Wahrnehmung

Die Sichtbarkeit sagt dir, ob ein Modell deine Marke genannt hat. Die Wahrnehmung sagt dir, was es über dich gesagt hat. Öffne das KI-Sichtbarkeits-Projekt eines Kunden und wähle in der linken Navigation unter Marke den Punkt Wahrnehmung — dort stehen die Wörter, zu denen die Modelle greifen, wenn sie eine getrackte Marke beschreiben: „reaktionsschnell“, „teuer“, „White-Label“, „auf Enterprise ausgerichtet“ — jeweils mit der Häufigkeit, mit der sie vorkamen. Jede getrackte Marke bekommt ihre eigene Karte: zuerst die Marke deines Kunden, dann die Wettbewerber, sortiert danach, wie viel Beleg dahintersteht. Über den Zeitraum-Schalter oben wechselst du zwischen den letzten 7, 30 und 90 Tagen und siehst, ob sich die Sprache rund um eine Marke verschiebt oder stabil bleibt. Es ist die Ansicht für die Frage, die ein Kunde nach „Sind wir sichtbar?“ wirklich stellt — nämlich: „Und wie werden wir beschrieben?“

Hier wird nichts neu berechnet, und es läuft kein zweiter KI-Durchgang dafür. Wenn ein Scan eine Antwort ausliest und eine Markenerwähnung festhält, zieht der Extraktor zusätzlich einen bis acht kurze beschreibende Begriffe für diese Marke heraus — wörtlich aus dem Antworttext, mit der ausdrücklichen Vorgabe, niemals einen Begriff zu erfinden, der dort nicht steht. Das passiert schon seit Langem bei jedem Scan. Die Wahrnehmung ist einfach die Seite, die es endlich zeigt — deshalb hat ein Projekt mit Scan-Historie vom ersten Tag an etwas zu lesen und startet nicht bei null. Damit klar ist, was es nicht ist: Es ist keine Entitätserkennung, und die Begriffe werden gegen keine externe Datenbank und keine Wissensbasis aufgelöst. Es sind beschreibende Wörter, die das Modell benutzt hat, angehängt an eine Marke, die du uns ohnehin zum Tracken gegeben hast. Hat ein Modell eine Marke in einer Antwort nicht beschrieben, trägt diese Erwähnung schlicht keine Begriffe — es wird nichts ergänzt. Nahezu gleiche Schreibweisen werden zusammengefasst, bevor du sie siehst: „affordable“ und „affordability“ oder der Plural „deals“/„deal“ zählen als ein Attribut, damit eine einzelne Eigenschaft nicht auf drei dünne Zeilen oder drei Radar-Achsen aufgeteilt wird. Zusammengefasst werden nur klare Varianten desselben Worts — echte Synonyme wie „cheap“ und „affordable“ bleiben getrennt, weil sie zu verschmelzen ein Urteil wäre, das die Daten nicht hergeben. Der Engine-Filter oben auf der Seite schneidet all das auf eine einzelne KI-Engine zu — wie ChatGPT allein die Marken beschreibt gegenüber Gemini allein — und jede Ansicht (Begriffe, Radar, Heatmap, Quellen) wird nur aus den Antworten dieser Engine berechnet. Die Auswahl listet nur Engines, die im aktuellen Zeitraum tatsächlich beschreibende Erwähnungen geliefert haben, jeweils mit ihrer Evidenz-Zahl. Eine einzelne Engine ist naturgemäß eine dünnere Stichprobe: Erwarte, dass dort mehr Marken unter die Fünf-Erwähnungen-Schwelle fallen. Das ist die Schwelle, die ihren Job macht — keine verschwundenen Daten.

Jede Karte listet die 20 häufigsten Begriffe dieser Marke, die häufigsten zuerst, jeweils mit Anzahl und Anteil. Lies die beiden Stichprobengrößen im Kartenkopf, bevor du dir die Begriffe ansiehst: Dort steht, wie viele Erwähnungen Begriffe getragen haben — neben der Gesamtzahl der Erwähnungen der Marke, denn diese beiden Zahlen unterscheiden sich in der Regel. Der Anteil wird gegen die Erwähnungen gerechnet, die tatsächlich Begriffe getragen haben, nie gegen alle Erwähnungen: Eine Erwähnung ohne beschreibende Begriffe hätte nie einen liefern können, und die größere Zahl würde den Beleg still übertreiben. Die Balken sind innerhalb jeder Marke skaliert, gegen den häufigsten Begriff genau dieser Marke. Das ist Absicht: Eine Marke wird gegen sich selbst gelesen, nicht gegen einen Wettbewerber, der zufällig die fünffache Stichprobe hat. Balkenbreiten über zwei Karten hinweg zu vergleichen würde mehr über das Erwähnungsvolumen aussagen als über die Sprache. Und eine Marke mit weniger als fünf Erwähnungen mit Begriffen wird als „zu wenige Erwähnungen für ein belastbares Muster“ gekennzeichnet — sie wird weiterhin angezeigt, denn Daten zu verstecken ist schlechter, als sie einzuordnen, aber der Hinweis steht da, damit niemand eine Strategie auf drei Datenpunkte baut.

