Genannt heißt nicht verlinkt: was 1.620 KI-Antworten über DACH-Sichtbarkeit zeigen
Mit KI diskutierenClaude ↗ChatGPT ↗
Wenn Ihnen eine Firma von einem Bekannten empfohlen wird, geschehen zwei unterschiedliche Dinge. Er sagt den Namen. Und er gibt Ihnen die Adresse, damit Sie tatsächlich hingehen. In den Antworten von ChatGPT, Gemini und Co. sind das zwei getrennte Vorgänge, und sie fallen weiter auseinander, als die meisten glauben. Der Name im Fließtext ist die Empfehlung. Der klickbare Link auf Ihre Domain ist die Adresse. Wer nur gelobt, aber nie verlinkt wird, existiert im Gespräch und verschwindet an der Tür.
Genau diese Lücke habe ich am 27. Juli 2026 gemessen. 180 kommerzielle Suchszenarien, sechs Branchen, drei Märkte (Deutschland, Österreich, Schweiz), drei KI-Engines, drei Läufe pro Kombination: 1.620 kontrollierte API-Abfragen, alle Rohdaten offen. Das Ergebnis ist keine Ranking-Liste. Es ist der Beleg, dass zwei Kennzahlen, die ständig verwechselt werden, oft in entgegengesetzte Richtungen zeigen.
Zwei Zahlen, die nicht zusammenpassen
Der Wanderschuh-Hersteller LOWA wird in Deutschland in 92,2 % aller getesteten Antworten namentlich genannt. Verlinkt wird lowa.com in 26,7 %. Zwei von drei Empfehlungen enden also ohne Adresse. Fahren Sie mit der Branche der Self-Storage-Anbieter in dieselbe Auswertung, kippt das Bild vollständig: Die Marke wird im Schnitt nur zu 7,6 % im Text genannt, aber zu 48,1 % verlinkt. Hier fehlt fast nie die Adresse, dafür oft der Name.
Das ist die zentrale Beobachtung dieser Baseline: Nennung und Link laufen je Branche auseinander, mal in die eine, mal in die andere Richtung. Wer Sichtbarkeit nur als „Kommen wir in KI-Antworten vor?“ begreift, misst je nach Branche die falsche Hälfte.
Kurz definiert, an Alltagsbeispielen
Bevor es tiefer geht: drei Begriffe, ohne die der Rest unscharf bleibt. Ich benutze sie im ganzen Text mit genau dieser Bedeutung.
Die Erwähnungsrate ist der Anteil der Antworten, in denen Ihr Markenname im Fließtext auftaucht. Fragt jemand nach Wanderschuhen und die Antwort schreibt „Lowa, Meindl und Hanwag sind etablierte Marken“, dann ist das für alle drei eine Erwähnung. Ob dabei ein Link auf die jeweilige Seite steht, spielt für diese Zahl keine Rolle.
Die Zitationsrate ist der Anteil der Antworten, in denen Ihre Domain als anklickbare Quelle unter oder in der Antwort erscheint. Das ist die Adresse. Eine Marke kann hoch zitiert und selten genannt werden (der Fall Local) oder oft genannt und selten zitiert (der Fall E-Commerce). Beide Metriken sind Mittelwerte über 90 Läufe je Provider, unabhängig voneinander erhoben.
Die Grounding-Rate schließlich sagt, wie oft ein Modell überhaupt live im Web nachschlägt, statt aus dem Gedächtnis zu antworten. Ein Modell, das nicht erdet, kann Ihren Namen zwar aus dem Training kennen und nennen, aber keine frische Quelle verlinken. Eine Nennung ohne Beleg nenne ich halluzinierte Erwähnung – das Modell weiß, dass es Sie gibt, hat aber gerade nicht nachgesehen. Ihr Gegenstück ist die attribuierte Zitation: eine Nennung, die auf einer tatsächlich abgerufenen Quelle sitzt und einen Link trägt. Die Differenz zwischen beiden ist kein statistischer Störfaktor. Sie ist das eigentliche Thema.
