- Home
- Blog
- GEO-KPIs: Die fünf Kennzahlen für KI-Sichtbarkeit
Wer weiß, wie oft seine Marke in KI-Antworten erscheint, hat erst die Hälfte der Information. Die eigentlich relevante Frage ist: Was passiert, wenn sie erscheint? Wird sie verlinkt oder nur erwähnt? Positiv empfohlen oder neutral beschrieben? Kennt das Modell überhaupt, wer sie ist? Diese Fragen beantworten die fünf GEO-KPIs der Generative Engine Optimization. Darunter liegt eine strukturelle Ebene, die bestimmt, ob das Modell deine Domain überhaupt kennt: die Harmonic Centrality.
Diese Übersicht erklärt alle sechs Größen, ihre Reihenfolge und wie sie zusammenspielen. Für die vollständige Messmethodik, Praxisbeispiele und Optimierungsmaßnahmen führt jeder Abschnitt zum zugehörigen Detailartikel.
TL;DR: Das Wichtigste zu GEO-KPIs
- Alle fünf GEO-KPIs messen, was KI-Modelle in ihren Antworten mit deiner Marke tun: ob sie sie kennen, wie oft sie diese nennen, wie stark sie im Wettbewerb steht, ob sie verlinkt wird und mit welcher Tonalität sie empfohlen wird.
- Harmonic Centrality ist keine KI-Output-Metrik, sondern die Infrastrukturebene darunter: Sie bestimmt, wie oft Common Crawls Crawler deine Domain archiviert, sodass wie präsent deine Inhalte in den Trainingsdaten der meisten großen Sprachmodelle sind.
- Die richtige Reihenfolge beim Aufbau: Harmonic Centrality sichern → Detection Rate prüfen → Visibility Percentage erheben → Share of Model benchmarken → Citation Rate und Sentiment Score optimieren.
Was GEO-KPIs messen und warum klassische SEO-Metriken nicht ausreichen
In der klassischen Suchmaschinenoptimierung sind Rankings, Klicks und Impressionen die Standardgrößen. In der Generative Engine Optimization greifen diese Metriken nicht mehr. KI-Modelle geben keine Ergebnislisten aus. Sie generieren Antworten. In diesen Antworten erscheinen Marken nicht auf Position 1 oder Position 10. Sie werden entweder genannt oder nicht. Empfohlen oder nicht. Verlinkt oder nicht.
Genau diese Unterschiede machen die fünf GEO-KPIs messbar. Sie sind keine Ableitungen klassischer SEO-Metriken, sondern eigenständige Kennzahlen für einen eigenständigen Kanal. Und sie müssen modellspezifisch erhoben werden: ChatGPT, Google AI Overviews und Google AI Mode funktionieren grundlegend anders. Ein aggregierter Gesamtwert ist aktiv irreführend.
Harmonic Centrality: die Infrastrukturebene
Die Harmonic Centrality (HC) ist kein KI-Output-Signal. Sie misst die strukturelle Position einer Domain im Web-Graph: Wie kurz sind die Verbindungswege zu allen anderen Domains im Netzwerk? Das ist eine andere Frage als die, die PageRank beantwortet. PageRank fragt nach Autorität. HC fragt nach topologischer Nähe.
Warum ist das relevant für KI-Sichtbarkeit? Common Crawls Crawler (CCBot) nutzt HC als primäres Priorisierungssignal. Domains mit hoher HC werden häufiger gecrawlt und tauchen öfter in den monatlichen Common-Crawl-Archiven auf. 64 % der 47 analysierten großen Sprachmodelle nutzen Common-Crawl-Daten als Trainingsgrundlage. Die Wirkungskette:
Hohe HC → häufigeres Crawlen → stärkere Präsenz in Trainingsdaten → höhere Baseline Familiarity des Modells.
HC ist kein Zauberhebel, sondern ein Verstärker: Ohne substanzielle Inhalte, klare Autorenschaft und technische Sauberkeit bleibt der Effekt marginal. Wer CCBot per robots.txt blockiert, verschlechtert seine Position aktiv.
