Frag fünf KI-Engines nach deiner Marke, bekomme fünf Antworten — und was du stattdessen messen solltest

Ja, und der Abstand ist größer, als die meisten erwarten. Im August 2026 ließ ein Entwickler dieselben zwanzig Abfragen über fünf Engines laufen — ChatGPT, Claude, Gemini, Perplexity und Bing Copilot — gegen zwei seiner eigenen Websites. Nur zwei Engines zitierten ihn überhaupt, und die beiden waren sich kein einziges Mal über dieselbe Seite einig. In seinen Worten: „Jede sah nur ein Fünftel des Bildes“ (Nwaneri, "I Tested 5 AI Engines On My Own Sites. None Agreed."). Es ist eine Website und eine Momentaufnahme, also lies es als gelebtes Beispiel, nicht als Benchmark — aber es ist das Muster, das jeder findet, der diesen Test macht. Die größeren Studien weisen in dieselbe Richtung. Anbieter-Analysen dazu, welche Quellen jede Engine zitiert, beziffern die Überschneidung bemerkenswert niedrig: Ein Benchmark aus Q2 2026 maß eine mittlere Zitations-Überschneidung zwischen Engines von 0,18 auf einer Jaccard-Skala, und eine separate Analyse fand nur rund 14% der Top-zitierten Domains zwischen Engines gemeinsam. Behandle diese exakten Werte als Anbieter-Analyse mit Richtungscharakter, nicht als gesicherte Wahrheit — aber die Richtung ist eindeutig, und selbst Googles eigene zwei KI-Oberflächen, AI Overviews und AI Mode, teilen sich Berichten zufolge nur einen kleinen Teil ihrer Zitationen. Verschiedene Engines schöpfen aus verschiedenen Indizes, gewichten verschiedene Signale und antworten zu verschiedenen Zeitpunkten — „unsere KI-Sichtbarkeit“ war also nie eine einzige Zahl. Es ist mindestens eine Zahl pro Engine. Die praktische Folge ist unmissverständlich: Prüfst du eine einzige Engine, hast du rund eine Eins-zu-fünf-Chance, genau den gegenteiligen Schluss zu ziehen als den, den die Engine daneben liefern würde.

Selbst innerhalb einer Engine reicht ein Check nicht — weil dasselbe Modell nicht zweimal dieselbe Antwort gibt. Die sauberste Demonstration stammt von Thinking Machines Lab: Sie stellten einem Modell tausendmal dieselbe Frage bei Temperatur null, der Einstellung, die die Ausgabe deterministisch machen soll. Sie bekamen achtzig verschiedene Antworten. Jede Vervollständigung war für die ersten gut hundert Wörter identisch und lief dann auseinander (Thinking Machines Lab, "Defeating Nondeterminism in LLM Inference"). Wenn ein Modell sich bei einer Wissensfrage nicht tausendmal selbst reproduzieren kann, ist ein einzelner Scan deiner Marke ein Münzwurf, den du zufällig in der Luft erwischt hast. Diese Varianz ist groß genug, um Schlüsse zu kippen. Microsofts Phi-4-Reasoning-Bericht ließ dieselbe Auswertung fünfzigmal pro Modell laufen und sah die Genauigkeit über enorme Bereiche schwanken — zweistellige Prozentpunkte für dasselbe Modell im selben Test (Microsoft, Phi-4-reasoning Technical Report). Ersetze „Modelle“ durch „Marken“ und du hast das Argument für wiederholtes Beproben in einem Satz. Ein Sichtbarkeits-Score auf Basis eines Durchlaufs pro Prompt misst Rauschen und nennt es Signal. Deshalb beprobt CrunchJunkie jeden Prompt mehrfach — drei- bis zehnmal, je nach Tarif — statt einmal. Mehr Durchläufe sind kein Selbstzweck; sie sind der einzige Weg, eine echte Veränderung vom Räuspern des Modells zu unterscheiden.

„Du bist bei 34% Sichtbarkeit“ klingt wie ein Fakt. Für sich genommen ist es kaum die Hälfte davon. Zwei Marken können beide bei 34% liegen, wobei die eine Zahl auf zweihundert weitgehend einigen Durchläufen ruht und die andere auf zwölf, die von 0 bis 80% streuen — völlig verschiedene Situationen, die ein einzelner Prozentwert zu einer verflacht. Die Lösung ist alt, unspektakulär und richtig: Weise neben jeder Rate die Stichprobengröße und eine Fehlermarge aus, und nenne nie die eine ohne die andere. CrunchJunkie zeigt „auf Basis von N Durchläufen“ und ein randsicheres Intervall — eines, das nie eine Sichtbarkeit unter 0% oder über 100% impliziert und breiter wird, wenn die Engines uneins sind oder die Stichprobe dünn ist. Ist dieses Band breit, lautet die ehrliche Lesart „wir wissen es noch nicht“, nicht „34%“. Eine Zahl, die nicht falsch sein kann, ist eine Zahl, die dir nichts sagt. Es gibt eine zweite Falle im Durchschnitt. Wirf deutsche und englische Prompts in ein Projekt, und eine gemischte Sichtbarkeitszahl beschreibt keine der beiden Zielgruppen — sie verschmilzt zwei verschiedene Märkte zu einer Zahl, die niemandes Frage beantwortet. Raten werden innerhalb eines Marktes gepoolt, nie über Märkte gemittelt. Halte die Populationen getrennt, sonst ist die Leitzahl Fiktion.

