Warum braucht die Messung der KI-Suchsichtbarkeit wiederholte Messungen?

Fragen Sie eine KI-Suchmaschine heute “Welche Marke stellt die besten Laufschuhe her?”, erhalten Sie eine Antwort. Stellen Sie morgen, oder auch nur fünf Minuten später, exakt dieselbe Frage, wird rund zwei Drittel der zitierten Quellen anders sein. Das ist kein Fehler. So funktioniert KI-Suche.

Das erwartet Sie in diesem Leitfaden:

• Warum sich KI-Suchsichtbarkeit wie eine Wahrscheinlichkeit verhält und nicht wie ein festes Ranking, so wie bei Google
• Eine verständliche Erklärung, wie Forscher messen, ob sich eine KI-Antwort tatsächlich verändert hat (Jaccard und RBO)
• Sechs datengestützte Erkenntnisse, jede mit eigenem Diagramm: Quellenfluktuation, Markenstabilität, Zitatkonzentration, Modellzufälligkeit, Unterschiede zwischen Suchmaschinen und Prompt-Sensitivität
• Die genauen Zahlen, auf die es ankommt: wie viele wiederholte Durchläufe pro Prompt und welches Beobachtungsfenster Sie für belastbare Daten brauchen
• Eine direkt einsetzbare Checkliste für den Aufbau einer GEO-Messung, auf die Sie sich wirklich verlassen können
• FAQs zu Durchläufen, Zeitfenstern, Suchmaschinen und Kennzahlen

Eine neue akademische Studie macht das unangenehm konkret. In “Don’t Measure Once: Measuring Visibility in AI Search (GEO)” (arXiv, April 2026) verfolgten die Forscher Julius Schulte, Malte Bleeker und Philipp Kaufmann an der Universität St. Gallen (mit Aurora Intelligence) sechs Wochen lang täglich vier KI-Suchmaschinen über vier Branchen hinweg. Ihr Ergebnis: KI-Suchsichtbarkeit ist probabilistisch, nicht deterministisch. Eine einzelne Anfrage ist eine unzuverlässige Momentaufnahme, und wer sie wie ein Google-Ranking behandelt, kommt zu falschen Schlüssen. Sie ist Teil einer schnell wachsenden Zahl an akademischer Forschung zu GEO , die verändert, wie Marketer über KI-Sichtbarkeit denken.

Für Marketer ist das relevanter, als es zunächst klingt. Wenn Sie einmal prüfen, ob Ihre Marke in ChatGPT oder Perplexity auftaucht, und das als “Messung” bezeichnen, könnten Sie Ihre tatsächliche Präsenz deutlich über- oder unterschätzen. Die Lösung ist nicht eine bessere Einzelanfrage, sondern ein anderes Denkmodell. Sie müssen Sichtbarkeit als Verteilung messen: viele Durchläufe, viele Prompts, über ein anhaltendes Zeitfenster.

Im Folgenden gehen wir genau durch, was die Studie herausgefunden hat, warum sich KI-Suche so verhält und wie viele Messungen Sie tatsächlich brauchen, bevor Ihre Zahlen aussagekräftig sind.

Kurz zusammengefasst (die wichtigsten Ergebnisse der Studie):

• Zitierte Quellen wechseln stark. Nur etwa 34-42% der von einer KI-Suchmaschine zitierten Quellen bleiben von einem Tag auf den nächsten erhalten, was bedeutet, dass rund 65% der Quellen täglich wechseln.
• Markennennungen sind stabiler, aber immer noch volatil. Die Tag-zu-Tag-Überschneidung bei Marken liegt bei 45-59%, zuverlässiger als bei einzelnen URLs, aber weit von stabil entfernt.
• Zitate sind stark konzentriert. Eine Handvoll Domains vereint den Großteil der Sichtbarkeit auf sich. Der mittlere Gini-Koeffizient liegt bei 0,715, und auf einer Skala von 0 bis 1, bei der 1 bedeutet, dass eine einzige Domain jedes Zitat für sich beansprucht, ist das eine sehr einseitige Landschaft.
• Es liegt an der Zufälligkeit des Modells, nicht an den Nachrichten. Wird derselbe Prompt am selben Tag mehrfach abgefeuert, entsteht dieselbe Fluktuation, sodass der Großteil der Instabilität vom Modell selbst stammt, nicht von realen Veränderungen.
• Ein einzelner Durchlauf sagt Ihnen fast nichts. Sie brauchen mindestens 7 Durchläufe pro Prompt und Tag für eine verlässliche Schätzung der Markensichtbarkeit, und 8, wenn Sie zusätzlich einzelne Quell-URLs verfolgen.
• Kurze Zeitfenster täuschen. Weil Quellen so schnell wechseln, brauchen Sie ein gleitendes Fenster von 2 bis 4 Wochen, um ein stabiles Bild der wahren Sichtbarkeit einer Marke zu erhalten.

