Kein Blog, sondern eine Forschungsbibliothek über die Markenwahrnehmung durch KI

Konzepte

Begriffe, die in Ansmeter-Artikeln und -Berichten verwendet werden. Ein einheitliches Vokabular erleichtert das Lesen der Forschung und den Vergleich der Ergebnisse.

Maschinenunterscheidbarkeit

Die Fähigkeit eines KI-Systems, eine Marke im relevanten Szenario verlässlich als die richtige Entität zu erfassen. Mehr als bloße Namensbekanntheit.

funktionale Sichtbarkeit

Die Beteiligung einer Marke am konkreten Entscheidungsmoment: in der engeren Auswahl, in einer Empfehlung oder in einem Vergleich. Eine Marke kann bekannt und dennoch funktional unsichtbar sein.

Quellenkontur

Die Gesamtheit eigener, externer, nutzergenerierter und strukturierter Quellen, aus denen ein System seine Einschätzung einer Marke bildet. Zentraler Gegenstand eines Audits.

Erwähnung

Die Tatsache, dass der Name einer Marke oder eine Entität in einer Antwort erscheint. Die schwächste Stufe der Präsenz.

Zitation

Eine Situation, in der eine Marke oder eine mit ihr verbundene Quelle zur Beleggrundlage einer Antwort wird. Stärker als eine bloße Erwähnung.

Einfluss

Die Fähigkeit einer Marke, den Rahmen einer Antwort zu setzen: Kriterien, Kategorie, Liste von Alternativen, Sprache des Vergleichs. Die wertvollste und zugleich seltenste Stufe.

Update-Verzögerung

Die Verzögerung zwischen einer Änderung eines Fakts über eine Marke und seinem stabilen Erscheinen in der maschinellen Antwort. Setzt sich aus mehreren Stufen zusammen.

Maschinenlesbarkeit

Der Grad, in dem sich Eigenschaften von Marke und Produkt zuverlässig aus strukturierten und synchronisierten Daten extrahieren lassen. Besonders wichtig für kommerzielle Szenarien.

Kategoriesubstitution

Die Verschiebung einer Marke in einen fremden Entscheidungsrahmen oder der Ersatz ihres Marktes durch eine andere Aufgabenkategorie. Passiert häufig vor dem direkten Vergleich von Marken.

Verlust vor dem Klick

Der entgangene Anteil einer Marke an der Formung der Auswahl noch vor dem Besuch der Website. Eine neue ökonomische Analyseeinheit.

Antwortumgebung

Ein Interaktionsmodus, in dem ein KI-System keine Dokumentenliste zurückgibt, sondern unmittelbar eine synthetisierte Antwort auf die Frage des Nutzers formuliert. Gerade in der Antwortumgebung konkurriert eine Marke nicht um eine Position in der Trefferliste, sondern um einen Platz innerhalb der fertigen Antwort.

GEO (Generative Engine Optimization)

Ein Bündel von Praktiken, die darauf abzielen, dass eine Marke in Antworten generativer KI-Systeme häufiger und präziser erscheint. Es unterscheidet sich vom klassischen SEO dadurch, dass nicht die Position in einer Linkliste, sondern die Beteiligung an der synthetisierten Antwort optimiert wird. Ein Marktbegriff, der bereits von Wettbewerbern und Kunden verwendet wird. Es ist nützlich, ihn zu kennen; wichtig ist jedoch, sich daran zu erinnern, dass hinter der Abkürzung dieselbe Aufgabe steht — Maschinenunterscheidbarkeit.

LLMO (Large Language Model Optimization)

Ein Synonym für GEO, das die Optimierung speziell für Sprachmodelle betont und nicht für Suchsysteme mit KI-Erweiterung. In Marktmaterialien kommt der Begriff seltener vor als GEO, beschreibt aber dieselbe Aufgabe.

RAG (Retrieval-Augmented Generation)

Ein architektonischer Ansatz, bei dem ein Sprachmodell vor der Generierung einer Antwort relevante Dokumente aus einer externen Quelle (Websuche, Wissensbasis, Katalog) abruft und sie als Kontext verwendet. Gerade RAG erklärt, warum Web-Quellen und strukturierte Daten die Antwort eines Modells in Echtzeit beeinflussen und nicht nur über das Training.

