Das Messmodell für KI-Sichtbarkeit
Viele Marken, die an ihrer KI-Sichtbarkeit arbeiten, messen das Falsche, in der falschen Reihenfolge und ohne klare Vorstellung davon, was sie eigentlich beheben wollen. Dieses Kapitel stellt das Messmodell vor, mit dem Messen tatsächlich etwas bringt.
Warum Messen ohne Struktur scheitert
Eine Zahl allein sagt dir nichts
Wenn du schon einmal auf einen AI-Share-of-Voice-Wert geschaut hast und nicht wusstest, was du als Nächstes tun sollst, kennst du das Problem bereits. Die Zahl sagt dir, wo du stehst. Sie sagt dir nicht, warum du dort stehst, woran es liegt und was sie tatsächlich bewegen würde.
KI-Sichtbarkeit einer Marke ist nicht eine einzige Größe. Sie hat mehrere Aspekte, bei denen jeweils andere Probleme auftreten können. Eine Marke kann oft in KI-Antworten auftauchen, aber schlecht beschrieben werden. Sie kann gut beschrieben, aber mit den falschen Themen verbunden sein. Sie kann mit den richtigen Themen verbunden sein und trotzdem in den Ergebnissen der Live-Suche komplett fehlen. Jeder dieser Fälle sieht in den Daten anders aus und braucht eine andere Lösung.
Ein Messmodell macht die Sache nicht komplizierter. Es macht Handeln erst möglich. Ohne Modell siehst du Symptome, aber keinen Weg zur Ursache.
Die meisten Tools liefern dir einen Share-of-Voice-Wert und lassen es dabei bewenden. Das ist, als würde dir ein Arzt sagen, dass du Fieber hast, und dich dann nach Hause schicken. Der Messwert stimmt. Aber er ist keine Diagnose. Dieses Messmodell ist darauf ausgelegt, tatsächlich herauszufinden, was nicht stimmt.
Zehn Kapitel in vier Ebenen
Das Messmodell teilt die KI-Sichtbarkeit einer Marke in vier Ebenen auf, und jede stellt eine andere Frage. Die ersten drei bauen in dieser Reihenfolge aufeinander auf. Ebene 4 ist das Fundament, das alles andere verlässlich macht.
Die ersten drei Ebenen bauen aufeinander auf. Zuerst musst du deine Sichtbarkeit verstehen. Dann kannst du untersuchen, wie die KI deine Marke wahrnimmt. Erst mit beidem wird die Ebene des Einflusses sinnvoll nutzbar. Wer Schritte überspringt, spart keine Zeit. Er bekommt nur die falschen Antworten.
Ebene 4 ist kein letzter Schritt. Sieh sie als den Boden, auf dem alles andere steht. Wie du deine Prompts gestaltest, wie du mit Entitätsdaten umgehst, wie du Antworten in großem Umfang sammelst: All das entscheidet, ob du deinen Zahlen aus Ebene 1, 2 und 3 überhaupt trauen kannst.
Angenommen, dein Share-of-Voice-Wert ist niedrig. Du gehst direkt zu deinen Zitationsdaten, und nichts wirkt auffällig. Du veröffentlichst mehr Inhalte. Der Wert bleibt gleich. Übersehen hast du die KI-Wettbewerbskarte. Sie hätte dir gezeigt, dass drei Marken, von denen du nie gehört hast, genau die Anfragen dominieren, auf die es dir ankommt. Mehr Inhalte waren nicht die Lösung. Die Lösung war, das Wettbewerbsbild zu verstehen.
Sichtbarkeit
Kommst du überhaupt vor?
Bevor du misst, wie oft du auftauchst, musst du wissen, wer sonst noch neben dir auftaucht. Das Bild, das die KI von deinem Markt hat, prägt alles. Meist sieht es deutlich anders aus als das Wettbewerbsumfeld, in dem du dich siehst.
Die KI-Wettbewerbskarte
Die vollständige Liste der Marken, die die KI mit deinem Markt verbindet. Sie entsteht aus dem, was die KI tatsächlich sagt, nicht aus deiner bestehenden Wettbewerberliste. Zwischen ihrer Liste und deiner klafft fast immer eine Lücke. Marken, von denen du nie gehört hast, tauchen oft auf. Marken, die du für deine Hauptkonkurrenten hältst, manchmal nicht. Genau bei dieser Lücke beginnt die Untersuchung.
