LLM-Sichtbarkeit: Warum du messen solltest, ob KI-Systeme deine Marke kennen

LLM-Sichtbarkeit beschreibt, wie oft und wie prominent eine Marke in den Antworten von KI-Systemen erscheint – bei ChatGPT, Perplexity, Google AI Overviews, Claude und Gemini. Nicht ob deine Website rankt, sondern ob KI-Systeme deine Marke empfehlen, wenn jemand fragt.

Ganz ehrlich: Die meisten Unternehmen wissen nicht einmal, ob ChatGPT ihre Marke kennt. Gleichzeitig nutzen über 800 Millionen Menschen wöchentlich allein ChatGPT (Stand: Mitte 2025). Perplexity verarbeitet 780 Millionen Queries pro Monat, Google AI Overviews erreichen 1,5 Milliarden Nutzer monatlich. Das ist kein Nischenthema mehr.

Warum sollte dich das interessieren? LLM-Traffic konvertiert anders. Deutlich anders. Semrush hat im Juni 2025 gemessen: Besucher aus KI-Suchsystemen sind 4,4-mal wertvoller als klassische organische Besucher. Search Engine Land bestätigt über 13 Monate hinweg eine Conversion-Rate von 18 % für LLM-Referral-Traffic. Bei einem unserer Kunden aus der Medizintechnik messen wir seit Jahresbeginn 2026 eine Conversion-Rate von 12,65 % für LLM-Traffic – verglichen mit 2-3 % über die organische Suche.

Die Kaufabsicht ist eine komplett andere, wenn jemand ChatGPT fragt „Welche SEO-Agentur in Bremen ist auf E-Commerce spezialisiert?“ und als direkte Empfehlung eine Marke bekommt. Da gibt es keine 10 blauen Links zum Vergleichen. Die Vorauswahl ist getroffen.

Abb. 1: Die Kernzahlen zu LLM-Traffic — Reichweite, Conversion-Wert und gemessene Conversion-Rate.

Der Paradigmenwechsel: Von Keywords zu Prompts

Ich sage das in Erstgesprächen inzwischen offen: Keyword-Recherche allein reicht nicht mehr. Keywords waren immer eine Krücke – eine Übersetzungshilfe zwischen dem, was Menschen eigentlich wissen wollen, und dem, was sie in ein Suchfeld eintippen. LLMs eliminieren diese Übersetzungsarbeit. Menschen stellen KI-Systemen vollständige Fragen in natürlicher Sprache.

Was heißt das für die Content-Strategie? Bei einem Kunden aus der Medizintechnik haben wir die Content-Strategie im Sommer 2025 komplett umgestellt. Keine Keyword-Recherche mehr, kein Suchvolumen, keine Difficulty-Scores. Stattdessen: Prompts aus RankScale als Grundlage für neue Blogposts.

Der Workflow sieht so aus:

1. Prompts identifizieren: RankScale analysiert, welche Fragen Nutzer bei KI-Systemen zu einem Themenfeld stellen.
2. Topics ableiten: Aus den Prompts ergeben sich Themencluster, die kein klassisches Keyword-Tool anzeigt.
3. Content schreiben: Blogposts, die exakt auf diese Prompts antworten – kurz, präzise, isoliert verständlich.
4. Sichtbarkeit tracken: Nach Veröffentlichung messen, ob und wo KI-Systeme den Content zitieren.

Das Ergebnis: Ein Blogpost geschrieben, bei Perplexity, ChatGPT und Gemini direkt auf Platz 1 – für eine Frage, die bei Google quasi kein Suchvolumen hat. Klassische Keyword-Recherche hätte diesen Blogpost nie priorisiert. Und die durchschnittlichen Klicks pro Tag? Von knapp 150 auf über 300 an guten Tagen – fast verdoppelt, nur durch promptbasierte Blogposts.

Warum das funktioniert

90 % der ChatGPT-Citations kommen von Seiten auf Rang 21 oder schlechter bei Google. Nur 14 % der Top-Quellen überlappen zwischen Google AI, ChatGPT und Perplexity. Das heißt: Die Inhalte, die KI-Systeme als Antwort verwenden, sind fundamental andere als die, die bei Google auf Seite 1 stehen.

