KI-Sichtbarkeit

Ein Sichtbarkeitsprojekt verfolgt eine Marke über die KI-Modelle hinweg. Lege eines unter KI-Sichtbarkeit → „KI-Sichtbarkeit einrichten“ an, trage Markenname und Website ein und ergänze die Wettbewerber, gegen die du dich messen willst. CrunchJunkie erkennt Erwähnungen in KI-Antworten anhand der Marken- und Wettbewerbernamen — schreib sie also genau so, wie sie im Markt auftreten, inklusive gängiger Varianten, wenn eine Marke unter mehreren Schreibweisen bekannt ist. Jedes Projekt steht für sich, du kannst die Sichtbarkeit also problemlos für mehrere Kunden parallel verfolgen. Sobald das Projekt existiert, fügst du Prompts hinzu und wählst die Modelle für den Scan — das laufende Monitoring übernimmt dann CrunchJunkie.

Prompts sind die Fragen, die CrunchJunkie stellvertretend für dich an die KI-Modelle stellt. Du legst sie im Tab Prompts des Projekts an und taggst jeden nach Absicht: Prompts der Kategorie Entdeckung sind markenlose Kategoriefragen („beste Reporting-Tools für Agenturen“), Marke-Prompts nennen deinen Kunden direkt („Taugt Lumière etwas?“) und Wettbewerber-Prompts sind Vergleiche oder Alternativen („Lumière vs. Velora“). Ein guter Startsatz mischt alle drei Kategorien — etwa fünfzehn bis dreißig Prompts, die abbilden, wie echte Käufer suchen. CrunchJunkie schickt bei jedem Scan jeden Prompt an jedes aktivierte Modell und hält fest, ob deine Marke genannt wurde, an welcher Stelle sie in der Antwort stand, wie sie beschrieben wurde und welche Quellen das Modell zitiert hat.

Auf die richtigen Prompts zu kommen ist der schwierigste Teil der Einrichtung — deshalb übernimmt Crunch den ersten Durchgang. Klicke im Tab Prompts auf „Prompts vorschlagen“: CrunchJunkie liest Marke, Website und Wettbewerber des Projekts und schlägt realistische Käuferfragen über den ganzen Absichts-Mix vor — markenlose Kategoriefragen, Markenfragen und Wettbewerbsvergleiche. Also genau das, was Menschen tatsächlich in ChatGPT oder Perplexity tippen, wenn sie in deiner Kategorie recherchieren. Die Vorschläge erscheinen als Chips zum Antippen: Übernimm die passenden mit einem Klick, ignoriere den Rest und bearbeite anschließend jeden davon wie einen selbst geschriebenen Prompt. Das ist der schnelle Weg zu einem runden Tracking-Set am ersten Tag — und später eine gute Ideenquelle, wenn du die Abdeckung auf ein neues Thema oder eine neue Funnel-Stufe ausweiten willst. Hast du schon Keywords im Kopf — Produktkategorien, Anwendungsfälle, Suchbegriffe —, nimm stattdessen „Aus Keywords“: Füge sie ein (eines pro Zeile oder kommagetrennt), und Crunch macht aus jedem realistische Käuferfragen über den Absichts-Mix, statt das Keyword nur wörtlich zu wiederholen. Schneller kommst du nicht zu einem Tracking-Set rund um deine Themen — und das Ergebnis sind dieselben bearbeitbaren Chips, die du mit einem Klick übernimmst.

CrunchJunkie kann acht KI-Oberflächen verfolgen: ChatGPT, Gemini, Perplexity, Claude, Google AI Overviews, Google AI Mode, Grok und DeepSeek. Aktiviere in den Projekt-Einstellungen unter „Zu beobachtende Engines“ die, die für die Zielgruppe deines Kunden zählen — du musst nicht alle acht laufen lassen. Jede aktivierte Engine wird nach deinem Zeitplan automatisch gescannt. Jede Oberfläche ist einer konkreten, aktuellen Modellversion zugeordnet: ChatGPT wird auf GPT-5.6 mit Websuche getrackt, Gemini und Claude mit Websuche, Perplexity auf Sonar Pro, Grok mit Websuche, und Google AI Overviews sowie AI Mode über einen Suchergebnis-Anbieter. Sieben der acht sind auf Websuche gestützt; DeepSeek ist die Ausnahme, weil seine API keine eingebaute Websuche hat. Welches Modell eine Oberfläche genau aufruft, steht in den Projekt-Einstellungen und ändert sich, sobald Anbieter neue Versionen ausliefern. Manche Modelle brauchen eine spezielle Einrichtung. Google AI Overviews zum Beispiel wird über einen Suchergebnis-Anbieter statt über eine Chat-API getrackt. Die Einstellungen sagen dir genau, was jede Engine braucht, und zeigen den aktuellen Status jeder Verbindung auf einen Blick.

