Metriken und KPIs für KI-Sichtbarkeit: eine echte Fallstudie über fünf Wochen
Die meisten Berichte zur KI-Sichtbarkeit hören beim Dashboard auf. Wer fragt, welche Metriken und KPIs für die KI-Suche eigentlich die richtigen sind, bekommt von den meisten Plattformen dieselben fünf Begriffe — Sichtbarkeit, Share of Voice, Sentiment, Position, Zitationen — und danach nichts mehr. Dieser eine Bericht hörte dort nicht auf, und nur deshalb ist die folgende Geschichte überhaupt aufgefallen.
Von Philipp Enders·Gründer, CrunchJunkieEntwickelt die Reporting- und KI-Sichtbarkeits-Tools, mit denen diese Analyse erstellt wurde.
Die Ausgangslage: fünf Wochen steigende KI-Sichtbarkeit und Share of Voice
Eine Luxusimmobilien-Marke startete in dieses Tracking mit einer dominanten Position. Über 145–159 Scan-Durchläufe pro Woche — verteilt auf sechs der acht KI-Modelle, die CrunchJunkie trackt, darunter Claude, ChatGPT, Perplexity, Gemini, Google AI Overviews und Google AI Mode, also kein einzelner Glückstreffer bei einem Prompt — stieg ihr KI-Sichtbarkeitswert über fünf Wochen stetig an: 31 %, 32 %, 33 %, 35 %, 35 %. Zu diesem Anstieg gehörte eine reale Fehlermarge (±3,8 Prozentpunkte) — genau die Art von Detail, die einen echten Trend von einem Zufall kleiner Stichproben unterscheidet.
Der Share of Voice erzählte dieselbe Geschichte, nur lauter. Gegenüber allen getrackten Wettbewerbern hielt diese Marke 87 % Share of Voice. Der nächstbeste Wettbewerber: 5,9 %. Das ist kein knappes Rennen — das ist eine Marke, die in ihrer Kategorie praktisch der einzige Name ist, zu dem KI-Modelle greifen. Es ist der Unterschied zwischen den Raum gewinnen und bloß im Raum stehen.
Nach jeder Sichtbarkeitsmetrik, die es am Markt gibt, waren das fünf Wochen Erfolgsserie.
Der Haken: warum die Average Position dem Share of Voice widersprach
Erwähnt zu werden ist nicht dasselbe wie empfohlen zu werden — und bei der Average Position wird dieser Unterschied sichtbar. Trotz der dominanten Sichtbarkeit und des hohen Share of Voice lag die durchschnittliche Position dieser Marke über alle Scan-Durchläufe bei 2,8 — während ein deutlich kleinerer Wettbewerber, der nur in einem Bruchteil der Erwähnungen auftauchte, im Schnitt bei 2,0 lag, wenn er denn einmal erschien. Dominante Präsenz und prominente Platzierung sind zwei verschiedene Siege, und diese Marke hatte nur einen davon geholt.
Beim Sentiment zeigte sich eine ähnliche Unschärfe. Die Marke kam auf 72/100 und lag damit vor einem Wettbewerber mit 50/100 — ein klarer Vorsprung, bis man sich ansieht, woher der Wert des Wettbewerbers stammt: zwei bis drei Erwähnungen pro Modell, längst nicht genug Volumen, um darauf zu vertrauen. Ein Sentiment-Wert auf Basis von 45 Erwähnungen trägt ein echtes Signal. Einer auf Basis einer Handvoll nicht. Ohne die Stichprobengrößen daneben hätte diese „Niederlage“ auf dem Papier bedeutsam ausgesehen. Mit ihnen fällt sie kaum ins Gewicht.
Das Zitations-Tracking legte die Lücke offen, aus der sich am meisten machen lässt. Die eigene Website der Marke tauchte in 30 % der Scan-Durchläufe als abgerufene Quelle auf — KI-Modelle zogen also in knapp einem Drittel der Fälle aktiv Inhalte von ihren Seiten. Das ist echte Autorität, die bereits in der Pipeline steckt. Aber als Quellenmaterial aufzutauchen und formal zitiert zu werden, sind zwei verschiedene Stufen, und diese Lücke hatte die Marke noch nicht geschlossen — ein klarer nächster Schritt (stärkere strukturierte Daten, mehr zitierfähige Inhalte) statt eines Rätsels.
Die Zahl, auf die es ankam: KI-Sichtbarkeit rauf, Website-Sitzungen runter
Nichts davon hätte Alarm ausgelöst. Steigende Sichtbarkeit, dominanter Share of Voice, ein Sentiment-Vorsprung, echtes Zitationspotenzial — einzeln gelesen sagte jede Metrik zur KI-Sichtbarkeit, dass es gut läuft.
Dann kamen die Website-Zahlen für dieselben fünf Wochen. Die Sitzungen fielen in jeder einzelnen Woche: 458, 425, 380, 300, 245.
Die Sichtbarkeit stieg. Der Traffic sank — stetig, über genau die fünf Wochen, in denen die KI-Metriken kletterten.
KI-Sichtbarkeit
31% → 35%
Website-Sitzungen
458 → 245
Gleicher Kunde, gleiche fünf Wochen. Sichtbarkeit steigt, Sitzungen fallen — eine Lücke, die nur sichtbar wird, wenn beides auf einer Seite steht.
