Zuletzt aktualisiert Juli 2026. Dieses Glossar umfasst 40 Begriffe aus den Bereichen Brand Monitoring, Prompt Tracking und AI-Visibility-Messung. Nutze die thematischen Gruppen unten, um zum für deine Arbeit relevantesten Abschnitt zu springen, oder suche nach dem Begriffsnamen.
So nutzt du dieses Glossar
Jeder Eintrag beginnt mit einer eigenständigen Definition von 40 bis 60 Wörtern, gefolgt von Verwendungskontext und Querverweisen. Die Definitionen sind so geschrieben, dass sie für sich allein stehen können und direkt zitiert werden können.
Thematische Gruppen:
- Kernkennzahlen (1-10)
- Prompt- und Engine-Mechanik (11-20)
- Citation und Retrieval (21-30)
- Sentiment und Wahrnehmung (31-36)
- Programm- und Plattformkonzepte (37-40)
Kernkennzahlen
1. AI Share of Voice
AI Share of Voice ist der Prozentsatz relevanter Prompts – über ein definiertes Engine-Set und eine Wettbewerbskategorie – bei denen deine Marke in der KI-generierten Antwort erwähnt wird. Eine Marke mit 35 Nennungen bei 100 überwachten Prompts hat einen AI Share of Voice von 35 % für diese Kategorie.
AI Share of Voice ist der primäre Wettbewerbs-Benchmark in jedem AI-Visibility-Programm. Er ersetzt die klassische Ranking-Positions-Metrik: Statt zu tracken, wo du auf Seite eins rangierst, trackst du, ob du überhaupt erscheinst, wenn Käufer KI-Engines die Fragen stellen, die du dominieren solltest.
Tools: Otterly.AI, Peec AI, Profound, Temso, SE Ranking.
Verwandte Begriffe: Share of Model (2), Prompt Coverage (6), Competitive Set (38).
2. Share of Model
Share of Model ist eine alternative Bezeichnung für AI Share of Voice, die die Metrik aus der Perspektive der Antwortverteilung eines bestimmten KI-Modells betrachtet. Die Frage lautet: Welchen Anteil aller Antworten auf relevante Anfragen dieses Modells enthält eine Nennung deiner Marke?
Die Modell-Perspektive ist nützlich, weil KI-Engines probabilistisch arbeiten. Derselbe Prompt, zehnmal bei ChatGPT ausgeführt, kann deine Marke in sieben Antworten und einen Wettbewerber in den anderen drei liefern. Share of Model erfasst diese Verteilung, anstatt eine einzelne Antwort als definitiv zu behandeln.
Verwandte Begriffe: AI Share of Voice (1), Prompt Entropy (12), Engine Coverage (39).
3. Brand Mentions
Brand Mentions sind im AI-Monitoring die rohe Anzahl der Vorkommen deines Markennamens, Produktnamens oder definierten Alias in KI-generierten Antworten über ein überwachtes Set an Prompts und Engines. Mentions werden pro Antwort gezählt und über einen Berichtszeitraum aggregiert.
Mentions sind ungenauer als Share of Voice: Eine einzelne Antwort kann deinen Markennamen mehrmals enthalten. Sie sind am nützlichsten, um plötzliche Anstiege oder Einbrüche zu erkennen, die mit externen Ereignissen zusammenhängen (Produkteinführungen, Presseberichte, Kontroversen). Die wöchentliche Mention-Velocity ist ein Frühindikator für Sichtbarkeitsveränderungen.
Verwandte Begriffe: AI Share of Voice (1), Citation Rate (21), Named-Entity Recognition (25).
4. Prompt Coverage
Prompt Coverage ist der Anteil deines überwachten Prompt-Sets, bei dem mindestens eine Antwort deine Marke erwähnt. Eine Marke mit 60 % Prompt Coverage erscheint in Antworten auf 60 von 100 Anfragen in ihrem überwachten Cluster.
Prompt Coverage unterscheidet sich von Share of Voice darin, dass sie die Häufigkeit innerhalb einer einzelnen Antwort ignoriert und eine binäre Frage stellt: Hat deine Marke erschienen oder nicht? Sie zeigt, welche Intent-Cluster du dominierst und welche du vollständig verpasst.
Verwandte Begriffe: Prompt Cluster (13), Prompt Family (14), AI Share of Voice (1).
5. Citation Rate
Citation Rate ist der Prozentsatz KI-generierter Antworten – über ein definiertes Prompt-Set – in dem eine bestimmte URL oder Domain deiner Website als Quelle referenziert oder verlinkt wird. Sie misst, wie oft KI-Engines deinen Content als Autorität behandeln, nicht nur, ob sie deinen Markennamen nennen.
Eine hohe Citation Rate für ein einzelnes Content-Stück ist eines der stärksten Signale dafür, dass KI-Modelle diesen Content in ihrem Retrieval-Layer verankert haben. Die Verbesserung der Citation Rate gehört zu den wirkungsvollsten Aktivitäten in einem AI-Visibility-Programm.
Siehe auch: Citation Rate (21) im Citation-Abschnitt für eine ausführlichere Behandlung.
Verwandte Begriffe: Retrieved Page (22), Source Attribution (24), Earned Citation (23).
6. AI Visibility Score
Ein AI Visibility Score ist eine zusammengesetzte Kennzahl, die typischerweise von einer Monitoring-Plattform berechnet wird und Share of Voice, Citation Rate, Sentiment und Prompt Coverage in einer einzigen Indexzahl kombiniert. Verschiedene Plattformen gewichten und benennen diesen Score unterschiedlich.
