Die repräsentative Prompt-Bibliothek: So messen Sie KI-Sichtbarkeit belastbar

Was ist eine Prompt-Bibliothek?

Eine Prompt-Bibliothek ist eine strukturierte Sammlung von Prompts – Anfragen an Large Language Models (LLMs) wie ChatGPT, Claude oder Gemini. Der Begriff kommt aus dem Prompt Engineering, der Disziplin, Eingaben für generative KI so zu formulieren, dass die Ausgabe verlässlich wird; die technische Basis dahinter ist Natural Language Processing (NLP).

Im Alltag begegnen Ihnen zwei Typen mit demselben Namen. Die Verwaltungs-Bibliothek sammelt wiederverwendbare Arbeits-Prompts für das Team: Wissensmanagement in Notion, Google Sheets oder einer Datenbank, als Baustein der Workflow-Automatisierung – darum geht es in den meisten deutschsprachigen Definitionen. Diese Seite behandelt den zweiten Typ, die Mess-Bibliothek: ein repräsentatives Prompt-Set, das als Eingabeschicht des KI-Sichtbarkeits-Trackings misst, ob und wie eine Marke in KI-Antworten auftaucht. Drei Prinzipien teilen beide Typen – saubere Metadaten, eine tragfähige Taxonomie, regelmäßige Pflege.

Warum ist das gerade jetzt wichtig?

Bevor ich zur Methodik komme, vier Fakten, die erklären, warum europäische Unternehmen ein System zur Messung der KI-Sichtbarkeit benötigen.

1. KI-Übersichten nehmen den meisten Klicks der Top-Positionen weg. Laut Ahrefs, Analyse von 300.000 Keywords im Dezember 2025, reduziert die Präsenz von KI-Übersichten den CTR der Seite auf der ersten Position im Durchschnitt um 58%. Im April 2025 lag dieser Wert noch bei 34,5%. Position 2 verliert etwa die Hälfte der Klicks, Position 10 fast 20%.

2. Nutzer klicken sehr selten auf zitierte Quellen. Studie des PEW Research Center, Verhalten von 900 Nutzern im März 2025. Bei Vorhandensein einer KI-Übersicht klicken nur 8% der Nutzer auf die Ergebnisseite gegenüber 15% ohne sie.

3. Ein Klick auf einen zitierten Link innerhalb einer KI-Übersicht erfolgt nur in 1% der Fälle. Die Sitzung endet ohne Weiterleitung in 26% der Fälle gegenüber 16% bei normaler Suche.

4. Optimierung für generative Engines funktioniert messbar. Akademische Studie von Princeton, Georgia Tech und IIT Delhi, KDD 2024 Benchmark aus 10.000 Anfragen zeigte, dass gezielte GEO-Methoden – Hinzufügen von Quellzitaten, Expertenzitaten und Statistiken – die Sichtbarkeit von Inhalten in Antworten generativer Systeme um bis zu 40% erhöhen. Klassisches Keyword Stuffing wirkt schlechter als keine Optimierung.

Fazit aus vier Punkten: Der Klick-Traffic aus der Suche schrumpft. Präsenz in KI-Antworten wird zu einem eigenen Sichtbarkeitskanal, und diese Sichtbarkeit lässt sich steuern – aber nur, wenn sie richtig gemessen wird. Genau dafür existiert die Prompt-Bibliothek.

Das Problem: nicht repräsentative Prompt-Sets

Eine der Hauptfehler beim Tracking von KI-Suchen ist die Nutzung einer nicht repräsentativen Bibliothek von Prompts zur Bewertung der Marken-Sichtbarkeit. Beispielsweise wenn wir subjektiv 20-25 Prompts auswählen, die uns scheinbar das reale Bild im KI-Suchbereich zeigen sollten – aber eben nur scheinbar. Das führt zu einem verzerrten Bild. Wenn der Prompt-Satz übermäßig mit allgemeinen Discovery-Anfragen gesättigt ist, Produktlinien ignoriert, lokale Konkurrenten außer Acht lässt, nur markenspezifische Fragen enthält und andere Phasen des Sales Funnels nicht berücksichtigt, kann unser Dashboard zur KI-Sichtbarkeit nützlich erscheinen – aber eben nur erscheinen. Es zeigt dann nicht die wirklich wichtigen Prioritäten.

Eine belastbare Prompt-Bibliothek sollte helfen zu verstehen, wo unsere Marke präsent ist, wo sie fehlt, wie sie dargestellt wird, welche Quellen die Antworten formen, welche Konkurrenten von KI-Systemen bevorzugt werden und was zuerst korrigiert werden muss. Unser Ziel ist es also nicht, alle möglichen Prompts zu verfolgen, sondern eine repräsentative Auswahl für KI-gestützte Customer Journeys zu erstellen, die für Ihr Geschäft wichtig sind.

Dieser Leitfaden konzentriert sich auf die Eingabeschicht der Messungen im KI-Suchbereich, also auf den Prompt-Satz selbst. Er behandelt:

1. Was ist eine KI-Prompt-Bibliothek?
2. Hauptfehler, die vermieden werden müssen.
3. Warum „repräsentativ“ nicht „erschöpfend“ bedeutet.
4. Wie bestimmt man, was die Bibliothek darstellen soll?
5. Wie erstellt, gruppiert und lokalisiert man Prompts?
6. Wie misst man die KI-Sichtbarkeit belastbar?
7. Wie verwandelt man Erkenntnisse in Optimierungsmaßnahmen?
8. Wie sieht die finale Bibliothek aus?
9. Spezifika Europas: DSGVO/GDPR, EU AI Act, plattformunabhängige Tools, Lokalisierung für Schweiz, Deutschland und Österreich.

Prompts für KI-Suche sind oft länger, gesprächiger und enthalten mehr Einschränkungen als klassische Suchanfragen bei Google. Laut Google sind Anfragen im AI Mode im Durchschnitt fast dreimal so lang wie traditionelle Suchanfragen, und ihr Sinn ändert sich stark je nach Benutzerkontext: Land, Budget, Produktanforderungen, Branche, Käuferrolle, Plattform, Dringlichkeit, Entscheidungsphase. Daher benötigt Ihre Prompt-Bibliothek eine klare Struktur.

Die Hauptfehler beim Aufbau einer Prompt-Bibliothek:

1. Den Standard-Prompt-Satz und AI-Visibility-Tools als repräsentativ betrachten. Punkt. Werkzeuge sind nützlich für Sammlung, Monitoring und Berichterstattung, aber ihre Standard-Sets spiegeln nicht Ihre Produkte, Zielgruppen, Märkte, Wettbewerber, Einschränkungen und Geschäftsprioritäten wider. Nutzen Sie das Tool als Infrastruktur, validieren und customizen Sie jedoch die Bibliothek, bevor Sie Entscheidungen darauf basieren. Besonders in Situationen, in denen Prompts nur vom Marketing ohne Berücksichtigung der Geschäftsziele und Bedürfnisse anderer Bereiche erstellt wurden.

2. Nur allgemeine Prompts verfolgen. Prompts wie „bestes CRM-System“ sind nützlich für breite Sichtbarkeit in der Kategorie, zeigen aber nicht das vollständige Bild.

3. Nur markenbezogene Prompts verfolgen. Diese sind notwendig zur Kontrolle der Genauigkeit und Darstellung der Marke, zeigen jedoch nicht, ob die Marke in den Phasen Discovery und Auswahl sichtbar ist. Sie verfälschen schnell Ihr Dashboard und machen es irreführend. Wenn Sie wöchentlich, täglich oder monatlich die Sichtbarkeit aller erstellten Prompts in ChatGPT, Perplexity, Claude und anderen LLM-Modellen überprüfen, können markenbezogene Anfragen oft die Statistik verzerren. Ja, man kann sie herausfiltern – dennoch.

4. Einen einzigen Prompt-Satz global verwenden. Ein in einem Land repräsentativer Prompt kann in einem anderen irreführend sein. Länder haben unterschiedliche Wettbewerber, Terminologien, Ökosysteme von Quellen, Marktplätze, Regulierungen, Währungen, Vertrauenssignale und Käufererwartungen. Besonders im DACH-Raum ist dies kritisch: Der Schweizer Markt ist nicht der deutsche Markt; der deutsche Markt ist nicht der österreichische Markt – trotz gleicher Sprache. Ein klassisches Beispiel: „Geldbörse“ versus „Portemonnaie“. Unterschiede reichen bis auf Ebene der Suchergebnisse selbst: Semrush-Daten vom April–Mai 2025 belegen einen KI-Übersichtsanteil von 17,5 % in Portugal, 10–13 % in der Schweiz und weniger als 1 % in Deutschland.

5. Produktlinienunterschiede ignorieren. Ein Multi-Produkt-Unternehmen kann keinen allgemeinen Satz für alles verwenden.

6. Zielgruppenunterschiede ignorieren. Unterschiedliche Zielgruppen stellen unterschiedliche Fragen. Ändert sich die Zielgruppe – oft muss sich auch der Prompt ändern.

7. Ignorieren Sie keine spezifische Ungewissheit in vertikalen Märkten. Der Finanzsektor benötigt Vertrauens-, Risiko- und Regulierungssignale. Mode erfordert Größen, Passformen und Rückgabemöglichkeiten. SaaS bedeutet Integration, Onboarding und Sicherheit. Für Beauty sind es Anwendungstipps, Inhaltsstoffe usw. Die Bibliothek muss die Ungewissheiten widerspiegeln, die Nutzer mit Hilfe von KI beseitigen möchten.

8. Auf einen einzelnen Durchlauf eines Prompts überreagieren. KI-Antworten variieren je nach Plattform, Sitzung, Standort, Personalisierung und Zeit. Eine Antwort ist eine Stichprobe, kein fixer Rang. Nutzen Sie wiederholte Durchläufe unter gleichen Bedingungen und Gruppen von Prompts.

9. Plattformen zu einem einzigen Score vermischen. Eine Marke kann auf einer Plattform wie Perplexity oder AI Overviews sichtbar sein, aber in ChatGPT überhaupt nicht vorkommen. Plattformen müssen unabhängig überwacht werden.

