Methodik der AI-Visibility-Datenerhebung

Diese Seite dokumentiert, wie Spyglasses die Daten hinter jeder Zahl in Ihrem AI-Visibility-Dashboard erhebt und verarbeitet — welche Plattformen wir abfragen, wie wir sie abfragen, was wir als Erwähnung oder Zitation zählen und wie jede zentrale Kennzahl berechnet wird.

Wir veröffentlichen dies aus demselben Grund, aus dem wir unsere Methodiken zum AI Placement Value Score, zum AI Placement Quality Score und zum Citation Optimizer veröffentlichen: Eine Sichtbarkeitskennzahl, die Sie nicht überprüfen können, ist eine Kennzahl, auf deren Basis Sie nicht handeln können. Wo eine Zahl einen Vorbehalt hat, nennen wir den Vorbehalt. Wo ein Signal auf einer Plattform nicht verfügbar ist, sagen wir, dass es nicht verfügbar ist, statt die Lücke mit einer Schätzung zu füllen.

Wie Spyglasses Daten von den einzelnen KI-Plattformen erhebt

Spyglasses trackt fünf KI-Antwortplattformen. Wir erheben von jeder auf die Weise, die dem, was ein echter Interessent sehen würde, am nächsten kommt — was je nach dem, was die Plattform zulässt, zwei unterschiedliche Erhebungsmodi bedeutet.

Tabelle: Spyglasses Datenerhebungsmethoden für KI-Plattformen. Für jede getrackte KI-Plattform listet diese Tabelle auf, wie Spyglasses den Prompt ausführt (anonyme Weboberfläche vs. offizielle API), welche Modellversion antwortet, wie Standort-Targeting angewendet wird und ob die Plattform die von ihr durchgeführten Grounding-Suchen offenlegt.

Warum zwei Erhebungsmodi

ChatGPT, Gemini und AI Overviews werden über die Oberfläche der Plattform selbst ausgeführt — abgemeldet und nicht authentifiziert. Kein Konto, kein Verlauf, kein Gedächtnis, keine Personalisierung. Das ist Absicht: Eine Antwort, die für einen angemeldeten Nutzer mit monatelangem Chat-Verlauf erzeugt wird, ist nicht die Antwort, die ein neuer Interessent sieht. Eine abgemeldete Sitzung ist die bestmögliche verfügbare Annäherung an einen Erstkäufer, der Ihre Kategorie recherchiert. Da wir die öffentliche Oberfläche verwenden, antworten diese Plattformen mit dem Modell, das sie Free-Tier-Nutzern gerade ausliefern — wir fixieren keine Version und können es auch nicht. Wenn die Plattform ihr Standardmodell stillschweigend aktualisiert, spiegeln Ihre Daten diese Änderung wider, weil Ihre Interessenten diese Änderung erleben.

Prompts auf diesen drei Plattformen können optional über eine Residential-Verbindung an einem von Ihnen angegebenen Standort ausgeführt werden, sodass sich eine Anfrage nach „Zahnarzt in meiner Nähe" gegen den Markt auflöst, in dem Sie tatsächlich tätig sind. Claude und Perplexity werden über eine API abgefragt und können daher nicht auf diese Weise geolokalisiert werden — bei diesen Plattformen wird der Standort stattdessen als Kontext im Prompt mitgegeben, was ein schwächeres Signal ist. Wie Sie das konfigurieren, erfahren Sie unter Standorte.

Claude und Perplexity werden über ihre offiziellen APIs ausgeführt. Keine der beiden Plattformen bietet ein abgemeldetes Free-Tier, über das wir einen Prompt zuverlässig ausführen könnten — Claude erfordert ein Konto, und Perplexity schränkt die anonyme Nutzung ein. Statt diese Plattformen auszulassen oder sie auf eine Weise zu scrapen, die fragil und gegen ihre Nutzungsbedingungen wäre, fragen wir sie über die dokumentierte API ab.

Ein API-Aufruf kennt keinen Begriff von „einer Person, die eine Frage in ein Feld tippt", daher liefern wir einen System-Prompt mit, der diesen Kontext herstellt. Er rahmt das Modell als Assistenten ein, der jemandem Empfehlungen gibt, der eine Kaufentscheidung recherchiert, passt seine Schwerpunkte an die Kategorie an (Software, Handel, lokale Dienstleistungen und so weiter) und weist es an, im Web zu suchen und das Gefundene zu zitieren. Damit soll das Verhalten genau der Interessenten reproduziert werden, die Ihre Kunden am dringendsten erreichen wollen: Menschen, die einen Assistenten fragen, welche Lösung sie kaufen sollen. Es ist kein neutraler, kontextfreier API-Aufruf, und wir sagen das lieber offen, als eine Gleichwertigkeit mit den oberflächenbasierten Plattformen zu suggerieren, die nicht besteht.