Warum ein Modell lobt, ohne zu verlinken
Die Antwort steckt im Verhalten der Engines, und LOWA zeigt sie im Kleinen. Aufgeteilt nach Modell sieht die deutsche E-Commerce-Messung so aus: GPT-5 Mini nennt LOWA in 86,7 % der Läufe und verlinkt in 40,0 %. Gemini 3.5 Flash nennt in 93,3 %, verlinkt aber nur in 26,7 %. Gemini 3.5 Flash-Lite treibt es auf die Spitze: 96,7 % Nennung, 13,3 % Zitat. Je stärker ein Modell auf sein eingebautes Markenwissen zurückgreift, desto häufiger fällt der Name allein.
Das liegt an zwei Arbeitsschritten, die im selben Satz zusammenkommen (FIG 02). Den erklärenden Teil baut das Modell aus seinem Markenwissen auf: LOWA, Meindl, und Hanwag gehören zum Allgemeinwissen über Wanderschuhe und erscheinen fast reflexhaft. Den belegenden Teil zieht es aus den abgerufenen Seiten, wo an der Stelle der Marke oft ein Händler, ein Testportal oder ein Ratgeber die zitierfähige Aussage liefert. Die Marke wird gelobt, verlinkt wird der Beleg.
Für Sie heißt das: Eine hohe Erwähnung bei niedriger Zitation ist kein Bekanntheitsproblem. Sie sind bekannt genug, um genannt zu werden. Sie sind nur nicht die Seite, die das Modell als Quelle vorzeigt. Das ist dieselbe Lücke, die ich an anderer Stelle als abgerufen, aber nicht zitiert beschrieben habe, hier nur eine Stufe früher: genannt, aber nicht belegt.
Das lokale Paradoxon, ehrlich aufgelöst
Bleibt die Gegenrichtung. Warum kassieren ausgerechnet Self-Storage-Anbieter fast jede zweite Verlinkung, während ihre Namen kaum im Text stehen? Zwei Mechanismen wirken zusammen, und einer davon ist ein Messartefakt, das ich offenlegen muss, sonst überzeichnet die Zahl.
Der erste Mechanismus ist echt und der interessantere. Lokale Fragen zwingen das Modell zu erden. „Welche Self-Storage-Anbieter mit gut erreichbaren Standorten gibt es in Berlin?“ lässt sich nicht sinnvoll aus dem Gedächtnis beantworten, das Modell muss aktuelle, ortsbezogene Daten holen. Und die liegen in Verzeichnissen, in Kartendiensten, auf den Standortseiten der Anbieter selbst. Genau dorthin geht dann der Link. Wo eine Frage ohne frische Erdung falsch wäre, verlinkt die Engine zuverlässig auf die erdende Quelle. Das deckt sich mit dem, was ich zur Rolle von Maps und Bewertungen beim Grounding beschrieben habe.
Der zweite Mechanismus ist der Messfehler, und er betrifft die niedrige Nennung. Meine Erwähnungsmetrik prüft den exakten Provider-Namen inklusive Ortszusatz, also „MyPlace Wien“. In den Antworten steht aber „MyPlace“. Das Modell nennt die Marke sehr wohl, nur eben ohne die Stadt, und der exakte Abgleich zählt das nicht als Treffer. In den Rohdaten ist das eindeutig: „MyPlace“ steht im Text, „MyPlace Wien“ nie, myplace.at wird verlinkt. Die reale Nennung liegt also höher als 7,6 %. Das Paradoxon schrumpft dadurch, es verschwindet aber nicht: Der Link-Vorsprung bleibt, weil lokale Antworten strukturell erden.
B2B-Industrie und SaaS fallen aus dem entgegengesetzten Grund bei den Links ab. Ihre Fragen lassen sich oft aus Markenwissen beantworten, ohne dass eine frische Quelle nötig wäre. Das Modell nennt Salesforce, weil es Salesforce kennt, nicht weil es salesforce.com gerade gelesen hat. Nennung ja, Beleg nein.
