Searchestrablog

Wie Searchestra KI-Sichtbarkeit misst

KI-Sichtbarkeit ist nur so vertrauenswürdig wie die Methode dahinter. Diese Seite erklärt in klaren Worten, wie wir messen, damit Sie unsere Zahlen beurteilen können, statt ihnen blind zu vertrauen. Sie ist bewusst konkret darin, was wir tun, und ehrlich darin, was wir nicht behaupten.

Warum wir unsere Methode veröffentlichen

Zwei Tools für KI-Sichtbarkeit können dieselbe Marke messen und unterschiedliche Zahlen berichten, weil sie unterschiedliche Fragen, Maschinenabdeckung und Definitionen verwenden. Genau deshalb zählt die Methode mehr als der Score in der Überschrift. Uns ist lieber, dass Sie einer Zahl vertrauen, die Sie hinterfragen können, als einer selbstsicheren Zahl, der Sie blind glauben müssen. Das entspricht der Transparenz, um die Messanbieter laut dem IAB-Framework Measuring Visibility in the AI Era konkurrieren sollen. Siehe auch richtungsweisend und entscheidungsreif und was Sie einen Anbieter fragen sollten.

Die KI-Antwortmaschinen, die wir verfolgen

Wir pflegen einen Katalog von KI-Antwortmaschinen, der Assistenten und Bereiche der KI-Suche umfasst. Jede wird für sich gemessen und nie zu einem einzigen Vanity-Score vermischt:

MaschineAnbieterWie gefragt wird
ChatGPTOpenAIAssistent mit der Websuche des Anbieters
PerplexityPerplexityKI-Suche
Google AI OverviewsGoogleKI-Suche
Google AI ModeGoogleKI-Suche
GeminiGoogleAssistent mit der Websuche des Anbieters
ClaudeAnthropicAssistent mit der Websuche des Anbieters
Meta AIMetaAssistent mit der Websuche des Anbieters
GrokxAIAssistent mit der Websuche des Anbieters
DeepSeekDeepSeekAssistent ohne Websuche (seine API bietet keine)

Ehrlicher Vorbehalt: Eine Maschine wird nur abgefragt, wenn der Zugang zu ihr eingerichtet ist. Die Abdeckung für ein bestimmtes Konto hängt davon ab, welche Maschinen aktiviert sind; deshalb berichten wir je Maschine, statt zu suggerieren, jeder Bereich sei immer aktiv. Siehe Zusammenfassung über Plattformen.

Wie Antworten erhoben werden

Wir fragen jede Maschine über die API ihres Anbieters, wobei die eigene Websuche des Anbieters überall eingeschaltet ist, wo sie angeboten wird: ChatGPT, Gemini, Claude, Meta AI und Grok. Das Modell entscheidet bei jeder Frage selbst, ob es sucht; wir erzwingen nie eine Suche. Eine Antwort ohne Suche ist eine echte Beobachtung dessen, wie sich diese Maschine verhält, und bleibt daher in jeder Kennzahl. Für jede Antwort erfassen wir, ob das Modell gesucht hat und wie viele Suchen es durchgeführt hat, und der Bildschirm Citations zeigt, wie oft jede Maschine sich für eine Suche entschieden hat. Die API von DeepSeek bietet keine Websuche, seine Antworten stammen also aus dem eigenen Wissen des Modells. Bei Perplexity, Google AI Overviews und Google AI Mode ist die Suche Teil des Produkts statt eine Entscheidung des Modells: Die eigene Antworteinstellung von Perplexity schreibt vor jeder Antwort eine Suche vor, und AI Overviews und AI Mode sind Funktionen der Google-Suche, die die Antwort aus mehreren verwandten Suchen zusammensetzen. Google zeigt eine AI Overview nur, wenn es sie für hilfreich hält, daher haben manche Fragen keine. Wir erfassen diese Fragen und berichten, wie oft eine KI-Antwort angezeigt wurde, aber sie zählen in den anderen Kennzahlen nicht als Antworten.

