Grundlagen
AI Visibility
AI Visibility beschreibt, wie sichtbar, korrekt und wiederkehrend eine Marke, Person, Website, Quelle oder Entität in generativen KI-Antworten erscheint. Entscheidend ist nicht nur, ob eine Entität genannt wird, sondern auch in welcher Rolle, bei welchen Nutzerfragen, mit welcher Bewertung und neben welchen Wettbewerbern.
WARUM WICHTIG
KI-Antworten reduzieren Auswahlräume stark. Wer nicht genannt, falsch eingeordnet oder nur in einer schwachen Rolle dargestellt wird, verliert bereits vor dem eigentlichen Klick oder Kauf an Relevanz.
BEISPIEL
Eine Marke erscheint bei allgemeinen Informationsfragen regelmäßig, fehlt aber bei konkreten Empfehlungsfragen. Ihre AI Visibility ist dann vorhanden, aber strategisch noch nicht ausreichend.
VERWANDTE BEGRIFFE
GEOPrompt TrackingMentionCitationAI Evoked SetRollenverankerung
GEO, Generative Engine Optimization
Generative Engine Optimization beschreibt die gezielte Optimierung dafür, wie generative KI-Systeme eine Entität erkennen, einordnen, darstellen, vergleichen und empfehlen. AI Visibility beschreibt das Ergebnis, GEO die Arbeit daran.
WARUM WICHTIG
Generative Systeme erzeugen Antworten, keine klassischen Trefferlisten. Sichtbarkeit entsteht deshalb nicht nur über Rankings, sondern über Erwähnungen, Quellen, Rollen, Vergleichskontexte und semantische Anschlussfähigkeit.
BEISPIEL
Ein Unternehmen verbessert seine Faktenbasis, stärkt relevante Quellen und misst über Prompt Tracking, ob es in ChatGPT, Gemini, Google AI Overviews und Perplexity bei passenden Nutzerintents korrekt genannt wird.
VERWANDTE BEGRIFFE
AI VisibilityGroundingPrompt TrackingEntity-SedimentierungRollenverankerung
KI-semantische Markenführung
KI-semantische Markenführung beschreibt die strategische Steuerung der Bedeutung, Rolle und Anschlussfähigkeit einer Marke in generativen KI-Systemen. Es geht nicht nur darum, sichtbar zu sein, sondern darum, wofür eine Marke im Modell- und Quellenraum steht.
WARUM WICHTIG
KI-Systeme ordnen Marken in Bedeutungsräume ein. Wenn diese Einordnung unklar, veraltet oder fremdbestimmt ist, entstehen falsche Vergleiche, schwache Empfehlungen oder fehlende Sichtbarkeit in wichtigen Intents.
BEISPIEL
Eine Marke wird nicht nur als Anbieter genannt, sondern stabil mit einer bestimmten Kategorie, Zielgruppe, Stärke und Nutzungssituation verbunden.
VERWANDTE BEGRIFFE
RollenverankerungModellraumEntity-SedimentierungAI VisibilitySemantische Konflikte
Marktsegment
Ein Marktsegment ist ein Bedeutungsraum aus Anbietern, Angeboten, Nutzererwartungen, Quellen und Vergleichslogiken. Beispiele sind „Rezeptplattformen in Deutschland", „Fahrrad-Onlinehandel" oder „AI Visibility Tools".
WARUM WICHTIG
KI-Systeme ordnen eine Frage zuerst einem Bedeutungsraum zu. Wie stabil dieses Segment im Modell und im Quellenraum verankert ist, prägt die Anbieterwahl, die Antwortstruktur und die erwarteten Belege.
BEISPIEL
„Gravelbikes mit Onlineberatung in Deutschland" ist ein engeres Segment als „Fahrräder". Dadurch entstehen andere Wettbewerber, andere Nutzerintents und andere Quellenmuster.
VERWANDTE BEGRIFFE
MarktsegmentreifeSegmentreifeRe-SegmentierungSemantische NachbarschaftPrompt Set
Entität
Eine Entität ist ein eindeutig identifizierbares Objekt im Bedeutungsraum generativer KI-Systeme. Das kann eine Marke, Firma, Person, Website, ein Produkt, Ort, Event oder Begriff sein.
WARUM WICHTIG
Nur klar erkennbare Entitäten werden über Modelle, Prompts und Quellen hinweg stabil beschrieben, korrekt abgegrenzt und passenden Kontexten zugeordnet.
BEISPIEL
„ROSE Bikes GmbH" ist eine Entität. „Fahrradhersteller und Fahrrad-Onlinehandel in Deutschland" ist ein mögliches Marktsegment.
VERWANDTE BEGRIFFE
Entity-SedimentierungRollenverankerungGrounding PageKnowledge GraphModellraum
SEO
SEO steht für Search Engine Optimization. SEO umfasst Maßnahmen, mit denen Webseiten in klassischen Suchmaschinen besser gefunden, verstanden, indexiert, gerankt und geklickt werden können.
WARUM WICHTIG
SEO bleibt eine Grundlage digitaler Sichtbarkeit, weil KI-Systeme häufig auf Webinhalte, Suchindizes, Quellen, strukturierte Daten und etablierte Autoritätssignale zurückgreifen. GEO ersetzt SEO nicht, sondern erweitert Sichtbarkeitsarbeit um generative Antwortsysteme.
BEISPIEL
SEO optimiert eine Ratgeberseite für ein Keyword. GEO fragt zusätzlich, ob die Marke, Quelle oder Information in einer KI-Antwort genannt, genutzt oder zitiert wird.
VERWANDTE BEGRIFFE
GEOAI VisibilityGroundingSource VisibilityCitation
Prompt Tracking und Auswertung
Prompt Tracking
Prompt Tracking misst wiederholt, wie generative KI-Systeme auf definierte Prompts antworten. Erfasst werden zum Beispiel Mentions, Citations, Antwortpositionen, Rollen, Bewertungen, Quellen, Aussagen und Veränderungen über Zeit.
WARUM WICHTIG
Einzelne KI-Antworten sind Momentaufnahmen. Erst wiederholtes Tracking über Prompts, Intents, Modelle und Zeit zeigt stabile Muster, Varianz, Chancen und Risiken.