10. Vermeiden Sie künstliche Prompts. Verwenden Sie die reale Sprache der Zielgruppe: Suchdaten, Website-Suche, „People also ask“, Bewertungen, Communities, Verkaufsaufzeichnungen, Support-Tickets, CRM-Notizen, KI-Traffic-Beispiele.

11. Erstellen Sie Varianten nur dann, wenn sie einen signifikanten Unterschied testen: andere Zielgruppen, andere Szenarien, andere Märkte, Wettbewerber, Einschränkungen oder Phasen.

12. Prompts nicht mit Maßnahmen verknüpfen. Wenn ein Prompt-Ergebnis nicht hilft zu diagnostizieren, zu priorisieren oder etwas zu validieren, überdenken Sie seine Notwendigkeit.

13. Vernachlässigen Sie nicht die Pflege der Bibliothek. Bibliotheken sind nicht statisch; aktualisieren Sie sie regelmäßig, halten Sie ein stabiles Kernset für Vergleichbarkeit und lassen Sie Raum für experimentelle Prompts.

14. Ignorieren Sie DSGVO und GDPR nicht bei der Sammlung von Evidenz. Das Einfügen von CRM-Daten, Support-Tickets oder Kundenkorrespondenz in die Bibliothek ohne Anonymisierung und rechtliche Grundlage stellt technologische und rechtliche Probleme dar. In Europa muss „Evidence First“ auch „Privacy First“ bedeuten.

15. Messen Sie Europa nicht als einen einzigen Markt. Selbst innerhalb der DACH-Region variiert die Abdeckung der KI-Funktionalitäten erheblich. Der regulatorische Kontext – etwa DSGVO oder nationale Gesetze zur Arzneimittelwerbung – unterscheidet sich von Land zu Land. Daher sollten Prompts-Sets, Messprotokolle und Schlussfolgerungen marktspezifisch sein.

Grundprinzip: repräsentativ ≠ erschöpfend

Eine repräsentative Bibliothek muss Gruppen von Prompts umfassen, die in fünf Dimensionen wichtig sind:

1. Phase der Customer Journey: Entdeckung, Problemlösung, Bewertung, Vergleich, Validierung, Transaktion und Nachkauf.

2. Produkt, Produktlinie, Dienstleistung oder Kategorie.

3. Zielgruppe oder Persona.

4. Markt, Land oder Sprache.

5. Geschäftspriorität. Die Bibliothek ist ein System zur Stichprobenentnahme von KI-gestützten Customer Journeys, die Sie verstehen und beeinflussen möchten.

Beginnen Sie mit einer minimal lebensfähigen Prompt-Bibliothek. Starten Sie mit 30-50 kommerziell relevanten Prompts, gruppiert nach Produkt, Linie, Zielgruppe, Markt, Sprache und Customer Journey-Phase. Stellen Sie sicher, dass die Prompts die Geschäftsprioritäten widerspiegeln. Fügen Sie realistische Beschränkungen des Käufers hinzu, wie Budget, Standort, Szenario, Branche, Integration und Dringlichkeit des Vertrauensbedarfs. Verwenden Sie die reale Sprache der Zielgruppe.

Führen Sie den ersten Satz auf zwei bis drei der relevantesten Plattformen aus. Notieren Sie die wichtigsten Sichtbarkeitssignale: Erscheint die Marke? Wird sie empfohlen oder nur erwähnt? Gibt es Zitate mit Verlinkung? Welche Wettbewerber tauchen auf? Welche Quellen bilden die Antwort? Ist die Darstellung korrekt?

Erweitern Sie nur dort, wo der erste Durchlauf signifikante Lücken zeigt.

Bevor die vier Teile im Einzelnen kommen, der ganze Weg auf einen Blick: von den Rohquellen bis zur Auswertung, mit der Stufe, die über alles Weitere entscheidet.

FIG 01 · DATENWEG – VON DER QUELLE ZUR PLATTFORMGETRENNTEN AUSWERTUNG

Teil 1: Festlegen, was die Bibliothek darstellen soll

Segmentierungsebene	Warum ist das wichtig?	Beispiel
Phase der Customer Journey	Spiegelt den Weg von der Entdeckung bis zur Aktion wider	„Die besten Tools für…“, „X vs. Y“, „Wo kann man … kaufen?“
Produkt / Produktlinie / Kategorie	Verschiedene Themen, Wettbewerber, Merkmale, Auswahlkriterien	Das Softwareunternehmen erfasst die Eingabeaufforderungen getrennt nach Analytik, CRM und Automatisierung
Zielgruppe / Person	Unterschiedliche Bedürfnisse, Sprache, Einschränkungen, Einwände	Freiberufler vs. Agentur vs. Unternehmenskunde
Markt / Land / Sprache	Lokale Terminologie, Wettbewerber, Plattformen, Quellen, regulatorische Rahmenbedingungen	Schweiz vs. Deutschland vs. Österreich – unterschiedliche Kontexte bei gleicher Sprache
Geschäftliche Prioritäten	Hält die Bibliothek auf das wirtschaftlich Relevante fokussiert	Produkteinführung, Expansionsmarkt, profitable Kategorie

Geschäftsmodell / Art der Website	Die Bibliothek sollte Folgendes umfassen
E-Commerce	Produkt, Kategorie, Vergleich, Eigenschaften, Preis, Verfügbarkeit, Kompatibilität, Bewertungen, Rückgaben, Versand, „Am besten geeignet für …“
Marktplatz	Kategorie, Verkäufer, Vertrauenswürdigkeit, Verfügbarkeit, Abdeckung, Richtlinien, Vergleich, Standort, Transaktionshinweise
SaaS	Anwendungsszenario, Branche, Unternehmensgröße, Preise, Integrationen, Alternativen, Vergleich, Sicherheit, Onboarding, Einschränkungen
B2B-Dienstleistungen	Problem, Dienstleistung, Fachkompetenz, Branche, Standort, Prozess, Preismodell, Referenzen, Alternativen, Auswahlliste
Lokale Unternehmen	„In der Nähe“, Stadt, Stadtteil, Dienstleistung, Öffnungszeiten, Bewertungen, Buchung, Notfälle, Preise, Vertrauen
Reisen	Reiseziel, Reiseroute, Hotel, Transport, Saisonabhängigkeit, Budget, Reisetyp, Aktivitäten, Buchung
Finanzen	Vertrauen, Risiko, Aufsicht (BaFin/FINMA), Gebühren, Vergleich, Anspruch auf ein Produkt, Bonität des Instituts
Gesundheitswesen	Gesundheitszustand, Behandlung, Anbieter, Standort, Versicherung, Reputation, Sicherheit (Heilmittelwerbegesetz in DE)
Verlag / Medien	Erläuterungen, Informationen, Daten, Trends, Definitionen, Vergleiche, Zitierhäufigkeit
Bildung	Studiengang, Abschluss, Zertifizierung, Karrierechancen, Kosten, Format, Akkreditierung, Vergleich

Phase	Was macht der Nutzer?	Prompt-Muster
Entdeckung	Erkundet Optionen oder eine Kategorie	„Was sind die besten Tools für …“
Aufgabenlösung	Sucht nach einer Lösung für ein Problem	„Wie kann ich …“
Bewertung	Prüft, ob die Marke geeignet ist	„Passt [Marke] zu…?“
Vergleich	Vergleicht die genannten Optionen	„[Marke A] im Vergleich zu [Marke B] für …“
Alternativen	Blickt über die bekannte Option hinaus	„Die besten Alternativen …“
Auswahlliste	Fragt, was in Betracht gezogen werden soll	„Welche Anbieter sollen in die Auswahlliste für … aufgenommen werden?“
Validierung	Überprüft Vertrauenswürdigkeit, Bewertungen, Risiken	„[Marke] – ist sie zuverlässig / lohnt sie sich?“
Transaktion	Sucht nach Möglichkeiten, wo und wie man kaufen/buchen kann	„Wo kaufen / buchen / abonnieren …“
Kundensupport / Nach dem Kauf	Löst Probleme nach der Auswahl	„Wie kann man zurückgeben / stornieren / integrieren / reparieren …“

Jede Phase steht für eine eigene Suchintention – vom offenen Erkunden bis zur konkreten Kaufabsicht.

Die kommerziell nützlichsten Suchanfragen sind oft nicht die allgemeinsten. „Bestes CRM“ ist nützlich für die Sichtbarkeit der Kategorie, aber „bestes CRM für ein 20-köpfiges B2B-Team mit HubSpot und Slack“ spiegelt die tatsächliche Kaufentscheidung viel besser wider. Für den E-Commerce: „Die besten Laufschuhe“ – zu allgemein; „Die besten Laufschuhe für Laufanfänger auf nassem Stadtasphalt bis 120 €“ – nützlich.

Vertiefung: Intent-Taxonomie für komplexe B2B-Anlagen

Bei erklärungsbedürftigen Investitionsgütern verschiebt sich die Suchabsicht mit jeder Stufe der Customer Journey – von der offenen Frage, ob sich ein Fertigungsproblem überhaupt lösen lässt, bis hin zur ingenieurtechnischen und finanziellen Prüfung eines konkreten Angebots. Je tiefer der Käufer steht, desto weniger zählen Marketingvorteile und desto mehr zählen Spezifikationen, Integrationsschemata (CAD/MES), TCO-Rechnungen (Total Cost of Ownership) und Betriebsanleitungen. Wer nur „bestes Bearbeitungszentrum“ trackt, misst die erste Stufe und übersieht die vier, in denen die Entscheidung wirklich fällt.

Die neun Journey-Phasen dieses Leitfadens verdichten sich für solche Anlagen zu vier Makro-Phasen: Exploratory (Entdeckung und Problemlösung), Vendor Evaluation (Evaluation, Vergleich, Alternativen, Shortlist), Technical Validation (technische Validierung) und Post-Purchase (Transaktion und Support). Jede Phase richtet sich an eine andere Rolle und verlangt einen anderen Inhaltstyp. Durchgängiges Beispiel: 5-Achs-CNC-Bearbeitungszentren zur Zerspanung von Titan- und Aluminiumbauteilen (Frässpindeln ab 20 kW), fiktiv, zur Illustration.

Exploratory – Machbarkeit prüfen. Rolle: Fertigungsleiter, Technologiechef. Die Marke spielt hier noch keine Rolle; gesucht wird das Prinzip.

