---
title: "KI-Sichtbarkeit"
url: "/de/docs/ai-visibility"
canonical_url: "https://crunchjunkie.io/de/docs/ai-visibility"
markdown_url: "https://crunchjunkie.io/de/docs/ai-visibility.md"
language: "de"
type: "doc"
summary: "Ein Projekt aufsetzen, Prompts und Modelle hinzufügen, die Kennzahlen lesen und den Scan-Modus wählen."
site: "CrunchJunkie"
llms_txt: "https://crunchjunkie.io/llms.txt"
---

# KI-Sichtbarkeit
Source: https://crunchjunkie.io/docs/ai-visibility

Ein Projekt aufsetzen, Prompts und Modelle hinzufügen, die Kennzahlen lesen und den Scan-Modus wählen.

## Ein Sichtbarkeitsprojekt aufsetzen
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. Große Wettbewerber-Sets sind kein Problem — ein Projekt kann ein ganzes Branchenranking verfolgen; ab 20 verfolgten Namen liest die Erkennung nur noch die Marken, die eine Antwort tatsächlich nennt, damit eine lange Liste die Genauigkeit nie verschlechtert. Ein als Webadresse eingetragener Wettbewerber („https://www.example.com/“) wird unter seiner Domain („example.com“) verfolgt, mit der Domain als Website; benenne ihn auf der Seite Marken so, wie Antworten diese Marke nennen, denn Erwähnungen werden über den Namen zugeordnet. Beim Umbenennen wandern die bisherigen Daten des Wettbewerbers (Erwähnungen und Tageswerte) zum neuen Namen.

Die Einrichtung entwirft die ersten Prompts für dich aus den bisherigen Angaben (Marke, Webadresse, Kategorie, Wettbewerber und Markt; die Website selbst liest sie nur, wenn ein Markenprofil existiert): offene Fragen, die Käufer stellen, bevor sie wissen, welche Marke sie wählen, und höchstens eine zur Marke. Bei einem Prompt, dessen Text die Marke nennt, steht, ob er als Marke oder Entdeckung abgelegt wird, und ein Klick ändert das. Hak sie an, bearbeite oder ersetze sie; kommt kein Entwurf zurück, zeigt der Schritt leere Felder und die Schaltfläche **Prompts vorschlagen**.

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 hinzufügen
Prompts sind die Fragen, die CrunchJunkie stellvertretend für dich an die KI-Modelle stellt. Du legst sie im Tab Prompts des Projekts an und gibst jedem eine Kategorie: Prompts der Kategorie Entdeckung sind markenlose Kategoriefragen („beste Reporting-Tools für Agenturen“), Marke-Prompts nennen deinen Kunden direkt („Taugt Lumière etwas?“) und Wettbewerber-Prompts nennen einen Wettbewerber oder fragen nach Alternativen zu ihm („Alternativen zu Velora“).

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. Welche Prompts du anlegst und wie viele, steht im nächsten Abschnitt.

## Prompts auswählen
Die Prompts bestimmen, was jede Kennzahl zur KI-Sichtbarkeit misst. Sichtbarkeit, Share of Voice und Position werden über die Antworten auf diese Prompts gezählt. Ein Set, das die falschen Fragen stellt, liefert genaue Zahlen über das Falsche.

Hier steht die Methode, mit der wir arbeiten. Sie stammt aus unserer Studie mit 2.160 Antworten von ChatGPT, Gemini und Perplexity vom 8. und 9. Oktober 2026. Die Studie stellte 120 Prompts zu CRM-Software und Laufschuhen, in den USA und in Deutschland. Ergebnisse, Methode im Detail und Daten stehen im Beitrag [Prompts für KI-Sichtbarkeit auswählen](https://crunchjunkie.io/blog/how-to-choose-ai-visibility-prompts). Jede Zahl aus der Studie unten stammt aus diesem Beitrag. Zählungen stehen mit der Zahl der Antworten, auf die sie sich beziehen, etwa „175 von 216“. Ein Anteil gemeinsamer Marken zweier Antworten ist ein Durchschnitt über die Kaufabsichten der Studie, wie der Beitrag erklärt.

### Bei den Fragen der Käufer anfangen
Schreib für jede Phase auf, mit welchen Anliegen Käufer in die Kategorie kommen. Das Problem, das sie haben (Awareness). Die Shortlist (Consideration). Die Marken, die sie vergleichen (Evaluation). Wo und wie sie kaufen (Decision oder Purchase). Eine Zeile pro Anliegen. Diese Zeile ist eine Absicht, und der Prompt ist die Frage, mit der ein Käufer sie stellt.

Prüf die Problemphase, bevor du dich festlegst. Lass jeden Kandidaten ein paar Mal auf den Engines laufen, die für dich zählen, und behalte ihn, wenn die Antworten Marken nennen. In der Studie nannten Prompts zum Problem in 175 von 216 CRM-Antworten eine Marke, aber nur in 55 von 216 Laufschuh-Antworten. Nennen die Antworten in deiner Kategorie selten Marken, behalte ein oder zwei Prompts zum Problem zur Beobachtung. Setz den Rest weiter unten im Funnel ein. Shortlist-Prompts nannten in beiden Kategorien in allen 216 Antworten Marken.

Bei einem physischen Produkt lohnt ein Blick darauf, was die Kauf-Prompts nennen. Am ersten Tag kam die Laufladen-Kette Fleet Feet in 63 von 108 Antworten auf Laufschuh-Kauffragen vor. Wer das Produkt herstellt, misst mit solchen Prompts zum Teil die Händler, die es verkaufen.

### Eine Formulierung pro Absicht, keine Suggestivfragen
Formuliere jede Absicht einmal, so wie deine Käufer fragen. Eine einfache Frage ist ein guter Standard. Zwei Durchläufe desselben Prompts auf derselben Engine hatten im Schnitt 55 % ihrer Marken gemeinsam. Zwei Formulierungen derselben Absicht kamen auf 43 %. Eine zweite Formulierung bringt also vor allem die Schwankung, die schon bei einer Wiederholung entsteht.

Steck die Prompts lieber in weitere Absichten. Nimm neun Laufschuh-Prompts. Neun Absichten in je einer Formulierung trafen das vollständige Ranking fast immer ziemlich genau. Drei Absichten in je drei Formulierungen lagen etwa jedes zehnte Mal deutlich daneben (je 500 zufällige Sets).

Eine Persona lohnt sich nur, wenn die Situation des Käufers verändert, was eine gute Antwort ist: ein knappes Budget, Plattfüße, ein Team, das sein letztes CRM gehasst hat. Zähl eine solche Persona als eigene Absicht.

Lass die Frage offen. Nennt ein Prompt eine Marke, kommt sie in der Antwort wieder vor. Bei den meisten solchen Prompts der Studie stand die genannte Marke in allen 54 Antworten, am niedrigsten lag On mit 45 von 54. „Warum ist Acme das beste CRM?“ oder „Vergleiche Acme, HubSpot und Pipedrive“ messen also vor allem, ob die Engine die Frage wiederholt. Dasselbe gilt für einen Prompt, der aus deinem Slogan oder deiner Feature-Liste gebaut ist. Verfolge ihn, wenn Käufer wirklich so fragen, aber bau das Set nicht aus deinen eigenen Versprechen.

### Prompts mit und ohne Markennamen
Die meisten Prompts im Set sollten keine Marke nennen. Sie beantworten die Frage, um die es geht: Wirst du empfohlen, wenn der Käufer dich nicht genannt hat? Ein paar Prompts mit Markennamen lohnen sich trotzdem. Sie zeigen, was eine Engine sagt, wenn jemand gezielt nach dir fragt. Halte sie aus der Hauptkennzahl heraus. Bei den Laufschuh-Prompts ohne Markennamen war Brooks die am zweithäufigsten genannte Marke, in 272 von 594 Antworten. Nahm man die Prompts mit Markennamen dazu, stand Brooks auf Platz eins, in 481 von 864, und Asics fiel von Platz eins auf Platz drei.

CrunchJunkie markiert einen Prompt als **Marke**, wenn sein Text deinen Markennamen oder einen seiner Aliasse von der Seite Marken enthält. Der Tab Prompts zeigt die Sichtbarkeit **Mit Marke** und **Ohne Marke** nebeneinander, jeweils mit den Durchläufen dahinter, und die Übersicht zeigt eine Zeile unter den Kennzahlen – Sichtbarkeit ohne gegen die mit Markennennung, die Erklärung hinter dem Info-Symbol –, wenn Prompts mit Markennamen die Hauptkennzahl aufblähen. Ein ohne Kategorie hinzugefügter Prompt, der die Marke oder einen Alias nennt – jeweils auch ohne Rechtsform, wenn das unter Einstellungen → Marken eingeschaltet ist, „Was ist pmax Online?“ nennt also „Pmax Online SL“ –, wird außerdem in der Kategorie **brand** (Marke) abgelegt, und CrunchJunkie sagt das („Als Marke abgelegt, weil er … nennt; ändere das, wenn es eine allgemeine Frage ist“): Ein beschreibender Markenname kann in einer offenen Frage stehen („beste Bahnreisen in Neuseeland“ bei einer Marke namens Neuseeland-Bahn). Eine Kategorie, die du wählst, auch Entdeckung, bleibt immer. Ändern sich Name oder Aliasse der eigenen Marke, folgen nur so abgelegte Prompts; vor dieser Regel gespeicherte Prompts bietet die Übersicht mit je einem Häkchen zum Neuzuordnen an, und ohne deinen Klick wandert nichts. Themenwerte, auch die früherer Zeiträume, werden aus der aktuellen Kategorie jedes Prompts berechnet; eine Neuzuordnung ändert sie also, und ein Hinweis in der Zeitleiste sagt, wann. Nennt ein Prompt nur einen Wettbewerber, wird er nicht automatisch markiert. Gib ihm die Kategorie **competitor** (Wettbewerber), Fragen zu deiner eigenen Marke die Kategorie **brand** (Marke) und offenen Fragen zur Kategorie **discovery** (Entdeckung). Wählst du dann im Prompt-Filter der Übersicht Entdeckung, bekommst du die Zahl zur Frage „Werden wir empfohlen, wenn niemand uns nennt?“.

### Märkte und Sprachen
Bau das Set für jeden Markt aus den Fragen der Käufer dort, in ihrer Sprache, und behandle es als eigenes Set. Ein übersetztes US-Set ist ein Anfang, kein fertiges Set. Über die beiden Tage hatten Dreiergruppen deutscher und US-Antworten 51 % ihrer Marken gemeinsam. Zwei US-Tage kamen auf 75 %. CentralStationCRM, ein CRM aus Deutschland, kam in 123 von 216 deutschen CRM-Antworten vor und in keiner der 864 US-Antworten. Eine Wettbewerberliste für die USA hätte es nicht enthalten.

In CrunchJunkie setzt du den Markt pro Prompt: im Auswahlfeld **Markt** im Tab Prompts oder in den Spalten market und language beim Import. Schreib jeden Prompt in der Sprache der Käufer in diesem Markt. Warum, steht weiter unten in „Markt, Sprache und in welcher Sprache du Prompts schreibst“ und „Ein Kunde, viele Märkte“. Ein Markt kann eigene Wettbewerber erfassen: Wähl auf der Seite Marken „Eigene Wettbewerber für“ diesen Markt.

### Wie viele Prompts
Eine feste richtige Zahl gibt es nicht. Sie hängt davon ab, wie knapp das Rennen ist. Bei CRM kam HubSpot in 586 von 648 Antworten vor, und beliebige fünf Prompts setzten HubSpot in 493 von 500 zufälligen Sets auf Platz eins. Zwanzig Prompts ordneten die 21 CRM-Marken mit mindestens zehn Nennungen in neun von zehn Sets fast so wie alle Prompts zusammen. Für alle 37 Marken mit mindestens fünf Nennungen brauchte es 25. Beide Zahlen stammen aus dem groben Raster an Set-Größen der Studie; ein Raster über alle Größen ergibt 15 und 22, und die Übereinstimmung mit dem vollen Set der Studie ist für ein eigenes Set nur eine Obergrenze. Bei Laufschuhen trennten Asics und Brooks 3,5 Punkte. Selbst alle 33 Prompts über zwei Tage konnten die beiden nicht trennen, ehrlich berichtet liegen sie also gleichauf.

Fang deshalb mit einem Prompt pro Absicht an, lass ein paar Scans laufen und sieh dir die Abstände zwischen den Marken an, die dich interessieren. Einen Spitzenreiter mit großem Vorsprung findet schon eine Handvoll Prompts. Liegen Marken wenige Punkte auseinander, verkleinern mehr Prompts und mehr Durchläufe die Fehlermarge. Manchmal trennen sie sich trotzdem nicht.

Jede Kennzahl zählt Antworten: Prompts × Engines × Durchläufe pro Prompt × Scans im Zeitraum. Zwanzig Prompts im Scan-Modus Ausgewogen (vier Engines, je zwei Durchläufe) ergeben bis zu 160 Antworten pro Scan und bis zu 640 über vier wöchentliche Scans. Ein fehlgeschlagener Check speichert keine Antwort, die echte Zahl kann also niedriger sein. Die Fehlermarge schrumpft mit der Wurzel der Antwortzahl, viermal so viele Antworten halbieren sie also ungefähr. In der Studie kamen Asics, Brooks und Hoka jeweils in knapp der Hälfte von 594 Laufschuh-Antworten vor, mit einer Fehlermarge von etwa vier Punkten nach oben und unten. Jede Karte zur KI-Sichtbarkeit zeigt die Durchläufe dahinter, die Karte Sichtbarkeit auch ihre Fehlermarge als ±. [Stichprobengröße und Fehlermarge](https://crunchjunkie.io/docs/reporting#sample-size) erklärt beides, und unter [Scan-Modi und Kostenkontrolle](https://crunchjunkie.io/docs/ai-visibility#scan-modes) legst du Engines und Durchläufe fest. In der Testphase kann ein Projekt bis zu 10 aktive Prompts haben. Verteil sie auf 10 verschiedene Absichten.

Werte Prompts in Gruppen aus, nicht einzeln. Nimm die drei Durchläufe eines Prompts auf einer Engine an einem Tag: In 300 von 414 solchen Gruppen lagen zwei oder mehr Marken beim Spitzenwert gleichauf. Beurteile die Sichtbarkeit nach Tag, Kategorie oder Markt.

### Wie oft scannen
Unter Einstellungen → Scan-Konfiguration → **Durchläufe pro Prompt** bestimmst du, wie oft jeder Prompt pro Scan auf jeder Engine gestellt wird. Mehr Durchläufe glätten die Schwankung zwischen den Durchläufen. Jeder Durchlauf eines Prompts auf einer Engine ist ein Check. Bei Managed AI zählt ein Check auf einer der Premium-Engines (ChatGPT, Claude, Grok) 3× gegen dein Kontingent; mit eigenen Schlüsseln berechnet jeder Anbieter jede Antwort zu seinem eigenen Preis. Das Auswahlfeld bietet Werte bis zum Limit deines Plans an und nennt dieses Limit.

Unter **Automatischer Zeitplan** reicht „Wöchentlich“. Ein Markt des Projekts kann nach eigenem Zeitplan laufen (Einstellungen → Märkte → Zeitplan); der Abschnitt „Ein Kunde, viele Märkte“ erklärt es. In der Studie hatten zwei Durchläufe von verschiedenen Tagen 55 % ihrer Marken gemeinsam, genauso viel wie zwei Durchläufe mit Minuten Abstand. Keiner von 40 Markenanteilen bewegte sich von einem Tag zum nächsten über seine Fehlermarge hinaus. Das beruht auf zwei aufeinanderfolgenden Tagen, drei Engines und zwei Kategorien und sagt nichts über eine langsame Drift über Wochen oder Monate. Vergleiche Wochen und miss jede Veränderung an ihrer Fehlermarge.

### Kategorie, Tags und Intent
Ein Prompt trägt drei Labels, und jedes hat eine andere Aufgabe.

Die Kategorie bestimmt, in welchen Topf ein Prompt zählt: Entdeckung, Marke, Wettbewerber oder Shopping. Wie Prompts mit Markennamen abgelegt werden, steht im Abschnitt oben.

Die Tags tragen die Methode. Trag Phase, Formulierung und Kaufabsicht durch Semikolons getrennt ein, zum Beispiel „stage: consideration; wording: question; intent: free crm“. Die Präfixe sind optional. Der Prompt-Filter oben in der Übersicht („Nach Prompt-Thema oder Tag filtern“) schränkt dann die ganze Seite auf einen Tag ein. So wertest du Awareness- und Consideration-Prompts getrennt aus. Im Tab Prompts sind die Tags nach ihrem Präfix gruppiert: ein Button je Präfix (Intent, Phase, Sprache, Formulierung und Weitere für Tags ohne Präfix) mit der Zahl der Tags darin; er öffnet eine Suche und eine Checkliste mit der Zahl der Prompts hinter jedem Tag. Hakst du mehrere Werte eines Präfixes an, siehst du Prompts mit einem davon; hakst du Tags aus verschiedenen Gruppen an (oder mehrere Tags ohne Präfix), siehst du nur Prompts, auf die alle zutreffen. Eine Gruppe „market:“ entfällt, solange die Seitenleiste den Marktwechsel hat, der dasselbe leistet. Was die Tabelle filtert, steht als eine Zeile Chips da, die du einzeln entfernst, samt „Filter zurücksetzen“; jede Zeile zeigt ihre ersten zwei Tags und +N, ein Klick auf die Zelle zeigt alle Tags und lässt dich welche hinzufügen oder entfernen.

Die Spalte Intent meint etwas anderes: die Suchintention, also Kommerziell, Informativ oder Navigierend. CrunchJunkie sagt sie aus der Formulierung voraus, und du kannst sie ändern. Der Tab Prompts zeigt die Sichtbarkeit je Intent neben der Aufteilung Mit Marke und Ohne Marke, jeweils mit den Durchläufen dahinter. Deine Kaufabsichten stehen in den Tags.

### Wo unsere Werkzeuge helfen
Die Einrichtung entwirft ein erstes Set aus Marke, Webadresse, Kategorie, Wettbewerbern und Markt: offene Fragen, die Käufer vor der Wahl stellen, und höchstens eine zur Marke. **Prompts vorschlagen** im Tab Prompts schlägt weitere vor, aus denselben Angaben, aus deinen Scan-Daten, sobald es welche gibt (Badge **Lücke**), und aus Suchanfragen der Search Console, wenn sie verbunden ist. **Aus Keywords** macht aus deinen eigenen Begriffen Käuferfragen. Behandle all das als Kandidaten. Gleich jeden mit deiner Liste von Absichten ab, nimm einen pro Absicht und verwirf den Rest. Ein verworfener Vorschlag kommt nicht wieder.

Willst du das Set in einer Tabelle bauen, lade die [Prompt-Vorlage](https://crunchjunkie.io/blog/data/how-to-choose-ai-visibility-prompts-worksheet.csv) herunter. Sie hat die Spalten des Imports (prompt, tags, category, intent, market, language und active) und sechs Beispielzeilen. Trag pro Prompt eine Zeile ein und lade die Datei unter Prompts → **Importieren** hoch. In der Vorschau siehst du, was angelegt wird, bevor etwas gespeichert ist.

Sobald ein paar Scans gelaufen sind, sortier die Prompts-Tabelle nach **Chance**. Sie ordnet die Prompts danach, wie oft Wettbewerber dort genannt werden, wo du fehlst, gemessen an deinen eigenen Durchläufen. Solange ein Prompt weniger als sechs Durchläufe hat, steht dort Sammelt.

### Wann du einen Prompt ersetzt oder streichst
Steht das Set, lass es ein paar Wochen unverändert. Jeder Prompt, den du hinzufügst oder entfernst, ändert die Grundlage der Hauptkennzahl, und die Zeitleiste vermerkt den Tag.

Ersetz einen Prompt, wenn Käufer nicht mehr so fragen, etwa nach einer Änderung am Produkt. Ersetz ihn auch, wenn er eine Absicht wiederholt, die du schon verfolgst. Nennt ein Prompt doch eine Marke, ändere seine Kategorie, statt ihn zu entfernen. Streich einen Prompt zum Problem, wenn seine Antworten auch nach ein paar Scans keine Marke aus deiner Kategorie nennen. Streich keinen Prompt, nur weil du in seinen Antworten fehlst. Genau auf diese Lücke zeigt die Spalte Chance.

Ein umformulierter Prompt ist ein neuer Prompt. Leg die neue Formulierung an und stopp die alte. So bleiben die alten Antworten bei der Frage, die sie erzeugt hat.

Willst du einen Prompt nicht mehr stellen, pausier ihn, statt ihn zu löschen. Die Pause-Taste in seiner Zeile im Tab Prompts hält ihn an: Kein Scan stellt einen pausierten Prompt, und aus einem Scan, der wartet oder läuft, fällt er ebenfalls heraus. Alle Antworten, die er schon hat, bleiben erhalten. Die Zeile ist als Pausiert markiert, und der Filter Status über der Tabelle zeigt die pausierten oder die aktiven Prompts für sich. Fortsetzen, die Play-Taste an derselben Stelle, lässt ihn in jedem Scan wieder stellen, der danach startet; ein Scan, der schon wartet, behält die Liste, mit der er gestartet wurde. In der Testphase kann ein Projekt bis zu 10 aktive Prompts haben; einen weiteren fortzusetzen wird abgelehnt, bis du einen anderen pausierst. Die Antworten eines pausierten Prompts bleiben in jeder Kennzahl der Tage, an denen er gestellt wurde: in der Übersicht samt ihren Themen- und Tag-Ansichten, in Berichten, im Tab Prompts und im MCP-Connector. Nur was nach vorn schaut, lässt einen pausierten Prompt weg: Scans und ihre Kostenschätzung, die Empfehlungen auf der Seite Insights und die Content-Lücken, die der MCP-Connector und die REST-API auflisten.

Löschen fragt erst nach, denn es lässt sich nicht rückgängig machen. Der Papierkorb öffnet einen Dialog, der die gespeicherten Antworten des Prompts zählt, mit dem Datum der ersten und der letzten, und Stattdessen pausieren als Standard anbietet; erst ein zweiter Klick, auf Endgültig löschen, löscht. Dabei wird der Prompt mit allen gespeicherten Antworten entfernt, dazu jeder Content Brief, der für ihn geschrieben wurde. Ansichten, die einzelne Antworten zählen, etwa der Tab Prompts, Quellen, Zitate und die Themen- und Tag-Ansichten, werden danach ohne sie neu berechnet, auch für frühere Zeiträume. Die Hauptkennzahlen der Übersicht und die Bericht-Widgets, die sie zeigen, lesen Tageswerte, die bei jedem Scan gespeichert wurden; auch diese Tage werden ohne die gelöschten Antworten neu berechnet – sofort bei kurzer Historie, innerhalb weniger Stunden bei langer –, sodass alle Ansichten übereinstimmen.