Der Intent entscheidet über den Link
Die Branche erklärt einen Teil der Spreizung, die Absicht hinter der Frage einen weiteren. Jeder der 60 Szenarien-Typen trägt eine Kaufphase, von der ersten Entdeckung bis zur Transaktion. Zählt man die abgerufenen Quellen je Lauf, verschiebt der Prompt-Typ die Zitatdichte deutlich (FIG 03): von 18,8 Zitaten bei Bewertungsfragen bis hinunter zu 11,5 bei den Auswahllisten.
Das läuft der Alltagsintuition zuwider. Man würde erwarten, dass eine kaufnahe Frage („Wo kann ich in Wien kurzfristig einen Lagerraum online reservieren?“) die dichteste Quellenlage erzeugt. Tatsächlich holt das Modell die meisten Belege dort, wo abgewogen wird, nicht dort, wo gekauft wird. Ein offener Vergleich zwingt es, mehrere Optionen gegeneinander zu belegen. Eine Transaktionsfrage bekommt eine kürzere, entschlossenere Antwort mit weniger Quellen. Konkret liegen diese drei Prompts in derselben Branche und ziehen völlig verschiedenes Verhalten:
- Entdeckung: „Welche Wanderschuh-Marken und Onlineshops sind für Tages- und Mehrtagestouren in Deutschland relevant?“
- Aufgabenlösung: „Welche wasserdichten Wanderschuhe eignen sich für breite Füße und nasse, steinige Alpenwege?“
- Vergleich: „Vergleiche die drei geeignetsten CRM-Systeme für ein 50-köpfiges B2B-Team nach Einführungsaufwand, Automatisierung, Reporting, Datenexport und Gesamtkosten.“
Die Vergleichsfrage produziert die dichteste, am besten verlinkte Antwort. Die Entdeckungsfrage nennt viele Marken und verlinkt wenige. Das bedeutet in der Praxis, dass Sie, wenn Sie zitiert werden wollen, die Fragen zur Vergleichung und Bewertung Ihrer Kategorie beantworten müssen, nicht nur die Absicht, eine Marke oder einen Kauf zu betätigen. Dort vergibt die Engine die Links.
Ein zweiter Effekt liegt darunter und betrifft nur GPT-5 Mini, weil dieses Modell die Suche überspringen darf. Bei Vergleichsfragen endet es in 98 % der Läufe, bei Bewertungen in 94 %. Bei Auswahllisten fällt die Erdungsquote auf 57 %, beim Kundensupport auf 46 %. Wo das Modell glaubt, die Antwort schon zu kennen, sucht es seltener und verlinkt entsprechend weniger. Der Intent steuert also nicht nur, wie viele Quellen gezogen werden, sondern ob überhaupt gesucht wird.
Welche Seiten die Modelle zitieren
Wenn der Link vergeben wird, wohin zeigt er dann? Ich habe die 13.059 realen Zitat-URLs von GPT-5 Mini nach Seitentyp ausgezählt. Das Ergebnis ist eindeutig: Rund drei von vier Zitaten führen auf tiefe, spezifische Unterseiten, nicht auf Startseiten. Nur etwa ein knappes Viertel landet auf einer Homepage oder einer obersten Ebene. Kategorie- und Produktseiten aus Shops machen rund 7 % aus, Blog- und Ratgeberinhalte gut 5 %, ausdrückliche Test- und Vergleichsseiten gut 2 %.
Der aufschlussreichste Block sind die Drittquellen. Amtliche Register und Fachverzeichnisse tauchen als zitierte Quellen prominent auf, besonders in der Baufinanzierung: ris.bka.gv.at, finma.ch, wko.at, vermittlerregister.info. In der Schweizer SaaS-Auswertung stehen neben den Anbieterseiten der Datenschutzbeauftragte edoeb.admin.ch und die Microsoft-Dokumentation learn.microsoft.com. Das Modell belegt seine Aussagen also nicht nur mit der Marke, sondern mit der Instanz, die die Marke bestätigt.