Scores sind nützlich für Executive-Reporting und Trend-Tracking. Sie sind nicht plattformübergreifend vergleichbar: Eine 72 bei einem Tool und eine 72 bei einem anderen Tool bedeuten nicht dasselbe. Verankere Score-Veränderungen immer an den zugrundeliegenden Rohkennzahlen, damit du interpretieren kannst, was sich tatsächlich bewegt hat.
Verwandte Begriffe: AI Share of Voice (1), Citation Rate (21), Sentiment (31), Prompt Coverage (4).
7. Hallucination Rate
Hallucination Rate im Brand Monitoring ist die Häufigkeit, mit der KI-Engines nachweislich falsche Informationen über deine Marke in ihren generierten Antworten angeben. Häufige Halluzinationen umfassen falsche Preisangaben, eingestellte Funktionen, falsche Gründungsdaten und ungenaue Produktbeschreibungen.
Halluzinationen sind eine eigenständige Monitoring-Kategorie, getrennt von negativem Sentiment. Eine negative Aussage kann akkurat sein. Eine Halluzination ist sachlich falsch und persistiert oft über mehrere Antworten, weil sie korrumpierte oder fehlende Quelldaten widerspiegelt und kein voreingenommenes redaktionelles Urteil.
Verwandte Begriffe: Accuracy Monitoring (8), Source Correction (28), Brand-Fact Drift (35).
8. Accuracy Monitoring
Accuracy Monitoring ist die Praxis, faktische Aussagen von KI-Engines über deine Marke mit einer verifizierten Quellenwahrheit (aktuelles Pricing, Funktionsbeschreibungen, Führungsteam, Zertifizierungen) zu vergleichen und Abweichungen zur Korrektur zu markieren.
Accuracy Monitoring steht neben Share of Voice und Sentiment als dritte Säule des Brand-Perception-Monitorings. Plattformen wie Temso, Profound und Otterly.AI umfassen Halluzinationserkennung als Teil ihres Standard-Monitoring-Outputs.
Verwandte Begriffe: Hallucination Rate (7), Source Correction (28), Brand-Fact Drift (35).
9. Mention Velocity
Mention Velocity ist die Veränderungsrate bei rohen Brand Mentions über einen definierten Zeitraum, ausgedrückt als wöchentlicher oder monatlicher Prozentsatz. Positive Velocity bedeutet wachsende KI-Präsenz; negative Velocity zeigt, dass Wettbewerber dich aus den Antworten verdrängen.
Velocity erkennt Trendumkehrungen schneller als eine Momentaufnahme. Eine Marke, deren absoluter Share of Voice noch hoch ist, deren Velocity aber negativ geworden ist, verliert Boden, bevor die Hauptzahl dies widerspiegelt.
Verwandte Begriffe: Brand Mentions (3), Share of Voice Drift (10), AI Share of Voice (1).
10. Share of Voice Drift
Share of Voice Drift ist die Richtung und das Ausmaß der Veränderung beim AI Share of Voice einer Marke über einen definierten Zeitraum. Drift ist ein handlungsfähigeres Signal als eine absolute Momentaufnahme, weil er zeigt, ob die Marke Wettbewerbsgelände gewinnt, verliert oder hält.
Drift statt absolute Position zu tracken ist besonders wichtig, wenn der absolute Share of Voice niedrig ist. Eine Marke, die innerhalb eines Quartals von 8 % auf 22 % ansteigt, ist ein bedeutsames Wettbewerbsereignis, auch wenn 22 % noch unter dem Kategorie-Leader liegt.
Verwandte Begriffe: AI Share of Voice (1), Mention Velocity (9), Prompt Family (14).
Prompt- und Engine-Mechanik
11. Answer Engine
Eine Answer Engine ist ein KI-System, das auf natürlichsprachige Anfragen mit einer synthetisierten, generierten Antwort reagiert statt mit einer Rangliste von Links. ChatGPT, Perplexity, Google AI Overviews, Google AI Mode, Gemini, Microsoft Copilot, Meta AI und Grok sind die primären Answer Engines, die für Brand-Monitoring-Zwecke überwacht werden.
Die Answer-Engine-Kategorie ist für das Monitoring relevant, weil jede Engine andere Retrieval-Methoden, Trainingsdaten und Zitationsformate verwendet. Der Share of Voice einer Marke kann für denselben Prompt von einer Engine zur anderen erheblich variieren.
Verwandte Begriffe: Engine Coverage (39), Retrieval-Augmented Generation (20), Cross-Engine Citation Overlap (29).
12. Prompt Entropy
Prompt Entropy beschreibt, wie variabel die Antworten auf eine bestimmte Anfrage über wiederholte Durchläufe auf derselben KI-Engine sind. Ein Prompt mit hoher Entropy liefert bei jedem Durchlauf signifikant unterschiedliche Markennamen, Rahmungen oder Empfehlungen. Ein Prompt mit niedriger Entropy liefert zuverlässig dieselbe Antwort.
Entropy ist für die Monitoring-Stichprobengröße entscheidend. Ein Prompt mit hoher Entropy erfordert mehr Durchläufe (fünf oder mehr), bevor seine Marken-Mention-Rate statistisch verlässlich ist. Single-Run-Dashboards, die über Prompts mit hoher Entropy berichten, melden Rauschen statt Signal.