Plattformen und Modelle, die wir nicht standardmäßig tracken

Wenn Sie eine Plattform benötigen, die wir im Basisprodukt nicht abdecken — Copilot, DeepSeek, eine bestimmte Modellversion oder eine Reasoning-Stufe oberhalb des kostenlosen Standards — können wir sie für Ihr Konto ergänzen, in manchen Fällen gegen Aufpreis. Kontaktieren Sie uns, um den Umfang abzustimmen.

Wie oft Prompts ausgeführt werden

Getrackte Prompts laufen einmal täglich, um 06:30 UTC. Der nächtliche Lauf umfasst ChatGPT, Gemini und Google AI Overviews — die drei Plattformen, die wir in täglichem Volumen über eine anonyme Oberfläche ausführen können.

Claude und Perplexity laufen innerhalb von AI Visibility Reports, die Sie bei Bedarf auslösen oder planen. Da diese Plattformen pro API-Aufruf abgerechnet werden, führen wir sie nicht standardmäßig nächtlich gegen jeden getrackten Prompt aus. Wenn Sie tägliches Tracking für Claude oder Perplexity wünschen, ist das eine der Erweiterungen, die wir pro Konto aktivieren können.

Ein wöchentlicher Wartungslauf (sonntags, 07:00 UTC) aktualisiert die SERP-Rankings für Ihre Grounding-Suchen, erfasst Gemini-Fan-out-Anfragen und bewertet die Markengenauigkeit neu.

Derselbe Prompt liefert nicht zweimal dieselbe Antwort

Das ist die wichtigste Sache, die man über alle Daten zur KI-Sichtbarkeit verstehen muss, unsere eingeschlossen. Diese Modelle sind nicht deterministisch. Führen Sie denselben Prompt zweimal aus, und Sie werden vielleicht einmal erwähnt und einmal nicht — ohne jede Änderung an Ihrer Website, Ihren Wettbewerbern oder dem Modell.

Das bedeutet: Das Ergebnis eines einzelnen Tages ist eine Stichprobe, keine Messung. Eine Marke, die in 6 von 10 Läufen erscheint, hat eine wahre Erwähnungsrate irgendwo bei etwa 60 %, aber ein einzelner Lauf sagt Ihnen nur „ja" oder „nein". Sicherheit entsteht erst durch das Sammeln von Beobachtungen über die Zeit.

Wir veröffentlichen die Statistik dazu offen, einschließlich der Formel, in unserem Rechner zur Zuverlässigkeit von AI-Visibility-Daten. Wir verwenden das Binomial-Konfidenzintervall in Normalapproximation:

margin of error = z × √( p(1 − p) / n )

n = number of prompts × number of runs (30/month at daily cadence)
p = observed mention rate
z = 1.645 at 90% confidence

Zehn täglich getrackte Prompts erzeugen 300 Beobachtungen pro Plattform und Monat, was einer Fehlerspanne von rund ±4,7 % bei 90 % Konfidenz entspricht. Drei täglich getrackte Prompts erzeugen 90 Beobachtungen und eine Spanne von etwa ±8,7 % — richtungsweisend, aber keine Zahl, die Sie als präzise berichten sollten.

Wir zeigen Ihnen das, bevor Sie irgendetwas ausgeben. Wenn Sie Prompts zu einem Projekt hinzufügen, zeigt Spyglasses die resultierende Anzahl an Beobachtungen, die Fehlerspanne und eine Qualitätsbewertung an (Zuverlässig unter ±8 %, Richtungsweisend unter ±15 %, Explorativ darüber) — und zwar während Sie noch entscheiden, wie viele Prompts Sie tracken wollen, nicht erst, nachdem Sie für eine Zahl bezahlt haben, die die Schlussfolgerung, die Sie daraus ziehen wollen, gar nicht tragen kann.

Unser Bekenntnis zur Datenherkunft

Jeder Prompt, den Spyglasses in Ihrem Namen ausführt und analysiert, ist einer, um dessen Ausführung Sie uns ausdrücklich gebeten haben.