Warum sich KI-Suchsichtbarkeit nicht wie Google-Rankings verhält

Wenn Sie aus der SEO-Welt kommen, sind Ihre Instinkte auf eine Welt geeicht, die nicht mehr gilt. In der klassischen Suche sind Ergebnisse gerankt und weitgehend stabil: Ihre Seite steht heute auf Position 4 und wahrscheinlich morgen auf Position 4 oder 5. Eine einzelne Prüfung liefert Ihnen eine faire Momentaufnahme, und wenn sich etwas bewegt, geschieht das schrittweise entlang eines vorhersehbaren Spektrums. Sie können beobachten, wie sich Ihre Position verschiebt, und reagieren.

Generative Engine Optimization (GEO) funktioniert nicht so. GEO ist Alles-oder-nichts, was das Paper als binäre Einschluss-Ausschluss-Dynamik bezeichnet. In jeder Antwort ist Ihre Marke oder Quelle entweder prominent eingewoben oder komplett außen vor. Es gibt keinen Trostpreis “Position 8”. Sie sind entweder in der Antwort enthalten oder unsichtbar, und was davon zutrifft, kann von einem Durchlauf zum nächsten kippen, getrieben von der probabilistischen Art, wie große Sprachmodelle Text generieren und Belege auswählen.

Diese Volatilität wird durch ein zweites Problem verschärft: Eine KI-Suchmaschine ist eine Blackbox. Sie können nicht sehen, warum Ihre Marke in einer Antwort erwähnt und in der nächsten weggelassen wurde. Das Modell verdichtet Informationen aus vielen Quellen zu einer kurzen, begrenzten Antwort, und der Auswahlprozess ist weder transparent noch reproduzierbar. Anders als ein SEO-Ranking, das innerhalb einer sichtbaren Rangliste schwankt, kann KI-Sichtbarkeit ohne Vorwarnung oder Erklärung verschwinden.

Beides wird durch ein fehlendes Werkzeug verschärft. In SEO haben Marketer die Google Search Console, ein First-Party-Tool, das zeigt, für welche Suchanfragen Sie erscheinen und wie oft. Die LLM-Anbieter bieten kein Äquivalent an. Grundlegende Fakten, etwa wie oft Menschen eine bestimmte Frage tatsächlich stellen, lassen sich im GEO-Ökosystem schlicht nicht einsehen. Genau dieser blinde Fleck zwingt Marketer dazu, Messung von außen aufzubauen, durch wiederholtes Sampling von Drittanbieter-Tools, und genau deshalb ist eine einzelne, statische “Sichtbarkeits”-Zahl so leicht misszuverstehen. Der Rest dieses Beitrags handelt davon, diese Messung richtig anzugehen.

Ein Blick in die Studie: Was die Forscher tatsächlich getan haben

Die Studie ist erfreulich konkret, daher lohnt es sich, den Aufbau zu verstehen, bevor man den Zahlen vertraut. Forscher der Universität St. Gallen (in Zusammenarbeit mit Aurora Intelligence) bauten ein Monitoring-System, das täglich vier KI-Suchmaschinen abfragte und genau erfasste, welche Quellen und Marken jede von ihnen zurückgab.

Sie testeten vier Suchmaschinen: ChatGPT, Google Gemini, Google AI Mode und Perplexity. Jeder Suchmaschine wurden dieselben Fragen aus vier realen Branchen (im Paper “Kampagnen” genannt) gestellt, ausgewählt, weil sie im Schweizer Markt viel Suchvolumen erzeugen: Unterhaltungselektronik, Immobilienverkauf, Sportartikel und Telekommunikation.

Für jede Branche verfasste das Team 8 Prompts, und hier ein cleveres Detail: Die Prompts wurden nicht erfunden. Man nahm suchvolumenstarke SEO-Keywords, gab sie bei Google ein und übernahm die tatsächlichen Fragen aus Googles “Ähnliche Fragen”-Box (People Also Ask). Das bedeutet, die Fragen klingen so, wie echte Menschen sie stellen würden: konversationell formulierte Fragen am Beginn der Kaufentscheidung wie “Welche Marke stellt gute Laufschuhe her?” statt bloßer Keywords.

Die Suchmaschinen wurden täglich über ein Fenster von 45 bis 46 Tagen (24. Januar bis 20. März 2026) von Servern mit Sitz in der Schweiz abgefragt, was für die geografische Personalisierung der KI-Ergebnisse relevant ist. Insgesamt umfasste die Analyse 4.044 Paare aufeinanderfolgender Tage, jeden “Heute vs. Morgen”-Vergleich über alle Suchmaschinen, Prompts und Branchen hinweg.

Hier der Studienaufbau auf einen Blick:

Das ist eine erhebliche Menge an wiederholter Messung, und genau das ist der Punkt, den das Paper machen will.

Ready to Monitor Your AI Visibility?

Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.

Jetzt starten Kontakt

Zwei einfache Wege, um zu messen, “hat sich die Antwort verändert?”

Um die Frage zu beantworten “wie stark unterscheidet sich die heutige Antwort von der gestrigen?”, brauchten die Forscher eine Methode, um zwei Listen gegeneinander zu bewerten. Sie nutzten zwei Kennzahlen, und Sie brauchen keinerlei statistisches Vorwissen, um zu folgen.

