Bitte ChatGPT, eine Lösung aus deiner Kategorie zu empfehlen. Taucht deine Marke nicht auf, liegt das Problem tiefer als bei einer einzelnen Seite oder einem Ranking. Die KI hat nie gelernt, deine Marke mit den Themen zu verbinden, nach denen Käufer fragen.

AI Topical Presence ist eine Kennzahl, die misst, wie stark und wie breit eine Marke in KI-Empfehlungen mit den kaufrelevanten Themen ihres Markts verbunden ist.

AI Share of Voice sagt dir, ob du in KI-Antworten vorkommst. AI Topical Presence sagt dir, wofür. Genau diese Frage erklärt deinen Wert und zeigt dir, was du tun kannst.

Die Kurzfassung

Google bewertet Seiten. KI-Modelle bilden Verknüpfungen. AI Topical Presence misst, wie stark (und wie breit) eine KI deine Marke mit den kaufrelevanten Themen deines Markts verbindet.

Wie KI Fragen zu deinem Markt beantwortet

Fragt jemand ChatGPT, Gemini oder Perplexity nach einer Produktempfehlung, durchsucht das Modell das Web nicht so, wie Google es tut. Es greift auf ein riesiges Netz von Verknüpfungen zurück, das im Training entstanden ist: Milliarden Webseiten, Diskussionen in Communitys, Bewertungsportale und technische Dokumentationen, aufgenommen in einem Trainingszeitraum, der ein bis drei Jahre zurückliegen kann.

Aus all dem hat sich das Modell ein Bild deines Markts gemacht: welche Marken es gibt, worin sie gut sind, welche Anwendungsfälle sie abdecken und mit welchen Standards und Frameworks sie verbunden sind.

Bittet ein Käufer in einer KI-Suche um eine Empfehlung, holt das Modell die Marken hervor, deren thematische Verknüpfungen am besten zur Anfrage passen. Es bewertet keine Seiten. Es ordnet Marken Begriffen zu.

Das ist etwas grundlegend anderes als Google. Google bewertet Seiten. KI-Modelle bilden Verknüpfungen. Eine gut optimierte Seite zu „Endpoint-Protection-Software“ kann in der Suche auf Platz eins stehen, während das KI-Modell die Marke nur schwach mit Endpoint Protection verbindet. Der Grund: Die Seite gibt es zwar, aber im Web insgesamt wurde nie das thematische Umfeld aufgebaut, das die Marke mit diesem Begriff verbindet.

Viele Marken mit starken Rankings in der Suche sind deshalb in KI-Empfehlungen trotzdem kaum sichtbar. Ihr Aufwand floss in die Optimierung einzelner Keywords. KI-Sichtbarkeit verlangt etwas anderes: tiefe und breite Verknüpfungen in vielen unterschiedlichen Zusammenhängen.

Was thematische Verknüpfung bedeutet

Thematische Verknüpfung (Topic Association) ist die Menge der Begriffe, die die KI mit einer Marke verbindet, wenn sie eine Empfehlung erzeugt. 

Nimm eine Marke aus dem Bereich Cybersecurity-Software. Beantwortet ein KI-Assistent die Bitte „Empfiehl mir Sicherheitstools für Unternehmen“, holt er nicht einfach Markennamen hervor. Er gleicht Marken mit einer Gruppe verwandter Begriffe ab: Endpoint Protection und Zero-Trust-Architektur, Compliance-Frameworks wie SOC 2 und ISO 27001, Threat Intelligence und Identity and Access Management sowie Standards wie NIST oder MITRE ATT&CK.

Eine Marke, die mit all diesen Begriffen stark verbunden ist, taucht in KI-Empfehlungen regelmäßig auf. Eine Marke, die nur mit ein oder zwei davon verbunden ist oder über die es nur wenige Inhalte gibt, erscheint selten oder gar nicht.

Genau diese Lücke macht AI Topical Presence sichtbar. Nicht „Du wirst nicht erwähnt“, sondern „Die KI verbindet dich nicht mit diesen bestimmten Themen, nach denen Käufer fragen“.

Lücken bei thematischen Verknüpfungen gibt es in zwei Formen:

Fehlende Verknüpfungen: Die KI hat nicht gelernt, deine Marke mit einem relevanten Begriff zu verbinden. Deine Inhalte decken ihn nicht ab, du kommst in Diskussionen darüber nicht vor, und dem Modell fehlt jede Grundlage für die Verbindung. Das ist das häufigere Problem und das, das sich leichter beheben lässt.