Pausieren, Fortsetzen und Löschen tragen jeweils eine interne Notiz in die Zeitleiste ein, wie das Hinzufügen eines Prompts. Der MCP-Connector arbeitet genauso: remove_tracking_prompt pausiert einen Prompt standardmäßig, und sein Löschmodus zeigt vorher in der Vorschau dieselben Zahlen; update_tracking_prompt pausiert mit active auf false und setzt mit active auf true fort. Die REST-API liest Prompts nur. Die Spalte active beim Import setzt nur den Zustand der Prompts, die der Import neu anlegt; eine Zeile für einen Prompt, den du schon verfolgst, wird übersprungen. Wer nur Leserechte hat, sieht dieselben Tasten, aber Pausieren, Fortsetzen und Löschen werden abgelehnt.

## Prompts stapelweise importieren
Wenn du schon eine Liste mit Prompts hast — in einer Tabelle, aus einem anderen Tool exportiert oder von einer Kundin übergeben —, importiere die ganze Liste auf einmal, statt jeden Prompt einzeln zu tippen. Klicke im Tab Prompts auf **Importieren** und lade eine **CSV-, TSV- oder Excel-Datei (.xlsx)** hoch. CrunchJunkie liest einen Prompt pro Zeile und zeigt dir eine Vorschau, was genau angelegt wird, bevor irgendetwas gespeichert wird.

Lade die **Vorlage** im Import-Dialog herunter, um die Spalten zu sehen. Pflicht ist nur **prompt**; der Rest ist optional. Die Spalte **tags** enthält ein oder mehrere Labels, getrennt durch ein Semikolon (zum Beispiel „reporting; agencies“) — oder du verteilst Tags auf mehrere Tag-Spalten, wenn deine Tabelle so aufgebaut ist. **category** ist discovery, brand, competitor oder shopping — alles andere fällt auf discovery zurück. **market** und **language** setzen den Markt-Override eines Prompts (ein Ländername oder -code und eine Sprache), sodass ein einziger Import mehrere Märkte abdecken kann; lass sie leer, um den Projekt-Standard zu übernehmen. Setze **active** auf „no“, um einen Prompt ausgeschaltet zu importieren; in der Testphase wird eine solche Zeile immer importiert, denn zur Grenze der Testphase zählen nur aktive Prompts.

**Die Intention wird automatisch gesetzt.** Du brauchst keine Intent-Spalte: CrunchJunkie sagt die Intention jedes Prompts — Commercial, Informational oder Navigational — anhand der Formulierung voraus, genauso wie beim manuellen Hinzufügen. Wenn du sie lieber selbst festlegst, füge eine Intent-Spalte hinzu, und dein Wert gewinnt. So oder so bleibt jede Intention danach am Prompt editierbar.

Die Vorschau zeigt dir, wie viele Prompts bereit sind, wie viele übersprungen wurden (leer oder über 2000 Zeichen), wie viele Zeilen Duplikate waren und wie viele bereits im Projekt existieren. CrunchJunkie importiert nie einen Prompt, den du schon erfasst — ein erneuter Import einer aktualisierten Liste fügt also nur das Neue hinzu. Bestätige, und die Prompts erscheinen in der Tabelle, bereit zum Scannen.

## Markt, Sprache und in welcher Sprache du Prompts schreibst
Jedes Projekt hat einen **Markt** und eine **Sprache**, beide in den Projekt-Einstellungen. Sie legen fest, *was* jedes KI-Modell gefragt wird — nicht, wie viele Modelle laufen. Und sie richtig zu setzen, ist wichtiger als fast jede andere Einstellung im Produkt.

Sie wirken je nach Engine unterschiedlich, und genau darin liegt der Punkt. Den sieben Chat-Modellen (ChatGPT, Gemini, Perplexity, Claude, Grok, DeepSeek, Meta AI) wird gesagt, sie sollen für jemanden in diesem Markt und in dieser Sprache antworten. Google AI Overviews, Google AI Mode und Microsoft Copilot suchen stattdessen **aus dem gewählten Land heraus** — sie sind Suchoberflächen, keine Chat-Modelle.

Diese zweite Gruppe ist der Grund, warum die Prompt-Sprache zählt. Bei AI Overviews und AI Mode **ist** dein Prompt die Suchanfrage. „beste Marketing-Agentur München“ und „best marketing agency Munich“ sind zwei verschiedene Suchen — andere Ergebnisse, andere Quellen, andere KI-Antworten. Keine Markteinstellung ändert das; nur der Prompt-Text.

**Schreib Prompts also in der Sprache, in der die Kundschaft deines Kunden tatsächlich sucht.** Bei einem deutschen Kunden auf Deutsch. Der Maßstab ist nicht, in welcher Sprache deine Agentur arbeitet, sondern was eine echte Käuferin bei ChatGPT oder Google eintippt. Ein deutscher Mittelständler, der einen Dienstleister sucht, tippt Deutsch.

Eine Ausnahme, die du vorher prüfen solltest: In manchen Branchen und Märkten wird tatsächlich auf Englisch gesucht, weil englischsprachiges Material das Feld dominiert. B2B-Software in Skandinavien und den Niederlanden verhält sich oft so. Trifft das auf die Kategorie deines Kunden zu, sind englische Prompts die richtige Messung — dann lass sie so.

Die Sprache entscheidet auch, in welcher Sprache CrunchJunkie für das Projekt schreibt. Das automatische Befüllen des Markenprofils, die Prompt-Vorschläge, die Analysen Einwände und Faktencheck sowie die KI-Insights im GEO-Audit entstehen alle in der Sprache des Projekts, egal in welcher Sprache die Website oder die KI-Antworten sind; Marken- und Produktnamen bleiben, wie sie geschrieben werden. Was vor einem Sprachwechsel entstanden ist, bleibt so, bis du es neu erzeugst.

Markt und Sprache des Projekts sind die **Voreinstellung** — den Markt kannst du aber pro Prompt überschreiben, und genau so verfolgt ein Projekt eine Marke in mehreren Märkten zugleich. Der nächste Abschnitt zeigt, wie.

## Ein Kunde, viele Märkte
Bei mehreren Märkten beginnt die Übersicht mit einer Karte pro Markt: deine Sichtbarkeit dort mit der Zahl der Antworten, der Trend der letzten acht Wochen, der Wettbewerber, der diesen Markt anführt, und der Abstand in Punkten. Die gepoolte Zahl unter den Karten ist eine Zählung über alle Märkte, nie ein Durchschnitt der Marktquoten.

**Einen Markt hinzufügen** ist ein Schritt unter Einstellungen → Märkte: Land und Sprache wählen, die Prompts mitnehmen (ein KI-Entwurf deiner bestehenden Prompts in der neuen Sprache, den du prüfst und bearbeitest, bevor etwas gespeichert wird, oder vorerst keine), die Wettbewerber des Marktes festlegen und sehen, was ein Scan davon verbraucht. Das Markt-Steuerelement unter dem Markennamen schaltet dann jeden Tab auf einen Markt oder alle; sein Zustand steht im Link. Ein per MCP verbundener KI-Assistent kann dasselbe: translate_prompts entwirft die Prompts, add_market legt den Markt mit den geprüften an, merge_project führt ein bestehendes Projekt als Markt zusammen.

Die Antwortsprache folgt standardmäßig dem Markt: Ein Projekt mit Markt Deutschland stellt seine Prompts auf Deutsch, ein Projekt ohne Markt übernimmt die Sprache deines Kontos. Eine Änderung der Projektsprache erreicht die Prompts, die dem Projekt folgen; die mit eigener Sprache werden unter der Einstellung aufgelistet, mit dem Angebot, auch sie umzustellen, jeweils mit gleichem Markt.

Eine Marke, die in mehr als einem Sprachmarkt verkauft, zwang früher zu einer unschönen Wahl: ein Projekt, das alle Märkte zu einem einzigen, nichtssagenden Durchschnitt zusammenrührt — oder ein eigenes Projekt, schlimmer noch ein eigener Kunde, pro Markt, was die Marke zerlegt und doppelt abrechnet. Beides ist nicht nötig. **Der Markt wird pro Prompt gesetzt**, ein Projekt verfolgt eine Marke also in so vielen Märkten, wie sie beliefert.

Im Tab Prompts hat jeder Prompt ein **Markt**-Dropdown. Lass es auf **Erben (Projekt)**, um die Projekt-Voreinstellung zu nutzen, oder wähle ein Land, um diesen Prompt in seinem eigenen Markt zu scannen und zu poolen. Daneben sagt eine **Sprache**-Auswahl, in welcher Sprache der Prompt dort gestellt wird: Standard ist die übliche Sprache des Landes, auf Wunsch jede Sprache, in der wir scannen (Englisch in Spanien ist en-ES). Der Button **Markt & Sprache für … angezeigte Prompts** (er nennt die Zahl) setzt beides für die ganze aktuelle Liste auf einmal. Schreib jeden Prompt in der Sprache, in der die Kundschaft dieses Marktes tatsächlich sucht — einen deutschen Prompt auf Deutschland, einen englischen auf Großbritannien oder die USA — aus genau den Gründen des vorigen Abschnitts. Der gewählte Markt wird bei jedem Lauf zum Scan-Zeitpunkt festgehalten, eine spätere Prompt-Änderung benennt die bereits erhobene Historie also nie rückwirkend um.

Weil jeder Markt auf seiner eigenen Grundgesamtheit gepoolt wird, bleiben die Zahlen ehrlich — und sobald ein Projekt mehr als einen Markt umfasst, bekommt die Übersicht zwei Dinge dazu, um sie zu lesen. Ein **Nach Markt filtern**-Umschalter oben skaliert die ganze Seite — Sichtbarkeit, Share of Voice, Quellen, alles — auf jeweils einen Markt, oder **Alle Märkte** für die gemischte Ansicht. Und eine **Märkte**-Tabelle listet jeden Markt nebeneinander: Sichtbarkeit, Share of Voice, Sentiment, Ø Position und Anzahl der Läufe, jeweils nur auf den eigenen Scans dieses Marktes gepoolt. Share of Voice wird immer *innerhalb* eines Marktes gemessen und nie über Märkte hinweg vermischt, eine starke Position in Deutschland beschönigt also nie eine schwache in Großbritannien. Diese Nebeneinander-Ansicht ist der Teil, den die meisten Sichtbarkeits-Tools nicht bieten — hier siehst du, dass du in einem Markt führst und im anderen zurückliegst, was meist der ganze Grund ist, mehr als einen zu verfolgen.

Multi-Markt-Tracking ist **enthalten**, kein kostenpflichtiges Add-on. Es wird wie alles andere in der KI-Sichtbarkeit über Checks gemessen (Prompts × Engines × Durchläufe). Einem Prompt einen bestimmten Markt zu geben kostet keinen Aufschlag; ein in Deutschland gescannter Prompt kostet genau so viel wie jeder andere. Willst du wirklich dieselbe Frage in zwei Märkten messen, sind das zwei Prompts — also zwei Prompts an Checks, der ehrliche Preis dafür, zweimal zu messen.

**Ein Markt kann nach eigenem Zeitplan scannen.** Jeder Markt scannt mit dem Projekt, bis du ihm unter Einstellungen → Märkte → Zeitplan einen eigenen gibst: dieselben Regler für Rhythmus, Tag und Uhrzeit wie beim Projekt, in der angezeigten Zeitzone. Von da an verlassen seine Prompts den Scan des Projekts und laufen an ihren eigenen Tagen; alle anderen Märkte behalten den Zeitplan des Projekts, und die Marktliste zeigt den wirksamen Zeitplan jedes Marktes und seinen letzten eigenen Scan. Der eigene Scan eines Marktes stellt sich hinter einen noch laufenden Scan des Projekts und ersetzt nie einen. Der Rhythmus des Projekts wird an seinen eigenen Scans gemessen, der eines Marktes an seinen. Ein Zeitplan, der dem des Projekts gleicht, ist der des Projekts: Der Markt scannt dann einfach mit.

**Ein Projekt in einen Markt zusammenführen.** Eine Marke, die in zwei Kunden erfasst wird, einer pro Markt, kann ein Projekt werden: Öffne das Projekt, das aufgehen soll, Einstellungen → Märkte → **In ein anderes Projekt zusammenführen**, und wähle das Projekt derselben Marke beim anderen Kunden. Die Vorschau zeigt vor dem Schreiben genau, was umzieht (Prompts, Antworten, Tageswerte, Zeitleisten-Notizen, Signale), was beim alten Projekt bleibt (GEO-Audits, Crawlability-Prüfungen, Ranking-Keywords, Bot-Besuche) und welche Reports des alten Kunden keine AI-Visibility-Daten mehr zeigen würden. Die Zusammenführung läuft in einem Schritt: Die umgezogenen Antworten zählen im neuen Markt ab dem Tag, an dem sie gelaufen sind, und die Zahlen der anderen Märkte ändern sich nicht. Das alte Projekt bleibt bei seinem Kunden, inaktiv und leer, mit einem Hinweis, der dorthin führt, wo seine Daten jetzt liegen; es nimmt keine Prompts und keine Einstellungsänderungen mehr an. **Zusammenführung rückgängig machen** in der Zeile des neuen Marktes bringt alles zurück, auch die seitdem gescannten Antworten. Nur für Inhaber und Admins; beide Projekte bekommen eine Notiz in der Zeitleiste. Die Markennamen müssen exakt übereinstimmen, und ein auf beiden Seiten gleich formulierter Prompt wird abgelehnt, bis einer umformuliert ist.

**Jeder Markt kann eigene Wettbewerber erfassen.** Mit wem du in Deutschland konkurrierst, ist selten dasselbe wie in den USA. Auf der Seite Marken zeigt ein Projekt mit Prompts in mehr als einem Markt **Alle Märkte (Standard)** und einen Tab pro Markt. Jeder Markt erfasst die Standard-Wettbewerber, bis du **Eigene Wettbewerber für** diesen Markt wählst: Seine Liste beginnt als Kopie des Standards, und du fügst dort Wettbewerber hinzu, entfernst, benennst sie um und vergibst Aliasse. **Zurück zum Standard** setzt den Markt wieder auf die Standardliste. Die Aliasse deiner eigenen Marke gelten in jedem Markt. Ein Projekt mit einem Markt zeigt keine Tabs und funktioniert wie bisher.

Die Liste eines Marktes ändert nur diesen Markt. Ab dem nächsten Scan werden seine Antworten mit seiner eigenen Liste gelesen (den Wettbewerbern, ihren Aliassen und Websites), und sein Share of Voice wird an ihr gemessen. Andere Märkte, die Standardliste und alle bereits erhobenen Werte bleiben, wie sie sind: Frühere Antworten enthalten keine Nennung einer Marke, die du heute hinzufügst, also wird nichts rückwirkend neu berechnet. Jede Änderung schreibt eine Notiz in die Timeline, mit dem Markt beschriftet, die den Sprung im Share of Voice dieses Marktes erklärt.

Erfassen Märkte unterschiedliche Wettbewerber, bleibt die Ansicht **Alle Märkte** ehrlich. Der Share of Voice einer Marke ist ihr Anteil in den Märkten, in denen sie erfasst wird: ihre Nennungen an allen Nennungen der dort erfassten Marken, über diese Märkte zusammengezählt und einmal geteilt, nie ein Durchschnitt der Marktanteile. Ein Wettbewerber, der nur in einigen Märkten erfasst wird, ist mit diesen Märkten und seiner Zahl an Antworten beschriftet, und seine Werte beziehen sich nur auf diese Antworten. Weil jede Marke auf ihren eigenen Märkten gemessen wird, ergibt die Spalte nicht mehr 100 %; wähl einen Markt für den Share of Voice dieses Marktes. Berichte, Shopping-Empfehlungen, der MCP-Connector und die API folgen derselben Regel. Der Crawler-Benchmark des GEO Audits vergleicht dich weiter mit der Standardliste.

Teile trotzdem eine Marke **nicht** auf zwei Kunden oder zwei Projekte auf, um Märkte zu trennen. Das rechnet dieselbe Marke doppelt ab, zerlegt das Reporting und stellt ein Unternehmen als zwei dar. Setz stattdessen den Markt am Prompt.

## Prompts automatisch finden
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, Produkttyp, die Attribute, für die du bekannt sein willst, deine Wettbewerber (samt Domains) und die bereits vorhandene Abdeckung — und schlägt realistische Käuferfragen über den ganzen Absichts-Mix vor (markenlose Kategoriefragen, Markenfragen, Wettbewerbsvergleiche), die Lücken füllen, statt zu doppeln.

Die Vorschläge werden schärfer, wenn das Projekt ein **Markenprofil** hat — eine kurze Beschreibung, was das Geschäft ist, sein Marktsegment, seine Positionierung, Zielgruppe und Produkte. Klicke in den Einstellungen des Projekts auf „Von Website befüllen“, damit Crunch die Website der Marke liest und es entwirft (oder schreibe es von Hand); es fließt direkt in den Vorschlags-Prompt ein, damit die Ideen zum tatsächlichen Geschäft passen, nicht nur zum Markennamen. Alles ist editierbar und nie erfunden — ein Feld, das die Website nicht hergibt, bleibt leer. Das Profil wird in der Sprache des Projekts geschrieben (Einstellungen → Markt & Sprache), egal in welcher Sprache die Website ist: Eine englische Website für ein deutsches Projekt ergibt ein deutsches Profil, Marken- und Produktnamen bleiben so, wie die Website sie schreibt. Ein bestehendes Profil wird nicht automatisch übersetzt: Ist deines in der Sprache der Website herausgekommen, klick noch einmal auf „Von Website befüllen“, um es neu zu schreiben. Das ersetzt das ganze Profil, auch deine Änderungen von Hand. „Von Website befüllen“ macht pro Projekt höchstens 12 KI-Aufrufe in 24 Stunden (einen pro Klick, zwei, wenn eine abgeschnittene Antwort wiederholt wird).

Sobald das Projekt gescannt wurde, stützt sich die Discovery auch auf deine **eigenen Scan-Daten**: Sie gewichtet Vorschläge zu den Themen, bei denen Wettbewerber derzeit empfohlen werden und du nicht (dieselbe gemessene Lücke wie der Chancen-Score), damit die Ideen echte Schwächen treffen statt generischer Kategoriefragen. So begründete Vorschläge tragen ein kleines **Lücke**-Badge.

Ist die **Google Search Console** des Kunden verbunden, liest die Discovery zusätzlich die echten Suchanfragen, für die die Website in Google bereits erscheint (letzte 90 Tage, alle verbundenen Properties, wenn möglich auf den Markt des Projekts gefiltert), und macht aus den kaufnahen Anfragen Kandidaten-Prompts. Diese tragen ein **Search Console**-Badge mit der genauen Anfrage und ihren Impressionen — aus den Search-Console-Daten, nie vom Modell. Genau genommen ist das echte Google-Suchnachfrage für diese Anfrage, ein Beleg dafür, wonach Menschen in diesem Markt suchen. Es ist keine Messung dessen, was sie KI-Assistenten fragen; das kann niemand messen.

Vorschläge landen in einer **Prüf-Warteschlange**, die Reloads übersteht: Jeder trägt ein kurzes **Warum** — der Wettbewerber, Anwendungsfall, das Attribut oder die beobachtete Lücke, auf die er zielt —, damit du siehst, worauf er gegründet ist. **Übernimm** die passenden, **verwirf** den Rest (ein verworfener Vorschlag wird gemerkt und nie wieder vorgeschlagen), und bearbeite jeden nach dem Übernehmen wie einen selbst geschriebenen Prompt. Bewusst darüber steht ein Ehrlichkeits-Hinweis: Das sind fundierte *Kandidatenfragen*, keine gemessene Nachfrage. CrunchJunkie zeigt nie ein erfundenes „Prompt-Volumen“ — kein Tool kann messen, wie oft ein Thema in ChatGPT, Perplexity oder Gemini gefragt wird (die Anbieter veröffentlichen es nicht), eine präzise „Suchen/Monat“-Zahl ist also immer geraten. Priorisiert wird aus dem, was wir *messen können* — dem Chancen-Score unten —, nicht aus erfundenen Zahlen.

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 Vorschläge, die du mit einem Klick übernimmst.

## Chance — welche Prompts du zuerst angehst
Sobald ein Projekt Scan-Daten hat, zeigt die Prompts-Tabelle eine Spalte **Chance**, und ein Klick darauf sortiert deine Prompts danach, wo die größten Gewinne liegen. Das ist die ehrliche, gemessene Antwort auf „Wo soll ich Aufwand investieren?“ — und bewusst *keine* Nachfrage- oder Volumenschätzung.

Der Score beantwortet eine Frage, die wir aus deinen eigenen Scans tatsächlich messen können: Werden bei diesem Prompt Wettbewerber empfohlen, du aber nicht? Ein Prompt liest sich als **Hoch**, wenn Rivalen über viele Durchläufe genannt werden und du in den meisten fehlst — die klassische Lücke zum Schließen. Berechnet als Wettbewerber-Präsenz × (1 − deine Sichtbarkeit), beide über dieselben Durchläufe gepoolt, sodass ein Prompt, den du bereits anführst, oder einen, den noch niemand gewinnt, korrekt als Gering erscheint statt als Chance. Jeder Score trägt seine Grundlage beim Überfahren („Du 0 % · Wettbewerber 60 % · 24 Durchläufe“) und — wo die Lücke auf bestimmten Engines sitzt — benennt sie diese („fehlt bei Perplexity, Claude“), damit du weißt, wo du ansetzen musst. Ein kleiner Verlässlichkeits-Punkt aus der Stichprobengröße folgt derselben Ehrlichkeitsregel wie überall: Ein Prompt mit nur wenigen Durchläufen zeigt „Sammelt“ statt einer aus Rauschen gegriffenen sicheren Einstufung.

Warum steht daneben kein „Prompt-Volumen“? Weil es keine Grundwahrheit dafür gibt, wie oft eine Frage in ChatGPT oder Perplexity gestellt wird — die Anbieter veröffentlichen nur Gesamtsummen, und die Tools, die ein präzises „1.200 Suchen/Monat“ ausgeben, extrapolieren ein eingewilligtes Browser-Panel, das nur einen Bruchteil der Nutzung sieht (deren eigene Doku räumt ein, die Zahl „könnte halb oder doppelt so hoch sein — gut zum Ranken, nie als exakte Zahl“). Statt eine Schätzung als Fakt zu verkaufen, priorisiert CrunchJunkie aus gemessenen Wettbewerbslücken. Optional (Beta, standardmäßig aus) kann zusätzlich eine klar gekennzeichnete **Google-Keyword-Planner-Suchvolumen**-Zahl neben jedem Prompt erscheinen — ein Proxy für *klassisches Such-Interesse*, nie als KI-Nachfrage umetikettiert. Sie wird über DataForSEO gelesen, über das eigene DataForSEO-Konto deines Workspaces oder sein Rank-Tracker-Budget (jedes Mal, wenn Prompts ohne Wert nachgeschlagen werden, ist das eine berechnete Anfrage für Land und Sprache des Projekts, etwa 0,09 US-$ zum DataForSEO-Preis und auf einem Budget das Doppelte, in der Rank-Kostenkarte unter Abrechnung aufgeführt; jeder Wert wird dann 30 Tage gespeichert); ein Workspace ohne beides sieht die Spalte als nicht verfügbar. Sie wird als **Spanne** („1K–10K“) statt als scheingenaue Zahl gezeigt, und das nachgeschlagene Keyword wird transparent mit angezeigt, weil eine KI-Frage und ein Google-Keyword selten identisch sind. Das Chancen-Ranking selbst steht immer auf dem, was wir tatsächlich beobachtet haben.