Was ein Scan kostet, hängt an drei Stellschrauben: wie viele Prompts laufen, wie viele Engines jeder Prompt trifft und wie viele Durchläufe pro Prompt stattfinden. In den Projekt-Einstellungen gibt es dafür Scan-Modi auf Klick, damit du nichts von Hand justieren musst. Sparsam lässt zwei effiziente Engines mit einem Durchlauf laufen — ein günstiger regelmäßiger Puls. Ausgewogen (die empfohlene Voreinstellung, mit der jede neue Marke startet) nutzt die vier wichtigsten Engines mit zwei Durchläufen. Gründlich fährt alle acht Engines mit drei Durchläufen für die höchste Verlässlichkeit. Individuell ist, was immer du selbst einstellst — wähl beliebige Engines und Durchläufe, und die Modus-Bezeichnung springt automatisch auf Individuell. Die Einstellungen zeigen dir dabei live eine Schätzung — „≈ N Checks / Scan“ —, berechnet als Prompts × Durchläufe × Engines, wobei Premium-Engines (ChatGPT, Claude, Perplexity, Grok) 3× gewichtet werden, weil sie etwa dreimal so teuer im Betrieb sind. Diese Schätzung gilt gleichermaßen für Managed AI (wo sie gegen dein Monatskontingent läuft) und für eigene Schlüssel (wo der Anbieter dich direkt abrechnet) — du kennst also die Kosten einer Konfiguration, bevor du sie speicherst. Mehr Durchläufe und mehr Engines bedeuten genauere, stabilere Zahlen; weniger davon hält die Kosten niedrig. Starte auf Ausgewogen und dreh danach hoch oder runter, wenn du siehst, wie sich die Zahlen der Marke bewegen.

Vier Leitkennzahlen sagen dir, wo du stehst. Die Sichtbarkeit in % ist, wie oft deine Marke über alle getrackten Prompts hinweg auftaucht. Der Share of Voice ist dein Anteil an allen Markennennungen im Vergleich zu deinen getrackten Wettbewerbern — das klarste Signal dafür, wem das Gespräch gehört. Das Sentiment bewertet, wie positiv dich jede Erwähnung beschreibt, und die Ø Position hält fest, an welcher Stelle du landest, wenn du vorkommst. Jede Kennzahl lässt sich nach Modell, nach Prompt-Kategorie oder über die Zeit aufschlüsseln. In der Ansicht Antworten filterst du nach Alle Antworten, Erwähnt, Nicht erwähnt oder Erwähnungslücke (Prompts, bei denen ein Wettbewerber auftaucht und du nicht) — der schnellste Weg zu konkreten Chancen. Die Ansicht Quellen sortiert die Domains, die die KI am häufigsten zitiert, und Insights macht daraus priorisierte Maßnahmen in klarer Sprache. Diese vier Kennzahlen sagen dir, wie oft und wie prominent du auftauchst. Die Ansicht Wahrnehmung (in der Navigation unter Marke) sagt dir, was die Modelle tatsächlich gesagt haben — die beschreibenden Begriffe, die sie über jede getrackte Marke verwendet haben, und welche dieser Begriffe nur für dich und für niemanden sonst fallen. Wie du sie liest, steht im Leitfaden Wahrnehmung.