Verdrängte Verknüpfungen: Ein Wettbewerber deckt ein Thema so gründlich ab, dass die KI es vor allem mit ihm verbindet. Das ist schwerer zu ändern, kommt aber seltener vor, als es scheint. Anders als Rankings in der Suche sind KI-Modelle kein Nullsummenspiel: Wenn einer gewinnt, muss nicht zwangsläufig ein anderer verlieren. Zu beachten ist allerdings, dass das zwar für die Ebene der Verknüpfungen gilt, oft aber nicht für die Antwort selbst. Die meisten Prompts nach Empfehlungen liefern drei bis fünf Marken.

In der Praxis gehen die meisten Lücken bei der KI-Sichtbarkeit auf fehlende Verknüpfungen zurück. Der Wettbewerber gewinnt nicht, weil er das Feld besetzt hat, sondern weil deine Marke im Gespräch nicht vorkam. Abwesenheit lässt sich leichter beheben als Verdrängung. Das ist die gute Nachricht.

Beispiel einer Tabelle mit thematischen Verknüpfungen

Beispiel einer Tabelle mit thematischen Verknüpfungen und der berechneten AI Topical Presence für jede Marke, die in den KI-Antworten vorkommt

Warum es sich lohnt, AI Topical Presence zu messen

Mit AI Share of Voice fangen die meisten Teams an, und das ist ein vernünftiger Anfang. Die Kennzahl sagt dir, wie oft deine Marke in einer Reihe relevanter KI-Antworten vorkommt.

Für sich genommen ist der Share of Voice aber ein Wert ohne Diagnose. Weißt du, dass dein AI Share of Voice bei 8% liegt, weißt du, wo du stehst. Du weißt nicht, warum es 8% sind und welche Themen dich aus KI-Empfehlungen heraushalten, in denen du eigentlich vorkommen solltest.

Zwei Marken können aus völlig unterschiedlichen Gründen denselben Share of Voice haben: Die eine ist mit vielen Themen verbunden, mit jedem aber nur schwach. Die andere ist mit zwei oder drei Themen tief verbunden und überall sonst unsichtbar.

AI Topical Presence ist die Kennzahl, die den Wert erklärt. Sie beantwortet drei Fragen, die der Share of Voice nicht beantworten kann:

Wo bist du sichtbar? Welche Themen verbindet die KI schon mit deiner Marke, und wie stark?

Wo fehlst du? Welche Themen gehören deinen Wettbewerbern, ohne dass deine Marke überhaupt damit verbunden ist?

Wie stabil ist deine Position? Hängt deine KI-Sichtbarkeit an ein oder zwei Themen, oder ist sie auf viele verteilt? Eine Marke, die nur bei wenigen Themen sichtbar ist, kann mit dem nächsten Modell-Update deutlich abrutschen.

Beispiel: Eine Cybersecurity-Marke hat einen AI Share of Voice von 12%. Für eine umkämpfte Kategorie ist das ordentlich. Die Analyse der AI Topical Presence zeigt aber starke Verknüpfungen mit „Firewall“ und „Antivirus“ und fast keine mit „Zero Trust“, „SASE“ und „Cloud Security Posture“. Genau nach diesen Themen fragen Käufer, wenn sie Sicherheitsplattformen für Unternehmen vergleichen. Dieser Share of Voice von 12% ist anfällig: Er beruht vor allem auf älteren Begriffen. Bei Anfragen, die neue Verkaufschancen eröffnen, fehlt die Marke dagegen.

AI Share of Voice sagt dir, ob du vorkommst. AI Topical Presence sagt dir, wofür.

Eine Marke mit hohem AI Share of Voice, aber schwacher AI Topical Presence erscheint häufig, ist aber nur oberflächlich mit den relevanten Themen verknüpft. Ändert das Modell, wie es Verknüpfungen gewichtet, ist sie angreifbar. Eine Marke mit starker AI Topical Presence, aber niedrigerem Share of Voice hat die richtige Grundlage gelegt, erscheint aber noch vergleichsweise selten in KI-Antworten. Erst beide Werte zusammen ergeben das ganze Bild.

AI Topical Presence und AI Share of Voice im Vergleich

Im Screenshot oben hat Clearscope beim Prompt „What are the best semantic SEO tools“ den höchsten AI Share of Voice. Die höchste Topical Presence hat aber Surfer SEO, weil es stärker mit den verwandten Themen verknüpft ist.

Was AI Topical Presence misst

AI Topical Presence ist ein einzelner Wert von 0 bis 100. Er bildet ab, wie stark eine Marke über alle Prompts nach Empfehlungen hinweg mit Themen verknüpft ist und wie dieses Profil aussieht. Er setzt sich aus drei Bestandteilen zusammen, die mit Koeffizienten nach ihrer Bedeutung gewichtet werden.

1. Tiefe (Depth)

Die Tiefe misst, wie stark die KI deine Marke mit relevanten Themen verbindet, gewichtet danach, wie wichtig diese Themen in deinem Markt sind.