## Modelle auswählen
CrunchJunkie kann zehn KI-Oberflächen verfolgen: ChatGPT, Gemini, Perplexity, Claude, Google AI Overviews, Google AI Mode, Microsoft Copilot, Grok, DeepSeek und Meta AI. Aktiviere in den Projekt-Einstellungen unter „Zu beobachtende Engines“ die, die für die Zielgruppe deines Kunden zählen — du musst nicht alle zehn 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 über seine Agent API (Perplexitys Websuche mit Inline-Zitaten, derzeit beantwortet von OpenAIs GPT-6 Luna), Grok mit Websuche, Meta AI auf Muse Spark, und Microsoft Copilot, Google AI Overviews sowie AI Mode über einen Suchergebnis-Anbieter. Seit Anfang Oktober 2026 (zwischen dem 1. und 6. Oktober; Perplexity nennt den Tag nicht) führt Perplexity diese Websuche als Fast Search aus. Unser Vorher-nachher-Vergleich in drei unserer eigenen beobachteten Projekte fand keine Veränderung über das normale Schwanken zwischen zwei Durchläufen hinaus: 25,3 Quellen pro Antwort vorher, 25,8 danach (26.–30. September gegenüber 7.–13. Oktober, je 96 Antworten auf dieselben 38 Prompts). Perplexitys Verlauf bleibt über die Umstellung hinweg vergleichbar. Neun der zehn sind auf Websuche gestützt; DeepSeek ist die Ausnahme. Unser Scan schickt DeepSeek das Websuche-Werkzeug, aber sein aktuelles Modell ignoriert es, daher stammen DeepSeeks Antworten seit dem 10. September 2026 aus dem Modellgedächtnis. Die URLs darin sind als „aus dem Modellgedächtnis, nicht aus einer Suche“ gekennzeichnet und zählen in keiner Zitat- oder Quellen-Kennzahl; DeepSeeks Markennennungen zählen weiter. Grok-Antworten speichern die Quellen, die sie nennen, ab dem 7. Oktober 2026; frühere Grok-Antworten zeigen keine. 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.

## Scan-Modi und Kostenkontrolle
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 zehn Engines mit drei Durchläufen für die kleinste Fehlermarge. 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, Grok) 3× gewichtet werden. Bei Managed AI ist das genau das, was von deinem Monatskontingent abgeht. Mit eigenen Schlüsseln gilt die Gewichtung nicht: Jeder Anbieter berechnet jede Antwort zu seinem eigenen Preis, dort zählt also die reine Anzahl, Prompts × Durchläufe × Engines. So oder so kennst du die Kosten einer Konfiguration, bevor du sie speicherst. Mehr Durchläufe bedeuten mehr Antworten hinter jeder Zahl und eine kleinere Fehlermarge; mehr Engines erweitern, was die Zahl abdeckt; weniger von beidem hält die Kosten niedrig. Starte auf Ausgewogen und dreh danach hoch oder runter, wenn du siehst, wie sich die Zahlen der Marke bewegen.

## Content Briefs: von der Lücke zur zitierten Seite
Ein Gap-Prompt ist eine Frage deiner Käufer, bei der KI-Engines dich in null gemessenen Durchläufen erwähnt haben. Der Brief-Button an genau diesen Zeilen erzeugt einen evidenzbasierten Content Brief: CrunchJunkie stellt die echten KI-Antworten auf genau diesen Prompt zusammen, die Wettbewerber-Seiten, die diese Antworten zitiert haben, und die extrahierten GEO-Signale jedes Gewinners (direkte Zitate, Statistiken mit benannten Quellen, ausgehende Links auf Autoritäten — die Signale, die in einem Laborbenchmark von 2024, der KDD'24-GEO-Arbeit, am besten abschnitten). Der Brief ist hart auf diese Evidenz beschränkt: Er erfindet nie Quellen oder Zahlen und gibt dir nie eine Statistik zum Veröffentlichen vor – ein Beleg-Punkt nennt die Art des Belegs und seine echte Herkunft (deine eigenen Daten, eine Studie, die die zitierten Seiten nennen), und jeder Brief wird geprüft, bevor du ihn siehst: Eine Zahl, die nicht in der Evidenz steht, geht einmal ans Modell zurück und wird gestrichen, wenn sie wiederkommt (der Brief nennt, was entfernt wurde) –, und wenn es nichts gibt, worauf er aufbauen kann, sagt er, warum, und was es in deinem Workspace freischaltet (einen Scan starten, eine Engine anhaken, die die zitierten Seiten nennt, oder einen Schlüssel für eine hinzufügen), statt zu raten. Ein Projekt, das nur Engines beobachtet, die Websites statt Seiten nennen (Gemini), zeigt in der Übersicht, bei den Query fanouts, bei den Prompts und im Briefing einen Hinweis: Briefings und Seitenansichten bleiben leer. Ein Klick fügt eine Engine hinzu, die der Workspace schon betreiben kann – nachdem die geschätzten Mehrkosten pro Scan (aktive Prompts × Durchläufe je Prompt) angezeigt wurden; der Klick selbst kostet nichts, und ein schreibgeschützter Zugang wird gebeten, es einem Mitglied zu überlassen.

Aktualisieren, bevor du neu baust. Ist die Google Search Console des Kunden verbunden, prüft der Brief zuerst, ob eine Seite der Website für die Suchen hinter dem Prompt bereits in Googles Reichweite ist — für den Prompt selbst und für die Websuchen, die die Engines vor ihrer Antwort tatsächlich ausgeführt haben. Er liest die eigenen Query-je-Seite-Zeilen des Kunden der letzten 28 Tage über alle verbundenen Properties, behält nur Suchanfragen, die das Vokabular des Prompts wirklich teilen (Markenanfragen zählen nie), und sucht eine Seite in Googles Top 20. Gibt es eine, beginnt der Brief mit „Diese Seite aktualisieren“, nennt URL, durchschnittliche Position, Suchanfrage und Impressionen, und der gesamte Plan beschreibt Änderungen an genau dieser Seite — eine Seite, die Google für diese Suchen bereits ausliefert, ist der günstigste Weg zu einer KI-Zitation, und sie wird zur Seite, gegen die die Empfehlungen abgeglichen werden. Gibt es keine, sagt der Brief „Neue Seite“ und nennt zur Orientierung die nächstgelegene Seite, die es nicht geschafft hat. Ohne Search Console trifft er keine Aussage in die eine oder andere Richtung und sagt dir, was die Verbindung bringen würde. Die Position ist Googles impressionsgewichteter Durchschnitt über die passenden Suchanfragen, als solcher gekennzeichnet — nie ein fester Rang.

Der Brief ist zum Abarbeiten gebaut, nicht zum Lesen. Oben nennt ein einziger Block die Entscheidung (diese Seite aktualisieren oder eine neue bauen) mit einer Zeile Search-Console-Fakten, jeweils mit ihrem Zeitraum (Ø-Position, Impressionen, Klicks, die letzten Tage und die Quelle), dann die Überschrift als Titel und die Frage, die deine Seite beantworten muss. „Das ändern“ ist eine nummerierte Checkliste: Jeder Punkt nennt zuerst die Maßnahme, darunter das Warum (was die zitierten Seiten tun) und dahinter als kleine Links die zitierten Seiten, ausschließlich Seiten aus der Evidenz. Hake einen Punkt ab, wenn er erledigt ist: Die Haken werden mit dem Brief gespeichert und vom ganzen Team geteilt, ein schreibgeschützter Zugang sieht sie, kann sie aber nicht ändern, und sie beginnen von vorn, wenn der Brief neu erstellt wird. Ein Brief, der noch nicht gespeichert oder auf eine einzelne Suche zugeschnitten ist, hat keine Haken. Seitenstruktur, strukturierte Daten und Belege stehen in eingeklappten Zeilen mit ihrer Anzahl. Sind alle Punkte abgehakt, fordert dich der Kasten „Veränderung messen“ zu einem neuen Scan auf; ein Scan startet nie von selbst, weil er Scan-Kontingent verbraucht. Vor dem 21. Oktober 2026 gespeicherte Briefs zeigen jede Empfehlung als eine Zeile, ohne diese Aufteilung. Das Markdown von „Briefing kopieren“ enthält dieselbe Checkliste mit den Haken, und der Kundenexport legt die Haken in ai-visibility/content-briefs.json.

Ein erneut geöffneter Brief zeigt sofort die gespeicherte Version — kostenlos — mit einem Regenerieren-Button, wenn du ihn aus frischer Evidenz neu bauen willst (das ist ein neuer KI-Aufruf und wird wie üblich gezählt). Jeder Brief speichert seine 0-%-Basislinie. Sobald die beschriebene Seite live ist, klick auf „Wirkung messen“ — CrunchJunkie scannt genau diesen einen Prompt neu und vergleicht nur frische Durchläufe mit der Basislinie. Der Lift, den du siehst, ist aktuelle Evidenz, kein von Historie verwässerter Durchschnitt. Batch-Briefing fährt dieselbe Schleife über alle Gap-Prompts auf einmal. Eine vollständige Anleitung — mit zweiminütigem Video — gibt es im Resources-Hub: [„Turn an AI-visibility gap into a cited page“](https://crunchjunkie.io/resources/turn-an-ai-gap-into-a-cited-page).

## Wie lange ein Scan dauert — und warum du nicht darauf wartest
Jeder Check eines Scans ist eine echte, live gestellte KI-Anfrage mit aktivierter Websuche — derselbe Aufruf, den die Assistenten deiner Kunden machen — und eine einzelne suchgestützte Antwort braucht 30–90 Sekunden. Diese Zeit ist das Modell beim Denken, nicht die Plattform beim Arbeiten; kein Tool kann ein Modell schneller antworten lassen. Ein voller Scan besteht aus Prompts × Engines × Durchläufen solcher Checks, mehrere parallel — eine gründliche Konfiguration braucht also echte Minuten. Die Scan-Leiste zeigt ehrlichen Fortschritt: wie viele Checks wirklich gespeichert sind, eine live berechnete Restzeit und — falls Checks fehlschlagen — wie viele, samt Grund. Auf der Prompts-Seite öffnet das Label für fehlgeschlagene Checks in der Seitenleiste mit „Aufschlüsselung in Prompts anzeigen“ die Aufschlüsselung pro Engine — was fehlgeschlagen ist und warum (fast immer der Schlüssel oder das Kontingent eines Anbieters, weshalb jeder Prompt genau einen Check verliert). Ein fehlgeschlagener Check wird bis zu 3-mal versucht und speichert keinen Durchlauf — er zählt nie gegen ein Managed-AI-Kontingent, und mit eigenen Schlüsseln stellt der Anbieter einen fehlgeschlagenen Aufruf ebenfalls nicht in Rechnung. Eine Ausnahme: Eine Antwort, die leer oder abgeschnitten ankommt, wird nicht gespeichert (ein späterer Durchgang kann erneut fragen), aber der Anbieter hat den Aufruf beantwortet, also stellt er ihn mit eigenen Schlüsseln in Rechnung.

Zusehen musst du nicht. **Schließ den Tab, wann immer du willst — der Scan läuft auf unseren Servern weiter**, und die Ergebnisse warten beim nächsten Öffnen des Projekts. Jeder Scan läuft auf unseren Servern; ein offener Tab beschleunigt nur den Scan, den er gestartet hat, und führt dann 6 Checks gleichzeitig aus. Sobald der Scan abgeschlossen ist, bekommst du genau eine Zusammenfassung per E-Mail — egal wo er fertig wird, und nie mehr als eine. (Ein Scan, den du selbst stoppst, mailt nicht — du warst ja dabei.)

Einen weiteren Scan kannst du jederzeit starten. „Scan starten“ bei einem anderen Projekt, während einer läuft, startet ihn sofort auf unseren Servern, neben dem ersten. „Scan starten“ bei einem Projekt, das gerade gescannt wird, stellt den neuen Scan **in die Warteschlange**, statt den laufenden zu stoppen: Er startet von selbst auf unseren Servern, sobald dieser Scan fertig ist (oder fehlschlägt oder gestoppt wird) — meist binnen Sekunden, höchstens ein paar Minuten später, wenn unsere Server ausgelastet sind —, und der Dialog sagt ungefähr, wann — „in etwa N Min.“, aus dem gemessenen Tempo des laufenden Scans, sobald er ein paar Antworten gespeichert hat. (Ein Scan, den niemand von Hand gestartet hat — der automatische erste Scan eines neuen Projekts oder ein geplanter Scan, der noch keinen einzigen Check ausgeführt hat —, wird einfach durch deinen ersetzt, und was der automatische schon gespeichert hat, zählt mit; prüft er gerade, startet deiner, sobald diese Checks da sind, damit keiner doppelt läuft.) Läuft der Scan vor einem wartenden und kommt nicht voran — zweimal hintereinander, über 15 Minuten, ohne eine Antwort zu speichern —, übernimmt der wartende binnen weniger Minuten, und was der hängende in seinen letzten 6 Stunden gespeichert hat, zählt mit. Ein Scan, der nur auf freie Kapazität auf unseren Servern wartet (sie sind mit anderen Scans beschäftigt), wird dafür nie gestoppt; die Scan-Leiste sagt dann, dass er wartet, statt eine Zeit zu raten. Ein Scan, der noch keine Prüfung ausgeführt hat – meist ein geplanter Scan zu einer Stoßzeit –, **wartet auf den Start**, mit einer Schätzung wie „etwa 2 Std.“ aus seinem Platz in der Warteschlange deines Workspace und dem Tempo der letzten Stunde; das ist eine Schätzung, keine Zusage, und ohne genug Daten dafür wird keine angezeigt. Ein Projekt hat höchstens einen wartenden Scan: Ein erneuter Start ersetzt ihn mit den Einstellungen, die du gerade bestätigt hast. Ein wartender Scan verbraucht nichts von deinem Kontingent, bis er startet. Die Scan-Leiste unten in der App zeigt jeden laufenden und wartenden Scan deines Workspaces mit Fortschritt und Restzeit — nicht nur den, den dein Tab gestartet hat — und dort stoppst du einen laufenden oder brichst einen wartenden ab.

Die meisten anderen KI-Sichtbarkeits-Tools führen Prompts nur nach festem nächtlichem Zeitplan aus — ihre Dashboards zeigen also immer die Daten von gestern, und es gibt nichts zu warten, aber auch keine Möglichkeit, *jetzt* zu messen. CrunchJunkie gibt dir beides: den automatischen Zeitplan (wöchentlich, täglich oder alle N Tage — wähl den Rhythmus und die Stunde; die meisten Teams wählen den frühen Morgen, damit frische Zahlen zum ersten Kaffee bereitstehen) für das laufende Tracking, und den On-Demand-Scan für die Momente, in denen du heute eine Antwort brauchst — nach einer Site-Änderung, vor einem Kundentermin. Nimm den Zeitplan als Standard und den manuellen Scan als Instrument, und das Warten verschwindet komplett aus dem Arbeitsablauf.

## Warum eine Linie sich bewegt hat — Timeline-Notizen
Eine Sichtbarkeitslinie macht einen Sprung, und Wochen später weiß niemand mehr, warum. War es eine echte Veränderung — oder kamen in der Woche zwei Engines dazu, wurde der Markt umgestellt, das Scannen pausiert? Timeline-Notizen legen die Antwort direkt auf den Chart.

**Konfigurationsänderungen notieren wir automatisch.** Immer wenn sich etwas ändert, das die Zahlen wirklich bewegt — Markt, Antwortsprache, Engines hinzugefügt oder entfernt, Prompts hinzugefügt, entfernt, pausiert oder fortgesetzt (auch über den MCP-Connector), Durchläufe pro Prompt, Scan-Frequenz, Wettbewerber, Marken-Aliasse, die Schalter „Auch erkannt als“ unter Einstellungen → Marken oder Pausieren und Fortsetzen — entsteht eine Notiz an diesem Datum. Bewusst nichts darüber hinaus: Eine Notiz bei jedem Speichern ist eine Notiz, die niemand mehr liest. Dieselbe Regel gilt für Wiederholungen: Zehn Wettbewerber oder zehn Prompts, über einen Tag verteilt hinzugefügt, verschmelzen zu einer Notiz, die alle nennt — und eine am selben Tag rückgängig gemachte Änderung hinterlässt gar keine Notiz, wenn dazwischen nichts gemessen wurde: ein Wettbewerber, der hinzugefügt und wieder entfernt wird, oder ein Prompt, der pausiert und wieder fortgesetzt wird, bevor ein Scan lief oder ihn verlor. Lief ein Scan, oder hat ein wartender oder laufender Scan den pausierten Prompt verloren, bleiben beide Notizen, denn dieser Scan hat ohne ihn gemessen. Ein Prompt, der am selben Tag hinzugefügt und gelöscht wird, behält seine Notiz ebenfalls.

Die Formulierung erklärt die Statistik, nicht nur die Einstellung. Ein hinzugefügter Wettbewerber sagt dazu, dass der Share of Voice einen Sprung machen wird, *auch wenn sich an deiner Marke nichts geändert hat* — er wird ab diesem Datum gegen eine andere Menge von Marken gemessen. Pausieren sagt: Die Linie hat eine Lücke, keinen Einbruch.

**Für alles andere schreibst du eigene Notizen** — „Kunde hat TV-Kampagne gestartet“, „Website-Migration“, „neue Preisseite“. Datiere sie auf den Tag zurück, an dem die Sache passiert ist — das ist selten der Tag, an dem du sie aufschreibst.

Auf dem Chart erscheinen Notizen als kleine Markierungen an der Datumsachse; beim Überfahren liest du sie. Mehrere am selben Tag bündeln sich zu einer Markierung mit Zähler. Deine Notizen und unsere haben unterschiedliche Farben, damit du auf einen Blick siehst, was von wem stammt. Verwalten kannst du alle im Settings-Tab des Projekts — automatische lassen sich dort auch ausblenden, sobald du sie zur Kenntnis genommen hast.

**Automatische Notizen sind intern und bleiben intern.** „Markt von USA auf Spanien umgestellt“ ist eine Korrektur an der Messung und hat im Bericht, den dein Kunde liest, nichts verloren. Auch deine eigenen Notizen sind standardmäßig intern — du kannst einzelne gezielt für Kundenberichte und Share-Links freigeben, aber ohne deine bewusste Entscheidung sieht ein Kunde nie etwas davon.

Und noch etwas leisten die Notizen: Fällt eine Konfigurationsänderung in den Zeitraum, den du gerade ansiehst, sagt der Chart das dazu. Ein Periodenvergleich über dieses Datum hinweg vergleicht zwei verschiedene Messungen — und das sagen wir dir lieber, statt stillschweigend eine Zahl zu zeigen, die wie ein Ergebnis aussieht.

## Die Kennzahlen lesen
Vier Leitkennzahlen sagen dir, wo du stehst. Die Sichtbarkeit in % ist, wie oft deine Marke über alle getrackten Prompts hinweg auftaucht. Alle vier zählen ausschließlich ORGANISCH erzielte Nennungen – Stellen, an denen ein Modell deine Marke in seiner eigenen Antwort genannt hat. Bezahlte Platzierungen sind ein eigener Kanal: ChatGPT Ads und Ähnliches tauchen in diesen Zahlen nie auf. Wer beides betreibt, liest KI-Sichtbarkeit und KI-Werbeausgaben nebeneinander, niemals addiert. 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.

## Sichtbarkeits-Alarme
Du musst nicht ständig in die App schauen, um ein Problem zu erwischen. Meldet der Signale-Posteingang einen Rückgang der KI-Sichtbarkeit eines Kunden oder einen Wettbewerber, der in mehr Antworten des Kunden genannt wird als der Kunde selbst, mailt CrunchJunkie dem Workspace-Inhaber. Es gilt die Schwelle des Signale-Posteingangs: die letzten 14 Tage gegen die 28 Tage davor, jeweils mindestens 40 Antworten an mindestens zwei Scan-Tagen und ein Rückgang um mindestens 15 % und 3 Punkte bei 95 % Sicherheit (die ganze Regel steht unter Signale & Automatisierungen). Ein einzelner Scan löst nie einen Alarm aus.

Die E-Mail ist aus dem Signal selbst formuliert, mit denselben Zeiträumen, Antworten und derselben Sicherheit, und verlinkt direkt ins Projekt. Sie geht einmal pro Veränderung, egal wie lange die Veränderung dauert, und es gibt nichts einzuschalten. Sie kommt um 10:00 Uhr in der Zeitzone deines Workspace (Einstellungen → Präferenzen); ein Workspace ohne gültige Zeitzone bekommt sie um 10:00 Uhr UTC.

## Sichtbarkeit aufschlüsseln: Intent, Markenbezug und genutzte Features
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 unter den Kennzahlen eine ruhige Zeile mit deiner Sichtbarkeit ohne Markennennung neben der mit — damit eine Sichtbarkeit, die nur deshalb hoch aussieht, weil du nach dir selbst fragst, nicht mit echter, unaufgeforderter Empfehlung verwechselt wird.

## Ist die Messung verzerrt? Unabhängigkeit und markenbezogene Prompts
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, schau zuerst auf die Prompts: Meistens liegt es am Prompt-Design, nicht an einer Verzerrung. 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.

## Antworten danach filtern, was die Engine getan hat
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. „URLs aus dem Gedächtnis“ markiert DeepSeek-Antworten seit dem 10. September 2026: DeepSeek hat nicht gesucht, die URLs darin stammen also aus dem Modellgedächtnis, nicht aus einer Suche. Sie stehen unter diesem Hinweis, nie als Quellen, und keine Zitat- oder Quellen-Kennzahl zählt sie.

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.

## Follow-up Survival — hält die Empfehlung stand?
Die erste Antwort zu gewinnen ist nur Runde eins. Echte Käufer reden weiter: Aus „bestes CRM für Startups?" wird „welches davon passt für ein kleines Team?" — und eine Marke kann die breite Empfehlung gewinnen und verschwinden, sobald die Frage eine einzige Einschränkung dazubekommt. Genau das misst Follow-up Survival. Für einen getrackten Prompt schreibst du ein realistisches Follow-up (den „Narrower"); direkt nachdem die Engine den ursprünglichen Prompt beantwortet hat, stellt CrunchJunkie dieses Follow-up in derselben Konversation und erfasst, ob deine Marke — und jeder Wettbewerber — in die zweite Antwort überlebt. Die Follow-up-Ansicht zeigt dann Überlebensraten je Marke und je Engine samt Stichprobengrößen dahinter, über die letzten 90 Tage.