Die Jaccard-Ähnlichkeit stellt einfach die Frage: Von allen Quellen, die an beiden Tagen auftauchten, wie viele erschienen an beiden Tagen? Man zählt die gemeinsam genutzten Quellen und teilt durch die Gesamtzahl der eindeutigen Quellen über beide Tage.

Ein kleines Beispiel: Angenommen, die heutige Antwort zitiert 5 Quellen und die morgige ebenfalls 5, aber nur 2 davon sind identisch. Die beiden Antworten teilen sich 2 Quellen, und zusammen erwähnen sie 8 verschiedene Quellen (5 + 5, minus die 2 doppelt gezählten). Der Jaccard-Wert beträgt also 2 ÷ 8 = 0,25, was bedeutet, dass nur etwa ein Viertel der Quellen stabil blieb und rund drei Viertel über Nacht wechselten. Ein Jaccard-Wert von 1,0 würde identische Listen bedeuten, 0,0 überhaupt keine Überschneidung.

Rank-Biased Overlap (RBO) stellt dieselbe Frage, fügt aber etwas hinzu, das Jaccard ignoriert: die Reihenfolge. An erster Stelle zitiert zu werden ist mehr wert als an fünfter Stelle, daher gewichtet RBO die Spitze der Liste stärker. Weil RBO verlangt, dass gemeinsame Elemente auch an ähnlichen Positionen auftauchen (nicht nur irgendwo vorhanden sind), ist RBO stets die strengere der beiden Kennzahlen. Deshalb fällt in dieser Studie RBO durchweg niedriger aus als Jaccard.

So lesen Sie diese Zahlen:

• Höher = stabiler. Ein Wert nahe 1,0 bedeutet, dass sich die Antwort kaum verändert hat; nahe 0 bedeutet, dass sie fast vollständig neu gemischt wurde.
• Jaccard beantwortet die Frage “sind dieselben Elemente vorhanden?”
• RBO beantwortet die Frage “sind dieselben Elemente vorhanden, und in derselben Reihenfolge?”
• Die Lücke zwischen beiden zeigt, wie stark sich die Rangfolge verändert, selbst wenn immer wieder dieselben Elemente auftauchen.

Wenn Sie sehen möchten, wie diese Werte neben anderen Maßstäben einzuordnen sind, ordnet unser Leitfaden zu den 10 wichtigen KI-Sichtbarkeitskennzahlen Überschneidungswerte in den Kontext Ihres restlichen Monitoring-Dashboards ein.

Erkenntnis 1: Zwei Drittel der zitierten Quellen wechseln jeden einzelnen Tag

Würde KI-Suche wie Google funktionieren, würde dieselbe Frage an zwei aufeinanderfolgenden Tagen in etwa dieselben Seiten liefern. Das tut sie nicht. Als die Forscher aus St. Gallen anderthalb Monate lang täglich verfolgten, welche Quellen vier KI-Suchmaschinen zitierten, stellten sie fest, dass sich die Liste der zitierten Quellen von einem Tag zum nächsten fast vollständig neu mischt.

Die Schlüsselzahl ist Jaccard, der Anteil der an beiden Tagen zitierten Quellen. Über die vier Branchen hinweg reichte er von nur 0,336 bei Unterhaltungselektronik bis 0,423 bei Telekommunikation, mit Sportartikeln bei 0,355 und Immobilienverkauf bei 0,378. Auf Deutsch heißt ein Jaccard-Wert von 0,35: Nur etwa 35% der zitierten Quellen sind am nächsten Tag identisch, sodass rund 65% der Quellen jeden Tag ausgetauscht werden. Telekom war der stabilste Bereich, Unterhaltungselektronik der volatilste, aber keine Branche kam auch nur annähernd an stabil heran.

Berücksichtigt man die Rangfolge, wird es noch schlimmer. RBO, das die Spitze der Liste am stärksten gewichtet, lag zwischen 0,21 und 0,26, deutlich niedriger als Jaccard. Diese Lücke ist aufschlussreich. Sie zeigt, dass sich nicht nur welche Quellen auftauchen von Tag zu Tag ändert, sondern auch die Reihenfolge, in der sie erscheinen. Selbst die wenigen Quellen, die bis zum nächsten Tag überleben, verschieben sich oft in ihrer Position, sodass das “Top”-Zitat von gestern heute vielleicht ganz unten steht.

Genau diese Fluktuation haben wir bereits im Beitrag zum 7%-Überschneidungsproblem beschrieben: Eine einzelne Anfrage ist eine Momentaufnahme eines beweglichen Ziels. Prüfen Sie Ihre KI-Zitate einmal und notieren Sie das Ergebnis, haben Sie nur ein Standbild einer Verteilung eingefangen, die sich bis zum nächsten Morgen bereits neu gemischt hat.

Stay Updated on AI Visibility Trends

Get the latest insights on AI mentions, brand monitoring, and optimization strategies.

Email address

Subscribe

Erkenntnis 2: Markennennungen sind stabiler, aber immer noch weit von stabil entfernt

Einzelne URLs schwanken stark, aber Marketer interessiert meist etwas Grobkörnigeres: Wird meine Marke überhaupt erwähnt? Die Aggregation von einzelnen Quellen auf Markennamen glättet einen Großteil des Rauschens, doch selbst auf Markenebene ist das Tag-zu-Tag-Bild weit von dem stabilen Ranking entfernt, das man aus der klassischen Suche erwarten würde.