Daraus folgt eine unbequeme Konsequenz für die Startseiten-Optimierung. Die Engine will die Seite, die eine konkrete Frage konkret beantwortet, nicht die Visitenkarte der Firma. Eine gepflegte Standortseite, ein sauberes Datenblatt, eine Ratgeberseite mit einer überprüfbaren Empfehlung werden eher zitiert als die Homepage. Wer nur die Startseite poliert, optimiert an der Stelle, die am seltensten den Link bekommt.
Die Nullen sagen am meisten
Fünf Provider stehen bei beiden Metriken auf 0,0 %. Diese Ausreißer sind lehrreicher als jede Spitzenposition, weil sie verschiedene technische Ursachen sichtbar machen.
Der klarste Fall ist weclapp in der Schweiz. In allen 90 Schweizer SaaS-Läufen wird die Marke kein einziges Mal genannt, kein einziges Mal verlinkt. Das ist kein Formulierungsproblem, sondern eine fehlende Entitäts-Zuordnung: Für die Modelle ist weclapp im Kontext „CRM Schweiz“ schlicht keine relevante Größe. Den Platz, den man dort erwarten würde, besetzt bexio, der lokale Platzhirsch, mit 69 Zitaten in derselben Auswertung. Wo eine starke lokale Entität den Slot hält, kommt eine im Markt schwächer verankerte Marke nicht einmal in die Nennung. Zum Vergleich: In Deutschland wird weclapp immerhin zu 15,6 % genannt und zu 21,1 % zitiert. Dieselbe Software, ein anderer Markt, ein anderer Entitätsstatus.
Mammut im deutschen Wanderschuh-Test ist ein anderer Nulltyp: 6,7 % Nennung, 0,0 % Zitat. Die Marke ist bekannt und wird vereinzelt genannt, aber im spezifischen Segment Wanderschuhe nie als Quelle vorgezeigt. Das ist ein Kategorie-Fit-Problem, keine Unbekanntheit. Mammut steht für Bergsport breit, für Wanderschuhe im Speziellen gewinnen die Fachmarken den Beleg.
Die restlichen Nullen (Lagerplatz.de in Berlin, Boxroom in Wien, FW Finanzarchitektur in Österreich) folgen demselben Muster: schwache oder fehlende Verankerung in genau den Verzeichnissen, Registern und Kartendaten, aus denen die Engine für diese Frage ihre Belege zieht. Wer dort nicht auftaucht, wo das Modell erdet, ist für das Modell nicht vorhanden. Sichtbarkeit beginnt nicht beim Content, sondern bei der Frage, ob die erdende Datenschicht Sie überhaupt kennt.
Was ich einem Kunden mit so einem Wert rate
Der häufigste Fall in der Beratung ist die hohe Nennung bei niedriger Zitation, also der LOWA-Typ. Der erste Reflex, mehr Marken-Content zu produzieren, geht am Problem vorbei. Sie werden ja bereits genannt. Was fehlt, ist die Präsenz an der Stelle, an der die Engine ihre Belege holt, und die liegt oft nicht auf Ihrer eigenen Domain.
Deshalb der konkrete Hebel: Bauen Sie Präsenz in den Drittquellen auf, aus denen das Modell erdet. Für lokale und für regulierte Geschäfte sind das Fachverzeichnisse, amtliche Register und Kartendaten, für Produkte die unabhängigen Test- und Vergleichsseiten, für B2B die Dokumentations- und Integrationsökosysteme. Die eigene Domain bleibt wichtig, aber sie reicht nicht als alleinige Belegquelle, wenn die Engine ihre Zitate strukturell außerhalb vergibt. Das Ziel ist nicht mehr Reichweite, sondern Zitierfähigkeit: an den drei, vier Orten aufzutauchen, die das Modell für Ihre Kategorie tatsächlich abruft.