Für jedes Thema messen wir, wie oft die KI deine Marke damit verbindet, im Verhältnis zur meistgenannten Marke bei diesem Thema. Dieses Verhältnis wird mit der Bedeutung des Themas in deinem Markt gewichtet und über alle Themen addiert. Das Ergebnis wird am Tiefenwert des Marktführers normiert.

Depth = Σ (frequency / marketMaxFreq) × topicWeight
DepthNorm = Depth / maxDepth

Eine Marke, die in KI-Empfehlungen zu wichtigen Themen mit klarer Kaufabsicht oft vorkommt, erzielt einen höheren Tiefenwert als eine Marke, die häufig bei weniger relevanten Themen genannt wird.

Vergleich für Marketingverantwortliche: Stell dir die Tiefe als Share of Voice in den Gesprächen vor, die tatsächlich über Käufe entscheiden, nicht bloß in Erwähnungen, die die Bekanntheit steigern.

2. Breite (Breadth)

Die Breite misst, mit wie vielen der zentralen kaufrelevanten Themen deines Markts die KI deine Marke verbindet. Sie arbeitet dabei mit einer weichen Bewertungskurve statt mit einer harten Schwelle.

Statt nur zu prüfen, ob eine Schwelle überschritten ist oder nicht, nutzt die Breite eine logarithmische Funktion, die auch Verknüpfungen teilweise anrechnet, die erst entstehen. Eine Marke, die gerade anfängt, in Diskussionen zu einem Thema aufzutauchen, bekommt einen Teil der Punkte. Eine Marke mit starker, etablierter Präsenz bei diesem Thema bekommt die volle Punktzahl. Der Beitrag jedes Themas wird nach seiner Bedeutung gewichtet, und die Berechnung umfasst die 40 wichtigsten Kernthemen des Markts. Das Ergebnis wird am Breitenwert des Marktführers normiert.

Breadth = Σ min(1, log(1 + frequency) / log(1 + presenceThreshold)) × topicWeight
BreadthNorm = Breadth / maxBreadth

Warum Breite zählt: Käufer stellen ihre Fragen auf viele verschiedene Arten. Eine Marke, die mit vielen Themen verknüpft ist, erscheint bei mehr Anfragen nach Empfehlungen. Ist sie nur mit wenigen Themen verknüpft, taucht sie nur auf, wenn die Anfrage zufällig zu diesen Themen passt.

3. Konzentration (Concentration)

Die Konzentration misst, wie gleichmäßig sich die thematischen Verknüpfungen verteilen. Dafür wird der Herfindahl-Hirschman-Index (HHI) der Erwähnungsanteile deiner Marke über alle Themen berechnet.

Concentration = Σ (frequency / brandTotal)²

Entfallen 80% aller KI-Erwähnungen einer Marke auf ein einziges Thema, ist sie im Marktbild der KI im Grunde eine Ein-Themen-Marke. Hohe Konzentration ist ein Risiko: Ein Modell-Update oder ein Wettbewerber, der in dieses Thema vorstößt, und der Wert fällt deutlich. In der Formel führt Konzentration deshalb zu Abzug (geringe Konzentration wirkt sich positiv auf den Wert aus).

Die Formel der AI Topical Presence

Die drei Bestandteile werden mit gewichteten Koeffizienten zusammengeführt:

TP = ( α × DepthNorm + β × BreadthNorm − γ × Concentration ) × 100

Dass die Formel gewichtet addiert und nicht rein multipliziert, hat einen praktischen Grund. In einem multiplikativen Modell würde eine Null bei einem einzigen Bestandteil den ganzen Wert auf null setzen. Marken, die in einem engen Bereich stark sind (tief bei wenigen Themen, aber noch nicht breit), würden so unfair bestraft. Mit der Gewichtung trägt jeder Bestandteil anteilig bei, und das Verhältnis von Tiefe, Breite und Anfälligkeit bleibt trotzdem sichtbar.

Gut schneidet eine Marke ab, die stark mit vielen relevanten Themen verbunden ist und von keinem einzelnen davon abhängt.

Beispiel: Eine Marke mit DepthNorm 0.8, BreadthNorm 0.7 und Concentration 0.2 erreicht mit den Beispielgewichten α=0.45, β=0.40, γ=0.15 diesen Wert: (0.45 × 0.8 + 0.40 × 0.7 − 0.15 × 0.2) × 100 = 61.0. Eine Marke mit gleicher Tiefe und Breite, aber Concentration 0.7 erreicht: (0.45 × 0.8 + 0.40 × 0.7 − 0.15 × 0.7) × 100 = 53.5. Der Abzug für die Anfälligkeit senkt den Wert, aber weniger drastisch als in einem multiplikativen Modell. Das ist angemessen, denn eine konzentrierte Marke ist nicht wertlos, nur angreifbarer.