Mit dem Geld, das in diese Kategorie fließt, taucht eine vertraute Zahl auf den Dashboards auf: „Dieser Prompt bekommt 2.400 KI-Suchen im Monat.“ Sei skeptisch. Es gibt keine belastbare Quelle dafür, wie oft Menschen eine bestimmte Frage in ChatGPT oder Gemini stellen — die Anbieter veröffentlichen das nicht —, also ist jede konkrete Monatszahl hochgerechnet, meist aus kleinen Browser-Plugin-Panels mit Schlagseite zu Desktop-Chrome-Nutzern, und ohne Methodik oder Konfidenzbereich präsentiert. Eine Analyse dieser Praxis kam zu dem Schluss, Prompt-Suchvolumen sei „keine verlässliche Kontrollvariable“, und Prompts widersetzten sich, anders als Keywords, einer Volumenschätzung grundsätzlich (Jaeckert & O'Daniel, "Prompt Search Volume: Real Data or All Guessed?"). Wir verkaufen diese Zahl bewusst nicht, weil wir sie nicht ehrlich messen können. Was wir messen können, ist, wo du tatsächlich unsichtbar bist und wo ein Gewinn erreichbar ist — die Prompts, die deine Käufer stellen und die die KI beantwortet, ohne dich je zu nennen. Prioritäten sollten aus gemessener Sichtbarkeit und statistischer Signifikanz kommen, nicht aus einer Volumenzahl ohne Quelle. Zeigt dir ein Tool eine selbstbewusste „pro Monat“-Zahl ohne Methodik, frag, woher sie kommt, bevor du ein Quartal danach planst.

Sechs Dinge, und keines davon ist ein einzelner Check. Abdeckung: Tracke jede Engine, die zählt, nicht die, die dir schmeichelt. Weil die Zitations-Überschneidung zwischen Engines so gering ist, ist jede ausgelassene Engine ein blinder Fleck, kein Rundungsfehler. CrunchJunkie trackt zehn — ChatGPT, Gemini, Perplexity, Claude, Google AI Overviews, Google AI Mode, Microsoft Copilot, Grok, DeepSeek und Meta AI. Wiederholung: Beprobe jeden Prompt mehrfach, damit die Zahl die Verteilung widerspiegelt und nicht eine einzelne Ziehung daraus. Unsicherheit: Führe an jeder Rate eine Stichprobengröße und eine Fehlermarge mit, und lies beide zusammen. Signifikanz: Behandle eine Bewegung erst als echt, wenn sie eine statistische Schwelle überschreitet. Ein Rückgang von 34% auf 31% bei dünnen Stichproben ist meist der Zufall, und eine Warnung, die bei Rauschen auslöst, erzieht die Leute dazu, Warnungen zu ignorieren. Trennung: Halte Märkte und Sprachen auseinander, und halte die Standardantwort getrennt von der Nachfrage. Angebotsseite: Denk daran, dass der Score nur die Nachfrageseite ist. Bevor ein Modell dich zitieren kann, muss es deine Seite erreichen und lesen — was deine Server-Logs exakt festhalten; wir haben in Die Angebotsseite der KI-Sichtbarkeit beschrieben, wie man sie liest. Ein niedriger Score kann ein Crawler sein, der nie hereinkam, nicht Inhalt, der nicht überzeugt hat. Nichts davon ist exotisch. Es ist gewöhnliche Mess-Disziplin — Beproben, Intervalle, Signifikanz — angewandt auf ein Medium, das ungewöhnlich verrauscht ist und bei dem man sich ungewöhnlich leicht selbst täuscht. Was Zitationen bewegt, sobald man klar sieht, ist eine eigene, gut untersuchte Frage; das Princeton-Paper „GEO“ ist der beste Startpunkt und fand, dass die richtigen Content-Signale die Sichtbarkeit um bis zu rund 40% heben können, je nach Engine variierend (Aggarwal et al., "GEO: Generative Engine Optimization").

Ein schneller Test, den du auf jedes Dashboard anwenden kannst, unseres oder ein anderes. Zeigt die Zahl, auf wie vielen Durchläufen sie beruht? Trägt sie eine Fehlermarge, und wird diese breiter, wenn die Stichprobe dünn ist? Hält sie Engines und Märkte getrennt, statt sie zu einem schmeichelhaften Durchschnitt zu verrühren? Muss eine Veränderung statistisch signifikant sein, bevor sie ein Trend genannt wird? Und wenn sie dir ein „Suchvolumen“ zeigt, sagt sie dir, woher diese Zahl kommt? Sind die Antworten ja, schaust du auf Messung. Sind sie nein, schaust du auf eine Zahl, die dich beruhigen soll — und in einem Medium, in dem ein Modell achtzig Antworten auf eine Frage gab, ist Beruhigung das Letzte, was du willst. Beruhigung gewinnt die Zitation nicht. Das Richtige zu messen, wiederholt, über jede Engine, sagt dir, wo du wirklich stehst — und was du zuerst angehen solltest.