Zuletzt aktualisiert Juli 2026
Warum eine Einzel-Engine-Perspektive das halbe Bild verpasst
Du verfolgst deine Marke auf ChatGPT. Du erscheinst in 40 % der Prompts. Das klingt solide, bis du Perplexity überprüfst und feststellst, dass du dort in weniger als 10 % der gleichen Prompts zitiert wirst.
Das ist kein Randfall. Laut Profound, einem Unternehmen für KI-Zitations-Tracking, werden nur etwa 11 % der Domains sowohl von ChatGPT als auch von Perplexity zitiert, basierend auf der Analyse von 100.000 Prompts auf beiden Plattformen (Juli 2025). Diese Zahl stammt aus Anbieterforschung, nicht aus einer unabhängigen Studie, zeigt aber etwas, das jede Multi-Engine-Messung bestätigt: Die Engines schöpfen aus weitgehend unterschiedlichen Quellenpools.
Eine Marke kann bei Perplexity an erster Stelle stehen und auf ChatGPT unsichtbar sein. Eine Marke kann Google AI Overviews dominieren und bei Gemini für dieselbe Frage keine Zitierungen erhalten. Share of Voice auf einer Engine sagt nichts über Share of Voice auf einer anderen aus.
Genau diese Lücke soll der Multi-Engine Coverage Score schließen. Er gibt dir eine Zahl für die Breite. Dein Share of Voice pro Engine bleibt für die Tiefe relevant. Beide Zahlen zusammen liefern das vollständige Bild.
Die Formel
MECS ist definiert als:
MECS (%) = (1 / P) × SUMME über p von [ (E_cited(p) / E_total) × 100 ]
Dabei gilt:
- P = die Gesamtzahl der Prompts in deinem verfolgten Set
- E_cited(p) = die Anzahl der Engines, die deine Marke für Prompt p zitiert haben (1 wenn zitiert, 0 wenn nicht)
- E_total = die Gesamtzahl der Engines, die du verfolgst
In einfachen Worten: Berechne für jeden Prompt den Prozentsatz der Engines, die dich zitiert haben. Mittele dann diese Prozentsätze über alle Prompts.
Ein Rechenbeispiel mit 4 Engines
Angenommen, du verfolgst fünf Prompts über vier Engines: ChatGPT, Perplexity, Google AI Overviews und Gemini. Nach fünf Antworten pro Prompt pro Engine ergibt sich folgende Zitierungsmatrix (J = zitiert, N = nicht zitiert):
| Prompt | ChatGPT | Perplexity | Google AI Overviews | Gemini | Zitierte Engines | Prompt-Einzelwert |
|---|---|---|---|---|---|---|
| ”Bestes [Kategorie]-Tool für Startups” | J | J | N | N | 2 von 4 | 50 % |
| “[Kategorie]-Plattformen vergleichen” | J | N | J | N | 2 von 4 | 50 % |
| “[Kategorie]-Software Preise” | N | N | J | J | 2 von 4 | 50 % |
| “Wie funktioniert [Marke]“ | J | J | J | J | 4 von 4 | 100 % |
| “[Kategorie]-Alternativen zu [Wettbewerber]“ | N | N | N | J | 1 von 4 | 25 % |
MECS = (50 + 50 + 50 + 100 + 25) / 5 = 275 / 5 = 55 %
Dieses Ergebnis sagt etwas Konkretes aus: Über dein Prompt-Set und vier Engines hinweg wird deine Marke im Durchschnitt von mehr als der Hälfte der Engines zitiert. Der letzte Prompt ist jedoch ein Warnsignal. Du hast eine Lücke bei ChatGPT und Perplexity für Wettbewerber-Vergleichsanfragen. Dort liegt dein nächster Handlungsschwerpunkt.