So deutest du einen AI-Topical-Presence-Score

AI Topical Presence ist eine relative Kennzahl. Sie wird an der Marke mit dem höchsten Wert im Datensatz normiert, ein Wert von 100 gehört also immer der Marke mit dem stärksten Verknüpfungsprofil in diesem Wettbewerbsumfeld. Der Wert ist relativ zum Markt und nicht absolut. So lässt er sich ehrlich ausweisen.

Weil Tiefe und Breite jeweils getrennt am eigenen Marktführer normiert werden, kann bei jedem Bestandteil ein anderes Unternehmen vorne liegen. Eine Marke kann bei DepthNorm 1.0 und bei BreadthNorm 0.4 erreichen, wenn sie bei der Tiefe führt, bei der Breite aber nur Mittelmaß ist. Hinter einem mittleren Gesamtwert können also sehr unterschiedliche Profile stecken. Die Aufschlüsselung nach Bestandteilen zeigt dir, wo du ansetzen musst.

In jungen oder zersplitterten Kategorien kann selbst der höchste Wert im Datensatz absolut gesehen niedrig sein, manchmal unter 35. Das heißt nicht, dass die Kennzahl nicht funktioniert. Es heißt, dass in diesem Feld noch keine Marke dominante thematische Verknüpfungen aufgebaut hat. Und das ist selbst eine strategische Erkenntnis: Das Feld ist noch frei.

Tier
% of leader
What it means
Strategic signal

Kategorieführer

≥ 75% des Höchstwerts

Breite, beständige KI-Präsenz

Themenpositionen sichern

Mittelfeld

45–74%

Sichtbar, aber lückenhaft

Lücken finden und schließen

Nische oder im Aufbau

20–44%

Nur bei wenigen Themen präsent oder erst im Aufbau

Dringend Breite aufbauen

Kaum Präsenz

< 20%

In KI-Antworten weitgehend abwesend

Bei null anfangen

Was dir eine Lücke bei der AI Topical Presence sagt (und was nicht)

Zeigt sich eine Lücke, also ein Thema, mit dem KI-Empfehlungen deine Wettbewerber stark verbinden, deine Marke aber nicht, liegt der Reflex nahe, sofort ein Content-Briefing in Auftrag zu geben. Oft ist das verfrüht.

Eine Lücke bei den Verknüpfungen kann eins von drei Dingen bedeuten:

Eine Lücke im Produkt: Dein Produkt kann das gar nicht. Inhalte darüber schaffen ein anderes Problem: Du baust KI-Sichtbarkeit für etwas auf, das du nicht liefern kannst.

Eine Lücke in der Dokumentation: Dein Produkt kann es, aber es ist nicht so dokumentiert, dass die KI es finden und mit deiner Marke verbinden kann.

Eine Lücke in der inhaltlichen Tiefe: Es ist dokumentiert, aber zu dünn oder zu eng, als dass die KI eine nennenswerte Verknüpfung hätte bilden können.

Jede Antwort führt woandershin. Eine Lücke im Produkt ist ein Thema für die Produktplanung. Eine Lücke in der Dokumentation ist ein Fall für die technische Redaktion. Eine Lücke in der inhaltlichen Tiefe ist eine Frage der Content-Strategie.

Die Analyse der AI Topical Presence zwingt dich, die richtige Frage zu stellen, bevor du in Inhalte investierst. Das ist ein ganz anderer strategischer Nutzen als bei einem Tool, das nur eine Keyword-Liste ausgibt.

Die Frage lautet nicht: „Haben wir eine Seite zu diesem Thema?“ Sie lautet: Wenn jemand alles läse, was die KI über dieses Thema weiß, würde unsere Marke dann als glaubwürdige, sachkundige Stimme in diesem Gespräch erkennbar?

Unterm Strich

AI Topical Presence ist keine Kennzahl fürs Ego. Sie ist ein Diagnosewerkzeug, das dir mit angemessener Genauigkeit zeigt, wo deine Marke im Marktbild der KI steht und bei welchen Themen Lücken bestehen, durch die dir Verkaufschancen entgehen.

Für SEO-Fachleute verschiebt sich damit der Schwerpunkt: Es geht nicht mehr nur um gute Platzierungen einzelner Seiten, sondern darum, Themen so umfassend abzudecken, dass KI-Modelle sie in Suchantworten und Empfehlungen mit deiner Marke verbinden.

Für Marketingverantwortliche beantwortet sie eine Frage, die Analystenberichte und Battle Cards nicht beantworten können: Wofür hält die KI deine Marke für relevant? Und was denkt sie über deine Wettbewerber?

Genau diese Fragen entscheiden immer öfter, ob du in der KI-Empfehlung auftauchst, bevor ein Käufer überhaupt mit deinem Vertrieb spricht.

Geschrieben von Fred Laurent (März 2026)