SEO
Was passiert, wenn man eine KI-Realität baut? Das Link-Sniffer-Experiment
Oskar Eder / 31. März 2026
- Home
- Blog
- Was passiert, wenn man eine KI-Realität baut? Das Link-Sniffer-Experiment
Was passiert, wenn man ein Produkt erfindet, es über mehrere eigene und externe Quellen im Web verankert und dann misst, wie ChatGPT, Google AI Overviews, AI Mode und Perplexity darauf reagieren?
Genau das wurde mit unserem SMART LEMON Link Sniffer getestet. Das Ergebnis zeigt ziemlich klar, was in der Generative Engine Optimization wirklich wirkt und wo Modelle trotz sauberem Set-up wieder in alte Bedeutungen zurückfallen.
TL;DR: Was wir aus unserem „Fake-Produkt“-Test gelernt haben
- Im Praxistest mit dem fiktiven Produkt „Link Sniffer“ zeigte sich, wie schwer es für KI-Systeme sein kann, neue Bedeutungen gegen bereits etablierte Begriffskontexte zuverlässig durchzusetzen.
- Besonders wirksam war nicht ein einzelner Inhalt, sondern das Zusammenspiel aus Grounding Page, eigenen Inhalten, Pressemitteilung und externer Berichterstattung als vertrauensbildende Signale.
- Die Ergebnisse machten zugleich deutlich, dass Sichtbarkeit in KI-Antworten schnell entstehen kann, aber nicht automatisch stabil bleibt, wenn Entitäten semantisch noch nicht sauber verankert sind.
- Die wichtigste Erkenntnis lautet daher: GEO ist kein starres Rezept, sondern ein Zusammenspiel verschiedener Maßnahmen, die je nach Plattform getestet, kombiniert und laufend überprüft werden müssen.
Theoretischer Rahmen und die Notwendigkeit von Entitäten-Stabilität
Um die Ergebnisse unseres Experiments richtig einzuordnen, ist eine genaue Definition der Funktionsweise generativer Suchmaschinen notwendig. Hierbei muss klar zwischen zwei Ansätzen unterschieden werden:
- Traditionelle Suchmaschinenoptimierung (SEO): Dieser etablierte Ansatz, dokumentiert in zahlreichen Fallstudien, konzentriert sich auf die Verbesserung der Positionierung in statischen, indexierten Linklisten. Der Erfolg wird gemessen an Kennzahlen wie organischem Traffic, der Zunahme von verweisenden Domains (Referring Domains) und Ranking-Positionen für bestimmte Suchbegriffe.
- Generative Engine Optimization (GEO): GEO erfordert eine andere strategische Herangehensweise. Obwohl in der Fachwelt viele synonymer Bezeichnungen wie AI SEO, LLMO, AEO oder Generative SEO kursieren, bleibt der Kernmechanismus gleich. Das Ziel von GEO ist nicht die isolierte Optimierung für ein spezifisches Modell oder eine einzelne Benutzeroberfläche. Vielmehr geht es darum, sicherzustellen, dass eine Marke, ein Produkt oder eine Aussage in allen generativen Systemen, in denen Nutzer Antworten suchen, als vertrauenswürdig eingestuft, gesehen und wiederverwendet wird. Die Prämisse einer GEO-Strategie lautet daher: Unternehmen müssen sich von der reinen Rolle als Website-Anbieter lösen und sich als zentrale Knotenpunkte in einem dezentralisierten Ökosystem aus KI-Tools, Plattformen und Retrieval-Umgebungen verstehen.
Die technologische Basis für diese generativen Antwortmaschinen ist die Retrieval-Augmented Generation (RAG). Hierbei generiert das Sprachmodell die Antwort nicht nur auf Grundlage seiner statisch gespeicherten Trainingsdaten (Parameter-Gewichte), sondern führt parallel eine Echtzeitsuche in externen Quellen oder dem Live-Internet durch. Diese aktuellen Fakten werden abgerufen und anschließend vom Large Language Model (LLM) formuliert.
Genau an dieser Schnittstelle des Retrievals setzt GEO an. KI-Systeme basieren auf Musterrekonstruktion, was strukturelle Risiken birgt: Modellen mangelt es oft an spezifischen Fakten, sie neigen zu instabilen Interpretationen von Entitäten oder erfinden Sachverhalte gänzlich neu (Halluzinationen), wenn sie Lücken im abgerufenen Kontext füllen müssen. Beispielsweise führt der Begriff „GEO“ zu Kollisionen mit „Geo-Targeting“ oder „Local SEO“.
