isoliert, sondern neben Rankings, organischem Traffic, CTR und Conversions ausweisen. Im SEO-Forecasting lässt sich die erwartete CTR-Erosion durch AI Overviews als Szenario einplanen, gestützt auf die dokumentierte CTR-Reduktion. So wird aus einer neuen Metrik eine für das Management entscheidungsrelevante Größe.

Häufige Fehler

• Einzelmessung statt Sampling: ein Lauf pro Prompt ignoriert den Non-Determinismus und liefert Rauschen.
• Engines aggregieren: ein Gesamtwert über alle KI-Systeme verschleiert plattformspezifische Realitäten.
• US-Prompts für DACH: internationale Defaults messen den falschen Markt und die falschen Marken.
• GEO gegen SEO ausspielen: AI-Inclusion baut auf organischen Top-10-Rankings auf, klassisches SEO bleibt die Grundlage.
• Inclusion Rate als Selbstzweck: ohne Verknüpfung mit Traffic und Conversions fehlt der Geschäftsbezug fürs Reporting.