Du musst nicht ständig ins Dashboard schauen, um ein Problem zu erwischen. CrunchJunkie beobachtet die Scans jedes Projekts und mailt deinem Team, wenn sich etwas Wesentliches ändert — konkret, wenn die Sichtbarkeit deiner Marke zwischen zwei Scans deutlich einbricht oder wenn ein Wettbewerber dich beim Share of Voice überholt. Der Alarm benennt, was sich bewegt hat und um wie viel, und verlinkt direkt ins Projekt, damit du handeln kannst. Die Schwellen sind bewusst so gesetzt, dass echte Bewegung gemeldet wird und nicht das Rauschen zwischen zwei Scans: Ein Rückgang löst nur aus, wenn er relativ betrachtet spürbar ist und von einem nicht-trivialen Ausgangswert kommt — du wirst also nicht bei jedem Wackeln um einen Punkt angepingt. Jedes Projekt meldet sich pro Veränderung höchstens einmal, damit dein Postfach ruhig bleibt, und die Alarme laufen auf demselben Scan-Rhythmus, den du eingestellt hast — nichts einzurichten, nichts anzuschalten.

Eine einzelne Gesamtzahl zur Sichtbarkeit verdeckt, wo du wirklich gewinnst und verlierst. CrunchJunkie klassifiziert deshalb jeden Prompt auf zwei Achsen. Der Käufer-Intent — Kommerziell (vergleichen/kaufen), Informativ (lernen) oder Navigierend (eine bestimmte Marke suchen) — wird je Prompt automatisch vorhergesagt und bleibt bearbeitbar. „Mit Marke“ vs. „Ohne Marke“ wird deterministisch aus deinem Markennamen und seinen Aliassen abgeleitet: Ein markenbezogener Prompt nennt dich („Taugt Lumière etwas?“), ein markenloser ist eine reine Kategoriefrage („bestes CRM für Agenturen?“). Beide Einstufungen sind regelbasiert und keine undurchsichtige Modellschätzung — sie sind also sofort da, kostenlos und zu 100 % reproduzierbar. Auf der Prompts-Seite werden daraus Filter mit einem Klick. Jeder Chip zeigt die Sichtbarkeit seines Ausschnitts samt Stichprobengröße (zum Beispiel „Ohne Marke 34 % · 340 Durchläufe“), damit ein Ausschnitt aus drei Durchläufen nie so aussieht wie einer aus dreihundert — die Zahl trägt ihre Aussagekraft immer mit sich. Der wichtigste Unterschied: Eine hohe Sichtbarkeit bei markenbezogenen Prompts heißt nur, dass die KI wiederholt, was du ihr schon gesagt hast. Der eigentliche Preis ist die Sichtbarkeit ohne Markennennung — empfohlen zu werden, bevor der Käufer dich überhaupt genannt hat. Der Filter auf kommerziellen Intent zeigt dir genau die Anfragen im Kaufmoment, bei denen eine Empfehlung konvertiert. Weil dieser Unterschied so leicht zu übersehen ist, passt die Übersicht darauf auf: Wenn ein großer Teil deiner Prompts deine Marke nennt (oder markenbezogene Prompts die Leitzahl spürbar anheben), erscheint dort direkt ein Hinweis mit deiner Sichtbarkeit ohne Markennennung — damit eine Sichtbarkeit, die nur deshalb hoch aussieht, weil du nach dir selbst fragst, nicht mit echter, unaufgeforderter Empfehlung verwechselt wird.

Eine berechtigte Frage, bei der Präzision zählt. Die Scans von CrunchJunkie sind unabhängig von deiner eigenen KI-Konto-Historie: Wir fragen nicht die Consumer-Apps von ChatGPT oder Gemini ab (die Erinnerungen, eigene Anweisungen, Chatverläufe und deinen Standort mitschleppen) — wir rufen die APIs der Anbieter auf, wo jede Anfrage zustandslos ist. Jeder Scan schickt nur den Prompt plus ein Websuche-Werkzeug; es gibt kein Gedächtnis, kein vorheriges Gespräch, keine Personalisierung — und das gilt gleichermaßen für Scans auf deinem eigenen Schlüssel (BYOK) und auf Managed AI. Dein Konto, deine Suchen und deine Historie sickern nie ins Ergebnis. Und der Anbieter schneidert eine API-Antwort nicht auf den zu, dem der Schlüssel gehört. Wenn die Sichtbarkeit einer Marke also überraschend hoch aussieht, liegt das fast nie an einer Verzerrung — sondern meistens am Prompt-Design. Ein Prompt, der die Marke nennt („Was sind die Stärken von Acme?“), garantiert praktisch eine Erwähnung und hebt damit die Leitzahl, ohne zu belegen, dass die Marke empfohlen wird. Genau deshalb trennen wir markenbezogen von markenlos (siehe oben) und stellen den markenlosen Wert heraus: Er ist das ehrliche, unverzerrte Signal — und die richtige Zahl, um sie über die Zeit zu verfolgen und mit anderen Tools zu vergleichen. Wenn zwei Tools bei der Sichtbarkeit einer Marke auseinanderliegen, sind die üblichen Gründe unterschiedliche Prompt-Sets (mit vs. ohne Markennennung), unterschiedliche Modellversionen und unterschiedlich viele Durchläufe — nicht, dass eines davon „verzerrt“ wäre.