Verwandte Begriffe: Prompt Family (14), Run Count (17), Share of Model (2).
13. Prompt Cluster
Ein Prompt Cluster ist eine Gruppe von Anfragen, die nach gemeinsamem Käufer-Intent organisiert ist. “Bestes Projektmanagement-Tool für Remote-Teams”, “Top-PM-Software für verteilte Unternehmen” und “Welchen Projektmanager sollte ein 20-köpfiges Team nutzen” sind drei verschiedene Prompts, aber ein Cluster.
Cluster sind die praktische Einheit des AI-Visibility-Managements. Du trackst Coverage und Share of Voice auf Cluster-Ebene, damit Formulierungsvariationen über Anfragen hinweg keine irreführenden Einzelprompt-Schlussfolgerungen erzeugen.
Verwandte Begriffe: Prompt Family (14), Prompt Coverage (4), Intent Mapping (16).
14. Prompt Family
Eine Prompt Family ist ein definiertes Set an Anfragevarianten, die ein echter Käufer für dasselbe Informationsbedürfnis formulieren würde. Das Tracken einer Family statt einer einzelnen Formulierung liefert eine Citation Rate, die das tatsächliche Käuferverhalten widerspiegelt und die natürliche Variation in der Frageformulierung berücksichtigt.
Das Ausmustern von Prompts aus einer Family ist ebenso wichtig wie das Hinzufügen. Wenn Käufer eine Formulierung nicht mehr verwenden oder dein Share of Voice für diese Formulierung nahezu 100 % erreicht hat, investiere das Run-Budget in Prompts, bei denen die Antwort noch umkämpft ist.
Verwandte Begriffe: Prompt Cluster (13), Prompt Entropy (12), Run Cadence (18).
15. Buyer-Intent Prompt
Ein Buyer-Intent Prompt ist eine Anfrage, die ein kaufphasenspezifisches Informationsbedürfnis widerspiegelt: Preisvergleich, Anbieterauswahl, Pricing-Recherche oder kategorieübergreifende Problemlösung. “Bestes AI-Visibility-Tool für ein 10-köpfiges Marketing-Team” ist ein Buyer-Intent Prompt; “Was ist AI Visibility” ist ein informativer Prompt.
Buyer-Intent Prompts sind die Monitoring-Ziele mit höchster Priorität, weil sie die Anfragen sind, die am wahrscheinlichsten beeinflussen, welchen Anbieter ein Interessent kontaktiert. Share of Voice bei Buyer-Intent Prompts ist ein engerer Proxy für den Pipeline-Beitrag als Share of Voice bei informativen Anfragen.
Verwandte Begriffe: Prompt Cluster (13), Intent Mapping (16), Conversion Signal (40).
16. Intent Mapping
Intent Mapping ist der Prozess, ein überwachtes Prompt-Set nach Käufer-Journey-Phase (Bewusstsein, Überlegung, Entscheidung) oder nach Anfragetyp (informativ, vergleichend, transaktional) zu organisieren. Es liefert eine strukturierte Ansicht, wo eine Marke erscheint und wo auf jeder Stufe Lücken bestehen.
Intent Mapping zeigt, welche Phasen gut abgedeckt sind und welche unsichtbar sind. Eine Marke, die in 70 % der Awareness-Prompts, aber nur in 12 % der Vergleichs-Prompts erscheint, hat ein Late-Funnel-Sichtbarkeitsproblem, auch wenn ihr Headline-Share-of-Voice stark aussieht.
Verwandte Begriffe: Prompt Cluster (13), Buyer-Intent Prompt (15), Prompt Coverage (4).
17. Run Count
Run Count ist die Anzahl der Male, die ein bestimmter Prompt innerhalb eines einzelnen Messzyklus gegen eine KI-Engine ausgeführt wird. Da Answer Engines probabilistisch sind, ist ein einzelner Durchlauf nur eine Stichprobe aus einer Verteilung. Fünf Durchläufe pro Prompt sind ein gängiges Minimum; Prompts mit hoher Entropy rechtfertigen mehr.
Run Count beeinflusst direkt die Zuverlässigkeit jeder daraus abgeleiteten Metrik. Plattformen, die Share of Voice aus einem einzigen Durchlauf pro Prompt berichten, melden das Ergebnis einer Stichprobe, keine stabile Verteilung. Frag immer, wie viele Durchläufe die Plattform ausführt, bevor du Share-of-Voice-Zahlen als handlungsleitend behandelst.
Verwandte Begriffe: Prompt Entropy (12), Prompt Family (14), AI Share of Voice (1).
18. Run Cadence
Run Cadence ist die Frequenz, mit der eine Monitoring-Plattform ihre Prompt-Daten aktualisiert: täglich, wöchentlich oder monatlich. Cadence bestimmt, wie schnell du Veränderungen in der Sichtbarkeit erkennst und wie zuverlässig du diese Veränderungen bestimmten externen Ereignissen zuordnen kannst.
Tägliche Cadence ist am wichtigsten in Kategorien, in denen sich Wettbewerbsdynamiken schnell verschieben (neue Produkteinführungen, Presseveranstaltungen, Algorithmus-Updates). Monatliche Cadence ist ausreichend für etablierte Kategorien mit niedriger Entropy und langsam veränderlichen Wettbewerbslandschaften.
Verwandte Begriffe: Run Count (17), Mention Velocity (9), Share of Voice Drift (10).
