KI & Suche · Leitfaden
Wie Sie die KI-Sichtbarkeit lokaler Unternehmen messen: über Rankings und Nennungszahlen hinaus
Eine Nennungszahl zeigt, dass ein Unternehmen irgendwo aufgetaucht ist. Sie zeigt nicht, ob der richtige Standort mit korrekten Fakten jemandem in der Nähe empfohlen wurde, der dann angerufen hat oder vorbeigekommen ist. Das Framework, mit dem wir die KI-Sichtbarkeit lokaler Unternehmen messen, von einem Standort bis zu tausend.
Kurz gefasst
- Für ein lokales Unternehmen ist KI-Sichtbarkeit eine Reihe von Raten, gemessen über wiederholte, ortsbezogene Kundenfragen: keine Position und keine Nennungszahl.
- Nennung, Empfehlung und Zitierung sind verschiedene Ereignisse. Ein Unternehmen kann zitiert werden, ohne empfohlen zu werden, und empfohlen werden, ohne dass seine eigene Website zitiert wird.
- Genauigkeit ist Teil der Sichtbarkeit. Der Anteil der Antworten, in denen Betriebsstatus, Adresse, Telefonnummer oder Öffnungszeiten falsch sind, zählt mehr als die durchschnittliche Genauigkeit über alle Fakten hinweg.
- Ein zusammengesetzter AI Visibility Score dient als zusammenfassende Kennzahl (Summary-KPI) und wird gemeinsam mit zentralen Einzelkennzahlen gelesen: pro Markt und KI-Oberfläche die Empfehlungsrate für die maßgeblichen Entscheidungen, der Empfehlungsanteil gegenüber benannten Wettbewerbern und die Quote kritischer Fehler, jeweils mit Stichprobengröße, dazu die der KI zugerechnete Wirkung mit einem Hinweis darauf, was sie nicht erfasst (Klicks aus Googles KI-Funktionen zählen als organisch; Anrufe und Besuche übermitteln keinen Referrer).
KI-Sichtbarkeit ist eine Rate, kein Ranking
Die meisten Auswertungen zur KI-Sichtbarkeit laufen noch immer auf eine Nennungszahl hinaus: wie oft ein Unternehmen in KI-Antworten genannt wird. Sie ist leicht zu erheben und taugt wenig als Steuerungsgröße. Dieser Beitrag beschreibt, was wir stattdessen verwenden, nämlich das MapsExperts AI Visibility Measurement Framework: was gezählt wird, wie die Stichprobe angelegt wird und wo die Verlässlichkeit jeder Methode endet.
Rankings sind Positionen in einer Liste. Organische Positionen weisen die Plattformen selbst aus, als Durchschnittswert in der Search Console; Positionen im Local Pack und in Maps dagegen nicht, weshalb die lokale Suchmaschinenoptimierung sie über ein Raster von Suchstandorten verfolgt. KI-Antworten kennen keine solche Liste. Ein Assistent formuliert eine Antwort für eine Person, nennt einige Unternehmen, zitiert vielleicht eine Quelle, vielleicht auch nicht, und kann, erneut gefragt, anders auswählen. Keine KI-Oberfläche, die wir kennen, teilt Unternehmen mit, wie oft sie empfohlen wurden; das muss per Stichprobe erhoben werden. KI-Sichtbarkeit ist deshalb in Raten zu messen, und im Kern stehen drei, von denen jede für sich scheitern kann:
Die drei scheitern aus unterschiedlichen Gründen, und genau deshalb werden sie getrennt. Ein Standort, der nie genannt wird, hat ein Problem mit Relevanz oder Abdeckung. Einer, der genannt, aber selten empfohlen wird, unterliegt bei dieser konkreten Entscheidung hinsichtlich Eignung oder Reputation. Einer, der mit falschen Öffnungszeiten empfohlen wird, hat ein operatives Problem: Seine Daten sind an einer Stelle veraltet, an der ein Assistent nachsieht. Jeder dieser Fälle verlangt eine andere Reaktion, und ein einzelner Score, so nützlich er für die Verlaufskontrolle ist, kann nicht zeigen, welcher davon vorliegt.
Die KI-Oberflächen verhalten sich unterschiedlich, also messen Sie sie getrennt
Die KI-Umgebungen, auf die ein lokaler Kunde trifft, unterscheiden sich darin, woher ihre Ortsdaten stammen, wie sie den Standort des Nutzers bestimmen und ob sie Quellen anzeigen.