Manche Anbieter in dieser Kategorie befüllen Dashboards aus Prompt-Datenbanken statt aus Prompts, die ihre Kunden angefordert haben. Solche Datenbanken stammen typischerweise aus einer von zwei Quellen:

• Abgeschöpfte Clickstream-Daten — erworben von Drittanbieter-Tools wie kostenlosen VPNs, Browser-Erweiterungen oder „kostenlosen" Analytics-Produkten, die aufzeichnen, was ihre Nutzer in KI-Assistenten eingeben, und diese Daten weiterverkaufen.
• Synthetische Prompts, in großem Umfang aus Proxy-Daten erzeugt — ein kleiner Ausgangsdatensatz wird zu Tausenden von Prompts aufgebläht, die aus Signalen wie Googles „Ähnliche Fragen" abgeleitet sind; das resultierende Volumen wird dann als beobachtete Nachfrage präsentiert.

Spyglasses wird niemals eines von beidem erwerben, verwenden, weiterverkaufen oder befürworten. Das Erste beruht auf Daten von Menschen, die einem Verkauf ihrer KI-Konversationen nicht in sinnvoller Weise zugestimmt haben. Das Zweite verkleidet eine Vermutung als Messung. Keines von beidem gehört in einen Datensatz, auf dessen Grundlage ein Kunde Budgetentscheidungen trifft.

Alles, was diesem Bekenntnis nachgelagert ist, ist überprüfbar:

• Rohe Prompt-Daten sind in der Plattform jederzeit einsehbar. Zu jedem Prompt und jedem Lauf können Sie den vollständigen Antworttext der KI lesen, jede Zitation, die sie erzeugt hat, und jede Marke, die sie genannt hat.
• Sie können sie jederzeit auf Anforderung vollständig exportieren.
• Wir filtern, kuratieren oder gewichten das Prompt-Set nicht neu, um Ihre Ergebnisse besser aussehen zu lassen.

Wie wir Markenerwähnungen erkennen

Die Erkennung von Markenerwähnungen ist deterministischer String-Abgleich — Ihr Markenname plus beliebig viele von Ihnen konfigurierte Aliase, abgeglichen ohne Berücksichtigung der Groß-/Kleinschreibung und an Wortgrenzen gegen die Antwort der KI.

Wir verwenden kein LLM, um zu beurteilen, ob Ihre Marke erwähnt wurde. Das ist ein bewusster Kompromiss. Ein LLM-Judge kann eine Umschreibung erfassen, die ein String-Abgleich verfehlt, aber er bringt Nicht-Determinismus in genau die Schicht der Pipeline, die am dringendsten reproduzierbar sein muss: Zwei Läufe desselben Judge über dieselbe Antwort können sich widersprechen — was bedeutet, dass sich Ihr Share of Voice bewegen könnte, ohne dass sich Ihre Sichtbarkeit bewegt. Deterministischer Abgleich bedeutet: Jede Erwähnung, die wir gezählt haben, können Sie selbst im rohen Antworttext finden — und jede Erwähnung, die wir verpasst haben, können Sie durch das Hinzufügen eines Alias erfassen.

• Der Abgleich ignoriert Groß-/Kleinschreibung und respektiert Wortgrenzen, sodass „Acme" nicht auf „Acmeworks" passt.
• Die Aliase liegen in Ihrer Hand. Produktnamen, Firmierungen, häufige Schreibfehler, Abkürzungen, frühere Namen. Wenn KI Sie auf eine Weise beschreibt, die unser Matcher verfehlt, behebt ein Alias das dauerhaft.
• Wettbewerber funktionieren identisch — jeder Wettbewerber hat seinen eigenen Namen und seine eigene Alias-Liste.

Das Ändern eines Alias berechnet Ihre Historie sofort neu

Wenn Sie einen Alias hinzufügen oder entfernen, Ihre Marke umbenennen oder Ihr Wettbewerber-Set ändern, berechnet Spyglasses Ihre historischen Kennzahlen zu Markenerwähnungen in Echtzeit neu. Jede gespeicherte Kennzahlzeile — Erwähnungen, Share of Voice, Zitationszahlen, Aufschlüsselungen pro Plattform — wird gegen das neue Alias-Set neu geschrieben.