Nicht jede KI-Antwort entsteht auf dieselbe Weise. In der Ansicht Antworten filterst du danach, welche Features eine Engine für eine Antwort tatsächlich genutzt hat. „Websuche“ markiert Antworten, bei denen das Modell vor der Antwort echte Web-Quellen abgerufen hat (gestützt), statt aus dem Trainingsgedächtnis zu antworten — und genau in den ungestützten Antworten verstecken sich halluzinierte oder veraltete Markenaussagen, das Filtern darauf ist also ein schneller Risiko-Check. „Shopping“ markiert Antworten, in denen die Engine Produktempfehlungen zurückgegeben hat. Diese Marker stammen ausschließlich aus Signalen, die der Anbieter wirklich offenlegt — welche Quellen ein Modell abgerufen und welche Produkte es empfohlen hat — und werden nie abgeleitet oder erfunden. Features, die die APIs unserer Anbieter nicht melden (etwa Anzeigen- oder Karten-Blöcke), behaupten wir bewusst nicht: Ehrliche, überprüfbare Abdeckung zählt mehr als eine längere Feature-Liste. Jede Antwort zeigt ihre Feature-Tags außerdem direkt in der Zeile, du siehst also auf einen Blick, wie eine bestimmte Antwort zustande kam.

Wenn ein KI-Modell einen Prompt beantwortet, zitiert es oft die Seiten, auf die es sich stützt — CrunchJunkie erfasst jede einzelne. Die Ansicht Quellen sortiert die Domains, die über alle Prompts und Modelle hinweg am häufigsten zitiert werden: die Websites, die tatsächlich prägen, was die KI über deine Kategorie sagt. Die Ansicht URLs geht eine Ebene tiefer und listet die einzelnen zitierten Seiten samt Häufigkeit, damit du genau siehst, auf welche Artikel, Listicles oder Produktseiten sich die Modelle stützen. Die Gap-Analyse macht daraus eine To-do-Liste. Sie zeigt die Domains, auf denen die KI einen Wettbewerber zitiert, dich aber nie — deine klarsten Content-Lücken. Jede Lücke ist eine konkrete Chance: Verdien dir eine Erwähnung auf dieser Quelle (eine Bewertungsseite, ein Verzeichnis, ein Branchenüberblick), und du tauchst dort auf, wohin Käufer ohnehin schon geschickt werden. Weil alle drei Ansichten aus echten Scan-Zitaten gebaut sind, aktualisieren sie sich bei jedem Scan. Die Tabellen Quellen und URLs haben beide einen Markenerwähnungs-Filter mit Beliebig-/Alle-/Keine-Logik, mit dem du den Zitat-Satz präzise zuschneidest. „Beliebige“ zeigt Quellen, die in Durchläufen zitiert wurden, in denen mindestens eine ausgewählte Marke vorkam; „Alle“ zeigt nur Quellen aus Durchläufen, die mehrere Marken zusammen genannt haben — der schnellste Weg zu einer Seite, die dich und einen Wettbewerber gleichzeitig behandelt; und „Keine“ zeigt zitierte Quellen, in deren Durchläufen keine getrackte Marke genannt wurde — unerschlossene Orte, die noch über niemanden aus deinem Beobachtungskreis sprechen. Ganz oben in der Ansicht Quellen sitzt der Quellenzustand. KI-Antworten zitieren echte Webseiten, und zwei Qualitätsprobleme lohnt es sich zu erwischen, wenn sie deine Marke betreffen: ein toter Link (eine zitierte Seite, die jetzt HTTP 404 oder 410 zurückgibt — sie existiert nicht mehr) und eine zurückgezogene Quelle (eine zitierte URL, deren DOI von Crossref als zurückgezogen bestätigt ist; Crossref bindet die Retraction-Watch-Datenbank ein). Klicke auf „Quellen prüfen“, und CrunchJunkie verifiziert die einzelnen von der KI zitierten Seiten und markiert alles, was tot oder zurückgezogen ist, mit exaktem Status oder DOI. Das Ganze ist bewusst konservativ und auf Genauigkeit ausgelegt: Nur ein eindeutiger 404/410 gilt als tot (ein Netzwerk-Aussetzer nie), und Rückzüge decken ausschließlich akademische DOIs ab — am nützlichsten ist die Prüfung also für Marken aus Gesundheit, Wissenschaft und Forschung, und für alle anderen zeigt sie schlicht nichts zu markieren. Ergebnisse werden pro URL gecacht und in begrenzten Chargen geprüft, die Prüfung bleibt also schnell und günstig; du kannst sie jederzeit erneut ausführen.