Mikro-Szenario	Beispiel-Prompt	Suchtreiber (Geschäftsrisiko)	Passender Inhaltstyp
Technologische Grenze	„5-Achs-Fräsen von Titan Ti-6Al-4V: erreichbare Oberflächengüte und Werkzeugstandzeit beim Trochoidalfräsen“	Ausschuss am teuren Rohteil	Zerspanparameter-Tabellen (Vc, fz), Standzeitkurven
Feasibility / Leistungsgrenze	„Maximales Zeitspanvolumen bei Aluminium auf einer 20-kW-Spindel“	Deckt die Technik das Teilespektrum ab?	Leistungs- und Zeitspanvolumen-Diagramme
Erste Stückkosten	„Stückkosten je Bauteil in 5-Achs-Bearbeitung gegenüber 3-Achs-Aufspannung: Werkzeug, Energie, Rüstzeit“	Erste Begründung für die Geschäftsführung	Kalkulatoren für Werkzeug-, Energie- und Rüstkosten

Vendor Evaluation – Anbieter vergleichen. Rolle: Einkaufsleitung, Finanzleitung, Geschäftsführung. Jetzt geht es um Risiko, Service und Unabhängigkeit vom Hersteller.

Mikro-Szenario	Beispiel-Prompt	Suchtreiber (Geschäftsrisiko)	Passender Inhaltstyp
Serviceverfügbarkeit (SLA)	„Reaktionszeit Servicetechniker und Spindeltausch [Hersteller A] vs. [Hersteller B] in [Region]“	Stillstand der Fertigungslinie	Servicenetz-Karte, SLA-Reaktionszeiten, lokale Ersatzteillager
Hersteller-Bindung (Lock-in)	„Lassen sich Werkzeughalter und Messtaster von Drittanbietern an [Modell] betreiben oder sperrt die Steuerung?“	Monopolpreise bei Verbrauchsteilen nach dem Kauf	Kompatibilitätsrichtlinie, offene Schnittstellen, Alternativen
Gesamtkosten (TCO, 5 Jahre)	„Wartungsplan und Ersatzteilkosten über 10.000 Spindelstunden für [Modell]“	Reale Betriebskosten statt reiner Anschaffung	Austauschmatrix nach Betriebsstunden mit Preisen

Technical Validation – Kompatibilität absichern. Rolle: technische Leitung, MES-/IT-Architektur, Instandhaltung. Geprüft wird die Passung zur jeweiligen Halle.

Mikro-Szenario	Beispiel-Prompt	Suchtreiber (Geschäftsrisiko)	Passender Inhaltstyp
Software-Integration (IT/OT)	„Anbindung [Modell] an SAP ME und Siemens Opcenter über OPC UA – Tag-Spezifikation“	Automatisierung von Betriebs- und Maschinendatenerfassung	OPC-UA-Dokumentation, Registerkarten, fertige Konnektoren
Infrastruktur (Utility)	„Anforderungen an Kühlmittelaufbereitung und Druckluftqualität nach ISO 8573-1 für [Modell]“	Fehlstart bei der Inbetriebnahme	Infrastruktur-Checklisten, Fundament- und Kühleranforderungen
Maß und Logistik	„STEP-Modell und Fundament-Lastplan für [Modell] – passt die Maschine in die Halle?“	Kranbahn, Bodenlast, Bedienzone	CAD-Dateien (STEP/DWG), Zeichnungen der Bedien- und Beladezone

Post-Purchase – betreiben und ausbauen. Rolle: Maschinenbediener, Instandhaltung, Technologe. Es geht um Stillstand, Wartung und Erweiterung.

Mikro-Szenario	Beispiel-Prompt	Suchtreiber (Geschäftsrisiko)	Passender Inhaltstyp
Störungsbehebung	„Rattermarken am Titan-Bauteil bei 5-Achs-Simultanbearbeitung [Modell] – Ursachen“	Ausschussserie im laufenden Betrieb	Entscheidungsbaum, Korrektur von Vorschub, Drehzahl und Werkzeugauskraglänge
Vorbeugende Wartung (SOP)	„Intervall und Anleitung für den Spindellagerwechsel [Modell]“	Verschleißteil tauschen, ohne die Spindel zu beschädigen	Standard Operating Procedures, Reparatursatz-Nummern
Nachrüstung (Retrofit)	„Nachrüstung eines Palettenwechslers von einem Drittanbieter an [Modell]“	Mehr Ausbringung ohne Neuinvestition	Interlock-Signalabgleich, Wirtschaftlichkeitsrechnung der Nachrüstung

Der Unterschied zwischen den Zeilen ist der Grund, warum ein einziger Prompt „bestes 5-Achs-Bearbeitungszentrum“ als Tracking-Grundlage wertlos ist: Er trifft keine der vier Rollen, deren Fragen über den Auftrag entscheiden. Diese Feinabstufung gehört in die Prompt-Matrix aus Schritt 5 – eine Zeile je Mikro-Szenario, Rolle und Phase.

Produkt / Produktlinie	Zielgruppe	Markt / Sprache	Phase	Art der Aufforderung	Einschränkungen
Produkt A	Käufer KMU	CH / Deutsch	Discovery	Bester / Shortlist	Budget, p-Einstellung
Produkt A	Enterprise-Kunde	DE / Deutsch	Vergleich	Marke vs. Wettbewerber	DSGVO-konform, Skalierbarkeit
Produkt B	Agentur	AT / Deutsch	Bewertung	Szenario / Integration	Kundenberichterstattung – lokale Terminologie
Dienstleistung 1	E-Commerce-Teams	CH / Deutsch	Validierung	Nachweis	Branchen- und regionalspezifisch
Kategorie 1	Privatkunde	DE / Deutsch	Transaktion	Bezugsquellen	Preis, Versand und Rücksendungen

Teil 2: Wir erstellen eine Reihe von Prompts

Art der Einschränkung	Beispiele (europäischer Kontext)
Preis / Budget	kostenlos, günstig, Premium, bis zu 100 €, bis zu 150 CHF, Enterprise-Preise
Größe der Zielgruppe	Freiberufler, kleines Team, KMU/SME, Mittelstand, Großunternehmen
Branche / Vertikalmärkte	E-Commerce, Medizin, Finanzen, SaaS, Bildung, Reisen
Geografie	Schweiz, Deutschland, Österreich, Zürich, München, Wien, DACH
Sprache	Deutsch (DE/AT/CH), Französisch (CH), Italienisch (CH), Englisch
Anwendungsszenarien	Berichterstattung, Buchung, Lagerverwaltung, Lead-Generierung, Marktforschung, Compliance
Integration	Shopify, WooCommerce, WordPress, HubSpot, Salesforce, DATEV (DACH-spezifisch für Finanzen/Buchhaltung)
Vertrauen / Compliance	DSGVO/GDPR, Hosting in der EU, ISO 27001, regulierte Branche, Akkreditierung
Dringlichkeit	noch am selben Tag, dringend, nächste Woche
Benutzerprofil	Einsteiger, Experte, Familie, Agentur, Start-up, Großunternehmen
Präferenz	umweltfreundlich, Luxus, preisgünstig, erschwinglich, geringes Risiko, „Made in EU“

Eine gute Bibliothek kombiniert bewusst Prompts ohne Einschränkungen (breite Sichtbarkeit der Kategorie) und mit Einschränkungen (realistische Entscheidungskontexte).

Daten aus den Bing Webmaster Tools zur KI-Leistung

Seit dem 10. Februar 2026 stellt Microsoft in den Bing Webmaster Tools den Bericht „AI Performance“ (Public Preview) zur Verfügung – die erste offizielle Datenquelle der Plattform darüber, wie Copilot und Partner-KI-Schnittstellen Inhalte nutzen. ^{5 6} Wichtige Kennzahlen: „Total Citations“, „Average Cited Pages“, „Page-level citation activity“ und „Grounding Queries“ – Schlüsselphrasen, die die KI beim Extrahieren von Inhalten verwendet hat, die in KI-Antworten zitiert wurden; die Daten stellen eine Stichprobe der gesamten Zitieraktivität dar. ⁶ Im Juni 2026 wurden „Intents“ (Klassifizierung der Grounding-Queries nach Absichten: „Informational“, „Commercial“, „Research“, „Local“ usw.), „Topics“ (thematische Cluster), „Citation Share“ und „Compare“ hinzugefügt. ⁵

Grounding-Queries sind keine Benutzer-Prompts. Es handelt sich um vom System umformulierte Suchphrasen, anhand derer die KI Inhalte extrahiert hat. Nutzen Sie diese, um:

• zu verstehen, mit welchen Themen und Entitäten die KI-Systeme von Microsoft Ihre Inhalte in Verbindung bringen;
• die Formulierungen der Prompts aus der Bibliothek einem Stresstest zu unterziehen;
• Seiten mit hoher „Grounding“-Bewertung, aber wenigen sichtbaren Zitaten zu finden.

Verwenden Sie sie jedoch nicht als vorgefertigte Sammlung von Prompts und auch nicht als Ersatz für die tatsächliche Sprache Ihrer Zielgruppe. Einschränkungen: Der Bericht deckt nur das Microsoft-Ökosystem ab (Copilot, Bing, Partner), zeigt keine Markenerwähnungen im Antworttext an und listet keine Wettbewerber auf. ^{6 7}

Schritt 7.5: Plattformunabhängige Tools

Die Arbeitsdatei der Bibliothek muss Änderungen bei Tarifen, Richtlinien und KI-Diensten standhalten. Praktische Leitlinien für europäische Unternehmen:

• Excel-first (xlsx) mit Kompatibilität zu LibreOffice. Ein Großteil des europäischen Mittelstands arbeitet mit Excel, ein Teil mit Open-Source-Lösungen. Keine Makros: nur Formeln, Dropdown-Listen und bedingte Formatierung – dies umgeht Antiviren- und Unternehmenssperren bei der Dateiübertragung.
• Stützen Sie den Prozess nicht auf die integrierten KI-Funktionen der Tabellenkalkulation. Die Funktion =AI() in Google Sheets ist beispielsweise nur in den kostenpflichtigen Workspace-Tarifen (Business Standard/Plus, Enterprise, AI Pro/Ultra) verfügbar, und in Excel gibt es kein Äquivalent – Copilot kann Ergebnisse nicht als Formeln in Zellen schreiben. ^{2 8} Die Bindung an eine solche Funktion macht die Bibliothek von einem Tarif und einem Anbieter abhängig.
• Erstellung von Prompts – über kopierbare Vorlagen für jedes LLM. Halten Sie in Ihrer Arbeitsdatei ein Blatt mit vorgefertigten Prompt-Vorlagen bereit: Der Nutzer kopiert den Kontext (Marke, Markt, Zielgruppe, Phase, Einschränkungen) + die Vorlage und fügt beides in ein beliebiges, vom Unternehmen genehmigtes LLM ein – ChatGPT, Claude, Copilot oder ein in der EU gehostetes Modell. Das Ergebnis wird von einem Menschen überprüft und erst danach in die Bibliothek aufgenommen. Dies ist anbieterunabhängig und mit den unternehmensinternen Datenbeschränkungen vereinbar.
• Die Automatisierung innerhalb der Datei basiert auf gängigen Formeln: automatische Ausfüllung von Markt/Sprache aus der Unternehmenskarte, Berechnung der Matrixabdeckung (COUNTIFS), Überprüfung auf doppelte Eingabeaufforderungen (COUNTIF), Markierungen für die Vollständigkeit der Nachweise. All dies funktioniert in Excel und LibreOffice und ist unabhängig von externen Diensten.