Der Jaccard-Wert auf Markenebene lag zwischen 0,45 und 0,59, deutlich höher als die 0,34-0,42 bei Quellen. Telekommunikation war mit 0,589 am stabilsten, Unterhaltungselektronik mit 0,557 dicht dahinter, und Sportartikel mit 0,453 am niedrigsten. Rund die Hälfte der heute erwähnten Marken taucht also morgen wieder auf, verglichen mit nur einem Drittel bei den Quellen. Markenpräsenz ist das beständigere Signal, weshalb sie eine bessere Kern-Kennzahl darstellt als die Verfolgung einzelner URLs.

Zwei Details lohnen eine genauere Betrachtung. Erstens wurde Immobilienverkauf vollständig aus der Markenanalyse ausgeschlossen. Die Suchmaschinen nannten nur in 53,6% der Immobilien-Antworten eine konkrete Marke (unter dem 70%-Schwellenwert, den die Forscher festlegten, damit eine Branche genügend Markennennungen für eine verlässliche Analyse hat), weil viele der Prompts generische Steuer- und Investitionsfragen waren, die LLMs beantworten, ohne überhaupt ein Unternehmen zu nennen. Eine Einbeziehung hätte die Zahlen verzerrt, daher wurde sie ausgeschlossen.

Zweitens lag Sportartikel aus einem konkreten Grund am niedrigsten: Es gibt einen großen, austauschbaren Pool an Laufschuhmarken, sodass das Modell aus Dutzenden nahezu gleichwertigen Optionen schöpfen kann und zwischen ihnen tageweise rotiert.

Und selbst hier ist die Reihenfolge instabil. RBO für Marken lag lediglich bei 0,19 bis 0,30, die Rangfolge, in der Marken erscheinen, verschiebt sich also weiterhin stark. Stabiler als bei Quellen, aber nichts, was Sie einmal messen und dem vertrauen können. Das spricht für kontinuierliche KI-Marken-Monitoring-Warnmeldungen statt Einzelprüfungen.

Erkenntnis 3: Wenige Domains vereinen fast alle Zitate auf sich

Nicht jede zitierte Domain bekommt ein gleich großes Stück vom Kuchen. In der KI-Suche vereint eine kleine Gruppe von Domains den Großteil der KI-Zitate zu einem gegebenen Thema auf sich, während alle anderen um die Krümel kämpfen.

Das Paper misst dies mit dem Gini-Koeffizienten, einem gängigen Ungleichheitsmaß. Er reicht von 0 bis 1: Ein Gini von 0 würde bedeuten, dass jede Domain gleich häufig zitiert wird, und ein Gini von 1 würde bedeuten, dass eine einzige Domain jedes Zitat für sich beansprucht. Es ist dieselbe Mathematik, die Ökonomen zur Beschreibung von Einkommensungleichheit nutzen, hier angewendet auf Zitatzahlen.

Über alle Suchmaschinen und Kampagnen hinweg lag der mittlere Gini bei 0,715. Das ist hoch. Es bedeutet, dass die Zitatlandschaft stark einseitig ist und eine Handvoll Domains den größten Teil der Sichtbarkeit zu jedem Thema besitzt.

Die Konzentration variiert je nach Suchmaschine. Perplexity verteilte seine Zitate am gleichmäßigsten (Gini 0,671), gefolgt von ChatGPT (0,684) und Gemini (0,723). Google AI Mode war mit 0,782 am stärksten konzentriert und stützt sich damit am stärksten auf einen engen Pool vertrauenswürdiger Quellen.

Auch nach Thema variiert sie. Sportartikel war am wenigsten konzentriert (0,680), dann Unterhaltungselektronik (0,713) und Immobilien (0,718), wobei Telekommunikation mit 0,750 am stärksten konzentriert war.

Die strategische Erkenntnis: Zu jedem Thema besitzt eine kleine Zahl von Domains die KI-Sichtbarkeit, und alle anderen sind nahezu unsichtbar. Der Zugang zu dieser Spitzengruppe ist, wo sich der eigentliche Erfolg entscheidet, weshalb Ihre AI Share of Voice -Strategie darauf abzielen sollte, in den konzentrierten Kern vorzudringen, statt einem langen Schwanz hinterherzujagen, den KI-Systeme selten anzeigen.

Erkenntnis 4: Es liegt am Modell, nicht am Nachrichtenzyklus

Wenn Quellen von Tag zu Tag wechseln, liegt das vielleicht einfach daran, dass sich die Welt verändert, oder? Neue Artikel werden veröffentlicht, Domain-Autorität verschiebt sich, Indizes werden aktualisiert. Um das zu testen, führten die Forscher ein cleveres Experiment durch.

Sie stellten allen vier Suchmaschinen denselben Prompt bis zu 10 Mal am selben Kalendertag. Gleiche Anfrage, gleiche Bedingungen, wenige Minuten auseinander. Käme die Tag-zu-Tag-Fluktuation von externen Nachrichten und Index-Updates, sollte ein erneuter Durchlauf desselben Prompts innerhalb desselben Tages nahezu identische Quellen liefern. Nach den Annahmen der klassischen Suche würde man eine nahezu perfekte Überschneidung erwarten.