Ein paar ehrliche Mechanik-Details. Die Funktion ist pro Projekt opt-in (KI-Sichtbarkeit → Einstellungen → Follow-up Survival), denn ein Follow-up ist ein echter zweiter Lauf: Berechtigte Prompts kosten rund das Doppelte, und jeder Turn-2 wird exakt wie jeder andere Check gezählt und abgerechnet. Nur Prompts mit konfiguriertem Follow-up bekommen eins — wir erfinden die Frage nie; du schreibst sie auf der Follow-up-Seite oder lässt sie deinen Assistenten über den MCP-Connector setzen (update_tracking_prompt) — und nur konversationsfähige Engines nehmen teil: Die Direkt-API-Engines führen die Konversation, während die Search-Capture-Engines (Google AI Overviews, AI Mode, Copilot) und DeepSeek keinen Multi-Turn-Kanal haben und ehrlich außen vor bleiben. Das Follow-up wird in der Projektsprache gestellt, die zweite Antwort läuft durch dieselbe Erwähnungs-Extraktion wie die erste, und jeder Turn-2 speichert den exakten Follow-up-Text als unveränderliche Evidenz. Drei Dinge fließen nicht in die Quote ein und stehen darunter aufgelistet, damit die Zahl nur Gespräche umfasst, die etwas aussagen können: ein Follow-up, das die Engine beantwortet hat, ohne ein Unternehmen zu nennen (Rückfrage, Ablehnung, Checkliste), denn das ist kein Rausfallen; Antworten auf eine frühere Fassung eines Follow-ups, das du inzwischen geändert hast, weil zwei verschiedene Fragen zwei verschiedene Messungen sind; und Gespräche, deren erste Antwort keine erfasste Marke nannte. Schreibvarianten zählen als dieselbe Marke („Claneo GmbH" in der ersten und „Claneo" in der zweiten Antwort ist ein Überleben). Eine Grenze solltest du kennen: Verweist die zweite Antwort ohne Namen zurück („die erste Option"), liest sich die Marke weiterhin als rausgefallen. Formulierst du einen Prompt um, wird sein Follow-up gelöscht, damit du eines schreibst, das zur neuen Frage passt.

Unter den Quoten zeigt die Seite, was sich sonst geändert hat, als die Frage enger wurde, über dieselben Gespräche. Wer genannt wird, wenn du herausfällst, ob du ihn erfasst oder nicht. Welche Quellen die Folgeantwort im Vergleich zur ersten Antwort zitiert. Welche Websuchen die Engine für die Folgefrage ausgeführt hat: die Begriffe, die sie aus der ersten Frage übernommen hat, die, die sie selbst ergänzt hat, Suchen nach einer Marke und site:-Abfragen. Jede Folgeantwort ist danach markiert, was sie getan hat (gesucht und zitiert, gesucht ohne zu zitieren, keine neue Suche, wenn die Engine eine leere Suchliste gemeldet hat, oder Suche nicht sichtbar, wenn keine Suchliste zurückkam, wie bei Engines, die ihre Suchen nicht zeigen, und bei Antworten, die gescannt wurden, bevor „keine Suche“ erfasst wurde), und nur Folgeantworten mit neuer Suche fließen in den Quellenvergleich ein, weil die anderen keine eigenen Quellen haben. Eine Engine, der man dieselbe Frage zweimal stellt, nennt schon teils andere Marken und Quellen. Deshalb steht jeder „geblieben“-Wert neben demselben Wert zwischen zwei ersten Antworten auf dieselbe Frage bei derselben Engine; die Folgefrage hat nur dann etwas bewirkt, wenn sie darüber hinausgeht. Eine Domain wird nur dann als „häufiger“ oder „seltener zitiert“ markiert, wenn ein exakter Vorzeichentest das über mindestens 8 Gespräche zeigt, und unter 10 Fällen siehst du Zahlen („3 von 7“) statt Prozenten. Eine Folgeantwort, die nur Unternehmen nennt, die du nicht erfasst, zählt als Herausfallen. Öffne ein beliebiges Gespräch, um beide Antworten mit Quellen und Suchen zu lesen. Es sind API-Gespräche mit der jeweiligen Engine (kein Konto, kein Verlauf, keine Personalisierung), keine eingeloggte Consumer-App.

Lies die Metrik so, wie sie gebaut ist: nicht „wie sichtbar bin ich?", sondern „wenn ein echter Käufer die Frage eingrenzt — bin ich dann noch im Raum?" — eine Frage, die derzeit kein anderes Sichtbarkeits-Tool misst.

## Quellen, URLs und Gap-Analyse
Wenn ein KI-Modell einen Prompt beantwortet, zitiert es oft die Seiten, auf die es sich stützt — CrunchJunkie erfasst jede einzelne. Welche dieser Seiten als deine zählen, entscheidet deine Liste eigener Domains: jede Domain, die du hier als „Owned“ markierst, die Domain deines letzten Audits, die Kunden-Website und jeder Marken-Alias, der als Domain geschrieben ist (eine Gruppen-Website, eine zweite Länder-Domain). Eine Marke mit mehreren Websites bekommt alle als eigene zugeordnet – in Zitationen, Fan-outs, Quellen-Performance, der URL-Ansicht und in Content Briefs –, und weil die Zuordnung beim Lesen berechnet wird, wirkt eine neu hinzugefügte Domain sofort auch auf vergangene Scans. Die Ansicht Quellen sortiert die Domains, die über deine Prompts und Modelle hinweg im gewählten Zeitraum am häufigsten zitiert werden — letzte 30 oder 90 Tage, gesamter Zeitraum oder ein eigener Von-bis-Zeitraum; derselbe Zeitraum gilt für das Diagramm und die Ansicht URLs, sodass alle drei dieselbe Datenscheibe beschreiben. Das sind 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. Eine Seite ist ihre Adresse ohne www, ohne den Query-String (Tracking-Tags wie utm_source oder gclid und jeden anderen Parameter) und ohne #Fragment, ein Artikel, der über zwei Links erreicht wird, ist also eine Zeile. Bei YouTube, Facebook, Google Play und Hacker News nennt die Adresse die Seite in ihrem Query, deshalb bleibt der Parameter erhalten, der sie benennt: Jedes YouTube-Video hat seine eigene Zeile (youtube.com/watch?v=…), und youtu.be-Links, m.youtube.com sowie Shorts-, Embed- und Live-Adressen zählen als dasselbe Video; Facebook-Beiträge, -Videos und -Fotos, Google-Play-Apps und Hacker-News-Threads werden genauso einzeln gezählt. Bis zum 14. Oktober 2026 wurde jedes YouTube-Video, das über einen youtube.com/watch-Link zitiert wurde, in einer Zeile gezählt, youtube.com/watch; der Verlauf wurde seitdem neu gezählt. Der Link einer Zeile öffnet genau diese Seite, und Videos (YouTube, Vimeo, TikTok) haben einen eigenen Seitentyp, Video, in der Ansicht URLs und in den Berichtstabellen; wo Peec AI eine Seite klassifiziert hat, zeigen die Berichtstabellen dafür weiter die Klasse von Peec AI. Domain-Zahlen zählen die eigene Website der Adresse, ein youtu.be-Link zählt in der Ansicht Quellen also weiter für youtu.be. Gemini nennt die Website, von der eine Quelle stammt, nie die Seite, deshalb zählen seine Antworten in der Ansicht Quellen, aber nicht in der Ansicht URLs, und ein Hinweis dort nennt, wie viele weggelassen wurden; stammen alle Antworten von Gemini, sagt die Ansicht URLs genau das, statt dich um einen Scan zu bitten.

Die Ansicht URLs hat dieselben Filter wie die Ansicht Quellen (im Projektmenü „Domains“): Engine, Thema, Zeitraum und „Zitiert für“, gespeichert in der Adresse der Seite, sodass ein Neuladen oder ein geteilter Link dieselbe Ansicht öffnet. Eine Engine umfasst unsere Scans und, wenn die Datenquelle Peec AI einschließt, ihre Chats aus Peec AI, sodass die Engines unter jeder Datenquelle zusammen die Ansicht aller Engines ergeben. Jede Zahl darin folgt der gewählten Engine: die Seiten mit ihren Auftritten und Zitaten, Du und Konk., die Mischung der Seitentypen und die Aufteilung in deine Startseite, deine anderen Seiten und Drittquellen (beide mit ihrem n, den Auftritten der gelisteten Seiten) sowie „In der KI zitiert, in Google (noch) nicht vorn“, das seine eigenen letzten 90 Tage behält. Die Ausnahme sind die Spalten der Zitier-Lebensdauer (Status, Zitatrate, Zuletzt zitiert, Trend): Die Zitier-Lebensdauer wird für alle Engines gemeinsam gespeichert, deshalb bleiben diese vier Spalten bei gewählter Engine bei allen Engines, die Ansicht sagt das, und das Panel einer Seite teilt Status und Rate nach Engine auf. Unsere Gemini-Scans nennen Websites, keine Seiten (die Gemini-Chats aus Peec AI nennen Seiten): Stammt jede Antwort der gewählten Engine aus solchen Scans, sagt die Ansicht URLs das und verlinkt ihre Websites in der Ansicht Quellen, statt eine leere Liste zu zeigen, und hat eine Engine mit deinen Filtern keine Seite, sagt sie genau das, nie „Starte einen Scan“. In der Ansicht Quellen öffnet der Name einer Domain die Ansicht URLs, gefiltert auf diese Domain, mit den Filtern Engine, Thema, Zeitraum und „Zitiert für“; das Symbol neben dem Namen öffnet die Website selbst. Eine Domain ist ihre Adresse ohne www, genau so, wie die Ansicht Quellen sie zählt, eine Subdomain ist also eine eigene Website. Neben den Seiten der Domain zeigt die Ansicht URLs die Zahlen der Domain aus der Ansicht Quellen. Sie weichen bewusst von der Summe der Seitenzeilen ab: Die Ansicht Quellen zählt eine Antwort einmal pro Domain, egal wie viele ihrer Seiten sie genutzt hat, die Ansicht URLs zählt sie einmal pro Seite, die Antworten von Gemini zählen nur für die Domain, und die Liste zeigt die 150 meistgenutzten Seiten.

Die URLs-Ansicht zeigt außerdem „In der KI zitiert, in Google (noch) nicht vorn“: deine EIGENEN Seiten, die KI-Engines als Quelle zitieren, die aber in der Google-Suche schlecht oder gar nicht ranken. Sie verbindet die KI-Zitate mit der durchschnittlichen Google-Position jeder Seite über alle für den Kunden verbundenen Search-Console-Properties (letzte 90 Tage) — so siehst du die Seiten, die zuerst in der KI gewinnen, bevor sie in Google gewinnen; die, bei denen sich Nachlegen lohnt. Sie liest alle verbundenen Properties, nicht nur eine, sodass auch eine Seite gefunden wird, deren Rang in einer anderen Property liegt (eine Domain-Property vs. eine www-/non-www-Property). Bewusst ehrlich: Die Google-Position ist ein impressionsgewichteter Durchschnitt über Suchanfragen (kein fester Rang), „Keine Google-Daten“ heißt keine Impressionen im Zeitraum auf der verbundenen Property — die Seite rankt vielleicht noch nicht, ODER die Property deckt diese URL nicht ab (z. B. eine reine www-Property, wenn die Seite auf der bloßen Domain liegt) — und Startseiten-/Host-Zitate ohne Zuordnung zu einer konkreten Seite werden separat gezählt. Zeigen die meisten zitierten Seiten keine Google-Daten, ist das meist ein Zeichen, dass die Property für die Domain nicht verbunden ist, und ein Hinweis führt dich zur Behebung. Voraussetzung ist eine für den Kunden verbundene Search Console.

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.

### Gap-Analyse
Die Gap-Analyse macht daraus eine To-do-Liste: die Websites und Seiten, die KI-Antworten nutzen, wenn sie deine Wettbewerber nennen und dich nicht. Sie liest dieselben Antworten wie die Quellen-Ansicht, über den dort gewählten Zeitraum (die letzten 30 oder 90 Tage, gesamter Zeitraum oder ein eigener Zeitraum), und die Seite nennt zu jeder Zahl die Tage und die Zahl der Antworten dahinter. Sie zählt Antworten, nie Zitate: je Domain die Antworten, zu deren Quellen sie gehört (n), wie viele davon mindestens einen deiner verfolgten Wettbewerber genannt haben, wie viele dich, und die Lücke, also die Antworten, die einen verfolgten Wettbewerber genannt haben und dich nicht. Die Lücke ist eine einfache Zählung über eine einzige Grundgesamtheit; sie sortiert die Liste ohne Score, und nichts auf der Seite ist eine gemittelte Rate. Ein Wettbewerber ist einer, den du verfolgst (die Liste des Projekts und die jedes Markts, mit ihren Alias-Namen), nie irgendein Unternehmen, das eine Antwort erwähnt; du bist deine Marke oder einer ihrer Alias-Namen. Deine eigenen Domains und die eigenen Websites deiner verfolgten Wettbewerber werden gekennzeichnet und nur unter „Alle“ gelistet, denn dort ist keine Erwähnung zu gewinnen. Die Tabs: Fehlend (Wettbewerber genannt, du nie), Schwach (beide genannt, du in weniger Antworten als Wettbewerber), Geteilt (beide genannt; überschneidet sich mit Schwach und Stark), Stark (du in mindestens so vielen Antworten wie Wettbewerber) und Alle. Eine Domain klappt direkt in der Liste zu ihren Seiten auf, jede mit den Antworten, die sie genutzt haben, den verfolgten Wettbewerbern darin und wie oft („Peec AI 12 · Otterly 5“), wie oft du genannt wurdest, ihrem Seitentyp, den Engines und ob diese die Seite zitiert oder nur abgerufen haben; eine Seite öffnet ein Panel mit den Prompts dahinter, den Engines, den Wettbewerbern, ob du genannt wurdest, den neuesten Antworten (mit Link zu Antworten) und wann sie im Zeitraum zuerst und zuletzt genutzt wurde. Filtere nach einem Wettbewerber, um nur die Websites und Seiten zu sehen, auf denen genau dieser genannt wird, oder nach Engine, Markt, Prompt-Tag und zitierten oder abgerufenen Seiten; eine Engine, die nicht sagt, welche Seiten sie zitiert und welche sie nur abgerufen hat, fällt aus diesen beiden Ansichten heraus und wird gezählt. Gemini nennt die Website, von der eine Quelle stammt, nie die Seite: Seine Antworten zählen für eine Domain und für keine ihrer Seiten. Exportiere die aktuelle Ansicht als CSV, eine Zeile pro Seite mit ihren Zahlen, Top-Prompts, Engines und dem Zeitraum. Jede Seite schlägt außerdem einen Schritt zum Ausprobieren vor, abgeleitet aus der Art der Seite und davon, wem die Website gehört: für die Aufnahme in eine Liste oder einen Vergleich ansprechen, in einem Verzeichnis gelistet oder gerankt werden (und dort dein Profil anlegen oder vervollständigen), auf einer Bewertungsseite gelistet und bewertet werden, unter eigenem Namen an einer Forumsdiskussion teilnehmen, von einem Video-Kanal erwähnt werden, Autor:in oder Redaktion eines News- oder Blogartikels ansprechen oder bei einer Startseite eine Partnerschaft prüfen. Eine Hilfe- oder Dokumentationsseite bekommt nur dann einen Schritt, wenn ihr Pfad von Integrationen oder Apps handelt, und eine Seite, deren Art wir nicht erkennen, bekommt keinen. Jeder Schritt nennt seinen Grund (die dort genannten Wettbewerber und in wie vielen Antworten einer genannt wurde und du nicht, im Zeitraum) und ist ein Vorschlag, kein Versprechen; er steht in der Seitenzeile und oben im Panel der Seite. Ein Streifen „Top-Schritte“ über den Tabs listet die fünf größten Lücken als To-dos (höchstens zwei pro Website), mit demselben Zeitraum und denselben Filtern; „Seite zeigen“ scrollt zur Website, öffnet sie und öffnet die Seite. Den Streifen kannst du einklappen, die Seite merkt sich das für dich. Eine geöffnete Website listet ihre zehn Seiten mit der größten Lücke zuerst („Weitere Seiten anzeigen“ fügt zehn hinzu); in Missing, Weak, Strong und Shared warten die Seiten ohne Lücke hinter einer Zeile, Alle listet jede Seite. Verzeichnisseiten werden von Sonstige unterschieden: eine Rangliste von Anbietern erscheint als Verzeichnisliste, die Seite einer Firma in einem Verzeichnis (etwa /agentur/name, auf einer Website, von der die Antworten mindestens drei solche Seiten genutzt haben) als Verzeichnisprofil. Die Insights listen keine Maßnahme pro zitierter Website mehr: Sie zeigen eine Karte mit der Zahl der Websites in Missing und Weak und den obersten drei der letzten 30 Tage, verlinkt auf diese Seite. Seit dem 23. Oktober 2026 zählen „Du“ und „Wettb.“ in der Quellen- und der URL-Ansicht genauso: nur verfolgte Wettbewerber, deine Marke mit ihren Alias-Namen. 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. Verdient, nicht gefälscht: keine gefälschten Bewertungen, keine erfundenen Quellen, keine Seiten, die sich unabhängig geben und doch nur deine eigenen Aussagen wiederholen. Google zählt Versuche, seine KI-Antworten zu manipulieren, ausdrücklich zu Spam, und ab dem 12. November 2026 verbietet die Nutzungsrichtlinie von Anthropic, solche Quellen mit Claude anzulegen. Weil alle drei Ansichten aus echten Scan-Zitaten gebaut sind, aktualisieren sie sich bei jedem Scan.

### Einen Schritt als erledigt markieren und was das Ergebnis bedeutet
Wenn du einen Schritt gegangen bist, markiere ihn in der Zeile der Seite oder in ihrem Panel als erledigt: was du getan hast (der Wortlaut des Schritts ist eingetragen und lässt sich ändern), den Tag (standardmäßig heute, bis zu 60 Tage zurück, nie in der Zukunft) und eine optionale Notiz. „Nichts für uns“ legt einen Schritt stattdessen beiseite: Er verschwindet aus den Seitenzeilen und den Top-Schritten, und das Panel der Seite behält ein Rückgängig. Ein Schritt, der sich an eine ganze Website richtet (eine Bewertungsseite, ein Verzeichnisprofil, eine Partnerschaft), wird einmal für die Website markiert, und nur für diesen Schritt: Eine Partnerschaft mit einer Website ist nicht ihr Verzeichnisprofil. Ein Forum-Thread, ein Video, die Ansprache für eine Liste, die Liste eines Verzeichnisses, die Redaktion eines Artikels oder eine Dokumentationsseite wird für ihre Seite markiert. Ein erledigter Schritt gilt für alle Märkte des Projekts. Ein erledigter Schritt legt an diesem Tag eine interne Notiz in der Timeline an, und Zurücknehmen entfernt sie; der Schritt behält seinen Verlauf. Die Top-Schritte zeigen nie einen erledigten oder beiseitegelegten Schritt, und der Filter Schritte zeigt Alle, Offen, Erledigt (jeder erledigte Schritt mit seinem Ergebnis) oder Nichts für uns. Ein Zugang mit nur Lesezugriff sieht die Schritte und ihre Ergebnisse und ändert nichts.

Ab dann misst die Seite eine Sache: unter den Antworten, die die Seite oder Website des Schritts genutzt haben, wie viele dich genannt haben (deine Marke oder einen ihrer Alias-Namen), gezählt wie in der Gap-Analyse, über alle Engines und Märkte, ohne Tag- oder Wettbewerber-Filter. Der Zeitraum davor sind die 56 Tage bis zum Tag vor dem Schritt (weniger, mit genanntem erstem Tag, wenn das Projekt noch nicht so lange scannt). Die 14 Tage nach dem Schritt sind Wartezeit, weil eine Veränderung Zeit braucht, bis sie gecrawlt und aufgegriffen wird, und nichts darin zählt. Der Zeitraum danach beginnt an Tag 15 und wächst. Es gibt genau zwei Prüfungen, an Tag 42 und an Tag 90, und davor, dazwischen und danach wird nichts verglichen. Jede Prüfung rechnet den exakten Test nach Fisher auf den beiden Zählungen mit einem Signifikanzniveau von 0,025, die zwei Prüfungen zusammen halten also 95 % Sicherheit; der Test ist auch bei kleinen Zahlen exakt und bei einer Website, die dich vorher nie genannt hat. Der Test nimmt jede Antwort als unabhängig, Antworten auf denselben Prompt sind aber wiederholte Durchläufe, deshalb ist die tatsächliche Unsicherheit etwas größer, als der Test zeigt. Jeder der beiden Zeiträume braucht bei einer Prüfung mindestens 30 Antworten: darunter heißt das Ergebnis an Tag 42 „noch zu wenige Antworten“ und an Tag 90 „zu wenige Antworten für eine Aussage“. Zeigt die erste Prüfung eine Veränderung, ist das das Ergebnis; sonst sagt der Schritt bis zur letzten Prüfung „weitere Antworten werden gesammelt“. Die Ansprache für eine einzelne Seite wird auf dieser Seite gemessen, wenn sie allein vorher wie nachher 30 Antworten hat, sonst über ihre Website, und das Ergebnis sagt, welches („gemessen über agenturtipp.de: zu wenige Antworten für diese Seite allein“). Ein Forum-Thread oder ein Video wird nur auf seiner Seite gemessen, nie über die Website, denn ein einzelner Thread, gemessen an ganz reddit.com, sagt nichts: Mit zu wenigen Antworten dort endet er bei „zu wenige Antworten für eine Aussage“. Ein Erledigt-Tag, der so weit zurückliegt, dass die erste Prüfung schon fällig ist, wird sofort gemessen, und das Ergebnis sagt „rückwirkend gemessen“. Jedes Ergebnis zeigt beide Zählungen mit ihren Zeiträumen, etwa „Genannt in 3 von 41 Antworten (1. Sept. – 26. Okt. 2026) → 14 von 38 (11. Nov. – 7. Dez. 2026)“. „Öfter genannt“ und „Seltener genannt“ heißen, dass sich der Anteil mit 95 % Sicherheit verändert hat; sie zeigen eine Veränderung, nicht ihre Ursache. „Keine klare Veränderung“ heißt, dass es vorher wie nachher genug Antworten gab und keine Veränderung, die so viele Antworten zeigen können: Das heißt nicht, dass der Schritt gescheitert ist, denn eine kleinere Veränderung kann trotzdem da sein. Haben sich zwischen dem ersten Tag des Zeitraums davor und der Prüfung die verfolgten Prompts, die Engines, Markt oder Sprache, die verfolgten Wettbewerber, der Markenname oder die Alias-Namen oder das Modell hinter einer Engine geändert, trägt das Ergebnis „Vergleich nicht sauber“ mit der Änderung und ihrem Tag, weil die beiden Zeiträume dann etwas anderes gemessen haben. Die Karte Gap-Analyse in den Insights bekommt eine Zeile, wie viele Schritte gemessen werden und, von denen mit einem endgültigen Ergebnis, wie viele eine Veränderung zeigen, wie viele keine klare Veränderung und wie viele zu wenige Antworten hatten. In den Ansichten Erledigt und Nichts für uns treten die Filter für Zeitraum, Engine, Tag und Wettbewerber zurück: Jeder Schritt wird über alle Engines und Märkte und über seine eigenen Zeiträume gemessen.