Zur Einordnung: Für Verwaltungs-Bibliotheken mit wiederverwendbaren Arbeits-Prompts sind Notion oder Google Sheets verbreitete Werkzeuge, und das zu Recht. Für die Mess-Bibliothek fällt die Wahl hier bewusst auf Excel – aus den genannten Gründen.

Messung der Variation	Beispiel
Allgemein vs. eingeschränkt	„Die beste Buchhaltungssoftware“ vs. „… für Freiberufler in Österreich bis 20 €/Monat, kompatibel mit den lokalen Anforderungen“
Informativ vs. kommerziell	„Wie funktioniert die Rechnungsautomatisierung?“ vs. „Die besten Tools zur Rechnungsautomatisierung für kleine Agenturen“
Markenbezogen vs. markenunabhängig	„Ist [Marke] für Agenturen geeignet?“ vs. „Die besten Tools für Agenturen mit Kundenvereinbarungen“
Ein Markt vs. lokal	„Das beste CRM“ vs. „Das beste CRM für deutsche B2B-SaaS-Start-ups mit Hosting in der EU“
Eine Sprache vs. lokalisiert	Deutsch (DE) vs. Schweizerdeutsch (ss statt ß, CHF, lokale Plattformen)
Vergleich vs. Alternativen	„[Marke] vs. [Konkurrent]“ vs. „Die besten Alternativen zu [Konkurrent]“
Breite Zielgruppe vs. konkrete Zielgruppe	„Die beste Software für Marketingfachleute“ vs. „… für interne SEO-Teams von E-Commerce-Unternehmen“
Funktion vs. Ergebnis	„Tools mit Slack-Integration“ vs. „Tools, die das PR-Team über neue Nachrichtenanlässe informieren“

Branche	Unsicherheit des Käufers
E-Commerce im Beauty-Bereich	Inhaltsstoffe, Hauttyp, Bewertungen, Sicherheit, Eignung, Preis, Verfügbarkeit
E-Commerce Elektronik	Technische Daten, Kompatibilität, Langlebigkeit, Vergleiche, Bewertungen, Preis, Garantien
E-Commerce Mode	Größe, Passform, Material, Anlass, Rückgabe, Verfügbarkeit, Stil, Bewertungen
Sport und Outdoor	Fitnesslevel, Aktivität, Gelände, Wetter, Sicherheit, Passform der Ausrüstung
Reisen	Reiseziel, Reisezeit, Reiseroute, Budget, Verfügbarkeit, Transportmittel, Reisetyp
Finanzen	Vertrauen, Aufsicht (BaFin/FINMA), Gebühren, Risiko, Produktberechtigung, Bonität
Gesundheitswesen	Sicherheit, Fachwissen, Gesundheitszustand, Standort, Behandlungsmöglichkeiten, Versicherung (HWG in DE)
SaaS	Szenario, Integrationen, Preise, Onboarding, Sicherheit, DSGVO, Skalierbarkeit
B2B-Dienstleistungen	Fachwissen, Prozess, Nachweise, Branchenerfahrung, Preismodell, Passgenauigkeit
Lokale Dienstleistungen	Nähe, Erreichbarkeit, Bewertungen, Preis, Dringlichkeit, Vertrauen, Öffnungszeiten

Die GEO-Studie (KDD 2024) bestätigt zudem: Die Wirksamkeit von Optimierungstaktiken variiert je nach Themenbereich – das Zitieren von Quellen funktioniert am besten bei Faktenfragen, Statistiken bei Rechtsfragen und Meinungen, Expertenzitate bei „People & Society“ und erklärenden Inhalten. Es gibt keine universelle Taktik – genauso wenig wie es einen universellen Prompt gibt. ⁹

Aspekt	Schweiz (CH)	Deutschland (DE)	Österreich (AT)
Währung	CHF	EUR	EUR
Rechtschreibung	„ss“ statt „ß“	„ß“	„ß“
Marktplätze / Preisvergleiche	galaxus.ch, digitec.ch, tutti.ch, comparis.ch, toppreise.ch	Amazon.de, idealo.de, billiger.de, check24.de	geizhals.at, willhaben.at, Amazon.at
Bewertungen / Vertrauen	Google-Bewertungen, lokale Verzeichnisse	Trusted Shops, Trustpilot, Kununu (B2B)	Trusted Shops, lokale Plattformen
Regulatorische Rahmenbedingungen	revDSG (ab 01.09.2023), FINMA	DSGVO, BaFin, HWG (Medizin)	DSGVO, nationale Besonderheiten
KI-Übersichten: Sprachen zum Start	DE, FR, IT, EN 10	DE, EN 10	DE, EN 10
Sprachvarianten	DE / FR / IT – separate Exemplare der Bibliothek	DE	DE

Es gilt die strenge Regel: ein Markt/eine Sprache = eine Kopie der Bibliothek. Mischen Sie keine Länder und Sprachen in einem Prompt-Set – erstellen Sie für jeden Markt und jede Sprachversion eine eigene Kopie der Arbeitsdatei.

Checkliste für die Lokalisierung

• Würde ein lokaler Nutzer diesen Prompt genau so formulieren?
• Verwenden wir die richtige lokale Terminologie?
• Sind lokale Wettbewerber und Einschränkungen berücksichtigt?
• Beeinflussen lokale Quellen die Antwort?
• Spiegelt die Eingabeaufforderung die lokalen Vorschriften, die Verfügbarkeit und die Preise wider?
• Soll in der lokalen Sprache, auf Englisch oder in beiden Sprachen getestet werden?
• Sind Standortmodifikatoren (Land, Region, Stadt) erforderlich?

Teil 3: Messen wir das, was wir verteidigen

Was ist zu überwachen?	Empfohlene Standardeinstellung
Durchläufe pro Prompt	3–5 Durchläufe pro Core-Prompt; „Presence“ als Häufigkeit („tritt in 4 von 5 Durchläufen auf“), nicht binär
Messfenster	Vollständiger Zyklus in einem kurzen, festgelegten Zeitfenster (24–72 Stunden)
Sitzungsstatus	Reine, abgemeldete Sitzung ohne Verlauf. Separater Durchlauf mit Anmeldung – nur wenn die Personalisierung selbst Gegenstand der Untersuchung ist. Besonderheit für die EU: AI Overviews werden angemeldeten Nutzern ab 18 Jahren angezeigt – für den AIO-Test ist ein reines Testkonto mit explizit festgelegter Ländereinstellung erforderlich 11
Personalisierung und Standort	Überwachen oder protokollieren Sie Standort, Sprache und Kontodaten. Legen Sie die Ländereinstellung explizit fest und kennzeichnen Sie sie
Plattform und Version	Erfassen Sie die Plattform und, sofern sichtbar, die Version des Modells bzw. der Benutzeroberfläche
Erfassungsmethode	Erfassen Sie die Daten manuell oder mithilfe von Tools; achten Sie auf eine einheitliche Vorgehensweise; halten Sie sich an die Plattformbedingungen. Überprüfen Sie bei der automatisierten Datenerfassung die Nutzungsbedingungen der Plattformen und die Anforderungen an die Datenverarbeitung

So interpretieren Sie die Ergebnisse:

• „Presence“ – als Frequenz, nicht binär.
• Unterscheiden Sie ein stabiles Signal von Rauschen.
• Auch Halluzinationen einzelner Durchläufe – erfundene Produkte, falsche Zuschreibungen – filtert die Frequenz-Logik: Was nur in einem von fünf Läufen auftaucht, ist Rauschen, kein Muster.
• Vergleichen Sie nur Vergleichbares: dieselbe Plattform, dieselben Sitzungsbedingungen, dasselbe Zeitfenster.
• Passen Sie Ihre Erfassung nach bekannten Änderungen an Plattform, Produkt oder Modell an (ein Beispiel für eine solche Änderung ist die Einführung des AI Mode in der EU im Oktober 2025: Vor und nach diesem Datum sind die Daten nicht vergleichbar). ¹⁴

Zur Erfassung selbst führen drei Wege zum Ziel. Spezialisierte Tracker wie Peec.ai oder Otterly.ai automatisieren Durchläufe, Frequenzen und Quellen-Auswertung – Peec setze ich selbst in Kundenprojekten ein. Das manuelle Protokoll mit dem Workbook dieser Seite funktioniert ohne jedes Abo und bleibt die Referenz für kleine Bibliotheken. Eigene Skripte über APIs sind der dritte Weg – dann gelten die Nutzungsbedingungen der Plattformen, und bei personenbezogenen Daten greift auch hier die DSGVO.

Halluzination oder Muster? Ein Prüfprotokoll in fünf Schritten

Ein einzelner Durchlauf ist eine Stichprobe, kein Rang – das gilt für die Sichtbarkeit einer Marke wie für einen erfundenen Fakt. Beides sieht in einer einzelnen Antwort gleich aus. Erst die Wiederholung trennt das stabile Muster von der zufälligen Halluzination.