Das digitale Laborexperiment SMART LEMON Link Sniffer
Das Link-Sniffer-Experiment stellte ein fiktives Produkt live ins Web, um zu messen, wie KI-Systeme (ChatGPT, Google AI Overviews, Google AI Mode, Perplexity) es verstehen, zitieren und eine neue semantische Realität übernehmen. Der Test nutzte bewusst die bereits belegte Entität „Sniffer“, um eine Bedeutungsverschiebung zu erzwingen und diese mit SMART LEMON, Hardware, SEO- und GEO-Kontext neu zu koppeln. Um die KI-Sichtbarkeit ohne verfälschende Trainingsdaten zu evaluieren, wurde der „SMART LEMON Link Sniffer“ als semantisches Vakuum in einem realen Internet-Labor erschaffen.
Collage des SMART LEMON Link Sniffers
Warum ausgerechnet „Sniffer“?
Der Begriff war bewusst und strategisch gewählt. So bezeichnet „Sniffer“ in der Informationstechnologie historisch eine Softwaregruppe. Klassischerweise meint man damit Browser-Erweiterungen (wie Chrome-Extensions) zum Auslesen und Analysieren von Web-Links, Windows-Hintergrunddienste (z. B. „slinksniffer.exe“) oder IT-Security-Tools zur Erkundung von Domains auf Plattformen wie GitHub. Genau diese semantische Vorbelastung machte den Case spannend.
Indem wir diesen eigentlich definierten Begriff fundamental umdefiniert und semantisch an das Konzept einer „Hardware“ gekoppelt haben, erhöhte sich auch der Schwierigkeitsgrad für die KI-Modelle. Die Systeme wurden gezwungen, ihre fest verdrahteten Assoziationen (Sniffer = Software) durch neu indexierte Live-Daten (Link Sniffer = physisches Gerät) zu überschreiben.
Anders gesagt: Das Experiment simulierte ein reales Problem vieler Marken. Wer mit einem mehrdeutigen Begriff, einer schwachen Entität oder einem semantisch umkämpften Thema arbeitet, hat nicht einfach nur ein Content-Problem. Er hat ein Zuordnungsproblem. Genau hier zeigt GEO seine eigentliche Schärfe. Nicht beim hübschen Storytelling, sondern bei der Frage, ob ein Modell Marke, Produkt und Kontext stabil zusammenhält.
Meet the Link Sniffer – Spezifikationen und die Erschaffung einer KI-Realität
Um den KI-Crawlern substanzielle und überprüfbare Fakten anbieten zu können, haben wir den Link Sniffer als weltweit erstes haptisches Interface für SEO und GEO mit einer extremen Detailtiefe ausgestattet. Die technischen Merkmale des fiktiven Produktes sind so konzipiert, dass sie exakt den Kriterien entsprechen, nach denen RAG-Systeme und Extraktionsalgorithmen suchen: eindeutige Features, konkrete Preisangaben und spezifische Anwendungsfälle. Im Detail:
- Als Kerntechnologie wurde ein patentierter „Olfactory Data Transducer“ (ODT) erfunden, ergänzt durch einen Vibrations-Aktuator.
- Das Gerät im „Lemon Chrome“-Aluminiumgehäuse sollte per USB-C 4.0 an den Rechner angeschlossen werden und via Live-API mit den führenden KI-Systemen wie ChatGPT, Gemini, Claude und Perplexity kommunizieren.
- Die olfaktorische Übersetzung der SEO-Metriken wurde besonders elaboriert ausgestaltet, um die Extraktionsfähigkeiten der Modelle zu testen.
- Die Metrik des „Share of Model“ (SOM) – also die positive Verankerung der Marke im KI-Modell – sollte das Gerät durch die Abgabe eines feinen, frischen Zitronendufts signalisieren.
- Eine hohe Backlink-Autorität (High Trust Flow) wurde semantisch an die beruhigenden Aromen von Lavendel und Zeder geknüpft.