AI Share of Voice
Wie oft deine Marke in KI-Antworten vorkommt, verglichen mit allen anderen, die genannt werden. Die meisten Tools messen das gegen eine feste Liste von Wettbewerbern, die du vorab festlegst. Waikay misst es gegen jede Marke, die die KI tatsächlich nennt. Dieser Unterschied macht viel aus.
Wahrnehmung
Wofür hält dich die KI?
Weißt du, dass es eine Sichtbarkeitslücke gibt, hilft dir diese Ebene zu verstehen, warum. Es geht nicht darum, ob du auftauchst. Es geht darum, womit die KI dich verbindet, wenn du auftauchst. Mit welchen Themen? Wie zutreffend? Für welche Art von Marke hält sie dich?
Hier passiert der Großteil der Ursachenforschung. Zwei Marken können denselben Share-of-Voice-Wert haben und trotzdem völlig unterschiedlich dastehen. Die eine ist vielleicht mit fünf zentralen Themen des Markts verbunden, die andere stark mit nur einem. Die eine wird vielleicht korrekt beschrieben, während die Beschreibung der anderen voller Halluzinationen steckt. Die Zahl ist dieselbe. Die Lage ist es nicht.
AI Topical Presence
Die Themen, Anwendungsfälle und Probleme, die die KI mit deiner Marke verbindet, bewertet danach, wie stark, wie breit und wie gleichmäßig verteilt diese Verknüpfungen sind. Das erklärt deinen Share-of-Voice-Wert. Ist dein Share of Voice niedriger, als er sein sollte, zeigt dir die Topical Presence genau, was fehlt.
Faktentreue
Wie zutreffend KI deine Marke beschreibt: die Produkte, die sie dir zuschreibt, und die Aussagen, die sie über deine Geschichte und Positionierung macht. KI halluziniert nicht zufällig. Sie füllt Lücken mit Dingen, die plausibel klingen, und je weniger Inhalte es über dich gibt, desto wahrscheinlicher wird das. Es ist ein Problem der Wahrnehmung, weil es direkt bestimmt, wie KI dich möglichen Käufern präsentiert.
Einfluss
Warum sagt KI, was sie sagt?
Die meisten Teams überspringen diese Ebene. Genau das führt zu den teuersten Fehlern.
Weißt du, was KI von dir hält, hilft dir diese Ebene zu verstehen, warum sie das denkt. Welche Quellen prägen ihre Sicht? Wie beeinflusst die Struktur deiner Inhalte die Verknüpfungen, die sie herstellt? Hier setzt du an, wenn du verändern willst, was das Modell sagt.
Entity Map
Eine Karte davon, wie die Inhalte deiner Marke aufgebaut sind und wie dieser Aufbau die Verknüpfungen prägt, die KI herstellt. Kennst du deine Entity Map, verstehst du, warum KI deine Marke mit bestimmten Themen verknüpft und mit anderen nicht. Du erkennst auch, was du ändern musst, um diese Verknüpfungen zu beeinflussen.
KI-Zitationsdaten
Die Quellen, auf die die KI zurückgreift, wenn sie über deine Marke spricht: welche Plattformen, welche Arten von Inhalten, welche Domains. Daran siehst du, woher deine Sichtbarkeit tatsächlich kommt und, genauso wichtig, wo deine Wettbewerber zitiert werden und du nicht. Zitationen gehören zur Ebene des Einflusses: Sie prägen direkt, was das Modell über deine Marke lernt und sagt.
Mehr Inhalte zu veröffentlichen schließt eine inhaltliche Lücke. Es behebt kein strukturelles Problem in der Organisation deiner Inhalte und ändert nichts daran, aus welchen Quellen das Modell schöpft. Ebene 3 zeigt dir, wo du ansetzen musst, bevor du Zeit an der falschen Stelle verlierst.
Methodik
Woher weißt du, dass deine Messungen stimmen?
