AI Visibility richtig messen: die VISIWING-Methode

Eine Marke kann bei Google hervorragend ranken und trotzdem in ChatGPT, Gemini, Perplexity oder Claude kaum auftauchen. Sie kann erwähnt werden, ohne empfohlen zu werden. Und sie kann sogar empfohlen werden, ohne dass ihre eigene Website jemals als Quelle dient. Genau deshalb reicht ein einfacher Prompt-Test nicht aus, um AI Visibility zu messen.

Die Suche verändert sich grundlegend. Nutzer erhalten zunehmend keine Liste von Webseiten mehr, sondern eine synthetisierte Antwort, in der generative Systeme Informationen aus verschiedenen Quellen zusammenführen. Klassisches SEO beantwortet die Frage, wo eine Website rankt. Generative Engine Optimization (GEO) beantwortet die Frage, ob ihre Inhalte verstanden, als glaubwürdig bewertet, als Quelle verwendet und in eine Empfehlung übersetzt werden.

Die wissenschaftliche Grundlage dieser Disziplin wurde 2023 mit der Arbeit „GEO: Generative Engine Optimization" gelegt. Die Autoren beschreiben Generative Engine Optimization als systematischen Ansatz, um die Sichtbarkeit von Inhalten innerhalb generierter Antworten zu verbessern. Ihre Experimente zeigten zugleich, dass die Wirksamkeit einzelner Maßnahmen je nach Themengebiet variiert. GEO benötigt deshalb kontextsensitive Methoden statt universeller Optimierungsregeln. Genau an diesem Punkt setzt die VISIWING-Methode an.

Die VISIWING-Methode misst nicht nur, ob eine Marke in einer KI-Antwort erscheint. Sie analysiert die vollständige Wirkungskette zwischen Website, Maschinenlesbarkeit, semantischer Interpretation, kommerzieller Belegbarkeit und realer Sichtbarkeit in mehreren KI-Systemen. Denn AI Visibility ist kein einzelnes Suchergebnis. Sie ist das Resultat aus technischer Zugänglichkeit, semantischer Klarheit, glaubwürdiger Substanz und tatsächlicher Auswahl durch eine KI.

Weiterführend: Was ist Generative Engine Optimization? Der VISIWING GEO-Guide 2026

Das Problem herkömmlicher AI-Visibility-Tests

Viele aktuelle Verfahren folgen einem einfachen Muster: Ein System stellt ChatGPT oder einer anderen KI einige Fragen, sucht in den Antworten nach einem Markennamen und berechnet daraus eine Mention Rate.

Als erster Indikator kann das hilfreich sein. Als vollständige Bewertung ist es zu schwach. Eine bloße Erwähnung beantwortet zentrale Fragen nicht:

• Wurde die Marke positiv, neutral oder negativ dargestellt?
• Wurde sie lediglich erwähnt oder tatsächlich empfohlen?
• Hat die KI die Leistungen des Unternehmens korrekt verstanden?
• Stützt sich die Antwort auf die eigene Website oder ausschließlich auf Drittquellen?
• Welche Wettbewerber wurden häufiger genannt?
• Wie hochwertig sind die verwendeten Quellen?
• Kann die Website konkrete Kundenfragen überhaupt zuverlässig beantworten?

Hinzu kommt die statistische Unsicherheit. Generative Systeme arbeiten nicht deterministisch. Dieselbe Anfrage kann zu unterschiedlichen Zeitpunkten andere Antworten und andere Quellen erzeugen. Eine 2026 veröffentlichte Untersuchung zu AI Visibility zeigt, dass einzelne Messläufe dadurch eine irreführende Präzision vortäuschen können. Sichtbarkeitswerte sollten als Stichproben aus einer variablen Antwortverteilung verstanden werden, nicht als unveränderliche Tatsachen. Ein seriöses Messverfahren muss deshalb mehrere Perspektiven kombinieren.

Wie funktioniert die VISIWING-Methode?