Praktisch heißt das drei Schritte in dieser Reihenfolge. Zuerst die Entität festziehen, also Registereinträge, Verzeichnisprofile und Kartendaten mit sauberen, konsistenten Angaben, sonst bleibt es beim Nullwert. Dann die eine Seite je zentraler Frage zitierfähig machen, mit einer überprüfbaren Aussage weit oben statt am Textende. Erst danach Content skalieren. Diese Reihenfolge umzudrehen ist der teuerste Fehler, weil skalierter Content ohne Entitäts-Fundament genau die 0,0 % produziert, die weclapp in der Schweiz zeigt.
Gemessen wird die API-Oberfläche, nicht der Web-Chat
Eine Frage entscheidet über die Deutung jeder KI-Sichtbarkeitszahl: Welche Oberfläche wurde gemessen? Dieser Benchmark fragt die Modelle direkt über ihre Programmierschnittstellen ab, geroutet über OpenRouter, bei Gemini weiter an Googles Vertex-Suche, bei GPT-5 Mini an die virtualisierte Exa-Suche. Das ist nicht dasselbe wie chatgpt.com, gemini.google.com oder perplexity.ai im Browser. Es sind zwei verschiedene Umgebungen, und ihre Zahlen dürfen auseinanderlaufen.
Für einen offenen Benchmark ist die Schnittstelle die sauberere Wahl, und zwar aus einem Grund: Reproduzierbarkeit. Feste Modellversionen, Temperatur 0, ein maschinenlesbarer Beleg je Lauf. Jeder kann die veröffentlichte panel_v1.json nehmen, dieselben Abfragen fahren und dieselben Ergebnisse bekommen. Eine Weboberfläche lässt das nicht zu. Sie ist eine Blackbox, die laufend A/B-Tests fährt, Systemprompts still verändert und nach Standort, Cookies und Gesprächsverlauf personalisiert. Damit misst die Schnittstelle die Sichtbarkeit in API-Integrationen, KI-Agenten und Unternehmensanwendungen, die Web-Oberfläche dagegen das, was ein einzelner Mensch im Browser sieht. Beides ist legitim. Es sind nur verschiedene Fragen.
Der Preis dieser Wahl gehört offen dazu. Auf der Schnittstelle ist die Websuche von GPT-5 Mini ein optionales Werkzeug, das Modell übersprang sie in 22,6 % der Läufe – auf chatgpt.com wird die Suche bei Empfehlungsfragen dagegen meist erzwungen. Die reale Zitationsrate von GPT-5 im Web-Chat liegt also vermutlich höher als hier gemessen. Auch die Personalisierung fehlt. Daraus folgt die eine Regel, die ich an jede GEO-Zahl anlege: Vergleichen Sie nie Werte verschiedener Oberflächen, ohne die Oberfläche zu nennen. Für das tägliche Monitoring dessen, was Ihr Kunde in der App sieht, passt ein Dienst wie peec.ai besser, der genau diese Web-Oberflächen abfragt. Für einen reproduzierbaren Modell-Benchmark ist die API-Oberfläche die ehrlichere Grundlage. Eine spätere Welle kann beide nebeneinanderstellen.
Wann das gilt und wann nicht
Diese Zahlen sind eine Baseline vom 27. Juli 2026, kein Trend. Sie beruhen auf drei Engines (GPT-5 Mini sowie Gemini 3.5 Flash und Flash-Lite), auf markenoffenen Fragen und auf einem einzigen Messschnitt. Für Navigations- oder reine Markenprompts gelten andere Muster, die habe ich hier bewusst ausgeschlossen.
Zwei methodische Grenzen sind für die Deutung entscheidend. Die Erwähnungsmetrik gleicht den exakten Namen inklusive Ortszusatz ab und unterzählt dadurch lokale Marken, wie der Fall MyPlace zeigt. Und die Content-Format-Analyse stützt sich allein auf GPT-5 Mini, weil Gemini seine Quellen über maskierte Vertex-Redirects ausliefert, deren Zielpfad ich ohne weitere Auflösung nicht klassifizieren kann. Beide Einschränkungen schwächen die Kernaussage nicht, sie begrenzen nur, wie weit man einzelne Prozentwerte pressen darf. Die Rohdaten liegen vollständig offen, wer nachrechnen will, kann das an panel_v1.json, wave_1_results.json und wave_1_summary.json tun.