| Oberfläche | Was zu lokalen Antworten dokumentiert ist |
|---|---|
| Google Suche: klassische Suchergebnisse, Local Pack, Maps | Lokale Ergebnisse werden vor allem nach Relevanz, Entfernung und Bekanntheit eingestuft; für die Entfernung zählt der Standort der suchenden Person oder, wenn keiner geteilt wird, was Google darüber weiß[1] |
| Google AI Overviews und AI Mode | Keine Anforderungen über Indexierung und die Eignung für die Anzeige mit Snippet hinaus; beide können mehrere verwandte Suchanfragen ausführen („Query Fan-out“)[2]. Antworten können Informationen zu lokalen Unternehmen enthalten; Google nennt das Unternehmensprofil als einen Weg, dort zu erscheinen[3] |
| Gemini und Ask Maps | Die Gemini API kann Antworten auf Ortsdaten aus Google Maps stützen, einschließlich Öffnungszeiten und Bewertungen (Entwicklerdokumentation)[4]. Die Einführung von Ask Maps, dialogbasierten Empfehlungen direkt in Google Maps, begann im März 2026 in den USA und in Indien; im August wurde die Einführung in mehr als 150 Ländern und Gebieten auf Englisch angekündigt[5] |
| ChatGPT | Kann Antworten anhand eines ungefähren, aus der IP-Adresse abgeleiteten Standorts lokalisieren oder anhand des Gerätestandorts, wenn der Nutzer ihn freigibt; kann den Standort mit nicht namentlich genannten Anbietern von Informationen wie Einträgen nahegelegener Unternehmen teilen[6] |
| Perplexity | Nummerierte Zitierungen verknüpfen Antworten mit ihren Quellen[7] |
| Microsoft Copilot und Bing | Weist aus, wie oft eine Website in Copilot, in Bings KI-Zusammenfassungen und in einigen Partnerintegrationen zitiert wird (Zahl der Zitierungen; keine Klickdaten dokumentiert), und ordnet eine Stichprobe von Grounding-Anfragen, also den Suchformulierungen der KI selbst statt der Prompts der Nutzer, nach Suchintention ein, darunter „Local“[8] |
Prüfen Sie für jede KI-Oberfläche, ob sie in dem Markt, in der Sprache und im Kontostatus verfügbar ist, die Sie testen werden; die breite Einführung von Ask Maps etwa erfolgt auf Englisch. Assistenten, die hier nicht behandelt werden, etwa Siri mit Apple Maps, stützen sich auf andere Ortsdaten und brauchen eigene Prüfungen.
Daraus folgt dreierlei. Erstens verdeckt ein Durchschnitt über alle Oberflächen, welche Oberfläche versagt. Ein Assistent, der sich auf Kartendaten stützt, und einer, der sich an Webseiten orientiert, können denselben Standort recht unterschiedlich beschreiben; erst Raten pro KI-Oberfläche zeigen, wo die Lücke liegt. Zweitens: Messen Sie in den Nutzeroberflächen, die Kunden verwenden. APIs eignen sich für Volumen- und Trendanalysen, aber ein API-Aufruf läuft außerhalb der App und des Kontos des Kunden, sodass seine Antwort nicht unbedingt dem entspricht, was ein Kunde sieht; ein ergänzender Beitrag geht auf diesen Unterschied ein. Drittens messen Plattformberichte weniger als Sichtbarkeit: Die Search Console zählt Impressionen von Links zu Ihrer Website[9], Bing zählt Zitierungen[8], und eine Empfehlung, die auf einem Unternehmensprofil beruht, enthält womöglich gar keinen Link zu Ihrer Website.
Erst die Einheit definieren, dann zählen
Ein Durchlauf ist eine Antwort auf eine Formulierung einer Kundenentscheidung, gestellt in einem neuen Chat, von einem Ort aus, auf einer KI-Oberfläche, zu einem Zeitpunkt. Durchläufe werden zu Standort-Entscheidungs-Zellen zusammengefasst (ein Standort, eine Entscheidung, eine KI-Oberfläche, ein Zeitraum), und jede Rate wird pro Zelle oder Gruppe von Zellen ausgewiesen. Ein Durchlauf ist gültig, wenn die KI-Oberfläche die Frage so beantwortet hat, wie sie gestellt wurde, und zwar vom vorgesehenen Ort aus; Verweigerungen, Rückfragen und Fehler gehen nicht in den Nenner ein und werden pro KI-Oberfläche als eigener Anteil ausgewiesen.
Entscheidungen
Gruppieren Sie Fragen nach der Entscheidung, die dahintersteht: Kategorie („Zahnarzt in der Nähe“), Bedarf („Zahnarzt-Notdienst, Samstag geöffnet“), Leistung, Eignung und Faktenprüfung („Hat die Praxis in Favoriten am 24. Dezember geöffnet?“). Discovery-Fragen, die das Unternehmen nicht nennen, messen Nennung und Empfehlung sowie die Genauigkeit dessen, was eine Antwort über den Standort aussagt; Faktenfragen messen nur die Genauigkeit. Nicht alle Kunden formulieren einen Bedarf gleich; schreiben Sie deshalb drei bis fünf Formulierungen pro Entscheidung, in den Sprachen, die Kunden verwenden: in Wien Deutsch und Englisch.