Zero-Click (zero-click)

Eine Situation, in der ein Nutzer direkt in der Oberfläche eines Such- oder Antwortsystems eine ausreichende Antwort erhält und auf keine externe Website wechselt. Im Zero-Click wirkt eine Marke entweder an der Formung der Antwort mit oder verliert den Kontakt zum Nutzer vollständig.

Wissensgraph (Knowledge Graph)

Eine strukturierte Datenbasis aus Entitäten und ihren Beziehungen, die von Such- und Antwortsystemen zur Identifikation, Klassifikation und Beschreibung realer Objekte verwendet wird. Die Präsenz einer Marke in einem Wissensgraphen (etwa im Google Knowledge Graph oder in Wikidata) erhöht die Wahrscheinlichkeit, dass die Entität in einer Antwort korrekt identifiziert wird.

Entitäts-Disambiguierung (entity disambiguation)

Die Fähigkeit eines Systems, eine Entität von einer anderen zu unterscheiden, wenn sich Namen, Kategorien oder Kontexte überschneiden oder ähneln. Wenn ein Markenname mehrdeutig ist oder mit einem Gattungsbegriff zusammenfällt, kann das Modell ihn systematisch mit einer anderen Entität verwechseln.

AI Overview

Ein Block mit einer synthetisierten Antwort, den Google über den gewöhnlichen Suchergebnissen anzeigt. Er wird von einem KI-Modell auf Basis von Web-Quellen generiert. Für viele Kategorien ist AI Overview bereits der erste Kontaktpunkt des Nutzers mit Informationen. Eine Marke erscheint entweder in diesem Block oder landet darunter.

Halluzination (hallucination)

Eine Situation, in der ein Sprachmodell eine Behauptung generiert, die nicht durch Quellen gestützt ist oder faktisch falsch ist, aber überzeugend klingt. Eine Halluzination kann einer Marke nützen (das Modell „erfindet“ einen Vorteil, den es nicht gibt) oder schaden (es schreibt ihr einen fremden Nachteil zu). Beides ist gefährlich.

Antwortblase

Ein Effekt, bei dem dieselbe Marke in den Antworten verschiedener KI-Systeme deutlich unterschiedlich erscheint, weil sich Trainingsdaten, Abrufarchitektur und Syntheselogik unterscheiden. Eine einheitliche KI-Sichtbarkeit gibt es nicht. Die Diagnose muss über mehrere Plattformen hinweg erfolgen.

agentische Wahl

Ein Szenario, in dem ein KI-Agent selbstständig sucht, vergleicht und für den Nutzer entscheidet — ohne zwischenzeitlich eine Liste von Optionen anzuzeigen. Im agentischen Szenario konkurriert eine Marke nicht um menschliche Aufmerksamkeit, sondern um maschinelle Präferenz. Dies ist die nächste Schwelle nach der Antwortumgebung.

Konfidenzgrad (Confidence Grade)

Eine interne Bewertung der Qualität einer Ausführung. Sie wird aus der Breite des Konfidenzintervalls, dem Anteil fehlgeschlagener prompts und der Streuung zwischen Szenariofamilien berechnet. Grade: A (hoch) — enges Intervall, stabiles Ergebnis. B (gut) — verlässliches Ergebnis mit moderater Variation. C (moderat) — spürbare Sensitivität gegenüber der Zusammensetzung des Korpus. D (explorativ) — das Ergebnis ist instabil; eine Wiederholung der Ausführung wird empfohlen. Der Konfidenzgrad zeigt, wie stabil die Messung ist. Bei C und darunter wird vor Entscheidungen eine Wiederholung der Ausführung empfohlen.

nativer Modus

Ein Modus, in dem das Modell ausschließlich aus Trainingsdaten antwortet, ohne Zugang zum Internet. Er zeigt, wie stark eine Marke im Grundwissen des Modells verankert ist. Wenn der Score im nativen Modus hoch ist, ist die Marke bereits im Modell verankert. Wenn er niedrig ist, kennt das Modell die Marke ohne externe Hinweise nicht.