Das ist nicht das, was passierte. Die taggleiche Quellenüberschneidung (Jaccard) lag über die Kampagnen hinweg zwischen 0,32 und 0,43, was bedeutet, dass nur etwa ein Drittel der zitierten Quellen zwischen zwei am selben Tag ausgeführten Durchläufen übereinstimmte. Unterhaltungselektronik lag bei 0,327, Sportartikel bei 0,321, Immobilien bei 0,391 und Telekom bei 0,434.

Hier die Pointe: Dieser Bereich ist im Grunde identisch mit dem Tag-zu-Tag-Bereich von 0,34-0,42. Den Nachrichtenzyklus als Faktor zu entfernen, veränderte fast nichts.

Die Schlussfolgerung ist unausweichlich. Die Fluktuation kommt nicht von externen Updates, Algorithmusänderungen oder einem sich bewegenden Nachrichtenzyklus. Sie kommt von der Zufälligkeit des Modells selbst: der probabilistischen Art, wie eine KI für jede Antwort Quellen generiert und auswählt. Fragen Sie dieselbe Suchmaschine zweimal hintereinander, erhalten Sie merklich unterschiedliche Quellen, nicht weil sich die Welt bewegt hat, sondern weil das Modell erneut gewürfelt hat. Genau deshalb reicht eine einzelne Messung nicht aus, und genau deshalb muss Monitoring über wiederholte Durchläufe mitteln, um überhaupt aussagekräftig zu sein.

Erkenntnis 5: Die vier Suchmaschinen sind nicht austauschbar

Es ist verlockend, “KI-Suche” als eine einzige, einheitliche Sache zu behandeln. Die Daten sagen etwas anderes. Die vier Suchmaschinen verhalten sich so unterschiedlich, dass die Annahme, eine spiegele die andere wider, gewaltig in die Irre führt.

Schlüsselt man die Ergebnisse der taggleichen Wiederholungsläufe nach Suchmaschine auf, zeigt sich eine große Kluft in der Konsistenz. Bei Quellen war Gemini mit Abstand am konsistentesten, mit einem taggleichen Jaccard-Wert von 0,505, was bedeutet, dass rund die Hälfte der zitierten Quellen über wiederholte Durchläufe hinweg stabil blieb. ChatGPT war mit nur 0,233 am wenigsten konsistent, kaum ein Viertel Überschneidung. Perplexity (0,282) und Google AI Mode (0,318) lagen dazwischen.

Beim Markenbild dreht sich die Rangfolge komplett um. Bei Markennennungen führte Perplexity (Jaccard 0,492), dicht gefolgt von ChatGPT (0,437), dann Gemini (0,409) und Google AI Mode (0,375). Die Suchmaschine, die bei Quellen am stabilsten ist, ist also nicht auch bei Marken am stabilsten. Es gibt keine einzelne “stabilste” Suchmaschine.

ChatGPT sticht aus einem weiteren Grund hervor. Es liefert bei 57,8% seiner Durchläufe null Zitate. In mehr als der Hälfte der Fälle verzichtet es bei definitorischen Fragen auf die Websuche und antwortet stattdessen aus dem Gedächtnis. Fragen Sie es “Was ist der Unterschied zwischen einem Notizbuch und einem Laptop?”, zitiert es oft überhaupt niemanden. Das ist ein völlig anderes Verhalten als bei Gemini oder Perplexity, die viel bereitwilliger auf das Web zugreifen.

Die Lehre daraus ist einfach, aber entscheidend: Man kann nicht annehmen, dass sich das Verhalten einer Suchmaschine auf eine andere übertragen lässt. Jede hat ihre eigene Zufälligkeit, ihre eigenen Zitiergewohnheiten und ihre eigenen Eigenheiten. Jedes ernsthafte Monitoring-Programm, oder AI Visibility Index , muss suchmaschinenspezifische Baselines festlegen, statt alles in eine einzige Zahl zu verschmelzen und zu hoffen, dass sie verallgemeinerbar ist.

Erkenntnis 6: Der gewählte Prompt beeinflusst das Ergebnis erheblich

Hier ist eine Falte, die die meisten überrascht: Der von Ihnen gewählte Prompt ist ebenso wichtig wie die Häufigkeit, mit der Sie ihn ausführen. Die Studie maß die Konsistenz pro Prompt über jede Kampagne hinweg, und die Streuung ist enorm. Manche Prompts liefern Durchlauf für Durchlauf nahezu dieselben Quellen und Marken, mit einem Jaccard-Wert über 0,8, was bedeutet, dass mehr als 80% der Elemente sich wiederholen. Andere sind fast reines Rauschen und liegen unter 0,2, wo weniger als jedes fünfte Element stabil bleibt.