Ein Begriff mit Fingerabdruck-Symbol ist unterscheidend: Im ganzen Projekt und im gewählten Zeitraum wurde er für diese Marke verwendet und für keine andere getrackte Marke. Genau dort wird Positionierung sichtbar. „Schnell“, das auf alle in der Kategorie zutrifft, ist Grundvoraussetzung und sagt wenig; „White-Label“, das nur auf dich zutrifft, ist eine Position, die dir in der Sprache der Modelle gehört — und die unterscheidenden Begriffe eines Wettbewerbers sind das Feld, das er besetzt und du nicht. Die Unterscheidung bezieht sich immer auf die Marken in diesem Projekt und auf den gewählten Zeitraum. Sie ändert sich also, wenn du Wettbewerber hinzufügst oder entfernst oder zwischen 7, 30 und 90 Tagen wechselst. Behandle einen unterscheidenden Begriff als Anlass für eine Frage — wollen wir so beschrieben werden, und ist der unterscheidende Begriff des Wettbewerbers etwas, worum wir kämpfen sollten? — und nicht als Kennzahl.

Über den einzelnen Marken-Karten vergleichen drei Ansichten die Marken auf einen Blick. Vier Leitkacheln nennen die Kernfakten — das Attribut, das die KI am stärksten mit deinem Kunden verbindet, ein für ihn typischer Begriff, die größte Lücke (ein Attribut, mit dem ein Wettbewerber weit häufiger beschrieben wird als dein Kunde) und der meistbeschriebene Wettbewerber. Das „Markenform“-Radar stellt deinen Kunden standardmäßig seinen zwei meistbeschriebenen Wettbewerbern über die wichtigsten gemeinsamen Attribute gegenüber — und über die Chips darüber wählst du selbst, welche Marken verglichen werden, maximal dein Kunde plus drei Wettbewerber gleichzeitig (mehr Formen sind nicht mehr lesbar). Die Achsen leiten sich aus den Marken auf dem Chart ab, der Vergleich zeigt also immer die Attribute, die diese Marken tatsächlich teilen; Marken unter der Evidenz-Schwelle erscheinen ausgegraut statt versteckt. Die Heatmap „Marken-Vergleich nach Attribut“ tut dasselbe über alle getrackten Marken auf einmal — ein Raster, in dem jede Zelle der Anteil einer Marke für dieses Attribut ist, dunkler bedeutet einen größeren Anteil, und „—“ heißt, das Attribut kam für diese Marke nie vor. All das ist anteilsbasiert und an dieselbe Schwelle von fünf Erwähnungen mit Begriffen gebunden wie die Karten, aus demselben Grund: Eine Marke wird am Anteil ihrer eigenen Beschreibungen gemessen, die ein Attribut trugen, nie an Rohzahlen — so stehen eine kleine und eine große Marke auf derselben Skala. Marken ohne ausreichend Beleg tauchen im Vergleich gar nicht erst auf.

Unter den Vergleichsansichten verbindet „Attribute & Quellen“ die wichtigsten Attribute deines Kunden mit den Seiten, die die KI in den Antworten zitiert hat, die das jeweilige Attribut verwendet haben — die konkreten Stellen, an denen du ansetzt, wenn du ändern willst, wie die Modelle dich dabei beschreiben. Die Zahl neben einer Seite ist, wie viele dieser Antworten sie zitiert haben. Lies es als Assoziation, nicht als Beweis. Zitate werden pro Antwort erfasst, nicht pro Wort — es sind also die Quellen, die in den Antworten mit dem Attribut vorkamen, kein Beleg, dass eine Seite genau diesen Begriff verursacht hat. Die eigene Domain ist enthalten, wenn sie zitiert wurde, und eine Seite, die innerhalb einer Antwort mehrfach zitiert wird, zählt einmal — dieselbe Regel „eine Antwort ist ein Beleg“, die die ganze Ansicht verwendet.