Das funktioniert, weil wir jede rohe KI-Antwort aufbewahren. Die Neuberechnung gleicht die neue Alias-Liste erneut gegen die gespeicherten Antworten ab; sie führt keine Prompts erneut aus und kostet Sie nichts. Der praktische Effekt: Wenn Sie nach sechs Monaten einen Alias hinzufügen, korrigiert das rückwirkend sechs Monate Historie, statt an dem Tag, an dem Sie ihn hinzugefügt haben, einen Bruch in Ihrer Grafik zu erzeugen.

Definitionen der zentralen Spyglasses-Kennzahlen

Die atomare Maßeinheit ist eine Plattform-Ausführung: ein Prompt, einmal gegen eine Plattform ausgeführt. Ein Bericht über 10 Prompts auf 5 Plattformen erzeugt 50 Plattform-Ausführungen.

Tabelle: Definitionen der zentralen Spyglasses-Kennzahlen zur KI-Sichtbarkeit. Für jede zentrale Kennzahl im Spyglasses-Dashboard nennt diese Tabelle die genaue Formel und die Einheit, über die sie berechnet wird.

Drei davon brauchen einen klar ausgesprochenen Vorbehalt.

Share of Voice ist eine Präsenzrate, keine Nullsummen-Aufteilung

Unser Share of Voice beantwortet: „Wie oft hat die KI Sie bei all den Malen, die wir gefragt haben, genannt?" Der Nenner ist die Anzahl der Prompts, die wir ausgeführt haben, nicht die Anzahl der genannten Marken.

Das bedeutet, dass sich der Share of Voice über Sie und Ihre Wettbewerber hinweg nicht zu 100 % summiert. Wenn eine KI-Antwort fünf Tools empfiehlt und Sie eines davon sind, wird Ihnen diese Ausführung gutgeschrieben — und den anderen vier ebenso. Es ist völlig möglich, dass Sie und jeder Wettbewerber jeweils 90 % Share of Voice halten, wenn die KI immer wieder Sie alle nennt.

Manche Anbieter definieren Share of Voice als Nullsummen-Aufteilung der Gesamterwähnungen (Ihre Erwähnungen ÷ Erwähnungen aller). Diese Zahl hat eine echte Schwäche: Sie sinkt, wenn ein Wettbewerber häufiger erwähnt wird, selbst wenn Sie in genauso vielen Antworten erwähnt werden wie zuvor. Wir haben uns für die Präsenzraten-Definition entschieden, weil „bin ich in der Antwort?" die Frage ist, die auf eine Entscheidung abbildet, und weil sie sich nicht durch das Rauschen eines Wettbewerbers manipulieren lässt. Wenn Sie einen Spyglasses Share of Voice mit dem eines anderen Tools vergleichen, prüfen Sie, welche Definition dort verwendet wird — sie sind nicht austauschbar.

Share of Influence misst Narrativ, nicht Nennung

Share of Voice fragt, ob Sie genannt wurden. Share of Influence fragt, ob Ihre Rahmung der Kategorie auftauchte, bevor überhaupt eine Marke genannt wurde — die Awareness-Phase, in der eine KI erklärt, worauf es in einer Kategorie ankommt, statt Anbieter zu empfehlen.

Er wird berechnet, indem jede Ihrer positiven Key Messages und jeder Satz der KI-Antwort mit text-embedding-3-small eingebettet, mit Kosinus-Ähnlichkeit bewertet und ein Treffer gezählt wird, wenn ein Satz einen Ähnlichkeitsschwellenwert von 0,50 überschreitet. Der Schwellenwert ist kalibriert: Bei 0,40 trafen bereits Sätze, die lediglich ein Thema mit einer Key Message teilten. Bei 0,50 muss ein Satz die Idee tatsächlich ausdrücken. Share of Influence ist dann der ungewichtete Mittelwert der Trefferquoten über alle Ihre positiven Key Messages.

Das ist ein wirklich anderes Signal als Erwähnungen. Eine Marke kann einen niedrigen Share of Voice und einen hohen Share of Influence haben — die KI hat Ihr Argument darüber, worauf es in der Kategorie ankommt, aufgenommen, empfiehlt aber jemand anderen. Diese Lücke ist meist das Umsetzbarste auf dem gesamten Dashboard.

Die Zitationsrate kann 100 % überschreiten

Der Zähler zählt Zitationen; der Nenner zählt Ausführungen. Eine Antwort, die zwei verschiedene Seiten auf Ihrer Domain zitiert, steuert zwei Zitationen aus einer Ausführung bei. Eine Zitationsrate über 100 % bedeutet, dass die KI Sie im Durchschnitt mehr als einmal pro Antwort zitiert — was ein gutes Ergebnis ist, kein Fehler.