Die VISIWING-Methode bewertet, wie gut eine Website von führenden KI-Systemen verstanden, korrekt repräsentiert und empfohlen wird. Die interne Methodik trägt die Bezeichnung AI-CENSUS V3.x.

Der vollständige Audit besteht aus einer mehrstufigen Analysepipeline: ein vorgeschalteter Scope Scan, ein strategischer Crawl relevanter Seiten, eine semantische Tiefenanalyse, Sichtbarkeitstests, Grounded-Q&A-Prüfungen, technische Forensik, Scoring und anschließendes Monitoring.

Das Modell betrachtet vier gleichgewichtete Ebenen:

Der Gesamtscore ergibt sich aus dem arithmetischen Mittel dieser vier Ebenen. So wird verhindert, dass ein einzelner guter Wert grundlegende Schwächen verdeckt. Eine hohe Bekanntheit kompensiert keine unverständliche Website. Eine technisch perfekte Website kompensiert keine fehlende Marktpräsenz.

1. Structural Readiness: Kann eine KI die Website technisch lesen?

Die erste Ebene untersucht die maschinelle Grundlage der Website.

Eine Website kann für Menschen professionell wirken und für Maschinen trotzdem schwer interpretierbar sein. Inhalte werden dynamisch nachgeladen, strukturierte Daten fehlen, oder zentrale Identitätssignale sind über mehrere Seiten verteilt.

Die VISIWING-Methode prüft deshalb unter anderem:

• Sitemap und Crawling-Zugänglichkeit
• robots.txt
• Canonical-Informationen
• Open Graph und Social Metadata
• JSON-LD und Schema.org
• Organization- und Person-Schema
• ContactPoint
• FAQPage- und Article-Schema
• rechtliche Vertrauenssignale
• Konsistenz von Name, Adresse und Kontaktinformationen

Strukturierte Daten helfen Suchsystemen, Inhalte und die darin vorkommenden Entitäten zu verstehen. Google beschreibt ausdrücklich, dass strukturierte Daten dazu dienen, Informationen über Personen, Organisationen, Produkte und weitere Entitäten einer Seite maschinenlesbar zu erfassen.

Die VISIWING-Methode verlässt sich bei dieser Prüfung nicht allein auf ein Sprachmodell. Technische Artefakte werden zusätzlich regelbasiert direkt im HTML gesucht. Das ist ein entscheidender Qualitätsunterschied: Sprachmodelle übersehen vorhandene Elemente, insbesondere bei dynamischen Websites, komplexen Seitentemplates oder JavaScript-Anwendungen. Die technische Forensik reduziert solche Fehlbewertungen.

Structural Readiness misst damit nicht das Design einer Website, sondern ihre maschinelle Eindeutigkeit.

2. Interpretive Readiness: Versteht die KI, wofür das Unternehmen steht?

Technische Lesbarkeit bedeutet noch nicht, dass eine KI ein Unternehmen korrekt versteht.

Viele Websites verwenden austauschbare Formulierungen wie „Wir gestalten die Zukunft", „Wir schaffen innovative Lösungen" oder „Wir sind Ihr Partner für Transformation". Für Menschen können solche Aussagen emotional funktionieren. Für ein generatives System liefern sie kaum belastbare Information.

Die VISIWING-Methode analysiert deshalb jede relevante Seite auf konkrete semantische Signale:

• primäre Geschäftsabsicht
• Leistungen und Kompetenzfelder
• Markenname und Markenvarianten
• verantwortliche Personen und Experten
• Kunden, Referenzen und Partner
• Zielgruppen und Anwendungsszenarien
• Themenabdeckung
• Branchenzuordnung
• inhaltliche Lücken

Darauf folgt ein Grounded-Q&A-Test. Das System stellt Fragen, die sich anhand der Website beantworten lassen sollten: nach angebotenen Leistungen, Zielbranchen, Methoden, Ansprechpartnern, Referenzen oder konkreten Ergebnissen.