Web-Modus

Ein Modus, in dem das Modell vor der Antwort zusätzlich im Internet nach Informationen sucht. Er zeigt, inwieweit externe Quellen die Position einer Marke stärken oder schwächen. Die Differenz zwischen Web-Modus und nativem Modus zeigt, ob die Website und das externe Umfeld einer Marke helfen oder schaden.

Konkurrenzset (competitive set)

Der festgelegte Kreis von Marken, gegenüber dem die untersuchte Marke gemessen wird. Der Begriff stammt aus der klassischen Marketingliteratur (Aaker, Keller, Kapferer) und bezeichnet jene Nachbarn, in deren Umfeld eine Marke überhaupt sinnvolle Anteilsmetriken erhält. In der KI-Sichtbarkeit wird das Konkurrenzset meist automatisch über prompts der Art „wen sollte man in dieser Kategorie sonst noch in Betracht ziehen" zusammengestellt und schwankt deshalb von Ausführung zu Ausführung leicht. Damit wiederholte Audits fair miteinander verglichen werden können, wird das Set bei der ersten Messung fixiert und in späteren Ausführungen wiederverwendet, bis der Kunde ausdrücklich eine Aktualisierung verlangt. Sichtbarkeitsmetriken lassen sich in solche unterteilen, die gegenüber der Zusammensetzung des Sets robust sind (Auftauchen in der Antwort, Position, Empfehlung), und solche, die davon abhängen (Anteile von Erwähnungen, Szenarien, Zitationen). Ohne eine explizite Fixierung des Sets ist der Vergleich von Anteilen zwischen zwei Ausführungen derselben Marke nicht korrekt: Der Nenner wurde neu berechnet, und die Arithmetik liefert eine neue Zahl an einer Stelle, an der sich das Verhalten des Modells gar nicht verändert hat.

Visibility Language Field (VLF)

Phänomen, bei dem ein KI-Modell je nach Sprache der Prompts ein unterschiedliches Konkurrenzset für eine Marke zusammensetzt. Beim Wechsel der Sprache verschwinden manche Wettbewerber aus den Antworten, andere tauchen auf, und das Ranking verschiebt sich radikal. Für eine dominante Marke der Kategorie schwankt der Gesamtscore moderat, aber für weniger sichtbare Wettbewerber kann die Spannweite Dutzende von Punkten betragen — bis hin zur vollständigen Unsichtbarkeit in bestimmten Sprachen. VLF entsteht durch die Asymmetrie der Trainingsdaten, Unterschiede in den Webquellen und die Bildung separater assoziativer Graphen für jede Sprache. Das Modell kann eine Marke in allen Sprachen gleich gut kennen, sie aber unterschiedlich empfehlen: in einer Sprache an die erste Stelle setzen und in einer anderen einem Wettbewerber weichen, der in der ersten Sprache überhaupt nicht existierte. Markenkenntnis garantiert keine Empfehlung. Eine Marke kann dem Modell in fünf Sprachen gleich gut bekannt sein, aber nur in zweien auf die Shortlist kommen. Auch die Wettbewerber unterscheiden sich — eine Strategie, die gegen ein bestimmtes Konkurrenzfeld funktioniert, kann in einer anderen Sprache wirkungslos sein. Empfohlen wird eine separate Studie für jede Sprache des Zielmarkts.

Anfragetyp

Eine Gruppe von Szenarien mit einem gemeinsamen semantischen Zweck — Prompts, die denselben Typ einer Nutzerfrage an ein KI-System prüfen. Ansmeter verwendet sechs Anfragetypen in der Kernformel und drei in der diagnostischen Schicht. Eine Aufschlüsselung des Berichts nach Anfragetypen zeigt, in welchen Gesprächssituationen mit der KI die Marke sichtbarer ist und in welchen weniger, und wo die größte Lücke zwischen bloßer Erwähnung und Aufnahme in die engere Auswahl liegt.

Lösungssuche (organic_discovery)

Anfragetyp, bei dem der Nutzer noch nach Optionen sucht und keine Marke benennt. Das Modell entscheidet selbst, welche Namen es zuerst einbringt. Nennt das Modell die Marke, wenn der Nutzer gerade erst mit der Suche beginnt? Der neutralste und anspruchsvollste Typ — hier hat die Marke nichts anderes einzubringen als ihre stabile Maschinenunterscheidbarkeit.