Was wir nicht messen

Wir führen keine Sentiment-Analyse darüber durch, wie KI-Antworten Ihre Marke beschreiben. Wir könnten es, aber ein Sentiment-Klassifikator über eine KI-Antwort ist ein LLM, das ein LLM beurteilt, und es ist uns nicht gelungen, das stabil genug zu machen, dass eine Score-Änderung zuverlässig bedeutet, dass sich in der Welt etwas geändert hat. Wir liefern lieber gar keine Zahl als eine instabile. (Sentiment wird bei PR-Platzierungen bewertet, wo die Eingabe ein fester, von Menschen geschriebener Artikel ist und keine neu erzeugte Antwort — siehe die Methodik zum AI Placement Quality Score.)

Wir veröffentlichen kein Ranking der Position innerhalb der Antwort. Wir erfassen einen Rang, wenn eine Plattform ihn offenlegt, aber die Verfügbarkeit unterscheidet sich zwischen Plattformen und Erkennungswegen so stark, dass eine plattformübergreifende „durchschnittliche Position" Unvergleichbares vergleichen würde.

Wie wir mit Zitationen umgehen

Jede Quelle, die eine KI-Plattform zutage fördert, wird gespeichert, klassifiziert und — wo wir sie erreichen können — gecrawlt.

Zitiert, evaluiert oder Suchergebnis

Nicht jede Quelle, die eine KI ansieht, schafft es in die Antwort. Wir erfassen, welche:

Die Unterscheidung wird pro Plattform aus dem abgeleitet, was diese Plattform tatsächlich berichtet: Claude und das AI-Overviews-Panel sagen uns direkt, welche Quellen sie zitiert haben; für ChatGPT und Gemini prüfen wir jede Quell-URL gegen die im Antworttext vorhandenen Links. Wo eine Plattform nicht unterscheidet (Perplexity meldet selbst eine einzige Zitationsliste), sagen wir das, statt zu raten.

„Nur evaluiert" ist das am meisten unterschätzte Signal im Produkt. Es identifiziert Seiten, die die KI liest, aber nicht anrechnet — meist ein kürzerer Weg zu einer Zitation, als etwas Neues zu erstellen.

Was wir pro Zitation speichern

Zu jeder Zitation: die URL, den Seitentitel, ob es Ihre Domain ist, welcher Marke die Antwort sie zugeordnet hat, den obigen Zitationstyp, den Seitentyp und das Inhaltsformat sowie — sobald gecrawlt — Autor, Veröffentlichungsdatum und Wortanzahl. Medientyp und Publisher-Autorität werden auf Domain-Ebene gespeichert.

Wie zitierte Seiten in Medientypen, Autoritätsstufen und Inhaltsformate klassifiziert werden, erfahren Sie in der Dokumentation zu Citation Intelligence.

Wir crawlen zitierte Seiten und scannen sie nach Ihrer Marke

Wenn wir eine Zitation erkennen, unternehmen wir einen Best-Effort-Versuch, die Seite abzurufen und ihren Inhalt anhand derselben Alias-Liste nach Erwähnungen Ihrer Marke und Ihrer Wettbewerber zu durchsuchen. Wir versuchen zuerst einen direkten Abruf und weichen bei Seiten, die das blockieren, auf einen Rendering-Dienst aus. Manche Seiten sind überhaupt nicht erreichbar — harte Paywalls, aggressiver Bot-Schutz — und die kennzeichnen wir, statt so zu tun, als hätten wir sie gelesen.

Diese Unterscheidung ist wichtig, und wir halten die beiden in jeder Kennzahl strikt getrennt. Doch die Lücke zwischen ihnen ist für sich genommen nützlich: Sie ist Reichweite, die Sie bereits erarbeitet haben, die die KI bereits liest und für die sie Ihnen noch keine Anerkennung zuschreibt. Im Dashboard erscheint das als hidden earned media, und es ist oft der günstigste verfügbare Sichtbarkeitsgewinn — die Seite existiert bereits und erwähnt Sie bereits, sodass ihre Umwandlung in eine zugeordnete Zitation ein Redaktions- und kein PR-Problem ist.