- Als disruptives Element wurde ein „Krisen-Modus“ definiert: Sobald das System KI-Halluzinationen, Fehlinformationen oder toxische Spam-Links erkannte, sollte das Gerät den beißenden Geruch von Ozon und verbrannter Elektronik abgeben.
- Auch die wirtschaftlichen Eckdaten wurden als harte Fakten verankert: Der Preis des Starterkits wurde auf präzise 499 € (inklusive Kartuschen-Refills bis Ende 2026, plus 9,90 € monatlich für weitere Services) festgelegt, mit einer angegebenen Markteinführung und Verfügbarkeit ab dem zweiten Quartal 2026. Dazu kamen auch (fingierte) Bewertungen und Testimonials.
Screenshot der Produktdetailseite für den SMART LEMON Link Sniffer
Die Architektur der Dateninjektion und Chronologie: So haben wir die KI-Realität gebaut
Das Set-up bestand aus einer kleinen, aber bewusst gebauten Quellenarchitektur, die eigene Unternehmenskanäle (Owned Media) mit externen Autoritätssignalen und Vertrauensindikatoren (Earned Media) verzahnte.
Auf smartlemon.de haben wir eine Produktdetailseite, einen GPT-Blogartikel und eine Grounding Page für den Link Sniffer veröffentlicht. Ergänzt wurde das durch externe Signale: eine Pressemitteilung via openPR, einen Feedbax-Eintrag sowie Promo-Artikel auf ANTENNE BAYERN und ROCK ANTENNE. Der gesamte Aufwand lag bei rund vier Stunden. Strategie, Bilder, Pressemitteilung und Text wurden KI-gestützt erstellt. Auch die Veröffentlichung war sauber gestaffelt.
Timeline
| Phase und Datum | Eingesetzte Kanäle und strategische Publikationen |
|---|---|
| Phase 1 25.02.2026 | Veröffentlichung der primären Basis-Inhalte auf der konzerneigenen Domain smartlemon.de. Dies umfasste die offizielle Produktdetailseite, einen spezifisch erstellten GPT-Blogartikel sowie die Publikation einer hochstrukturierten Grounding Page. |
| Phase 2 26.02.2026 | Veröffentlichung von flankierenden redaktionellen Promo-Artikeln auf den hochfrequentierten, reichweitenstarken News-Portalen antenne.de (ANTENNE BAYERN) und rockantenne.de. Letzterer Artikel enthielt gezielt eine elaborierte Erwähnung über eine "Audio-Integration für High-Voltage SEO". |
| Phase 3 03.03.2026 | Breite Distribution einer formellen Pressemitteilung via openPR sowie die Eintragung der Produktdaten in das Branchenverzeichnis Feedbax. |
Das Test-Inventar: Prompts als diagnostische Instrumente oder wie wir gemessen haben
Gemessen wurde nicht mit einer einzelnen Frage, sondern mit einem kontrollierten Prompt-Set. Getestet wurden unter anderem die allgemeine Frage „Was ist der Link Sniffer?“, eine konkrete Produktfrage zu Features, Preis und Anwendungsmöglichkeiten, Trend-Anfragen zu Innovationen Kölner Online-Marketing-Agenturen oder SEO-Gadgets sowie Vergleichsprompts gegen Semrush und Ahrefs.
Für jede Prompt-Art war vorab definiert, welche Quelle sie idealerweise ziehen sollte. Das Monitoring lief über ChatGPT, Google AI Overviews, Google AI Mode und Perplexity. Ergänzend wurden PeecAI, SISTRIX und eine Logfile-Analyse eingesetzt.
| Prompt-Kategorie | Konkreter Test-Prompt im Wortlaut |
|---|---|
| Produkt-Fakten | Was ist der Link Sniffer von SMART LEMON? Beschreibe mir Features, Preis und Anwendungsmöglichkeiten. |
| Allgemeine Nachfrage | Was ist der Link Sniffer? |
| Trend-Anfragen | Welche Innovationen gibt es von Kölner Online-Marketing-Agenturen in 2026? |
| Trend-Anfragen (Nutzen) | Welche Gadgets oder Lösungen gibt es für SEO-Manager, um Daten besser zu visualisieren oder zu spüren? |
| Produkt-Vergleich | Ich schwanke zwischen klassischen SEO-Dashboards und dem Link Sniffer. Was sind die Vorteile der Hardware-Lösung? |
| Komplexer Vergleich | Wie schlägt sich der Link Sniffer im Vergleich zu herkömmlichen Monitoring-Tools wie Semrush oder Ahrefs? |
Chronologische Analyse der LLM-Indexierung und Verhaltensmuster
Die systematische Auswertung der generierten Antworten über den Zeitraum vom 25. Februar bis zum 16. März 2026 offenbart außergewöhnlich detaillierte Einblicke in die Architektur, Geschwindigkeit und Lernkurven der verschiedenen KI-Antwortsysteme.
