AI Visibility: Welche KPIs jetzt entscheidend sind

KI-gestützte Such- und Antwortsysteme verändern spürbar, wie Sichtbarkeit im Internet entsteht. Mit Formaten wie AI Overviews verschiebt sich Aufmerksamkeit immer häufiger von klassischen organischen Treffern hin zur KI-Antwort selbst, was Sichtbarkeit, Klickverhalten und Traffic-Verteilung neu ordnet. Gleichzeitig gewinnt die Frage an Bedeutung, wie Inhalte (inklusive neuer Content-Typen wie Social Media) von KI-Systemen erkannt, eingeordnet und als Quelle oder Empfehlung genutzt werden.

Damit AI Visibility nicht abstrakt bleibt, sondern steuerbar wird, braucht es ein KPI-Set, das genau diese Mechaniken abbildet.

Der folgende Beitrag zeigt deshalb die wichtigsten Metriken, mit denen sich KI-Sichtbarkeit strukturiert messen, bewerten und mit konkreten Optimierungshebeln verknüpfen lässt.

Share of Citations und Mention Share: Autorität als Quelle und Präsenz als Marke

Wenn es um Sichtbarkeit in KI-Antworten geht, sind zwei Kennzahlen besonders grundlegend: die Share of Citations und die Mention Share. Die Share of Citations beschreibt, wie groß der Anteil einer Domain an allen Zitierungen innerhalb eines Themenfelds ist. Sie zeigt damit, wie häufig KI-Systeme auf Inhalte zurückgreifen, wenn Antworten generiert werden – und wie „zitierwürdig“ eine Website im jeweiligen Kontext wahrgenommen wird.

Die Mention Share ergänzt dieses Bild, weil sie Markenpräsenz misst. Sie zeigt, wie häufig eine Marke in Antworten namentlich auftaucht, auch wenn kein Link oder Zitat gesetzt wird. In der Praxis ist genau diese Kombination wertvoll, weil sie hilft, Content-Autorität und Markenwirkung voneinander zu trennen.

Hier eine schnelle Einordnung möglicher Ergebnisse:

• Hohe Citation Share + hohe Mention Share: starke Autorität und starke Marke.
• Hohe Mention Share, aber niedrige Citation Share: Marke ist präsent, Inhalte werden jedoch selten als Quelle genutzt (häufig ein Struktur-/Belegbarkeits-Thema).
• Hohe Citation Share, aber niedrige Mention Share: Inhalte werden genutzt, Marke bleibt aber im Hintergrund (häufig ein Branding-/Entitäts-Thema).

Praktischer Messansatz:

• Themencluster definieren (z. B. „Marketing Automation“, „Shop-SEO“, „B2B Leadgenerierung“)
• Prompt-Set je Cluster erstellen (z. B. 50–200 Fragen)
• Antworten dokumentieren und Zitate/Erwähnungen zählen
• Entwicklung monatlich oder quartalsweise vergleichen

Answer Inclusion Rate: Wie häufig eine Marke tatsächlich in Antworten vorkommt

Die Answer Inclusion Rate beantwortet eine zentrale Frage: In wie vielen relevanten KI-Antworten tauchen Marke oder Inhalte überhaupt auf? Sie ist damit ein belastbarer KPI, um die „Grundsichtbarkeit“ über ein definiertes Themen- und Prompt-Set zu messen.

Damit die Kennzahl aussagekräftig wird, braucht sie ein sauberes Setup.

Bewährt hat sich die Arbeit mit Prompt-Kategorien, die typische Such- und Entscheidungsphasen abdecken. Dazu gehören beispielsweise Definitionen, Anleitungen, Vergleiche oder Anbieter-/Tool-Auswahl.

Bewährte Prompt-Kategorien für das Monitoring sind:

• Definitionen: „Was ist …?“
• How-to: „Wie funktioniert …?“ / „Wie setze ich … um?“
• Vergleiche & Alternativen: „X vs. Y“, „Alternativen zu …“
• Kosten/ROI: „Was kostet …?“ / „Lohnt sich …?“
• Anbieter-/Tool-Auswahl: „Welche Lösung/Agentur für …?“
• Problemlösung: „Warum klappt … nicht?“ / „Fehler beheben bei …“

Typische Ursachen für eine niedrige Inclusion Rate wären beispielsweise:

• fehlende Unterthemen und damit geringe thematische Abdeckung
• Inhalte sind schwer „extrahierbar“ (zu wenig klare Absätze, Listen, Definitionen)
• unklare Entität (Marke, Leistungen oder Schwerpunkte werden nicht eindeutig zugeordnet)
• schwache externe Signale (zu wenig Reputation/Erwähnungen außerhalb der eigenen Website)

Entity Presence und Recommendation Frequency: Von „verstanden werden“ zu „empfohlen werden“

Ein zentraler Erfolgsfaktor für AI Visibility ist die Frage, ob KI-Systeme eine Marke als eigenständige Entität verstehen. Genau das misst die Entity Presence: Sie zeigt, ob ein Unternehmen korrekt eingeordnet wird, ob Leistungen und Attribute sauber zugeordnet sind und ob die Marke konsistent im richtigen Kontext erscheint. Je besser diese Grundlagen sind, desto stabiler werden Erwähnungen – und desto wahrscheinlicher werden Empfehlungen.

Die Recommendation Frequency beschreibt im nächsten Schritt, wie häufig eine Marke in echten Empfehlungen auftaucht, etwa bei Fragen wie „Welches Tool eignet sich für …?“ oder „Welche Agentur ist geeignet für …?“. Dabei geht es nicht nur um „genannt werden“, sondern auch um die Qualität der Nennung.