Fazit und ein Test für Ihre eigene Marke
Nennung und Zitat sind zwei Kennzahlen, nicht eine. Sie zeigen je nach Branche und Frageabsicht in verschiedene Richtungen, und wer nur eine misst, verwaltet die falsche Hälfte seiner KI-Sichtbarkeit. Die gute Nachricht steckt in der Trennung selbst: Eine hohe Nennung bei niedriger Zitation ist ein lösbares Problem, weil die Bekanntheit schon steht. Es fehlt nur die Adresse.
Zum Mitnehmen ein kurzer Selbsttest. Nehmen Sie Ihre wichtigste Kategoriefrage und stellen Sie sie in ChatGPT, Gemini und Perplexity, jeweils dreimal:
- Wird Ihre Marke im Text genannt? (Erwähnung)
- Steht ein anklickbarer Link auf Ihre Domain? (Zitation)
- Falls verlinkt: Ist es Ihre Startseite oder eine tiefe, antwortende Unterseite?
- Welche Fremdquellen werden neben oder statt Ihnen zitiert? (Verzeichnis, Register, Test, Wettbewerber?)
- Ändert sich das Bild, wenn Sie von einer Vergleichs- auf eine Kauffrage wechseln?
Die Antworten sagen Ihnen, in welchem der beschriebenen Fälle Sie stecken: genannt und verlinkt, genannt aber unbelegt, oder gar nicht erst in der erdenden Datenschicht. Jeder Fall hat einen anderen Hebel, und keiner davon heißt pauschal „mehr Content“.
FAQ
Was ist der Unterschied zwischen Erwähnung und Zitation in KI-Antworten? Die Erwähnung ist die namentliche Nennung Ihrer Marke im Fließtext. Die Zitation ist der anklickbare Link auf Ihre Domain als Quelle. Beide werden unabhängig voneinander vergeben. In dieser Baseline nennt E-Commerce zu 56,4 % und verlinkt zu 17,3 %, Local nennt zu 7,6 % und verlinkt zu 48,1 %.
Warum wird meine Marke genannt, aber nicht verlinkt? Weil das Modell Ihren Namen aus seinem Trainingswissen kennt und in synthetischen Vergleichslisten nennt, den Beleg-Link aber an die Seite vergibt, die eine konkrete, abgerufene Aussage liefert. Das ist oft ein Händler, ein Testportal oder ein Register, nicht Ihre eigene Domain.
Warum haben lokale Anbieter so hohe Zitationsraten? Lokale Fragen lassen sich nicht aus dem Gedächtnis beantworten, das Modell muss aktuelle Ortsdaten aus Verzeichnissen und Kartendiensten holen und verlinkt diese erdenden Quellen zuverlässig. Ein Teil der niedrigen lokalen Nennung ist zudem ein Messartefakt, weil der exakte Namensabgleich den Ortszusatz verlangt.
Welche Seiten sollte ich für Zitationen optimieren? Nicht die Startseite. Rund drei Viertel der Zitate führen auf tiefe Unterseiten: antwortende Ratgeber, Kategorie- und Produktseiten, Datenblätter. Den zweiten Hebel bilden die Drittquellen, aus denen die Engine erdet, etwa Fachverzeichnisse und amtliche Register.
Welche Engines und Daten liegen dem zugrunde? GPT-5 Mini sowie Gemini 3.5 Flash und Flash-Lite, gemessen am 27. Juli 2026 über 1.620 Läufe. Alle Rohdaten, Prompts und Provider sind als Open Data auf der Forschungsseite veröffentlicht.
Quellen und Stand
Eigene Erhebung „DACH KI-Quellenbenchmark 2026“, Welle 1, erhoben am 27. Juli 2026.