BEISPIEL
Ein Prompt Set läuft regelmäßig gegen ChatGPT, Gemini und Perplexity. Die Ergebnisse zeigen, welche Marken bei welchen Intents stabil vorkommen und welche Quellen wiederkehrend zitiert werden.
VERWANDTE BEGRIFFE
Prompt SetIntentTopicMentionCitationAI Visibility
Prompt Set
Ein Prompt Set ist eine strukturierte Sammlung repräsentativer Nutzerfragen, mit der ein Marktsegment, eine Marke oder ein Thema in generativen KI-Systemen untersucht wird. Gute Prompt Sets bilden verschiedene Intents, Frageformen, Nutzungssituationen und Vergleichskontexte ab.
WARUM WICHTIG
Die Qualität des Prompt Sets entscheidet, ob ein Tracking echte Sichtbarkeit misst oder nur ein zufälliges Mischbild erzeugt.
BEISPIEL
Ein Segment wird nicht nur mit „beste Anbieter" gemessen, sondern mit Prompts zu Vergleich, Auswahl, Preis, Zielgruppe, Problemen, Alternativen und konkreten Nutzungssituationen.
VERWANDTE BEGRIFFE
Prompt TrackingIntentTopicPrompt-Intent-AbdeckungRankscale Prompt Research
Intent
Ein Intent ist die Nutzerabsicht hinter einer Anfrage. Im AI Visibility Audit ist entscheidend, ob ein Nutzer verstehen, vergleichen, kaufen, auswählen, prüfen, lokal finden, ein Problem lösen oder eine Alternative bewerten möchte.
WARUM WICHTIG
Unterschiedliche Intents aktivieren unterschiedliche Antwortmuster, Anbieter, Quellen und Bewertungen. Eine Marke kann bei einem Intent stark sichtbar sein und bei einem anderen vollständig fehlen.
BEISPIEL
„Was ist ein Reiskocher?", „beste Reiskocher für Sushi-Reis" und „Reiskocher online kaufen" gehören zum selben Themenfeld, erzeugen aber unterschiedliche Antwortlogiken.
VERWANDTE BEGRIFFE
Intent-ClusterTopicPrompt SetAntwortmuster
Intent-Cluster
Ein Intent-Cluster bündelt verwandte Nutzerabsichten zu einer auswertbaren Gruppe. Dadurch lassen sich Prompts nicht nur einzeln, sondern nach Entscheidungssituation analysieren.
WARUM WICHTIG
Cluster machen Tracking-Ergebnisse interpretierbar. Muster werden pro Absicht sichtbar, statt in einem Durchschnittswert zu verschwinden.
BEISPIEL
Das Cluster „Preis und Konditionen" umfasst Prompts zu Kosten, Tarifen, Rabatten und Preisvergleich.
VERWANDTE BEGRIFFE
IntentTopicPrompt SetPrompt Tracking
Topic
Ein Topic ist eine organisatorische Auswertungseinheit im Prompt Tracking. Es bündelt mehrere Prompt-Varianten zu einem Thema, Intent oder Entscheidungskontext.
WARUM WICHTIG
Topics verhindern, dass unterschiedliche Nutzerabsichten in einem Durchschnittswert verschwinden. Sie machen sichtbar, wo eine Marke stark ist und wo sie fehlt.
BEISPIEL
Das Topic „Onlineberatung" enthält Prompts zu Beratung, Produktauswahl, Kaufhilfe, Vergleich und Service.
VERWANDTE BEGRIFFE
Prompt SetIntentIntent-ClusterPrompt Tracking
Prompt-Intent-Abdeckung
Prompt-Intent-Abdeckung beschreibt, wie gut eine Marke über die relevanten Nutzerabsichten eines Segments hinweg in KI-Antworten vertreten ist.
WARUM WICHTIG
Eine Marke kann bei allgemeinen Informationsfragen sichtbar sein, aber bei konkreten Auswahl-, Kauf- oder Vergleichsfragen fehlen. Erst die Intent-Abdeckung zeigt, ob Sichtbarkeit strategisch relevant ist.
BEISPIEL
Ein Anbieter erscheint bei „Was ist X?", fehlt aber bei „beste Anbieter für X" und „X Alternative für mittelständische Unternehmen".
VERWANDTE BEGRIFFE
IntentPrompt SetAI VisibilityTopicShare of Answer
Valenz
Valenz beschreibt die qualitative Bewertung oder Tonalität, mit der eine Marke, Quelle oder Entität in einer KI-Antwort dargestellt wird. Sie kann positiv, neutral, kritisch oder ambivalent sein.
WARUM WICHTIG
Eine Mention allein reicht nicht. Entscheidend ist, ob eine Marke empfohlen, eingeschränkt, kritisch eingeordnet oder nur beiläufig erwähnt wird.
BEISPIEL
Eine Marke wird genannt, aber mit Hinweisen auf hohe Preise, komplizierte Nutzung oder schwache Bewertungen versehen.
VERWANDTE BEGRIFFE
MentionSentiment-AnalyseAntwortmusterAI Visibility
Source Visibility
Source Visibility beschreibt, ob und wie sichtbar eine Quelle in KI-Antworten, Quellenboxen, Zitaten oder Retrieval-Ergebnissen erscheint. Gemeint ist nicht nur, ob eine Marke genannt wird, sondern ob die eigene Website, Domain oder Quelle als Informationsbasis sichtbar wird.
WARUM WICHTIG
Eine Marke kann erwähnt werden, ohne dass ihre Website als Quelle erscheint. Umgekehrt kann eine Website als Quelle genutzt werden, ohne dass die Marke prominent empfohlen wird.
BEISPIEL
Ein KI-System nennt mehrere Anbieter in einer Kaufberatung. Wenn die eigene Domain in den Quellen erscheint, hat sie Source Visibility.
VERWANDTE BEGRIFFE
CitationMentionShare of AnswerGroundingQuelle
Share of Answer
Share of Answer beschreibt die relative Präsenz einer Marke, Quelle, Entität oder Position innerhalb einer KI-Antwort im Vergleich zu anderen genannten Optionen.
WARUM WICHTIG
In KI-Antworten gibt es nicht immer feste Trefferpositionen wie in klassischen Suchergebnissen. Trotzdem kann eine Marke stark, schwach, ausführlich oder nur beiläufig vertreten sein.