Folgende Qualitätskriterien sind wichtig bei Empfehlungen:

• Positionierung: Top-Empfehlung oder nur Randnotiz?
• Kontext: Spezialist, Allrounder, Budget-Option, Enterprise-Anbieter?
• Passung: passt die Empfehlung zu Branche, Budget und Use Case?
• Begründung: wird nachvollziehbar erklärt, warum die Marke passt?

Prompt-Set Coverage und Retrieval Hit Rate: Thematische Breite und Auffindbarkeit

Die Prompt-Set Coverage zeigt, wie breit die Sichtbarkeit über unterschiedliche Anfragearten hinweg ist. Eine Marke mit hoher Coverage taucht nicht nur bei spezifischen Produktfragen auf, sondern auch bei allgemeinen Branchenthemen, Vergleichen und Problemlösungen. Das ist besonders wertvoll, weil dadurch Sichtbarkeit in frühen Phasen der Customer Journey entsteht – also dort, wo Nutzer sich orientieren und Präferenzen aufbauen.

Die Retrieval Hit Rate ergänzt das Ganze um eine „Auffindbarkeits“-Perspektive: Sie deutet darauf hin, ob KI-Systeme relevante Inhalte einer Website zuverlässig finden und verarbeiten können. Wenn die Hit Rate niedrig ist, liegt das häufig an einer Mischung aus Content-, Struktur- und technischen Themen.

Typische Hebel bei schwacher Retrieval Hit Rate sind:

• Inhalte klarer strukturieren (Zwischenüberschriften, FAQs, Schrittfolgen, Tabellen)
• Themen über Content-Hubs/Pillar Pages bündeln (statt verstreuter Einzelartikel)
• interne Verlinkung stärken (kontextual, nicht nur „Weiterlesen“)
• Passagen „answer-ready“ formulieren (Definitionen, Kriterienlisten, Do’s/Don’ts)

Conversion-orientierte KPIs: Assisted Conversion und Agent Interaction

Sichtbarkeit ist am Ende nur dann ein Gewinn, wenn sie zu Wirkung führt. Deshalb gehören conversion-orientierte KPIs in ein vollständiges AI-Visibility-Setup. Die Assisted Conversion Rate hilft zu verstehen, wie häufig KI-Erwähnungen zu Abschlüssen beitragen – auch dann, wenn der letzte Klick nicht direkt aus einer KI-Antwort kommt. Gerade in B2B- und hochpreisigen Entscheidungsprozessen entstehen Conversions oft über mehrere Touchpoints.

Die Agent Interaction Rate zeigt, ob nach dem KI-Kontakt tatsächlich Interaktionen stattfinden, die auf ernsthafte Nachfrage hindeuten. Dazu zählen beispielsweise vertiefende Seitenaufrufe, CTA-Klicks oder Micro-Conversions wie Termin- oder Kontaktintentionen.

Branded vs. Non‑Branded AI Visibility: Reputation absichern und Wachstum erschließen

Für eine realistische Bewertung der AI Visibility ist die Trennung zwischen Branded und Non‑Branded Sichtbarkeit entscheidend. Branded Visibility entsteht bei direkten Markenanfragen und stabilisiert Vertrauen sowie Conversion-Wahrscheinlichkeit. Non‑Branded Visibility entsteht bei allgemeinen Fragen ohne Markenbezug und ist häufig der stärkste Wachstumstreiber, weil sie neue Zielgruppen erreicht, bevor diese sich festgelegt haben.

Ein Merksatz für die Praxis:

• Branded = Nachfrage abschließen (Reputation & Vertrauen)
• Non‑Branded = Nachfrage aufbauen (Marktanteil & Neukunden)

Fazit: AI Visibility KPIs erfolgreich implementieren – und gezielt optimieren

AI Visibility lässt sich nicht sinnvoll über Einzelbeobachtungen steuern. Erst ein strukturiertes KPI-Set macht sichtbar, ob eine Marke als Quelle wahrgenommen wird, ob sie in Antworten zuverlässig auftaucht und ob diese Sichtbarkeit am Ende auch Geschäftswirkung entfaltet.

Kurz zusammengefasst: AI Visibility KPIs messen …

• die Präsenz in KI-Antworten (Erwähnung/Zitat),
• die Autorität als Quelle (Zitationsanteil),
• die Empfehlungsfähigkeit (Empfehlungen in Auswahl-/Vergleichsfragen) und
• die geschäftliche Wirkung (Interaktionen und Conversions).

In der Praxis hat es sich bewährt, zunächst mit Basis-KPIs zu starten und dann schrittweise zu vertiefen, bis Empfehlungen, Abdeckung und Conversion-Beitrag sauber abbildbar sind.

Pragmatische Reihenfolge für den Einstieg:

• Start: Share of Citations, Mention Share, Answer Inclusion Rate
• Vertiefung: Entity Presence, Recommendation Frequency
• Skalierung: Prompt-Set Coverage, Retrieval Hit Rate
• ROI: Assisted Conversion, Agent Interaction

Wir unterstützen Unternehmen dabei, in der KI-Ära sichtbar zu bleiben und gezielt Sichtbarkeit aufzubauen – nicht nur in klassischen Suchmaschinen, sondern auch in KI-Systemen wie ChatGPT, Gemini oder Perplexity. Dafür verbinden wir KI-gestützte SEO-Optimierung, Content-Strategie und datenbasiertes Reporting zu einem Prozess, der transparent macht, wo eine Marke aktuell steht. Und der klar priorisiert, welche Hebel den größten Effekt auf AI Visibility haben.