Ort
Den Ort im Prompt zu nennen („beim Westbahnhof“) ist reproduzierbar und sollte den Kern des Fragenpanels bilden. Ein implizites „in der Nähe“ ist realistischer, aber nur so genau wie der Standort, den die KI-Oberfläche erhält: der Gerätestandort, wo er freigegeben ist, sonst ein ungefährer, aus der IP-Adresse abgeleiteter Standort[6], der ein Stück von dem Ort entfernt sein kann, an dem sich der Kunde tatsächlich befindet. Führen Sie implizite Prüfungen auf einem echten Smartphone vor Ort durch, dokumentieren Sie dabei die Standortberechtigung und weisen Sie die Ergebnisse gesondert aus; nur KI-Oberflächen, die den Gerätestandort erhalten, können zeigen, wie sich die Sichtbarkeit mit der Entfernung verändert.
Wiederholung und Personalisierung
Stellen Sie einem Assistenten zweimal dieselbe Frage, kann sich die Liste der Unternehmen ändern: Antworten werden generiert, nicht nachgeschlagen. Ein Teil davon geht auf das Modell zurück, ein Teil auf das Retrieval und ein Teil auf die fragende Person: Angemeldete Konten, Gedächtnisfunktion, Verlauf und Standort können Antworten prägen[6][5], und keiner dieser Effekte ist so genau dokumentiert, dass er sich vorhersagen ließe. Eine Position in einer KI-Antwort ist daher keine stabile Tatsache, die Rate, mit der ein Unternehmen über viele Durchläufe hinweg erscheint, lässt sich dagegen messen. Behalten Sie eine saubere Referenzmessung (abgemeldet oder mit neuen Konten und deaktivierter Gedächtnisfunktion) als festen Maßstab bei, ergänzen Sie eine kleinere Reihe von Durchläufen mit realistischen Konten und dokumentieren Sie für jeden Durchlauf das angezeigte Modell, den Kontostatus, die Methode der Standortbestimmung und das Datum.
Wie oft sollte jede Frage gestellt werden?
So oft, dass sich die Rate vom Rauschen unterscheiden lässt. Um eine Veränderung von 30 % auf 45 % zu erkennen (zweiseitig, 5-%-Niveau, 80 % Teststärke), braucht es für eine Zelle etwa 160 Durchläufe pro Zeitraum, und das Rechenbeispiel weiter unten zeigt, wie breit das Intervall nach 30 Durchläufen noch ist. Solche Werte setzen unabhängige Durchläufe voraus; starten Sie deshalb jeden in einem neuen Chat und verteilen Sie die Durchläufe über Formulierungen und Tage. Wo wenige Formulierungen oft wiederholt werden, führen Sie das Resampling auf Ebene ganzer Fragen durch und rechnen Sie mit breiteren Intervallen.
Das AI Visibility Measurement Framework
Kennzahlen auf Markenebene (Nennungszahlen, Share of Voice, Tonalität) sind für eine Marke ein vernünftiger Anfang, und die sorgfältigeren Ansätze trennen bereits Nennungen von Zitierungen und Empfehlungen und erfassen Faktenfehler sowie Schwankungen von Durchlauf zu Durchlauf. Diese Richtung teilen wir. Für ein Standortnetz reicht das nicht, denn es gewinnt oder verliert Kunden nicht als Marke, sondern Standort für Standort, Entscheidung für Entscheidung. Unser Framework wendet dort dieselbe Sorgfalt an. Es hat fünf Ebenen, und jede kann sich bewegen, während die anderen stillstehen.
| Ebene | Kennzahl | Definition und Berechnung | Erhebung | Wichtigste Einschränkung |
|---|---|---|---|---|
| 1. Nennung: Kommen wir in der Antwort vor? | Nennungsrate | Discovery-Durchläufe, die das Unternehmen nennen (beliebiger Standort) ÷ gültige Discovery-Durchläufe | Wiederholtes Fragenpanel pro KI-Oberfläche | Zählt auch beiläufige und negative Nennungen |
| 1. Nennung | Quote des richtigen Standorts | Durchläufe, die den für den erfragten Ort zuständigen Standort nennen ÷ Durchläufe, die das Unternehmen nennen | Ortsbezogenes Fragenpanel; vereinbarte Einzugsgebiete | Braucht eine Regel, welcher Standort gewinnen sollte; Einzugsgebiete überschneiden sich |
| 2. Empfehlung: Werden wir ausgewählt? | Empfehlungsrate | Discovery-Durchläufe, die den Standort als geeignet für den Bedarf darstellen ÷ gültige Discovery-Durchläufe | Jede Nennung klassifizieren (empfohlen, neutral, mit Vorbehalt, ungeeignet), anhand eines Bewertungsschemas, das festlegt, welche Klassen zählen | Die Klassifizierung braucht eine gemessene Übereinstimmungsprüfung |