### Query fanouts
Die Ansicht Query fanouts zeigt den Schritt VOR den Zitaten: die Websuchen, die jede Engine tatsächlich ausgeführt hat, bevor sie deine Prompts beantwortet hat — den „Fan-out“. Sie werden wörtlich aus den Such-Tool-Aufrufen der Engines während deiner Scans erfasst (gemessen, nie geschätzt) — und genau diese Queries entscheiden, welche Seiten gelesen und zitiert werden. Diese Suchen sollte dein Content beantworten, nicht nur den Prompt-Wortlaut. Jede Engine sucht mit ihrem eigenen Tool, nicht unbedingt mit Google: Ein Google-Ranking zählt also nur bei Suchen, die Menschen auch in Google eingeben. „So wird gemessen“, ein Panel, das sich oben auf der Seite öffnet, sagt, wie die Suchen entstanden sind: Jedes Modell hat sie über die offizielle API seines Anbieters ausgeführt — ohne Login, ohne Gedächtnis — für den Markt aus deinen Einstellungen, mit Modell, Standort und Scan-Daten. Sie sind kein Mitschnitt einer Sitzung in ChatGPT oder einer anderen Assistenten-App, in der ein eingeloggter Mensch mit Verlauf womöglich andere Suchen sieht. Die Abdeckung steht ehrlich unter der Zusammenfassung der Seite und in diesem Panel: Fan-outs gibt es erst ab neuen Scans, manche Engines legen ihre Suchen nie offen (eine Eigenschaft des Anbieters, kein Beleg, dass sie nicht gesucht haben), und Google AI Overviews, AI Mode und Copilot haben konstruktionsbedingt keinen Fan-out — dort ist der Prompt die Suche. Jede Antwort hält außerdem fest, ob die Engine gar keine Websuche ausgeführt hat; das ist nicht dasselbe wie eine Antwort, die ohne Suchliste zurückkam (die Engine hat vielleicht gesucht, ohne zu sagen wonach, oder die Antwort wurde gescannt, bevor das erfasst wurde). Die Seite nennt beides je Engine, damit eine fehlende Liste nie als „keine Suche“ gelesen wird. Die Suchen von Perplexity werden aus den Anfragen gelesen, die seine Agent API mit jedem Satz Ergebnisse liefert. Bewusst nicht dabei: Suchvolumen. Für KI-Fan-outs existiert keins, also zeigen wir keins.

Die Seite beginnt mit einem Satz über alle verschiedenen Suchen im Zeitraum: wie viele verschiedene Suchen die Engines ausgeführt haben, wie viele zu einer Antwort geführt haben, die dich zitiert (mindestens eine Antwort, die die Suche ausgeführt hat, hat eine deiner Domains zitiert), wie viele nie, und bei wie vielen es sich nicht sagen lässt, weil jede Antwort, die sie ausgeführt hat, ihre Quellen nur aus dem Modellgedächtnis oder als Google-Weiterleitungslinks genannt hat. Ein Balken teilt sie auf, mit Anzahl und Anteil – zu dir geführt in Violett (im dunklen Design in Limette), nie in einem hellen Lavendel, unbekannt gestreift; die Wörter der Legende tragen die Bedeutung, und Rot bleibt einer Sache vorbehalten, dem „Zitiert 0“ einer Zeile –, und die Zeile darunter sagt, wie viele Antworten ihre Suchen offengelegt haben. Danach folgen drei Kacheln, jede ein Einstieg in die Tabelle: die Suchen, die nie zu dir geführt haben, die site:-Abfragen – Suchen, die eine einzelne Website direkt abgefragt haben (die am häufigsten abgefragte und deine), gezählt in Suchen wie jede andere Zahl – und die Suchen mit Jahreszahl. Jede Zahl auf der Seite – der Satz, die Kacheln, die Reiter, die Panels und die Summen der Tabelle – zählt dieselben Suchen: Die Tabelle wird über alle gefiltert und lädt beim Weiterblättern nach. Bis Oktober 2026 zählten die Reiter nur die 200 Suchen, die die Tabelle enthielt, die Kacheln dagegen jede Suche im Zeitraum. „Zuerst dafür schreiben“ zeigt danach die Suchen, die in den meisten Antworten liefen, die dich hätten zitieren können, und es nie getan haben – jede als kompakte Karte: die Engines und Antworten dahinter, wie viele dich genannt haben, die stattdessen zitierten Websites, eine Search-Console-Zeile, ein Content-Brief für die Suche selbst, aufgebaut auf genau diesen Antworten, und „Antworten ansehen“, das die Antworten-Ansicht genau auf die Antworten filtert, die diese Suche ausgeführt haben. Die Search-Console-Zeile zeigt einen exakten Treffer; eine ähnliche Query nur, wenn sie stark ist – sie enthält mindestens zwei Drittel der Wörter der Suche (ohne Füllwörter und Operatoren) und hat im Zeitraum mindestens 50 Impressionen; sie ist als ähnliche Query gekennzeichnet, nie dein Rang für die Suche –, sonst „Kein exakter Treffer in der Search Console“. „Details“ auf der Karte zeigt jeden Treffer, wie die Zeile in der Tabelle. Haben die Engines mit Namen nach deiner Marke gesucht – deine Marke, ein Alias oder deine eigene Domain in der Suche, jeder Name auch ohne nachgestellte Rechtsform („pmax Online“ ist eine Suche nach „Pmax Online SL“) –, sagt ein kurzer Hinweis, wie oft, wie viele dieser Antworten dich genannt und zitiert haben und welche Websites neben dir zitiert wurden; er erscheint nur, wenn es eine solche Suche gibt. Jede Suche steht so da, wie die Engine sie geschrieben hat, in Code-Schrift und nie in Anführungszeichen von uns, sodass eine Suche mit eigenen Anführungszeichen sie nur einmal trägt – ebenso in der Antworten-Ansicht.

Drei Signale werden direkt aus den erfassten Suchen gelesen — ohne Modell dahinter. „Was die Engines ihren Suchen hinzufügen“ geht um die Wörter, die in den Suchen der Engines vorkommen, aber nicht in dem Prompt, den die Engine bekommen hat — dein Prompt samt der Markt- und Sprachanweisung, die CrunchJunkie mitschickt, auch so, wie die Engines diesen Markt und diese Sprache in der Sprache schreiben, in der sie suchen (Spain, España, Spanien) —, ohne deine Marke (in jeder Schreibweise), deine Wettbewerber (der Name eines Wettbewerbers mit höchstens vier Buchstaben nur genau so, wie du ihn eingetragen hast, damit ein Wettbewerber namens „Box“ nicht das Wort „box“ verdeckt) und die Namen der Engines selbst: die Absicht, die eine Engine hinter deinem Prompt vermutet (ein Prompt zu In-silico-Studien, der zu „FDA guidance“ und „validation“ auffächert, sagt dir, was zu schreiben ist). Sie sind über eine kurze Wortliste auf Englisch, Deutsch, Französisch und Spanisch in vier Themen gruppiert – Preis und Kosten, Optionen vergleichen, Bewertungen und Erfahrungen, Vertrauen und Zertifizierung; Wörter, die in anderen Branchen etwas anderes heißen, etwa free, trial oder test, zählen nicht –, jedes mit Anzahl und Anteil aller Suchen, die mindestens eines seiner Wörter enthalten (eine Suche mit zwei Preiswörtern zählt einmal), seinem häufigsten Wort und einer Frage, die seine Zahlen aufwerfen. Bewertungswörter (reviews, ratings, testimonials, Bewertungen, Erfahrungen, opiniones, reseñas …) zählen nur als ganze Wörter, also nie code-review oder eine Unternehmensbewertung, und Wörter, die auch etwas anderes heißen, zählen in keiner Sprache: die Einzahl Bewertung und valoración (eine Wertermittlung), opinión und das französische avis (ein Steuerbescheid, eine Autovermietung). Englisch „review“ und „reviews“ zählen für dieses Thema, wenn die Engine sie ergänzt hat, obwohl die Wortlisten an anderer Stelle der Seite sie wie „best“ und „vs“ als Füllwörter behandeln. Orte und Regionen (Europa, Madrid, Palma …) gehören zu keinem Thema. Die übrigen Wörter sind Themenwörter; steckt ein wiederkehrender Ausdruck in den meisten Suchen jedes seiner Wörter – „Performance Max“ statt „Performance“ und „Max“ –, steht er an ihrer Stelle und zählt die Suchen, die ihn ergänzt haben, die Wörter direkt nebeneinander; genau die listet ein Klick darauf. Alle ergänzten Wörter und die wiederkehrenden Wortfolgen stehen unter „Alle Wörter und Wortfolgen“. Ein Klick auf ein Wort filtert die Tabelle genau auf die Suchen, die es enthalten. „site:-Abfragen nach Website“ unter „Wen die Engines suchen“ listet die Hosts, die eine Engine per site:-Operator abgefragt hat — ihre eigene Shortlist für diese Prompts, deine Domain oben angeheftet, auch wenn sie nie abgefragt wurde; Wettbewerber auf dieser Liste, während du fehlst, ist die Lücke, die zuerst zu schließen ist. Eine Suche, die eine Website nur ausschließt (-site:), ist keine Abfrage, und Kachel, Reiter und Liste zählen dieselben Suchen. Und eine Jahreszahl in einer Suche (2025, 2026 …) macht sie zu einer datierten Suche: Die Engine will aktuelles Material — eine Seite, die sichtbar das aktuelle Jahr trägt, ist im Vorteil. Jede Kachel, jedes Panel und jede Spaltenüberschrift hat einen Tooltip, der erklärt, was die Zahl ist und wie du darauf reagierst.

Jede Suche zeigt außerdem, wo du in ihren Ergebnissen stehst — damit du weißt, welche Fan-outs du zuerst angehst. „Zu dir geführt“ zählt über genau die Antworten, die die Suche ausgeführt haben, wie viele deine Domain zitiert und wie viele deine Marke genannt haben — aus echten Zitaten gemessen, nie modelliert — und die Standardsortierung der Tabelle ist schlichte Subtraktion: Die Suchen, die die meisten Antworten ohne dich prägen, stehen oben. Diese Zahl, „Ohne dich“, steht in jeder Zeile unter ihrer eigenen Spaltenüberschrift (auf dem Smartphone „12 ohne dich“), damit man die Reihenfolge lesen kann; die Überschrift der aktiven Sortierung sagt, wonach die Tabelle sortiert ist. „Genannt x/y“ steht ebenfalls in jeder Zeile: y sind die Antworten, deren Markennennungen gelesen wurden, und wurde keine gelesen, steht dort „Genannt —“ – unbekannt, nie 0. „Stattdessen zitiert“ listet die Dritt-Domains, die genau diese Antworten tatsächlich zitiert haben — wer die Suche heute besitzt; eine dominante Domain ist ein klares Ziel, ein fragmentiertes Feld eine gewinnbare Suche. Und wenn die Search Console verbunden ist, ergänzt „Dein Google-Rang“ – in den Details jeder Zeile (aufklappen mit dem Pfeil) und als eine Zeile auf den Karten von „Zuerst dafür schreiben“ – deine eigenen Search-Console-Daten in zwei Stufen, die nie zusammengezählt werden. Der exakte Treffer ist die Hauptzahl: deine durchschnittliche Position und Impressionen für denselben Text, wobei nur Groß-/Kleinschreibung, Akzente, Anführungszeichen und Satzzeichen nicht zählen (ein "crunchjunkie" in Anführungszeichen trifft also deine Zeile crunchjunkie) — mit dem Wortlaut der Search Console, wenn er abweicht. Eine Suche mit Operator — site:, ein Ausschluss mit -Begriff, OR, intitle: und Ähnliches — ist enger als ihre Wörter („site:semrush.com pricing“ ist nicht die Query „pricing“) und hat deshalb nie einen exakten Treffer. Darunter, in einem eigenen beschrifteten Kasten, eine ähnliche Query: eine kürzere Query aus deiner Search Console, deren Wörter alle in der Suche vorkommen (mindestens zwei Wörter, Füllwörter zählen nicht, Operatoren vorher entfernt), mit ihrem eigenen Wortlaut und dem Operator der Engine, falls es einen gab („die Engine hat das nur auf semrush.com gesucht“) — nie dein Rang für diese Suche. Gibt es mehrere solche Queries, werden Impressionen und Klicks addiert und die Position nach Impressionen gewichtet, nie einfach Positionen gemittelt. „So wird gemessen“ zählt beide Stufen über alle verschiedenen Suchen im Zeitraum: Suchen mit exaktem Treffer und Suchen mit nur einer ähnlichen Query — nie dieselbe Suche doppelt. Liefert die Search Console für eine Property ihr Maximum von 25.000 Zeilen, sagt die Seite das: Seltenere Queries fehlen dort. Lange, maschinell formulierte Suchen stehen selten in der Search Console, weil Menschen sie kaum so eintippen; ein Ranking gibt es nur für Suchen, die Menschen auch in Google eingeben. Eine Suche, für die du mit exakt dieser Suche in Googles Top 10 rankst, die KI-Antworten aber nie zitieren, ist der Hebel mit der größten Wirkung — sie wird direkt an der Zeile markiert, und der Google-Filter neben der Tabelle listet genau diese Suchen: Der Inhalt existiert, er wird nur nicht zitiert; eine ähnliche Query setzt diese Markierung nie. Ein Strich heißt: Keine der beiden Stufen hat für den Zeitraum eine Zeile (Google anonymisiert seltene Queries) — nie ein Beleg, dass du nicht ranken kannst. Kann die Search Console nicht gelesen werden — Zugriff verweigert, weil die Verbindung neu hergestellt werden muss, oder ein Fehler von Googles API —, sagt die Seite das je Property und blendet die Google-Zahlen aus, statt „keine Treffer“ zu zeigen; scheitern nur einige Properties, sagt sie, dass ein Strich ein Treffer in einer fehlgeschlagenen Property sein kann.

Ein Hinweis erscheint, wenn die Engines deine Marke offenbar für etwas halten, das sie nicht ist. Unter den Suchen, die deine Marke nennen, zählt er die mit einem Software-Wort (Software, SaaS, Framework, Open Source, „tools like“), das der Prompt selbst nicht enthielt, und zeigt bis zu drei davon mit der Zahl („6 von 51 Suchen, die deine Marke nennen, letzte 30 Tage“). Er braucht mindestens 10 Suchen, die die Marke nennen, davon mindestens 5 mit so einem Wort (10 % oder mehr) aus mindestens zwei verschiedenen Prompts, und er bleibt aus, wenn die Kategorie oder das Markenprofil des Projekts Software beschreibt. Das ist eine Lesart der Suchen, keine Gewissheit: Ergänze eine kurze Beschreibung unter Einstellungen → Wissen → Markenprofil oder nenne deine Kategorie in deinen Prompts.

Zwei weitere Panels lesen die Suchen selbst. „Marken in den Suchen“ zählt für deine Marke und jeden getrackten Wettbewerber (Namen, Aliase und die Domain der Marke aus den Einstellungen, ganze Wörter – „PEEC-AI“ und „peec.ai“ zählen als Peec AI –, jeder Name auch ohne Rechtsform, wenn das eingeschaltet ist, wie unten beschrieben), wie viele verschiedene Suchen und wie viele Antworten sie in der Suche selbst nennen — ein oft genannter Wettbewerber ist der, gegen den dich die Engines prüfen. Kleingeschriebene Nennungen des einwortigen Namens eines Wettbewerbers zählen mit, mit einem Hinweis: Ist der Name auch ein gewöhnliches Wort, meinen manche davon vielleicht nicht die Marke. Deine eigene Marke bekommt diesen Hinweis nie. Ein Klick auf eine Marke listet genau die Suchen, die sie gezählt hat. „Wiederkehrende Wortfolgen“ listet Folgen aus zwei und drei Wörtern, die in mindestens zwei Suchen vorkommen, gezählt in jeder Suche, die sie enthält, mit dieser Zahl von allen verschiedenen Suchen und wie viele davon von einem Prompt stammen, der die Folge schon enthält; Folgen, die mit einem Füllwort beginnen oder enden, ein getrackter Markenname allein oder halbiert und Folgen, die in jeder Suche, die sie enthält, nur die eigenen Wörter des Prompts oder der Markt- und Sprachanweisung des Scans sind, fallen heraus. Oben grenzt eine Prompt-Typ-Auswahl alles auf Suchen für deine Shopping-Prompts oder für alle anderen Kategorien ein — der Typ gehört zum Prompt, der die Suche ausgelöst hat, die Suche selbst wird nicht eingeordnet —, und eine Themenauswahl auf Prompts mit einem Tag; „Nach Thema gruppieren“ teilt die Tabelle in einen Abschnitt je Prompt-Tag, wobei eine Suche für Prompts mit verschiedenen Tags unter jedem davon steht. Jede Zeile klappt auf zu den Prompts, die sie ausgeführt haben, ihren Themen, allen stattdessen zitierten Websites, den Google-Zahlen und zwei Aktionen: einem Content-Brief für die Suche, aufgebaut auf genau diesen Antworten – jeder Prompt, der sie ausgeführt hat, dieser Zeitraum, die Filter der Seite – und daran gemessen (der Prompt, der sie am häufigsten auslöst, ist die Seite, auf die er zielt), und den Antworten, die sie ausgeführt haben. Reiter über der Tabelle grenzen sie auf die Suchen ein, die nie zu dir geführt haben, auf die site:-Abfragen oder die datierten Suchen, jeweils mit ihrer Zahl über alle Suchen; daneben ein Freitextfilter, die Sortierung (Antworten ohne dich, Antworten, Google-Rang), eine Mindestanzahl an Antworten, um den langen Schwanz einmaliger Suchen auszublenden, und mit Search Console der Filter für Suchen, die in Googles Top 10 ranken, aber nie zitiert wurden. Ein Klick auf eine Marke, eine Website, ein Wort, einen Themen-Ausdruck oder eine Wortfolge filtert die Tabelle genau auf die Suchen, die dieses Panel gezählt hat. Ein Name zählt auch ohne nachgestellte Rechtsform (SL, S.L., GmbH, Inc. …), wenn dieser kürzere Name unter Einstellungen → Marken eingeschaltet ist; dort zeigt jeder Name mit Rechtsform ihn als „Auch erkannt als“: standardmäßig an, wenn er ein unterscheidendes Wort enthält und keinen Ort nennt („Pmax Online“ für „Pmax Online SL“, „Müller Haustechnik“ für „Müller Haustechnik GmbH“), standardmäßig aus, wenn er irgendwo einen Ort nennt oder nur allgemeine Wörter enthält („Berlin GmbH“, „Autohaus Berlin GmbH“, „Hotel España SA“, „Online SL“, „Agencia SEO Madrid SL“), weil sonst gewöhnliche Suchen zählen würden. Ein Ort zählt als der ganze Name, der er ist: „Costa del Sol“ und „Isle of Man“ sind Orte, „Costa“ und „MAN“ nicht. Länder werden auf Englisch, Deutsch, Spanisch und Französisch gelesen, dazu Wörter wie „Deutsche“ und die großen Städte und Regionen der Märkte, die wir bedienen. Die Orts- und Wortlisten hinter dieser Voreinstellung sind endlich, prüfe den Schalter also für deine Namen. Ein Markenname, der ein gewöhnliches Wort ist, trifft dieses Wort: „Apple Inc.“ eingeschaltet zählt jede Suche nach Äpfeln. Ein Teil eines Namens zählt nie: „PMax“ allein ist Googles Performance Max, nicht „Pmax Online SL“. Den Schalter umzulegen legt auch die automatisch abgelegten Prompts neu ab (eine von Hand gewählte Kategorie bleibt); ihn zurückzulegen legt sie wieder nach der Regel ab, sodass ein vor dem 14. Oktober 2026 abgelegter Prompt, der die kürzere Form schreibt, als Marke landen kann. Seit dem 14. Oktober 2026 bewegt diese Regel Zahlen an mehreren Stellen, und eine Notiz in der Zeitleiste jedes betroffenen Projekts markiert den Tag der Änderung: Markenzahlen der Fan-outs (das Marken-Panel, der Hinweis zu Suchen nach deiner Marke, die Firma, die eine Folgesuche nennt) können steigen; die Aufteilung der Prompts mit und ohne Marke (der Tab Prompts und die Warnung der Übersicht, dass Prompts mit Marke die Hauptkennzahl aufblähen, die Prompts bei jedem Laden einordnen) kann sich in beide Richtungen bewegen; und die Markenbegriffe der Suchanfragen-Aufteilung, die bis dahin einen Namen in jedem Fall ohne Rechtsform nutzten, nutzen ihn jetzt nur noch eingeschaltet, sodass „Online SL“ so erkannt wird, wie es geschrieben ist, nicht mehr als „Online“. Nichts Gespeichertes ändert sich; jeder Zeitraum, auch vergangene, wird jetzt nach der neuen Regel gelesen, eine Zahl kann also für jedes Datum von der bisher gezeigten abweichen. Erwähnungen in KI-Antworten werden wie bisher gelesen. Auf dem Smartphone wird die Tabelle zu einer Liste von Karten.

Für einen aus Peec AI importierten Kunden zeigt ein Schalter über der Seite — Unsere Erfassung / Peec — eine zweite, getrennte Liste: die Teilsuchen, die Peec in seinen eigenen Chats aufgezeichnet hat. Bei den meisten Engines steuert Peec die Verbraucher-App ohne Anmeldung per Browser-Automatisierung; bei manchen ruft es stattdessen die API des Modells auf, und jede Engine sagt, welches von beiden — „ChatGPT“ ist die App, „GPT 5 Search (API)“ ein API-Modell, und diese Zeilen tragen ein API-Kennzeichen. CrunchJunkie importiert, was das eigene Peec-Projekt des Kunden bereits enthält, mit dessen Peec-Schlüssel, und scrapt selbst nichts. Die Ansicht ist mit „Peec AI (importiert)“ gekennzeichnet, trennt Websuchen von Peecs Shopping-Suchen (mit den Produkten, die Peec jeweils aufgeführt hat; das ist Peecs eigene Einordnung der Suche, kein Prompt-Typ) und zählt Peec-Chats statt Antworten. Sie wird nie zu unseren eigenen Fan-outs addiert oder in etwas eingerechnet, das darauf aufbaut — die Zählungen, die Signale, die Search-Console-Spalte, Content Briefs —, denn es sind zwei Erfassungsmethoden über verschiedene Gespräche. Lies sie nebeneinander: Eine Suche, die beide aufzeichnen, ist ein starkes Signal, und eine, die nur Peecs App-Erfassung aufzeichnet, zeigt, wo die Verbraucher-App anders sucht als die API. Peecs API kennzeichnet keinen Fan-out als vorhergesagt; jede Zeile nennt den Chat, in dem sie beobachtet wurde.

## Zitier-Lebensdauer: welche Seiten KI-Zitate halten, verlieren oder gewinnen
Die Ansicht URLs zeigt für jede zitierte Seite, wo sie in ihrer Zitier-Lebensdauer der letzten 26 abgeschlossenen Wochen steht: einen Status, ihre Zitatrate vorher und jetzt, wann sie zuletzt zitiert wurde und einen Trend pro Woche. Ein Klick auf eine Seite öffnet ihre Detailansicht. Die Zitatrate einer Seite zählt nur ihre relevanten Antworten: in jeder Woche die Antworten auf die Prompts, Engines und Märkte, die die Seite in den 8 Wochen davor mindestens einmal zitiert haben. Die Woche, in der ein Prompt die Seite zum ersten Mal zitiert hat, zählt nie für ihre Rate. So sieht eine Seite nicht aus, als hätte sie in der Woche ihrer Entdeckung ihren Höhepunkt gehabt und wäre danach verfallen, und Prompts, die die Seite nie zitiert haben, verwässern sie nicht. Raten werden über die Wochen zusammengefasst (zitierende Antworten geteilt durch relevante Antworten, einmal) und immer mit n gezeigt, der Zahl der relevanten Antworten dahinter. Eine Woche ohne relevante Antworten ist eine Lücke in der Linie, nie 0. Wochen laufen von Montag bis Sonntag in UTC, und die Status lesen nur abgeschlossene Wochen: „vorher“ sind die 4 Wochen vor den letzten 2, „jetzt“ die letzten 2 abgeschlossenen Wochen. Antworten, deren zitierte Quellen nicht bekannt sind, werden nicht gemessen. Gemini nennt Websites, keine Seiten, deshalb zählen seine Antworten nur pro Domain, und DeepSeek-Antworten mit URLs aus dem Modellgedächtnis fehlen, wie in jeder Quellen-Kennzahl.

