Suchanfragen werden zunehmend auch in KI-Assistenten gestellt. Wer dort als Shop genannt wird, erreicht Kunden, die sonst nie auf die klassische Suchergebnisseite gelangen. Die Frage, ob und wie oft ein Online-Shop in Antworten von ChatGPT oder Perplexity vorkommt, ist deshalb für viele Händler interessant geworden.
Dieser Ratgeber zeigt, wie sich KI-Sichtbarkeit grundsätzlich messen lässt, welche Methoden praktikabel sind und wo ihre Grenzen liegen. Er beschreibt keinen garantierten Erfolg, sondern einen nachvollziehbaren Prüfprozess.
Was mit KI-Sichtbarkeit gemeint ist
KI-Sichtbarkeit beschreibt, ob ein Unternehmen, eine Marke oder ein Angebot in den Antworten von Sprachmodellen genannt oder verlinkt wird. Anders als bei Suchmaschinen gibt es keine feste Rangliste. Die Antwort wird jeweils neu erzeugt und kann sich bei gleicher Frage unterscheiden. Die Messung muss daher mit mehreren Anfragen und über einen Zeitraum erfolgen.
Wichtig ist die Unterscheidung zwischen einer Nennung im Text und einem Link zur eigenen Website. Beides ist für die Bewertung relevant, sollte aber getrennt erfasst werden.
Prompts sinnvoll auswählen
Für die Messung eignen sich Fragen, die Kunden tatsächlich stellen. Dazu gehören Fragen nach Produktkategorien, Vergleichen und Empfehlungen, etwa welche Anbieter für einen bestimmten Zweck infrage kommen. Auch Fragen zu Problemen oder Anleitungen können Hinweise liefern. Die Prompts sollten vor der Messung festgelegt und nicht laufend verändert werden.
- Produktfragen mit Kaufabsicht, etwa nach dem besten Angebot in einer Kategorie
- Vergleichsfragen zwischen mehreren Anbietern
- Fragen nach Empfehlungen für eine bestimmte Zielgruppe
- Anleitungsfragen, bei denen der Shop eine Quelle sein könnte
Methoden der Messung
Die einfachste Methode ist die manuelle Abfrage. Man stellt die festgelegten Prompts in mehreren KI-Systemen, notiert die Antworten und prüft, ob der eigene Shop genannt oder verlinkt wird. Der Aufwand steigt mit der Anzahl der Prompts und Plattformen. Für größere Mengen gibt es Werkzeuge, die Abfragen automatisiert durchführen und Ergebnisse speichern.
Wichtig ist eine einheitliche Dokumentation mit Datum, Plattform, Prompt, Antwort und dem Vermerk, ob und wie der Shop erwähnt wurde. Nur so lassen sich Veränderungen über die Zeit erkennen.
Ergebnisse richtig einordnen
Eine einzelne Antwort ist nur eine Momentaufnahme. Schwankungen sind normal, und Nennungen können sich durch Modellwechsel, neue Quellen oder Änderungen im Web verändern. Deshalb sollte man Trends über mehrere Messungen betrachten und nicht auf einzelne Ergebnisse reagieren. Auch die Quellen, auf die sich eine Antwort stützt, geben Hinweise darauf, was die Modelle als glaubwürdig einstufen.
Welche Maßnahmen die Messung unterstützt
Die Messung zeigt, wo ein Shop steht, liefert aber keine Anleitung allein. Sie hilft dabei, Inhalte gezielt zu verbessern, etwa durch klare Produktbeschreibungen, verständliche Ratgeberartikel und eine saubere technische Struktur. Ebenso wichtig sind verlässliche Informationen über Unternehmen, Lieferbedingungen und Kundenservice. Wer die Messung mit konkreten Verbesserungen verbindet, kann Fortschritte nachvollziehen.
Ein Anbieter, der sich auf die Analyse und Umsetzung von Sichtbarkeit spezialisiert, kann dabei unterstützen. Eine Übersicht über Leistungen rund um Sichtbarkeit in KI-Antworten findet sich etwa auf Answer the Web, wobei sich die Methoden auch ohne externe Hilfe umsetzen lassen.
Bei der manuellen Abfrage hilft eine Tabelle mit festen Spalten für Datum, Modell, Prompt, Nennung ja oder nein, Link ja oder nein und Position der Nennung. Diese Struktur macht spätere Auswertungen möglich, ohne jede Antwort erneut lesen zu müssen.
Wichtig ist außerdem, Varianten derselben Frage zu testen. Schon kleine Änderungen im Wortlaut können zu anderen Antworten führen. Eine Gruppe von drei bis fünf Formulierungen pro Thema liefert ein belastbareres Bild als ein einziger Prompt.
Die Messung sollte auch Wettbewerber einbeziehen. Erst im Vergleich wird sichtbar, ob eine Nennung besonders ist oder ob mehrere Anbieter regelmäßig genannt werden. Die Antworten können je nach Modell und Sprache unterschiedlich ausfallen.
Viele KI-Systeme geben Quellen an oder greifen auf Webseiten zu. Wer prüft, welche Seiten in den Antworten erscheinen, erkennt, welche Inhalte für die Modelle relevant sind. Diese Information ist ein Anhaltspunkt für die eigene Inhaltsarbeit, auch wenn sie keine vollständige Erklärung liefert.
Bei automatisierten Abfragen sollte man die Nutzungsbedingungen der jeweiligen Anbieter beachten und den Umfang in einem vertretbaren Rahmen halten. Eine Messung mit wenigen, gut gewählten Prompts ist oft aussagekräftiger als eine große, unstrukturierte Menge.
Der Messrhythmus richtet sich nach dem Ziel. Für einen Überblick reicht oft eine monatliche Erfassung, bei laufenden Änderungen am Shop können kürzere Abstände sinnvoll sein. Wichtig ist, den Rhythmus beizubehalten, damit die Ergebnisse vergleichbar bleiben.
Ein Anstieg der Nennungen nach einer Veränderung am Shop ist ein Hinweis, aber kein Beweis für Ursache und Wirkung. Auch Veränderungen bei den Modellen oder bei Wettbewerbern können eine Rolle spielen. Eine nüchterne Bewertung berücksichtigt diese Faktoren.
Für Shops mit vielen Produkten lohnt sich eine Auswahl repräsentativer Kategorien. Nicht jedes Produkt muss einzeln gemessen werden, wohl aber die Hauptthemen, zu denen Kunden nach Empfehlungen fragen.
Fazit
KI-Sichtbarkeit lässt sich mit einem festen Prompt-Set, einer sauberen Dokumentation und Messungen über einen längeren Zeitraum nachvollziehbar erfassen. Wer die Ergebnisse nüchtern einordnet und daraus gezielte Verbesserungen ableitet, gewinnt eine belastbare Grundlage für Entscheidungen.