BEISPIEL
Wenn eine KI-Antwort fünf Anbieter vergleicht und eine Marke ausführlich mit Vorteilen, Einsatzbereich und Quelle beschreibt, hat diese Marke einen höheren Share of Answer.
VERWANDTE BEGRIFFE
AI VisibilityMentionCitationSource VisibilityAI Evoked Set
Modellwissen und Semantik
Modellwissen
Modellwissen bezeichnet die im Training entstandene statistische Repräsentation von Begriffen, Entitäten, Fakten und Zusammenhängen in einem KI-Modell. Es ist keine klassische Datenbank, sondern ein verdichteter Bedeutungsraum, der durch Prompt-Kontext, Systemanweisungen, Retrieval und Toolnutzung ergänzt oder überlagert werden kann.
WARUM WICHTIG
Was im Modellwissen stabil verankert ist, prägt Antworten auch dann, wenn keine externe Quelle abgerufen wird. Lücken, veraltete Fakten oder schwach verankerte Entitäten müssen durch Grounding, Quellenarbeit und klare Entitätsinformationen ausgeglichen werden.
BEISPIEL
Eine seit vielen Jahren breit dokumentierte Marke wird häufig auch ohne Quellenabruf korrekt eingeordnet. Ein neues Produkt aus dem Jahr 2026 muss dagegen über aktuelle Quellen sichtbar werden.
VERWANDTE BEGRIFFE
Pre-TrainingPretraining-CutoffGroundingModellraumEntity-Sedimentierung
Pre-Training
Pre-Training ist die Trainingsphase, in der ein Modell sein Grundwissen aus großen Textmengen aufbaut. Danach verändert sich dieses Grundwissen nicht mehr laufend; neue Informationen kommen erst über spätere Modellversionen oder über zusätzliche Quellen wie Grounding hinzu.
WARUM WICHTIG
Der Wissensstand eines Modells beeinflusst stark, welche Entitäten, Märkte und Fakten ohne Live-Websuche verfügbar sind. Neue Produkte, aktuelle Preise, frische Studien oder neue Markenrollen müssen deshalb über Quellen gestützt werden.
BEISPIEL
Wenn ein Modell bis Mitte 2025 trainiert wurde, kennt es ein Produktlaunch aus 2026 nicht aus dem Modellwissen. Es braucht aktuelle Quellen oder eine spätere Modellversion.
VERWANDTE BEGRIFFE
ModellwissenPretraining-CutoffGroundingRetrieval
Pretraining-Cutoff
Der Pretraining-Cutoff ist der Zeitpunkt, bis zu dem Informationen in das Trainingswissen eines Modells eingeflossen sind.
WARUM WICHTIG
Alles nach dem Cutoff existiert für das Modell nur über Grounding, Retrieval, Tools oder spätere Modellversionen. Neue Marken, Produkte und Fakten brauchen deshalb aktuelle Quellen und strukturierte Informationen.
BEISPIEL
Ein 2026 gestartetes Produkt ist im Modellwissen älterer Modellgenerationen nicht vorhanden und wird nur über externe Quellen sichtbar.
VERWANDTE BEGRIFFE
ModellwissenPre-TrainingGroundingEntity-Sedimentierung
Modellraum
Der Modellraum ist der semantische Bedeutungsraum eines KI-Modells. In ihm sind Begriffe, Entitäten, Kategorien und Konzepte nicht als feste Listen gespeichert, sondern über statistische Nähe, Muster und Bedeutungsbeziehungen miteinander verbunden.
WARUM WICHTIG
Die Position einer Marke oder eines Segments im Modellraum beeinflusst, mit welchen Begriffen, Wettbewerbern, Nutzerintents und Antwortmustern sie verknüpft wird.
BEISPIEL
Gravelbikes liegen im Modellraum zwischen Rennrad, Trekkingrad, Bikepacking, Outdoor und Sportausrüstung. Je nach Prompt kann ein System unterschiedliche Nachbarschaften aktivieren.
VERWANDTE BEGRIFFE
ModellwissenSemantische NachbarschaftSegmentreifeEntität
Segmentreife
Segmentreife beschreibt, wie stabil ein Marktsegment in generativen KI-Systemen als eigenständiger Bedeutungsraum erkannt wird. Reife Segmente haben klare Begriffe, stabile Anbieter, wiederkehrende Quellen und relativ konsistente Antwortmuster.
WARUM WICHTIG
Die Segmentreife beeinflusst, wie verlässlich Prompt Tracking ist, wie stark Grounding wirkt und wie klar sich Markenpositionen in KI-Antworten messen lassen.
BEISPIEL
Online-Banking ist ein reiferes Segment mit bekannten Anbietern und stabilen Vergleichsmustern. Ein junges Segment wie AI-Visibility-Monitoring kann je nach Prompt in mehrere Nachbarräume springen.
VERWANDTE BEGRIFFE
MarktsegmentMarktsegmentreifeModellraumRe-Segmentierung
Marktsegmentreife
Marktsegmentreife beschreibt, wie stabil ein konkretes Marktsegment im Modellwissen und in KI-Antworten ausgebildet ist. Sie reicht von fragmentiert und websignal-getrieben bis sedimentiert und modellwissen-getrieben.
WARUM WICHTIG
In reifen Segmenten kennt das Modell Begriffe, Anbieter und Rollen bereits relativ gut. In unreifen Segmenten hängt die Antwort stärker von aktuellen Quellen, Promptformulierung und Grounding ab.
BEISPIEL
„Supermärkte in Deutschland" ist deutlich reifer als „Grounding Pages für den Mittelstand". Bei einem unreifen Segment müssen erst Begriffe, Quellen und Rollen stabilisiert werden.
VERWANDTE BEGRIFFE
SegmentreifeModellwissenGroundingStabiler KernRollenverankerung
Re-Segmentierung
Re-Segmentierung beschreibt, wenn ein vormals stabiles Marktsegment durch neue Anbieter, Technologien, Kanäle, Nutzerintentionen oder Begriffe seine semantische Geschlossenheit verliert. Das Segment wird im Modellraum neu aufgeteilt oder fällt in eine niedrigere Stabilitätszone zurück.