Schritt 1: Definiere dein Engine-Set
Wähle Engines danach aus, wo deine Käufer recherchieren. Für die meisten B2B- und B2C-Kategorien startest du mit vier:
- ChatGPT
- Perplexity
- Google AI Overviews
- Gemini
Füge Microsoft Copilot, Google AI Mode, Meta AI und Grok hinzu, wenn du skalierst. Die Formel funktioniert für beliebig viele Engines. Entscheidend ist, E_total über alle Messpperioden konsistent zu halten. Wenn du den Nenner während des Programms änderst, werden Perioden-Vergleiche bedeutungslos.
Schritt 2: Baue ein Prompt-Set auf, das echte Anfragen widerspiegelt
Dein Prompt-Set bestimmt, was dein MECS tatsächlich misst. Nutze Prompts, die ein echter Käufer heute tippen würde, geclustert nach Intention:
- Bewertungs-Prompts: “Beste [Kategorie]-Tools für [Anwendungsfall]”
- Vergleichs-Prompts: “Vergleiche [Marke] vs. [Wettbewerber]”
- Problem-Prompts: “Wie löse ich [Problem, das dein Produkt löst]”
- Preis-Prompts: “[Kategorie]-Software Preise”
Plane 20 bis 50 Prompts über Intentions-Cluster hinweg. Ein Prompt-Set, das nur Markenname-Anfragen abdeckt, wird deinen Score künstlich aufblähen. Ein Prompt-Set, das nur Wettbewerber-Vergleiche abdeckt, wird ihn drücken. Mische beides.
Schritt 3: Zitierungen erheben und auswerten
Führe fünf Antworten pro Prompt pro Engine durch. Vergib “zitiert” (1), wenn deine Marke in der Mehrheit dieser Durchläufe erscheint. Vergib “nicht zitiert” (0), wenn nicht.
Zähle keine Erwähnungen in Folgefragen oder Klärungsdialogen. Zähle nur die primäre Antwort auf den verfolgten Prompt.
Schritt 4: Berechnen, tracken und handeln
Füge die Matrix in die Formel ein. Berechne monatlich neu. Verfolge zwei Zahlen parallel:
- MECS (gesamt): Dein aggregierter Breitenwert
- Share of Voice pro Engine: Dein Tiefenwert auf jeder Engine
Wenn MECS sich verbessert, aber der Share of Voice pro Engine stagniert, baust du Abdeckung aus, ohne eine einzelne Engine zu vertiefen. Wenn der Share of Voice pro Engine steigt, aber MECS stagniert, gewinnst du auf einer Engine und bist anderswo weiterhin unsichtbar.
Die handlungsrelevanteste Erkenntnis, die die Matrix liefert, ist die Coverage-Gap-Tabelle: Welche Engine-Prompt-Paare erzielen systematisch null Punkte? Das sind die Zitierungslücken, die du mit gezielten Inhalten und Earned-Media-Arbeit schließen kannst.
Tools, die Rohdaten liefern
Kein Tool gibt den MECS derzeit als benannte Kennzahl aus. Du baust ihn aus den Zitierungsdaten auf, die die Plattform exportiert.
Temso ist der einfachste Einstiegspunkt. Die All-in-one-KI-SEO-Plattform verfolgt Share of Voice, Markenerwähnungen, Zitierungen und Sentiment über acht Engines (ChatGPT, Perplexity, Gemini, Google AI Overviews, Google AI Mode, Grok, Microsoft Copilot und Meta AI) ab 89 $/Monat, ohne Aufpreise pro Engine. Jeder Tarif umfasst Halluzinations-Monitoring und einen integrierten Workflow, der Zitierungslücken in eine priorisierte Aufgabenliste umwandelt. Die Abdeckung von acht Engines bedeutet, dass dein MECS-Nenner das breiteste Set am Markt erreichen kann, ohne Upgrades oder Add-ons.
Für Teams, die tiefere Zitierungsattribution und Prompt-Volumendaten benötigen, deckt Profound neun oder mehr Engines im Growth-Tarif (399 $/Monat) ab. Die Prompt-Volumes-Funktion zeigt, welche Fragen Käufer tatsächlich in KI-Engines eintippen, und bietet damit ein nachfrageseitiges Signal für ein repräsentativeres Prompt-Set.