Ein neues Projekt hat keine abgeschlossene Woche, bis sein erster Sonntag vorbei ist: Solange alle Antworten aus der laufenden Woche stammen, sagt die Ansicht URLs, wann die erste volle Woche endet (Sonntag, UTC), statt leere Raten zu zeigen. Die Rate einer Seite zählt die Antworten auf die Prompts, die sie in den Wochen davor zitiert haben, eine Seite hat also vor der Woche nach ihrem ersten Zitat keine relevante Antwort: Bis dahin sagt ihre Zeile, ab wann ihre erste Rate gemessen werden kann, und eine Seite, deren Prompts in den 6 Wochen, die die Raten abdecken, keine Antworten hatten, sagt genau das. Diese Daten zählen ab der laufenden Woche (UTC) und liegen nie in der Vergangenheit; in den Minuten nach dem Ende einer Woche, bevor die nächste Aktualisierung sie gezählt hat, sagt eine Zeile stattdessen, dass sie aktualisiert wird. In einem Bericht sagt die Tabelle Zitier-Lebensdauer für einen Zeitraum ohne abgeschlossene Woche mit Antworten genau das, statt dass keine Seite einen Status hat.

Eine Seite hat eine etablierte Zitatrate, wenn sie in den 4 Wochen davor in mindestens 2 der Wochen zitiert wurde, mindestens 3-mal, in mindestens 8 relevanten Antworten, mit einer Rate von 15 % oder mehr. Stabil: etabliert, ohne eine Veränderung, die sich vom Rauschen unterscheiden lässt. Verloren: etabliert und in keiner ihrer relevanten Antworten der letzten 2 Wochen zitiert, mit Antworten in beiden Wochen und mindestens 6 davon, und so vielen, dass Zufall sehr unwahrscheinlich ist: Am unteren Rand ihrer früheren Rate liegt die Wahrscheinlichkeit, gar nicht zitiert zu werden, bei 5 % oder weniger. Die Stichprobe wird verkleinert, wo Antworten sich nach Prompt und Woche bündeln, damit wenige starke Prompts eine Veränderung nicht sicher aussehen lassen. Eine verlorene Seite bleibt verloren, bis sie in mindestens 2 Antworten eines 2-Wochen-Fensters wieder zitiert wird (zurück, 4 Wochen lang angezeigt) oder 8 Wochen ohne Zitat bleibt (beendet: Keine Antwort zählt mehr als relevant für sie). Nachlassend: ihre Rate jetzt ist höchstens halb so hoch wie vorher, bei mindestens 8 relevanten Antworten, mit 95 % Sicherheit, zwei Wochen in Folge. Steigend: mindestens doppelt so hoch wie vorher, mit 95 % Sicherheit, zwei Wochen in Folge; oder eine neue Seite, die die Prompts, die sie gefunden haben, in der Woche danach weiter zitiert haben, in mindestens 25 % von 4 oder mehr Antworten bei mindestens 2 Prompts. Neu: in den letzten 2 Wochen zum ersten Mal zitiert, bei Prompts, die wir in mindestens 4 der 8 Wochen davor gestellt hatten. Erstmals gemessen: dasselbe bei einem Prompt oder einer Engine, die vorher zu kurz gemessen wurden, um die Seite neu zu nennen. Eine neue Seite behält ihren Status bis zu 6 Wochen, solange sie weiter zitiert wird und zu jung ist, um etabliert zu sein. Keine aktuellen Daten: eine etablierte Seite, deren Prompts in einer der letzten 2 Wochen keine Antworten hatten (ein pausierter Prompt, eine entfernte Engine, ein ausgefallener Scan); das zählt nie als Verlust. Gelegentlich: zitiert, aber nicht etabliert, also zu wenige Antworten für einen Trend. Die meisten zitierten Seiten sind gelegentlich: Beim wöchentlichen Standard-Scan mit 2 Durchläufen pro Prompt bekommen nur Seiten, die bei mehreren Prompts oder Engines zitiert werden, einen anderen Status; mehr Durchläufe pro Prompt oder ein täglicher Scan schärfen ihn. Eine stabile Seite mit Sternchen wurde in ihren letzten wenigen relevanten Antworten nicht zitiert, zu wenige, um sie verloren zu nennen.

Die Detailansicht zeigt den Status und seit wann, die Rate vorher und jetzt mit n, das erste Zitat (als „am oder vor dem“ markiert, wenn es in die Woche fällt, in der unsere Messung beginnt), das letzte Zitat, zitierte von gemessenen Wochen, die längste und die aktuelle Serie, wie viele Prompts, Engines und Märkte jetzt relevant sind, die Rate pro Woche und für dieselben Wochen die relevanten und zitierenden Antworten (auch als Tabelle), ab der ersten Woche mit Antworten für die Seite (ein Hinweis sagt, ab wann, und wie viele der 26 Wochen davor lagen), eine Markierung, wo eine Engine das Modell gewechselt hat (einmal pro Wechsel, datiert auf seine erste Antwort), den Status pro Engine, die Prompts, die die Seite zitieren, mit vorher und jetzt, und die Seiten, die in den Antworten, die sie fallen gelassen haben, stattdessen zitiert werden. Für eine verlorene, nachlassende oder beendete Seite nennt sie eine wahrscheinliche Ursache nur, wenn die Daten sie zeigen: Die Seite antwortete bei einer Prüfung in den letzten 14 Tagen mit HTTP 404 oder 410, eine andere Seite derselben Website hat ihre Prompts übernommen, der Crawler einer Engine, die die Seite verloren hat, wird laut dem letzten GEO-Audit auf deiner Website blockiert, Engines, die die Seite verloren und das Modell gewechselt haben, trugen 70 % oder mehr ihrer früheren Zitate (jede mit ihrem eigenen Anteil genannt), eine Seite eines beobachteten Wettbewerbers wird jetzt in mindestens 5 und mindestens einem Fünftel der Antworten zitiert, die sie fallen gelassen haben, oder diese Antworten zitieren insgesamt weniger Quellen. Sonst steht die Ursache als unbekannt. Die Zahlen stammen aus Wochenzahlen, die im Hintergrund aus den Antworten jedes Projekts aufgebaut werden: etwa 10 Minuten nach jedem Scan aktualisiert und jede Nacht geprüft, die Status gelten also zum angezeigten Zeitpunkt. Bis der erste Aufbau fertig ist (meist innerhalb von 10 Minuten), sagt die Ansicht URLs, dass sie den Zitier-Verlauf vorbereitet. Im MCP-Connector liefert get_cited_url die Lebensdauer jeder Seite, und list_citation_lifetimes listet jede Seite, deren Status nicht gelegentlich ist (gelegentliche Seiten werden gezählt, nicht gelistet); Ask Crunch liest eine kurze Zusammenfassung der Status mit ihrem n.

In einem Bericht listet die KI-Sichtbarkeits-Tabelle „Citation lifetime“ Seiten nach diesen Status. Zwei Vorlagen: „Seiten, die KI-Zitate verlieren“ (deine eigenen Seiten, die verloren, nachlassend oder deren Zitate im Zeitraum beendet sind) und „Neu zitierte Seiten von Wettbewerbern“ (Seiten deiner beobachteten Wettbewerber, die neu, steigend oder zurück sind); du kannst auch die Seiten (deine eigenen, die deiner beobachteten Wettbewerber oder alle) und die Status selbst wählen. Die Status gelten für die letzten zwei vollständigen Wochen des Berichtszeitraums, verglichen mit den 4 Wochen davor; ein Bericht über einen vergangenen Monat zeigt also die Status dieses Monats. Diese 4 Wochen können vor den Zeitraum zurückreichen, und eine Fußnote nennt die gelesenen Wochen. Jede Zeile zeigt den Status, die Rate vorher und jetzt als zitierende / relevante Antworten, die Änderung in Prozentpunkten, wann die Seite zuletzt zitiert wurde, die Wochen mit Zitat, die Engines, für die sie relevant ist, und eine Verlaufsspalte mit ihrer wöchentlichen Rate über 12 Wochen (an, solange du sie nicht ausschaltest). Seiten, die zu selten zitiert werden, um einen Trend zu erkennen, stehen nicht in der Liste. Die Tabelle umfasst das ganze Projekt: Von den Filtern des Widgets gilt nur Quelle (deine Scans, Peec AI oder beides). Der Zitier-Verlauf reicht 26 Wochen zurück; endet ein Zeitraum davor, bleibt die Tabelle leer und sagt, warum. Sie sieht in der App, über einen Freigabelink und im PDF gleich aus, und eine KI-Zusammenfassung liest ihre Zeilen mit ihrem n.

## Agent analytics: Crawlbarkeit und Crawl-Insights
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. Die Crawlbarkeits-Prüfung läuft zudem automatisch im selben wöchentlichen Rhythmus wie das GEO-Audit, sodass Verlauf und Änderungsprotokoll ohne manuellen Klick aktuell bleiben — ein neuer Snapshot wird nur protokolliert, wenn sich die robots.txt-Haltung tatsächlich ändert, und ein Badge auf der Seite zeigt, wann zuletzt geprüft wurde (bernsteinfarben, falls eine Prüfung veraltet, älter als etwa eine Woche).

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*. Ein wichtiger Vorbehalt, weil er oft für Verwirrung sorgt: Crawler-Besuche zeigen, ob KI-Bots deine Website *erreichen* können — nicht, ob du in KI-Antworten *zitiert* wirst. Ein Modell nennt eine Marke oft aus seinem Trainingsgedächtnis ohne neuen Crawl, und Live-Antworten zitieren meist aus einem Index oder Cache, statt bei jeder Frage deinen Server abzurufen; wenige (oder null) Crawler-Besuche bedeuten also nicht geringe Sichtbarkeit. Ob du tatsächlich zitiert wirst, siehst du unter KI-Sichtbarkeit; Crawl-Insights ist das Zugriffs-Signal, kein Zitat-Zähler.

Die Tabelle der Top-Seiten verbindet beide Seiten pro Seite: Neben jedem gecrawlten Pfad zeigt Gelesen, wie viele Scan-Antworten diese Seite bei der Recherche gezogen haben, und Zitiert, wie viele sie als Quelle zitiert haben — je einmal pro Antwort gezählt, über den Seitenpfad deiner Website zugeordnet und nur aus Antworten mit echtem Abgerufen/Zitiert-Split. Gemini-Antworten fehlen in beiden Spalten, denn Gemini nennt die Website, von der eine Quelle stammt, nie die Seite. Die beiden Spalten haben bewusst verschiedene Nenner — mehrere Engines legen Zitate offen, aber nie ihre Abrufliste, sodass Zitiert über Gelesen liegen kann, ohne dass etwas falsch ist; die Fußzeile unter der Tabelle nennt beide Zahlen. Darunter listet „In Antworten zitiert, in diesem Zeitraum nicht gecrawlt“ deine Seiten, die KI-Antworten ohne frischen Crawler-Besuch zitieren — aus genau dem Index-und-Cache-Grund oben der Normalfall, keine Anomalie. Das eine Muster, auf das sich reagieren lohnt: Eine Seite, die Bots intensiv abrufen, die aber nie in eine Antwort gelesen wird, ist Content, den die Modelle einsammeln und nicht verwenden. Sobald genug Seiten beide Ereignisse tragen, erscheint eine Zeile „Zeit bis zur Zitierung“: der beobachtete Median zwischen dem ersten geloggten Crawl einer Seite und ihrer ersten erfassten Zitierung, mit Medianen pro Engine, sobald mindestens drei Seiten qualifizieren. „Beobachtet“ ist das entscheidende Wort — beide Reihen beginnen mit dem Verbinden der Logs bzw. dem Start der Zitierungs-Erfassung, und Engines unterscheiden sich stark; lies es als das, was auf dieser Website passiert ist, nie als versprochene Geschwindigkeit. Seiten, die vor jedem geloggten Crawl zitiert wurden, werden aus genau dem Index-und-Cache-Grund oben separat gezählt.

„Kaputt für KI-Crawler“ ist die Reparaturliste pro Seite: jede URL, die einem KI-Bot-Abruf mit einem Fehler geantwortet hat — tote Links (404/410), Serverfehler, Rate-Limits — mit den exakten Status-Zählern und den betroffenen Bots. Bewusst nicht enthalten: 403/406-Edge-Blocks, denn das ist Zugriffs-Policy statt Defekt und gehört zur Ansicht Firewall & Zugriff — beides zu mischen ließe gewolltes Blockieren wie einen Bug aussehen.

Sobald Logs einlaufen, führt Crawl-Insights mit **KI-Bot-Traffic** — denselben Treffern, gruppiert nach dem *Unternehmen* hinter den Bots statt nach dem einzelnen User-Agent. Es zeigt, wie viele Anbieter die Website erreicht haben, die KI-Abrufe insgesamt, den Anteil jedes Anbieters (ein gestapelter Balken — OpenAI vs. Google vs. Anthropic vs. Amazon …) und die Aufteilung zwischen Nutzeranfrage-Abrufen (ein Bot, der eine Seite live für die Frage von jemandem holt) und Such- und Trainings-Crawls. Es ist der schnellste Blick darauf, *wer* der Website Aufmerksamkeit schenkt und *warum*. Ein Anbieter fasst alle seine Bots zusammen (OpenAI bündelt also GPTBot, OAI-SearchBot und ChatGPT-User in einer Zeile), und jeder Anteil ist die Trefferzahl des Anbieters geteilt durch die Gesamtzahl, die Balken ergeben also immer 100%.

Jeder Anbieter trägt zudem eine **Verifiziert**-Stufe — den Anteil seiner Abrufe, die wir aus den *eigenen* veröffentlichten IP-Bereichen dieses Unternehmens bestätigen konnten. Einige Anbieter (OpenAI, Google, Perplexity) veröffentlichen maschinenlesbare IP-Bereich-Feeds; wir holen und cachen sie und prüfen die Quell-IP jedes Treffers dagegen. Ein Request, der sich als GPTBot ausgibt, aber von einer IP *außerhalb* des veröffentlichten OpenAI-Bereichs kommt, ist ein gefälschter User-Agent und zählt nie als verifiziert. Anbieter, die keine Bereiche veröffentlichen, werden ehrlich als „nicht verifizierbar“ ausgewiesen statt geraten — ein fehlender Verifiziert-Wert heißt also „nicht prüfbar“, nicht „gefälscht“. Es ist der Unterschied zwischen „ein Bot sagte, er sei ChatGPT“ und „er war es nachweislich“.

Die Logs verbindest du auf einem von drei Wegen, alle auf der Crawl-Insights-Seite. Auf Vercel: Team-Einstellungen → Drains → Add Drain → Daten: Logs → Projekt: das, das diese Website ausliefert → Quellen: Functions, Edge Functions und Static Files → Umgebung: Production → Ziel: den auf der Seite angezeigten Ingest-Endpoint einfügen (Format JSON oder NDJSON — die Verifizierung läuft automatisch durch). Auf Cloudflare: Logpush ist ein Enterprise-Feature — im Free- oder Pro-Tarif nimm stattdessen einen kleinen Worker: einen Forwarder deployen (Workers & Pages → Create → Start with Hello World → einfügen → Deploy) und eine Route auf deine-domain.de/* legen. Das fertige Snippet, mit deinem Ingest-Endpoint bereits eingesetzt, findest du auf der Crawl-Insights-Seite unter „Logs mit einem Worker weiterleiten“. (Enterprise-Nutzer können weiterhin einen Logpush-Job auf denselben Endpoint richten.) Überall sonst: eine .log-, .txt-, .csv- oder gepackte .gz-Zugriffslogdatei (Combined/Common-Format) über den Upload-Button hochladen — .gz-Dateien werden im Browser entpackt, ein roher Server-Log wie sslaccesslog.gz lässt sich also direkt hochladen. Datenschutz in jedem Fall: Gespeichert werden nur KI-Crawler-Zugriffe (Bot-Name, Pfad, Status, Zeitpunkt); Requests menschlicher Besucher werden beim Eingang verworfen und nie persistiert.

## KI-Crawler-Referenz: Wer deine Website abruft, was Blockieren kostet, wie Identität geprüft wird
KI-Crawler machen drei verschiedene Jobs, und sie zu blockieren hat drei verschiedene Preisschilder. TRAINING-Crawler sammeln Inhalte für künftiges Modelltraining: OpenAIs GPTBot, Anthropics ClaudeBot, Google-Extended (Googles Trainings-Opt-out), Applebot-Extended, Amazonbot, Meta-ExternalAgent, ByteDances Bytespider und Common Crawls CCBot — dessen Datensatz viele Modelle zugleich speist; CCBot zu blockieren ist also ein Opt-out aus mehr als dem Training einer einzigen Firma. Einen Training-Crawler zu blockieren entfernt deine Inhalte aus dem, was KÜNFTIGE Modelle aus dem Gedächtnis wissen. Das kostet heute nichts Sichtbares und berührt Live-Antworten nicht — eine legitime Grundsatzentscheidung —, aber es wirkt leise nach: Modelle, die dich nie gelesen haben, zitieren dich später seltener aus dem Gedächtnis. SEARCH-Crawler speisen den Live-Antwort-Index, aus dem Zitate kommen: OAI-SearchBot (ChatGPT-Suche), Claude-SearchBot, PerplexityBot, meta-webindexer (Meta AI — laut Meta hilft das Zulassen, „deine Inhalte in den Antworten von Meta AI zu zitieren und zu verlinken“), Amzn-SearchBot, Applebot (das auch Siri und Spotlight versorgt), Google-CloudVertexBot. Diese zu blockieren ist ein direkter, sofortiger Sichtbarkeitsverlust — die Engine kann deine Seiten beim Komponieren der Antwort nicht abrufen und zitiert jemand anderen. NUTZER-AUSGELÖSTE Fetcher agieren nur, wenn eine Person fragt: ChatGPT-User, Claude-User, Perplexity-User, Gemini-Deep-Research, meta-externalfetcher, DuckAssistBot, Mistral. Diese zu blockieren lässt „lies diese Seite“ live scheitern — vor genau dem Nutzer, der nach dir gefragt hat. Ein Sonderfall steht über allem: Googlebot selbst speist die klassische Suche UND die AI Overviews — für die KI-Nutzung deiner Inhalte gibt es Google-Extended; Googlebot aus GEO-Gründen zu blockieren würde deine Google-Suchsichtbarkeit gleich mit erledigen.

Zwei Fallen sind es wert, gekannt zu werden. Erstens: Die meisten „alle KI blockieren“-robots.txt-Rezepte erwischen die Search- und Nutzer-Crawler zusammen mit den Training-Crawlern — man zahlt den sofortigen Sichtbarkeitspreis für ein Trainings-Opt-out, meist unbeabsichtigt. Das Crawlability-Tool trennt die beiden Klassen pro Bot genau deshalb, damit du Training-Crawler blockieren und die Live-Antwort-Crawler behalten kannst. Zweitens: Ein User-Agent-String ist trivial fälschbar — jeder kann „GPTBot“ in einen Request-Header schreiben, und in echten Produktions-Logs ist ein großer Teil des angeblichen KI-Crawler-Traffics genau das. Die einzig vertrauenswürdige Identitätsprüfung sind die offiziell veröffentlichten IP-Bereiche des Anbieters. OpenAI (openai.com/gptbot.json und Geschwister), Google (die Crawler-IP-Feeds auf developers.google.com) und Perplexity (perplexity.ai/perplexitybot.json) veröffentlichen maschinenlesbare Feeds; die Crawl-Insights prüfen jeden geloggten Zugriff, der diese Anbieter behauptet, gegen die Live-Feeds und markieren ihn als verifiziert oder gefälscht. Anbieter ohne bestätigten maschinenlesbaren Feed werden als NICHT PRÜFBAR markiert — bewusst: Manche Anbieter dokumentieren stattdessen Reverse-DNS, und wo wir nicht gegen eine offizielle Quelle prüfen können, sagen wir das, statt zu raten — ein falsches „gefälscht“ würde einen legitimen Crawler verleumden. Die Karte „Crawler-Identitätsprüfung“ auf der GEO-Audit-Seite zeigt deine eigene Verteilung verifiziert vs. gefälscht aus deinen weitergeleiteten Logs.

Metas Kommerzielle Nutzungsbedingungen, Stand 17.10.2026: Die Fassung, die am 30.10.2026 in Kraft tritt, erlaubt Meta, Websites zu crawlen und zu indexieren, die mit einem Unternehmenskonto auf seinen Plattformen verbunden sind; von Nieman Lab zitierte Rechtsexperten lesen sie so, dass Meta damit auch seine KI auf diesen Inhalten trainieren darf. Laut Meta ändern die Bedingungen die rechtliche Erlaubnis, nicht das Crawling: Nieman Lab zitiert einen Meta-Sprecher, nach dem sich am Crawlen nichts ändert und die robots.txt weiter gilt, und Metas Crawler-Dokumentation (developers.facebook.com) verweist Website-Betreiber ebenfalls auf die robots.txt. Wer eine Website aus Metas Trainings-Crawls heraushalten will, sperrt dort meta-externalagent. meta-webindexer ist der Crawler hinter den Suchantworten und Quellenangaben von Meta AI; wer ihn ebenfalls sperrt, verliert Sichtbarkeit in Meta AI. Quellen: Nieman Lab (Oktober 2026) und Metas Crawler-Dokumentation.

## KI-Sichtbarkeit im Kundenbericht
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, Source domains, Trending URLs, Crawler visits, AI bot traffic, Crawl sections, Crawler access, Tag, Brand × Tag, Tag × Month, Brand × Month, 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 dieselbe Liste vor, über die Tage des Berichts. Jede Zeile ist eine fremde Website mit mindestens einer Antwort, die einen verfolgten Wettbewerber genannt hat und den Kunden nicht: „Lücke“ zählt diese Antworten, „Mit Wettbewerber“ die Antworten, die mindestens einen verfolgten Wettbewerber nennen, „Mit dir“ die Antworten, die die Marke des Kunden oder einen ihrer Alias-Namen nennen, „Antworten“ jede Antwort, zu deren Quellen die Website gehört, und „Genannte Wettbewerber“, welche verfolgten Wettbewerber, mit ihren Antworten. Eine Antwort zählt einmal pro Website, gleich wie viele ihrer Seiten sie genutzt hat, die Zahlen lesen sich also als Reichweite und nicht als Wiederholung, und ein Hinweis unter der Tabelle nennt die Tage und die Zahl der Antworten dahinter. Die eigenen Domains des Kunden und die eigenen Websites der verfolgten Wettbewerber fehlen: Dort ist keine Erwähnung zu gewinnen.

