Prompt-Tracking: So misst du KI-Sichtbarkeit verlässlich

KI-Sichtbarkeit lässt sich mit Prompt-Tracking messen, aber nur als Statistik. Fragt man ChatGPT, Gemini oder Google AI Mode zweimal dasselbe, kommen unterschiedliche Marken und Quellen zurück. Eine Studie der Universität St. Gallen mit deutschsprachigen Prompts aus der Schweiz stuft eine einzelne Abfrage deshalb als “essentially uninformative” ein. Belastbar wird die Messung erst, wenn jeder Prompt mehrfach läuft, ein breites Prompt-Set dahintersteht und die Auswertung über zwei bis vier Wochen aggregiert. Die Kennzahl ist dann die Erwähnungsquote: der Anteil der Antworten, in denen deine Marke vorkommt. Die Position in der Liste taugt nicht als KPI.

Prompt-Tracking, auch Prompt Monitoring oder KI-Monitoring genannt, heisst: KI-Systemen regelmässig dieselben Fragen stellen und auswerten, wie oft und in welchem Zusammenhang die eigene Marke in den Antworten vorkommt. Dieser Beitrag fasst zusammen, was die Studien bis Oktober 2026 zeigen, wie ein Tracking-Setup aussieht, das diesen Befunden standhält, und welche Zahlen du getrost ignorieren kannst.

Warum sagt eine einzelne KI-Antwort nichts aus?

Eine einzelne KI-Antwort sagt nichts aus, weil KI-Systeme ihre Antworten probabilistisch erzeugen. Dieselbe Frage führt bei jedem Durchlauf zu einer leicht anderen Antwort, mit anderen Marken, anderer Reihenfolge und anderen Quellen. Drei Untersuchungen beziffern das:

• Universität St. Gallen (April 2026): Schulte, Bleeker und Kaufmann haben 32 deutschsprachige Prompts aus vier Branchen knapp zwei Monate lang täglich an ChatGPT, Gemini, Google AI Mode und Perplexity geschickt, abgefragt von Schweizer Servern. Bei Wiederholungen am selben Tag überschnitten sich die genannten Marken nur zu 33 bis 48 Prozent. Von den zitierten Quellen wechselten rund 65 Prozent von einem Tag auf den nächsten. Der grösste Teil der Schwankung entsteht also im Modell selbst, nicht durch Veränderungen im Web.
• SparkToro und Gumshoe (Januar 2026): Rand Fishkin und Patrick O’Donnell liessen 12 Prompts je 60 bis 100 Mal durch ChatGPT, Claude und die KI-Suche von Google laufen, insgesamt 2’961 Durchläufe. Bei ChatGPT und Google kam dieselbe Markenliste in weniger als einem von hundert Fällen zweimal vor.
• Peec AI (Juni 2026): Die Auswertung von 37’804 Antworten aus fünf Engines zeigt, dass schon die Art der Frage die Zahl der genannten Marken verändert. Listen- und Vergleichsfragen liefern bis zu 20 Prozent mehr Marken als offene Fragen.

Wer also einmal pro Monat “Welche SEO-Agentur in Zürich empfiehlst du?” in ChatGPT tippt und das Resultat in einen Report schreibt, misst Zufall.

Fünfmal dieselbe Frage an ChatGPT: "Welche Bank eignet sich in der Schweiz am besten für ein Privatkonto?"