Entscheidend ist nicht nur, ob die Antwort irgendwo auf der Website steht. Geprüft wird, ob ein KI-System die Information korrekt extrahieren, verständlich wiedergeben und der eigenen Website zuordnen kann. Die Bewertung erfolgt in drei Stufen:

• Pass: Die Frage wird korrekt beantwortet, und die eigene Website wird als Quelle verwendet.
• Partial: Die Antwort ist grundsätzlich richtig, aber die Quellenzuordnung fehlt.
• Fail: Die Information lässt sich nicht zuverlässig ermitteln.

Damit trennt die VISIWING-Methode bloß vorhandene Inhalte von tatsächlich nutzbaren Inhalten. Eine Information, die eine KI nicht zuverlässig extrahieren und belegen kann, ist für die generative Suche nur eingeschränkt vorhanden.

3. Commercial Readiness: Reicht die inhaltliche Substanz für eine Empfehlung?

Generative Systeme erklären nicht nur, was ein Unternehmen anbietet. Bei kommerziellen Anfragen wählen sie häufig geeignete Anbieter, Produkte oder Lösungen aus. Für eine solche Empfehlung benötigt das System Belege:

• konkrete Leistungsbeschreibungen
• nachvollziehbare Methoden
• sichtbare Fachkompetenz
• Kundenreferenzen
• Cases und Projektergebnisse
• quantitative Kennzahlen
• klare Zielgruppen
• eindeutige Kontaktmöglichkeiten
• verständliche nächste Schritte

Die VISIWING-Methode bewertet deshalb nicht allein die semantische Verständlichkeit, sondern auch, ob die Website ausreichend kommerzielle Entscheidungssignale enthält.

Ein Beratungsunternehmen braucht andere Belege als ein Onlineshop, ein Hotel oder ein lokaler Dienstleister. Deshalb arbeitet die VISIWING-Methode branchenadaptiv. Bei einer Beratung zählen Methodik, Cases und messbare Resultate besonders. Bei einem Onlineshop sind Produktdaten, Verfügbarkeit, Bewertungen, Versand und Rückgabe entscheidender.

Dieses Prinzip stützt auch die ursprüngliche GEO-Forschung: Aggarwal et al. zeigten, dass Optimierungsstrategien je nach Themenbereich unterschiedlich wirken und eine domänenspezifische Betrachtung erfordern.

Commercial Readiness beantwortet damit eine entscheidende Frage: Findet die KI genügend nachvollziehbare Gründe, um aus einer Beschreibung eine Empfehlung zu machen?

4. Visibility Readiness: Wird die Marke tatsächlich ausgewählt?

Die vierte Ebene untersucht reale Antworten führender KI-Systeme. Die VISIWING-Methode testet dazu mehrere typische Suchintentionen über vier Engines:

• ChatGPT
• Gemini
• Perplexity
• Claude

Diese Systeme besitzen unterschiedliche Suchmechanismen, Trainingsstände und Quellenlogiken. Perplexity etwa bietet eine suchbasierte Infrastruktur mit kontinuierlich aktualisiertem Index und erzeugt Antworten mit Quellenangaben. Claude kann bei aktivierter Websuche automatisch Quellen ausweisen. OpenAI unterscheidet zwischen verschiedenen Crawlern und stellt Websitebetreibern getrennte Steuerungsmöglichkeiten für Suchzugriff und Modelltraining bereit.

Diese Unterschiede bedeuten: Eine Marke kann bei einer Engine sichtbar sein und bei einer anderen fehlen. Ein einzelnes System kann daher nicht stellvertretend für den gesamten Markt gemessen werden.

Die VISIWING-Methode berechnet vier zentrale Kennzahlen:

• Mention Rate — Wie häufig wird die Marke bei relevanten Fragen erwähnt?
• Recommendation Rate — Wie häufig wird die Marke aktiv als geeigneter Anbieter oder passende Lösung vorgeschlagen?
• Share of Voice — Welchen Anteil hat die eigene Marke an allen Markenerwähnungen im untersuchten Antwortkorpus?
• Visibility Index — Wie stark ist die kombinierte Sichtbarkeit aus Erwähnungen, Empfehlungen und Wettbewerbsposition?