1. Unter identischen Bedingungen wiederholen. Mindestens fünf Läufe, bei Grenzfällen sieben bis zehn. Gleiche Plattform, gleiche saubere, abgemeldete Sitzung, gleiches Zeitfenster von 24 bis 72 Stunden. Nur der Lauf variiert, sonst nichts – jede weitere Änderung macht die Läufe unvergleichlich.
2. Jeden Lauf strukturiert festhalten. Pro Lauf notieren: erscheint die Marke, wird sie empfohlen, gibt es ein Zitat mit Link, welche Wettbewerber genannt werden und welche konkrete Aussage über die Marke fällt. Die Aussage zählt, nicht nur das Vorkommen.
3. Häufigkeit gegen Rauschen abgrenzen. Zählen Sie, wie oft die Nennung in den fünf Läufen vorkommt. Vier bis fünf von fünf sind ein stabiles Muster, eins von fünf ist Rauschen, zwei bis drei von fünf sind ein instabiles Signal – hier helfen nur mehr Läufe, kein Reporting. Die Häufigkeit schätzt die zugrunde liegende Wahrscheinlichkeit; ein einzelner Wert reicht dafür nicht aus.
4. Faktentreue getrennt prüfen. Häufigkeit sagt, ob eine Nennung stabil ist – nicht, ob sie stimmt. Drei technische Prüfungen: Löst der zitierte Link auf und trägt er die Aussage wirklich? Deckt sich die behauptete Eigenschaft mit Ihrer Primärquelle? Verwechselt das Modell Ihre Marke mit einer gleichnamigen Marke? Eine erfundene Aussage kann stabil auftreten – dann ist es keine Zufalls-Halluzination, sondern eine persistente Fehldarstellung.
5. Klassifizieren und handeln. Stabil und faktentreu: ein echtes Sichtbarkeitsmuster taugt als Baseline. Stabil und falsch: persistente Fehldarstellung; gehört in die Entitätskorrektur aus Schritt 19 (eigene Beschreibungen, Schema-Markup, Drittquellen), nicht in weitere Läufe. Instabil: mehr Läufe oder ein anderes Zeitfenster, noch kein Signal. Selten und erfunden: Rauschen, ignorieren, aber mit Modellversion und Datum dokumentieren – bei einem Modellwechsel kann es wiederkommen.

Erscheint Ihre Marke in fünf von fünf Läufen und führt der zitierte Link auf Ihre Produktseite, dann ist das ein Muster, auf das Sie sich verlassen können. Taucht in einem von fünf Läufen ein Produkt auf, das Sie nie geführt haben, mit einer Quelle, die ins Leere zeigt, dann ist es eine Halluzination – notieren, nicht optimieren. Der teure Fehler liegt dazwischen: eine falsche, aber stabile Aussage für ein echtes Muster zu halten und monatelang gegen ein Symptom statt gegen die Ursache zu arbeiten.

Kennzahlen: Woran Sie Sichtbarkeit festmachen

Aus den Signalen des Protokolls entstehen vier Kennzahlen (KPIs), die sich je Prompt-Gruppe und Plattform berichten lassen: Präsenz-Häufigkeit – in wie vielen Durchläufen die Marke erscheint. Share of Voice – der Anteil der Antworten, in denen Ihre Marke gegenüber den Wettbewerbern auftaucht. Zitatrate – der Anteil der Antworten mit verlinktem Zitat Ihrer Domain, auf Prompt-Ebene das Gegenstück zu Bings „Citation Share“. Darstellungs-Genauigkeit – der Anteil der Antworten, die die Marke korrekt beschreiben. Für ein Benchmarking über Zeit gilt dieselbe Regel wie im gesamten Leitfaden: gleiche Plattform, gleiches Protokoll, gleiches Zeitfenster.

Komplexität des Geschäfts	Ausgangspunkt
Ein Produkt / ein Markt / begrenzte Zielgruppe	30–60 Prompts
Website mit mehreren Produkten / ein Hauptmarkt	60–150 Prompts
SaaS oder Dienstleistungen mit mehreren Zielgruppen und Wettbewerbern	100–250 Prompts
E-Commerce mit mehreren Kategorien	150–500 Prompts, nach Kategorien gestaffelt
Marktplatz mit zahlreichen Anbietern	200–500+ Prompts nach Kategorie, Nutzertyp und Markt
Internationale Website mit mehreren Schwerpunktmärkten	Separate Marktbibliotheken, 30–100 Prompts pro Markt
Enterprise / Multi-Brand / Multi-Country	Modulare Bibliothek nach Marke, Markt, Produktlinie und Phase

Ziel	Empfohlene Mischung
Neue Nachfrage / Discovery-Sichtbarkeit	Vorwiegend nicht markenbezogene Suchanfragen
Wettbewerbspositionierung	Vergleichs- und Alternativ-Prompts
Überwachung der Markenpräsenz	Markenbezogene und Marken-plus-Szenario-Suchanfragen
Reputation / Vertrauen	Markenvalidierung, Bewertungen, Risiken
Produktgetriebenes Wachstum	Szenario, Integrationen, Preise, Alternativen
Sichtbarkeit der E-Commerce-Kategorie	Kategorie, Attribute, Vergleich, Produkt
Lokale Sichtbarkeit	Dienstleistung + Standort, „in der Nähe“, Bewertungen, Verfügbarkeit
Internationale Expansion	Lokalisierte, markenunabhängige, wettbewerbsbezogene und marktbezogene Suchvorschläge

Feld	Wozu
Prompt-ID	Stabile Nachverfolgung
Prompt	Genaue zu testende Formulierung
Gruppe von Prompts	Analyse auf Themenebene
Produkt / Kategorie	Zusammenhang zwischen Sichtbarkeit und Geschäftsbereich
Zielgruppe / Person	Unterscheidet sich die Sichtbarkeit je nach Käufertyp?
Phase der Customer Journey	Entdeckung, Bewertung, Vergleich, Transaktion
Art der Aufforderung	Beste Option, Alternative, Vergleich, Validierung, lokal usw.
Markt	Land oder Region (CH / DE / AT)
Sprache	Zu testende Sprache
Geschäftliche Priorität	Hoch, mittel, niedrig
Einbezogene Wettbewerber	Wettbewerbsanalyse
Art der Einschränkung	Preis, Standort, Integration, Compliance
Getestete Plattform	Ergebnisse werden nicht gemischt
Testdatum	KI-Antworten variieren
Laufnummer	Interpretation wiederholter Stichproben
Erscheint die Marke?	Abdeckung des Prompts
Wird empfohlen?	Häufigkeit der Empfehlungen
Zitierung mit Quellenangabe?	Häufigkeit der Zitate
Zitierte Quellen	Analyse des Quellen-Ökosystems
Ist die Darstellung korrekt?	Überwachung der Genauigkeit
Mögliche Lücke	Zusammenhang zwischen „Presence“ und „Readiness“
Nächster Schritt	Umwandlung der Messung in eine Optimierung
Datenschutz-Check	Anonymisierungsstatus „evidence“, auf dem die Eingabeaufforderung basiert

Bias-Check: 10 Fragen gegen verzerrte Prompts

Der gefährlichste Bias sitzt nicht im Modell, sondern im Prompt. Ein Prompt, der die Antwort schon nahelegt, misst Ihre Formulierungskunst, nicht Ihre Sichtbarkeit. Halten Sie vor der Skalierung jeden Prompt gegen diese zehn Fragen – so wird der Bias-Check aus dem Datenweg zur konkreten Prüfung. Ein einziges Ja auf der falschen Seite genügt, um eine Zeile zu überarbeiten.

1. Steckt die Marke im markenfreien Prompt? Enthält ein Prompt, der offen sein soll, versehentlich Ihren Markennamen oder ein Alleinstellungsmerkmal, das nur Sie haben?
2. Werten Adjektive vor? Geben Wörter wie „beste“, „günstigste“, „sicherste“ eine Richtung vor, statt offen nach Optionen zu fragen?
3. Ist der Constraint auf Sie zugeschnitten? Ist eine Einschränkung so eng gewählt, dass faktisch nur Ihr Produkt übrig bleibt – etwa eine Nischenfunktion, die sonst niemand hat?
4. Ist die Wettbewerber-Auswahl fair? Wenn Sie Wettbewerber nennen, sind es die realen Alternativen der Zielgruppe oder handverlesene, gegen die Sie gut aussehen?
5. Ist es echte Nutzersprache? Stammt die Formulierung aus belegter Zielgruppensprache (Suchdaten, Reviews) oder aus Ihrer eigenen Marketing-Sprache?
6. Nimmt der Prompt die Antwort vorweg? Setzt die Frage das Ergebnis schon voraus, wie in „Warum ist X das beste Werkzeug für …“?
7. Fragt der Prompt nur nach Stärken? Eine repräsentative Bibliothek fragt auch kritisch – nach Risiken, Nachteilen und Seriosität –, nicht nur nach Vorteilen.
8. Verbirgt sich ein Markt-Bias? Ist der Prompt heimlich auf einen Markt zugeschnitten (Währung, Anbieter, Begriff), obwohl er marktneutral wirken soll? Das verzerrt jeden Vergleich zwischen den Märkten.
9. Überwiegt eine Phase oder ein Typ? Häufen sich Prompts, die Ihre starke Phase treffen (etwa nur markenbezogene Validierung), sodass das Dashboard besser aussieht, als die Lage es ist?
10. Würde ein neutraler Dritter zustimmen? Akzeptiert jemand ohne Interesse an Ihrer Marke – oder ein Wettbewerber – diesen Prompt als fair und realistisch, oder erkennt er ihn als zu Ihren Gunsten konstruiert?

Ein geschönter Prompt liefert ein geschöntes Dashboard, und das ist teurer als gar keins: Man glaubt ihm. Repräsentativität ist kein moralischer Anspruch, sondern die Voraussetzung dafür, dass die späteren Zahlen eine Entscheidung tragen.