Die Einheit der Messung

Unsere Einheit ist nicht ein einzelner API-Aufruf, sondern eine Frage gepaart mit einer Maschine, ausgeführt als echte Anfrage, nicht als Simulation. Die Ergebnisse werden je Maschine berichtet, damit ein starkes Abschneiden in einem Bereich nie die Unsichtbarkeit in einem anderen verdeckt. Das ist der Unterschied zwischen Share of Model und Share of Voice: Wir halten die Ebenen getrennt, statt sie zu einer verschwommenen Zahl zu mitteln.

Woher die Fragen kommen

Das Fragenset für eine Kategorie wird aus einer Taxonomie von Themen und einem Graphen realistischer Kaufszenarien erzeugt, nicht von Hand ausgewählt, sodass die Abdeckung systematisch ist, statt gezielt auf Fragen zugeschnitten, die eine Marke zufällig gewinnt. Jede Frage trägt eigene Metadaten (Absicht, Szenario, Art der Quelle, Version).

Zur Herkunft, bei der das IAB-Framework von Anbietern Klarheit verlangt: Das Universum verbindet Taxonomie und Szenarien mit Belegen für echte Suchnachfrage und nutzt synthetische Erweiterung nur, um Lücken in der Abdeckung zu füllen, nie als ganzes Set. Signale der Suchnachfrage fließen in das Universum ein, bestimmen es aber nicht allein, und jede Frage hält fest, aus welcher Art von Quelle sie stammt.

Fragen werden nach Absicht eingeordnet: informational, kommerziell (einschließlich empfehlungsartiger Anfragen nach „bestes X“), transaktional, navigational und vergleichend. Das umfasst die Arten von Absichten, die der entscheidungsreife Ansatz des IAB abgedeckt und segmentiert sehen will, und der Klassifikator arbeitet auf Englisch und Türkisch, sodass eine eindeutig kommerzielle türkische Frage nicht stillschweigend als allgemeine behandelt wird.

Das Fragenset ist von seiner Konstruktion her markenneutral: Die gemessene Marke beeinflusst nicht, welche Fragen erzeugt werden. Die Markenidentität dient nur als nachgelagerte Prüfung, ob bereits erzeugte Kandidaten angenommen oder verworfen werden, nie dazu, zu formen, was gefragt wird. Diese Trennung verhindert, dass das Set still zu einem schmeichelhaften Ergebnis gekippt wird; sie ist die Schutzvorkehrung hinter Verzerrung durch Prompts und Plattformen.

Das Set ist versioniert und unveränderlich: Ein Messdurchlauf hält genau fest, welche Version des Fragensets er verwendet hat, sodass sich eine Veränderung der Ergebnisse von einer Veränderung der Fragen unterscheiden lässt. Siehe Messstabilität und Reproduzierbarkeit.

Für jedes Prompt Universe können wir das Transparenzprofil genau der verwendeten Version des Fragensets offenlegen: wie viele Fragen es enthält, wie sie sich nach Absicht und nach Art der Quelle aufteilen, die Grundlage der Gewichtung sowie die Baseline- und Aktualisierungsrichtlinie dahinter. Damit sind mehrere der Transparenzdimensionen für Anfragesets abgedeckt, die das IAB-Framework benennt, sodass das Fragenset hinter einem Score keine Blackbox ist; wir erweitern noch, was wir hier offenlegen.

Die vier Ebenen, über die wir berichten

Wir berichten entlang der vier Ebenen des IAB-Frameworks statt über einen einzigen Score, damit Sie sehen, wo die Darstellung zusammenbricht. Die Namen der Ebenen stammen aus dem IAB-Framework; die Kennzahlen in der dritten Spalte zeigen, wie Searchestra jede Ebene misst:

IAB-EbeneDie Frage, die sie beantwortetWas Searchestra berichtet
PresenceSind Sie überhaupt in der Antwort?Erwähnungsrate, Zitationsrate, Share of Voice, Sichtbarkeitsdynamik
ProminenceWie zentral sind Sie, wenn Sie präsent sind?durchschnittlicher Rang
PortrayalWie werden Sie beschrieben?Stimmung, Rate markierter Ungenauigkeiten
PersuasionWerden Sie tatsächlich empfohlen?Empfehlungsstärke

Das sind getrennt berichtete Maße, kein undurchsichtiger Gesamtwert. Jedes davon ist unten definiert: was gezählt wird, wodurch geteilt wird und wo unsere Definition von der des Frameworks abweicht. Siehe die 4 Ps der KI-Sichtbarkeit, Erwähnungsrate und Zitationsrate.