Das Muster hinter dieser Streuung ist intuitiv, sobald man es erkennt. Konkrete Produktanfragen werden konsistenter beantwortet als breite, generische Fragen. Eine gezielte Frage wie “welche Laufschuhe sind die besten” zieht eine engere, wiederholbarere Auswahl an Marken und Quellen heran. Eine vage Frage am Anfang der Kaufentscheidung, die sich auf ein Dutzend vertretbare Arten beantworten ließe, schickt das Modell jedes Mal durch einen viel größeren Pool.

Die praktische Konsequenz: Ein oder zwei Prompts können eine Kampagne nicht repräsentieren. Wählen Sie zufällig zwei konsistente Prompts, überschätzen Sie Ihre Stabilität. Wählen Sie zwei unbeständige, reden Sie sich ein, die ganze Kategorie sei chaotisch. So oder so messen Sie die Eigenheiten Ihrer Prompt-Auswahl, nicht Ihre tatsächliche Sichtbarkeit.

Die Lösung ist ein großes, vielfältiges Prompt-Portfolio, das widerspiegelt, wie echte Nutzer fragen: konkret und breit, transaktional und informativ. Das Mitteln über viele Prompts hinweg ist der einzige Weg, dieses Rauschen auf Anfrageebene auszugleichen und die Kampagne so zu sehen, wie sie wirklich ist.

Wie oft sollten Sie jeden Prompt ausführen?

Betrachten Sie eine einzelne Anfrage als einen Münzwurf. Sie würden nie anhand eines einzigen Wurfs entscheiden, ob eine Münze fair ist, doch eine einmalige KI-Suchanfrage verlangt genau das von Ihnen. Da KI-Suchmaschinen probabilistisch arbeiten, ist jeder Durchlauf ein neuer Würfelwurf, und der einzige Weg herauszufinden, wie oft Ihre Marke tatsächlich erscheint, besteht darin, den Prompt viele Male auszuführen und die Ergebnisse zu mitteln. Je mehr Durchläufe Sie sammeln, desto kleiner wird Ihr Standardfehler (SE), die Unsicherheitsspanne um Ihre Schätzung.

Das Paper quantifiziert genau, wie schnell diese Spanne schrumpft.

Die Konvergenz ist zunächst steil und flacht dann ab. Ein einzelner Durchlauf trägt einen SE von 0,370, praktisch nutzlos. Um es greifbar zu machen: Eine Marke mit einer tatsächlichen Erkennungsrate von 50% könnte in einer Einzeldurchlauf-Momentaufnahme irgendwo zwischen etwa 0% und 100% liegen. Sie würden nichts lernen.

Fügen Sie Durchläufe hinzu, lichtet sich der Nebel schnell:

Der SE fällt bei 7 Durchläufen unter die Verlässlichkeitsgrenze von 0,10 für die Markenverfolgung (bei sechs Durchläufen liegt er noch bei 0,101). Die Abdeckung auf Quellenebene ist verrauschter und braucht 8 Durchläufe, um diese Grenze zu erreichen.

Die Empfehlung ist also konkret: Führen Sie jeden Prompt mindestens 7 Mal pro Tag aus, wenn Sie Markensichtbarkeit überwachen, und mindestens 8 Mal, wenn die Abdeckung auf Quellenebene wichtig ist. Weniger als das, und Sie werfen weiterhin eine einzelne Münze und nennen es Messung. Das ist der Unterschied zwischen einem echten AI Visibility Index und einer glücklichen Vermutung.

Wie lange sollten Sie beobachten? Das Argument für ein Zeitfenster von 2 bis 4 Wochen

Genügend Durchläufe pro Prompt beheben das Rauschen innerhalb eines Tages. Doch es gibt eine zweite Quelle für Drift: KI-Antworten verändern sich auch von Tag zu Tag, und bei rund 65% der zitierten Quellen, die sich alle 24 Stunden verändern, ist ein einzelner Tag (oder sogar eine einzelne Woche) viel zu kurz, um Signal von Rauschen zu trennen. Sie brauchen ein Zeitfenster, das breit genug ist, damit sich die tägliche Fluktuation ausgleicht.

Die Studie maß, wie sich die Präzision der Schätzung verbessert, wenn das Beobachtungsfenster verlängert wird.

Dieselbe Konvergenzlogik gilt, nur über Kalenderzeit statt über wiederholte Durchläufe:

Die Schätzung unterschreitet 0,10 nach 10 Tagen und fällt rund um die 24-Tage-Marke unter 0,05 (bei 21 Tagen liegt sie bei 0,053, bei 28 Tagen bei 0,033). Praktisch bedeutet das: Eine Woche Daten ist für die Verfolgung einer einzelnen Marke noch wackelig, aber eine Marge von 0,05 bedeutet, dass eine Marke, die tatsächlich zu 40% zitiert wird, sich in einem Bereich von etwa 30% bis 50% bewegt, eng genug, um einem Trend zu vertrauen. Zwei bis vier Wochen sind der Punkt, an dem Zahlen pro Marke wirklich stabil werden.