Engere Auswahl (organic_shortlist)

Anfragetyp, bei dem der Nutzer bereit ist zu vergleichen und das Modell bittet, eine engere Auswahl an Optionen zusammenzustellen. Schafft es die Marke in die engere Auswahl, wenn der Nutzer bereit ist zu vergleichen? Prüft, ob sie ihren Platz unter den ersten Namen hält oder im Kategorien-Pool verschwindet.

Rankings nach Kategorie (organic_ranking)

Anfragetyp, bei dem der Nutzer das Modell ausdrücklich darum bittet, die Akteure einer Kategorie zu ordnen („die besten", „Top 5", „wer ist stärker"). Wie hoch platziert das Modell die Marke in einem expliziten Kategorieranking? Zeigt nicht nur Sichtbarkeit, sondern auch die Ebene, auf der das Modell bereit ist, die Marke zu verteidigen.

Optionsvergleich (comparison)

Anfragetyp, bei dem der Nutzer mehrere Lösungen vergleicht, ohne bestimmte Markennamen zu nennen. Besteht die Marke in vergleichenden Fragen ohne Namensnennung? Prüft, ob die Marke von sich aus im Vergleichsdialog auftaucht oder ob das Modell sie zugunsten von Wettbewerbern ignoriert.

Vertrauen (trust)

Anfragetyp, bei dem der Nutzer nach Zuverlässigkeit, Sicherheit und der Solidität einer Entscheidung fragt. Assoziiert das Modell die Marke mit Zuverlässigkeit und guter Wahl? Misst direkt, ob die Marke in Maschinenantworten einen reputationsbasierten Anker besitzt.

Expertise (authority)

Anfragetyp, bei dem der Nutzer nach Autoritätssignalen sucht: Erfahrung, Zertifikate, lange Marktgeschichte, tiefes Fachwissen. Erkennt das Modell Autoritätssignale im Bereich der Marke? Zeigt, ob die Marke im Modell als „fachnaher" Akteur kodiert ist, dem man zuhören sollte.

Effekt der Websuche (web lift)

Der Unterschied zwischen der Markenbewertung im Web-Modus und im Native-Modus. Ein positiver Effekt bedeutet, dass externe Webquellen die Position der Marke stärken; ein negativer, dass sie sie verwässern; nahe null, dass die Marke über beide Modi gleich sichtbar ist. Zeigt, ob SEO und der externe Vertrauensperimeter sich in Maschinensichtbarkeit übersetzen, oder ob das Modell sich nur auf das stützt, was es im Training gelernt hat.

AI-Visibility-Bewertung (AI Visibility Score)

Die endgültige Bewertung der Marke im Ansmeter-Bericht auf einer Skala von 0–100. Wird ausschließlich aus den neutralen Szenarien der Kernformel berechnet; die diagnostische Schicht fließt nicht ein. Wird mit Konfidenzintervall und Konfidenzgrad berichtet. Dies ist der kanonische Begriff — dieselbe Zahl in verschiedenen Berichtsabschnitten wird „AI-Visibility-Bewertung" genannt. Varianten wie „Bewertung", „Rating" oder „Hauptbewertung" sind umgangssprachliche Abkürzungen desselben Konzepts und werden nur in der erzählerischen Prosa verwendet, wenn der Kontext klar ist.

Metriken der Kernformel

Ansmeter berechnet die AI-Visibility-Bewertung aus mehreren Metriken mit festen Gewichten. Fünf davon bilden die diagnostische Schicht „wie das Modell die Marke beschreibt, wenn sie direkt genannt wird": - **Recommendation Rate** — Anteil der Antworten, in denen das Modell die Marke ausdrücklich empfiehlt. - **Recommendation Strength** — wie sicher das Modell diese Empfehlung formuliert. - **Centrality** — ob die Marke das Hauptthema der Antwort ist oder nur beiläufig erwähnt wird. - **Positive Tone** — Anteil der Antworten mit explizit positivem Ton, wenn die Marke genannt wird. - **Argument Quality** — wie gut das Modell die Empfehlung mit Argumenten und Fakten stützt. Die englischen Namen werden als kanonische Begriffe beibehalten: Sie werden in der akademischen Literatur zur Messung von KI-Sichtbarkeit und in API-Antworten von Modellen verwendet; eine Übersetzung würde die Bedeutung verfälschen und die Verbindung zu externen Quellen abreißen. Diese fünf Metriken beschreiben nicht, wie oft die Marke erscheint, sondern wie das Modell sie beschreibt, sobald es sie erwähnt hat. Sie beeinflussen nur die diagnostische Schicht des Berichts — sie fließen nicht in die Hauptbewertung ein.