Bevor eine KI eine Marke nennen kann, muss ihr Crawler die Website überhaupt lesen dürfen. Das Werkzeug Crawlbarkeit prüft die robots.txt einer Domain gegen jeden großen KI-Crawler — GPTBot und OAI-SearchBot (ChatGPT), ClaudeBot und Claude-SearchBot, PerplexityBot, Google-Extended und Googlebot und weitere — und sagt dir, ob jeder Blockiert, Teilweise oder Erlaubt ist. Klapp einen Crawler auf, und du siehst genau, warum (welche User-Agent-Regel gegriffen hat) und wie du es änderst. Das Werkzeug unterscheidet Training-Crawler (sie zu blockieren hält deine Inhalte aus Modell-Datensätzen heraus, oft gewollt) von Such- und Antwort-Crawlern (sie zu blockieren schadet deiner KI-Sichtbarkeit direkt), damit du pro Bot die richtige Entscheidung triffst. Die Domain wird aus der gespeicherten Website des Kunden vorausgefüllt. Crawl-Insights ist die Gegenansicht: Sobald du deine Server-Logs weiterleitest, zeigt sie, wie oft jeder KI-Crawler die Website tatsächlich besucht — aus „wir erlauben GPTBot“ wird „GPTBot hat letzte Woche 40 Seiten abgerufen“. Zusammen gilt: Crawlbarkeit sagt dir, wer die Website lesen *darf*; Crawl-Insights sagt dir, wer es *tut*.