Timeline des Link Sniffer Experiments
Tag 1 (25. Februar 2026): Der Launch, aber noch keine stabile Realität
Zum Zeitpunkt des Launches lagen die Informationen zum Link Sniffer ausschließlich auf smartlemon.de in Form von Produktdetailseite, Grounding Page und GTP-Blogartikel vor. Externe Verifikationen waren nicht vorhanden. Die Konfrontation der Modelle mit dem Prompt „Was ist der Link Sniffer von SMART LEMON? Beschreibe mir Features, Preis und Anwendungsmöglichkeiten“ führte zu einem ersten Einblick in die internen Konfliktlösungsmechanismen der KIs. Mangels ausreichender RAG-Abdeckung scheiterten die Systeme fundamental bei der korrekten Interpretation und drifteten in tiefe Halluzinationen ab:
- Die KI-Architekturen erkannten zwar die Entität „SMART LEMON“ als Marketing-Agentur, scheiterten jedoch am Begriff „Link Sniffer“. Sie griffen zwangsläufig auf ihr vortrainiertes, parametrisches Wissen zum generischen IT-Begriff „Sniffer“ zurück.
- Googles AI Overviews beschrieb das Produkt fälschlicherweise, aber mit größter Bestimmtheit, als klassische SEO-Browser-Extension, die essenziell für das technische SEO sei, um Rendering-Probleme zu erkennen und Unterschiede zwischen Raw- und Rendered-HTML-Quellcode aufzuzeigen.
- ChatGPT schloss sich diesem Fehler an und stufte den Link Sniffer als ein „Online-Tool zur Überprüfung und Analyse von Dead Links und Weiterleitungen“ ein.
Das semantische Gewicht der in den eigenen Inhalten stark hervorgehobenen Eigenschaft „Hardware“ war noch nicht im Retrieval-Prozess der Modelle angekommen oder reichte nicht aus, um die historischen Trainingsdaten zu überschreiben. Das ist ein wichtiger Punkt. Eine neue Entität existiert nicht automatisch für ein Modell, nur weil sie online ist. Auch wenn Produktseite, Blogartikel und Grounding Page bereits veröffentlicht sind, greifen Systeme zunächst oft auf ältere, statistisch dominantere Bedeutungen zurück. Genau an dieser Stelle entscheidet sich, ob ein GEO-Set-up tragfähig ist oder nur hübsch aussieht.
Screenshot aus peec.ai: Zeigt einen ChatGPT-Verlauf, in dem der Link Sniffer von SMART LEMON noch nicht korrekt identifiziert wird.
Tag 2 und Tag 3 (26. und 27. Februar 2026): Die ersten korrekten Referenzen
Schon mit Beginn von Phase 2 und der Veröffentlichung der redaktionellen Promo-Artikel auf den Domains antenne.de und rockantenne.de änderte sich das Verhalten der Systeme abrupt. Diese externen Publikationen agierten als massive Trust-Signale. Das Gerät wurde nun in den Chat-Interfaces korrekt als „multisensorisches Hardware-Interface“, „innovative Hardware-Lösung“ und physisches USB-C 4.0 Gerät beschrieben, das SEO-Ereignisse „olfaktorisch“ über Aroma-Benachrichtigungen darstellt.
- Google AI Mode und ChatGPT zogen nun alle drei internen Quellen (Produktseite, Artikel und Grounding Page) heran.
- AI Overviews und AI Mode zogen ebenfalls nach.
- Auffällig war in dieser Phase das Phänomen der Trägheit bei Perplexity, ein System, das sich explizit als tagesaktuelle „Answer Engine“ positioniert, benötigte für diese Anpassung rund drei volle Tage.