Die Trennung von Mention Rate und Recommendation Rate ist besonders wichtig. Eine Marke kann häufig erwähnt werden, weil sie bekannt ist. Das heißt aber nicht, dass sie als beste oder passende Lösung gilt. Eine reine Erwähnung hat eine andere kommerzielle Bedeutung als eine aktive Empfehlung.

Grounded und Ungrounded Visibility

Ein weiteres Merkmal der VISIWING-Methode ist die Trennung von Grounded und Ungrounded Visibility.

Ungrounded Visibility: Das Modell antwortet ohne gezielten Zugriff auf die aktuell analysierte Website. Geprüft wird,

• ob die Marke bereits im Modellwissen vorhanden ist,
• wie das Unternehmen grundsätzlich eingeordnet wird,
• welche Leistungen mit ihm verbunden werden,
• ob falsche oder veraltete Informationen existieren,
• wie stark die Marke unabhängig vom aktuellen Retrieval verankert ist.

Grounded Visibility: Die KI darf auf die Website oder aktuelle Suchquellen zugreifen. Geprüft wird,

• ob die Website auffindbar ist,
• ob ihre Inhalte extrahiert werden können,
• ob sie als Quelle ausgewählt wird,
• ob ihre Aussagen in der Antwort verwendet werden,
• ob das Unternehmen auf Basis aktueller Informationen empfohlen wird.

Diese Trennung verhindert falsche Schlüsse. Eine bekannte Marke kann im Modellwissen stark vertreten sein, obwohl ihre Website schwach strukturiert ist. Eine junge Marke kann eine ausgezeichnete Website besitzen, aber noch nicht im allgemeinen Wissensbestand eines Modells vorkommen. Beide Situationen erfordern unterschiedliche Maßnahmen.

Warum Quellen nicht nur gezählt werden dürfen

Eine Quelle kann in einer KI-Antwort auftauchen, ohne die Antwort wesentlich zu beeinflussen.

Aktuelle Forschung unterscheidet deshalb zwischen Citation Selection und Citation Absorption. Citation Selection beschreibt, ob eine Seite als Quelle ausgewählt wird. Citation Absorption beschreibt, ob ihre Inhalte tatsächlich als Fakten, Argumente, Struktur oder sprachliche Grundlage in die Antwort einfließen. Eine Analyse von mehr als 21.000 Zitierungen zeigte, dass Anzahl und Einfluss der Quellen deutlich auseinanderfallen können.

Die VISIWING-Methode berücksichtigt das durch eine zusätzliche Bewertung der Referenzqualität. Analysiert wird unter anderem,

• ob die eigene Domain zitiert wird,
• welche Autorität die verwendeten Drittquellen besitzen,
• wie vielfältig die Quellenbasis ist,
• welche Quellen eigene Erwähnungen stützen,
• welche Quellen vor allem Wettbewerber sichtbar machen.

Besonders wertvoll sind die sogenannten Chancen-Quellen: Quellen, die in Antworten verwendet werden, in denen Wettbewerber vorkommen, die eigene Marke jedoch fehlt. Sie bilden eine konkrete Grundlage für digitale PR, Partnerschaften, Branchenverzeichnisse, Fachbeiträge und externe Positionierung. Unterstützende Quellen zeigen dagegen, welche Domains bereits zur eigenen Sichtbarkeit beitragen.

In der aktuellen VISIWING-Methodik wird die Quellenqualität transparent ausgewiesen, aber bewusst noch nicht in den Hauptscore eingerechnet. So bleibt die Grenze zwischen etablierten Scoring-Faktoren und zusätzlichen Diagnosewerten nachvollziehbar.

Forensische Verifikation gegen Fehlbewertungen

Eine gute AI-Visibility-Analyse muss auch die Fehler der eingesetzten KI-Modelle einkalkulieren.

