Kurz gesagt. Wir haben 617 Fragen aus echten Audits ausgewertet, die im Durchschnitt 4,3 Modellen gestellt wurden. Bei 23 % der Fragen nannte mindestens ein Modell die Marke und mindestens ein anderes nicht. Die Marken hatten sich selbst für ein Audit entschieden, daher ist die Stichprobe nicht für alle Marken repräsentativ. Der Befund beschreibt beobachtete Unterschiede, nicht ihre Ursache oder die Richtigkeit jeder Antwort.
Was die Quote von 23 % genau misst
Grundlage der Berechnung ist ein klar abgegrenztes Ereignis: die Präsenz einer Marke im Text einer Antwort. Für jede Frage prüfen wir getrennt, ob die Marke in der Ausgabe der jeweils befragten Modelle vorkommt. Eine Frage zählt als Uneinigkeit, wenn mindestens ein Modell sie nennt und mindestens ein anderes nicht. Die 23 % bezeichnen somit den Anteil der 617 Fragen, auf die diese Definition zutrifft.
Diese enge Definition verhindert einen verbreiteten Bedeutungswechsel. Sie misst weder die Qualität einer Antwort noch Ton, Länge, Reihenfolge einer Empfehlung oder die Richtigkeit sämtlicher Aussagen. Eine Antwort kann eine Marke vorsichtig, fehlerhaft oder themenfremd nennen. Eine andere kann sie auslassen und trotzdem nützlich sein. Solche Unterschiede müssen gesondert bewertet werden. Das Vorhandensein eines Namens ist nur ein Merkmal, kein Gesamturteil über die Antwort.
Warum ein Modell nur eine Teilmessung liefert
Ein Modell ist kein beliebig austauschbarer Übertragungskanal. Wer dieselbe Frage nur an ein System richtet, erhält eine Beobachtung unter bestimmten Bedingungen: mit einem Modell, zu einem Zeitpunkt, in einem Antwortmodus und mit einer konkreten Formulierung. Nennt ein anderes Modell die Marke nicht, wird die erste Antwort dadurch nicht falsch. Vielmehr zeigt sich, dass die beobachtete Präsenz auch von der Messbedingung abhängt.
Eine einzelne Bildschirmaufnahme kann ein hilfreiches Signal sein, trägt aber nur schwer eine allgemeine Schlussfolgerung. Für einen belastbaren Vergleich sollten Teams dieselben Fragen verwenden und das jeweilige Modell dokumentieren. Auch der Zeitpunkt und der Antwortmodus gehören zum Kontext. Ohne diese Angaben beschreiben zwei scheinbar widersprüchliche Ergebnisse möglicherweise lediglich zwei unterschiedliche Prüfsituationen, nicht einen Widerspruch innerhalb derselben Messung.
Plausible Mechanismen sind keine nachgewiesenen Ursachen
Mehrere Mechanismen können zu unterschiedlichen Antworten beitragen. Dazu zählen verschiedene Korpora und Aktualisierungszeitpunkte, Antwortregeln, die Auswahl von Quellen, die Formulierung der Frage oder die Verfügbarkeit einer Websuche. Diese Liste enthält plausible Hypothesen. Die 617 Fragen erlauben es nicht, eine einzelne Ursache zu isolieren oder eine Abweichung einer bestimmten Entscheidung eines Anbieters zuzuschreiben.
Eine fehlende Nennung in einer Antwort beweist keine allgemeine Abwesenheit; eine einzelne Nennung beweist ebenso wenig eine stabile Präsenz.
Websuche und nativer Modus sind getrennte Kontexte
Quelle: unser Barometer 2026, mit Daten von September 2025 bis Juni 2026. Die Tabelle betrifft die Teilstichprobe von 63 Audits mit beiden Modi, nicht die 617 Fragen dieser Studie oder die aktuelle Ausgabe des Observatoriums.
| Antwortbedingung | Durchschnittlicher Sichtbarkeitsscore (/100) | Verglichene Audits |
|---|---|---|
| Nativ, ohne Websuche | 63,4 | 63 |
| Mit Websuche | 70,5 | 63 |
| Differenz Web minus nativ | 7,1 | 63 |
Der Unterschied beträgt 7,1 Scorepunkte, nicht 7,1 % Markenpräsenz. Dieser Durchschnitt lässt sich nicht auf jede Marke übertragen. Der native Modus misst eine Antwort ohne aktivierten externen Webabruf, nicht die nachgewiesene Aufnahme einer Marke in Trainingsdaten.