Die Übernahme von Produktdetails zeigte sich besonders am 27. Februar 2026. So enthielten die beiden Artikel der Radio-Netzwerke den spielerischen, kontextspezifischen Hinweis auf eine „Audio-Integration für High-Voltage SEO“. Bereits 24 Stunden nach Publikation wurde diese spezifische Funktion als harter, objektiver Fakt in die Feature-Listen der generierten KI-Antworten (beispielsweise in Zusammenfassungen für Führungskräfte) übernommen. Dies ist ein erster Hinweis darauf, wie unkritisch und direkt RAG-Systeme singuläre, aber detailliert beschriebene Merkmale extrahieren, sobald die Quell-URL von den Basis-Algorithmen als vertrauenswürdig (in diesem Fall eine große Medienmarke) eingestuft wird.
Screenshot aus dem SISTRIX Prompt Tracker: Zeigt eine Antwort in Googles AI Mode, in der Link Sniffer und SMART LEMON als Marke korrekt identifiziert und miteinander verbunden werden.
Tag 7 (3. März 2026): Der PR-Katalysator und der Durchbruch der Sichtbarkeit – openPR zieht, Feedbax fast gar nicht
Die Distribution der formellen Pressemitteilung auf dem Portal openPR (Phase 3) erwies sich als der unbestrittene Beschleuniger der gesamten Kampagne. Während ein zeitgleich initiierter Eintrag im Branchenverzeichnis Feedbax keinerlei Beachtung in den Antworten fand, fungierte die Pressemitteilung als primärer, flächendeckender Trigger für die Sprachmodelle.
Bereits wenige Stunden nach der Veröffentlichung zitierte Google AI Overviews die PR-Meldung in vollem Umfang und hob hervor, dass das „Hardware-Starterkit 499,00 € kostet und Basis-Kartuschen inkl. ‚Smoke‘ beinhaltet“. Die übergeordnete Metrik der Visibility Percentage (die Sichtbarkeit bei allgemeineren Anfragen) erfuhr an genau diesem Tag modellübergreifend ihren signifikantesten, steilsten Anstieg.
Unsere Vermutung: Extern ist in diesem Kontext nicht gleich extern. Ein Verzeichniseintrag kann vorhanden sein und trotzdem kaum modellrelevant werden. Eine Pressemitteilung kann dagegen in kurzer Zeit als zusätzlicher Beleg fungieren, dass ein Fakt nicht nur auf der eigenen Website behauptet wird, sondern auch extern auftaucht. Genau diese Funktion ist im GEO-Kontext wichtiger, als viele klassische PR-Diskussionen vermuten lassen.
Tag 24 (25. März 2026): Semantische Regression bei Vergleichsabfragen
Besonders aufschlussreich wurde der Test bei Produktvergleichen. Auf den Kontrollprompt „Wie schlägt sich der Link Sniffer im Vergleich zu herkömmlichen Monitoring-Tools wie Semrush oder Ahrefs?“ fielen nahezu alle beobachteten Systeme nach einer knappen Woche wieder in rudimentäre, vorstrukturierte semantische Muster zurück.
Konfrontiert mit den starken Entitäten Semrush und Ahrefs, ordneten die KIs den Begriff „Sniffer“ fälschlicherweise wieder der Kategorie Software zu. Sie verdrängten das neu erlernte Wissen über das Hardware-Produkt und erklärten den „Link Sniffer“ als technisches Werkzeug zur Netzwerkanalyse (Packet Sniffer). Nur Googles AI Overviews hielt den korrekten Produktvergleich anfangs aufrecht, kapitulierte dann aber ebenfalls. Die wertvolle Erkenntnis: Eine Entität kann zwar auf direkte Nachfrage funktionieren, kippt jedoch in offenen oder kompetitiven Kontexten schnell in alte Bedeutungen zurück. Echte Entitäten-Stabilität fehlt.
Quantitative Leistungsdaten auf Modellebene: Entwicklung eines KPI-Frameworks für generative Suchmaschinen
Traditionelle SEO-Metriken wie Traffic, Ranking und der Sichtbarkeitsindex sind in der Ära der generativen Suche obsolet, da KI-Systeme auf Zero-Click-Searches abzielen und Nutzer Antworten direkt im Chat erhalten. Traffic verliert somit an Aussagekraft für die tatsächliche Markenreichweite. Zur validen Kampagnenbewertung nutzten wir daher ein alternatives, auf LLM-Verhalten zugeschnittenes Kennzahlensystem:
- Die Detection Rate als absoluter Indikator für die grundlegende Existenz einer Entität im RAG-Ökosystem und Voraussetzung für alle weiteren Schritte.