Grounding-Suchen und SERP-Rankings

Wenn ein KI-Assistent eine Frage beantwortet, sucht er in der Regel nicht wortwörtlich nach Ihrem Prompt. Er zerlegt die Frage in eigene Websuchen — Grounding-Suchen, manchmal auch Fan-out-Anfragen genannt — und baut seine Antwort aus deren Ergebnissen. Genau diese Anfragen entscheiden tatsächlich darüber, ob Sie zitiert werden.

Wir erfassen Grounding-Suchen für ChatGPT, Gemini und Claude. Alle drei legen die von ihnen durchgeführten Suchen offen. Google AI Overviews und Perplexity legen sie nicht offen, daher haben wir dazu nichts zu berichten — wir zeigen Ihnen lieber nichts, als eine Anfrageliste abzuleiten, die die Plattform uns nie gegeben hat.

Da die KI die Suchergebnisse für diese Anfragen liest, sind deren Top-Ergebnisse der Pool, aus dem sie zitieren kann. Deshalb führen wir für jede Grounding-Suche, die wir erfassen, unsere eigene SERP-Abfrage durch und halten fest, wo Sie, Ihre Wettbewerber und jede andere Domain ranken:

Claude verankert seine Websuchen in Brave statt in Google, daher sagt ein Google-Ranking wenig darüber aus, ob Claude Sie finden kann. Wir führen Brave speziell für Claudes Suchen aus. Braves API liefert höchstens 20 Ergebnisse zurück, daher umfasst Claudes SERP-Abdeckung die Top 20 statt der Top 30. Wenn eine von Claude erzeugte Suche auch von ChatGPT erzeugt wurde, führen wir beide Suchmaschinen dafür aus.

Eine Domain, die nicht rankt, wird mit einer Null-Position erfasst — „nicht in den Top 30" ist selbst ein Befund, und genau er treibt die Lückenanalyse an: Grounding-Suchen, bei denen Wettbewerber ranken und Sie nicht.

SERP-Rankings werden wöchentlich neu geprüft, bis zu 50 Grounding-Suchen pro Property und Woche. Bei Properties mit mehr als 50 getrackten Grounding-Suchen werden diese rotierend statt alle auf einmal aktualisiert.

Wie wir Markengenauigkeit messen

Share of Voice sagt Ihnen, ob die KI Sie nennt. Markengenauigkeit sagt Ihnen, ob das, was sie über Sie sagt, korrekt ist — jener Fehlerfall, in dem Sie in jeder Antwort auftauchen und als etwas beschrieben werden, das Sie nicht sind.

Das Acht-Abfragen-Design

Wir bitten vier KI-Plattformen, Ihre Marke zu beschreiben — jeweils zweimal:

• Ohne Web-Browsing — das Modell antwortet allein aus seinen Trainingsdaten. Das ist das, was es über Sie „erinnert", und das ist, was ein Nutzer bekommt, wenn der Assistent nicht sucht.
• Mit Web-Browsing — das Modell recherchiert Sie zuerst. Das ist das, was es sagt, wenn es Ihre Website lesen kann.

Vier Plattformen × zwei Modi = acht unabhängige Markenbeschreibungen pro Bewertungslauf. Die beiden Modi widersprechen sich meist, und genau dieser Widerspruch ist der Punkt: Eine Marke, die mit Browsing gut und ohne Browsing schlecht abschneidet, hat ein Trainingsdaten-Problem, kein Website-Problem — und keine noch so gute On-Site-Optimierung wird das schnell beheben.

Tabelle: Spyglasses Plattformen und Modelle für das Scoring der Markengenauigkeit. Dies sind die vier KI-Plattformen und die spezifischen Modellversionen, die Spyglasses zur Bewertung der Markengenauigkeit verwendet. Anders als bei den Free-Tier-UI-Plattformen sind diese Modelle fixiert, damit Genauigkeitswerte über die Zeit vergleichbar bleiben.

Wie der Score berechnet wird

Jede der acht Beschreibungen wird gegen Ihren Brand Snapshot bewertet — die strukturierte Selbstbeschreibung, die Spyglasses durch das Crawlen Ihrer eigenen Website erstellt und die Sie jederzeit bearbeiten können. Das ist wichtig und sollte klar ausgesprochen werden: Wir bewerten die KI nicht gegen eine objektive Wahrheit über Ihr Unternehmen. Wir bewerten sie gegen das, was Ihre eigene Website über Sie sagt, so wie Sie es korrigiert haben.