Die Empfehlung ist ein gleitendes Zeitfenster von 2 bis 4 Wochen. Ein gleitendes Fenster leistet doppelte Arbeit: Es sammelt genug Tage, um die statistische Marge zu verringern, und es gleicht ganz nebenbei die kleineren Modell-Updates und Index-Aktualisierungen aus, die KI-Suchmaschinen regelmäßig ausrollen, sodass eine einmalige Anpassung an einem Dienstag sich nicht als echter Trend tarnt. Das ist die Fensterlänge, die Sie in jedes Monitoring-Dashboard oder jede A/B-Test-Methodik für KI-Sichtbarkeit einbauen sollten, bevor Sie Schlüsse darüber ziehen, ob sich Ihre Sichtbarkeit tatsächlich verändert hat.

Was das für Ihre GEO-Strategie bedeutet

Die Studie übersetzt sich direkt in eine Handvoll konkreter Regeln für alle, die ein GEO -Programm betreiben. Betrachten Sie diese als Mindestanforderungen für einen Messaufbau, dem Sie tatsächlich vertrauen können.

Führen Sie jeden Prompt mindestens 7 Mal am Tag aus (8 Mal, wenn Quellen wichtig sind). Eine einzelne Anfrage hat einen Standardfehler von 0,370 bei der Erkennungsrate einer Marke, im Grunde ein als Daten verkleideter Münzwurf. Der Fehler fällt bei 7 Durchläufen unter 0,10 für die Markenpräsenz und braucht 8 Durchläufe für die Abdeckung auf Quellenebene. Unterhalb dieser Schwelle reagieren Sie auf Rauschen, nicht auf gemessene Sichtbarkeit.

Decken Sie jedes Thema mit einem breiten, vielfältigen Prompt-Portfolio ab. Die Überschneidung auf Prompt-Ebene schwankt innerhalb einer einzigen Kampagne zwischen unter 0,2 und über 0,8, sodass ein oder zwei Prompts nur die Eigenheiten dieser genauen Formulierungen einfangen, nicht Ihre tatsächliche Position. Bauen Sie mindestens acht unterschiedliche Anfragen pro Thema, eine Mischung aus konkreten Produktfragen und breiten “Was ist am besten”-Formulierungen, damit Ihre Zahlen die Kampagne widerspiegeln und nicht einen Zufall der Formulierung.

Aggregieren Sie über ein gleitendes Zeitfenster von 2 bis 4 Wochen, nicht über einen Tag oder eine Woche. Bei rund 65% der zitierten Quellen, die täglich wechseln, können kurze Zeitfenster Signal nicht von Rauschen trennen. Schätzungen pro Marke stabilisieren sich erst bei 10 Tagen unter 0,10 SE und bei 24 Tagen unter 0,05. Ein gleitendes Zwei- bis Vier-Wochen-Fenster glättet die tägliche Fluktuation und kleinere Modell-Updates zu einem belastbaren Bild.

Legen Sie für jede Suchmaschine eigene Baselines fest. Die Zitatkonzentration reicht von 0,671 bei Perplexity bis 0,782 bei Google AI Mode, und die taggleiche Quellenkonsistenz reicht von 0,233 bei ChatGPT bis 0,505 bei Gemini. Eine einzige Schwelle für alle vier Suchmaschinen wird Sie bei mindestens einer davon in die Irre führen. Benchmarken Sie jede Suchmaschine nach ihren eigenen Maßstäben.

Überwachen Sie Markenpräsenz und Quell-URLs als zwei getrennte Kennzahlen. Die Stabilität auf Markenebene (Jaccard 0,45-0,59) übertrifft die Stabilität auf Quellenebene (0,34-0,42), sodass die aggregierte Markenpräsenz Ihre verlässlichere Hauptkennzahl ist. Doch verfolgen Sie auch weiterhin Quellen auf URL-Ebene, da diese zeigt, welche Seiten Ihre Aufnahme tatsächlich antreiben.

Ehrliche Einschränkungen, die Sie kennen sollten

Die Autoren sind erfreulich offen darüber, was dieser Datensatz zeigen kann und was nicht, und jede Einschränkung ist ein Grund, Ihre eigene kontinuierliche Messung durchzuführen, statt sich auf eine einzelne Studie zu verlassen.

Sie ist schweizerisch. Alle Daten stammen von Servern in der Schweiz, mit Schweizer IP-Adressen und Ländereinstellung, über deutschsprachige Prompts. Geo-personalisierte Indexauswahl und Zitiermuster können in Ihrer Region oder Sprache anders aussehen, betrachten Sie die genauen Zahlen daher als richtungsweisend, nicht als universell.

Sie umfasst nur ein Zeitfenster. Alles läuft über einen einzigen Zeitraum von 45 bis 46 Tagen (Jan. bis März 2026). KI-Suchmaschinen aktualisieren sich ständig, sodass eine Momentaufnahme aus jedem festen Zeitfenster, auch diesem, driften kann.

ChatGPT lieferte oft nichts. ChatGPT verzichtete bei 57,8% der Durchläufe auf die Websuche und produzierte null Zitate; diese Durchläufe wurden aus der Quellenanalyse ausgeschlossen. Ihre eigene ChatGPT-Abdeckung wird lückenhafter sein, als es die Headline-Zahlen vermuten lassen.