Detection Rate: Kennt das Modell deine Marke?
Technische Grundvoraussetzung aller anderen GEO-Metriken ist die Detection Rate. Sie prüft, ob ein KI-Modell deine Marke auf direkte Nachfrage korrekt identifiziert:
Detection Rate = (Anzahl der Prompts, in denen das Modell deine Marke korrekt identifiziert ÷ Gesamtzahl der direkten Marken-Prompts) × 100
Der Test ist simpel: Frag ChatGPT oder Google AI direkt nach deiner Marke. Vier mögliche Ergebnisse: korrekte Identifikation, Verwechslung mit einem Wettbewerber (Entitätskollision), Unkenntnis (Detection Rate null) oder Halluzination. Jedes Szenario macht alle anderen GEO-Metriken schwerer interpretierbar: Eine hohe Visibility Percentage bei gleichzeitiger Entitätskollision bedeutet, dass deine Marke sichtbar ist, aber mit dem falschen Inhalt.
Visibility Percentage: Bist du überhaupt im Spiel?
Die Visibility Percentage beantwortet die Grundfrage der KI-Sichtbarkeit: Wenn 100 Menschen eine KI nach einer Produktkategorie befragen, in wie vielen dieser Antworten erscheint meine Marke?
Visibility Percentage = (Anzahl der Prompts, in denen die eigene Marke auftaucht ÷ Gesamtzahl der ausgeführten Prompts) × 100
Dabei ignoriert diese GEO-Metrik bewusst die Reihenfolge der Nennung. Das ist richtig so. Laut einer Studie von Rand Fishkin (SparkToro) mit 2.961 Prompt-Durchläufen erscheinen zwei Antworten auf denselben Prompt seltener als in 1 von 1.000 Fällen in exakt derselben Reihenfolge. Rankings in KI-Antworten sind statistisches Rauschen. Die Visibility Percentage ist die einzige statistisch belastbare Alternative. Für valide Werte: mindestens 60 bis 100 Durchläufe pro Modell, modellspezifisch erhoben.
Share of Model: Wie stark bist du im Wettbewerb?
Die Visibility Percentage sagt, ob du im Spiel bist. Der Share of Model sagt, wie stark du im Vergleich zur Konkurrenz bist:
Share of Model = (Nennungen der eigenen Marke ÷ Gesamtzahl aller Markennennungen im Cluster) × 100
Das ist die direkte KI-Adaption des klassischen Share of Voice: mit einem entscheidenden Unterschied: Während Share of Voice auf Google-Rankings basiert, misst der Share of Model eine aktive Empfehlungshandlung. Eine KI nennt eine Marke nicht, weil sie auf Platz 3 rankt, sondern weil das Modell sie für relevant hält. Ein plattformübergreifender Gesamt-SoM ist irreführend. ChatGPT nennt im Schnitt 2,4 Marken pro Antwort, Google AI Overviews 6,0. Die relative Position sieht auf beiden Plattformen fundamental anders aus.
Citation Rate: Wirst du verlinkt oder nur erwähnt?
Eine Nennung erzeugt Aufmerksamkeit. Eine Zitation erzeugt Traffic und Autorität. Die Citation Rate misst den Unterschied:
Citation Rate = (Anzahl der Antworten, in denen deine Marke als klickbarer Link oder Fußnote erscheint ÷ Gesamtzahl der Antworten mit Markennennung) × 100
Die Plattformen verhalten sich strukturell verschieden: ChatGPT nennt Marken 3,2-mal häufiger, als es sie verlinkt. Google AI Overviews dreht das um. Es zitiert 2,4-mal häufiger, als es nur erwähnt. Wer Traffic aus KI-Antworten anstrebt, optimiert für Plattformen mit hoher Zitierbereitschaft, nicht für die mit den meisten Nennungen. Zusätzlich gilt: Kernaussagen, die in den ersten 30 % eines Textes stehen, werden 44,2 % aller Zitierungen erzeugen (Kevin Indig, 2026). Wer seine wichtigste Aussage in Absatz 12 versteckt, halbiert seine Zitierchancen.