Alles oben Beschriebene kann in einen Bericht wandern. Füge ein Tabellen-Widget ein, wähle die Quelle KI-Sichtbarkeit und setze die Dimension: Brand, Model, Brand × Model, Perception, Prompt, Gap analysis, Cited URLs, Crawler visits, Crawler access, Tag, Topic, Biggest Movers, Cited Sources, Source Performance, Source Health, Retrieval & Citations — dazu die Shopping-Dimensionen (Shopping, Product, SKU, Product Schema, Feed Readiness, Shopping Sources), die im Leitfaden zur KI-Shopping-Sichtbarkeit beschrieben sind. Jede davon richtet sich nach dem Zeitraum des Berichts und führt ihre Stichprobengröße mit, dein Kunde sieht also dieselben ehrlichen Zahlen wie du. „Gap analysis“ legt dem Kunden die Liste der Content-Lücken vor. Jede Zeile ist eine Domain, die die Modelle zitiert haben, mit vier Werten: „Cited with competitor“ ist die Zahl der Scan-Läufe, in denen diese Domain zitiert und ein Wettbewerber erwähnt wurde, „Cited with you“ ist derselbe Wert für die Marke deines Kunden, „Gap“ ist der erste Wert minus den zweiten, und „Runs“ zeigt, in wie vielen Läufen die Domain überhaupt vorkam. Eine Domain zählt höchstens einmal pro Lauf — zehn Zitate derselben Website innerhalb einer Antwort sind ein Vorkommen, nicht zehn —, die Zahlen lesen sich also als Reichweite und nicht als Wiederholung. Angezeigt werden nur Zeilen mit positivem Gap: Eine Domain, die dich genauso oft zitiert wie deine Wettbewerber, ist keine Chance, und neutrale Zeilen würden genau die begraben, bei denen sich Handeln lohnt. Einen Unterschied solltest du kennen, bevor ein Kunde danach fragt. Die Seite Gap-Analyse in der App wertet alle jemals erfassten Läufe aus — sie ist ein Arbeitswerkzeug, und dort willst du die vollständige Liste der Lücken sehen. Das Bericht-Widget richtet sich stattdessen nach dem Zeitraum des Berichts, weil ein Kundenbericht eben eine Periode abdeckt. Dasselbe Projekt kann auf dem Bildschirm also völlig zu Recht mehr Domains zeigen als im Bericht des letzten Monats — das sind zwei Werkzeuge, die zwei verschiedene Fragen beantworten, und keine Abweichung, der du nachgehen musst. „Prompt“ schlüsselt die Ergebnisse nach der einzelnen Frage auf, statt sie zusammenzufassen. Tag und Topic gruppieren Prompts — das ist die richtige Ebene für ein Thema und die falsche für „Wenn jemand genau diese Frage stellt, tauchen wir dann auf?“, also für die Frage, die Kunden tatsächlich stellen. Sortiert wird schlechteste zuerst, denn ein Bericht zur KI-Sichtbarkeit ist nützlicher, wenn er mit den Fragen aufmacht, die du verlierst, statt mit denen, die du ohnehin gewinnst. „Cited URLs“ ist das Gegenstück zu Cited Sources auf Seitenebene. Cited Sources kennt nur Domains, ein Reddit-Thread, ein Testbericht und ein Forenbeitrag fallen also alle zu „reddit.com“ zusammen — richtig für „welche Websites zählen“, falsch für „auf welche Seite müssen wir“. Jede Zeile ist eine echte URL mit grobem Seitentyp, der Zahl der Zitationen und der Information, ob in denselben Antworten deine Marke oder ein Wettbewerber genannt wurde. „Crawler access“ zeigt die robots.txt-Haltung Bot für Bot, blockierte zuerst, damit Probleme oben stehen. Beachte: Diese Tabelle folgt NICHT dem Zeitraum des Berichts wie die übrigen — sie liest die jüngste Crawlbarkeits-Prüfung, denn die robots.txt-Haltung ist ein aktueller Zustand und nichts, was sich über eine Periode ansammelt. Sie zu einem beliebigen vergangenen Datum zu zeigen wäre irreführend, weil sie längst behoben sein kann. „Crawler visits“ ist die zweite neue Tabelle und der einzige Beleg zur KI-Sichtbarkeit, der gemessen und nicht gesampelt ist: Sie listet die KI-Crawler auf, die tatsächlich Seiten der Website abgerufen haben, gelesen aus Server-Logs. Dafür muss zuerst die Aufnahme der Crawl-Logs für das Projekt eingerichtet sein — wie das funktioniert und was eine leere Tabelle bedeutet, steht im Leitfaden „KI-Crawler & Crawlbarkeit“.

Größere Projekte profitieren von etwas Ordnung. Die Ansicht Marken verwaltet die exakten Namen, die CrunchJunkie als Erwähnung erkennt — dein Kunde plus seine Wettbewerber —, inklusive Schreibvarianten und Aliassen, damit eine Erwähnung nie übersehen oder falsch gezählt wird. Mit Tags beschriftest du Prompts (nach Thema, Funnel-Stufe oder Priorität des Kunden) und filterst danach jede Kennzahl — der schnellste Weg zu Antworten auf Fragen wie „Wie sichtbar sind wir bei Vergleichs-Prompts am Ende des Funnels?“. In den Projekt-Einstellungen steuerst du Markenname und Website, die Wettbewerberliste, welche Modelle laufen, die Durchläufe pro Prompt und den Scan-Zeitplan. Der Zeitplan ist Aus, Täglich oder Wöchentlich — und du legst die genaue Uhrzeit fest (und bei wöchentlich den Tag), in deiner eigenen Zeitzone, damit Scans dann laufen, wann du sie brauchst. Änderungen hier greifen ab dem nächsten Scan.