Bis zum 23. Oktober 2026 hat die Seite Gap-Analyse alle jemals erfassten Antworten gezählt, während das Bericht-Widget den Zeitraum des Berichts las, und beide zählten jedes Unternehmen, das eine Antwort nannte, als Wettbewerber, auch nicht mehr verfolgte. Beide zählen jetzt auf eine Weise: Für dieselben Tage und Filter zeigen Seite und Bericht dieselben Zahlen. Eine gespeicherte Gap-analysis-Tabelle kann weniger Zeilen zeigen als zuvor, weil nicht verfolgte Unternehmen, deine eigenen Domains und die eigenen Websites deiner Wettbewerber nicht mehr zählen.

„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. Jede Zeile zeigt die Tags des Prompts, den Tag, seit dem er erfasst wird, seine Sichtbarkeit (die Antworten, die die Marke nennen, geteilt durch die Antworten zum Prompt im Zeitraum) und, wenn der Bericht Zeiträume vergleicht, die Veränderung in Prozentpunkten. Eine Veränderung, die nicht klar über der Fehlermarge liegt, beginnt mit „~“; dann nennt ein Hinweis unter der Tabelle, ab welcher Veränderung ein Prompt in den gezeigten Zeilen klar ist (dem Doppelten der Fehlermarge der Veränderung, beide Zeiträume zusammen), und die Antworten pro Prompt dahinter. Bei ein paar Dutzend Antworten pro Prompt sind nur große Bewegungen klar, deshalb stehen die meisten Veränderungen mit „~“: Bei dieser Stichprobengröße lässt sich eine mäßige Bewegung nicht von Rauschen unterscheiden. „Erfasst seit“ ist der Tag der ersten gespeicherten Antwort zum Prompt, nicht der Tag, an dem er angelegt wurde: Bei aus Peec AI importierten Prompts ist das Anlagedatum der Tag des Imports, während der erste importierte Chat zeigt, seit wann Peec den Prompt stellt. 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; über die Sortierung des Widgets kannst du stattdessen nach Prompt, Sichtbarkeit oder ihrer Veränderung ordnen (eine vor dem 8. Oktober 2026 gespeicherte Tabelle bleibt schlechteste zuerst, bis du eine Sortierung wählst). Bis zum 8. Oktober 2026 hieß die Spalte Sichtbarkeit „Erwähnungsrate“, und die Tabelle zählte Antworten anders als die KPI Sichtbarkeit: In einem Projekt mit Daten aus Peec AI und unseren eigenen Scans wurde eine Engine, die beide erfassen, an einem Tag, an dem beide sie gemessen haben, doppelt gezählt. Jetzt zählt die Tabelle sie einmal, wie die KPI, daher können sich in solchen Projekten Sichtbarkeit und Durchläufe einer gespeicherten Prompt-Tabelle ändern, und die Durchläufe sinken — die früheren Werte haben diese Antworten doppelt gezählt. Die Tabellen Topic und Tag (ohne die zusätzlichen Metriken) folgen seit dem 9. Oktober 2026 derselben Regel: Ihre Rate heißt Sichtbarkeit (vorher „Erwähnungsrate“), und jede Zeile ist die KPI Sichtbarkeit, gefiltert auf dieses Thema oder diesen Tag; in solchen Projekten können sich daher auch dort Sichtbarkeit und Durchläufe ändern, und die Durchläufe sinken. Auf einen Markt gefiltert, behalten die Tabellen Prompt, Topic und Tag die Antworten, die ohne Markt gespeichert sind (aus der Zeit, bevor Märkte erfasst wurden), unter dem Markt des Projekts, wie die KPI Sichtbarkeit; bis zum 9. Oktober 2026 hat die Prompt-Tabelle sie weggelassen.

Tags bekommen vier eigene Ansichten, gebaut für Agenturen, die ein Produkt oder Thema nach dem anderen berichten. „Brand × Tag“ ist eine Heatmap: dein Kunde und seine erfassten Wettbewerber untereinander, die Tags, die du wählst, nebeneinander in deiner Reihenfolge. Jede Zelle ist der Anteil der Antworten, die die Marke nennen, darunter steht die Veränderung zum Vorzeitraum in Prozentpunkten, und über jeder Spalte die Zahl der Antworten. Eine Veränderung, die nicht mindestens doppelt so groß ist wie ihre Fehlermarge (die Regel der KPI-Karten), steht grau mit einem „~“ davor, hier und in den Veränderungsspalten der anderen Tag-Tabellen. Die Filter des Widgets gelten für jede Spalte: Setzt du einen Produkt-Tag wie „Inhaltsversicherung“ als Filter, ergänzt jede Spalte ihn um ihren eigenen Tag, und eine optionale Spalte „Gesamt“ zeigt die Filter allein. Die Heatmap-Schattierung ist optional und hat eine Legende von niedrig bis hoch. „Tag × Month“ und „Brand × Month“ legen die Kalendermonate des Zeitraums nebeneinander, enden mit der Veränderung zum Vormonat und zum ersten Monat und zeigen für einen Monat ohne Antworten „—“ statt einer Null. Die Tabelle „Tag“ kann jetzt Sichtbarkeit, Abrufe, Abrufrate, Zitate und Zitatrate je Tag zeigen. Jede Zeile ist genau die KPI-Karte, gefiltert auf diesen Tag, mit einer optionalen Veränderungsspalte je Metrik, einer Zeile „Gesamt“ und deiner eigenen Auswahl und Reihenfolge der Tags; nur mit Daten aus Peec AI sind ihre Raten Werte pro Chat, wie auf der KPI-Karte. In einem Projekt mit Peec AI liest eine Spalte mit einem Tag und dem Quellfilter Peec AI die eigenen Tag-Werte von Peec AI. Eine Spalte, die ihren Tag zu einem Tag aus den Filtern hinzufügt, wird aus den importierten Chats neu berechnet, weil Peec AI jeweils nur einen Tag auswertet, und das Widget sagt, welche Spalten was zeigen. Eine Berichtsvorlage behält ihre Tags, auch die Tag-Filter, über den Namen: Bei einem Kunden bleiben die Tags, die seine Prompts verwenden, die übrigen werden entfernt und im Editor am Widget genannt. Eine Spalte oder Zelle mit weniger als 30 Antworten ist als Richtwert markiert.

Die Tabellen Prompt, Topic, Tag (beide Arten), Brand und Source domains können eine Verlaufsspalte zeigen; du schaltest sie in den Einstellungen der Tabelle ein oder bittest beim Hinzufügen oder Bearbeiten des Widgets mit Ask Crunch oder dem MCP-Connector um einen Verlauf. Sie zeichnet pro Zeile eine kleine Linie: die Sichtbarkeit der Zeile (bei Source domains den Anteil der Domain an den Antworten, nur mit Daten aus Peec AI an den Chats; bei einer erweiterten Tag-Tabelle ohne Sichtbarkeitsspalte ihre erste Abruf- oder Zitatrate, oder die Rate hinter ihrer ersten Anzahl Abrufe oder Zitate, in der Einheit ihrer Spalte) für jede Woche des Berichtszeitraums, Montag bis Sonntag und auf den Zeitraum zugeschnitten, oder für jeden Kalendermonat, wenn der Zeitraum 180 Tage oder länger ist. Jeder Punkt wird aus denselben Antworten berechnet wie der Wert der Zeile, nur über diese Woche, und entspricht damit der KPI-Karte, gefiltert auf diese Zeile und diese Tage; Wochen werden nie miteinander gemittelt. Eine Woche, in der die Zeile keine Antworten hatte, bleibt eine Lücke in der Linie, nie eine 0, und eine Woche mit weniger als 30 Antworten zeigt einen hohlen Punkt und gilt nur als Richtwert. Jede Linie hat ihre eigene Skala, mindestens 10 Punkte hoch, damit ein Bruchteil eines Punkts nicht wie ein Ausschlag aussieht; fährst du über einen Punkt, siehst du seinen Wert und die Zahl der Antworten dahinter (bei einer Abrufrate die Antworten, die ihre abgerufenen Seiten nennen; bei einer Zitatrate die Antworten, die deine Website abgerufen haben: jede Rate wird nur über diese berechnet). Die Spalte sieht in der App, auf Freigabe-Links und im PDF gleich aus. KI-Zusammenfassungen lesen die Wochenwerte, und get_report_data des MCP-Connectors liefert sie pro Zeile, null für eine Woche ohne Antworten, mit den Antworten hinter jedem Wert.

„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 Antworten, die sie als Quelle genutzt haben, wie viele davon sie zitiert haben, und der Information, ob in denselben Antworten deine Marke oder ein Wettbewerber genannt wurde. Beide Tabellen benennen ihren ersten Wert nach dem, was er zählt: In einer Ansicht nur mit Daten aus Peec AI heißt er „Retrievals“ (Abrufe) — die Seiten, die das Modell laut Peec abgerufen hat —, sonst „Appearances“ (Auftritte), die Seiten, die eine Engine abgerufen oder zitiert hat. Die Spalte „Citations“ daneben zählt nur die zitierten und zeigt „—“, wo keine dieser Antworten ihre Zitate meldet. Bis zum 8. Oktober 2026 hieß der erste Wert „Citations“. Die Ansichten Quellen und URLs beschriften ihre Werte genauso. Gemini nennt die Website, von der eine Quelle stammt, nie die Seite, deshalb zählen Gemini-Antworten in Cited URLs nicht, und eine Fußnote nennt, wie viele weggelassen wurden; sie zählen in Cited Sources und Source domains. Eine Tabelle Cited URLs oder Trending URLs, deren Antworten alle von Gemini stammen, sagt genau das statt „Keine Daten für diesen Zeitraum“, in der App, auf geteilten Links und im PDF.

„Source domains“ beantwortet die Frage „auf welche Websites stützen sich KI-Antworten, und wie stark?“. Die Tabelle sortiert Domains nach ihrem Anteil an Chats: die Antworten, die mindestens eine Seite der Domain genutzt haben, geteilt durch alle Antworten in den Filtern des Widgets, Tag eingeschlossen. Jede Antwort zählt einmal pro Domain, egal wie viele ihrer Seiten sie genutzt hat; eine Domain mit 30 % kam also in drei von zehn Antworten vor (bei Daten aus Peec AI ist das Peecs „retrieved percentage“). Vergleicht der Bericht Zeiträume, zeigt eine zweite Spalte die Veränderung in Prozentpunkten. Abrufe (in einer Ansicht nur mit Daten aus Peec AI) bzw. Auftritte und Zitate folgen denselben Regeln wie die Tabelle Cited Sources, und die Spalte Kategorie zeigt die Einordnung der Domain durch Peec AI (Redaktionell, Nutzerinhalte, Unternehmen, Institutionell, Nachschlagewerk, Verwandt, Sonstige oder eine Klasse, die du in Peec angelegt hast), gelesen bei jedem Peec-Sync für Peecs letzte 90 Tage. Deine eigenen Domains und die Domains deiner erfassten Wettbewerber stehen immer als Eigene und Wettbewerber. Bei unseren eigenen Scans, für die Peec keine Einordnung hat, nutzt CrunchJunkie eine feste Liste bekannter Bewertungs-, Social-, Nachschlage- und Nachrichtenseiten, kennzeichnet diese Kategorien als eigene und lässt andere Domains leer, statt zu raten. Deine Domain ist hervorgehoben; steht sie nicht in der Tabelle, nennt eine Fußnote ihren Rang. Das Limit legt fest, wie viele Domains erscheinen (standardmäßig 10).

„Trending URLs“ zeigt, auf welche Seiten KI-Antworten stärker zugreifen. Die Tabelle nimmt die meistgenutzten Seiten des Zeitraums (standardmäßig die 20 mit den meisten Abrufen) und listet die, deren Wert gegenüber der Vorperiode am stärksten gestiegen ist: Wert der Vorperiode und aktueller Wert, die Veränderung und die Veränderung in Prozent oder „neu“, wenn die Seite vorher nicht genutzt wurde. Bei Daten aus Peec AI kommen der Seitentitel und der Seitentyp von Peec dazu; sonst ist der Seitentyp eine grobe Schätzung von CrunchJunkie aus der URL. Die Vorperiode ist der Vergleichszeitraum des Berichts oder, wenn er keinen hat, der gleich lange Zeitraum direkt davor, und eine Fußnote nennt sie. Wurden Prompts erst nach Beginn der Vorperiode hinzugefügt, sodass die Vorperiode weniger Prompts umfasste, sagt das eine zweite Fußnote: Ein Teil des Anstiegs kommt dann von Prompts, die die Vorperiode nicht ganz abdeckt. Hat die Vorperiode gar keine Antworten — die Erfassung hatte noch nicht begonnen, Scans waren pausiert oder ein Import reicht nicht so weit zurück —, wird nichts verglichen: Der Wert der Vorperiode und beide Veränderungen zeigen „—“, die Seiten stehen nach ihrem aktuellen Wert, und die Fußnote sagt, dass es keine Daten der Vorperiode gibt. „Neu“ heißt nur, dass eine Seite in einer Vorperiode mit Antworten nicht genutzt wurde. Wie Cited URLs lässt die Tabelle Gemini-Antworten in beiden Zeiträumen weg und nennt in einer Fußnote, wie viele. Deine eigenen Seiten sind hervorgehoben. „Aus den Top-N-URLs ranken“ und das Limit legen die beiden Werte fest (standardmäßig 20 und 10).

„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”.

„AI bot traffic“ ist die Anbieter-Ebene dieser Tabelle: eine Zeile pro Unternehmen (OpenAI, Google, Anthropic, Amazon …) mit den Abrufen insgesamt, dem Anteil an allen KI-Abrufen und der Aufteilung zwischen Nutzeranfrage- und Such-/Trainings-Crawls. Es ist dieselbe Zusammenfassung, mit der die Crawl-Insights-Seite aufmacht — Bericht und App stimmen also immer überein. Wie „Crawler visits“ wird sie aus Server-Logs gemessen und braucht zuerst die eingerichtete Log-Aufnahme.

Die Quelle GEO-Audit ergänzt zudem die Tabelle „Competitor crawler access”, die deine robots.txt mit der deiner Wettbewerber vergleicht — eine Zeile pro KI-Antwort-Crawler mit der Angabe, ob DU ihn blockierst und wie viele Wettbewerber das tun, sodass „du blockierst ChatGPT, während die meisten Wettbewerber ihn zulassen” sofort auffällt. Sie füllt sich, sobald du in den Einstellungen des KI-Sichtbarkeits-Projekts Wettbewerber-Domains hinterlegst (nur eingetragene Domains werden geprüft), und erscheint in der App, in geteilten Links und im PDF. Ein Wettbewerber, dessen robots.txt nicht gelesen werden kann, wird weggelassen statt geraten.

Die Quelle GEO-Audit hat außerdem die Tabelle „Firewall & access policy”. Während „Crawler access” nur zeigt, was deine robots.txt sagt, verbindet diese das mit einem Live-Test: Sie ruft deine Startseite und eine Inhaltsseite aus deiner Sitemap mit dem User-Agent jedes KI-Antwort-Crawlers ab und prüft, ob die Anfrage tatsächlich durchkam. Die Inhaltsseite zählt, weil Cloudflares KI-Crawler-Standard seit dem 15. September 2026 Agent- und Trainings-Crawler nur auf Seiten mit Werbung blockiert: Ein Crawler kann die Startseite passieren und auf deinen Artikeln abgewiesen werden, und die Tabelle zeigt dann „Auf Inhaltsseiten abgewiesen“. Cloudflare wird als wahrscheinliche Ursache nur genannt, wenn die Antworten genau dieser Seite Cloudflares Edge-Merkmale tragen und die Sperren seinem Muster folgen (Agent- und Trainings-Crawler abgewiesen, reine Such-Crawler durchgelassen); sonst bleibt der Hinweis herstellerneutral. Seit dem 9. Oktober 2026 zählt eine bestätigte Sperre auf der Inhaltsseite auch in der Live-Erreichbarkeitsprüfung des Audits, genau wie eine auf der Startseite, und die Prüfung nennt die Seite („Homepage reachable for every probed crawler; /blog/x blocked for ChatGPT-User“); bis dahin las der Score nur die Startseite, eine Website, die nur auf ihren Artikeln sperrte, bestand also. Das kostenlose GEO-Audit auf unserer Website führt denselben Test mit zwei Seiten durch. Entscheidend ist die Spalte „Verdict” — „Refused our test” bedeutet, dass deine robots.txt den Crawler erlaubt, eine Firewall oder ein CDN unsere Testanfrage aber trotzdem abgewiesen hat (ein HTTP 403/406, noch bevor die robots.txt überhaupt gelesen wird). Lies das als starkes Indiz, nicht als Beweis: Der Test sendet den Namen des Crawlers von unseren Servern, nicht von den veröffentlichten IP-Adressen des Crawlers, und Bot-Management (Akamai, Cloudflare Bot Management, DataDome, PerimeterX und andere) weist eine ungeprüfte Anfrage, die sich als Crawler ausgibt, häufig ab, während der echte, verifizierte Crawler durchkommt. Eine Abweisung zählt in der Live-Erreichbarkeitsprüfung deshalb einen halben Punkt, nicht null, und klären lässt es sich in den Logs deines CDN oder deiner Firewall: Such dort nach Anfragen aus den veröffentlichten IP-Bereichen der echten Crawler. Die Ausnahme ist das weiter unten beschriebene Cloudflare-Standardmuster, das zu einer dokumentierten Regel passt, die auch die verifizierten Crawler blockiert. Sie füllt sich, sobald ein GEO-Audit einen eindeutigen Live-Test durchführt, deckt die acht Crawler ab, denen sich eine Blockade zuordnen lässt — die Such-Crawler (OAI-SearchBot, PerplexityBot, Googlebot, meta-webindexer von Meta AI), die Live-Agenten (ChatGPT-User, Claude-User, Perplexity-User) und ClaudeBot — und erscheint in der App, in geteilten Links und im PDF. Eine Bot-Challenge oder ein Rate-Limit wird angezeigt, aber nie als bestätigte Blockade gezählt.

## Marken, Tags und Projekt-Einstellungen
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. Ein Fall braucht Sorgfalt: eine Marke, deren Name zugleich ein gewöhnliches Wort, ein Monat oder ein Gattungsbegriff ist (eine Agentur namens MAI und der Monat Mai, pilot, Neuland, Conclusion). CrunchJunkie zählt einen solchen Namen nur dort, wo die Antwort ihn als Namen eines Unternehmens verwendet — in einer Anbieterliste, mit Ort, Rechtsform oder einer Kennzahl — und nicht, wo er schlicht ein Wort ist, etwa in einem Datum oder einer Überschrift. Wenn du einen solchen Namen trackst, lege die Rechtsform oder die Domain als Alias an ("MAI GmbH", "mai.de") — so hat die Erkennung zusätzlich eine eindeutige Schreibweise. Eine Erwähnung zählt nur, wenn die Antwort einen dieser Namen schreibt; eine Marke, die Antworten anders schreiben („islaNet“ für Isla Networks), wird also erst gezählt, wenn dieser Name ein Alias ist. Scheinen Antworten das zu tun, schlägt CrunchJunkie den Namen in Signale vor (siehe Signale & Automatisierungen, „Alias-Vorschläge“), und du fügst ihn mit einem Klick hinzu (die gespeicherten Antworten der letzten 42 Tage werden dann damit neu gezählt, diese Erwähnungen ohne Position und ohne Stimmung) oder sagst, dass es ein anderes Unternehmen ist (das bleibt gespeichert: er wird nie wieder vorgeschlagen). Ein Wettbewerber, den du mit seiner Website hinzufügst („greatjourneysnz.com“), wird unter dem Namen angeboten, den sich die Website selbst gibt („Great Journeys New Zealand“), und die Domain bleibt seine Website; geändert wird nichts, bis du klickst. 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 der Zeitzone des Projekts, damit Scans dann laufen, wann du sie brauchst. Ein Markt des Projekts kann nach eigenem Zeitplan scannen (Einstellungen → Märkte → Zeitplan); die Märkte ohne eigenen scannen mit dem Projekt. Eine geänderte Uhrzeit wird in der Zeitzone des Projekts gespeichert, oder in der deines Workspaces (Einstellungen → Präferenzen), wenn das Projekt keine hat, und das Speichern einer anderen Einstellung verschiebt sie nie; ein Zeitplan aus der Zeit vor den Zeitzonen läuft in UTC und wird so angezeigt. Ändert ein KI-Assistent die Uhrzeit über den MCP-Connector (update_scan_settings), gilt dieselbe Regel, außer er nennt eine Zeitzone: Ein geänderter Tag oder eine geänderte Stunde wird immer mit ihrer Zeitzone gespeichert, und Tag, Stunde und Zeitzone, die das Projekt schon hat, ändern nichts. An einem Tag mit Zeitumstellung läuft ein Scan, dessen Stunde übersprungen wird, direkt nach dem Sprung, und eine Stunde, die es zweimal gibt, scannt einmal. Ein neues Projekt bekommt einen eigenen Termin: einen Wochentag und eine Nachtstunde in der Zeitzone deines Workspaces (Einstellungen → Präferenzen), so verteilt, dass nicht alle Projekte in derselben Stunde scannen; Projekte von vor Oktober 2026 behalten ihren Zeitplan. Geplante Scans laufen auf unseren Servern, die Scans vieler Workspaces nebeneinander und abwechselnd, sodass ein großer Stapel eines Workspaces nie den Scan eines anderen aufhält. Änderungen hier greifen ab dem nächsten Scan.

## Aus Peec AI importieren
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.

Die Marken bleiben von selbst mit Peec synchron. Jeder Sync liest Peecs Markenliste und spiegelt sie ins Projekt: Eine Peec-Marke, die einem deiner Wettbewerber per Name, Alias oder Domain entspricht — in beliebiger Schreibweise —, wird mit ihm verknüpft (Peecs Schreibweise wird zum Alias, dein Anzeigename bleibt), und eine Peec-Marke, die du noch nicht trackst, wird als Wettbewerber unter Peecs Namen samt Aliassen und Domain angelegt. Entfernt wird nie etwas, ein nur nativ getrackter Wettbewerber bleibt also bestehen. Wann immer sich Marken ändern — durch die Spiegelung, die Brands-Seite, die Projekteinstellungen oder den MCP-Connector —, werden die importierten Chats automatisch erneut gelesen, damit die neuen oder neu verknüpften Namen ihre Messungen aus Peecs eigener Markenerkennung erhalten; „Sync“ auf der Peec-Karte tut dasselbe auf Wunsch, und „Prüfen/Reparieren“ erscheint, sobald die Karte fehlende Chats meldet. Und das Marken-Ranking eines Reports vergleicht Marken immer über eine gemeinsame Antwortmenge — die Durchläufe, in denen jede gelistete Marke gemessen wurde —, damit der Share of Voice sich zu 100 % addiert und eine spät ergänzte Marke nie über eine kleinere Stichprobe bewertet wird als die anderen.