Aspirational-Ebene (aspirational tier)

Teilmenge des Wettbewerbsfelds mit den Marken, die die Kategorie dominieren — unabhängig davon, ob die untersuchte Marke direkt mit ihnen konkurriert. Sie besteht neben der Peer-Ebene: Peers sind die tatsächlichen Marktnachbarn der Marke, Aspirational-Marken die Kategorieriesen, die die Obergrenze setzen. Für Webflow in der CMS-Rolle bilden WordPress und Adobe Experience Manager die Aspirational-Ebene; Wix Studio, Framer und Squarespace die Peer-Ebene. Ohne die Aspirational-Ebene ist der Bericht strukturell bimodal — entweder man ist ein anerkannter Peer oder nicht, und die Metriken schrumpfen auf das Binär „verankert / nicht verankert“. Mit ihr wird der ehrliche Abstand zum Kategorieführer sichtbar, und der ist kein Urteil, sondern eine Koordinate: die Karte, wie weit die Marke von kategoriedominanter Größe entfernt ist und in welche Richtung Wachstum liegt.

Sweet-Spot-Kern (Sweet Spot kernel)

Der geometrische Mittelpunkt der beständigen Stärke einer Marke: die Menge der Prompt-Familien, in denen sie gleichzeitig in allen 24 Messungen des Rasters aus 3 Rollen × 4 Modellen × 2 Linsen stark steht (Position ≤ 3 und Erwähnungsrate über dem Schwellenwert). Eine Familie, die nur unter der Eigentümerlinse stark, unter der Käuferlinse aber schwach ist, gehört NICHT zum Kern — das ist eine Positionierungslücke und erscheint in Abschnitt 5. Der Kern ist ein mathematisch sauberer Punkt; erst die vier Schichten um ihn herum (Satelliten, emergente Attribute, Präsenzprofil, Stimmung und Belege) machen aus dem Punkt ein Porträt. Der Kern beantwortet die Frage „wo ist die Marke beständig stark, unabhängig von Linse und Modell“. Ein schmaler Kern bedeutet, dass die Stärke auf einer Familie sitzt; ein breiter, dass die Marke mehrdimensional wahrgenommen wird. Beide Formen sind Signal, kein Urteil.

Linsendelta (lens delta)

Der Abstand in der AI-Visibility-Bewertung zwischen der Eigentümerlinse (Prompts in der Sprache von Marketing und Branche) und der Käuferlinse (Prompts in der Sprache der Kaufenden). Beide Linsen laufen über exakt dasselbe Raster aus Rollen × Modellen × Wettbewerbsfeld — nur die Rahmung des Prompts unterscheidet sich. Genau deshalb ist das Linsendelta strukturell sauberer als die Streuung über Modelle oder Rollen: Es isoliert die Positionierungsasymmetrie, ohne dass Zusammensetzung des Felds oder Modellverzerrung hineinspielen. Drei Muster: konvergent (Delta unter dem Schwellenwert — die Selbstpositionierung deckt sich mit dem Denkmodell der Kaufenden), Eigentümer-stärker (die Marke erreicht Branchenbeobachter, aber nicht die Kaufenden, die ihr Anliegen selbst formulieren — Botschaftslücke), Käufer-stärker (die Marke wird genutzt und gekauft, das Marketingnarrativ bildet das aber nicht ab — untererklärte Positionierung). Ein großes Linsendelta ist ein direkter Beleg für eine Botschaftsasymmetrie, keine Hypothese. Die Ursache validiert der Kunde (echte Positionierungsschwäche oder Artefakt des Audits); die Asymmetrie selbst ist gemessen.