Du trackst die KI-Sichtbarkeit schon in Peec AI? Dann kannst du ein Peec-Projekt direkt nach CrunchJunkie importieren, statt für diesen Kunden eigene Scans laufen zu lassen. Öffne unter Daten → Integrationen auf der Karte Peec AI die Schaltfläche Verbinden, wähle den Kunden und füge einen projektbezogenen Peec-API-Key ein (in Peec unter Account → API Keys erstellt). CrunchJunkie prüft den Key und importiert dann Sichtbarkeit, Share of Voice, Sentiment, durchschnittliche Position, Prompts und zitierte Quellen des Projekts. Nach dem Import versorgen die Daten exakt dieselben KI-Sichtbarkeits-Ansichten und Bericht-Widgets wie eigene Scans — Übersicht, Prompts, Quellen, Gap-Analyse und der Bericht-Builder funktionieren unverändert. Das Projekt ist als Peec-Import gekennzeichnet, die Herkunft der Zahlen ist also immer klar, und eine erneute Synchronisation holt die aktuellen Werte. Beachte: Peecs REST-API gehört derzeit zu ihrer Enterprise-/Beta-Stufe, der Key braucht auf ihrer Seite also aktivierten API-Zugang.

Aus Peec importierte Daten und CrunchJunkies eigene Scans liegen beim selben Kunden nebeneinander, ohne sich gegenseitig zu überschreiben. Jeder Datenpunkt trägt seine Herkunft — „peec“ oder „native“ —, und beide werden unter verschiedenen Modellnamen gespeichert (Peec nutzt sprechende Labels wie „ChatGPT“ und „Perplexity“; eigene Scans nutzen die konkret aufgerufenen Modellversionen, z. B. ChatGPT auf GPT-5.6 mit Websuche oder Perplexity Sonar Pro). Deshalb überschreiben sie einander nie: Ein eigener Scan legt seine Daten neben die importierten Peec-Daten, statt sie zu ersetzen, und eine Peec-Neusynchronisation aktualisiert nur ihre eigenen importierten Zeilen. Hat ein Kunde beides, zeigt die KI-Sichtbarkeits-Übersicht einen Quellenschalter — Alle Daten / CrunchJunkie-Scans / Peec AI (importiert) —, mit dem du jede Quelle einzeln oder beide zusammen ansiehst. Eines solltest du im Kopf behalten: In der kombinierten Ansicht „Alle Daten“ kann derselbe Assistent zweimal auftauchen (einmal aus Peec, einmal aus einem eigenen Scan). Für einen einzelnen Kunden behandelst du also am besten eine Quelle als maßgeblich und nutzt den Schalter, wenn du vergleichen willst. Ein importiertes Peec-Projekt beginnt nicht von selbst mit eigenen Scans — es hat keine eigenen Prompts, und sein Scan-Zeitplan bleibt aus, bis du Prompts hinzufügst und dich für eigene Läufe entscheidest.

Es gibt zwei Wege, Scans laufen zu lassen. Mit eigenen Schlüsseln (BYOK) verbindest du deine eigenen API-Keys für jedes Modell; CrunchJunkie führt die Scans darüber aus, und du zahlst ausschließlich die Nutzungspreise der Anbieter, ohne Aufschlag. Die Schlüssel werden verschlüsselt gespeichert und nur für deine Scans verwendet. Das ist die günstigste Variante, wenn du ohnehin schon Anbieter-Konten hast. Managed AI ist die Alternative ohne Einrichtung: CrunchJunkie führt die Scans auf der eigenen Infrastruktur aus, du verwaltest keine Schlüssel. Abgerechnet wird pro Check (ein Check = ein Prompt-Durchlauf). Die Modellwahl ist frei — du wählst einen Monatstarif mit inkludiertem Check-Kontingent, von 25 €/Monat (Lite, 600 Checks) bis 399 €/Monat (Scale, 11.400 Checks), und zahlst darüber hinaus 0,05 € pro Check (alles zzgl. MwSt.). Effiziente Modelle zählen 1× pro Check, Premium-Modelle (ChatGPT, Claude, Perplexity, Grok) 3×. Du kannst Managed AI und eigene Schlüssel mischen, einzelne Modelle jederzeit an- und abschalten, pro Modell wechseln und ein Ausgabenlimit setzen. Die aktuellen Managed-AI-Details stehen auf der Preisseite.