Deswegen macht es Sinn, Content gezielt für LLM-Prompts zu schreiben – auch wenn das Suchvolumen bei Google null ist. KI-Systeme bedienen eine völlig andere Nachfrage.

LLM-Sichtbarkeit messen: Metriken und Tools

LLM-Sichtbarkeit ist kein Bauchgefühl. Es gibt inzwischen konkrete Metriken:

Abb. 2: Die 6 zentralen Metriken für LLM-Sichtbarkeit im Überblick.

• Visibility Score: Aggregierter Wert der Markenpräsenz über alle KI-Plattformen hinweg. 0 = unsichtbar, 100 = dominierend.
• Detection Rate: In wie viel Prozent der Abfragen wird deine Marke überhaupt erkannt.
• Durchschnittsposition: Wenn du erwähnt wirst – auf welcher Position? Position 1-3 ist relevant, alles danach kaum.
• Citations: Wie oft wird deine Domain als Quelle verlinkt – nicht nur erwähnt, sondern aktiv zitiert.
• Brand Mentions: Erwähnungen deiner Marke im Antworttext, mit oder ohne Link.
• Sentiment: Wie wird deine Marke dargestellt – positiv, neutral, negativ.

Tools für LLM-Sichtbarkeits-Monitoring: RankScale, Otterly, DataForSEO

Zwei Tools nutzen wir in der Praxis:

RankScale (ab 20 $/Monat) ist ein AI Visibility Tracker, der 17 KI-Plattformen abdeckt – von ChatGPT über Perplexity und Claude bis zu DeepSeek und Google AI Mode. RankScale trackt Visibility Scores, Citations, Sentiment und Wettbewerber-Vergleiche. Was RankScale ganz ehrlich besonders macht, ist die Prompt Research. RankScale rekonstruiert, welche Fragen Nutzer bei KI-Systemen stellen. Genau das liefert letztlich die Grundlage für eine promptbasierte Content-Strategie. Für Agenturen liegt der Pro-Plan bei 99 $/Monat mit 10 Brands und 1.200 Rank-Credits.

DataForSEO AI Optimization API (ab 100 $/Monat Prepaid, Pay-per-Task) liefert die Rohdaten: LLM Mentions, AI Search Volume, Antworten von 11 Modellen über 4 Plattformen. DataForSEO ist klar keine fertige Monitoring-Lösung, sondern eine API für Entwickler und Agenturen, die LLM-Daten in eigene Tools oder Dashboards integrieren wollen.

Daneben wächst die Landschaft schnell. Otterly.ai (ab 29 $/Monat) bietet AI Search Monitoring mit Looker-Studio-Integration. Peec.ai (ab 85 €/Monat) fokussiert auf Sentiment-Analyse und AI-Visibility-Tracking über 6 Plattformen, ist preislich aber deutlich über RankScale und Otterly positioniert. Kalicube (Jason Barnard) verfolgt einen anderen Ansatz – weniger Monitoring, mehr aktive Brand-Steuerung über Knowledge Panel und AI Representation, allerdings als Beratungsmodell ab 6.000 $ für den ersten Monat.

Plattform-Unterschiede: Warum ChatGPT nicht Perplexity ist

Ein Fehler, den ich häufig sehe: LLM-Sichtbarkeit als monolithische Metrik zu behandeln. In der Praxis unterscheiden sich die Plattformen massiv.

Bei unserem Kunden aus der Medizintechnik zeigt RankScale eine Detection Rate von über 81 %, die Sichtbarkeit schwankt je nach Plattform aber teils deutlich. Manche Engines empfehlen die Marke konstant auf Position 1-3, bei anderen erscheint sie gar nicht. Klar ist: KI-Systeme greifen auf unterschiedliche Datenquellen zurück, gewichten Brand Signals anders und aktualisieren ihre Wissensbasis zu unterschiedlichen Zeitpunkten.

Im Prinzip sehen wir bei HECHT INS GEFECHT genau dasselbe. Für den Prompt „Beste SEO-Agenturen in Deutschland“ liegt unsere Visibility bei rund 27 % – mit steigender Tendenz, die Detection Rate bei knapp 40 %. Die Werte ändern sich täglich, deswegen sind Snapshots letztlich nur Momentaufnahmen. Verglichen mit Claneo (~69 %), Suchhelden (~51 %) und morefire (~47 %) ist da noch Luft nach oben. Aber wir wissen jetzt ziemlich genau, wo. Und das ist der Punkt.