Sentiment Score: Was sagt die KI wirklich über deine Marke?
Der Sentiment Score ist der qualitativste Baustein im GEO-KPI-Set. Er fragt nach der Tonalität: Wie beschreibt das Modell deine Marke?
Sentiment Score = Bewertung der Sprache in KI-Markennennungen auf einer Skala von 0 (stark negativ) bis 100 (stark positiv)
KI-Modelle geben keine wertneutralen Listen aus. Sie aggregieren das Sentiment aus tausenden Quellen in ihren Trainingsdaten und destillieren daraus eine Einschätzung. Eine Marke mit negativem Sentiment wird nicht einfach seltener genannt. Sie wird aktiv umgangen, weil das Modell dem Nutzer keine schlechte Empfehlung geben will. Das ist das GEO-Äquivalent eines NoIndex-Tags. Die meisten Marken-Scores liegen laut Peec AI zwischen 65 und 85. Wer darunter liegt, hat ein messbares Reputationsproblem in den KI-Systemen.
Die richtige Reihenfolge: So setzt du GEO-KPIs ein
Die sechs Größen haben eine natürliche Reihenfolge, die auch die Priorisierung von Maßnahmen bestimmt:
| Schritt | KPI / Metrik | Frage | Wenn Wert niedrig |
|---|---|---|---|
| 1 | Harmonic Centrality | Ist meine Domain im Web-Graph sichtbar? | Linkstrategie: zentrale Knotenpunkte priorisieren, CCBot nicht blockieren |
| 2 | Detection Rate | Weiß das Modell, wer ich bin? | Entitätskonsistenz herstellen: Schema.org, Wikipedia, Verzeichnisse |
| 3 | Visibility Percentage | Bin ich überhaupt im Spiel? | Earned Media + strukturierte Inhalte auf themenrelevanten Domains |
| 4 | Share of Model | Wie stark bin ich vs. Wettbewerb? | Thought Leadership und Erwähnungen in Fachpublikationen ausbauen |
| 5 | Citation Rate | Werde ich verlinkt oder nur erwähnt? | Kernaussagen in den ersten 30 % des Textes; verlinkbare Einzelaussagen schaffen |
| 6 | Sentiment Score | Wie beschreibt die KI meine Marke? | Authoritative Content + Earned Media + regelmäßiges Monitoring |
Weitere Informationen und Quellen zu GEO-KPIs
- Stephen Burns: How SEOs Are Using Common Crawl’s Web Graph Data for AI Ranking Signals – auf: commoncrawl.org am 19. Januar 2026 (englisch)
- Rand Fishkin: NEW Research: AIs are highly inconsistent when recommending brands or products; marketers should take care when tracking AI visibility – auf: sparktoro.com am 27. Januar 2026 (englisch)
- Ethan Crump: GEO Metrics: How to Measure Visibility, Trust, and Brand Presence in AI Search – auf: /foundationinc.co am 18. Dezember 2025 (englisch)
- Jason Tabeling: Measuring GEO: What’s trackable now and what’s still missing – auf searchengineland.com am 10. September 2025 (englisch)
- Mozilla Foundation: Training Data for the Price of a Sandwich – Analyse zu Common-Crawl-Nutzung in LLMs (deutsch)
- Benjamin O’Daniel: GEO & LLMO KPIs: Wie misst du deinen Erfolg in der KI-Sichtbarkeit? – auf: jaeckert-odaniel.com am 9. September 2025 (deutsch)
- Michael Brito: Five GEO Visibility Metrics That Up-Level Media Measurement – auf: britopian.com am 29. August 2025 (englisch)
- Tomek Rudzki: How to measure AI search visibility and revenue: The KPIs that matter – auf: peec.ai am 11. März 2026 (englisch)