Wie gemessen wurde. Jede der 180 markenoffenen Fragen lief dreimal gegen drei suchgestützte Engines, also 1.620 Abfragen. Als Oberfläche diente die OpenRouter-Chat-Completions-Schnittstelle mit aktivierter Websuche (openrouter:web_search), höchstens fünf Suchaufrufen je Antwort, Temperatur 0 für möglichst stabile Ausgaben. Die drei Engines sind GPT-5 Mini, Gemini 3.5 Flash und Gemini 3.5 Flash-Lite. Der dritte Slot war ursprünglich Perplexity Sonar; das Modell gab über den Endpunkt einen HTTP-404 zurück und erfüllte den gemeinsamen Werkzeug-Vertrag nicht, deshalb der Wechsel auf Flash-Lite. Damit liegen zwei von drei Engines bei Google, die Anbietervielfalt ist also begrenzt. Ein Lauf zählt nur als gültige Beobachtung, wenn mindestens ein Suchaufruf stattfand und mindestens ein maschinenlesbares HTTPS-Zitat vorlag; die Rohantwort samt zurückgemeldetem Modell wurde gespeichert. Eine Antwort ohne Suche oder ohne Zitat gilt als Grounding-Fehler, nicht als Nullwert. Die Erwähnung ist die namentliche Nennung im Text, die Zitation eine im Antworttext gezeigte, anklickbare Quelle. Der Namensabgleich prüft den exakten Provider-Namen inklusive Ortszusatz und unterzählt dadurch lokale Marken, wie der Fall MyPlace zeigt.
Warum diese Marken. Die Auswahl stand vor der ersten Messung fest und wurde danach nie geändert. Je Branche und Markt sind es fünf vergleichbare Anbieter, insgesamt 90 Provider-Zeilen, alle vor dem Lauf verifiziert. Ein Anbieter kam nur in das Panel, wenn eine offizielle Quelle die Kategorie-Zugehörigkeit belegte, eine aktuelle Bezugs- oder Vertriebsroute im jeweiligen Markt bestand, er sich mit den vier anderen der Zelle sinnvoll vergleichen ließ und er nicht als Reaktion auf Ergebnisse hinzugefügt oder entfernt wurde. Die Markennamen sind nicht Teil der Fragen; gefragt wurde markenoffen, damit die Engine selbst entscheidet, wen sie nennt. Die Ergebnisse wurden nicht dazu benutzt, die Fragenpopulation nachträglich umzuschreiben. Neben der Anbieterprüfung liefen eine unabhängige Zweitprüfung von Taxonomie, Quoten und Formulierungen, ein Bias-Review und für die Baufinanzierung eine gesonderte YMYL-Prüfung mit Register-, Eigentümer- und Vergütungsnachweisen.
Kein Kunde, keine Vermischung. Für den 27. Juli 2026 ist erklärt, dass in keiner der sechs Branchen (Wanderschuhe, CRM, industrielle Kennzeichnungssysteme, Self-Storage, Hypothekenberatung, Familienhotels) eine bestehende oder frühere Kundenbeziehung besteht. Kein getesteter Anbieter ist Mandant, keine Marke wurde ausgewählt, um ein erwünschtes Ergebnis zu stützen. Dieses offene Panel bleibt strikt getrennt von Kundendaten und Fallstudien; es fließt kein client-derived Sample ein. Sollte künftig eine relevante Geschäftsbeziehung entstehen, wird die Erklärung vor der nächsten Welle neu geprüft.
Grenzen. Dies ist eine Baseline, ein einzelner Schnitt, kein Trend. Sie beruht auf drei Engines und markenoffenen Fragen; für Navigations- oder Markenprompts gelten andere Muster. Die Content-Format-Auswertung stützt sich auf 13.059 reale GPT-5-Mini-Zitat-URLs, weil Gemini seine Quellen über maskierte Vertex-Redirects ausliefert. GPT-5 Mini übersprang in 22,6 % der Läufe die Suche.
Aggregattabellen, Methodik und die vollständigen Open-Data-Dateien (panel_v1.json, wave_1_results.json, wave_1_summary.json) liegen offen unter https://eullrich.com/research/quellenbenchmark-2026/.