ChatGPT- und Perplexity-Sichtbarkeit messen: Methoden, Tools, KPIs

Warum KI-Sichtbarkeit schwerer zu messen ist als Rankings

Drei Eigenschaften generativer Systeme machen die Messung grundsätzlich anders als im SEO:

• Nicht-deterministisch: Dieselbe Frage kann unterschiedliche Antworten mit unterschiedlichen Quellen erzeugen — es gibt keine feste „Position 3".
• Kontextabhängig: Antworten variieren je nach Formulierung, Gesprächsverlauf, Standort und teils Konto-Kontext.
• Keine offiziellen Reports: OpenAI und Perplexity stellen Website-Betreibern keine Sichtbarkeits-Konsole bereit; Google weist AI-Overview-Daten nicht separat aus, sondern zählt sie in den regulären Search-Console-Leistungsbericht ein.

Die Konsequenz: Statt einer exakten Messgröße kombiniert man mehrere Näherungen — und beobachtet Trends statt Einzelwerte.

Methode 1: Prompt-Monitoring (Share of Voice in Antworten)

Der direkteste Ansatz: Ein festes Set relevanter Fragen („Welche Tools für X?", „Wer sind die führenden Anbieter für Y?") regelmäßig an die relevanten Systeme stellen — AI Overviews, ChatGPT, Perplexity, ggf. Gemini und Claude — und auswerten, ob und wie die eigene Marke genannt wird.

Wichtig für belastbare Ergebnisse:

• Prompt-Set fixieren (20–100 Fragen entlang der Customer Journey) und über Zeit konstant halten — nur so entstehen vergleichbare Zeitreihen.
• Mehrfach abfragen: Wegen der Antwort-Varianz zählt der Anteil der Durchläufe mit Nennung, nicht ein einzelner Treffer.
• Wettbewerber mitmessen: Die spannendste Kennzahl ist der Anteil der Antworten, in denen die eigene Marke vs. der Wettbewerb empfohlen wird („Share of Model").
• Nennung und Verlinkung trennen: Eine Marke kann genannt werden, ohne dass die eigene Website als Quelle verlinkt ist — beides sind eigene Signale.

Manuell ist das ab wenigen Dutzend Prompts mühsam; spezialisierte Monitoring-Tools automatisieren Abfragen und Auswertung. Für den DACH-Raum wertet die SISTRIX-AI-Datenbank reale KI-Antworten aus — darauf baut der kostenlose OMKI KI-Sichtbarkeits-Check auf: Markennamen eingeben, und das Tool zeigt, in welchen Prompts und Textstellen die Marke in KI-Antworten auftaucht, inklusive Wettbewerbsvergleich.

Methode 2: Referral-Traffic aus KI-Systemen

Wenn Nutzer in ChatGPT oder Perplexity auf eine zitierte Quelle klicken, kommt dieser Besuch mit einem Referrer an und ist in der Webanalyse sichtbar. In GA4 (oder jedem anderen Analytics) lässt sich dafür ein eigenes Segment anlegen, typischerweise über Quellen wie chatgpt.com, perplexity.ai, copilot.microsoft.com oder gemini.google.com.

Grenzen der Methode: Klicks aus AI Overviews erscheinen als normaler Google-Traffic und sind nicht als KI-Klicks erkennbar; ein Teil der KI-Besuche kommt ohne Referrer als Direct-Traffic an; und Antworten ohne Klick bleiben komplett unsichtbar. Referral-Traffic unterschätzt die tatsächliche KI-Präsenz daher systematisch — als Trendindikator und für die Frage „konvertieren diese Besucher?" ist er trotzdem wertvoll. Erfahrungswerte vieler Site-Betreiber deuten übrigens darauf hin, dass KI-Referrals zwar (noch) klein im Volumen sind, aber oft sehr spät im Entscheidungsprozess kommen — ein Grund, sie getrennt auszuweisen statt in „Referral Sonstige" zu verstecken.

Methode 3: Crawler-Aktivität in den Server-Logs

Bevor ein System eine Website zitieren kann, muss es sie abrufen. Die KI-Anbieter dokumentieren ihre Crawler mit eigenen User-Agents — unter anderem GPTBot und OAI-SearchBot (OpenAI), PerplexityBot (Perplexity), ClaudeBot (Anthropic) und Google-Extended als Steuerungs-Token für Gemini-Training. Eine Logfile-Analyse zeigt, welche dieser Bots wie oft welche Bereiche abrufen.

Das misst keine Sichtbarkeit, beantwortet aber zwei Vorfragen: Werden die eigenen Inhalte von KI-Systemen überhaupt erfasst? Und: Blockiert die robots.txt versehentlich Crawler, deren Antworten man erreichen will? Gerade der Unterschied zwischen Trainings-Crawlern (GPTBot) und Such-Crawlern (OAI-SearchBot) wird bei Blockier-Entscheidungen häufig übersehen.

Methode 4: Search Console für AI Overviews

Für Google gilt die Besonderheit: AI-Overview-Impressionen und -Klicks fließen in den normalen Leistungsbericht der Google Search Console ein, ohne eigenen Filter. Direkt messbar ist die AI-Overview-Präsenz dort also nicht — beobachtbar sind aber Symptome: auffällige CTR-Verschiebungen bei stabiler Position (typisch, wenn über dem Ergebnis eine KI-Antwort erscheint) und Impressions-Sprünge durch Zitate in AI Overviews. In Kombination mit Methode 1 lässt sich zuordnen, welche Keywords betroffen sind.

Ein praktikables KPI-Set für den Start

1. Nennungsquote: Anteil der Prompts aus dem festen Set, in denen die Marke genannt wird (je System).
2. Share of Model: eigene Nennungen im Verhältnis zu den wichtigsten Wettbewerbern.
3. Zitierquote: Anteil der Antworten, die die eigene Website als Quelle verlinken.
4. KI-Referral-Sessions und deren Conversion-Rate (eigenes Analytics-Segment).
5. KI-Crawler-Abdeckung: Anteil der wichtigen URLs, die von Such-Crawlern der KI-Anbieter abgerufen werden.

Monatliche Erhebung reicht für den Anfang; wichtiger als Frequenz ist die Konstanz von Prompt-Set und Methodik. Und: Die Kennzahlen ersetzen die klassischen SEO-KPIs nicht, sie ergänzen sie — die Maßnahmen, die beide verbessern, stehen im GEO-Praxis-Guide und unter Content-Strukturen für LLMs.