| 2. Empfehlung | Top-Empfehlungsrate | Durchläufe, die den Standort an erster Stelle oder als ausdrücklich bevorzugte Wahl nennen ÷ gültige Discovery-Durchläufe | Wie oben | Die Reihenfolge im Fließtext ist ein schwaches Signal; Ergebniskarten und Text können voneinander abweichen |
| 2. Empfehlung | Empfehlungsanteil | Empfehlungen für den Standort ÷ alle Empfehlungen für das definierte Wettbewerbsumfeld, in denselben Durchläufen | Jedes empfohlene Unternehmen erfassen | Hängt vom Wettbewerbsumfeld ab; dieses mit ausweisen |
| 3. Genauigkeit: Stimmen die Fakten? | Feldgenauigkeit | Korrekte Fakten ÷ genannte Fakten; ein Fakt = ein Feld (Adresse, Telefon, Betriebsstatus, Öffnungszeiten eines Wochentags, ein Datum mit Sonderöffnungszeiten) | Abgleich mit dem eigenen Datensatz des Unternehmens, Stand am Tag des Durchlaufs | Schönt das Bild: Viele einfache Fakten können einen schädlichen Fehler verdecken |
| 3. Genauigkeit | Quote kritischer Fehler | Antworten mit mindestens einer falschen Angabe zu Betriebsstatus, Öffnungszeiten, Adresse oder Telefon ÷ Antworten, die den Standort nennen | Wie oben | Braucht eine datierte führende Datenquelle, Sonderöffnungszeiten eingeschlossen |
| 3. Genauigkeit | Auslassungsquote | Antworten, die einen erfragten Fakt auslassen ÷ Antworten auf Fragen, die diesen Fakt erfragt haben | Wie oben | Kürze ist nicht immer ein Fehler |
| 4. Quellen: Was stützt die Antwort? | Quellenmix | Zitierte Quellen nach Typ: eigene Website oder Standortseite, Kartenprofil, Verzeichnis oder Bewertungsportal, Medien, Forum, Video | Jede zitierte URL klassifizieren | Sichtbare Zitierungen umfassen nicht alle genutzten Quellen; manche KI-Oberflächen zeigen gar keine |
| 4. Quellen | Zitierquote eigener Quellen | Durchläufe, die die eigene Domain des Unternehmens zitieren ÷ gültige Durchläufe auf KI-Oberflächen, die Zitierungen anzeigen | Wie oben; Search Console und Bing zeigen verwandte, nicht identische Kennzahlen | Eine Zitierung kann einen Fakt stützen, ohne eine Empfehlung zu stützen |
| 4. Quellen | Lücke zwischen Zitierung und Empfehlung | Von den Durchläufen, die den Standort auf KI-Oberflächen mit angezeigten Zitierungen nennen: zitiert und empfohlen, nur zitiert, nur empfohlen, keines von beiden („zitiert“ = eigene Domain) | Kreuztabelle der Ebenen 2 und 4 | Hängt davon ab, wie die jeweilige KI-Oberfläche Zitierungen darstellt |
| 5. Wirkung: Löst die Antwort eine Handlung aus? | Sitzungen über KI-Verweise und Schlüsselereignisse | Sitzungen, Leads und Buchungen von identifizierbaren KI-Referrern | Kanalregeln in der Webanalyse; Standortseiten als Landingpages | Erfasst weder In-App-Traffic noch kopierte Namen noch Googles KI-Funktionen (als organisch gezählt)[10] |
| 5. Wirkung | Ersatzindikatoren für Offline-Handlungen | Anrufe, Routenanfragen, Buchungen; markenbezogene Suchnachfrage | Leistungsdaten im Unternehmensprofil; Call-Tracking; Search Console | Nicht spezifisch KI-Antworten zuzuordnen |
| Über alle Ebenen | Stabilität | Konfidenzintervall pro Rate; Übereinstimmung zwischen wiederholten Durchläufen | Wiederholung über Tage und Formulierungen | Kleine Panels ergeben breite Intervalle; Modellwechsel unterbrechen Zeitreihen |
Vier Regeln machen es praxistauglich. Weisen Sie jede Rate mit ihrem Nenner aus. Berichten Sie pro KI-Oberfläche und Standortgruppe; ein zusammengesetzter Score kann das Ergebnis zusammenfassen, ersetzt aber nie die einzelnen Raten. Prüfen Sie die Klassifizierung: Zwei Personen codieren eine Zufallsstichprobe von Antworten und weisen ihre Übereinstimmung aus (etwa mit einem zufallskorrigierten Maß wie Kappa), und jeder automatisierte Klassifikator wird nach Modellwechseln erneut gegen die menschliche Codierung geprüft. Und beurteilen Sie die Genauigkeit am eigenen Datensatz des Unternehmens am Tag des Durchlaufs; Sonderöffnungszeiten und Schließungen brauchen deshalb Datumsangaben in den Stammdaten.