WARUM WICHTIG
Re-Segmentierung ist relevant, wenn klassische Branchenlogik und KI-Antworträume auseinanderlaufen. Wer nur alte Kategorien misst, erkennt nicht, wo generative Systeme neue Vergleichsräume bilden.
BEISPIEL
Der Rezeptmarkt wird durch Food Creator, Apps, Videoformate und KI-Rezeptgeneratoren neu segmentiert. Ein ehemals klares Segment kann dadurch in mehrere neue Antworträume zerfallen.
VERWANDTE BEGRIFFE
MarktsegmentSegmentreifeModellraumSemantische Nachbarschaft
Entity-Sedimentierung
Entity-Sedimentierung beschreibt, wie tief eine einzelne Entität im Modell verankert ist. Je stärker eine Entität über Zeit, Quellen, Wiederholungen und Modellgenerationen hinweg sedimentiert ist, desto stabiler wird sie erkannt, beschrieben und passenden Kontexten zugeordnet.
WARUM WICHTIG
Sedimentierte Entitäten erscheinen stabiler in Antworten. Schwach sedimentierte Entitäten müssen stärker über Grounding, konsistente Quellen, strukturierte Fakten und klare Rollenverankerung gestützt werden.
BEISPIEL
Eine Marke, die seit Jahren in Medien, Branchenquellen, Vergleichsportalen und eigenen konsistenten Quellen beschrieben wird, ist meist stabiler verankert als ein neues Tool mit wenigen uneinheitlichen Erwähnungen.
VERWANDTE BEGRIFFE
ModellwissenEntitätRollenverankerungGrounding PagePretraining-Cutoff
Rollenverankerung
Rollenverankerung beschreibt, wie eindeutig eine Entität mit einer bestimmten Funktion, Kategorie oder Marktrolle verbunden ist. Eine Marke kann bekannt sein, aber trotzdem unklar verankert sein, wenn Systeme nicht stabil verstehen, wofür sie steht.
WARUM WICHTIG
Eine klare Rollenverankerung entscheidet, bei welchen Prompts eine Entität als passende Option erscheint. Ohne klare Rolle kann eine Marke genannt werden, aber in entscheidenden Antwortmustern fehlen.
BEISPIEL
Eine Software kann als CRM, Sales Tool, Marketing Automation oder Customer Platform verstanden werden. AI Visibility Arbeit muss klären, in welcher Rolle sie in KI-Antworten erscheinen soll.
VERWANDTE BEGRIFFE
EntitätEntity-SedimentierungGrounding PageAntwortmusterKI-semantische Markenführung
Semantische Nachbarschaft
Die semantische Nachbarschaft umfasst Begriffe, Segmente, Entitäten und Rollen, die im Modellraum nahe am analysierten Thema liegen.
WARUM WICHTIG
Nachbarräume können Antworten überlagern, wenn das Segment unscharf ist oder Prompts mehrere Bedeutungsräume berühren. Sie gehören deshalb in jede saubere Analyse.
BEISPIEL
Bei „Krankenversicherung" liegen gesetzliche Kasse, private Versicherung und Zusatzversicherung dicht beieinander. Je nach Prompt kann ein System in einen anderen Bedeutungsraum springen.
VERWANDTE BEGRIFFE
ModellraumSegmentreifeRe-SegmentierungStabiler KernSemantische Konflikte
Stabiler Kern
Der stabile Kern beschreibt Entitäten, Marken, Anbieter, Quellen, Rollen oder Begriffe, die über unterschiedliche Prompts, Intents und Antwortvarianten hinweg wiederholt auftreten.
WARUM WICHTIG
Der stabile Kern zeigt, was KI-Systeme im analysierten Segment bereits als Referenz aktivieren. Er hilft zu unterscheiden, was wirklich verankert ist und was nur durch einzelne Prompts oder Quellen ausgelöst wird.
BEISPIEL
Bei Smartphones bilden Apple, Samsung, Google und Xiaomi häufig einen stabilen Kern, während Preis-Leistung, Refurbished oder Kameraqualität die Antwortmuster je nach Prompt verschieben.
VERWANDTE BEGRIFFE
Semantische NachbarschaftAntwortmusterIntent-ClusterPrompt Tracking
Retrieval
Retrieval bezeichnet den Abruf relevanter Informationen aus externen Quellen, Suchindizes, Datenbanken, Dokumentensammlungen, Knowledge Graphs oder APIs, bevor ein KI-System eine Antwort erzeugt.
WARUM WICHTIG
Retrieval ist die Brücke zwischen Modellwissen und aktuellen Informationen. Ein Sprachmodell hat nicht automatisch direkten Zugriff auf Webseiten. Aktuelle Quellen gelangen meist über Retrieval, Websuche oder angebundene Systeme als Kontext in die Antwort.
BEISPIEL
Ein KI-System beantwortet eine Frage zu aktuellen Preisen. Dafür kann ein Retrieval-System passende Produktseiten, Datenbankeinträge oder Suchergebnisse abrufen.
VERWANDTE BEGRIFFE
GroundingModellwissenLLMSource VisibilityCitationKnowledge Graph
Quellen und Antworten
Grounding
Grounding bezeichnet die Anbindung einer KI-Antwort an externe oder aktuelle Informationsquellen. Das System nutzt dabei zum Beispiel Websuche, Suchindizes, Knowledge Graphs, Datenbanken, bereitgestellte Dokumente oder andere Retrieval-Systeme, um Modellwissen zu ergänzen, zu prüfen oder zu aktualisieren.
WARUM WICHTIG
Grounding entscheidet mit darüber, welche Quellen, Fakten und aktuellen Informationen in eine Antwort einfließen. Je schwächer ein Thema im Modellwissen verankert ist oder je aktueller die Frage ist, desto wichtiger wird die Qualität des Quellenraums.
BEISPIEL
Bei aktuellen Preisen, neuen Produkten, Öffnungszeiten, Terminen oder konkreten Anbietern greift ein System häufig auf externe Quellen zurück.
VERWANDTE BEGRIFFE
Grounding PageModellwissenRetrievalCitationQuellenraum
Grounding Page
Eine Grounding Page ist eine strukturierte Faktenseite, die einer KI-Anwendung eindeutige, zitierfähige und maschinenlesbare Informationen über eine Entität, ein Produkt, eine Organisation, ein Ereignis oder ein Thema liefert.