Warum ein KI-Sichtbarkeits-Dashboard allein das nicht sieht
Das war keine schlechte Woche für das Marketing-Team der Marke, und es ist auch kein Grund, den Sichtbarkeitszahlen zu misstrauen — beides war gleichzeitig wahr. Es ist der Grund, warum KI-Sichtbarkeit nicht in ihrem eigenen Dashboard leben kann. Eine reine Sichtbarkeitsansicht hätte fünf Wochen am Stück gute Nachrichten gezeigt. Erst als die KI-Metriken und die GA4-Zahlen im selben Bericht standen, kam die eigentliche Frage auf: Warum wird eine Marke in der KI-Suche sichtbarer und für die eigene Website gleichzeitig unsichtbarer?
Das ist eine Frage, der du nachgehen solltest — eine Kanalverschiebung, ein saisonaler Rückgang, ein Problem mit der Landingpage, eine Attributionslücke, bei der KI-getriebene Besuche als Direct- oder Organic-Traffic landen, statt der KI zugerechnet zu werden. Es kann auch alles vier zusammen sein. Aber du kannst die Frage erst stellen, wenn du beide Verläufe auf einer Seite siehst.
Was bleibt: KI-Sichtbarkeit an Conversions koppeln
Jede Metrik in dieser Geschichte — Sichtbarkeit, Share of Voice, Position, Sentiment, Zitationen — war real, korrekt gemessen und für sich genommen eine gute Nachricht. Keine davon hätte, allein oder zusammen, den Traffic-Rückgang erwischt, der darunter lief.
Genau das spricht dafür, KI-Sichtbarkeit an die Conversions zu koppeln: die KI-Sichtbarkeit mit den Ergebnissen zu verbinden, die sie vorhersagen soll. Nicht weil die Sichtbarkeitsmetriken falsch wären, sondern weil sie nie dafür gebaut wurden, dir zu sagen, ob sie wirken.
So verbindet CrunchJunkie deine KI-Sichtbarkeit mit GA4.
Häufige Fragen
Sichtbarkeitswert, Share of Voice, durchschnittliche Position, Sentiment und Zitationen — diese fünf berichten die meisten Plattformen. Alle fünf sind echte Metriken, aber sie messen die Präsenz in KI-Antworten, nicht deren Ergebnis. In der Fallstudie oben verbesserte sich jede einzelne, während die Website-Sitzungen im selben Zeitraum von 458 auf 245 fielen. Entscheidend war die Zahl, die kein Sichtbarkeits-Dashboard für sich allein hat: Traffic und Conversions aus denselben Wochen, gelesen auf derselben Seite.
Dafür gibt es vier gängige Erklärungen, die sich nicht gegenseitig ausschließen: eine Kanalverschiebung, bei der die KI-Antwort die Frage bereits beantwortet und der Klick ausbleibt; ein saisonaler Rückgang ohne KI-Bezug; ein Problem auf der Landingpage oder weiter unten im Funnel; oder eine Attributionslücke, bei der KI-getriebene Besuche als Direct- oder Organic-Traffic ankommen und der KI nie zugerechnet werden. Um sie zu unterscheiden, braucht es KI-Sichtbarkeits- und Analytics-Daten in einer Ansicht — ein reines Sichtbarkeits-Dashboard kann das nicht, weil es die Traffic-Seite gar nicht sieht.
So viele, dass eine einzelne Antwort ihn nicht verschieben kann. In der Fallstudie stand ein Wert von 72/100 aus 45 Nennungen einem Wettbewerber mit 50/100 aus zwei bis drei Nennungen pro Modell gegenüber. Die zweite Zahl sieht aus wie ein Ergebnis und ist näher an Rauschen. Genau deshalb sollte Sentiment nie ohne die zugehörige Anzahl an Nennungen gezeigt werden: Der Wert allein gibt einer kleinen Stichprobe dasselbe optische Gewicht wie einer großen.
Eine abgerufene Quelle ist eine Seite, aus der ein KI-Modell beim Formulieren seiner Antwort Inhalte gezogen hat. Eine Zitation ist ein formaler, sichtbarer Verweis auf diese Seite in der Antwort selbst. Das sind zwei getrennte Stufen, und die Lücke dazwischen ist konkret bearbeitbar. Die Marke in dieser Fallstudie tauchte in 30 % der Scan-Durchläufe als abgerufene Quelle auf, ohne eine entsprechende Zitationsrate — die Autorität war also bereits da, und der nächste Schritt bestand darin, die Inhalte leichter zitierbar zu machen: über stärkere strukturierte Daten und in sich geschlossene, gut zitierbare Passagen.
Für sich allein nicht. Es kann zeigen, ob eine Marke in KI-Antworten präsent, prominent platziert und positiv beschrieben ist — das ist echt nützlich. Es kann nicht zeigen, ob diese Präsenz Sitzungen, Leads oder Umsatz gebracht hat, denn diese Zahlen liegen in der Analytics. Die Frage, die der Kunde tatsächlich stellt — funktioniert das? — lässt sich nur beantworten, wenn beide Datensätze im selben Bericht stehen und denselben Zeitraum abdecken.
Sieh die KI-Sichtbarkeit deiner eigenen Marke
Reporting und KI-Sichtbarkeit in einer Konsole — erstell deinen ersten Bericht und Scan in der 14-tägigen Testphase.