Ein zusammengesetzter Score als zusammenfassende Kennzahl
Die Diagnose findet in den Einzelkennzahlen statt: Sie zeigen, wo sich Sichtbarkeit verändert. Die meisten Teams wollen zusätzlich eine Zahl, die sie im Zeitverlauf verfolgen können. Diesen Zweck erfüllt ein zusammengesetzter Score, der mehrere Kennzahlen der KI-Sichtbarkeit bündelt; unserer ist der MapsExperts AI Visibility Score, ein zusammengesetzter Index auf einer Skala von 0 bis 100. Er zeigt, ob sich die Gesamtleistung bewegt, und ist die naheliegende Leitkennzahl im Management-Reporting. Er funktioniert unter drei Bedingungen: Seine Komponenten und deren Definitionen bleiben von einem Zeitraum zum nächsten unverändert; er wird den Personen, die auf seiner Grundlage handeln, zusammen mit diesen Komponenten und ihren Stichprobengrößen berichtet; und jede seiner Veränderungen wird auf die Komponenten zurückgeführt, die sich bewegt haben. Ein Score, der steigt, weil sich die Nennung verbessert hat, während die Genauigkeit nachgelassen hat, ist keine Verbesserung, die ein Kunde als solche erkennen würde, und das zeigen nur die Komponenten.
Eine ergänzende Studie wendet diesen Ansatz, neben dem Tracking per UTM zugeordneter Leads, auf zehn kleine lokale Unternehmen an, die im September 2026 keine YouTube Shorts veröffentlichten und im Oktober damit begannen. Zwischen den beiden Monaten betrug die durchschnittliche Veränderung ihres zusammengesetzten MapsExperts AI Visibility Score +17 Punkte auf einer Skala von 0 bis 100: eine Beobachtung, kein Beleg dafür, dass die Videos sie verursacht haben, und eine Zusammenfassung, die, wie dieser Leitfaden darlegt, ihre Komponenten braucht, um erklärt zu werden.
Ein Rechenbeispiel
Eine Zahnarztgruppe betreibt drei Praxen in Wien: in Mariahilf, Favoriten und Döbling. Sechs Discovery-Fragen werden so gestellt, als kämen sie aus dem Bezirk der jeweiligen Praxis, mit dem Ort im Prompt, auf einer KI-Oberfläche, jede fünfmal über zwei Wochen: 30 Durchläufe pro Bezirk.
| Gestellt aus | Gruppe genannt (beliebige Praxis) | Richtige Praxis genannt | Richtige Praxis empfohlen | Antworten mit Nennung der Gruppe und kritischem Fehler |
|---|---|---|---|---|
| Mariahilf | 18 von 30 | 15 von 18 | 12 von 30 (40 %) | 3 von 18 |
| Favoriten | 12 von 30 | 7 von 12 | 6 von 30 (20 %) | 2 von 12 |
| Döbling | 6 von 30 | 2 von 6 | 1 von 30 (3 %) | 3 von 6 |
| Alle Bezirke | 36 von 90 (40 %) | 24 von 36 (67 %) | 19 von 90 (21 %) | 8 von 36 (22 %) |
Simulierte Werte. Die letzte Spalte ist eine Quote kritischer Fehler auf Gruppenebene: Antworten mit Fehler ÷ Antworten, die eine beliebige Praxis der Gruppe nennen.
Empfehlungsrate, Mariahilf: 12 ÷ 30 = 40 %, mit einem 95-%-Konfidenzintervall von etwa 25 % bis 58 %, wenn die Durchläufe als unabhängig behandelt werden; da es sich um sechs Fragen handelt, die je fünfmal gestellt wurden, ergäbe ein Resampling ganzer Fragen ein breiteres. Selbst auf dieser optimistischen Grundlage würde ein späterer Messwert von 45 % oder sogar 60 % aus 30 Durchläufen keine echte Veränderung belegen: Zwei Stichproben von je 30 unterscheiden sich erst dann signifikant, wenn sie etwa 25 Prozentpunkte auseinanderliegen, und lassen sich erst bei etwa 35 Prozentpunkten verlässlich unterscheiden (80 % Teststärke).
Empfehlungsanteil, Mariahilf: In denselben 30 Antworten entfielen 104 Empfehlungen auf das Wettbewerbsumfeld; die Praxis erhielt 12 (11,5 %), der am häufigsten empfohlene Wettbewerber 21 (20,2 %).
Genauigkeit: Die 36 Antworten, die die Gruppe nennen, machten 118 Faktenangaben, davon 106 korrekt, eine Feldgenauigkeit von 89,8 %; dennoch enthielten 8 der 36 Antworten (22 %) einen kritischen Fehler, am häufigsten Samstagsöffnungszeiten, die sich geändert hatten.
Ein Nennungs-Dashboard würde melden, dass die Gruppe in 40 % der Antworten vorkommt, und dabei relevante und irrelevante Fragen, richtige und falsche Standorte, aktuelle und veraltete Fakten vermischen. Getrennt betrachtet sagen die Durchläufe mehr. Aus Favoriten verfehlten fünf der zwölf Antworten, die die Gruppe nennen, die richtige Praxis. Die Praxis in Döbling ist dort, wo sie tätig ist, nahezu unsichtbar; bei 30 Durchläufen pro Bezirk hebt sich nur ihr Abstand zu Mariahilf klar vom Rauschen ab, die übrigen Unterschiede sind Signale für einen erneuten Test mit einem größeren Panel. Etwa jede fünfte Antwort, die die Gruppe nennt, gibt einen kritischen Fakt falsch wieder. Jeder Befund wirft eine eigene Frage auf: ob die Angaben der Praxis in Favoriten sie von ihren Schwesterpraxen unterscheiden, warum Döbling selten genannt wird und woher die veralteten Samstagsöffnungszeiten stammen.