Ebene 1, 2 und 3 klären, was du messen solltest. Ebene 4 klärt, wie du so misst, dass du dich auf das Ergebnis verlassen kannst.
Diesen Teil lassen die meisten Leitfäden weg, weil er eher nach technischer Grundlagenarbeit als nach Strategie klingt. Doch diese Grundlage ist entscheidend. Sind deine Prompts schlecht gestaltet, werden deine Share-of-Voice-Daten verzerrt. Ist deine Entitätsanalyse uneinheitlich, bilden deine Topical-Presence-Werte die Wirklichkeit nicht ab. Enthält schon deine Datenerhebung zu viel Rauschen, sind auch alle darauf aufbauenden Auswertungen verrauscht.
Ebene 4 steht am Ende des Leitfadens, nicht weil sie Nebensache ist, sondern weil du zu ihr zurückkehrst, sobald deine Zahlen keinen Sinn mehr ergeben.
Kap. 7: Kanäle der KI-Sichtbarkeit
Trainingsdaten und Live-Suche. Was diese beiden Kanäle sind, warum sie sich unterschiedlich verhalten und warum du nur ein halbes Bild bekommst, wenn du nur einen davon misst.
Kap. 8: Prompt-Tracking
Wie du Prompt-Sets aufbaust, die dir einheitliche und unverzerrte Daten liefern. Die Prompts, die du verwendest, prägen die Ergebnisse, die du bekommst, und die meisten Teams machen hier Fehler, ohne es zu merken.
Kap. 9: NLP und Entitätsanalyse
Wie KI Begriffe gruppiert, wie du erfasst, mit welchen Themen deine Marke verbunden ist und mit welchen nicht, und wie du Probleme mit Entitäten an der Wurzel erkennst statt an der Oberfläche.
Kap. 10: Methoden der Datenerhebung
APIs, Scraping und manuelle Tests. Wie du KI-Antworten in großem Umfang sammelst, ohne Verzerrungen einzubauen, die deine Trenddaten unbrauchbar machen.
Lass ein paar Prompts laufen. Sammle Daten. Fang an, dir ein Bild zu machen. Du brauchst nicht vom ersten Tag an ein makelloses Setup. Aber irgendwann, meist wenn deine Daten Ergebnisse liefern, die nicht zu dem passen, was du in der Wirklichkeit siehst, wirst du hierher zurückkommen und deine Grundlagen prüfen wollen.
So nutzt du diesen Leitfaden
Du musst nicht vorne anfangen
Dieser Leitfaden funktioniert als Nachschlagewerk genauso gut wie zum Durchlesen. Nur Kapitel 0 solltest du zuerst lesen, denn es ist die Landkarte. Danach gehst du direkt dorthin, wo dein eigentliches Problem liegt.
Ich habe keine Ahnung, wie KI meine Marke sieht
Beginne mit Kapitel 1 (Die KI-Wettbewerbskarte). Es liefert dir am schnellsten ein klares erstes Bild.
Mein Share of Voice ist niedrig, und ich weiß nicht, warum
Beginne mit Kapitel 3 (AI Topical Presence). Dort liegt fast immer die Antwort.
KI erzählt Falsches über meine Marke
Beginne mit Kapitel 4 (Faktentreue). Danach hilft dir Kapitel 5 (Entity Map) dabei, die strukturellen Ursachen dahinter zu verstehen.
Ich will zuerst das ganze Bild verstehen
Lies Kapitel 0, Kapitel 1 und Kapitel 2 der Reihe nach. Damit hast du das Messmodell, deinen Ausgangspunkt im Wettbewerb und deinen Ausgangswert beim Share of Voice.
Ich will eine saubere Messgrundlage aufbauen
Geh direkt zu Ebene 4: Kapitel 7, Kapitel 8, Kapitel 9 und Kapitel 10. Dort steht alles, was du für verlässliche und wiederholbare Daten brauchst.
Jedes Kapitel erwähnt, wie Waikay die jeweilige Kennzahl erfasst. Diese Stellen sind klar markiert und leicht zu überspringen, wenn du dein eigenes Setup aufbaust. Vor allem die Kapitel zur Methodik sind so geschrieben, dass sie dir nützen, ganz gleich, mit welchen Tools du arbeitest.