Konvergenzniveau (convergence level)

Qualitative Einschätzung, wie stark verschiedene LLMs bei der Einordnung der Marke im Wettbewerbsfeld übereinstimmen. Abgeleitet aus Kendalls Konkordanzkoeffizient (Kendall W): hoch (W > 0,7) — die Modelle sehen die Marke einheitlich, das Porträt ist Konsens; mittel (0,4 ≤ W ≤ 0,7) — teilweise Übereinstimmung; niedrig (W < 0,4) — deutliche Uneinigkeit, die Identität der Marke ist umstritten. Das Konvergenzniveau steht nicht für die Genauigkeit einer Zahl, sondern für die Belastbarkeit des Porträts: Bei hoher Übereinstimmung ist der Sweet Spot ein Konsens, bei niedriger die Mitte zwischen auseinanderlaufenden Sichtweisen — und dann wird die Divergenz selbst zum Thema (Abschnitt 4). Das Konvergenzniveau ist ein Signal ersten Ranges und kein Vertrauensabzeichen neben der Hauptzahl. Niedrige Konvergenz heißt nicht „der Bericht ist ungenau“, sondern „die Marke ist in den LLM-Ökosystemen ungleich verankert“ — und genau das ist die Diagnose.

Berichtsmetriken

Quantitative Metriken im Ansmeter-Bericht. Die Gewichte der Hauptbewertung bestimmen den AI Visibility Score. Die diagnostischen Gewichte gelten nur für die erklärende Schicht.

Gewichte der Hauptbewertung

Gewichte der diagnostischen Bewertung

Forschungsszenarien

Jedes Szenario testet eine andere Art von Sichtbarkeit

Erstnennung

Der Nutzer fragt zum ersten Mal nach einer Kategorie — ohne Namen, ohne Hinweise. Das Modell muss sich allein aus seinem internen Wissen an die Marke erinnern. Dies ist der grundlegende Test: Existiert die Marke für die Maschine als Teil der Kategorie?

Shortlist

Der Nutzer bittet das Modell, mehrere Optionen zum Vergleich vorzuschlagen. Der Test zeigt, ob die Marke in die engere Auswahl kommt — oder ob das Modell die Kurzliste ohne sie erstellt.

Vergleich

Das Modell vergleicht mehrere Lösungen nach den Kriterien des Nutzers. Der Test prüft, wie überzeugend die Marke ihre Position im direkten Vergleich hält — und welche Argumente das Modell für sie findet.

Ranking

Das Modell erstellt eine explizite Rangfolge nach gegebenen Kriterien. Der Test zeigt, welche Position die Marke in der Hierarchie einnimmt und wie beständig sie sich im oberen Teil der Liste hält.

Vertrauen

Der Nutzer fragt, ob man einer Lösung vertrauen kann — ist sie zuverlässig, sicher, erprobt? Der Test misst, ob das Modell die Marke mit Zuverlässigkeit assoziiert und bereit ist, sie als sichere Wahl zu empfehlen.

Expertise

Das Modell beantwortet eine Frage, die tiefes Produkt- oder Branchenwissen erfordert. Der Test prüft, ob das Modell Expertise-Signale in der Marke erkennt — spezifische Details, Spezialisierung, einzigartige Kompetenzen.

Aufgabensuche

Der Nutzer beschreibt eine konkrete Aufgabe oder ein Problem, ohne Produkte zu nennen. Das Modell wählt selbstständig eine passende Lösung aus. Der Test zeigt, ob das Modell die Marke als Antwort auf einen praktischen Bedarf erinnert.

Themennavigation

Der Nutzer erkundet ein Thema in mehreren Schritten — von allgemeinen zu spezifischen Fragen. Der Test prüft, ob die Marke im Verlauf der Vertiefung auftaucht und in welchem Kontext das Modell sie erwähnt.

Agentenwahl

Ein KI-Agent (automatisiertes System) wählt eine Lösung ohne menschliche Beteiligung — zum Beispiel für Integration oder Automatisierung. Der Test simuliert ein Szenario, in dem die Marke von einer Maschine für eine Maschine ausgewählt werden muss.