Bank	Abfrage 1	Abfrage 2	Abfrage 3	Abfrage 4	Abfrage 5	genannt
Neon	1	1	2	1	1	5/5
Migros Bank	nicht genannt	6	4	6	3	4/5
UBS	4	3	3	7	nicht genannt	4/5
Zürcher Kantonalbank	6	5	nicht genannt	5	5	4/5
Yuh	2	2	nicht genannt	nicht genannt	2	3/5
Zak	nicht genannt	nicht genannt	1	2	nicht genannt	2/5
Raiffeisen	nicht genannt	nicht genannt	nicht genannt	4	4	2/5
PostFinance	nicht genannt	4	nicht genannt	nicht genannt	nicht genannt	1/5
Basler Kantonalbank	3	nicht genannt	nicht genannt	nicht genannt	nicht genannt	1/5
Basellandschaftliche Kantonalbank	5	nicht genannt	nicht genannt	nicht genannt	nicht genannt	1/5
Berner Kantonalbank	nicht genannt	nicht genannt	5	nicht genannt	nicht genannt	1/5
Bank Cler	nicht genannt	nicht genannt	nicht genannt	3	nicht genannt	1/5

2 genannt, Zahl = Reihenfolge der Nennung nicht genannt

Alle drei Studien stammen von Teams mit Nähe zu Tracking-Anbietern: Gumshoe und Peec verkaufen Tracking-Tools, der Peec-Bericht ist ein Sponsored Post, und die St. Galler Daten stammen aus einem Export von Aurora Intelligence. Peer-reviewed ist bisher keine. Die Befunde zeigen aber unabhängig voneinander in dieselbe Richtung.

Welche Kennzahlen sind stabil genug zum Messen?

Stabil genug sind die Erwähnungsquote und der Share of Voice, wenn sie über viele Durchläufe aggregiert werden. Obwohl kaum eine Antwort der anderen gleicht, erscheinen einzelne Marken erstaunlich regelmässig. In der SparkToro-Studie tauchten Bose, Sony, Sennheiser und Apple in 55 bis 77 Prozent aller Antworten zu Kopfhörern auf, nur jedes Mal an einer anderen Stelle. Daraus ergeben sich zwei Kennzahlen und zwei Diagnosegrössen:

Die Position in der Antwort (“wir sind auf Platz 2 bei ChatGPT”) ist dagegen Rauschen, auch wenn manche Tools sie als AI Rank Tracker ausweisen. Die St. Galler Studie empfiehlt ausserdem, Marken-Erwähnungen als Haupt-KPI zu führen und Quellen nur zur Diagnose: Welche Seiten fliessen in die Antworten ein, welche fehlen?

Wie viele Wiederholungen braucht es?

Pro Prompt und Engine braucht es mindestens sieben Antworten, bei täglicher Abfrage also zwei bis vier Wochen. Das zeigt die Fehlerrechnung der St. Galler Studie. Gemessen wird, wie oft eine Engine eine Marke bei einem bestimmten Prompt nennt, zum Beispiel in 4 von 10 Antworten. Schätzt man diesen Anteil aus einer einzigen Antwort, liegt man typischerweise um 37 Prozentpunkte daneben (Standardfehler 0.37), kaum besser als geraten. Ab sieben Antworten zum selben Prompt sinkt der Fehler unter 10 Prozentpunkte. Wer jeden Prompt einmal täglich abfragt, erreicht diese Genauigkeit nach zehn bis vierzehn Tagen und weniger als 5 Prozentpunkte nach etwa 24 Tagen.

Ein Rechenbeispiel mit angenommenen Zahlen: ChatGPT nennt Wismer Marketing bei der Frage “Welche SEO-Agentur in der Schweiz ist die beste?” in Wahrheit in jeder dritten Antwort. Wer die Frage einmal stellt, sieht die Agentur entweder auf der Liste oder nicht und kommt auf 100 oder 0 Prozent. Nach sieben Antworten zeigt sich vielleicht 2 von 7, also knapp 30 Prozent, mit einem Fehler von unter 10 Prozentpunkten. Ob ein Anstieg von 30 auf 40 Prozent echt ist oder Zufall, lässt sich erst sagen, wenn der Fehler unter 5 Prozentpunkten liegt, bei täglichen Abfragen also nach drei bis vier Wochen.