Die Formeln, offen dargelegt

Jede Zahl, die wir berichten, ist ein einfaches Verhältnis oder ein Durchschnitt, den Sie aus den zugrunde liegenden Antworten nachrechnen könnten. Es gibt keine proprietäre Neugewichtung und keinen vermischten Score. Verhältnisse für einen Zeitraum sind Summen über Summen: Alle passenden Antworten im Zeitraum werden zuerst addiert und dann geteilt, statt tägliche Prozentwerte zu mitteln, sodass ein Tag mit wenigen Antworten nicht so viel Gewicht hat wie ein Tag mit vielen.

KennzahlIAB-EbeneWie sie berechnet wird
ErwähnungsratePresenceAntworten, die Ihre Marke erwähnen, geteilt durch alle erhobenen Antworten im Rahmen. Eine Antwort zählt einmal, egal wie oft sie Sie nennt.
ZitationsratePresenceAntworten mit mindestens einem verlinkten Zitat auf eine Domain, die Ihnen gehört, geteilt durch alle erhobenen Antworten im Rahmen. Eine Antwort zählt einmal, egal wie viele Ihrer Seiten sie zitiert.
Share of VoicePresenceIhre Erwähnungen geteilt durch die Erwähnungen aller Marken im Wettbewerbsrahmen. Eine Marke zählt höchstens einmal pro Antwort.
SichtbarkeitsdynamikPresenceErwähnungsrate in diesem Zeitraum minus Erwähnungsrate im vorherigen gleich langen Zeitraum, geteilt durch die Erwähnungsrate des vorherigen Zeitraums: eine relative prozentuale Veränderung, keine Veränderung in Prozentpunkten.
Durchschnittlicher RangProminenceIhre durchschnittliche Position unter den Marken, die in einer Antwort aufgeführt sind, über die Antworten, in denen eine Position für Sie erkannt wurde. Niedriger ist besser; Antworten, die Sie nicht erwähnen, bleiben außen vor.
StimmungPortrayalDer durchschnittliche Tonwert der Antworten, die Sie erwähnen, von -1 (sehr negativ) bis +1 (sehr positiv).
Rate markierter UngenauigkeitenPortrayalAntworten, die Sie mit mindestens einer markierten Ungenauigkeit erwähnen, geteilt durch die Antworten, die Sie erwähnen. Mehrere Markierungen in einer Antwort zählen einmal; Fehler in der Einordnung werden nicht gezählt.
EmpfehlungsanteilPersuasionAntworten, die Sie erwähnen und auf der unten beschriebenen Bewertungsskala für Empfehlungsstärke 3 oder 4 erreichen, geteilt durch die Antworten, die Sie erwähnen und nach der aktuellen Skala bewertet wurden. Der durchschnittliche Wert von 4 wird daneben angezeigt.
ZitatanteilKeine IAB-KennzahlZitate auf Domains, die Ihnen gehören, geteilt durch alle Zitate in den erhobenen Antworten. Ein Anteil am Zitatpool, berichtet neben der Zitationsrate, nie an ihrer Stelle.

Share of Voice: unsere zwei Festlegungen

Das IAB-Framework verlangt von Anbietern, zwei Festlegungen anzugeben, weil sie die Zahl verändern. Die Wettbewerbskategorie ist die Menge der Marken, die für Ihren Markt verfolgt werden: Ihre Marke plus die für diesen Markt aufgeführten Wettbewerber, die Sie sehen und bearbeiten können. Plattformen, Publisher und andere Namen außerhalb dieser Menge bleiben außen vor. Das Erwähnungsuniversum ist die Summe der Erwähnungen über genau diese Menge, sodass die Anteile aller Marken in der Menge 100% ergeben. Zwei Tools können allein aufgrund dieser zwei Festlegungen für dieselbe Marke einen unterschiedlichen Share of Voice berichten; deshalb nennen wir unsere.