Bevor du ein vollständiges Projekt aufsetzt, kann jeder eine Kurzfassung unter /ai-visibility-check auf der Marketing-Website ausprobieren — ohne Konto, ohne Anmeldung. Gib eine Marke ein (und optional bis zu drei eigene Prompts sowie eine E-Mail-Adresse für die ausführlichere Auswertung), und CrunchJunkie führt an Ort und Stelle einen kleinen, echten Scan aus: Es fragt ein einzelnes, web-gestütztes KI-Modell mehrfach ab und meldet als Sichtbarkeit in %, wie oft die Marke genannt wurde — mit exakter Stichprobengröße („n = … Durchläufe“) und einer Fehlerspanne (± Standardfehler) sowie allen tatsächlich zitierten Quellen. Es ist bewusst eine kleine Stichprobe auf einem Modell, und die Seite sagt das auch — ein ehrlicher Snapshot, kein erfundener Score. Und wenn ein oder zwei Durchläufe scheitern, wird der Wert auf Basis der tatsächlich abgeschlossenen neu berechnet. Es ist ein guter Weg, einem Interessenten in unter einer Minute zu zeigen, was die KI über ihn sagt; das vollständige Produkt trackt durchgehend über alle acht Modelle, mit deutlich mehr Prompts, Wettbewerbern, Quellen und Trends über die Zeit. Nutz den Check als Einstieg und leg danach ein Projekt an, um in die Tiefe zu gehen.

Wenn du ChatGPT (oder Gemini, Perplexity) auf dem Handy öffnest, einen deiner Prompts stellst und das Ergebnis mit einem CrunchJunkie-Scan vergleichst, werden die Antworten meist nicht exakt übereinstimmen — und das ist zu erwarten. KI-Antworten sind nicht deterministisch und personalisiert, ein einzelner manueller Check und ein kontrollierter Scan messen also verschiedene Dinge. Fünf Gründe für die Abweichung: • Anderes Modell. Die Consumer-Apps von ChatGPT/Gemini/Perplexity nutzen das Standardmodell und die eingebaute Websuche, die dein Konto gerade bekommt. CrunchJunkie scannt eine definierte Liste konkreter Modellversionen über deren APIs (z. B. ChatGPT auf GPT-5.6 mit Websuche, Perplexity Sonar, Gemini, Google AI Overview). Anderes Modell, andere Antwort. • Personalisierung. Deine App schleppt Erinnerungen, eigene Anweisungen, Kontohistorie und deinen Standort mit — all das verzerrt die Antwort (z. B. Richtung Agenturen in deiner Nähe). Scans laufen sauber und neutral, ohne persönliches Gedächtnis, gegen den Markt, den du konfigurierst — die Ergebnisse sind also über Kunden und über die Zeit hinweg vergleichbar. • Live-Browsing. Wenn die App im Web recherchiert, zieht sie frische Ergebnisse, die sich von Minute zu Minute ändern. Ein Scan hält einen kontrollierten Snapshot fest. • Stichprobe. Derselbe Prompt liefert bei Wiederholung andere Antworten, weil Modelle samplen. Genau deshalb führt CrunchJunkie jeden Prompt mehrfach aus und aggregiert — ein einzelner manueller Durchlauf ist eine einzelne, verrauschte Stichprobe. • Zeit. Modelle und der Web-Index ändern sich laufend; ein Scan von letzter Woche und ein Check von heute werden auseinanderliegen. Kurz gesagt: Ein manueller Stichprobentest ist ein personalisierter, verrauschter Datenpunkt. Der Wert von CrunchJunkie liegt in der kontrollierten, wiederholbaren Messung über viele Durchläufe, die dieses Rauschen herausmittelt — damit du den Trend verfolgen und Marken fair vergleichen kannst, statt auf einen einzelnen Screenshot zu reagieren.