Zwei Familien von Kennzahlen
Das ganze System beruht auf einer einfachen Unterscheidung. Präsenz-Kennzahlen messen Ihren Platz in den Antworten der LLMs: Sie reagieren schnell und steuern die tägliche Arbeit. Ergebnis-Kennzahlen messen die reale Wirkung aufs Geschäft: Leads, Registrierungen, Verkäufe, mit Wochen Verzögerung. Erstere rechtfertigen den Aufwand, Letztere das Budget. Sie brauchen beide.
Präsenz-Kennzahlen: das Prompt-Monitoring
Bauen Sie zunächst eine Prompt-Bibliothek auf, die Ihr Geschäft und Ihre Produktziele abbildet, zum Beispiel die elektronische Rechnungsstellung. Ein Prompt-Monitoring-Werkzeug wie Peec, Profound oder Otterly spielt sie jeden Tag auf den verschiedenen Modellen ab und sammelt drei Dinge: Erwähnungen (Ihre Marke erscheint in der Antwort), Zitate (Ihre Marke wird als Quelle genannt) und Position (der mittlere Rang Ihrer Erwähnung in den Antworten).
Aus diesen drei Rohdaten leite ich fünf Kennzahlen ab.
| Kennzahl | Berechnung | Was sie aussagt |
|---|---|---|
| Share of Voice | Ihre Erwähnungen im Verhältnis zu allen Erwähnungen | Ihre Leistung im Vergleich zu den anderen. Für sich genommen ohne Geschäftswert, aber ihr Trend bestätigt Ihre Anstrengungen, oder eben nicht. |
| Sichtbarkeit | Erwähnungsquote über alle gespielten Prompts | Ihre Abdeckung des von der Prompt-Bibliothek definierten Feldes. Eine gute Arbeitskennzahl. |
| Position | Rang Ihrer Erwähnung im Vergleich zu den Wettbewerbern | Für mich die wertvollste: Wer zuerst genannt wird, genießt vermutlich die höhere Glaubwürdigkeit. |
| Gewichtete Erwähnung | Mittel des inversen Rangs über alle Prompts, auf 100 skaliert (Formel unter der Tabelle) | Täglich verfolgt ist sie eine echte Steuerungskennzahl, die aussagekräftigste von allen. |
| Gewichteter Share of Voice | Dieselbe Berechnung, angewandt auf jeden Wettbewerber | Vergleicht Abdeckung und Position mit dem Markt. Reicher als der klassische Share of Voice, und komplementär. |
Die gewichtete Erwähnung verdient ihre Formel, denn sie steuert die Arbeit. Für jeden Prompt zählt Ihre Erwähnung den Kehrwert ihres Rangs: 1 beim ersten Platz, 0,5 beim zweiten, 0,33 beim dritten, 0 bei Abwesenheit. Der Mittelwert über die ganze Bibliothek, mal 100, ergibt die Kennzahl. Beispiel mit 100 Prompts: 30-mal Erster, 20-mal Zweiter, 10-mal Dritter, also (30 × 1 + 20 × 0,5 + 10 × 0,33) / 100 × 100 ≈ 43 von 100.
Ergänzen Sie zwei qualitative Lesarten. Zuerst die Zitate: Da eine zitierte Adresse die Erzählung des Modells beeinflusst, ergründen Sie, welche funktionieren, nutzen Sie sie, um Investitionen zu begründen oder Prioritäten zu setzen, etwa die zuerst zu beeinflussenden Diskussionsfäden oder die zu kontaktierenden Videoproduzenten, und beobachten Sie die Wettbewerber. Dann das Sentiment: die Art, wie die Modelle über Sie sprechen. Wenn Sie regelmäßig Dritte versorgen, die über Ihre Marke sprechen werden, verfolgen Sie die Wirkung jedes Ereignisses, etwa eines neuen Gütesiegels, auf das Sentiment insgesamt oder je Produkt.
Vier ergänzende Quellen
| Quelle | Was sie liefert |
|---|---|
| Die Daten der Suchmaschinen | Bing und Google veröffentlichen eigene KI-Daten. Sie dienen vor allem dazu, eine Budgetzuteilung zu begründen oder einen Punkt zu vertiefen. |
| Die Server-Logs | Die Aktivität der Crawler in Ihren Logs beantwortet konkrete Fragen: Sie haben eine technische Verbesserung ausgerollt, damit die Modelle die Website besser verstehen, was hat sich beim Crawling getan? |
| Daten von Drittanbietern | Manche Panels, wie Similarweb, können sagen, ob jemand am selben Tag ein LLM und Ihre Website besucht hat. Mit Vorsicht zu genießen, aber der Blickwinkel ist wertvoll. |
| Das Monitoring der AI Overviews | Eine gute Arbeitskennzahl, um die Wirkung von Taktiken oder Änderungen an der Website zu messen: neuer Inhalt, neue Aufbereitung. |
Ergebnis-Kennzahlen: die reale Wirkung
Zuerst das Erfragte. Die Frage „Wie haben Sie von uns erfahren?“ misst die reale geschäftliche Wirkung, und ihr Urteil weicht oft vom Attributionsmodell ab. Ohne sie verpassen Sie das häufigste Szenario: Jemand liest eine Empfehlung in einem LLM, tippt Ihre Marke bei Google ein und klickt auf einen bezahlten oder organischen Link. Kein Attributionsmodell sieht diese Kette.
Dann die Analytik. Filtern Sie in GA4 die für LLMs typischen Verweisadressen (chatgpt.com, perplexity.ai, copilot.microsoft.com, gemini.google.com, claude.ai): Kommt ein Besucher über einen Link in einer Antwort, können Sie ihn zuordnen. Ergänzen Sie das mit Cookies: Besucht ein Interessent Ihre Website, geht zu einem LLM und kommt zurück, sollten Sie es sehen, je nach Attributionsphilosophie erster Klick, letzter Klick oder gemischt.
Zuletzt die indirekten Signale. Ein unerklärter Anstieg des Marken- und Direkttraffics folgt derselben Logik wie das Erfragte. Lassen Sie täglich die Gesprächsprotokolle Ihrer Vertriebsteams auswerten, um Interessenten zu erkennen, die ein LLM als Quelle nennen, eine kleine Automatisierung genügt. Und behalten Sie die öffentlichen oder kostenpflichtigen Befragungsstudien im Blick, die dokumentieren, wie Menschen suchen: immer aufschlussreich.
| Signal | Was es erfasst | Seine Grenze |
|---|---|---|
| Erfragtes | Den realen Kanal, über den Interessenten Sie fanden | Hängt von Erinnerung und Ehrlichkeit der Befragten ab |
| Analytik (GA4) | Direkte Klicks aus den Antworten der LLMs | Blind für die Empfehlung mit anschließender Markensuche |
| Indirekte Signale | Markentraffic, Vertriebsprotokolle, Studien | Korrelationen, nie Beweise für sich allein |
Alles zusammenführen
Das letzte Glied ist das einfachste: Führen Sie alle Daten an einem Ort zusammen und übertragen Sie Claude eine wöchentliche Analyse, mit einer kurzen Zusammenfassung der Trends als Slack-Nachricht. Messen lohnt nur, wenn jemand es jede Woche liest.
2026 lässt sich die Wirkung der LLMs auf die Leadgenerierung von keinem fertigen Dashboard ablesen. Man rekonstruiert sie, Präsenz-Kennzahl für Ergebnis-Kennzahl, bis beide Kurven dieselbe Geschichte erzählen.
Häufige Fragen
Weitere Analysen zu Messung und generativer Suche finden Sie im Journal.