WARUM WICHTIG
Sie hilft dabei, Identität, Rolle, Zuständigkeit, aktuelle Fakten und Abgrenzungen einer Entität zu stabilisieren. Besonders wichtig ist das bei neuen, schwach dokumentierten oder häufig missverstandenen Entitäten.
BEISPIEL
Eine Faktenseite beschreibt klar, wer ein Tool betreibt, wofür es eingesetzt wird, welche Funktionen es hat, welche Zielgruppen es adressiert und wie es sich von ähnlichen Angeboten unterscheidet.
VERWANDTE BEGRIFFE
GroundingEntitätRollenverankerungCitationQuelleStrukturierte Daten
Quellen
Quellen sind Web-Inhalte, Profile, Verzeichnisse, Medienberichte und strukturierte Informationen, aus denen KI-Systeme eine Entität rekonstruieren. Konsistente, wiederkehrende Quellen stabilisieren die Einordnung.
WARUM WICHTIG
Quellen sind der am ehesten beeinflussbare Teil der Antwortentstehung. Eigene Quellen lassen sich direkt verbessern. Externe Quellenräume lassen sich durch PR, Datenkonsistenz, Partnerschaften, Dokumentation und digitale Autorität beeinflussen.
BEISPIEL
Für einen lokalen Dienstleister können Unternehmensprofile, Bewertungsplattformen und lokale Verzeichnisse wichtiger sein als klassische Fachmedien.
VERWANDTE BEGRIFFE
QuelleQuellenraumCitationGroundingSource Visibility
Quelle
Eine Quelle ist ein Dokument, Datensatz oder Informationsobjekt, das ein KI-System beim Grounding, bei der Antwortgenerierung oder als sichtbare Citation nutzen kann.
WARUM WICHTIG
KI-Systeme unterscheiden zwischen der genannten Entität und der verwendeten Informationsgrundlage. Eine Marke kann genannt werden, ohne selbst Quelle zu sein.
BEISPIEL
Ein aktueller Vergleichsartikel kann bei Kaufintents als Quelle erscheinen, während eine eigene Produktseite eher für Fakten und Anbieterinformationen genutzt wird.
VERWANDTE BEGRIFFE
QuellenQuellenraumCitationGrounding PageSource Visibility
Quellenraum
Der Quellenraum beschreibt die Menge und Struktur der Quellen, die ein KI-System für ein Thema, Segment oder einen Intent heranziehen kann. Dazu gehören eigene Seiten, Fachmedien, Vergleichsportale, Datenbanken, Foren, Bewertungsplattformen, Dokumentationen und öffentliche Profile.
WARUM WICHTIG
Der Quellenraum beeinflusst, welche Fakten, Marken und Bewertungen in Antworten einfließen. Je nach Intent können völlig unterschiedliche Quellentypen dominieren.
BEISPIEL
Bei einem B2B-Tool können Dokumentationen, Vergleichsseiten und Branchenartikel stärker wirken. Bei einem lokalen Dienstleister können Verzeichnisse und Bewertungen wichtiger sein.
VERWANDTE BEGRIFFE
QuelleQuellenmusterCitationGroundingRetrieval
Quellenmuster
Ein Quellenmuster beschreibt, welche Quellentypen bei einem Intent oder in einem Segment wiederkehrend genutzt oder zitiert werden.
WARUM WICHTIG
Wiederkehrende Quellen sind Hebel für Datenpflege, Partnerschaften und Digital PR. Sie zeigen, wo Zitierfähigkeit aufgebaut werden sollte.
BEISPIEL
Bei lokalen Anfragen erscheinen regelmäßig Verzeichnisse und Bewertungsplattformen. Bei B2B-Tools dominieren eher Dokumentationen, Vergleichsseiten und Fachmedien.
VERWANDTE BEGRIFFE
QuellenraumCitationAntwortmusterGrounding
Citation
Eine Citation ist eine sichtbare Quellenangabe in einer KI-Antwort. Sie zeigt, welche Quelle das System als Beleg ausweist, ist aber nicht zwingend identisch mit der einzigen oder ursprünglichen Wissensquelle der Antwort.
WARUM WICHTIG
Citations zeigen, welche Quellen ein System sichtbar mit einer Aussage verbindet. Für AI Visibility ist relevant, ob eigene oder strategisch wichtige Quellen zitierfähig sind und bei welchen Intents sie erscheinen.
BEISPIEL
Eine AI Overview verweist auf einen Fachartikel als Beleg für eine Produktempfehlung. Die Empfehlung selbst kann zusätzlich durch Modellwissen, weitere Quellen oder Antwortmuster geprägt sein.
VERWANDTE BEGRIFFE
MentionQuelleQuellenmusterGroundingCitation-Analyse
Mention
Eine Mention ist die Nennung einer Marke, Entität, Person, Quelle oder eines Produkts im Antworttext. Eine Mention kann mit oder ohne Citation auftreten.
WARUM WICHTIG
Mentions zeigen, ob eine Entität im Antwortset eines Systems überhaupt vorkommt. Entscheidend ist aber auch Rolle, Kontext, Position, Bewertung und Stabilität der Mention.
BEISPIEL
Bei der Frage nach den besten Neobrokern wird eine Marke als Option genannt, aber nicht verlinkt. Das ist eine Mention ohne Citation.
VERWANDTE BEGRIFFE
CitationAI VisibilityAntwortmusterRollenverankerungShare of Answer
Antwortmuster
Ein Antwortmuster ist die wiederkehrende Struktur, mit der ein KI-System eine bestimmte Frageklasse beantwortet. Dazu gehören typische Rollen, Reihenfolgen, Vergleichslogiken, Quellentypen, Anbietergruppen und Begründungen.
WARUM WICHTIG
AI Visibility zielt nicht nur darauf, genannt zu werden, sondern in den richtigen Antwortmustern als passende und glaubwürdige Option aufzutauchen.
BEISPIEL
Vergleichsfragen erzeugen häufig ein Muster aus mehreren Anbietern, kurzen Stärken, Einschränkungen und einer Empfehlung nach Nutzungssituation.