Fünf Felder werden verglichen und gewichtet:

Kategorie und Preismodell werden deterministisch gegen eine feste Entscheidungstabelle bewertet. Features, ICP und Differenzierungsmerkmale werden semantisch verglichen — „hilft Teams bei der gemeinsamen Arbeit an Dokumenten" und „Dokumentenzusammenarbeit für Teams" sollten als Treffer und nicht als Fehlschlag gewertet werden. Dieser Vergleich wird von einem LLM-Judge (gpt-5-nano) gegen ein festes Bewertungsraster vorgenommen, mit einem deterministischen String-Ähnlichkeits-Fallback, falls der Judge ausfällt.

Das gewichtete Ergebnis ist ein Score von 0–100. Zwei Verhaltensweisen sind wissenswert:

• Wenn ein Modell Ihre Marke überhaupt nicht kennt, ist der Score 0, nicht eine niedrige, aber von Null verschiedene Zahl. Eine KI, die noch nie von Ihnen gehört hat, ist ein kategorisch anderes Problem als eine KI, die Sie ungenau beschreibt, und beides zusammenzumitteln würde das verdecken.
• Für selbstbewusste Falschaussagen werden Abzüge vergeben — Sie in der falschen Branche zu verorten oder Ihnen Features zuzuschreiben, die Sie unmöglich haben können. Ein Feature zu halluzinieren, das Sie nicht haben, ist schlimmer, als eines wegzulassen, das Sie haben.

Bekannte Grenzen

Sie sollen diese lieber hier lernen als im Kundentermin entdecken.

Ein Tagesergebnis ist eine Stichprobe. Siehe den Abschnitt zur Zuverlässigkeit oben. Berichten Sie niemals den Share of Voice eines einzelnen Tages als Tatsache.

Der plattformübergreifende Vergleich ist asymmetrisch. Claude und Perplexity werden per API mit einem System-Prompt erhoben; ChatGPT, Gemini und AI Overviews werden aus anonymen UI-Sitzungen ohne System-Prompt erhoben. Trends innerhalb einer Plattform sind vertrauenswürdiger als Unterschiede zwischen Plattformen.

Auf den UI-Plattformen verschieben sich Modellversionen unter uns — und zwar bauartbedingt. Wir berichten, was die Plattform aktuell ausliefert, was bedeutet, dass ein unangekündigter Modellwechsel durch OpenAI oder Google in Ihren Daten als Sprung auftaucht, der nichts mit Ihrem Marketing zu tun hat. Wir verwenden Annotationen, um diese zu markieren, sobald wir sie erkennen.

Abgemeldet ist eine Annäherung, kein Spiegel. Echte Nutzer haben Konten, Chat-Verlauf, Gedächtnis und Personalisierung. Wir messen die unpersonalisierte Basislinie, weil sie das Einzige ist, was messbar und vergleichbar ist — aber sie ist nicht die einzige Antwort, die eine reale Person zu sehen bekommt.

Deterministischer Abgleich verfehlt Umschreibungen. Wenn die KI Sie mit einem Namen bezeichnet, der nicht in Ihrer Alias-Liste steht, zählen wir das nicht. Dafür existiert die Alias-Liste, und deshalb berechnen wir die Historie neu, wenn Sie sie ändern.

Nicht jede zitierte Seite lässt sich crawlen. Paywalls und Bot-Schutz bedeuten, dass die Abdeckung von Inhaltserwähnungen eine Untergrenze ist, keine Gesamtsumme.

Diese Kennzahlen sind richtungsweisende Signale, keine Garantien. Ein hoher Share of Voice bedeutet, dass die KI Sie heute nennt, in den Antworten, die wir gesampelt haben, für die Prompts, die Sie gewählt haben. Er garantiert nicht, dass irgendeine bestimmte Person mit irgendeiner bestimmten Frage Sie zu sehen bekommt.

Verwandte Themen

• Sind Ihre AI-Visibility-Daten zuverlässig? — Der Rechner für statistische Konfidenz, mit der Formel
• Citation Intelligence — Wie zitierte Seiten klassifiziert werden
• Schlüsselbotschaften — Wie Share of Influence konfiguriert wird
• Standorte — Standortgezielte Prompt-Läufe
• AI Placement Quality Score — Wie einzelne PR-Platzierungen bewertet werden
• AI Placement Value Score — Wie Publisher bewertet werden
• Citation Optimizer — Wie Inhalte für Zitationen bewertet und umgeschrieben werden