Jede Karte zeigt neben den Stichprobengrößen einen Sentiment-Wert von 100. Dieser Wert ist die Gesamttonalität der Marke über ihre Erwähnungen im Zeitraum. Er hängt an keinem einzelnen Begriff, und die Wahrnehmung wird dir niemals einen Sentiment-Wert neben einem Begriff anzeigen — weil wir das nicht messen. Den Grund sagen wir lieber deutlich, als ihn zu verstecken: Die beschreibenden Begriffe und der Sentiment-Wert werden pro Erwähnung getrennt erfasst, ohne Verbindung zueinander. Die ehrliche Lesart lautet also: „Die Modelle haben dich als ‚langsamer Support‘ beschrieben, und dein Gesamt-Tonalitätswert liegt bei 45“ — zwei Fakten nebeneinander. Die Lesart, die wir nicht stützen können, ist „euer Sentiment beim Support liegt bei 45“, denn nichts in den Daten verknüpft einen bestimmten Begriff mit einem bestimmten Wert. Willst du wissen, warum ein Tonalitätswert so ausfällt, sind die Begriffe ein starker Beleg, den du daneben lesen kannst — eine Aufschlüsselung dieses Werts nach Aspekten sind sie nicht.

Dieselben Daten wandern in Berichte. Füge ein Tabellen-Widget ein, wähle die Quelle KI-Sichtbarkeit und setze die Dimension auf „Perception“. Die Tabelle hat fünf Spalten — Marke, Begriff, Erwähnungen, Anteil und „Nur diese Marke“ —, ein Kunde sieht also die Sprache, ihre Häufigkeit, ihren Anteil an den Erwähnungen dieser Marke mit Begriffen und ob sie nur für ihn verwendet wird. Wie auf der Seite steht die Marke des Kunden zuerst, und eine Sentiment-Spalte gibt es bewusst nicht. Ein Unterschied zur Ansicht in der App: Im Bericht wird eine Marke mit weniger als fünf Erwähnungen mit Begriffen aus der Tabelle entfernt statt gekennzeichnet. Auf dem Bildschirm kannst du einen Hinweis neben einer dünnen Stichprobe lesen; in einem Kundenbericht ist eine Fußnote, die niemand liest, schlechter, als eine Zeile einfach wegzulassen, die ihr eigenes Gewicht nicht trägt.

Das kann auch in deinem Postfach landen. Aktiviere in den Einstellungen eines KI-Sichtbarkeits-Projekts die „KI-Wahrnehmungs-E-Mail“, und einmal im Monat bekommt der Workspace-Owner eine kurze, weiterleitbare Zusammenfassung für diese Marke: die Top-Begriffe, die KI-Modelle verwendet haben, welche seit dem Vormonat gestiegen oder nachgelassen haben, und ein Attribut, das ein Wettbewerber besetzt und du noch nicht — genau die Lücke, die sich zu erobern lohnt. Es sind dieselben live berechneten Daten wie auf der Wahrnehmungs-Seite, E-Mail und Seite widersprechen sich also nie. Zwei bewusste Regeln halten sie ehrlich. Sie wird nur verschickt, wenn im Zeitraum mindestens fünf Erwähnungen mit Begriffen vorliegen — darunter sind die Begriffe zu dünn für ein belastbares Muster, also geht lieber keine E-Mail raus als eine irreführende. Und bei White-Label-Tarifen wird sie unter Marke und Logo deiner Agentur versendet, ohne CrunchJunkie-Fußzeile, sodass du sie direkt an das Marken- oder PR-Team eines Kunden weiterleiten kannst. Sie kostet nichts (kein KI-Aufruf — nur ein Lesen der Erwähnungen, die bei jedem Scan ohnehin erfasst werden).

Die Wahrnehmung sagt dir, was die KI sagt. Das Messaging-Lücken-Scorecard sagt dir, ob das zu dem passt, was du sagen WILLST. Trage in den Einstellungen eines KI-Sichtbarkeits-Projekts deine Ziel-Attribute ein — die Dinge, für die du bekannt sein willst, etwa „günstig“, „schnelle Lieferung“ oder „nachhaltig“. Füge dann einem Bericht ein Tabellen-Widget hinzu, wähle die Quelle KI-Sichtbarkeit und setze die Dimension auf „Messaging gaps“. Jedes Ziel-Attribut bekommt eine Zeile, bewertet gegen das, was die Modelle im Zeitraum tatsächlich gesagt haben: Übernommen (die KI verwendet es regelmäßig — 15 %+ deiner beschriebenen Erwähnungen), Teilweise (es taucht auf, aber dünn) oder Noch nicht (die KI verbindet es gar nicht mit dir). Bei allem unterhalb von „Übernommen“ nennt die letzte Spalte den Wettbewerber, der dieses Attribut bereits besetzt — eine Lücke kommt also gleich mit dem Namen dessen, den du einholen musst. Sortiert wird Lücken zuerst, denn das ist die To-do-Liste. Wie beim Rest der Wahrnehmung braucht es mindestens fünf Erwähnungen mit Begriffen, um ehrlich zu bewerten; darunter bleibt das Widget leer, statt bei dünner Datenlage jedes Attribut als Lücke zu markieren. Der Abgleich ist nachsichtig — „schnelle Lieferung“ zählt auch eine Erwähnung von „schnell“ oder „Lieferung“ —, du kannst deine Pillars also in natürlicher Sprache schreiben.