Zitationsrate: was als Zitat zählt

Wir zählen verlinkte Zitate auf Domains, die als Ihre registriert sind. Eine Marke, die ohne Link als Quelle genannt wird, wird nicht gezählt; das ist enger als die Definition des Frameworks. Ein Zitat ist eine Quelle, die die Maschine selbst mit ihrer Antwort liefert. Maschinen liefern Quellen, wenn sie im Web suchen; eine Antwort ohne Suche und jede Antwort von DeepSeek hat daher keine Zitate. Diese Antworten zählen trotzdem im Nenner: Eine Antwort, die Sie nicht zitiert, ist ein echtes Ergebnis, keine fehlenden Daten.

Bewertungsskala für Empfehlungsstärke

Für jede Antwort, die Sie erwähnt, ordnet ein Sprachmodell die drei Dimensionen ein, die das IAB-Framework nennt: Befürwortung (konkrete Begründung, allgemein oder keine), Prominenz in der Antwort (primär, eine von mehreren oder am Rand) und Einschränkung (bedingungslos oder eingeschränkt). Der Wert wird dann nach einer festen Regel aus diesen Einordnungen berechnet: Keine Befürwortung ergibt 0; andernfalls ergibt eine konkrete Begründung 2 und eine allgemeine Befürwortung 1, plus 1, wenn die Empfehlung primär ist, und plus 1, wenn sie bedingungslos ist, für einen Bereich von 0 bis 4. Antworten mit 3 oder 4 zählen als aktive Empfehlungen. Eine 3 setzt nicht voraus, die erste Wahl zu sein: Konkretes, bedingungsloses Lob für eine von mehreren aufgeführten Optionen ergibt ebenfalls 3.

Eine negative Erwähnung ist keine Empfehlung; der Ton wird unter Portrayal berichtet. Die Skala ist versioniert: Ändert sie sich, werden frühere Werte getrennt gehalten und nie mit dem neuen Maß vermischt. Passt die Ausgabe des Modells nach einem erneuten Versuch nicht zur Skala, bleibt die Antwort unbewertet, statt geschätzt zu werden.

Stimmung und markierte Ungenauigkeiten

Die Stimmung wird von einem Sprachmodell bewertet, das die ganze Antwort liest und einen Wert für ihren Gesamtton gegenüber der Marke zurückgibt. Es ist ein Wert für die Antwort als Ganzes, nicht für jeden Satz, und wir veröffentlichen dafür keinen Genauigkeits-Benchmark; lesen Sie ihn daher als Signal statt als Urteil. Schlägt die Bewertung fehl, hat die Antwort keinen Stimmungswert statt einer neutralen 0.

Ungenauigkeiten werden durch die Prüfung eines Sprachmodells in Antworten markiert, die Sie erwähnen, plus feste Prüfungen gegen Produktdaten, wo eine Marke diese bereitgestellt hat, zum Beispiel ein falscher Preis, eine unbelegte Gesundheitsaussage oder veraltete Produktdetails. Fehler in der Einordnung, bei denen die Marke falsch positioniert wird, werden markiert, aber nicht in der Rate gezählt, weil sie eine Frage der Positionierung und nicht der Fakten sind. Eine Empfehlung ohne Begründung ist überhaupt kein Problem des Portrayals; sie wird unter Persuasion gemessen. Markierungen werden noch nicht gegen Markenfakten oder die zitierten Quellen geprüft; das ist daher nicht die Factual Inaccuracy Rate des Frameworks und trennt keine Fehler, die eine Maschine erfunden hat, von Fehlern, die aus einer falschen Quelle übernommen wurden.

Dynamik: wann zwei Zeiträume vergleichbar sind

Die Dynamik vergleicht den gewählten Zeitraum mit dem vorherigen gleich langen Zeitraum. Hat der vorherige Zeitraum keine Daten oder eine Erwähnungsrate von 0, wird keine Veränderung angezeigt, weil eine prozentuale Veränderung gegenüber null nicht definiert ist. Wechselt das Fragenset zu einer neuen Version, die die Vergleichbarkeit bricht, markieren die Berichte das als Bruch der Baseline. Modell-Updates der Maschinen werden noch nicht automatisch erkannt; ein Sprung, der bei allen Marken gleichzeitig auftritt, sollte daher als mögliche Plattformverschiebung gelesen werden, bevor er als Zugewinn gilt.