Simulation: Erwähnungsquote nach 1 bis 28 Antworten

Marke genannt nicht genannt

100 % 50 % 0 %

wahre Quote 33 % 100 % 29 % 46 % 36 %

17142128

Anzahl Antworten

Für die Praxis heisst das:

• Auswertungen über ein gleitendes Zeitfenster von zwei bis vier Wochen, keine Tages- oder Wochenvergleiche.
• Jeder Prompt braucht im Auswertungszeitraum mindestens sieben bis acht Messungen pro Engine. Es zählen nur Abfragen, die eine Antwort geliefert haben. Bei täglichen Abfragen über vier Wochen kommen 28 zusammen, bei wöchentlichen nur vier.
• Jede Engine separat auswerten. ChatGPT, Gemini, AI Mode und Perplexity verhalten sich unterschiedlich. ChatGPT lieferte in der St. Galler Studie in 58 Prozent der Durchläufe gar keine Quelle, weil es die Websuche bei vielen Fragen nicht auslöst.

Lassen sich echte Chats nachspielen?

Echte Chats lassen sich nicht realistisch nachspielen. Sie haben einen Verlauf, gespeicherte Erinnerungen, einen Standort und Rückfragen über mehrere Runden, und niemand ausserhalb der KI-Anbieter kennt die echten Prompts. Auch ein ausführlicher Prompt mit Lebenslauf bleibt synthetisch.

Dan Petrovic von DEJAN zieht in “Why we don’t do prompt tracking” daraus die Konsequenz. Sein Argument: Hinter den unzähligen Formulierungen stecken wenige Kernabsichten, und jede Frage zerlegt die KI ohnehin per Query Fan-Out in eigene Suchanfragen. Statt Formulierungen zu simulieren, misst er deshalb pro Thema eine immer gleiche, kanonische Frage, und zwar viele Male. Bewegt sich der Wert, hat sich das Modell oder die Quellenlage verändert und nicht die Wortwahl. Die Zahl zeigt also, ob sich die Antworten über die Zeit verschieben, etwa nach einer SEO- oder Content-Massnahme. Was eine einzelne Person sieht, bildet sie nicht ab.

Füllwörter, Länge und Höflichkeitsfloskeln einer Frage entscheiden kaum, Format und Absicht dagegen schon (dazu unten mehr). Als Kennzahl taugen die Fan-outs nicht, weil das Modell sie bei jedem Lauf neu erzeugt. Über die API lassen sie sich aber einsehen und zeigen, nach welchen Teilfragen das System sucht und welche Inhalte dafür fehlen.

So zerlegt ein KI-System eine Frage

1. Frage

   Wo kaufe ich in der Schweiz einen Esstisch aus Massivholz?

2. Teilsuchen
   • Massivholztisch Schweiz Hersteller Manufaktur
   • Esstisch Massivholz Schweizer Holz kaufen
   • …
3. Quellen

   eine eigene Trefferliste pro Teilsuche

4. Antwort

   stützt sich eher auf Seiten, die in mehreren Trefferlisten auftauchen

Wie sieht ein belastbares Prompt-Set aus?

Ein belastbares Prompt-Set umfasst 15 bis 100 kurze Fragen zu echten Themen, nach Funnel-Stufe und Format getaggt und mindestens ein Quartal lang eingefroren. Alle Formulierungen abzudecken ist weder möglich noch nötig: Laut der Peec-Studie bleibt die Sichtbarkeit stabil, solange die Bedeutung einer Frage gleich bleibt. Die genaue Wortwahl und die Länge des Prompts spielen kaum eine Rolle.