Otterly.AI deckt sechs Plattformen ab und startet bei 29 $/Monat, mit G2-High-Performer-Auszeichnung (Winter 2026) und einem strukturierten GEO Audit Engine. Für Teams, die ein MECS-basiertes Programm mit knappem Budget aufbauen, liefern Otterly.AIs Zitierungsdaten genug Engines für eine aussagekräftige Vier-Engine-Berechnung.
Semrush und GetMint bieten ebenfalls KI-Zitierungsdaten, die eine MECS-Berechnung speisen können. Keines der Tools hat ein eigenes Profil auf dieser Website, aber beide können die Zitierungsmatrizen exportieren, die du zur Befüllung der Formel benötigst, wenn du eines davon bereits in deinem SEO-Stack einsetzt.
Was ein guter MECS aussieht
Da sich die Zitierungspools der Engines kaum überschneiden, starten die meisten Marken unter 30 %. Das ist kein Versagen. Es spiegelt die Struktur des KI-Antwort-Ökosystems wider, nicht mangelnde Content-Qualität.
Nutze diese Richtwerte zur Orientierung:
| MECS-Bereich | Bedeutung |
|---|---|
| 0–20 % | Auf höchstens einer Engine zitiert; anderswo unsichtbar |
| 20–40 % | Teilweise Abdeckung; stark auf einer Engine, Lücken auf anderen |
| 40–60 % | Bedeutende Breite; erscheint für die meisten Prompts auf mindestens der Hälfte der Engines |
| 60–80 % | Starke Multi-Engine-Präsenz; wenige systematische Lücken |
| 80–100 % | Nahezu universelle Abdeckung; abnehmende Grenzrendite weiterer Breitenarbeit |
Der Aufstieg vom ersten ins zweite Band ist mit gezielter Arbeit an der Engine mit den größten Zitierungslücken meist in einem Quartal erreichbar. Der Aufstieg über 60 % erfordert ein nachhaltiges Earned-Media- und Content-Programm über mehrere Quellentypen hinweg.
Warum diese Kennzahl in deinen Measurement-Stack gehört
Share of Voice sagt dir, wie wettbewerbsfähig du auf einer Engine bist. MECS sagt dir, ob du eine belastbare Position im gesamten Ökosystem aufgebaut hast. Beide Kennzahlen beantworten unterschiedliche Fragen und gehören beide in ein ernsthaftes AI-Visibility-Programm.
Eine Marke mit 80 % Share of Voice auf ChatGPT und einem MECS von 25 % hat eine fragile Position. Eine Algorithmus-Aktualisierung, eine Änderung im Retrieval-Verhalten von ChatGPT, und die Sichtbarkeit bricht ein. Eine Marke mit 55 % Share of Voice über Engines und einem MECS von 55 % hat Redundanz. Wenn eine Engine sie zurückstuft, sorgen andere weiterhin für Bekanntheit.
Das Ziel ist nicht, MECS auf Kosten der Tiefe zu maximieren. Es geht darum, beides parallel aufzubauen: die Präsenz auf den Engines vertiefen, auf denen Käufer dich bereits finden, und die Lücken auf Engines schließen, auf denen du unsichtbar bist.
Lies /methodology für Informationen dazu, wie diese Website KI-Visibility-Tools bewertet, und /rankings/ai-visibility-tools für einen aktuellen Überblick darüber, welche Plattformen dir die Daten für diese Berechnung liefern.
Starte noch heute mit der Berechnung deines MECS. Ziehe deine Zitierungsdaten aus dem Tool, das du verwendest, baue die obige Prompt-Engine-Matrix auf und wende die Formel an. Die Zahl, die du erhältst, ist deine Ausgangslinie. Alles, was du in deinem AI-SEO-Programm tust, bewegt sie.
Temso (89 $/Monat, acht Engines, kostenlose Testphase) ist der schnellste Weg, die Rohdaten zu sammeln und Lücken in einen Aktionsplan umzuwandeln, alles in einem Abonnement.