Peecs Fan-out-Queries — die Suchen hinter jedem Peec-Chat, aus Peecs /queries/search und /queries/shopping — importiert ein eigener Hintergrundjob jede Stunde, nie „Sync“ oder die tägliche Kennzahlen-Aktualisierung; ein langsames Peec kann diese also nie aufhalten. Sie landen in einer eigenen Tabelle und erscheinen in Query fanouts unter Peec und im MCP-Connector bei get_query_fanouts mit fanoutSource „peec“, immer als getrennte Quelle. Der erste Import liest die letzten 90 Tage; spätere machen beim letzten vollständig gelesenen ganzen Tag weiter und lesen die drei Tage davor erneut, weil Peec einem Tag auch nach seinem Ende noch Chats hinzufügt — „Importiert bis“ ist deshalb nie heute. Ein Tag mit mehr Fan-outs, als ein Import liest, wird dort fortgesetzt, wo er aufgehört hat; Websuchen und Shopping-Suchen haben in jedem Import ihren eigenen Anteil, und jede Anfrage bleibt in einem Zeitbudget und weit unter Peecs Rate-Limit. Die Historie eines großen Projekts kann also ein paar Stunden brauchen; die Seite sagt, solange der Import noch aufholt, zeigt einen Fehler, wenn Peec abgelehnt hat, und vermerkt, wenn Peec mehr Zeilen gemeldet als geliefert hat. Fan-out-Zeilen, die älter als 400 Tage (etwa 13 Monate) sind, werden täglich gelöscht, ob Peec noch verbunden ist oder nicht. Das Trennen von Peec AI löscht sie alle sofort, zusammen mit dem gespeicherten Schlüssel, und eine spätere erneute Verbindung importiert sie neu. Wird der Schlüssel durch einen für ein anderes Peec-Projekt ersetzt, werden die Fan-outs des bisherigen Projekts entfernt und die des neuen von vorn importiert; ein erneuerter Schlüssel für dasselbe Projekt behält sie.

Tag-gefilterte Widgets in einem Peec-Projekt. Ist ein Report-Widget auf Quelle = Peec plus genau einen Tag gefiltert, zeigt es Peecs eigene Werte für diesen Tag — Markenliste, Share of Voice, Sentiment und Position genau so, wie das Peec-Dashboard sie ausweist —, einmal täglich importiert statt aus den Chats neu berechnet. Eine Definition weicht dabei ab: Peecs Share of Voice zählt jede Nennung einer Marke, auch Wiederholungen innerhalb einer Antwort, während das native Share of Voice Antworten zählt; Visibility und Mentions sind in beiden Fällen identisch. Jede andere Filterkombination behält die chatbasierte Berechnung.

Dieselbe Regel gilt überall sonst, wo ein Peec-Projekt angezeigt wird — in der Übersicht, in der API und im MCP-Connector: Enthält die Ansicht nur Peec-Daten (ein Projekt ohne native Scans oder der Quellen-Schalter auf Peec), zählt Share of Voice jede Nennung wie Peec, die Werte entsprechen also dem Peec-Dashboard. Sobald native Scans in derselben Ansicht sind (die gemischte Quelle), zählt Share of Voice für alle Marken Antworten, denn das ist die eine Einheit, die beide Quellen teilen; ebenso eine Peec-Ansicht, die auf einen Prompt, eine Engine oder mehr als ein Tag eingegrenzt ist, denn sie liest die importierten Chats statt Peecs Zahlen; eine gemischte Tabelle soll dem Peec-Dashboard daher nicht entsprechen, und der Quellen-Schalter auf Peec liefert wieder Peecs Werte.

Abrufe und Zitate bei Peec-Daten (8. Oktober 2026). Dieselbe Regel entscheidet, wie Abrufe, Abrufrate, Zitate und Zitatrate gezählt werden. Enthält eine Ansicht nur Peec-Daten, gelten Peecs eigene Definitionen, berechnet aus den importierten Chats: Abrufe sind deine abgerufenen Seiten, summiert über alle Chats; die Abrufrate teilt sie durch alle Chats (Seiten pro Chat, z. B. 0,37 — kein Prozentwert); Zitate zählen jedes Zitat deiner Seiten, wie Peec, eine Seite, die eine Antwort zweimal zitiert, zählt also zweimal; die Zitatrate teilt die Zitate in den Chats mit Abruf deiner Domain durch die Zahl dieser Chats (z. B. 1,58 pro Chat). Peecs „Used as Source“, der Anteil der Chats, die deine Domain abgerufen haben, ist die Quellen-Auftrittsrate. Vor diesem Datum fiel ein Peec-Chat, der nichts zitiert hat, aus dem Nenner der Zitatrate, was die Rate nach oben trieb, und ein Chat ohne Quellen fiel aus dem Nenner der Abrufrate; beide zählen jetzt als null, auch bei früher importierten Chats, ohne neuen Import. Seit Oktober 2026 speichert der Import auch, wie oft ein Chat jede Seite zitiert hat (Peecs citation_count), diese Werte zählen Zitate also so, wie Peec es tut. Von Peecs eigenen Berichten können sie trotzdem abweichen, wenn dort Prompts pausiert oder gelöscht wurden: Peec zählt in seinen Berichten nur aktive Prompts, während die bereits importierten Chats dieser Prompts hier bleiben. Vorher importierte Chats speicherten nur, welche Seiten ein Chat zitiert hat: Bis sie erneut gelesen sind, zählt jede von ihnen zitierte Seite einmal, und jedes Widget, jede KPI-Karte und die Übersicht nennen unter dem Wert, wie viele solcher Chats er enthält, in der App, in geteilten Links, in PDFs und in den Daten der KI-Zusammenfassung. Abrufe, Abrufrate und Used as Source bleiben unverändert, ebenso alle Werte unserer eigenen Scans und von Ansichten, die sie mit Peec-Daten mischen. Die Tabellen Cited Sources, Cited URLs und Source domains zählen Zitate in einer Ansicht nur mit Peec-Daten genauso. Eine Ansicht, die native Scans mit Peec-Daten mischt, behält die antwortbasierten Definitionen — Antworten, die deine Domain abgerufen oder zitiert haben, Raten in Prozent. Ein Zeitraum, in dem die Peec-Chats des Kunden Seiten abgerufen, aber kein einziger etwas zitiert hat, hat keine Zitate erfasst (Chats, die vor dem 2. Juli 2026 importiert wurden, als der Import begann, zitierte Seiten zu speichern, und seitdem nicht synchronisiert wurden) — dort zeigen Zitate und Zitatrate „—“, nie 0; in einem Liniendiagramm bekommen die Raten pro Chat neben Prozentwerten eine eigene Achse. Ein Diagramm, dessen Zeitraum Abschnitte nur mit Peec-Daten neben Abschnitten mit eigenen Scans enthält, zählt jeden Punkt nach den antwortbasierten Definitionen, damit die Linie eine Einheit behält, und sagt das seit dem 9. Oktober 2026 unter dem Diagramm, mit den Abschnitten, die nur Peec-Daten haben. Ein Periodenvergleich, der einen Abschnitt nur mit Peec-Daten einem mit eigenen Scans gegenüberstellt, und eine Monats- oder Wochentabelle mit so gemischten Abschnitten zählen genauso und tragen denselben Hinweis. Die KI-Zusammenfassung liest jede Datenreihe und eine Rate pro Chat mit ihrer Einheit, sodass 0,37 pro Chat nie als 37 % gelesen wird.

Wenn du Peec AI trennst (Daten → Datenquellen → Trennen), wird alles gelöscht, was für diesen Kunden aus Peec importiert wurde, samt gespeichertem Schlüssel: die Antworten mit ihren Quellen, Peecs Tages- und Tag-Werte, die Fan-out-Anfragen und die aus Peec importierten Prompts. Ein Prompt, den auch CrunchJunkies eigene Scans abgefragt haben oder zu dem ein Content-Briefing erstellt wurde, bleibt erhalten und verliert nur seine Verbindung zu Peec; auch das Content-Briefing bleibt, ohne seine Zitate aus Peec-Antworten. Die aus den Antworten erstellten Wahrnehmungsanalysen und Markenvorschläge werden sofort gelöscht (starte die Wahrnehmungsanalyse neu, um das Übrige zu analysieren), und offene Signale, die auf Peecs Daten beruhen, werden erledigt. Hat ein Kunde zwei Peec-Verbindungen (ein doppelt abgeschicktes Verbinden konnte eine zweite anlegen; das geht nicht mehr), werden beide entfernt. Ab dem Trennen wird nichts mehr importiert. Die meisten Importe sind sofort gelöscht; ein sehr großer braucht einige Minuten. In dieser Zeit steht die Quelle in der Liste als „Wird entfernt“, und jede Ansicht des Kunden — App, Berichte, geteilte Links, PDFs, API und MCP-Connector — zeigt nur seine eigenen Scans. Deine eigenen Scans, andere Kunden und die Wettbewerber, die Peecs Markenliste dem Projekt hinzugefügt hat, bleiben unverändert. Verbindest du Peec erneut, wird das Peec-Projekt neu importiert.

## Peec-Daten und eigene Scans nebeneinander
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 über dessen Agent API). 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.

## Wo deine Checks hingegangen sind
Einstellungen → Abrechnung zeigt unter dem Managed-AI-Zähler ein Verbrauchsprotokoll: jeden Check dieser Periode, vierfach aufgeschlüsselt — nach Kunde, nach Modell, nach Tag und danach, von wo der Scan gestartet wurde.

Es zeigt zwei Zahlen nebeneinander, und der Unterschied zwischen ihnen ist wichtig. **Scans** ist, wie oft wir ein Modell tatsächlich abgefragt haben. **Verbrauchte Checks** ist, was das von deinem Kontingent abgezogen hat. Beides ist nicht dasselbe, denn Premium-Modelle (ChatGPT, Claude, Grok) zählen 3× — 200 Scans auf ChatGPT sind also 600 Checks. Premium-Modelle sind mit einem ×3-Badge markiert, und wenn die beiden Zahlen auseinandergehen, benennt das Protokoll die Verrechnung direkt: „Aus N Scans wurden M Checks, nachdem Premium-Modelle gewichtet wurden.“

Managed-Checks und Checks über deine eigenen Schlüssel stehen in getrennten Spalten und werden nie zusammengezählt. Managed-Checks ziehen von dem Paket ab, das du bezahlst; Checks über eigene Schlüssel laufen auf deinem API-Key und kosten hier nichts. Eine einzelne zusammengefasste Zahl würde nichts Reales beschreiben.

**Was es kostet.** Checks über deine eigenen Keys kosten hier nichts, aber deine Anbieter berechnen sie, deshalb schätzt das Protokoll diesen Betrag: eine Spalte „≈ Kosten eigener Key (USD)“ in jeder Zeile und in der Summe, beschriftet mit „≈ Kosten auf deiner eigenen Anbieter-Rechnung“. Sie bewertet die Tokens jedes Scans über deinen eigenen Key zum Listenpreis des Anbieters zum Zeitpunkt des Scans, plus seine Such- oder Grounding-Gebühr, in US-Dollar, weil Anbieter in US-Dollar abrechnen, und nennt den Tag, an dem unsere Preistabelle zuletzt kontrolliert wurde (wöchentlich gegen die Preisseite jedes Anbieters; weicht ein Preis ab oder lässt er sich nicht lesen, bleibt das Datum stehen). Weil jeder Scan zum Preis seines eigenen Tages bewertet wird, ändert eine Preisänderung eines Anbieters nie deine früheren Scans. Es ist eine Schätzung: Maßgeblich ist die Rechnung deines Anbieters; sie kann abweichen, vor allem durch Such- und Grounding-Gebühren, gecachte Tokens, Rabatte und Monatspläne wie den von SerpAPI. Der Schritt, der jede Antwort auswertet (Claude Haiku), läuft über den Key von CrunchJunkie und ist nicht in der Schätzung, außer als Key deines KI-Assistenten ist ein Anthropic-Key hinterlegt; dann landet er ebenfalls auf deiner Anthropic-Rechnung, und das Protokoll sagt das dazu. Scans vor dem 3. Juli 2026, als das Protokoll begann festzuhalten, über wessen Key ein Scan lief, lassen sich nicht bewerten: Sie stehen als „—“ da, fehlen in der Summe, statt als null gezählt zu werden, und der Auszug nennt, wie viele es waren. Hat ein Anbieter für einen Scan keine Token-Zahl gemeldet, wird er nach einem typischen Scan bewertet: deinem eigenen Durchschnitt für diese Engine im selben Zeitraum, wenn mindestens 10 ihrer Scans Tokens gemeldet haben, sonst unserem Standardwert; der Auszug nennt, für wie viele Scans das gilt. Managed-Checks haben keine Kostenspalte, weil dein Paket sie bezahlt: Für die laufende Periode steht in der Summe „inklusive“ oder der bisherige Mehrverbrauch (Checks über deinem Kontingent und den übertragenen Checks, mal deinem Preis pro zusätzlichem Check, in deiner Abrechnungswährung). Er steht einmal in der Summe, weil Mehrverbrauch zur ganzen Periode gehört und nicht zu einer einzelnen Zeile; der Mehrverbrauch früherer Perioden steht auf deinen Rechnungen. Wurde das Paket in der Periode gebucht oder gekündigt, zählt der Zähler erst ab diesem Moment: Der Auszug sagt das, nennt die Checks seitdem und überlässt alles Frühere in der Periode deinen Rechnungen, statt zu raten. „Letzte 30 Tage“ und „Letzte 90 Tage“ sind ganze UTC-Tage bis heute, ab 00:00 UTC, und „Vorherige Periode“ umfasst höchstens 31 Tage; das gilt seit Oktober 2026, deshalb können die Summen dieser Zeiträume etwas niedriger sein als früher. Die beiden Beträge haben verschiedene Währungen und stehen auf verschiedenen Rechnungen, deshalb werden sie nie addiert. Die CSV enthält die Schätzung für jeden Scan über deinen eigenen Key in own_key_est_cost_usd, daneben own_key_cost_note, hinter allen bisherigen Spalten, damit eine Tabelle auf Basis der alten Datei weiter funktioniert; bei Managed-Zeilen sind beide leer. Der Abrechnungszähler zeigt dieselbe Schätzung unter seiner BYOK-Zahl, und get_usage im Connector liefert sie als byokCost.

Nutz es, um die Fragen zu beantworten, die der Zähler allein nicht kann: welcher Kunde das Paket verbraucht, ob sich ein Premium-Modell auf einem bestimmten Projekt lohnt und ob ein Ausschlag ein einzelner schlechter Tag oder ein stetiger Anstieg war. Es gibt einen PDF-Export, um die Aufschlüsselung an einen Kunden oder in ein Spesensystem weiterzugeben.

„Gestartet von“ beantwortet eine Frage, die die anderen Tabs nicht beantworten können: ob Checks aus einem in der App geklickten Scan stammen, aus einem geplanten Scan, von einem KI-Assistenten über den MCP-Connector oder aus einer Automation. Die Abrechnung ist auf jedem Weg identisch — ein Check kostet dasselbe, egal von wo er gestartet wurde — dieser Tab ist also Zuordnung, nicht Preis. Das eigene Nachdenken eines Assistenten bei einem MCP-Aufruf läuft auf deinem ChatGPT- oder Claude-Abo und taucht hier nie auf; nur Scans, die er (nach deiner Bestätigung) startet. Dieselbe Aufteilung liefert das Tool get_usage des Connectors. Unter der Tabelle listet der Tab außerdem die Assistenten-Nachrichten mit Managed AI im selben Zeitraum danach, von wo sie gestartet wurden, ein eigenes Kontingent neben den Checks: Antworten und Berichtsanalysen in der App, die Zusammenfassungen der Monatskopien, der Connector, Automationen und „Berichts-E-Mails“, die KI-Zusammenfassungen, die vor dem Versand einer Berichts-E-Mail neu geschrieben wurden. get_usage liefert die des laufenden Monats als assistantMessages.bySurface.

Checks für einen inzwischen gelöschten Kunden erscheinen als „Gelöschter Kunde:“ mit der Marke, die gescannt wurde. Vor Juli 2026 erfasste Checks haben keinen Kunden hinterlegt und erscheinen als „Kein Kunde (vor Juli 2026)“; vor dem 23. September 2026 erfasste Checks haben keine Startfläche und erscheinen als „Nicht erfasst“. Alle werden angezeigt statt weggelassen, damit die Teile immer die Gesamtsumme ergeben.

## Eigene Schlüssel vs. Managed AI
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. Sie führen deine Scans aus, und ein OpenAI-, Claude- oder Gemini-Schlüssel betreibt außerdem die KI-Funktionen von Crunch (Berichts-Zusammenfassungen, Ask Crunch, Content-Briefings), solange du keinen eigenen Assistenten-Schlüssel hinterlegst; Grok- und DeepSeek-Schlüssel laufen nur für Scans. 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. Jede Engine, die du einschaltest, läuft über die Anbieter-Schlüssel von CrunchJunkie (in der 14-tägigen Testphase nur Perplexity). 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, 645 Checks) bis 399 €/Monat (Scale, 12.250 Checks), und zahlst darüber hinaus 0,05 € pro Check (alles zzgl. MwSt.). Effiziente Modelle zählen 1× pro Check, Premium-Modelle (ChatGPT, Claude, 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.

In der kostenlosen Testphase übernehmen wir ein Managed-Modell (Perplexity), damit du echte Daten siehst, bevor du etwas bezahlst. Es nennt die Seiten, die es genutzt hat, Content-Briefings funktionieren also auch in der Testphase. Eine Testphase, die vor der Umstellung im Oktober 2026 auf Gemini begonnen hat, behält Gemini bis zu ihrem Ende. Mit dem Ende der Testphase wird dieses kostenlose Modell abgeschaltet, und deinem Tarif wird nichts hinzugefügt: Managed AI gibt es nur, wenn du es selbst auswählst. Wenn du weiter scannen möchtest, wähle unter Einstellungen → Abrechnung ein Managed-AI-Paket oder hinterlege deinen eigenen API-Schlüssel und scanne ohne Aufschlag. Wir erinnern dich ein paar Tage vorher per E-Mail, und deine Prompts, Ergebnisse und dein Zeitplan bleiben unverändert.

## Scans und Checks: Rechenbeispiele
Die Einheit ist der Check. Ein Prompt, einmal gestellt, auf einer Engine, ist ein Check — außer bei einer Premium-Engine (ChatGPT, Claude, Grok), die 3× zählt. Jede Summe unten ist genau das, ausmultipliziert: Prompts × Durchläufe × Summe der Engine-Gewichte.

**Ein Scan.** Angenommen, du trackst 10 Prompts und lässt sie auf den vier Engines von Ausgewogen laufen — ChatGPT (Premium, 3×) plus Perplexity, Gemini und Google AI Overviews (effizient, je 1×) — mit zwei Durchläufen. Ein Durchlauf eines Prompts sind 3 + 1 + 1 + 1 = 6 Checks; zwei Durchläufe sind 12; über 10 Prompts ist ein einzelner Scan 120 Checks.

**Ein Monat.** Wöchentlich gescannt sind das etwa 4,3 Scans pro Monat ≈ 516 Checks. Alle zwei Wochen gescannt etwa 258.

**Gegen einen Tarif.** Managed AI Lite enthält 645 Checks für 25 €/Monat. Beide Kadenzen passen hinein: Wöchentlich (≈ 516/Monat) bleiben rund 129 Checks übrig, die in den nächsten Monat rollen. Mit 15 Prompts sind es bei gleicher Einstellung 180 Checks pro Scan, ≈ 774 im Monat: 129 darüber, abgerechnet mit 0,05 € je Check — 6,45 €, also 31,45 € in dem Monat (zzgl. MwSt., wie jede Managed-AI-Angabe) — es sei denn, du hast Rollover angespart, der immer vor jeder Übernutzung aufgebraucht wird. Ungenutzte Checks werden bis zu sechs Monatskontingente lang angespart. Übernutzung wird mit der Rechnung abgerechnet, die den Monat abschließt, in dem sie entstanden ist, auch im letzten Monat, wenn du kündigst. Wechselst du im Laufe eines Monats in ein größeres Paket, bleibt die bis dahin entstandene Übernutzung berechnet; sie wird auf eine Übernutzung im neuen Paket angerechnet, kein Check wird also doppelt berechnet.

**Der günstigste Puls.** Der Scan-Modus Sparsam — zwei effiziente Engines mit einem Durchlauf — sind nur 2 Checks pro Prompt und Scan. 20 Prompts wöchentlich zu tracken sind 20 × 2 × 4,3 ≈ 172 Checks pro Monat, deutlich unter einem Drittel des Lite-Kontingents.

Zwei Dinge kosten nie einen Check: Es gibt keine Grenze, wie viele Prompts du trackst (nur das Scannen zieht vom Kontingent ab), und ein fehlgeschlagener Check — bis zu dreimal wiederholt — wird nie gezählt, weder bei Managed AI noch mit eigenen Schlüsseln. (Ein Check, der fehlschlug, weil seine Antwort leer oder abgeschnitten ankam, wird ebenfalls nicht gezählt; mit eigenen Schlüsseln stellt der Anbieter den beantworteten Aufruf aber in Rechnung.) Mit eigenen Schlüsseln wird davon ohnehin nichts von uns abgerechnet: Du zahlst den Preis jedes Anbieters direkt, pro Antwort und ohne Gewichtung — seine Rechnung folgt also der reinen Anzahl, Prompts × Durchläufe × Engines.

## Der kostenlose öffentliche KI-Sichtbarkeits-Check
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 randsicheren Fehlermarge (± %) 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 zehn 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.

## Warum die Ergebnisse von einem manuellen ChatGPT-Check abweichen
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 über dessen Agent API, 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.

## Timeline-Annotationen: warum sich eine Linie bewegt hat
Eine Sichtbarkeitslinie macht einen Sprung, und drei Wochen später weiß niemand mehr, warum. War es eine echte Veränderung — oder hast du zwei Engines hinzugefügt, den Markt gewechselt oder das Scannen eine Woche pausiert? Timeline-Annotationen beantworten das direkt am Chart.

Die meisten schreibt CrunchJunkie automatisch: Immer wenn sich eine Projekteinstellung ändert, die die Messung beeinflusst — Markt, Sprache, Engines, Wettbewerber, Marken-Aliasse, Prompt-Set, Durchläufe pro Prompt, Zeitplan oder Scannen pausiert/fortgesetzt —, wird eine automatische Annotation mit dem exakten Vorher/Nachher festgehalten. Tauscht der Anbieter einer Engine das dahinterliegende Modell aus (dieselbe Engine antwortet plötzlich mit einem neueren Modell), halten wir auch das fest. Änderungen, die verändern, WAS gemessen wird (Markt, Sprache, Engines, Wettbewerber, Aliasse, Prompts, ein getauschtes Modell), werden besonders markiert, denn ein Delta über eine solche Änderung hinweg vergleicht zwei verschiedene Messungen. Manuelle Notizen — „neue Preisseite live", „PR-Kampagne gestartet" — fügst du über das Annotations-Panel an der Sichtbarkeits-Timeline hinzu.

Jede Annotation ist intern oder geteilt, und die Regel ist strikt: Automatische Annotationen sind immer intern — deine Kunden sehen deine Konfigurationsänderungen nie. Eine manuelle Notiz, die du als geteilt markierst, erscheint zusätzlich in kundenseitigen Berichten: als nummerierte Notizen unter den KI-Sichtbarkeits-Charts im Bericht in der App, im geteilten Berichtslink und im PDF — der Kunde liest dieselbe Erklärung neben derselben Linie. Interne Notizen bleiben nur in der App sichtbar.