Quellen: was Zitierungen aussagen können und was nicht
Bedeutet eine Zitierung durch ein KI-System auch eine Empfehlung?
Nein. Eine Zitierung zeigt, dass eine Seite als Quelle für einen Teil einer Antwort verwendet wurde. Eine Empfehlung bedeutet, dass das Unternehmen als geeignete Wahl dargestellt wurde. Beide können aus den unten genannten Gründen auseinanderfallen; messen Sie sie daher getrennt und achten Sie darauf, wo sie voneinander abweichen.
In einer Antwort, die einen Wettbewerber empfiehlt, kann eine Standortseite für eine Adresse zitiert werden; ein Unternehmen kann aufgrund von Kartendaten und Bewertungen empfohlen werden, ohne dass seine eigene Website zitiert wird. Die Zahl der Zitierungen wird oft als das Maß für KI-Sichtbarkeit behandelt. Für ein lokales Unternehmen geht diese Gleichung nicht auf, denn die Fakten, die über einen Besuch entscheiden (Betriebsstatus, Öffnungszeiten, Adresse), stammen oft aus Ortsdaten, die überhaupt keinen Link enthalten.
Deshalb stellt das Framework beides in einer Kreuztabelle gegenüber. „Zitiert, aber selten empfohlen“ deutet auf eine vertrauenswürdige Faktenquelle hin, die bei Relevanz oder Reputation unterliegt. „Empfohlen, aber nie zitiert“ deutet auf eine Antwort hin, die auf Plattformdaten beruht, die das Unternehmen nur teilweise kontrolliert, und genau dort liegt das Genauigkeitsrisiko. Für ein Standortnetz ist die Lücke auch ein Governance-Signal: Werden die eigenen Standortseiten der Marke nie zitiert, erfüllt die eigene Standortdatenschicht ihre Aufgabe nicht, wie unser Beitrag über Standortseiten für die KI-Suche erläutert.
Klassifizieren Sie zitierte Quellen nach Typ und rechnen Sie damit, dass sich der Quellenmix je nach KI-Oberfläche unterscheidet: Antworten, die auf Kartendaten beruhen, stützen sich auf Ortsdatensätze, andere greifen möglicherweise auf Websites, Verzeichnisse, Bewertungsportale und Videos zurück. Zitierkennzahlen der Plattformen verlangen dieselbe Sorgfalt: Bings Kennzahl „Citation Share“ beschreibt den Anteil einer Website an den Zitierungen für eine Grounding-Anfrage[8], nicht, wie oft ein Unternehmen ausgewählt wird.
Wirkung: was die Webanalyse zuordnen kann und was nicht
Können Search Console oder Google Analytics Traffic aus AI Overviews und AI Mode ausweisen?
Teilweise. Der Leistungsbericht der Search Console für generative KI zeigt Impressionen Ihrer Seiten in AI Overviews und AI Mode nach Seite, Land, Datum und Gerät, aber keine Suchanfragen und keine Klicks[9]. Klicks aus diesen Funktionen werden in der Search Console[2] und in Google Analytics als gewöhnlicher organischer Google-Traffic gezählt; der Kanal „AI Assistant“ in Google Analytics erfasst Assistenten wie ChatGPT, Gemini und Copilot, nicht aber Googles KI-Funktionen[10].
Vermerken Sie in jeder Zeitreihe die Einführung des Kanals „AI Assistant“ im Mai 2026: Zuvor fielen diese Besuche unter die übrigen Regeln der Standard-Channelgruppe, meist unter „Referral“, und Google gibt nicht an, ob frühere Daten neu zugeordnet wurden[10]; prüfen Sie deshalb Ihre eigene Property. Wo KI-Verweise noch selten sind, können wenige Sitzungen die Rate stark schwanken lassen; vergleichen Sie daher Zeiträume von mehreren Monaten.
Die größere Lücke liegt für lokale Unternehmen offline. Viele KI-gestützte Entscheidungen enden mit einem in Maps eingegebenen Namen, einem Anruf oder einem Besuch, und nichts davon übermittelt einen Referrer. Anrufe, Routenanfragen und Buchungen aus dem Unternehmensprofil lassen sich inzwischen in Google Analytics auswerten[10], sie zeigen aber, dass eine Handlung stattgefunden hat, nicht, dass eine KI-Antwort sie ausgelöst hat. Drei Schritte verkleinern den blinden Fleck: Machen Sie die eigene Seite jedes Standorts zum Website-Link in seinen Profilen und Einträgen und zum Linkziel im Store Locator, damit ein Link, wenn ein Assistent auf das Unternehmen verlinkt, auf eine standortspezifische Seite führen kann; erfassen Sie Anrufe, Buchungen und Routenanfragen als Schlüsselereignisse pro Standort; und ergänzen Sie bei der Buchung die Frage „Wie sind Sie auf uns aufmerksam geworden?“ um eine KI-Option, oft der direkteste Beleg, den ein lokales Unternehmen hat.