Teil 4: Erkenntnisse in Maßnahmen umsetzen

Ergebnis anhand der Suchanregungen	Mögliche Konsequenz	Nächster Schritt
Die Marke fehlt in kommerziellen Suchanfragen	Es gibt keine Inhalte zur Unterstützung von Entscheidungen oder das Quellen-Ökosystem ist schwach	Vergleichsinhalte, Szenarien und Alternativen erstellen/verbessern; Audit von Drittquellen
Die Marke wird erwähnt, aber nicht empfohlen	Schwache Differenzierung oder schwache Nachweise	Klarere Positionierung, Erfahrungsberichte, Kundenreferenzen
Die Marke wird ausschließlich über Websites von Drittanbietern zitiert	Eigeninhalte sind weniger gut auffindbar	Spezifität, Aktualität, Struktur, interne Verlinkung der eigenen Seiten
Die Marke wird falsch beschrieben	Inkonsistenz der Entität	Eigene Beschreibungen, Schema-Markup, Profile und Verzeichnisse korrigieren
Der Wettbewerber schneidet bei Vergleichsanfragen besser ab	Der Konkurrent verfügt über überzeugendere Belege	Vergleichsinhalte und externe Validierung verbessern
Lokale Konkurrenten dominieren	Lücke im Markt-Ökosystem der Quellen	Lokale Seiten, Profile, Bewertungen, Erwähnungen (für CH/DE/AT – separat)
Produktdetails fehlen	Kommerzielle Informationen sind nicht maschinenlesbar	Produktseiten, Feeds, strukturierte Daten, Preise, Verfügbarkeit

Evidenzbasierter Tipp zur Priorisierung von Maßnahmen (aus einer GEO-Studie, KDD 2024): Den messbarsten Effekt erzielen das Einfügen von Verweisen auf renommierte Quellen, Expertenzitaten und konkreten Statistiken (bis zu +40 % Sichtbarkeit; bei Seiten außerhalb der Top-Positionen erreichte der Zitationseffekt bis zu +115 %). Eine übermäßige Keyword-Dichte verschlechtert hingegen das Ergebnis. Beginnen Sie die Überarbeitung Ihrer Inhalte mit der Evidenzdichte und nicht mit dem Umschreiben von Schlüsselwörtern. ⁹

Wenn der Wettbewerber gewinnt: Antworten rückwärts lesen

Wird ein Wettbewerber über mehrere Läufe hinweg stabil empfohlen und Ihre Marke nicht, ist das kein Zufall der Ausgabe, sondern eine Spur. Die Antwort verrät, welche Quellen das Modell heranzieht und welche Sprache es belohnt. Man muss sie nur rückwärts lesen.

1. Stabile Wins sammeln, keine Momentaufnahmen. Nehmen Sie die gesamte Prompt-Gruppe, in der der Wettbewerber vorne liegt – mehrere Läufe und verwandte Prompts. Vorher das oben genannte Prüfprotokoll anwenden: nur Wins analysieren, die über die Läufe hinweg stabil sind, nicht einen einzelnen Ausreißer.
2. Zitierte Quellen extrahieren und clustern. Sammeln Sie jede Quelle, die die Gewinnerantworten nennt – bei Perplexity und KI-Übersichten direkt verlinkt, bei ChatGPT und Claude über die genannten Namen und Domains. Clustern Sie nach Typ: eigene Seiten des Wettbewerbers vs. Drittquellen (Vergleichsportale, Reviews, Fachmedien, Verzeichnisse, Foren, Wikipedia). Die erste Frage: Gewinnt der Wettbewerber durch eigene Inhalte oder durch ein fremdes Quellen-Ökosystem? Die Antwort entscheidet die Maßnahme.
3. Sprachmuster der Antwort lesen. Welche Attribute, Formulierungen und Entitäten koppelt das Modell mit dem Wettbewerber? Notieren Sie die wiederkehrenden Begriffe: Use-Cases, Zielgruppen, Eigenschaften, Zahlen. Das ist die Sprache, in der die Kategorie beschrieben wird – und in der Ihre Marke fehlt oder anders auftaucht. Halten Sie sie an die Sprache Ihrer eigenen Inhalte: dieselben Begriffe, dieselbe Kopplung von Marke und Use Case?
4. Die Aussage auf ihre Quelle zurückführen. Öffnen Sie die zitierten Drittquellen und suchen Sie nach dem Satz, der die Empfehlung enthält. Häufig steht die Formulierung, die das Modell übernimmt, fast wörtlich in einem Vergleichsartikel oder einer Bewertung. So sehen Sie, welche Drittquelle das Modell als Autorität behandelt – und an welcher Stelle Ihre Marke fehlt oder schwächer beschrieben wird.
5. Die Lücke benennen: Content, Entität oder Ökosystem. Drei Diagnosen, drei Maßnahmen. Content-Lücke: Der Wettbewerber hat eine Vergleichs- oder Use-Case-Seite, Sie nicht – erstellen Sie eine. Entitätslücke: Das Modell beschreibt Ihre Marke falsch oder unvollständig – eigene Beschreibungen, Schema-Markup und Profile korrigieren (Schritt 19). Ökosystem-Lücke: Die zitierten Drittquellen kennen Sie nicht oder nur schwach – Präsenz genau in diesen Quellen aufbauen, nicht in beliebigen.
6. Hypothese, Maßnahme, Nachmessung. Formulieren Sie einen testbaren Satz – „Sind wir in [Drittquelle] mit [Attribut] präsent, steigt unsere Nennung bei [Prompt-Gruppe]“ –, setzen Sie die Maßnahme um und messen Sie dieselbe Gruppe nach demselben Protokoll erneut nach 30 Tagen. Kein Reverse Engineering ohne Nachmessung, sonst raten Sie nur.

Der Gewinn des Wettbewerbers ist der ehrlichste Content-Brief, den Sie bekommen: Er zeigt, welche Quelle die Kategorie definiert und welche Sprache dort zählt. Die Aufgabe ist dann nicht, lauter zu sein, sondern in denselben Quellen präziser beschrieben zu werden.

Was aktualisiert werden soll	Empfohlene Aktualisierungshäufigkeit
Prioritäre kommerzielle Suchanfragen	Monatlich
Markenbezogene und Präsentations-Prompts	Monatlich
Wettbewerbsvergleiche	Monatlich oder vierteljährlich
Produkt-, Preis- und Verfügbarkeits-Prompts	Nach wesentlichen Änderungen
Zielgruppen-/Personen-Empfehlungen	Vierteljährlich
Marken-Sets (CH/DE/AT und andere)	Vierteljährlich oder nach Marktveränderungen
Karte des Quellen-Ökosystems	Vierteljährlich
Vollständiger Überblick über die Bibliothek	Alle 6–12 Monate
Impulse für die Produkt-/Markteinführung	Vor der Markteinführung und kurz danach
Umfassende Plattformänderungen (Beispiel: Einführung des AI Mode in der EU)	Bei Bedarf, mit Umstellung

So gepflegt wird die Bibliothek zu gelebtem Wissensmanagement: dem dokumentierten Bestand an Wissen darüber, wie Ihre Käufer wirklich fragen.

Rolle	Verantwortung	Rhythmus
SEO/GEO – Eigentümer der Bibliothek	Führt die Datei und das Änderungsprotokoll, misst nach Protokoll, pflegt die Kern-Prompts und die Quellen-Ökosystem-Karte, priorisiert Lücken	monatlich messen, laufend pflegen
Content-Team	Setzt Content-Maßnahmen um (Vergleichs- und Use-Case-Seiten, Sprache aus der Wettbewerbsanalyse), liefert echte Zielgruppensprache aus Reviews und Support	pro Maßnahme, Zuarbeit quartalsweise
Produkt	Liefert die Fakten für die Entitäts-Korrektheit (Spezifikationen, neue Linien, Roadmap), meldet Produkt- und Preisänderungen als Refresh-Auslöser	bei jeder Änderung, Review quartalsweise
Datenschutz / Legal	Gibt die Rechtsgrundlage für interne Evidenz frei (CRM, Support), bevor sie in die Bibliothek einfließt	bei jeder neuen Evidenzquelle

Der Audit-Rhythmus staffelt sich in vier Ebenen:

1. Monatlich misst SEO/GEO die Kern- und markenbezogenen Prompts, aktualisiert das Dashboard und dokumentiert Auffälligkeiten.
2. Quartalsweise – gemeinsames Review von SEO, Content und Produkt: Lücken in den Maßnahmen übersetzen, Persona- und Marktsets prüfen, die Quellen-Ökosystem-Karte nachziehen.
3. Halbjährlich bis jährlich – Voll-Audit der gesamten Bibliothek: Repräsentativität und Bias-Check über alle Prompts; Kennzahl-Definitionen unverändert lassen (sonst bricht die Vergleichbarkeit); veraltete Prompts aussortieren.
4. Anlassbezogen – bei Produkt- oder Preis-Launch, Plattformwechsel (etwa einem neuen AI-Mode-Rollout) oder Markteintritt: experimentelle Prompts ergänzen und eine neue Baseline setzen.

Jede Änderung wird mit Datum, Grund und Modellversion protokolliert. Das Kern-Set bleibt bewusst stabil, um den Trendvergleich zu erhalten; nur die experimentelle Schicht darf sich häufig ändern (Schritt 21). So bleibt das Reporting über Quartale hinweg für die Geschäftsführung lesbar. Der häufigste Fehler ist am Ende kein methodischer, sondern ein organisatorischer: Die Bibliothek läuft an, dann kümmert sich niemand, und nach zwei Quartalen misst das Dashboard eine Welt, die es so nicht mehr gibt.

Version 1.0, Stand Juli 2026. Alle Marktpakete am 23.07.2026 gegen aktuelle Quellen verifiziert. Kostenlos, kein E-Mail-Gate. Spaltenstruktur und Kennzahl-Namen bleiben über Versionen stabil – Ihre Kopien bleiben vergleichbar. Die französische und italienische Fassung für die Schweiz sind in Vorbereitung; eine kurze Nachricht an [email protected] genügt, ich priorisiere nach Nachfrage.

Werkzeuge zum Mitnehmen

Der Leitfaden bleibt nicht bei der Anleitung stehen. Hier finden Sie fertige Werkzeuge, mit denen Sie die Methodik direkt ausführen – Schritt für Schritt erweitert.