VERWANDTE BEGRIFFE
MentionQuellenmusterIntentPrompt TrackingAI Evoked Set
AI Evoked Set
Das AI Evoked Set beschreibt die kleine Auswahl an Marken, Anbietern oder Quellen, die ein generatives KI-System bei einer bestimmten Frage als relevante Optionen aktiviert.
WARUM WICHTIG
KI-Antworten reduzieren den Informationsraum stark. Wer nicht im AI Evoked Set erscheint, wird im Entscheidungsprozess oft gar nicht wahrgenommen.
BEISPIEL
Bei einer Frage nach den besten Projektmanagement-Tools nennt ein System nur fünf Anbieter. Diese fünf bilden für diesen Prompt das AI Evoked Set.
VERWANDTE BEGRIFFE
MentionAI VisibilityAntwortmusterPrompt TrackingShare of Answer
Query Fan-Out
Query Fan-Out bezeichnet die Zerlegung einer Nutzerfrage in mehrere Teilanfragen, Suchpfade oder Rechercheperspektiven durch ein retrievalbasiertes KI-System.
WARUM WICHTIG
Fan-Out erklärt, warum eine scheinbar einfache Frage mehrere Antwortpfade auslösen kann. Für AI Visibility ist wichtig zu verstehen, welche Teilfragen ein System bildet und welche Quellenräume dadurch sichtbar werden.
BEISPIEL
Die Frage nach der besten Krankenversicherung kann Suchpfade zu gesetzlichen Kassen, privaten Versicherungen, Vergleichsportalen, Tests, Kosten und Wechselbedingungen auslösen.
VERWANDTE BEGRIFFE
GroundingQuellenraumPrompt-KontextIntentRetrieval
Prompt-Kontext
Der Prompt-Kontext umfasst alles, was die Antwort neben der eigentlichen Frage beeinflusst: Formulierung, Vorgeschichte, Region, Sprache, Zielgruppe und Systemumgebung.
WARUM WICHTIG
Gleiche Fragen mit anderem Kontext können deutlich andere Antworten erzeugen. Für faire Messung müssen Kontextfaktoren kontrolliert oder bewusst variiert werden.
BEISPIEL
Dieselbe Tool-Frage liefert im B2B-Kontext andere Anbieter als im Consumer-Kontext.
VERWANDTE BEGRIFFE
Query Fan-OutIntentPrompt TrackingLongtail of One
Longtail of One
Longtail of One beschreibt die extreme Personalisierung und Kontextabhängigkeit von KI-Antworten. Jede Anfrage kann durch Formulierung, Vorgeschichte, Zielgruppe, Region und Nutzungssituation einen eigenen Antwortkontext erzeugen.
WARUM WICHTIG
AI Visibility kann sich nicht nur auf wenige generische Prompts stützen. Sichtbarkeit muss über viele konkrete Nutzerkontexte und Entscheidungssituationen verstanden werden.
BEISPIEL
Die Frage nach dem besten Tool verändert sich stark, wenn der Nutzer Freelancer, Konzern, Einsteiger, Entwickler oder Marketingteam ist.
VERWANDTE BEGRIFFE
Prompt-KontextIntentPrompt TrackingTopic
Knowledge Graph
Ein Knowledge Graph ist eine strukturierte Wissensdatenbank, die Entitäten und ihre Beziehungen zueinander abbildet. Entitäten können Personen, Unternehmen, Marken, Produkte, Orte, Konzepte oder Ereignisse sein.
WARUM WICHTIG
Knowledge Graphs helfen Suchmaschinen und KI-Systemen, Informationen nicht nur als Text, sondern als strukturierte Beziehungen zu verstehen. Für AI Visibility ist das wichtig, weil Marken, Produkte oder Personen korrekt eingeordnet und von ähnlichen Entitäten abgegrenzt werden müssen.
BEISPIEL
Ein Knowledge Graph kann abbilden, dass ein Unternehmen eine bestimmte Marke besitzt, ein Produkt anbietet, an einem Ort ansässig ist und mit bestimmten Personen oder Konzepten verbunden ist.
VERWANDTE BEGRIFFE
EntitätStrukturierte DatenGroundingRetrievalModellwissen
Systeme und Plattformen
ChatGPT
ChatGPT ist ein KI-Assistent von OpenAI, der Modellwissen, Kontext und je nach Modus auch externe Informationen nutzt, um Fragen zu beantworten, Inhalte zu erstellen und Auswahlprozesse zu unterstützen.
WARUM WICHTIG
ChatGPT ist für viele Nutzer ein Einstiegspunkt für Recherche, Vergleich und Entscheidungsvorbereitung. Für AI Visibility ist relevant, welche Entitäten ChatGPT bei bestimmten Prompts aktiviert, wie es sie beschreibt und ob externe Quellen eine Rolle spielen.
BEISPIEL
Nutzer fragen ChatGPT nach passenden Tools, Anbietern oder Alternativen und erhalten ein kuratiertes Antwortset statt einer klassischen Trefferliste.
VERWANDTE BEGRIFFE
GeminiPrompt TrackingMentionModellwissenGrounding
Gemini
Gemini ist die KI-Modellfamilie von Google und prägt Antworten im Gemini-Assistenten sowie KI-Funktionen innerhalb der Google-Suche, etwa AI Overviews und AI Mode.
WARUM WICHTIG
Gemini ist für AI Visibility besonders relevant, weil es im Google-Ökosystem mit Suche, Quellen, Indexsignalen und generativen Antworten verbunden ist. Dadurch können andere Quellen- und Antwortmuster entstehen als bei ChatGPT.
BEISPIEL
Dieselbe Vergleichsfrage kann in Gemini andere Anbieter, andere Quellen und andere Begründungen aktivieren als in ChatGPT.
VERWANDTE BEGRIFFE
Google AI OverviewsAI ModeChatGPTCitationGrounding
Google AI Overviews
Google AI Overviews sind KI-generierte Antwortboxen in der Google-Suche. Sie fassen Informationen aus mehreren Quellen zusammen und zeigen ausgewählte Links oder Quellenhinweise innerhalb oder neben der generierten Antwort.
WARUM WICHTIG
AI Overviews verschieben Sichtbarkeit von klassischen organischen Rankings hin zu Nennungen, Rollen und Citations innerhalb einer generierten Antwort.
BEISPIEL
Eine Vergleichsfrage zeigt oberhalb der organischen Treffer eine KI-Zusammenfassung mit mehreren genannten Anbietern und ausgewählten Quellen.