19. Fan-Out Query
Eine Fan-Out Query ist eine interne Unteranfrage, die eine KI-Engine im Hintergrund generiert, um Quellmaterial abzurufen, bevor sie ihre Antwort auf die ursprüngliche Anfrage des Nutzers erstellt. Retrieval-augmentierte KI-Systeme, darunter Perplexity und Bing Copilot, verlassen sich stark auf Fan-Out Queries, um Zitationen zu sammeln.
Fan-Out Queries weichen häufig erheblich von der ursprünglichen Formulierung des Nutzers ab. Laut Profounds Analyse vom April 2026 haben die am stärksten abweichenden Fan-Out-Unteranfragen von ChatGPT nur etwa 13 % Wortüberschneidung mit dem ursprünglichen Nutzer-Prompt. Content für Fan-Out-Formulierungen zu optimieren, nicht nur für die Oberflächen-Anfrage, ist eine aufkommende AEO-Praxis.
Verwandte Begriffe: Retrieval-Augmented Generation (20), Citation Rate (21), Retrieval Window (26).
20. Retrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation (RAG) ist die Architektur, bei der ein KI-System zunächst relevante Dokumente oder Passagen aus einem Korpus abruft und diese abgerufenen Passagen dann als Kontext für die Generierung seiner Antwort nutzt. Perplexity, Google AI Overviews, Microsoft Copilot und die Browsing-Modi von ChatGPT nutzen RAG in unterschiedlichem Ausmaß.
RAG ist der Grund dafür, dass Content-Qualität, Autorität und Zitierung durch Dritte die AI-Visibility beeinflussen. Ein Modell, das ausschließlich auf Trainingsdaten operiert, kann keine URL zitieren, die es nicht indexiert hat. RAG-fähige Systeme können das, was bedeutet, dass deine Citation Rate direkt damit korreliert, wie oft deine Seiten im abgerufenen Kontext für relevante Prompts erscheinen.
Verwandte Begriffe: Fan-Out Query (19), Citation Rate (21), Retrieved Page (22).
Citation und Retrieval
21. Citation Rate
Citation Rate ist der Prozentsatz KI-generierter Antworten – innerhalb eines definierten Prompt-Sets und Engine-Sets – in dem eine bestimmte URL oder Domain deiner Website als Quelle referenziert wird. Eine hohe Citation Rate für eine Seite signalisiert, dass KI-Retrieval-Systeme diesen Content als autoritative Eingabe behandeln.
Citation Rate und Brand Mentions sind verwandt, aber unterschiedlich. Deine Marke kann in einer Antwort erwähnt werden, ohne dass eine deiner URLs zitiert wird (die KI kennt dich, zieht aber aus Drittquellen). Umgekehrt kann eine URL zitiert werden, ohne dass eine Marke erwähnt wird, wenn die KI den Content als Hintergrundquelle nutzt, ohne die Marke explizit zu nennen.
Verwandte Begriffe: Brand Mentions (3), Earned Citation (23), Retrieved Page (22).
22. Retrieved Page
Eine Retrieved Page ist eine URL, die das Retrieval-System einer KI-Engine als relevanten Kontext für einen bestimmten Prompt auswählt, bevor das Modell entscheidet, ob es sie in die generierte Antwort aufnimmt. Abgerufen zu werden ist notwendig, aber nicht hinreichend, um zitiert zu werden.
Plattformen, die Retrieval-Level-Daten bereitstellen (getrennt von Citation-Level-Daten), ermöglichen es dir, Seiten zu identifizieren, die von der KI ausgewählt, aber vor der finalen Antwort verworfen werden. Dieser Abfall ist ein Signal dafür, dass Content zwar in das Retrieval Window gelangt, aber nicht autoritativ oder relevant genug ist, um in der finalen Antwort zu erscheinen.
Verwandte Begriffe: Citation Rate (21), Retrieval Window (26), RAG (20).
23. Earned Citation
Eine Earned Citation ist ein Verweis auf deine Marke oder Domain, der in einer KI-generierten Antwort erscheint, weil eine Drittquelle (eine Review-Seite, ein Journalist, ein Analyst oder ein Community-Forum) dich erwähnt hat. Sie ist in demselben Sinne verdient wie Earned Media: Du hast nicht dafür bezahlt und es nicht selbst veröffentlicht.
Earned Citations sind der dominante Zitationstyp in den meisten AI-Monitoring-Datensätzen. Studien zeigen konsistent, dass die große Mehrheit der KI-Zitationen aus Drittquellen stammt und nicht von markeneigenen Seiten. Earned Media-Platzierungen, Analysten-Erwähnungen und Community-Forum-Diskussionen treiben alle Earned Citations an.
Verwandte Begriffe: Citation Rate (21), Source Attribution (24), Third-Party Authority (27).
24. Source Attribution
Source Attribution ist der Prozess, zu identifizieren, welche Domains oder URLs Zitationen für deine Marke in KI-generierten Antworten generieren. Ein Source-Attribution-Bericht zeigt dir, ob deine Zitationen von deiner eigenen Website, aus Medienberichten, von Review-Plattformen oder aus Community-Content stammen.
Source Attribution ist für die AEO-Strategie entscheidend. Wenn 80 % deiner Zitationen aus zwei oder drei Drittdomains stammen, ist deine Sichtbarkeit fragil. Zitationsquellen über mehr autoritative verweisende Domains zu diversifizieren ist sowohl eine Risikominderungsstrategie als auch ein Wachstumshebel.