Wichtiger ist die Zusammensetzung des Sets:

1. Nach Funnel-Stufe gruppieren. Fragen zur Orientierung (“Was kostet eine Wärmepumpe?”), zur Auswahl (“Welche Anbieter für Wärmepumpen im Aargau?”) und zur Entscheidung (“Ist Anbieter X seriös?”) verhalten sich unterschiedlich. Am empfindlichsten sind Auswahl-Fragen ohne Markennamen. Peec empfiehlt, rund die Hälfte des Sets dort anzusetzen.
2. Echte Themen, kurze Fragen. Fragen aus dem Verkauf, aus Kund*innen-Mails, aus der Search Console und aus Tools wie dem SISTRIX AI Topic Research zeigen, welche Absichten zählen. Formuliert werden sie kurz, ohne Persona und ohne Vorgeschichte.
3. Nach Format taggen. Listen-, Vergleichs- und offene Fragen nicht in denselben Topf werfen, weil Listenfragen mehr Marken liefern.
4. Einfrieren. Prompts, Konkurrenz-Set (fünf bis sieben Marken), Engines und Standort bleiben mindestens ein Quartal gleich. Sonst sind Veränderungen nicht mehr interpretierbar.

Wo im Bereich von 15 bis 100 Prompts eine Marke landet, hängt von der Themenbreite ab. Mehr Prompts verbessern die Aussage über das Gesamtbild, mehr Wiederholungen die Aussage pro Prompt.

Sollte das Tracking die Oberfläche oder die API abfragen?

Das Tracking sollte die echte Oberfläche abfragen oder mindestens die API mit eingeschalteter Websuche. Viele Tools im unteren Preissegment fragen die Modelle über die Programmierschnittstelle (API) ab. Die Antworten dort unterscheiden sich deutlich von dem, was Nutzer*innen in ChatGPT sehen. Ob die API im Web sucht, hängt von der Einstellung des Tools ab, und Quellenkarten wie in der Oberfläche fehlen. Surfer hat gemessen, dass sich je nach Engine nur 16 bis 24 Prozent der genannten Marken zwischen API und Oberfläche überschneiden, bei ChatGPT sogar nur rund 5 Prozent der zitierten Domains. Die Zahlen stammen von einem Anbieter, der das Abfragen der Oberfläche verkauft. Die Richtung deckt sich aber mit unseren eigenen Tests.

Am Beispiel ChatGPT gibt es damit drei Wege, eine Frage zu stellen, und jeder misst etwas anderes:

Der Vergleich von Antworten mit und ohne Websuche ist ein nützlicher Test. Gezielt abschalten lässt sich die Websuche dafür über die API. Ohne Websuche stützt sich das Modell auf sein Trainingswissen und auf das, was in der Frage steht. Dieses Wissen endet an einem Stichtag, den die Anbieter als “Knowledge Cutoff” pro Modell ausweisen. Mit Websuche kommen aktuelle Quellen dazu, das Trainingswissen wirkt aber weiter mit, etwa bei der Wahl der Suchanfragen. Steigt nur der Wert mit Websuche, spricht das dafür, dass aktuelle Inhalte und Erwähnungen wirken. Welche Massnahme den Ausschlag gab, zeigt der Vergleich allein nicht.

Was zeigen Search Console und Bing inzwischen?

Search Console und Bing Webmaster Tools zeigen seit 2026 erstmals gemessene Daten zu KI-Antworten, direkt von den Suchmaschinen:

• Google Search Console: Seit 31. August 2026 zeigt die Search Console für alle Websites eigene Berichte zu AI Overviews und AI Mode. Sie enthalten Impressionen nach Seite, Land, Gerät und Datum. Klicks und Suchanfragen fehlen bisher.
• Bing Webmaster Tools: Der Bericht AI Performance zeigt seit Februar 2026, wie oft deine Seiten in Copilot und den KI-Antworten von Bing zitiert werden, inklusive Beispielen der Suchanfragen, mit denen die KI die Quellen abgerufen hat.
• Google Analytics 4: Besuche aus ChatGPT, Perplexity, Gemini und Copilot lassen sich als eigener Kanal ausweisen. Der Traffic ist klein, zeigt aber, welche Seiten aus KI-Antworten heraus geklickt werden. ChatGPT hängt vielen ausgehenden Links den Parameter utm_source=chatgpt.com an, das erleichtert die Zuordnung.