Reproduzierbarkeit und Veränderung

Weil KI-Antworten zwischen Durchläufen variieren, beweist eine einzelne Antwort nichts. Jede Frage wird jeder Maschine höchstens einmal am Tag gestellt, und die Zahlen eines Zeitraums addieren jede tägliche Antwort darin, sodass sich eine einzelne schwankende Antwort nicht als Trend ausgibt. Ergebnisse sind immer an das versionierte Fragenset gebunden, aus dem sie stammen, und jede Antwort hält die Version der Erhebungsmethode dahinter fest, sodass sich eine Veränderung in der Art der Erhebung von einer Veränderung der Maschine unterscheiden lässt. Siehe Sichtbarkeitsdynamik und den Nichtdeterminismus der KI verstehen.

Das Ehrlichkeitsprinzip

Wir berichten, was wir erheben, und kennzeichnen, was wir nicht erheben können. Wird ein Signal nicht gemessen, etwa wenn die Bewertung von Empfehlungen für einen Durchlauf nicht aktiviert ist, bleibt das Feld leer, statt mit einer Schätzung gefüllt zu werden. Wir präsentieren keine selbstsichere Einzelzahl, wo die Daten nur eine richtungsweisende Lesart stützen. Eine dokumentierte Einschränkung ist Teil der Sorgfalt, keine Schwäche, die man verstecken müsste.

Was wir nicht behaupten

Ein API-Ergebnis ist nicht identisch mit dem, was eine angemeldete Person in der Oberfläche eines Produkts sieht, und wir sagen ausdrücklich, welche Ebene eine bestimmte Zahl widerspiegelt. Dasselbe gilt für die Websuche: Die Suche, die eine Maschine über ihre API ausführt, ist das Suchwerkzeug des Anbieters für Entwickler und kann von der Suche abweichen, die seine App für Verbraucher ausführt. Stimmung, Empfehlungsstärke und markierte Ungenauigkeiten beruhen auf dem Urteil eines Sprachmodells und werden als Signale statt als Urteile behandelt. Die Klickrate nach dem Zitat wird nicht gemessen, weil KI-Plattformen keine Klickdaten je Erwähnung teilen. Wo eine Zahl richtungsweisend ist, sagen wir das offen. Siehe richtungsweisende und entscheidungsreife Messung.

Das Wichtigste.

Wir messen KI-Sichtbarkeit über einen Katalog von Antwortmaschinen mit einem markenneutralen, versionierten Fragenset, berichten die vier IAB-Ebenen als getrennte, transparente Maße statt als einen vermischten Score und kennzeichnen, was wir nicht messen können, statt zu raten.

Häufig gestellte Fragen

Veröffentlichen Sie Ihre genauen Prompts?

Nein. Das Fragenset ist versioniert und markenneutral, und wir legen die Methode und ihre Metadaten offen statt des proprietären Sets. Die genauen Prompts zu veröffentlichen, würde sie manipulierbar machen und die Messung für alle verfälschen.

Warum kommen zwei Tools für KI-Sichtbarkeit zu unterschiedlichen Ergebnissen?

Unterschiedliche Fragensets, Maschinenabdeckung, Wettbewerbsrahmen und Definitionen. Zwei Tools können dieselbe Marke messen und zu Recht voneinander abweichen; genau deshalb zählt eine offengelegte Methode mehr als die Zahl in der Überschrift.

Ist das eine entscheidungsreife Messung?

Wir arbeiten auf die entscheidungsreifen Kriterien des IAB hin: versionierte Fragen, Zusammenfassung über Durchläufe, Berichte je Maschine und markenneutrale Konstruktion. Wo eine Kennzahl nur eine richtungsweisende Lesart stützt, kennzeichnen wir sie so, statt sie aufzuhübschen.