Verwandte Begriffe: Earned Citation (23), Third-Party Authority (27), Citation Gap (30).
25. Named-Entity Recognition (NER)
Named-Entity Recognition (NER) im AI-Monitoring ist der automatisierte Prozess, Markennamen, Produktnamen und Wettbewerbernamen aus KI-generiertem Text zu identifizieren und zu extrahieren. Monitoring-Plattformen nutzen NER, um Mentions zu zählen, Sentiment nach Entität zu klassifizieren und Share-of-Voice-Berechnungen in großem Maßstab zu erstellen.
NER-Genauigkeit ist eine Qualitätsvariable, die zwischen Plattformen variiert. Abgekürzte Markennamen, informelle Produktreferenzen und markennahe Terminologie können übersehen oder falsch klassifiziert werden. Die Qualität der NER bestimmt die Zuverlässigkeit jeder mention-basierten Metrik, die die Plattform produziert.
Verwandte Begriffe: Brand Mentions (3), AI Share of Voice (1), Accuracy Monitoring (8).
26. Retrieval Window
Das Retrieval Window ist das Set an Dokumenten oder Passagen, das das Retrieval-System einer KI-Engine als Kandidatenkontext für einen bestimmten Prompt auswählt, bevor der Generierungsschritt beginnt. Content, der nicht in das Retrieval Window gelangt, kann in der Antwort nicht zitiert werden.
Retrieval Windows werden durch eine Kombination aus semantischer Relevanz, Crawlability, Domain Authority, Content-Aktualität und der vom Engine verwendeten Retrieval-Architektur bestimmt. Für das Retrieval Window zu optimieren unterscheidet sich von der Optimierung für Zitationen: Du musst zunächst ausgewählt werden und dann autoritativ genug sein, um in der finalen Antwort zu erscheinen.
Verwandte Begriffe: Retrieved Page (22), RAG (20), Fan-Out Query (19).
27. Third-Party Authority
Third-Party Authority ist der Grad, in dem externe Quellen (Medienunternehmen, Review-Plattformen, Analystenfirmen, Community-Foren) deine Marke auf eine Weise zitieren, beschreiben oder verlinken, die KI-Retrieval-Systeme als glaubwürdig einstufen. Marken mit hoher Third-Party Authority werden häufiger von KI-Engines zitiert, auch ohne starke Direct-Domain-Signale.
Laut Profounds Analyse von 100.000 Prompts über ChatGPT und Perplexity überlappen sich nur 11 % der zitierten Domains zwischen den beiden Plattformen. Das bedeutet, dass Third-Party-Authority-Signale aus verschiedenen Ecken des Webs die Zitation auf verschiedenen Engines antreiben.
Verwandte Begriffe: Earned Citation (23), Source Attribution (24), Cross-Engine Citation Overlap (29).
28. Source Correction
Source Correction ist die Praxis, die spezifischen Drittanbieter-URLs oder Trainings-Daten-Quellen zu identifizieren, die eine KI-Engine dazu veranlassen, falsche, veraltete oder negative Informationen über deine Marke anzugeben, und dann Maßnahmen zu ergreifen, um diese Quellen zu aktualisieren oder zu ersetzen.
Source Correction ist der Korrekturschritt, der auf Accuracy Monitoring folgt. Taktiken umfassen das Aktualisieren deines eigenen Contents, um die Ungenauigkeit zu widerlegen, die Kontaktaufnahme mit der veröffentlichenden Website, die den falschen Content hostet, und die Veröffentlichung autoritativen neuen Contents, der die fehlerhafte Quelle im KI-Retrieval verdrängt.
Verwandte Begriffe: Accuracy Monitoring (8), Hallucination Rate (7), Third-Party Authority (27).
29. Cross-Engine Citation Overlap
Cross-Engine Citation Overlap ist der Anteil von URLs oder Domains, die in KI-generierten Antworten über zwei oder mehr verschiedene KI-Engines hinweg für dasselbe Prompt-Set erscheinen. Geringer Overlap bedeutet, dass jede Engine aus unterschiedlichen Quellpools schöpft.
Laut Profounds Studien überlappen sich nur etwa 11 % der von ChatGPT zitierten Domains auch in Perplexitys Zitationen für dieselben Prompts. Eine separate Ahrefs-Studie fand nur 13,7 % Overlap zwischen Google AI Overviews und Google AI Mode Zitationen. Diese geringen Overlap-Raten bedeuten, dass du die Performance auf einer Engine nicht aus der Performance auf einer anderen ableiten kannst.
Verwandte Begriffe: Third-Party Authority (27), Source Attribution (24), Engine Coverage (39).
30. Citation Gap
Ein Citation Gap ist eine Anfrage oder ein Intent-Cluster, für den deine Wettbewerber in KI-generierten Antworten zitiert werden, deine Marke aber nicht. Citation Gaps werden identifiziert, indem deine Citation Rate und Prompt Coverage gegen jeden Wettbewerber in deinem überwachten Set verglichen werden.
Citation Gaps sind der primäre Output, der AEO-Aktionspläne antreibt. Plattformen wie Peec AI und Profound zeigen Gaps auf Prompt-Ebene, indem sie anzeigen, welche spezifischen Anfragen Wettbewerber-Zitationen erzeugen, aber keine deiner Marke.
Verwandte Begriffe: Citation Rate (21), Prompt Coverage (4), AEO (37).