Quellen prüfen, ohne sie zu überdeuten
Antworten können sich auf verschiedene Signale und Quellen stützen. Unsere Quellenstudie erfasst Familien, die in separaten Audits beobachtet wurden. Sie liefert Ansatzpunkte für Prüfungen, etwa ob Angaben der Marke und Informationen Dritter miteinander übereinstimmen. Eine solche Prüfung kann Klärungsbedarf sichtbar machen. Sie belegt jedoch nicht den Entstehungsweg einer einzelnen Antwort und erklärt nicht jede Nennung oder Auslassung in dieser Auswertung.
Eine nicht auflösbare URL ist niemals allein ein Beweis dafür, dass eine Information erfunden wurde. Die Seite kann verschoben worden sein, eine Weiterleitung kann bestehen, der Zugang kann beschränkt sein, ein vorübergehender Fehler kann auftreten oder die Adresse kann falsch übertragen worden sein. Bewahrt werden sollten die URL, ihr geprüfter Status und die Aussage im Zusammenhang. Erst diese Schritte ermöglichen eine Schlussfolgerung über einen tatsächlich verifizierten Punkt.
Ein Audit mit mehreren Modellen dokumentieren
Damit der Vergleich nachvollziehbar bleibt, sollte jeder Datensatz die exakte Frage, die Sprache, das Modell, den Antwortmodus, das Erhebungsdatum, den vollständigen Text und das Präsenzergebnis enthalten. Angezeigte Quellen sind zu ergänzen, sofern verfügbar, jedoch nicht als Kausalnachweis zu behandeln. Diese Dokumentation führt von einer zusammengefassten Kennzahl zurück zu den einzelnen Fällen und zeigt, welche Bedingungen tatsächlich verglichen wurden.
- Vergleichen Sie Fragen mit derselben Absicht: Empfehlung, Vergleich und konkreter Bedarf sind nicht gleichzusetzen.
- Behalten Sie die Formulierung bei, wenn eine Veränderung über die Zeit beobachtet werden soll.
- Lesen Sie die Antworten, bevor Sie eine Quote zusammenfassen, besonders bei unterschiedlichen Präsenzergebnissen.
- Trennen Sie Präsenz, Richtigkeit, Ton und Quellen in der Auswertung, da sie jeweils andere Prüfungen verlangen.
Bewahren Sie auch verfügbare Einstellungen und die zum Erhebungszeitpunkt angezeigten Quellen auf. Eine andere Person sollte nachvollziehen können, warum zwei Antworten unterschiedliche Präsenzkennzeichnungen erhalten haben. Ein Kontrollkästchen erhält weder Einschränkungen noch Kontext: Bewahren Sie den vollständigen Text auf.
Die 23 % auf der richtigen Ebene lesen
Zudem kann ein Gesamtwert die tatsächliche Verteilung verdecken. Bestimmte Marken oder Fragetypen könnten einen großen Teil der Abweichungen konzentrieren, während andere in den gesammelten Antworten stabil bleiben. Die Quote allein sagt nicht, welche Verteilung vorliegt. Nur die detaillierten Daten ermöglichen diese Prüfung. Dabei muss die ursprüngliche Definition des Indikators unverändert bleiben, damit die Gruppen vergleichbar bleiben.
Welche Entscheidungen diese Messung unterstützen kann
Unsere Einschätzung: Ein Audit mit nur einem Modell reicht nicht aus, um die Sichtbarkeit über mehrere Modelle hinweg zu beurteilen. Die 23 % der Fragen mit abweichender Nennung begründen diese Position, schreiben aber keine allgemeingültige Modellanzahl vor. Eine günstige Bildschirmaufnahme bestätigt nicht das Gesamtbild.
Beginnen Sie mit den geschäftlich relevanten Fragen der Marke. Verwenden Sie dieselbe Formulierung bei mehreren Modellen, trennen Sie nativen Modus und Websuche und prüfen Sie zuerst abweichende Fälle. Halten Sie jeweils fest, was fehlt, was falsch ist und was die Marke mit einer überprüfbaren Quelle korrigieren kann. Dies ist unsere Arbeitsempfehlung, keine in dieser Studie gemessene Wirkung.