VERWANDTE BEGRIFFE
AI ModeGeminiCitationSource VisibilityGEO
AI Mode
AI Mode ist Googles konversationeller Suchmodus. Er kombiniert Modellantworten, Suchsysteme, Query Fan-Out und Quellen, um komplexe Fragen dialogisch zu beantworten.
WARUM WICHTIG
AI Mode steht für eine Suchumgebung, in der Nutzer nicht mehr nur Trefferlisten durchsuchen, sondern Entscheidungen innerhalb eines KI-Dialogs vorbereiten.
BEISPIEL
Eine Nutzerfrage zu einer komplexen Produktauswahl wird in mehrere Teilaspekte zerlegt, beantwortet und mit ausgewählten Quellen verbunden.
VERWANDTE BEGRIFFE
Google AI OverviewsQuery Fan-OutGeminiCitationGrounding
Perplexity
Perplexity ist ein KI-basiertes Antwort- und Recherche-System, das Antworten stark mit sichtbaren Quellen verbindet.
WARUM WICHTIG
Perplexity ist für AI Visibility relevant, weil es Quellen, Citations und Antwortstruktur besonders sichtbar macht. Dadurch lassen sich Quellenfähigkeit und Source Visibility gut beobachten.
BEISPIEL
Eine Recherchefrage zu einem Marktsegment führt zu einer Antwort mit mehreren Quellen, Anbietern und Belegen.
VERWANDTE BEGRIFFE
CitationSource VisibilityGroundingPrompt Tracking
Claude
Claude ist ein KI-Assistent von Anthropic, der für Analyse, Textarbeit, Zusammenfassung, Coding und komplexe Aufgaben eingesetzt wird.
WARUM WICHTIG
Claude ist Teil des relevanten KI-Ökosystems und kann je nach Kontext andere Antwortmuster, Bewertungen und Quellenlogiken aktivieren als ChatGPT oder Gemini.
BEISPIEL
Ein Unternehmen prüft, wie Claude ein Marktsegment erklärt, welche Anbieter es nennt und welche Risiken oder Stärken es hervorhebt.
VERWANDTE BEGRIFFE
ChatGPTGeminiLLMPrompt TrackingAntwortmuster
LLM / Sprachmodell
Ein LLM, kurz für Large Language Model, ist ein großes Sprachmodell, das auf Basis von Trainingsdaten sprachliche Muster gelernt hat und daraus Texte, Antworten, Zusammenfassungen, Analysen oder Empfehlungen erzeugen kann.
WARUM WICHTIG
Ein LLM ist nicht identisch mit einer Suchmaschine und hat nicht automatisch direkten Zugriff auf aktuelle Webseiten. Aktuelle Informationen gelangen nur dann in die Antwort, wenn sie dem Modell über zusätzliche Systeme wie Websuche, Retrieval, APIs oder Datenbanken bereitgestellt werden.
BEISPIEL
Wenn ein KI-System eine aktuelle Produktinformation nennt, stammt diese nicht zwingend aus dem Sprachmodell selbst. Sie kann über ein Retrieval-System oder eine Websuche als Kontext in die Antwort gelangt sein.
VERWANDTE BEGRIFFE
ModellwissenGroundingRetrievalChatGPTGemini
Agentische Suche
Agentische Suche beschreibt Such- und Antwortsysteme, die nicht nur Informationen anzeigen, sondern Aufgaben vorbereiten oder ausführen können. Solche Systeme können recherchieren, vergleichen, auswählen, navigieren, Formulare vorbereiten oder nächste Handlungsschritte unterstützen.
WARUM WICHTIG
Agentische Suche verschiebt Sichtbarkeit von der reinen Ergebnisliste in Richtung Aufgabenlösung. Websites müssen nicht nur auffindbar und zitierfähig sein, sondern auch so strukturiert, dass Agenten relevante Informationen, Einstiegspunkte, Workflows und Einschränkungen verstehen.
BEISPIEL
Ein Nutzer fragt nach einem passenden lokalen Dienstleister. Ein agentisches System kann Anbieter recherchieren, Kriterien vergleichen, Verfügbarkeiten prüfen und den nächsten Handlungsschritt vorbereiten.
VERWANDTE BEGRIFFE
llms.txtRetrievalGroundingAI VisibilitySource Visibility
Maßnahmen
Tool-Auswahl
Tool-Auswahl bezeichnet die Entscheidung für ein AI-Visibility- oder GEO-Tool, das zum eigenen Segment, zur eigenen Datenlage und zum gewünschten Tracking-Ansatz passt.
WARUM WICHTIG
Ein Tool muss mehr können als Prompts ausführen. Entscheidend ist, ob es Intents, Topics, Modelle, Mentions, Citations, Quellen, Stabilität, Valenz und Zeitverläufe sauber abbilden kann.
BEISPIEL
Ein Unternehmen prüft, ob ein Tool Prompt Sets nach Intents strukturieren, Ergebnisse pro Topic auswerten und Unterschiede zwischen ChatGPT, Gemini und Perplexity sichtbar machen kann.
VERWANDTE BEGRIFFE
Prompt TrackingTopicAI VisibilityMaßnahmenpriorisierungRankscale Prompt Research
Maßnahmenpriorisierung
Maßnahmenpriorisierung ordnet AI-Visibility- und GEO-Maßnahmen nach Wirkung, Dringlichkeit und Abhängigkeit. Sie klärt, ob zuerst Entitätsklarheit, Faktenbasis, Quellenqualität, Citation-Fähigkeit, Content-Struktur oder Tracking-Ausbau verbessert werden sollte.
WARUM WICHTIG
Nicht jede Maßnahme wirkt in jedem Segment gleich. Die richtige Reihenfolge hängt von Segmentreife, Modellwissen, Quellenraum, Intent-Lücken und Rollenverankerung ab.
BEISPIEL
Bei einer schwach verankerten Entität kommt zuerst die Klärung von Fakten, Rollen und Quellenbasis. Bei einer bekannten Marke mit schlechter Bewertungslage kann die Arbeit am Quellenraum wichtiger sein.