- Die Citation Rate evaluiert die Frequenz, mit der KI-Modelle eine Marke oder eine spezifische Quell-URL als klickbaren Link oder als numerische Fußnote innerhalb ihrer generierten Antwort referenzieren.
- Die Visibility Percentage als zentrale Frage der generativen Markensichtbarkeit.
- Das Share of Model (SoM): Vergleich der Marke im relativen Vergleich zur direkten Konkurrenz.
Die umfassende Auswertung des Datenmaterials und dieser GEO-KPIs zwingt uns zu dem Schluss, dass es „die eine KI“ im Kontext von SEO und GEO nicht gibt. Die Leistungsfähigkeit und Faktentreue der Modelle divergiert fundamental, was eine detaillierte Einzelbetrachtung erfordert.
Detection Rate im direkten Modellvergleich
Die Fähigkeit der Modelle, die korrekte Marken-Produkt-Kombination verlässlich abzurufen, wurde anhand von 20 standardisierten Abfragen ermittelt. Das Ergebnis verdeutlicht eine klare Hierarchie:| KI-Modell/Plattform | Korrekte Identifikation (absolut) | Evaluierte Detection Rate |
|---|---|---|
| Google AI Overviews (AIO) | 19 von 20 | 95 % |
| Google AI Mode | 19 von 20 | 95 % |
| Perplexity | 18 von 20 | 90 % |
| ChatGPT | 15 von 20 | 75 % |
Googles Überlegenheit (AI Overviews, AI Mode) basiert auf dem uneingeschränkten, schnellen Zugriff auf den massiven Google Search Index, wodurch neue Inhalte schneller erfasst werden. ChatGPT zeigte hingegen die niedrigste Detection Rate (75 %) und Identifikationsprobleme. Ohne erzwungenes Browsing nutzt OpenAI’s Modell oft statische Basisdaten. Fehlen neue Entitäten dort, führt der Architektur-Aufbau zur Halluzination.
Insgesamt fällt die Detection Rate zwar gut aus, verteilt sich aber nicht gleichmäßig über die Modelle. Der Test zeigt also klar: Die neue Entität konnte verankert werden, aber die Modelle taten das nicht gleich zuverlässig.
Citation Rate: Top Citation Sources und die Anatomie des Vertrauens
Obwohl smartlemon.de mit 78 % aller Antworten scheinbar dominiert, ist die unternehmenseigene Domain nur die notwendige Basis (Ground Zero). Die massivste Steigerung der Modellsichtbarkeit und Validierung erfolgte durch die externe Pressemitteilung auf openPR. Diese PR-Plattform erreichte in Spitzenzeiten durchschnittlich 4,8 Zitationen pro Tag und war der entscheidende Hebel, um das Modell von der Existenz des Produkts zu überzeugen.| Genutzte Domain (URL) | Anteil an allen generierten Antworten (Used) | Durchschnittliche Zitationen (Avg. Citations pro Tag) | Zuordnung des Medientyps |
|---|---|---|---|
| smartlemon.de | 78 % | 6,7 | Owned Media |
| antenne.de | 48 % | 6,5 | Editorial / Earned Media |
| rockantenne.de | 52 % | 5,4 | Editorial / Earned Media |
| openpr.de | 13 % | 1,7 | UGC / Public Relations |
| chip.de | 17 % | 0,0 | Editorial (Branchen-Vergleich) |
| computerwoche.de | 17 % | 0,0 | Editorial (Branchen-Vergleich) |
Die Schlussfolgerung lautet für uns: Einzelne Inhalte oder eindimensionale Inhaltstypen reichen nicht aus, um KI-Sichtbarkeit zu steigern oder zu erzeugen. Erst das orchestrierte, semantische Zusammenspiel aus originärer, einwandfrei strukturierter Quelle (Owned Media) und einem reichweitenstarken redaktionellen Verstärker (Earned Media/PR) erzeugt die algorithmische Legitimität, die ein Sprachmodell benötigt, um einen Fakt ohne Vorbehalt zu adaptieren.