Von einem Standort bis zu tausend
In jeder Größenordnung lassen sich Veränderungen nur vor dem Hintergrund eines stabilen Panels interpretieren: ein fester Kern aus Fragen, Orten und KI-Oberflächen plus ein kleinerer rotierender Teil, beide versioniert, denn Prompt-Sets driften zu Fragen hin, bei denen das Unternehmen ohnehin gewinnt. Vermerken Sie für jeden Zeitraum Änderungen auf Seiten des Unternehmens (Öffnungszeiten, Seiten, Bewertungen) und auf Seiten der Plattformen (Einführungen wie Ask Maps, Modellwechsel). Senkt ein Modell-Update die Nennung aller Unternehmen, sollte sich der Empfehlungsanteil besser halten als absolute Raten, weil beide Seiten des Verhältnisses aus denselben Antworten stammen; ändert ein Update jedoch, wie viele Unternehmen eine Antwort nennt, verschieben sich alle Anteile, und Sie sollten deshalb die durchschnittliche Zahl genannter Unternehmen pro Antwort mit ausweisen. Screenshots dokumentieren einen bestimmten Fehler; Sichtbarkeit messen sie nicht.
Mit der Größe ändert sich, wie viel sich per Stichprobe erheben lässt, was automatisiert werden muss und wer für das Ergebnis verantwortlich ist.
| Standortnetz | Paneldesign | Turnus | Verantwortung |
|---|---|---|---|
| 1 Standort | 10–15 Entscheidungen mit je drei bis fünf Formulierungen, zwei oder drei KI-Oberflächen; Fakten von Hand mit dem eigenen, datierten Datensatz des Unternehmens abgeglichen, ebenso das Unternehmensprofil mit demselben Datensatz | Monatlich sowie nach Änderungen an Öffnungszeiten, Leistungen oder Adresse | Inhaber oder Agentur |
| 10 Standorte | Ein gemeinsames Set an Entscheidungen, jeder Standort für sein eigenes Einzugsgebiet getestet; wo sich Einzugsgebiete überschneiden, wird die Quote des richtigen Standorts zu einer Leitkennzahl | Monatlich | Marketingleitung, mit einer führenden Datenquelle für Öffnungszeiten |
| 100 Standorte | Genauigkeit an der Quelle überwacht: Ortsdatensätze bei Google, Apple, Bing und den wichtigsten Verzeichnissen mit dem führenden Datensatz abgeglichen; Discovery-Fragen in einer rotierenden Stichprobe nach Markt und Format, um einen festen Kern herum | Quellengenauigkeit wöchentlich bis monatlich; Empfehlung monatlich oder quartalsweise pro Markt | Zentrales Team, regionale Prüfung |
| 1.000+ Standorte | Quelldatensätze laufend entlang des Änderungskalenders geprüft (Feiertage, Schließungen, Umzüge); offizielle APIs für Volumen und Trends, gesondert ausgewiesen und an einer manuellen, geschichteten Stichprobe aus Nutzeroberflächen kalibriert; Ausnahmen an Location Operations weitergeleitet | Quellengenauigkeit laufend; Empfehlungsanteil quartalsweise pro Markt | Location Operations und Analytics |
Das sind unsere empfohlenen Ausgangspunkte, keine Standards und keine gemessenen Benchmarks. Ein Panel für einen einzelnen Standort mit einigen Dutzend Fragen findet große Lücken und hartnäckige Fehler, aber die monatliche Stichprobe eines Standorts kann keine Veränderungen um wenige Prozentpunkte zeigen; fassen Sie deshalb mehrere Monate zusammen, bevor Sie einen Trend ablesen. Bevor Sie Abfragen der Nutzeroberfläche eines KI-Dienstes automatisieren, prüfen Sie dessen Nutzungsbedingungen; wenn Sie Monitoring einkaufen, fragen Sie, wie Antworten erhoben werden und wie der Standort festgelegt wird. In großem Maßstab erzeugen viele kleine Vergleiche Fehlalarme: Markieren Sie einen Standort erst, wenn eine Veränderung über zwei Zeiträume anhält, und lesen Sie die Rate eines kleinen Standorts im Vergleich zum Durchschnitt seines Markts und Formats statt für sich allein. Wenn Sie Stichproben auf einen Markt oder das gesamte Netz hochrechnen, gewichten Sie jede Schicht nach ihrer Zahl an Standorten, und vergleichen Sie rotierende Stichproben nur anhand ihres gemeinsamen Kerns. In jeder Größenordnung gilt: Richten Sie Genauigkeitsprüfungen am Änderungskalender aus und prüfen Sie Sonderöffnungszeiten in der Woche vor einem Feiertag.