VERWANDTE BEGRIFFE
GroundingTool-AuswahlRollenverankerungEntity-Sedimentierung
Strukturierte Daten / Schema.org
Strukturierte Daten sind maschinenlesbare Auszeichnungen, mit denen Inhalte einer Webseite semantisch eingeordnet werden können. Schema.org ist ein verbreitetes Vokabular für solche Auszeichnungen, etwa für Artikel, Produkte, Organisationen, Personen, FAQs, Events oder How-to-Inhalte.
WARUM WICHTIG
Strukturierte Daten können Suchmaschinen, Crawlern, Knowledge Graphs und Retrieval-Systemen helfen, Seitentypen, Entitäten, Eigenschaften und Beziehungen besser zu erkennen. Sie ersetzen aber keine klare sichtbare Seitenstruktur, keine präzisen Definitionen und keine belegbaren Inhalte.
BEISPIEL
Eine Produktseite kann mit Product-Markup auszeichnen, wie das Produkt heißt, von welcher Marke es stammt, welche Eigenschaften es hat und welche Angebote vorhanden sind.
VERWANDTE BEGRIFFE
GroundingEntitätKnowledge GraphRetrievalSource Visibility
llms.txt
llms.txt ist eine vorgeschlagene Markdown-Konvention für eine Datei unter /llms.txt. Sie soll KI-Systemen, Tools oder Agenten eine kompakte Übersicht wichtiger Inhalte, Einstiegspunkte und Hinweise zu einer Website geben. llms.txt ist kein robots.txt-Ersatz und kein Trainings-Opt-out.
WARUM WICHTIG
llms.txt wird im GEO-Kontext häufig als möglicher Sichtbarkeitshebel diskutiert. Belastbare Nachweise für direkte Sichtbarkeitseffekte sind bisher begrenzt. Relevanter ist die Datei wahrscheinlich im Kontext agentischer Systeme: Sie kann Agenten zur Inferenzzeit helfen, eine Website besser zu verstehen.
BEISPIEL
Eine Website kann in der llms.txt wichtige Einstiegsseiten, Dokumentationen, Produktbereiche, Kontaktseiten oder Nutzungshinweise für Agenten aufführen.
VERWANDTE BEGRIFFE
Agentische SucheRetrievalGroundingStrukturierte DatenAI Visibility
Rankscale Prompt Research
Rankscale Prompt Research ist eine Funktion, die aus einem Segmentnamen passende Nutzerintents und Prompts ableitet und in Topics bündelt. Sie kann als Grundlage für ein professionelles AI-Visibility-Tracking genutzt werden.
WARUM WICHTIG
Das Setup ist eine der größten Hürden im AI-Visibility-Tracking. Gute Segmentnamen helfen, relevante Intents zu finden, passende Prompts zu generieren und das Tracking sauber zu strukturieren.
BEISPIEL
Aus dem Segment „Gravelbikes mit Onlineberatung in Deutschland" entstehen Prompts zu Auswahl, Beratung, Kauf, Vergleich, Einsteigerbedarf und Service.
VERWANDTE BEGRIFFE
Prompt SetPrompt TrackingIntentTopicTool-Auswahl
Citation-Analyse
Citation-Analyse untersucht, welche Quellen ein KI-System in seinen Antworten zitiert oder sichtbar als Beleg ausweist.
WARUM WICHTIG
Sie zeigt, welche Domains, Dokumente oder Quellentypen bei bestimmten Intents erscheinen. Dadurch wird sichtbar, ob die eigene Domain zitierfähig ist oder ob Wettbewerber und Drittquellen die Quellenlage dominieren.
BEISPIEL
Ein Tracking zeigt, dass bei Kaufberatungen regelmäßig Vergleichsportale zitiert werden, während die eigene Website nur bei Markenfragen erscheint.
VERWANDTE BEGRIFFE
CitationSource VisibilityQuellenmusterGroundingPrompt Tracking
Sentiment-Analyse
Sentiment-Analyse bewertet, in welcher Tonalität eine Entität in KI-Antworten erscheint. Sie unterscheidet zum Beispiel positive, neutrale, kritische oder ambivalente Darstellungen.
WARUM WICHTIG
Sichtbarkeit allein reicht nicht. Eine Marke kann häufig genannt werden, aber mit Einschränkungen, Kritik oder schwacher Empfehlung erscheinen.
BEISPIEL
Ein Anbieter wird regelmäßig erwähnt, aber mit Hinweisen auf hohe Preise, schlechten Support oder begrenzte Zielgruppenpassung verbunden.
VERWANDTE BEGRIFFE
ValenzMentionAntwortmusterAI VisibilityPrompt Tracking
Wettbewerbervergleich
Wettbewerbervergleich zeigt, welche Entitäten im selben Bedeutungsraum stärker, ähnlich oder schwächer aktiviert werden als die untersuchte Entität.
WARUM WICHTIG
AI Visibility ist relativ. Eine Marke kann sichtbar sein, aber in einem reifen Markt von stärkeren Referenzmarken überstrahlt werden. Erst der Vergleich zeigt, ob eine Entität nur erkannt oder tatsächlich als relevante Option verstanden wird.
BEISPIEL
Ein Fahrradanbieter wird als gute Option erkannt, aber bei breiten Empfehlungsfragen dominieren Cube, Canyon und große Händler.
VERWANDTE BEGRIFFE
AI Evoked SetShare of AnswerRollenverankerungPrompt TrackingMarktsegmentreife
Semantische Konflikte
Semantische Konflikte sind Überlagerungen, Mehrdeutigkeiten oder Verwechslungsrisiken im Bedeutungsraum einer Entität. Sie können dazu führen, dass KI-Systeme eine Marke, Person oder ein Produkt falsch einordnen.
WARUM WICHTIG
Konflikte schwächen Sichtbarkeit und Vertrauen. Sie können dazu führen, dass eine Entität mit falschen Märkten, ähnlichen Namen, alten Rollen oder unpassenden Wettbewerbern verbunden wird.
BEISPIEL
Ein neues Produkt trägt einen Namen, der einem älteren Produkt ähnelt. Das Modell kann beide Bedeutungen vermischen, wenn aktuelle Quellen und eindeutige Produktinformationen fehlen.
VERWANDTE BEGRIFFE
EntitätModellraumSemantische NachbarschaftRollenverankerungGrounding
Kein Begriff gefunden.