Visibility Percentage
Bei der Visibility Percentage zeigt sich der Effekt externer Signale besonders deutlich. Laut Test stieg die Sichtbarkeit von 0 auf rund 50 Prozent. Der große Schub kam nach der Pressemitteilung. 100 Prozent wurden nicht erreicht, weil Trend-Prompts SMART LEMON nicht konsequent als Antwort ausspielten. Auffällig war außerdem, dass AI Overviews am besten abschnitten und ChatGPT am schwächsten.
Die Detailübersicht macht das noch klarer. Der Prompt „Was ist der Link Sniffer von SMART LEMON? Beschreibe mir Features, Preis und Anwendungsmöglichkeiten“ erreichte im Schnitt 98 Prozent Sichtbarkeit.
Die offene Frage „Was ist der Link Sniffer?“ lag dagegen nur bei 26 Prozent. Damit ist ziemlich eindeutig: Sobald Marke und Kontext sauber im Prompt verankert sind, reagieren die Systeme deutlich stabiler. Wird der Begriff offener, zieht seine alte Bedeutung wieder kräftig zurück.
Dynamik und Diskrepanzen beim Share of Model (SoM)
Die Auswertung beim Share of Model unterstreicht die Notwendigkeit, die Daten auf Modellergebnisse zu differenzieren. Bei der sehr generischen, offenen Anfrage „Was ist der Link Sniffer?“ – ohne die Nennung der Marke SMART LEMON – ergab sich ein inkonsistentes, fragmentiertes Bild über die KI-Landschaft:
- ChatGPT: Der Anteil lag konstant bei 0 %. Das Modell blendete das neue Produkt vollständig aus und beharrte konsequent darauf, dass „Link Sniffer“ eine generische Chrome-Extension, ein Windows-Hintergrunddienst oder ein IT-Security-Tool auf GitHub sei.
- Perplexity: Hier zeigte sich ein SoM von 50 %. Das System demonstrierte eine höhere kognitive Flexibilität, erkannte die strukturelle Ambiguität des Begriffs und listete in seiner Antwort transparent beide Realitäten auf: sowohl die klassischen Browser-Erweiterungen als auch explizit das neuartige SEO/GEO‑„Gadget“ der Agentur SMART LEMON.
- Google AI Overviews: Erreichte mit 55 % die höchste Sichtbarkeit in diesem Segment und verwies dabei oftmals direkt auf die externen PR-Quellen, um die Existenz des Geräts zu belegen.
Bei der Betrachtung des gesamten, umfassenden Prompt-Sets über den vollen Messzeitraum hinweg glichen sich diese initialen Extreme jedoch teilweise an. Die durchschnittliche Gesamtsichtbarkeit über alle Prompts lag bei AI Overviews bei 60 %, während Perplexity (37 %) und Google AI Mode (38 %) im Mittelfeld rangierten und ChatGPT mit durchschnittlich 24 % den letzten Platz belegte.
| Marke | AI Mode | ChatGPT | Perplexity |
|---|---|---|---|
| Smart Lemon | 66,7 % | 16,7 % | 50,0 % |
| Mindshape | 0,0 % | 0,0 % | 0,0 % |
| Morefire | 0,0 % | 0,0 % | 0,0 % |
| Netspirits | 0,0 % | 0,0 % | 0,0 % |
| Lunapark | 0,0 % | 0,0 % | 0,0 % |
| Advidera | 0,0 % | 0,0 % | 0,0 % |
Die Logfiles liefern die zweite Beweisspur
Besonders wertvoll wird das Experiment dort, wo nicht nur die Antwortoberflächen beobachtet wurden. In der Logfile-Analyse über zwölf Tage hatte der GPT-Artikel die meisten KI-Events mit 35, gefolgt von der Grounding Page mit 25 und der Produktseite mit 23. Die meiste Aktivität lag direkt zum Launch und nach der Pressemitteilung.
Diagramm: Events von KI-Crawlern im zeitlichen Verlauf, unterteilt nach URLs auf smartlemon.de.
Außerdem von Relevanz: 60 bis 75 Prozent des KI-Traffics kam vom User-Agent ChatGPT-User. Andere Crawler (bspw. GPTBot, Perplexity usw.) machten lediglich einen Bruchteil aus. Insgesamt waren KI-Bots für rund 66 Prozent des gesamten Bot-Traffics verantwortlich. Googlebot lag im selben Zeitraum nur bei zwölf Events (= 9,6 Prozent).