Diese Daten sind echt gemessen statt hochgerechnet. Sie decken aber je nur ein Ökosystem ab und ersetzen das Tracking von ChatGPT und Perplexity nicht.

Was du ignorieren kannst

• Persona-Prompts. Prompts wie “Ich bin 34, wohne in Bern und suche …” bilden die echte Personalisierung nicht ab, die auf Chatverlauf, gespeicherten Erinnerungen und mehreren Gesprächsrunden beruht. Laut Peec liefern sie zudem weniger Marken.
• Prompt-Volumen. Volumen-Angaben werden aus kleinen Browser-Panels hochgerechnet und laut Ahrefs tendenziell überschätzt. Für die grobe Gewichtung von Themen sind sie brauchbar, als Nachfragezahl nicht.
• Werte aus verschiedenen Tools nebeneinander. SISTRIX, Peec, Profound und Semrush rechnen ihre Sichtbarkeitswerte (oft als “AI Visibility” oder “LLM Visibility” bezeichnet) unterschiedlich. Peec teilt die Erwähnungen durch alle Antworten, Profound nur durch die Antworten, in denen überhaupt eine Marke vorkommt. Ein Wert von 40 im einen Tool und 25 im anderen sagt nichts.
• Tägliche Ausschläge. Ein Rückgang von gestern auf heute ist im Normalfall Rauschen.

Welche Tools eignen sich für Prompt-Tracking?

Für Prompt-Tracking eignen sich Tools, die die echte Oberfläche abfragen, jeden eigenen Prompt täglich laufen lassen und den Standort Schweiz unterstützen. Die bekannten Anbieter erfüllen das weitgehend. Mehrere Abfragen desselben Prompts pro Lauf dokumentiert aber keiner von ihnen, nur Rankscale lässt Prompts auch stündlich laufen. Die nötigen sieben Messungen pro Prompt kommen deshalb meist erst über mehrere Tage zusammen, und die Auswertung sollte über zwei bis vier Wochen laufen. So beschreiben die Anbieter ihre Methode für eigene Prompts (Stand Oktober 2026):

Gumshoe geht bewusst einen anderen Weg: Es fragt die APIs der Anbieter ab, jeden Prompt einmal, und setzt auf viele verschiedene Prompts statt auf Wiederholungen. Das stützt die Aussage über das Gesamtbild, nicht über einzelne Prompts.

Ahrefs und Semrush bieten zusätzlich grosse Prompt-Datenbanken, die aus Suchanfragen abgeleitet sind. Bei Ahrefs laufen die Chatbot-Abfragen dieser Datenbank einmal im Monat. Für einen Überblick über Themen taugt das, für die Erwähnungsquote einzelner Prompts zählen nur die eigenen, täglich abgefragten Prompts.

Für den Einstieg gibt es drei Stufen:

1. Ohne Budget: die wichtigsten Kund*innen-Fragen von Hand im temporären Chat stellen, jede mehrmals, dazu Search Console, Bing Webmaster Tools und GA4. Das ergibt einen Eindruck, keine Messung.
2. Mit Tool: eigene Prompts täglich, Standort Schweiz, jede Engine separat, Auswertung über 28 Tage.
3. Eigenbau: wenn Rohdaten, eigene Kennzahlen oder mehrere Marken gebraucht werden. Wie das aussehen kann, steht unten unter So messen wir es.

Eine breitere Übersicht über GEO-Tools, inklusive Analytics, steht im Beitrag GEO ist nicht das neue SEO.

Checkliste: KI-Sichtbarkeit messen

• Erwähnungsquote und Share of Voice als KPI, Position nicht reporten
• 15 bis 100 Prompts aus echten Formulierungen, nach Funnel-Stufe und Format getaggt
• fünf bis sieben feste Konkurrent*innen, Set ein Quartal lang einfrieren
• mindestens sieben bis acht Messungen pro Prompt und Engine im Auswertungszeitraum
• Auswertung über zwei bis vier Wochen, jede Engine separat
• Oberfläche oder mindestens API mit Websuche
• Search Console, Bing Webmaster Tools und GA4 als gemessene Ergänzung

Häufige Fragen

Kann ich selbst prüfen, wie oft ChatGPT meine Marke nennt?