Veränderungen verfolgen, ohne einen Trend zu erfinden
Modelle und ihre Ausgaben verändern sich. Die Wiederholung eines Fragensets kann Beobachtungen vergleichbar machen, sofern Frage, Sprache, Modell und Modus nicht gleichzeitig verändert werden. Ändern sich mehrere Bedingungen, bleibt eine Differenz zwar sichtbar, ihre Zuordnung wird jedoch schwierig. Eine sorgfältige Dokumentation jeder Erhebung ist deshalb nützlicher als ein Dashboard, das alle Einzelheiten auf eine einzige Linie reduziert.
Eine Beobachtungsreihe verspricht keinen bestimmten Verlauf. Ein Anstieg oder Rückgang kann auftreten, ohne damit automatisch die Wirkung einer kürzlichen Maßnahme zu belegen. Um eine Veränderung mit einer Hypothese zu verbinden, müssen zunächst die vorgenommenen Änderungen erfasst, die Antworten aufbewahrt und die Vergleichbarkeit des Umfangs geprüft werden. Auch hier bleibt der Unterschied zwischen einem beobachteten Ergebnis und seiner möglichen Erklärung bestehen.
Grenzen, die sichtbar bleiben müssen
Die 617 Fragen stammen von Marken, die sich selbst dafür entschieden haben, auditiert zu werden. Diese freiwillige Teilnahme ist eine Auswahlgrenze: Die Stichprobe ist nicht repräsentativ für alle Marken. Der Durchschnitt von 4,3 Modellen beschreibt die Bedingungen dieser Erhebung und ist kein Standard für jede Untersuchung. Schließlich betrifft die Uneinigkeit nur die Markenpräsenz, nicht sämtliche Eigenschaften einer Antwort.
Fazit: Fälle und Verteilungen statt Schlagworte
Unsere Priorität ist, Abweichungen vor jeder Korrektur überprüfbar zu machen. Bewahren Sie den Fall auf, bestimmen Sie die zu prüfende Information und wiederholen Sie den Vergleich unter dokumentierten Bedingungen. Das hilft bei der Auswahl der Prüfpunkte mehr als ein isolierter Score.
Weiterführende Einordnungen bieten das Barometer 2026, die Studie zu den von KIs zitierten Quellen, die AGS-Methodik, das Observatorium und der Leitfaden für ein Audit der Markensichtbarkeit. Sie helfen, Beobachtungen zu dokumentieren, ohne aus einer zusammengefassten Zahl einen Kausalzusammenhang abzuleiten.
Fragen und Antworten
Geben verschiedene KIs die gleiche Antwort über eine Marke?
Nein. Bei 617 an mehrere Modelle gestellten Fragen nennt in 23 % der Fälle mindestens ein Modell die Marke und ein anderes nicht. Die Präsenz in KIs hängt vom befragten Modell ab.
Warum sind sich ChatGPT, Gemini und Claude über meine Marke uneinig?
Weil sie Trainingsgedächtnisse zu unterschiedlichen Daten haben, manche im Web surfen und andere nicht, und sie sich nicht auf dieselben Quellen stützen (LinkedIn, Wikipedia, Bewertungen, Register).
Reicht ein Audit allein auf ChatGPT?
Nein: Es misst eine von vier Realitäten. Ihre Kunden nutzen auch Gemini, Claude oder Perplexity. Ein verlässliches Audit fragt mehrere Modelle ab und denkt in Verteilungen, mit Konfidenzintervallen.
Wie messen Sie diese Uneinigkeit?
Für jede an mindestens zwei Modelle gestellte Frage erkennen wir, ob die Marke tatsächlich in jeder Antwort erscheint, und zählen dann die Fragen, bei denen die Modelle auseinandergehen (eines nennt, ein anderes nicht).
Agenturen, Berater und interne Teams: Vergleichen Sie Antworten auf Ihre eigenen Szenarien in den gewählten Sprachen und Modellen. Unsere Infrastruktur, Ihre Szenarien, Ihre Expertise.