Die Begriffe pro Marke sagen dir, welche Wörter die Modelle wählen; Einwände sagt dir, welche Argumente sie gegen dich aufbauen. Jeder Einwand trägt seine Belege: Aufklappen zeigt die exakten Antworten, aus denen er stammt (mit Engine und Datum; die Zuordnung ist gegen den analysierten Text validiert — die Zahl ergibt sich aus den Belegen, nie aus einer Schätzung), und darüber aggregiert die Quellen, aus denen diese Antworten schöpften. Lies die Quellenliste als Ansatzpunkte, um die Erzählung zu ändern — die von den Antworten zitierten Seiten, keine bewiesene Ursache der konkreten Aussage; eine Antwort kann einen Fakt auch aus dem Trainingsgedächtnis des Modells tragen. Dieselben Belege hängen an bestätigten und widersprochenen Faktencheck-Urteilen. Öffne die Wahrnehmung und klicke auf der Einwände-Karte auf „Analysieren“: Crunch liest die Scan-Antworten, die deine Marke erwähnen, und zieht die wiederkehrenden Bedenken, Zögern und Nachteile heraus, die ein Käufer neben der Empfehlung liest — „wenige Integrationen“, „unklare Preise“, „kleiner als die Platzhirsche“ — mit der Zahl der Antworten, die jeden Punkt genannt haben. Es ist ein separater KI-Durchlauf über bereits gescannte Antworten, auf Abruf und zwischengespeichert, verlangsamt die Seite also nicht und wird nicht bei jedem Laden neu berechnet — klicke nach neuen Scans auf „Neu analysieren“, um es zu aktualisieren. Dieselbe Disziplin wie im Rest der Wahrnehmung: Es zeigt nur Bedenken, die tatsächlich über deine Marke geäußert oder klar impliziert werden, nie generische Kategorie-Vorbehalte oder die Probleme eines Wettbewerbers, und ein Antwortsatz ohne echte Einwände liefert nichts statt einer erfundenen Liste. Es braucht mindestens drei Antworten, die die Marke erwähnen, bevor es läuft.

Modelle behaupten über dich manchmal Dinge, die veraltet oder schlicht falsch sind. Der Faktencheck macht daraus etwas Handhabbares. Trage in den Einstellungen des Projekts unter „Zu prüfende Marken-Fakten“ die sachlichen Aussagen über die Marke ein — eine pro Zeile, etwa „Gegründet 2019“, „Sitz in Berlin“ oder „14 Tage kostenlos testen“. Öffne dann die Wahrnehmung und klicke auf „Prüfen“. Crunch gleicht jeden Fakt mit den Scan-Antworten ab, die dich erwähnen, und markiert ihn als Gestützt (eine Antwort sagt etwas Konsistentes), Widerlegt (eine Antwort steht im Widerspruch) oder Nicht erwähnt (die Antworten adressieren ihn nicht), mit einer einzeiligen Notiz, die den relevanten Antworttext paraphrasiert. Einem Widerlegt-Urteil solltest du nachgehen — es ist ein sachlicher Fehler, den die Modelle Käufern gegenüber wiederholen, und die Notiz sagt dir, wo. Wie bei den Einwänden ist es ein KI-Durchlauf auf Abruf, zwischengespeichert, der mindestens drei markenerwähnende Antworten braucht, und er urteilt streng aus dem Antworttext: Berühren die Antworten einen Fakt nie, ist er „Nicht erwähnt“ — nie geraten.

Zeigt die Wahrnehmung nichts an, ist das meistens kein Fehler. Der häufigste Grund ist ein aus Peec AI importiertes Projekt: Aus Peec importierte Erwähnungen werden ohne beschreibende Begriffe gespeichert, ein importiertes Projekt hat für diese Seite also nichts zu zeigen — egal wie viele Sichtbarkeitsdaten es mitbringt. Das ist eine Grenze dessen, was der Import liefert, kein Bug — und es löst sich für diesen Kunden in dem Moment, in dem du eigene Prompts anlegst und CrunchJunkies eigene Scans laufen lässt, die ab dann Begriffe erfassen. Zwei weitere ehrliche Gründe für eine dünne oder leere Seite: Ein brandneues Projekt hat schlicht noch nicht genug gescannt, und ein kurzer Zeitraum kann außerhalb deiner Scan-Historie liegen — probier 90 Tage, bevor du schließt, dass da nichts ist. Und innerhalb eines Zeitraums tragen manche Erwähnungen tatsächlich keine Begriffe, weil das Modell die Marke genannt, aber nicht beschrieben hat. Genau deshalb weist die Karte die Erwähnungen mit Begriffen getrennt von der Gesamtzahl der Erwähnungen aus.