Ein Sprachmodell kann behaupten, es gebe kein Impressum, keine Datenschutzerklärung oder kein strukturiertes Datenelement, obwohl das Signal technisch existiert.

Die VISIWING-Methode führt deshalb nach der semantischen Analyse eine zusätzliche Live-Prüfung durch. Die Website wird erneut direkt abgerufen. Regelbasierte Detektoren durchsuchen das aktuelle HTML nach technischen und rechtlichen Vertrauenssignalen. Erkannte Elemente können eine vorherige negative Bewertung korrigieren.

Dabei gilt ein konservatives Prinzip: Verifizierte positive Signale dürfen ergänzt werden. Bereits bestätigte Signale werden nicht ohne belastbaren Grund entfernt.

Diese Kombination aus probabilistischer KI-Analyse und deterministischer technischer Prüfung ist methodisch stärker als ein rein promptbasierter Audit.

Warum die VISIWING-Methode belastbarer ist

Sie untersucht Voraussetzungen und Ergebnisse. Viele Tools messen nur das sichtbare Resultat in einer KI-Antwort. Die VISIWING-Methode untersucht zusätzlich, welche technischen, semantischen und kommerziellen Bedingungen dieses Resultat verursachen.

Sie verwechselt Erwähnung nicht mit Empfehlung. Mention Rate und Recommendation Rate werden getrennt ausgewiesen. So wird sichtbar, ob eine Marke lediglich bekannt ist oder tatsächlich als Lösung ausgewählt wird.

Sie betrachtet mehrere Engines. ChatGPT, Gemini, Perplexity und Claude nutzen unterschiedliche Wissensstände und Retrieval-Mechanismen. Die Multi-Engine-Analyse reduziert das Risiko, aus einem einzelnen System allgemeine Aussagen abzuleiten.

Sie verbindet LLM-Analyse und technische Forensik. Semantische Interpretation wird durch deterministische Prüfungen ergänzt. Das senkt die Wahrscheinlichkeit falscher technischer Befunde.

Sie arbeitet branchenadaptiv. Die kommerziell relevanten Signale werden an das Geschäftsmodell angepasst. Ein lokaler Dienstleister wird nicht nach denselben Kriterien bewertet wie eine Unternehmensberatung oder ein Onlineshop.

Sie analysiert Wettbewerber und Quellen. Die Methode zeigt nicht nur, ob die eigene Marke sichtbar ist, sondern auch, welche Wettbewerber bevorzugt werden und welche externen Quellen diese Sichtbarkeit stützen.

Sie führt von der Diagnose zur Umsetzung. Aus technischen Defiziten, Content-Gaps, schwachen Belegen und fehlender Marktpräsenz werden priorisierte Maßnahmen abgeleitet.

Ein Score ist keine absolute Wahrheit

Eine professionelle Methode sollte ihre eigenen Grenzen benennen. Auch der VISIWING-Score ist kein naturwissenschaftlicher Messwert. Er ist ein strukturiertes Bewertungsmodell, das komplexe und teilweise variable Systeme vergleichbar macht.

Mehrere Faktoren können Ergebnisse beeinflussen:

• Modellaktualisierungen
• regionale Suchergebnisse
• Zeitpunkt der Anfrage
• Formulierung der Prompts
• aktivierte Suchfunktionen
• Änderungen an Suchindizes
• temporäre API-Fehler
• neue Inhalte von Wettbewerbern
• Änderungen an der eigenen Website

Die Nichtdeterministik generativer Systeme bedeutet, dass einzelne Unterschiede nicht überinterpretiert werden sollten. Wiederkehrende Scans, größere Prompt-Stichproben und Trendanalysen erhöhen die Aussagekraft. Auch die aktuelle Forschung empfiehlt, AI Visibility als statistische Messaufgabe zu behandeln und Unsicherheit sichtbar zu machen.