Sentiment und Wahrnehmung
31. Sentiment-Analyse
Sentiment-Analyse im AI-Monitoring ist die Klassifizierung der Sprache in KI-generierten Antworten über deine Marke als positiv, neutral oder negativ. Sie umfasst Adjektive und Aussagen, die die KI über dein Produkt, Pricing, Support-Qualität, Benutzerfreundlichkeit und Wettbewerbspositionierung macht.
Sentiment in KI-Antworten ist nicht dasselbe wie öffentliches Sentiment. Eine KI-Engine kann ein negatives Sentiment-Framing für deine Marke auf Basis eines einzigen kritischen Artikels erzeugen, den sie abgerufen hat, auch wenn die große Mehrheit der echten Kundenrezensionen positiv ist. Die Quelle des Sentiment-Signals ist genauso wichtig wie das Signal selbst.
Verwandte Begriffe: Sentiment Decay (32), Perception Monitoring (33), Brand-Fact Drift (35).
32. Sentiment Decay
Sentiment Decay ist die schrittweise Verschlechterung KI-generierter Beschreibungen deiner Marke über die Zeit, angetrieben durch negative oder veraltete Quellinhalte, die im Retrieval-Layer des Modells bestehen bleiben. Anders als ein Nachrichtenzyklus, der abebbt, kann negatives KI-Sentiment ohne aktive Intervention monatelang stabil bleiben.
Sentiment Decay ist besonders tückisch, weil er nicht durch neue negative Berichterstattung entsteht: Er entsteht dadurch, dass alte Berichterstattung im Retrieval-Pool prominent bleibt. Ihn zu korrigieren erfordert entweder das Aktualisieren der Quellinhalte, das Generieren neuen autoritativen Contents, der den alten aufwiegt, oder das Sichern von Earned Coverage, die ein aktuelleres Framing einführt.
Verwandte Begriffe: Sentiment-Analyse (31), Brand-Fact Drift (35), Source Correction (28).
33. Perception Monitoring
Perception Monitoring ist die Praxis, nicht nur zu tracken, ob deine Marke in KI-Antworten erwähnt wird, sondern wie sie charakterisiert wird: die verwendeten Worte zur Beschreibung, die hervorgehobenen Produktattribute, die Wettbewerber, mit denen sie verglichen wird, und die Use Cases, für die sie empfohlen wird.
Perception Monitoring steht über der Sentiment-Analyse. Während Sentiment fragt “Ist das positiv oder negativ?”, fragt Perception Monitoring “Welche Geschichte erzählt die KI über diese Marke?” Eine Marke kann einen neutralen Sentiment-Score erhalten, während sie auf eine Weise beschrieben wird, die ihre Positionierung untergräbt.
Verwandte Begriffe: Sentiment-Analyse (31), Sentiment Decay (32), Accuracy Monitoring (8).
34. Tone Classification
Tone Classification ist die granulare Version der Sentiment-Analyse, die zwischen Sentiment-Kategorien wie enthusiastisch, vorsichtig, abweisend und komparativ (deine Marke in Relation zu einem genannten Wettbewerber rahmend) unterscheidet. Tone ist handlungsfähiger als ein binärer positiv/negativ-Score.
Eine Tone Classification “vorsichtig” bei preisbezogenen Prompts sagt dir etwas Spezifisches: KI-Engines zögern bei deiner Pricing-Positionierung. Das ist ein anderes Problem als ein “abweisender” Tone bei funktionsbezogenen Prompts, was darauf hindeutet, dass die Retrieval-Quellen dein Feature-Set als begrenzt behandeln.
Verwandte Begriffe: Sentiment-Analyse (31), Perception Monitoring (33), Competitive Framing (36).
35. Brand-Fact Drift
Brand-Fact Drift ist die Abweichung zwischen dem faktischen Profil deiner Marke, wie es in KI-Trainingsdaten oder Retrieval-Quellen gespeichert ist, und den aktuellen, akkuraten Fakten über dein Produkt. Er akkumuliert sich, wenn sich deine Marke verändert (Repricing, Feature-Updates, Rebranding), aber die Quellen, aus denen KI-Engines schöpfen, nicht aktualisiert werden.
Brand-Fact Drift ist ein langsam wachsendes Risiko. Eine Marke, die von 49 auf 29 US-Dollar pro Monat repriced, aber deren meistzitierte Review-Artikel noch 49 Dollar zitieren, wird sehen, wie KI-Engines ihr Wertversprechen monatelang konsistent unterschätzen. Faktische Genauigkeit bei Preis, Funktionen und Positionierung zu überwachen ist der einzige Weg, Drift früh zu erkennen und zu korrigieren.
Verwandte Begriffe: Hallucination Rate (7), Accuracy Monitoring (8), Source Correction (28).
36. Competitive Framing
Competitive Framing ist die Art, wie eine KI-Engine deine Marke in Relation zu genannten Wettbewerbern innerhalb derselben Antwort beschreibt. “Günstiger als Profound, aber mit weniger Enterprise-Funktionen” ist ein Competitive Framing. Es beeinflusst nicht nur das Sentiment, sondern auch, welches Käufersegment die KI dir implizit empfiehlt.
Competitive Framing ist eines der folgenreichsten Wahrnehmungssignale im AI-Monitoring. Es bestimmt, welches Kundenprofil die KI zu dir steuert und welches zu Wettbewerbern. Es auf Prompt-Ebene zu tracken zeigt die implizite Positionierung, die deine Marke im KI-Modell deines Marktes einnimmt.