Für die Geschäftsleitung ist ein zusammengesetzter AI Visibility Score eine sinnvolle Leitkennzahl, sofern er zusammen mit den Kennzahlen aus der Zusammenfassung oben vorgelegt wird, pro Markt und KI-Oberfläche und jeweils mit Stichprobengröße und Trend. Der Score zeigt, ob sich etwas bewegt; die Zahlen darunter zeigen, warum. Dahinter ersetzt das Framework auf Standortebene einen Eindruck von Sichtbarkeit durch handlungsrelevante Belege: welcher Standort, welche Entscheidung, welche KI-Oberfläche, welcher Fakt.
Auch unsere Arbeit im Bereich Location Intelligence geht von einem definierten Set an Kundenentscheidungen aus statt von einer Prompt-Liste und führt wiederkehrende Lücken auf die plausibelsten steuerbaren Signale zurück: Standortdaten, Profile, Seiten und Bewertungen.
Quellen
- Google Unternehmensprofil-Hilfe. Tips to improve your local ranking on Google (öffnet in einem neuen Tab). Abgerufen am 9. November 2026. Plattformdokumentation.
- Google Search Central. AI features and your website (öffnet in einem neuen Tab). Zuletzt aktualisiert am 10. Dezember 2025. Plattformdokumentation.
- Google Search Central. Optimizing your website for generative AI features on Google Search (öffnet in einem neuen Tab). Zuletzt aktualisiert am 10. Juli 2026. Plattformdokumentation.
- Google AI Studio. Grounding with Google Maps (Gemini API documentation) (öffnet in einem neuen Tab). Abgerufen am 9. November 2026. Plattformdokumentation.
- Google, The Keyword. How we're reimagining Maps with Gemini; Ask Maps gets more helpful with food ordering and more (öffnet in einem neuen Tab). 12. März 2026 und 6. August 2026. Plattformankündigungen.
- OpenAI Help Center. Searching the web with ChatGPT (öffnet in einem neuen Tab). Abgerufen am 6. November 2026. Plattformdokumentation.
- Perplexity Help Center. How does Perplexity work? (öffnet in einem neuen Tab). Abgerufen am 9. November 2026. Plattformdokumentation.
- Bing Webmaster Blog und Bing Search Blog. Introducing AI Performance in Bing Webmaster Tools (Public Preview); New AI Visibility Insights in Bing Webmaster Tools: Intents, Topics, Citation Share, Compare (öffnet in einem neuen Tab). 10. Februar 2026 und 16. Juni 2026. Plattformdokumentation.
- Search-Console-Hilfe. Generative AI performance report (Search) (öffnet in einem neuen Tab). Angekündigt am 3. Juni 2026; seit 31. August 2026 für alle Websites verfügbar. Plattformdokumentation.
- Google-Analytics-Hilfe. What's new in Google Analytics (entries of 13 May and 8 June 2026); [GA4] Default channel group (öffnet in einem neuen Tab). 13. Mai 2026 und 8. Juni 2026; „Default channel group“ abgerufen am 9. November 2026. Plattformdokumentation.
Wie dieser Beitrag recherchiert wurde. Die Plattformfunktionen wurden am 9. November 2026 anhand der aktuellen Dokumentation von Google, Microsoft und Perplexity geprüft, anhand der Dokumentation von OpenAI am 6. November 2026. Framework, Definitionen und Empfehlungen stammen von MapsExperts. Das Beispiel der Zahnarztgruppe und seine Zahlen sind simuliert. Die Panelgrößen und der Turnus in der Tabelle zur Skalierung sind unsere Empfehlungen, keine Standards. Die Konfidenzintervalle sind Score-Intervalle zum 95-%-Niveau; die Schätzung der Stichprobengröße ist eine Standardberechnung für den Vergleich zweier Anteile (zweiseitig, 5-%-Niveau, 80 % Teststärke) unter der Annahme unabhängiger Durchläufe. In Standortnetzen lassen sich Markierungen auf Standortebene zusätzlich mit einer Korrektur der False Discovery Rate absichern und die Raten kleiner Standorte mit partiellem Pooling in Richtung Markt und Format schätzen. Quellen zuletzt geprüft am . Recherchestandards
Weitere Insights
-
YouTube Shorts und KI-Sichtbarkeit: Was wir bei 10 lokalen Unternehmen beobachtet haben
Zehn lokale Betriebe starteten im Oktober 2026 mit YouTube Shorts. Ihr AI Visibility Score: im Schnitt +17 Punkte auf einer Skala von 0 bis 100. Was das zeigt.
-
Veraltet statt erfunden: Das eigentliche Problem für Standortnetze in der KI-Suche
KI-Assistenten erfinden selten Unternehmen. Sie nennen alte Öffnungszeiten, Adressen und geschlossene Filialen. Was Studien und unsere Kundenanalyse zeigen.
-
Warum die KI-Suche für jeden Standort eine eigene Seite braucht
Store Locator und Local Landing Pages als Standortdaten-Infrastruktur: Angaben aus erster Hand zu jedem Standort, lesbar für Suche, Karten und KI-Assistenten.