Die VISIWING-Methode ist deshalb nicht nur als einmaliger Audit konzipiert. Smart Rescans und Monitoring machen es möglich, Entwicklungen über die Zeit zu beobachten und Maßnahmen anhand tatsächlicher Veränderungen zu bewerten.

Vom Audit zur Optimierungsstrategie

Die Ergebnisse lassen sich vier Maßnahmenbereichen zuordnen.

Technische Optimierung: strukturierte Daten, Identitätssignale, Crawling-Zugänglichkeit, Seitenstruktur und technische Artefakte.

Inhaltliche Optimierung: klare Unternehmensdefinitionen, direkte Antworten, präzise Leistungsbeschreibungen, konsistente Entitäten und eine bessere Themenabdeckung.

Kommerzielle Optimierung: Cases, Kennzahlen, Referenzen, Methodenbeschreibungen, Autorenprofile, Kontaktpunkte und nachvollziehbare Leistungsbelege.

Externe Optimierung: digitale PR, relevante Branchenplattformen, Fachmedien, Partnerseiten und weitere Quellen, die von generativen Systemen tatsächlich verwendet werden.

Die ursprüngliche GEO-Studie zeigte, dass inhaltliche Maßnahmen wie Quellenangaben, Statistiken, verständlichere Formulierungen und eine bessere Darstellung die Sichtbarkeit in generativen Antworten erhöhen können, wobei die Wirkung je nach Domain und Suchkontext variiert. Weitere Forschung bestätigt die Bedeutung der Inhaltsstruktur: Eine 2026 veröffentlichte Untersuchung über sechs generative Systeme berichtet, dass optimierte Dokumentarchitektur, Informationssegmentierung und strukturelle Hervorhebung die Zitierungswahrscheinlichkeit verbessern können.

Fazit: Von Bekanntheit zu Empfehlung

Die zentrale Frage der digitalen Sichtbarkeit lautet künftig nicht mehr nur: Wo rankt unsere Website?

Sie lautet zunehmend: Versteht eine KI, wer wir sind, kann sie unsere Aussagen belegen, und empfiehlt sie uns bei einer relevanten Kundenfrage?

Diese Frage lässt sich nicht mit einem einzelnen Prompt beantworten. Die VISIWING-Methode verbindet deshalb vier Perspektiven: technische Lesbarkeit, semantisches Verständnis, kommerzielle Empfehlungsfähigkeit und reale Sichtbarkeit über mehrere KI-Systeme. Hinzu kommen Grounded- und Ungrounded-Tests, technische Forensik, Wettbewerbsanalysen, Quellenbewertung und wiederkehrendes Monitoring.

So entsteht mehr als ein Score. Es entsteht ein nachvollziehbares Modell dafür, warum eine Marke sichtbar ist, warum sie es nicht ist und welche Maßnahmen ihre Chance auf eine echte Empfehlung erhöhen. Gute AI Visibility beginnt nicht mit der Optimierung. Sie beginnt mit einer Messung, die zwischen Bekanntheit, Verständnis, Belegbarkeit und Empfehlung unterscheiden kann.

Häufige Fragen zu AI Visibility (FAQ)

Literatur und Quellen

1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. und Deshpande, A. GEO: Generative Engine Optimization. Vorgestellt auf der ACM KDD 2024. Link
2. Zielinski, R. Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Search Measurement. Preprint, 2026.
3. Zhang, K., He, X. und Yao, J. From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms. Preprint, 2026.
4. Xu, J., Wang, M., Ding, Y. und Sato, H. Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior. Preprint, 2026.
5. Google Search Central. Introduction to Structured Data Markup in Google Search. Link
6. OpenAI. Overview of OpenAI Crawlers. Link
7. Anthropic. Web Search Tool Documentation. Link
8. Perplexity. Search API und Sonar Dokumentation. Link
9. VISIWING. Tool-Dokumentation, Stand 13. Juni 2026.
10. VISIWING. GEO Guide 2026: Generative Engine Optimization. Link

Über den Autor