1. Automatischer Durchlauf über die APIs (Python)

Ein offenes Python-Skript nimmt die fertige Bibliothek aus dem Workbook und führt sie automatisch über die APIs von OpenAI, Anthropic und Perplexity – jeden Prompt mehrfach, Plattformen getrennt, mit Export nach Excel. Es werden Präsenz-Häufigkeit, Share of Voice und Zitatrate je Prompt und Plattform berechnet; die Darstellungs-Genauigkeit prüfen Sie anhand der mitgelieferten Rohantworten. Ein Dry-Run-Modus testet den gesamten Ablauf ohne API-Schlüssel und ohne Kosten.

Ein API-Durchlauf ist ein reproduzierbarer Proxy, nicht die Consumer-Oberfläche: andere Systemprompts, andere Retrieval-Schicht, keine Personalisierung. Nehmen Sie die Werte als Frühindikator. Und: nur Prompts übertragen, keine personenbezogenen Daten – der Datenschutz-Check gehört vorgelagert.

Skript und Anleitung herunterladen (.zip)

2. Interaktiver Prompt-Matrix-Generator (ohne Download)

Wollen Sie sehen, wie eine Matrix aussieht, bevor Sie das Workbook öffnen? Wählen Sie Markt und Nische – die zehn Basis-Prompts erscheinen sofort, lokalisiert nach Währung, Schreibweise und Marktplatz. Ganz ohne JavaScript, damit es auch hinter Unternehmens-Firewalls läuft.

Das ist der Einstieg, nicht der Ersatz: Die vollständige Matrix mit Metadaten, Datenschutz-Check und Auswertung steht im Workbook.

Beispiel: Prompt-Bibliothek für den Schweizer E-Commerce

AlpenGarten (fiktiver Fall): Schweizer Online-Shop für Gartenmöbel im Premium-Segment, Lieferung innerhalb der Schweiz, Wettbewerb mit galaxus.ch, Pfister, Jumbo und Fachgeschäften.

1. Geschäftliche Fragestellung

Zeigen KI-Assistenten, ob sie AlpenGarten in den Auswahlprozessen für Premium-Gartenmöbel in der Schweiz korrekt beschreiben und empfehlen – und wenn nicht, welche Wettbewerber, Quellen-Ökosysteme, Szenarien oder Lücken der Positionierung die Antworten an unserer Stelle prägen?

2. Ausschnitt aus der Matrix

• Produkt: Premium-Gartenmöbel (Lounge-Garnituren, Essgruppen, Sonnenschirme).
• Zielgruppe: Privatkunden in der Schweiz (Hausbesitzer im Alter von 35–65 Jahren), Landschaftsarchitekten.
• Markt/Sprache: Schweiz / Deutsch (CH – ss, CHF).
• Phasen: Entdeckung, Problemlösung, Bewertung, Vergleich, Alternativen, Validierung, Transaktion.
• Einschränkungen: Budget in CHF, Witterungsbeständigkeit (alpines Klima), Lieferung innerhalb der Schweiz, Materialien, Garantie.
• Wettbewerber/Alternativen: galaxus.ch, Pfister, Jumbo, IKEA CH, Fachgeschäfte.
• Priorität: hoch.

3. Prompts mit realen Einschränkungen (Schweizerdeutsch)

• „Welche sind die besten Shops für hochwertige Gartenmöbel in der Schweiz mit Lieferung?“
• „Beste wetterfeste Lounge-Garnitur für eine Terrasse in den Bergen, Budget bis CHF 3’000.“
• „AlpenGarten vs. Galaxus für Gartenmöbel – was ist der Unterschied?“
• „Beste Alternativen zu IKEA für langlebige Gartenmöbel in der Schweiz.“
• „Ist AlpenGarten vertrauenswürdig? Erfahrungen und Bewertungen?“
• „Wo kann ich in der Schweiz Gartenmöbel aus zertifiziertem Holz kaufen?“
• „Welche Gartenmöbel eignen sich für einen Balkon in Zürich bei wechselhaftem Wetter?“
• „Gartenmöbel-Shops in der Schweiz mit gutem Kundenservice und Garantie – Vergleich.“

4. Durchlauf nach Protokoll

Jeder Core-Prompt – 5 Durchläufe, saubere, abgemeldete Sitzung (für AI Overviews – sauberes Testkonto 18+ mit der Ländereinstellung CH), Zeitfenster 48 Stunden, Plattformen: ChatGPT, Google AI Mode, Perplexity, Copilot. Ergebnisse getrennt nach Plattform und Markt.

5. Ein vollständig mit Tags versehenes Ergebnis

Feld	Beispiel
Prompt-ID	ALPG-ALT-005
Prompt	„Beste Alternativen zu IKEA für langlebige Gartenmöbel in der Schweiz“
Gruppe	Alternativen zum Massenmarkt
Phase	Alternativen / Shortlist
Zielgruppe	Privatkunde CH
Markt/Sprache	CH / Deutsch (CH)
Plattform	Perplexity
Durchläufe	5
Erscheint die Marke?	Nein, 0 von 5
Empfehlenswert?	Nein
Angezeigte Wettbewerber	Pfister, Jumbo, Fachgeschäfte, Galaxus-Auswahlen
Zitierte Quellen	Schweizer Testportale (comparis.ch), Gartenblogs, Retail-Aggregatoren
Mögliche Lücke	AlpenGarten wird im zitierten Ökosystem nicht mit „IKEA-Alternativen“ und „langlebigen Gartenmöbeln aus der Schweiz“ assoziiert
Nächster Schritt	Inhalte zu Langlebigkeit/Materialien im Vergleich zum Massenmarkt mit Statistiken und Zitaten (basierend auf der GEO-Studie – die Taktiken mit der grössten Wirkung) 9; Präsenz in Schweizer Vergleichsportalen; Bewertungen bei Trusted Shops/Google

6. Vom Fund zur Aktion

Muster: AlpenGarten taucht in markenspezifischen Suchanregungen auf, fehlt jedoch in der markenunabhängigen Discovery, bei Alternativen und Vergleichen. Dies ist sowohl eine Präsenzlücke als auch eine Bereitschaftslücke.

Vorrangige Maßnahmen:

• Vergleichsinhalte: AlpenGarten vs. Massenmarkt (IKEA, Jumbo) hinsichtlich Langlebigkeit, Materialien, Garantie.
• Szenario-Inhalte: Möbel für das alpine Klima, Balkon vs. Terrasse vs. Garten.
• Konsistenz der Entität: Eigene Seiten, Profile, Verzeichnisse in der Schweiz, strukturierte Daten (CHF-Preise, Versand in der Schweiz).
• Präsenz in Quellen, die von KI-Systemen zitiert werden: comparis.ch, Testportale, Gartenblogs.
• Wiederholung des Durchlaufs derselben Gruppe nach demselben Protokoll nach einem Monat.

Kurze Zusammenfassung: Der Prozess in vier Schritten

1. Legen Sie fest, was die Bibliothek darstellen soll

• Geschäftsumfang, Geschäftsmodell, Phasen der Customer Journey.
• Matrix: Produkt × Zielgruppe × Markt/Sprache × Phase × Typ × Einschränkung × Wettbewerber × Priorität.

2. Erstellen Sie eine Reihe von Prompts

• Die tatsächliche Sprache der Zielgruppe – mit obligatorischer DSGVO-Prüfung.
• Realistische Einschränkungen seitens der Käufer.
• Gruppen, keine isolierten Prompts.
• Branchenspezifische Unwägbarkeiten.
• Lokalisierung nach Markt, nicht nur nach Sprache (CH ≠ DE ≠ AT).
• Bewusste wettbewerbsorientierte und alternative Prompts.
• Anbieterunabhängige Tools: Excel-first, LLM-neutrale Entwurfserstellung.

3. Machen Sie die Messung absicherbar

• Metadaten für jede Eingabeaufforderung (einschließlich Datenschutz-Check).
• Manuelle Validierung einer kleinen Stichprobe vor der Skalierung.
• Protokoll: Durchläufe, Fenster, Sitzung (in der EU – Berücksichtigung der Anmeldung bei AIO), Standort, Plattform, Methode.
• Plattformen separat; Status der Funktionen auf dem Markt erneut überprüfen (die Landschaft ändert sich schnell – AI Overviews in DACH ab März 2025, AI Mode ab Oktober 2025).

4. Setzen Sie die Ergebnisse in Maßnahmen um

• Presence-Signale: Auftreten, Empfehlung, Zitat, Quellen, Wettbewerber, Genauigkeit.
• Art der Lücke hinter jeder Gruppe → Maßnahmen, Verantwortliche, Validierung.
• Priorität bei Content-Maßnahmen – Evidenzdichte (Zitate, Statistiken, Expertenzitate) statt Keyword-Dichte. ⁹
• Stabiler Kern + experimentelle und Überwachungsschichten; Aktualisierungsrhythmus.

Häufige Fragen

Was ist eine Prompt-Bibliothek? Ein strukturiertes, repräsentatives Set von Prompts, mit dem sich messen lässt, ob und wie eine Marke in den Antworten von ChatGPT, Perplexity, Gemini, Claude und Google AI Overviews auftaucht. Sie ist die Eingabeschicht jeder KI-Sichtbarkeits-Messung: Was hier fehlt, fehlt später im Dashboard. Der Begriff meint dabei zwei verschiedene Dinge: die Verwaltungs-Bibliothek mit wiederverwendbaren Arbeits-Prompts fürs Team und die hier beschriebene Mess-Bibliothek für das Sichtbarkeits-Tracking – die Abgrenzung steht am Seitenanfang.

Wie viele Prompts brauche ich? Weniger, als die meisten erwarten. 30 bis 60 reichen für ein fokussiertes Produkt in einem Markt; die Staffelung nach Geschäftskomplexität steht in Schritt 14. Eine kleine, gut strukturierte Bibliothek schlägt eine große zufällige.

Wie messe ich KI-Sichtbarkeit in ChatGPT oder Perplexity konkret? Jeden Kern-Prompt 3- bis 5-mal in einer sauberen, abgemeldeten Sitzung ausführen, innerhalb eines Zeitfensters von 24 bis 72 Stunden, und Präsenz als Häufigkeit notieren („tritt in 4 von 5 Durchläufen auf“), nie als Ja/Nein. Plattformen getrennt auswerten – das vollständige Protokoll steht in Schritt 13.