Die Markenerkennung basierte auf Teilstring-Abgleich. Erwähnungen wurden mit einem festen Lexikon abgeglichen, sodass Synonyme, Abkürzungen und Umschreibungen übersehen wurden. Die tatsächliche Markenpräsenz liegt wahrscheinlich etwas höher als gemessen.

Google AI Overviews wurden ausgeschlossen, da es sich um ein anderes Produkt handelt. Wenn AIO für Sie relevant ist, ist das eine ganze Oberfläche, die diese Studie nie berührt hat.

Nichts davon untergräbt das zentrale Ergebnis; es bestärkt es. Der einzige Weg herauszufinden, wie sich Sichtbarkeit in Ihrem Markt, Ihrer Sprache und diesem Monat verhält, besteht darin, sie selbst zu messen, kontinuierlich.

So setzen Sie wiederholte Messung in die Praxis um

Hier die praktische Checkliste, die sich aus der Studie ergibt, das minimal tragfähige Setup für eine GEO-Messung, auf das Sie sofort reagieren können:

• Führen Sie jeden Prompt 7 bis 10 Mal pro Tag aus. Sieben Durchläufe bringen die Markenerkennung unter die Verlässlichkeitsgrenze; acht decken Quellen ab; zehn geben Ihnen Spielraum.
• Pflegen Sie ein vielfältiges Portfolio von mindestens 8 Prompts pro Thema. Kombinieren Sie konkrete Produktanfragen mit breiten “Was ist am besten”-Formulierungen.
• Verfolgen Sie Baselines pro Suchmaschine. ChatGPT, Gemini, Google AI Mode und Perplexity verhalten sich sowohl bei der Konsistenz als auch bei der Zitatkonzentration unterschiedlich, benchmarken Sie daher jede einzeln.
• Nutzen Sie ein gleitendes Zeitfenster von 2 bis 4 Wochen. Aggregieren Sie Erkennungsraten über 14 bis 28 Tage, damit sich die tägliche Quellenfluktuation und kleinere Modell-Updates ausgleichen.
• Überwachen Sie Markenpräsenz und Quell-URLs getrennt. Markenpräsenz ist Ihre stabile Hauptkennzahl; die Quellenverfolgung zeigt, welche Seiten die Aufnahme verdienen.
• Behalten Sie die Zitatkonzentration im Blick. Ein steigender Gini-Wert bedeutet, dass eine schrumpfende Gruppe von Domains die Antworten besitzt, also sollten Sie wissen, ob Sie innerhalb oder außerhalb dieser Gruppe stehen.

All das manuell über vier Suchmaschinen, Dutzende Prompts und tägliche Wiederholungsläufe hinweg zu erledigen, ist ein erheblicher Aufwand mit vielen beweglichen Teilen. Eine KI-Sichtbarkeits-Monitoring-Plattform wie amicited automatisiert genau dieses Muster (mehrfache Durchläufe, mehrere Prompts, gleitendes Zeitfenster über ChatGPT, Gemini, Google AI Mode und Perplexity hinweg), sodass die Verteilung für Sie berechnet wird, statt sie aus einer einzelnen Anfrage abzuschätzen. Für einen breiteren Überblick über Optionen siehe den Leitfaden zu KI-Zitat-Tracking-Tools , und um Veränderungen sofort zu erkennen, richten Sie KI-Marken-Monitoring-Warnmeldungen ein.

Das Fazit: Sichtbarkeit ist eine Verteilung, keine Zahl

Die wichtigste Erkenntnis dieser Studie ist ein Wechsel des Denkmodells. KI-Suchsichtbarkeit ist kein festes Ranking, das Sie mit einer einzigen Anfrage ablesen können. Es ist eine Wahrscheinlichkeit, erwähnt zu werden, die sich erst über viele Durchläufe hinweg zeigt. Erinnern Sie sich an die Laufschuh-Frage vom Anfang? Stellen Sie sie einmal, und vielleicht sehen Sie Ihre Marke; stellen Sie sie eine Minute später unter identischen Bedingungen erneut, und sie könnte verschwunden sein. Quellensets überschneiden sich Tag für Tag nur zu 34-42%; selbst Marken, das stabilere Signal, überschneiden sich nur zu 45-59%.

Das bedeutet, jede Zahl, die Sie aus einer einzelnen Prüfung ziehen, ist in Wirklichkeit eine Zufallsstichprobe aus einer zugrunde liegenden Verteilung, und eine einzige Stichprobe verrät Ihnen fast nichts über die Form dieser Verteilung. Eine Marke, die in einem Durchlauf zitiert wird und im nächsten fehlt, ist nicht “abgestürzt”; Sie haben lediglich einmal einen zufälligen, würfelnden Prozess abgetastet und diese eine Stichprobe für die Wahrheit gehalten.

Hören Sie also auf zu fragen “werde ich zitiert?”, und fangen Sie an zu fragen “wie oft werde ich zitiert, und wie entwickelt sich das?” Wiederholte Durchläufe, vielfältige Prompts, Baselines pro Suchmaschine und gleitende Zeitfenster verwandeln eine verrauschte Momentaufnahme in eine stabile, entscheidungsreife Schätzung. Messen Sie die Verteilung, nicht den Moment. Das ist das ganze Spiel in der KI-Suche.