Was das für die Strategie bedeutet

Du kannst nicht pauschal „für KI optimieren“. Du musst verstehen, welche Plattform welche Datenquellen nutzt, und genau dort sichtbar werden. ChatGPT stützt sich stark auf Websuche und strukturierte Daten. Perplexity zitiert bevorzugt aktuelle Quellen mit klarer Faktenstruktur. Google AI Overviews bevorzugen Seiten, die bei Google bereits gut ranken – aber eben nicht ausschließlich.

LLM-Monitoring in der Praxis: Echte Daten aus RankScale

Wir tracken über RankScale aktuell 14 Marken – eigene und Kunden – über alle relevanten KI-Plattformen hinweg. Die Scores ändern sich täglich, deswegen gibt es hier einen Snapshot statt absoluter Zahlen.

RankScale-Monitoring: 199 LLM-Erwähnungen für den Keywordkönig

Was fällt auf? Meine Personal Brand wird von praktisch allen Plattformen erkannt und auf Position 1 empfohlen – das Ergebnis konsequenter Entity-Etablierung über Schema-Markup, Brand SEO, über 100 konsistente Citations und aktives Bewertungsmanagement. Der Kunde aus der Medizintechnik steht bei über 67 % Visibility mit Durchschnittsposition 3,4 – das ist stark für einen lokalen Anbieter. HECHT INS GEFECHT liegt für generische Prompts wie „Beste SEO-Agenturen in Deutschland“ bei rund 27 % – verglichen mit Claneo (~69 %), Suchhelden (~51 %) und morefire (~47 %) ist da noch Luft nach oben.

Das heißt: LLM-Sichtbarkeit korreliert nicht mit der Größe des Unternehmens. LLM-Sichtbarkeit korreliert mit Eindeutigkeit, Konsistenz und Streuung der Markeninformationen im Internet.

Der Kundencase: Content-Strategie ohne Keywords

Bei einem Kunden aus der Medizintechnik haben wir im Sommer 2025 einen radikalen Wechsel vollzogen. Statt Keyword-Recherche nutzen wir ausschließlich RankScale-Prompts als Input für die Content-Strategie.

Keywordkönig-Wettbewerb: Ein E-Commerce-Kunde ohne klassisches SEO

Der Kunde stand bei Google solide. 130 Keywords auf Platz 1-3, Traffic-Wert von etwa 16.000 € monatlich. Aber: Aus dem Team des Kunden kam die Rückmeldung: „Die jungen Leute suchen bei ChatGPT. Und da werden wir nicht gefunden.“ Doch, wurden sie – nur wusste es niemand, weil niemand gemessen hat.

Von SEO-Keywords zu semantischen Content-Signalen

Wir haben aufgehört, klassische Keyword-Recherche zu machen. Stattdessen:

1. RankScale-Analyse der bestehenden Seiten: Welche Themen decken die aktuellen Seiten ab? Wo sind Lücken in der LLM-Sichtbarkeit?
2. Prompt-Generierung: RankScale identifiziert relevante Nutzer-Prompts zu Themenfeldern – nicht Keywords, sondern vollständige Fragen.
3. Kurze, fokussierte Blogposts: Ein Thema pro Post, direkte Antwort auf den Prompt, keine Keyword-Stuffing-Textwüsten.
4. Dual-Tracking: Google-Performance über die Search Console, LLM-Performance über RankScale.

12,65 Prozent Conversion-Rate über LLM-Traffic

LLM-Sichtbarkeit für den Standort: über 67 %, Top 3 in über 50 % der Fälle, Durchschnittsposition 3,4. Für einen lokalen Anbieter in einem kompetitiven Markt.

Traffic: +200 % Sessions aus LLMs innerhalb eines Monats. Für ein Kernthema sogar +700 %.

Conversion: 12,65 % Conversion-Rate für LLM-Traffic seit Januar 2026. Verglichen mit 2-3 % über die organische Google-Suche.

Keywords: Die Zahl der Top-3-Keywords ist von 130 auf 56 gesunken. Der Traffic-Wert liegt trotzdem fast auf dem gleichen Niveau. Weniger Keywords, bessere Keywords, mehr LLM-Sichtbarkeit.