Was unterscheidet GEO von SEO? SEO optimiert auf Rankings in der klassischen Suche, Generative Engine Optimization (GEO) darauf, in den Antworten generativer Engines zitiert und empfohlen zu werden. Wie stark Position und Zitat zusammenhängen, unterscheidet sich je Engine erheblich – deshalb misst diese Methodik jede Plattform separat.

Ist der Prozess DSGVO-konform? Er ist darauf gebaut. Evidenz aus CRM, Support oder Verkaufsgesprächen durchläuft im Workbook einen Datenschutz-Check (Personenbezug, Rechtsgrundlage), bevor ein Prompt den Status „Ready“ bekommt; für sensible Branchen empfiehlt der Leitfaden EU- oder CH-gehostete Modelle. Rechtsberatung ersetzt das nicht.

Beweisgrundlage: Studien und offizielle Quellen

Materialien, auf denen dieser Leitfaden basiert und die zur Vertiefung empfohlen werden (nach Autoritätsgrad):

Wissenschaftliche Studien

1. Aggarwal et al., „GEO: Generative Engine Optimization“ (Princeton, Georgia Tech, IIT Delhi, Allen Institute; KDD 2024) – Grundlagenstudie zu GEO: Benchmark mit 10.000 Suchanfragen, bis zu +40 % Sichtbarkeit durch Zitate/Statistiken/Expertenzitate, Keyword-Stuffing schneidet schlechter ab als die Baseline. ⁹

Offizielle Daten der Plattformen (First-Party)

2. Bing Webmaster Blog: AI Performance (Februar 2026) und Erweiterung um Intents/Topics/Citation Share/Compare (Juni 2026) – die einzige First-Party-Berichterstattung über KI-Zitate. ^{5 6}
3. Google-Blog: Einführung von „AI Overviews“ in 9 europäischen Ländern (März 2025) und Ausweitung des „AI Mode“ (Oktober 2025) – Termine und verfügbare Sprachen. ^{13 10}

Branchenstudien

4. Ahrefs: Einfluss der AI Overviews auf die Klickrate (CTR) (April 2025: −34,5 %; Februar 2026: −58 %) – größte Stichprobe (300.000 Keywords, GSC-Daten). ^{16 17}
5. Pew Research Center: Nutzerverhalten bei KI-Übersichten (Juli 2025) – 8 % gegenüber 15 % Klicks, 1 % Klicks auf Quellen. ¹
6. Semrush: Reichweite der KI-Übersichten nach europäischen Ländern (Mai 2025) – Portugal ~17,5 %, Schweiz 10–13 %, Deutschland <1 %. ¹²

Regulierung

7. Europäische Kommission: EU-KI-Gesetz (digital-strategy.ec.europa.eu) – Zeitplan und Verpflichtungen; Art. 50 zur Transparenz ab 02.08.2026. ³
8. revDSG (Schweiz) – in Kraft seit 01.09.2023; Übersichten von Sidley Austin und praktische Leitfäden. ⁴

Tools

9. Google Workspace Updates: Funktion =AI() in Sheets (Juni 2025) – Tarife und Einschränkungen; Vergleichsanalyse mit Excel Copilot. ^{2 8}

Von der Sichtbarkeit zum Umsatz

Sichtbarkeit ist kein Selbstzweck. Die Kennzahlen dieser Seite werden erst dann ein Argument, wenn sie an Geschäftsgrößen andocken: an Anfragen über das Kontaktformular, an den Anstieg von Marken-Suchanfragen (Branded-Search-Lift), an Referral-Traffic aus zitierten Links und an Deals, in denen der Kunde erzählt, ChatGPT habe Sie empfohlen – fragen Sie danach im Erstgespräch, es ist die einfachste Attributionsquelle. Für das Reporting an Geschäftsführung oder Kunden hat sich ein schlichter Rahmen bewährt: eine Kennzahl pro Ziel (Share of Voice für die Wettbewerbsposition, Zitatrate für Quellen-Autorität, Darstellungs-Genauigkeit für das Markenrisiko), je Plattform getrennt, mit Vormonatsvergleich.

Abschließende Schlussfolgerung

Eine gute Bibliothek mit KI-Prompts ist keine zufällige Liste von Fragen. Es handelt sich um ein repräsentatives System zur Stichprobenauswahl von KI-gestützten Customer Journeys, die Sie verstehen und beeinflussen möchten. Sie soll dabei helfen, Folgendes zu ermitteln:

• Wo Ihre Marke präsent ist und wo sie fehlt.
• Wird sie empfohlen, zitiert oder nur erwähnt?
• Wird sie korrekt dargestellt?
• Welche Wettbewerber bevorzugt werden.
• Welche Quellen die Antworten prägen.
• Welche Lücken sind auf schwache Inhalte, eine schlechte Darstellung, fehlende Bestätigungen durch Dritte, technische Unzugänglichkeit oder das Marktökosystem der Quellen zurückzuführen?
• Welche Korrekturen sollten zuerst priorisiert werden?

In Europa kommt zu dieser Methodik eine obligatorische Ebene hinzu: Datenschutz als Teil des Prozesses (DSGVO-Nachweis ab dem Zeitpunkt der Erhebung), Marktgranularität (Land ≠ Land, selbst bei gleicher Sprache – was durch Daten zur Abdeckung von KI-Funktionen bestätigt wird), regulatorischer Horizont (EU-KI-Gesetz, revDSG) und instrumentelle Unabhängigkeit (der Prozess darf nicht zusammenbrechen, wenn das Unternehmen keinen Zugang zu einem bestimmten KI-Dienst oder einem kostenpflichtigen Tarif hat).

Das Ziel besteht nicht darin, alle möglichen Prompts zu erfassen, sondern die richtigen Prompts gut genug zu erfassen, um die besten Optimierungsentscheidungen zu treffen – für Produktlinien, Zielgruppen, Märkte, Plattformen und Customer Journeys, die für Ihr Unternehmen wichtig sind.

---

Quellen

1. Pew Research Center – Studie zur Klickbarkeit bei KI-Übersichten (Juli 2025): https://odsc.medium.com/pew-study-google-users-click-less-when-ai-summaries-appear-in-search-results-cc003baf6a35 ↩ ↩²

2. Google Workspace Updates – „Daten mit Gemini in Google Tabellen generieren“ (25.06.2025): https://workspaceupdates.googleblog.com/2025/06/generate-data-with-gemini-in-google-sheets.html ↩ ↩² ↩³

3. Europäische Kommission – „KI-Gesetz: Gestaltung der digitalen Zukunft Europas“: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai ↩ ↩²

4. Sidley Austin – „Das neue Schweizer Datenschutzgesetz tritt am 1. September 2023 in Kraft“: https://www.sidley.com/en/insights/publications/2022/04/a-wakeup-call-the-new-swiss-data-protection-act-enters-into-force-on-september-1-2023 ↩ ↩²

5. Bing Webmaster Blog – „Neue Einblicke in die KI-Sichtbarkeit in den Bing Webmaster-Tools: Absichten, Themen, Zitieranteil, Vergleich“ (16.06.2026): https://blogs.bing.com/search/June-2026/New-AI-Visibility-Insights-in-Bing-Webmaster-Tools-Intents-Topics-Citation-Share-Compare ↩ ↩² ↩³ ↩⁴

6. Bing Webmaster-Blog – „Einführung von AI Performance in der öffentlichen Vorschau der Bing Webmaster-Tools“ (10.02.2026): https://blogs.bing.com/webmaster/February-2026/Introducing-AI-Performance-in-Bing-Webmaster-Tools-Public-Preview ↩ ↩² ↩³ ↩⁴ ↩⁵

7. Otterly.ai – Analyse der AI Performance-Daten über 3 Monate und Einschränkungen des Berichts (11.02.2026): https://otterly.ai/blog/bing-webmaster-tools-ai-performance-report/ ↩

8. DataStudios – „Die neue =AI-Funktion in Google Tabellen: Mehr als nur Gemini und Excel Copilot“ (27.06.2025): https://www.datastudios.org/post/the-new-ai-function-in-google-sheets-beyond-gemini-and-excel-copilot ↩ ↩²

9. Aggarwal P., Murahari V., Rajpurohit T., Kalyan A., Narasimhan K., Deshpande A. – „GEO: Generative Engine Optimization“, KDD 2024, arXiv:2311.09735: https://arxiv.org/pdf/2311.09735 ↩ ↩² ↩³ ↩⁴ ↩⁵

10. Google-Blog – „We’re bringing the helpfulness of AI Overviews to more countries in Europe“ (25.03.2025): https://blog.google/feed/were-bringing-the-helpfulness-of-ai-overviews-to-more-countries-in-europe/ ↩ ↩² ↩³ ↩⁴ ↩⁵

11. Search Engine Land – „Google führt KI-Übersichten in EU-Regionen ein“ (26.03.2025): https://searchengineland.com/google-rolls-out-ai-overviews-in-eu-regions-453595 ↩ ↩²

12. Semrush – „Googles KI-Übersichten erreichen in Europa bis zu 17 % der Suchergebnisse, in Deutschland jedoch kaum mehr als 1 %“ (06.05.2025): https://www.semrush.com/news/401232-googles-ai-overviews-reach-up-to-17-of-search-results-in-europe-but-germany-barely-breaks-1-semrush-finds/ ↩ ↩²

13. Google-Blog – „Der AI Mode ist nun in weiteren Sprachen und an weiteren Standorten weltweit verfügbar“ (07.10.2025): https://blog.google/products-and-platforms/products/search/ai-mode-expands-languages-locations/ ↩ ↩²

14. Cybernews – „Google AI Mode endlich europaweit verfügbar“ (08.10.2025): https://cybernews.com/ai-news/google-ai-mode-europe/ ↩ ↩²

15. Trending Topics – „Google AI Mode wird in Europa eingeführt und verunsichert Verlage“ (08.10.2025): https://www.trendingtopics.eu/google-ai-mode-launch-europe/ ↩

16. Ahrefs – „Update: AI Overviews Reduce Clicks by 58 %“ (04.02.2026): https://ahrefs.com/blog/ai-overviews-reduce-clicks-update/ ↩

17. Business Wire – „New Research: Google’s AI Overviews Now Cost Websites 58 % of Their Clicks“ (19.05.2026): https://www.businesswire.com/news/home/20260518322756/en/ ↩