Verwandte Begriffe: Perception Monitoring (33), Tone Classification (34), Competitive Set (38).
Programm- und Plattformkonzepte
37. AEO (Answer Engine Optimization)
Answer Engine Optimization (AEO) ist die Praxis, Content so zu erstellen, zu strukturieren und zu verbreiten, dass KI-Answer-Engines deine Marke zitieren, dein Produkt akkurat darstellen und dich Käufern empfehlen, die relevante Fragen stellen. AEO ist der KI-Zeitalter-Nachfolger von klassischem SEO.
AEO unterscheidet sich von SEO auf mehrere Weisen: Es gibt keine Rankingpositionen zu optimieren, das Ziel ist eine Zitation innerhalb einer generierten Passage statt eines Blue Link, und die Engines schöpfen aus einer Mischung aus Echtzeit-Retrieval und trainierten Priors statt ausschließlich aus einem gecrawlten Index. AEO ist die Ausführungsebene; AI-Visibility-Monitoring ist die Messebene.
Die vollständige AI-Visibility-Tools-Rangliste vergleicht alle wichtigen Plattformen zu beiden Aspekten. Siehe /methodology für unsere Bewertungsmethodik.
Verwandte Begriffe: AI Visibility Score (6), Citation Gap (30), AI Share of Voice (1).
38. Competitive Set
Ein Competitive Set im AI-Monitoring ist die definierte Liste von Marken, deren AI-Visibility-Metriken du neben deinen eigenen trackst. Share-of-Voice-Berechnungen sind immer relativ zu einem Competitive Set: Dein 35 % Share bedeutet etwas anderes, wenn der nächstgrößte Wettbewerber 20 % hat, und etwas anderes, wenn er 55 % hat.
Competitive Sets sollten die Marken widerspiegeln, die eine KI-Engine tatsächlich in deiner Kategorie empfiehlt, was sich von den Wettbewerbern in deinem eigenen Gedankenmodell unterscheiden kann. Führe eine Runde Discovery-Prompts über deine Ziel-Query-Cluster durch, bevor du dein Competitive Set finalisierst.
Verwandte Begriffe: AI Share of Voice (1), Prompt Coverage (4), Share of Voice Drift (10).
39. Engine Coverage
Engine Coverage ist die Anzahl und Auswahl der KI-Engines, die eine Monitoring-Plattform trackt. Plattformen unterscheiden sich erheblich: Einige decken 4 Engines ab, andere 9 oder mehr. Die abgedeckten Engines bestimmen, welche Käufersegmente deine Monitoring-Daten repräsentieren.
Tracke mindestens ChatGPT, Google AI Overviews, Perplexity und Gemini. Diese vier decken zusammen die Mehrheit der KI-gestützten Recherche-Journeys für die meisten B2B- und B2C-Zielgruppen ab. Für breitere Abdeckung ergänze Microsoft Copilot, Google AI Mode, Meta AI und Grok. Tools wie Peec AI und Temso bieten die breiteste Engine Coverage in der Kategorie.
Verwandte Begriffe: Cross-Engine Citation Overlap (29), Run Cadence (18), AI Share of Voice (1).
40. Conversion Signal
Ein Conversion Signal im AI-Visibility-Kontext ist jeder nachgelagerte Indikator dafür, dass die Präsenz einer Marke in KI-Antworten das Käuferverhalten beeinflusst: Referral-Traffic von einer KI-Engine, Formular-Einreichungen, die KI-Kanal-Quellen zugeordnet werden, oder Sales-Pipeline, die auf KI-beeinflusste Entdeckung getaggt ist.
AI-Visibility-Metriken mit Conversion Signals zu verbinden ist die aufkommende Herausforderung in der Disziplin. Traffic-Attribution von KI-Engines ist noch unreif im Vergleich zu Paid- oder Organic-Search-Attribution. Marken, die ihre Analytics frühzeitig instrumentieren, um KI-Referral-Quellen zu erfassen, werden einen erheblichen Messvorteil haben, wenn der Kanal wächst.
Verwandte Begriffe: AI Share of Voice (1), Prompt Coverage (4), Mention Velocity (9).