Was Analytics nicht zeigt

Was bei diesen Zahlen oft untergeht und was ich in jedem Kundengespräch klarstelle: Die 12,65 % Conversion-Rate beziehen sich ausschließlich auf den direkt messbaren LLM-Traffic – also auf Nutzer, die über einen Link in der KI-Antwort tatsächlich klicken. Der reale Einfluss von LLM-Sichtbarkeit liegt sehr viel höher.

Hintergrund dazu: Nicht jedes KI-System verlinkt die empfohlene Marke. Und selbst wenn ein Link ausgegeben wird, googelt ein nicht zu unterschätzender Anteil der Nutzer den Markennamen anschließend ohnehin nochmal. In Google Analytics taucht dieser Besuch dann als organischer Traffic oder als Direct Traffic auf, nicht als LLM-Referral. Die KI-Empfehlung hat den Klick ausgelöst, in keinem gängigen Attribution-Modell ist sie aber sichtbar.

Genau diese Lücke meine ich, wenn ich von einem Dark Funnel spreche. Der zuverlässigste indirekte Indikator dafür ist das Branded Search Volume. Wenn mehr Menschen deinen Markennamen bei Google eingeben, ohne dass du an deiner Google-Strategie geschraubt hast, deutet das stark darauf hin, dass KI-Systeme deine Marke empfehlen. Wir tracken bei Kunden deswegen immer beides nebeneinander: die direkten LLM-Referrals in Analytics und das Branded Search Volume in der Search Console.

Im selben Kundencall habe ich es so formuliert: „Wo stehen wir bei Google? Das ist mir gerade ein bisschen Wurst. Hauptsache wir werden gefunden.“ Nicht weil Google irrelevant geworden wäre – sondern weil die ständige Fixierung auf das Google-Ranking den Blick auf die Gesamtsichtbarkeit verstellt.

Was die Forschung bestätigt

Die Zahlen aus der Praxis decken sich mit aktuellen Studien:

• GEO-Paper (KDD ’24): Quellenangabe im Text hinzufügen erhöht die LLM-Sichtbarkeit um 132,4 %. Autoritativer Ton bringt +89,1 %, relevante Statistiken +65,5 %.
• Ahrefs (Juni 2025): Nur 14 % der Top-Quellen überlappen zwischen Google AI, ChatGPT und Perplexity. Drei verschiedene Ökosysteme, drei verschiedene Optimierungsstrategien.
• Semrush (Juni 2025): 90 % der ChatGPT-Citations kommen von Seiten jenseits der Google-Top-20. Google-Ranking allein reicht nicht.
• TrustRadius (April 2025): 90 % der Käufer klicken auf in AI Overviews zitierte Quellen. Die Empfehlung durch ein KI-System ist kein Endpunkt – KI-Systeme leiten qualifizierten Traffic weiter.

Abb. 3: Visibility-Impact laut GEO-Paper — Quellenangabe im Text hat den größten Effekt auf die LLM-Sichtbarkeit.

Deswegen investieren wir in LLM-Sichtbarkeit. Nicht als Ersatz für SEO, sondern als zweite Säule neben der Google-Optimierung.

Dass das in der Praxis funktioniert, haben wir beim SEO-Wettbewerb von Agenturtipp 2025 im Zeitraffer bewiesen. Für das fiktive Keyword „Keywordkönig“ haben wir konsequent auf LLM-Sichtbarkeit optimiert – NAPD-Konsistenz, Citations, Schema-Markup, semantisch optimierter Content. Das Ergebnis: 199 Erwähnungen in Perplexity und Claude, Platz 1 im KI-Wettbewerb von RankScale – mit 60 Erwähnungen Abstand zum Zweitplatzierten. Die Details zum Vorgehen beschreibe ich im GEO-Artikel.