Selbst prüfen lässt sich ein erster Eindruck: Stell deine wichtigsten Kund*innen-Fragen im temporären Chat, jede mehrmals, und notiere, ob deine Marke vorkommt. Eine Messung ist das nicht. Dafür braucht es pro Frage mindestens sieben Antworten über mehrere Wochen.

Welche KI-Systeme sollte ich messen?

Messen solltest du die Systeme, die deine Zielgruppe nutzt. Für die meisten Marken sind das ChatGPT und die KI-Funktionen von Google (AI Overviews, AI Mode), je nach Zielgruppe ergänzt durch Perplexity, Gemini oder Copilot. Jede Engine wird separat ausgewertet.

Wie oft sollte ich messen?

Messen solltest du am besten täglich und über zwei bis vier Wochen auswerten. Ein monatlicher Check liefert pro Prompt nur eine Antwort, und eine einzelne Antwort liegt laut der St. Galler Studie typischerweise um 37 Prozentpunkte daneben.

Lohnt sich ein bezahltes Tracking-Tool?

Ein bezahltes Tool lohnt sich, sobald du die KI-Sichtbarkeit regelmässig und im Vergleich zur Konkurrenz verfolgen willst. Achte darauf, dass es jeden Prompt mehrfach abfragt, die Oberfläche oder die API mit Websuche nutzt und die Erwähnungsquote statt der Position ausweist.

Was tun, wenn ChatGPT falsche Angaben über meine Marke macht?

Falsche Angaben korrigierst du an der Quelle. Prüfe in den Antworten, auf welche Seiten sich die Engine stützt. Dort bringst du die Angaben in Ordnung, auf der eigenen Website ebenso wie in Profilen und Verzeichnissen. Antwortet das Modell ohne Websuche, stammen die Angaben aus dem Trainingswissen und ändern sich erst mit einer neuen Modellversion.

So messen wir es

Wir haben unser Tracking selbst gebaut, entlang der Punkte oben:

• Vier Engines: ChatGPT über die echte Oberfläche mit Standort Schweiz, Google AI Overviews, Google AI Mode und Perplexity, Letzteres über die API mit Websuche. Die Abfragen laufen über den Datenanbieter DataForSEO. Die Websuche erzwingen wir nicht. ChatGPT entscheidet wie bei normalen Nutzer*innen selbst, ob es sucht.
• Täglich, jeder Prompt einmal pro Engine. Ausgewertet wird über 28 Tage, damit pro Prompt und Engine genug Messungen zusammenkommen.
• Schmales, festes Set: pro Kund*in rund 15 Themen je Sprache, jedes als natürliche Frage für ChatGPT und Perplexity und als Suchbegriff für Google. Vor dem Start prüfen wir über die Fan-outs, ob sich zwei Fragen überschneiden oder ein wichtiges Thema fehlt.
• Kennzahlen: Erwähnungsquote mit Unsicherheitsbereich und Share of Voice gegen fünf bis sechs feste Konkurrent*innen, je Engine. Fragen mit dem eigenen Markennamen werten wir separat aus, die Position nie.
• Rohdaten bleiben: Jede Antwort wird vollständig gespeichert. So lässt sich auch nachträglich prüfen, mit welchen Worten eine Engine über die Marke spricht und auf welche Quellen sie sich stützt.

Die Abfragekosten liegen je nach Anzahl Sprachen bei rund 5 bis 15 US-Dollar pro Kund*in und Monat. Der Aufwand steckt in der Auswahl der Fragen und in der Auswertung. Das Tracking ist Teil unserer SEO- und GEO-Betreuung.

Mehr zur Einordnung von GEO und SEO steht im Beitrag GEO ist nicht das neue SEO.