Schnellreferenz-Tabelle
| Begriff | Gruppe | Einzeilige Zusammenfassung |
|---|---|---|
| AI Share of Voice | Kernkennzahl | % der Prompts, in denen deine Marke genannt wird |
| Share of Model | Kernkennzahl | Alternative Bezeichnung für AI Share of Voice, modellzentrierte Perspektive |
| Brand Mentions | Kernkennzahl | Rohe Anzahl von Markenauftritten in KI-Antworten |
| Prompt Coverage | Kernkennzahl | % der überwachten Prompts mit mindestens einer Marken-Erwähnung |
| Citation Rate | Kernkennzahl + Citation | % der Antworten, in denen eine bestimmte URL referenziert wird |
| AI Visibility Score | Kernkennzahl | Zusammengesetzter Plattformindex, der alle Kernsignale kombiniert |
| Hallucination Rate | Kernkennzahl | Häufigkeit faktisch falscher KI-Aussagen über deine Marke |
| Accuracy Monitoring | Kernkennzahl | Vergleich KI-genannter Fakten mit verifizierten Wahrheiten |
| Mention Velocity | Kernkennzahl | Veränderungsrate bei rohen Brand Mentions woche über Woche |
| Share of Voice Drift | Kernkennzahl | Richtungsveränderung beim AI Share of Voice über die Zeit |
| Answer Engine | Prompt/Engine | KI-System, das synthetisierte Antworten liefert (keine Linklisten) |
| Prompt Entropy | Prompt/Engine | Variationsgrad in Antworten über Durchläufe eines Prompts |
| Prompt Cluster | Prompt/Engine | Gruppe von Anfragen mit demselben Käufer-Intent |
| Prompt Family | Prompt/Engine | Definiertes Set an Formulierungen für ein Informationsbedürfnis |
| Buyer-Intent Prompt | Prompt/Engine | Anfrage, die ein kaufphasenspezifisches Informationsbedürfnis widerspiegelt |
| Intent Mapping | Prompt/Engine | Organisation von Prompts nach Käufer-Journey-Phase |
| Run Count | Prompt/Engine | Anzahl der Prompt-Durchläufe pro Messzyklus |
| Run Cadence | Prompt/Engine | Frequenz der Aktualisierung von Monitoring-Daten |
| Fan-Out Query | Prompt/Engine | Interne Unteranfrage, die KI vor dem Antworten generiert |
| RAG | Prompt/Engine | Retrieve-then-generate-Architektur der meisten KI-Engines |
| Citation Rate | Citation | URL-Quellenreferenzrate in KI-Antworten |
| Retrieved Page | Citation | URL, die vom Retrieval ausgewählt, aber nicht zwingend zitiert wird |
| Earned Citation | Citation | Markenreferenz, die von einer Drittquelle stammt |
| Source Attribution | Citation | Identifizierung, welche Domains deine Marken-Zitationen antreiben |
| Named-Entity Recognition | Citation | Automatisierte Extraktion von Markennamen aus KI-Text |
| Retrieval Window | Citation | Kandidaten-Dokumentenset, das KI vor der Generierung berücksichtigt |
| Third-Party Authority | Citation | Glaubwürdigkeit externer Quellen, die KI-Zitationen antreiben |
| Source Correction | Citation | Aktualisierung von Quellen, die KI zu falschen Aussagen veranlassen |
| Cross-Engine Citation Overlap | Citation | % zitierter URLs, die über zwei KI-Engines geteilt werden |
| Citation Gap | Citation | Intent-Cluster, in denen Wettbewerber zitiert werden, du aber nicht |
| Sentiment-Analyse | Sentiment | Positiv/Neutral/Negativ-Klassifizierung von KI-Markenbeschreibungen |
| Sentiment Decay | Sentiment | Schrittweise Verschlechterung des KI-Marken-Sentiments ohne neuen Input |
| Perception Monitoring | Sentiment | Tracking, wie KI deine Marke charakterisiert, nicht nur die Valenz |
| Tone Classification | Sentiment | Granulares Sentiment (vorsichtig, enthusiastisch, abweisend) |
| Brand-Fact Drift | Sentiment | Abweichung zwischen KI-genannten Fakten und aktueller Realität |
| Competitive Framing | Sentiment | Wie KI deine Marke in Relation zu genannten Wettbewerbern beschreibt |
| AEO | Programm | Answer Engine Optimization: die Praxis, KI-Zitationen zu verdienen |
| Competitive Set | Programm | Die definierten Wettbewerbermarken in deinem AI-Visibility-Tracking |
| Engine Coverage | Programm | Anzahl und Auswahl der von einer Plattform überwachten KI-Engines |
| Conversion Signal | Programm | Nachgelagerte Evidenz, dass AI-Visibility das Käuferverhalten beeinflusst |
Tools, die diese Metriken tracken
Die folgenden Plattformen decken die Kernmetriken in diesem Glossar ab. Jede trackt mindestens Share of Voice, Brand Mentions und Sentiment über mehrere KI-Engines.
- Otterly.AI: Prompt-Level-Citation-Tracking über 6 Engines; strukturierter GEO-Audit-Output. Einstieg ab 29 $/Monat.
- Peec AI: Tägliches Tracking über 9 oder mehr Engines; unbegrenzte Nutzerplätze; starke Cross-Engine-Abdeckung einschließlich DeepSeek und Grok. Ab 85 €/Monat.
- Profound: Tiefe Citation-Attribution und Prompt-Volumen-Daten für Enterprise-Teams. Growth-Tier ab 399 $/Monat.
- Temso: All-in-one-Monitoring plus ein Aktionsplan, der Sichtbarkeitslücken in Korrekturen umwandelt, über 8 Engines. Ab 89 $/Monat.
- SE Ranking: AI Overviews- und klassisches SEO-Tracking kombiniert; nützlich für Teams, die beide Datensätze in einem Workflow benötigen.
Vollständige Bewertungskriterien und Rankings: /rankings/ai-visibility-tools. Redaktionelle Standards und Methodik: /methodology. Vollständiger Glossarindex: /glossary.
Beginne, deinen AI Share of Voice zu messen
Die Begriffe zu verstehen ist der erste Schritt. Der zweite ist, deine Marke gegen die Prompts zu testen, die deine Käufer tatsächlich nutzen, und zu sehen, wo du erscheinst und wo Wettbewerber voraus sind.
Die AI-Visibility-Tools-Rangliste vergleicht alle wichtigen Plattformen nach Engine Coverage, Aktionstiefe, Pricing und Drittanbieter-Evidenz. Wenn du mit einem einzigen Tool beginnen möchtest, das Monitoring und Ausführung in einem Abonnement abdeckt, starte mit der Rangliste und filtere nach Teamgröße und Budget.