Content für LLM-Sichtbarkeit schreiben

Die Prinzipien für LLM-optimierten Content habe ich ausführlich im Artikel zu Semantischem SEO beschrieben. Für den Kontext LLM-Sichtbarkeit sind 5 Punkte besonders relevant:

1. Antwort zuerst. KI-Systeme extrahieren die erste relevante Aussage eines Absatzes. Die Kernaussage gehört in den ersten Satz, nicht in den dritten Absatz.
2. Isoliert verständliche Absätze. KI-Systeme lesen nicht ganze Seiten, sondern einzelne Chunks. Jeder Absatz muss ohne den Rest der Seite funktionieren.
3. Konkrete Fakten. KI-Systeme zitieren bevorzugt verifizierbare Daten – Zahlen, Jahreszahlen, benannte Standards. „Wir sind seit 2005 am Markt“ ist zitierbarer als „seit vielen Jahren“.
4. Keine negative Sprache. Das habe ich durch RankScale-Analysen herausgefunden: KI-Systeme gewichten das Text-Sentiment bei der Antwortgenerierung. Negative Formulierungen und Aggressivität können die Wahrscheinlichkeit einer Zitation verringern.
5. Kurze Sätze, aktive Sprache. Keine eingeschobenen Nebensätze, keine Vergleiche, keine Allegorien. Das ist auch für Cost of Retrieval wichtig – KI-Systeme verarbeiten klare Strukturen effizienter.

In einem Interview mit einem Student, der seine Masterarbeit zum Thema LLM-Optimierung schreibt, habe ich es so formuliert: Keywords waren immer eine Übersetzungshilfe. LLMs eliminieren die Übersetzungsarbeit – sowohl auf der Nutzerseite als auch auf der Anbieterseite. Das Spielfeld wird dadurch egalisiert. Kleine Unternehmen, die ihre Marke klar definieren und konsistent kommunizieren, können mit deutlich größeren Wettbewerbern konkurrieren.

LLM-Sichtbarkeit aufbauen: Der Fahrplan

Wer bei null anfängt, braucht ehrlicherweise keinen 20-Punkte-Plan. 5 Schritte reichen:

1. Ist-Zustand messen. KI-Systeme direkt befragen: „Was ist [Markenname]?“ und „Welche [Branche]-Anbieter empfiehlst du in [Stadt]?“ Bei ChatGPT, Perplexity und Gemini prüfen. Oder professionell über RankScale oder DataForSEO.
2. NAPD-Konsistenz herstellen. Name, Adresse, Telefon, Beschreibungstext – überall identisch. Beschreibungstext in dritter Person, Markenname am Satzanfang, alle USPs drin. Unser Entity-Dokument-Guide zeigt, wie.
3. Citations aufbauen. 50 generische Profile als Basis. KI-Systeme direkt fragen, welche Portale relevant sind. Komparative Listen identifizieren.
4. Content auf Prompts ausrichten. RankScale oder ähnliche Tools nutzen, um relevante Nutzer-Prompts zu identifizieren. Kurze, fokussierte Antworten schreiben.
5. Monitoring einrichten. Wöchentlich messen, monatlich auswerten. Plattform-Unterschiede beobachten. Bei Sentiment-Einbrüchen sofort reagieren.

Abb. 4: Der Fahrplan in 5 Schritten zum Aufbau von LLM-Sichtbarkeit.

Häufige Fragen zu LLM-Sichtbarkeit

Quellen

• Semrush (Juni 2025): „The Real Value of AI Search Traffic“ – AI-Search-Besucher 4,4x wertvoller, 90 % der ChatGPT-Citations von Seiten jenseits Rang 21
• Search Engine Land (Feb. 2026): „LLM Referral Traffic Study“ – 18 % Conversion-Rate über 13 Monate Messzeitraum
• Aggarwal et al. (2024): „GEO: Generative Engine Optimization“, KDD ’24 – Visibility-Impact von Citations (+132,4 %), Statistiken (+65,5 %), autoritativem Ton (+89,1 %)
• Ahrefs (Juni 2025): „AI Search Citation Overlap Study“ – nur 14 % Quellenüberlappung zwischen Google AI, ChatGPT und Perplexity
• TrustRadius (April 2025): „B2B Buying Disconnect“ – 90 % der Käufer klicken auf in AI Overviews zitierte Quellen
• Forbes (April 2025): ChatGPT erreicht 800 Mio.+ wöchentliche aktive Nutzer
• Windolph, Benny: „Semantisches SEO“, HECHT INS GEFECHT – Content-Regeln für Google und KI-Systeme
• Windolph, Benny: „GEO: Generative Engine Optimization“, HECHT INS GEFECHT – NAPD-Framework und Citations