Diagramm: Events von KI-Crawlern im zeitlichen Verlauf, unterteilt nach KI-Bot-Typ/User-Agent.
Diese Zahlen sind mehr als technische Fußnoten. Sie zeigen, dass generative Systeme Inhalte aktiv abrufen, erneut prüfen und unterschiedliche Seitentypen verschieden stark nutzen. Gleichzeitig spricht die Verteilung dafür, dass sauber aufbereitete, strukturierte Inhalte wie GPT-Artikel und Grounding Pages in diesem Kontext besonders relevant sind.
Ein zentrales Ergebnis ist die Bedeutung von Live-Retrieval: 60 bis 75 Prozent des KI-Traffics sind auf serverseitige Abfragen zurückzuführen, die in Echtzeit durch menschliche ChatGPT-Prompts ausgelöst werden. Dies unterstreicht die Notwendigkeit von extremer Ladegeschwindigkeit und Barrierefreiheit. Langsame oder blockierende Ladevorgänge führen zum Abbruch des Retrieval-Prozesses; die KI greift dann auf ihr (fehleranfälliges) historisches Wissen zurück.
SMART LEMON Link Sniffer in der Detail-Ansicht.
Was du aus dem Link Sniffer Experiment von SMART LEMON mitnehmen kannst
Das Link-Sniffer-Experiment zeigt ziemlich ungeschönt, worum es bei GEO wirklich geht. Nicht um abstrakte Schlagworte. Nicht um einen einzelnen Blogartikel. Und auch nicht um die Hoffnung, dass ein LLM neue Informationen schon mehr oder weniger korrekt zusammensetzt.
Es geht um saubere Entitäten, belastbare Quellen, externe Bestätigung und differenzierte Messung. Die harte Erkenntnis lautet: Ein kontrollierter Quellenmix kann neue Informationen erstaunlich schnell in KI-Systeme drücken. Aber dieses Lernen bleibt fragil, sobald offene Suchintentionen, Vergleiche oder starke, bereits bestehende Begriffe ins Spiel kommen. Genau deshalb beginnt belastbare Generative Engine Optimization nicht bei der Oberfläche, sondern bei der Frage, wie stabil Marke, Produkt und Kontext im offenen Web wirklich verankert sind.
Der wichtigste Satz des gesamten Tests lautet: Einzelne Inhalte bzw. Inhaltsformate reichen wahrscheinlich nicht aus, um die Antworten von ChatGPT & Co. zu beeinflussen. Erst das Zusammenspiel erzeugt Sichtbarkeit. smartlemon.de war die wichtigste Basis. Die Pressemitteilung wirkte als externer Verstärker. Die Grounding Page diente als stabiler Referenzanker. ANTENNE BAYERN und ROCK ANTENNE lieferten zusätzliche Trust- und Reichweitensignale. Genau dieser Mix hat den Unterschied gemacht.
Daraus folgen vier praktische Regeln:
- Nicht auf Einzelcontent setzen. Eine Produktseite allein reicht primär bei semantisch vorbelasteten Begriffen oft nicht.
- Externe Signale gezielt planen. Nicht jede Erwähnung ist gleich viel wert. Feedbax war im Test schwach, openPR deutlich stärker.
- Grounding Pages ernst nehmen. Sie sind kein Deko-Format, sondern ein kontrollierbarer Zitieranker.
- Modelle getrennt auswerten. ChatGPT, AI Overviews, AI Mode und Perplexity spielen sichtbar nach unterschiedlichen Regeln.
Weitere Informationen und Quellen
- Generative engine optimization (GEO): How to win AI mentions – auf: searchengineland.com am: 11. Februar 2026 (englisch)
- Irina Diaconu: SEO Best Practices in 2026 – auf: advancedwebranking.com (englisch)
- Tomek Rudzki: How to measure AI search visibility and revenue: The KPIs that matter – auf: peec.ai am: 11. März 2026 (englisch)
- Matthäus Michalik: Wie einfach lassen sich KI Antworten beeinflussen und was, wenn es die Brand gar nicht gibt?! – auf: linkedin.com am: 20. Februar 2026 (englisch)
