- Home
- Blog
- Sentiment Score: Was KI-Modelle wirklich über deine Marke sagen
Der Sentiment Score misst, mit welcher Tonalität KI-Modelle über deine Marke sprechen. Du tauchst in KI-Antworten auf. Deine Visibility Percentage ist solide, dein Share of Model im Wettbewerbsvergleich respektabel. Und trotzdem stagniert die Nachfrage. Möglicherweise liegt das Problem nicht daran, ob eine KI deine Marke nennt, sondern daran, wie. Genau das misst der Sentiment Score: die Tonalität, mit der KI-Modelle über deine Marke sprechen. Und in der Generative Engine Optimization ist er der Unterschied zwischen einer Empfehlung und einer Warnung.
TL;DR Sentiment Score auf einen Blick
- Sentiment Score bewertet die Tonalität von KI-Antworten, wenn deine Marke erwähnt wird: auf einer Skala von positiv über neutral bis negativ. Die meisten Marken-Scores liegen laut Peec AI zwischen 65 und 85.
- Negatives Sentiment wirkt in der Generative Engine Optimization ähnlich wie ein NoIndex-Tag in der klassischen SEO: KI-Modelle meiden Marken aktiv, deren digitaler Fußabdruck kritische Signale aussendet.
- Sentiment lässt sich durch gezielte Content- und PR-Maßnahmen aktiv verbessern. Der Schlüssel ist, die richtigen digitalen Signale zu setzen, bevor das nächste Modell-Training stattfindet.
Was ist der Sentiment Score?
In der klassischen SEO ist Reputation etwas Diffuses: schwer zu messen, noch schwerer direkt zu beeinflussen. In der Generative Engine Optimization wird Reputation zur harten Kennzahl. Der Sentiment Score misst die Tonalität der Sprache, die KI-Modelle verwenden, wenn sie deine Marke nennen:
Sentiment Score = Bewertung der Sprache in KI-Markennennungen auf einer Skala von 0 (stark negativ) bis 100 (stark positiv)
Dabei analysiert das System konkrete Sprachsignale: Positive Indikatoren sind Begriffe wie „vertrauenswürdig“, „führend“, „innovativ“ oder „zuverlässig“. Neutrale Sprache beschreibt sachlich ohne emotionale Färbung. Negative Indikatoren umfassen kritische Formulierungen, ausgedrückte Bedenken oder direkte Warnungen.
Was macht das zu einer harten GEO-Metrik? KI-Modelle geben keine wertneutralen Listen aus. Sie aggregieren das Sentiment aus tausenden Quellen in ihren Trainingsdaten und destillieren daraus eine Einschätzung, die dann in der Formulierung ihrer Antwort spürbar wird. 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 Marke existiert im Index, wird aber trotzdem nicht ausgespielt.
Screenshot: der Sentiment Score der eigenen Brand (SMART LEMON) aus dem Tool peec.ai
Wie KI-Modelle Sentiment bewerten und wo es herkommt
Um den Sentiment Score zu verstehen und zu beeinflussen, hilft es, zu wissen, wie KI-Systeme Tonalität überhaupt erfassen. Der Prozess läuft in mehreren Schritten ab:
- Zunächst verarbeitet das Modell den eingehenden Text in Tokens und analysiert dabei nicht nur einzelne Wörter, sondern deren Beziehungen im Kontext. Das erlaubt es, Nuancen wie Ironie, eingeschränktes Lob oder implizite Kritik zu erfassen. Also Formulierungen, die ein simples Keyword-Matching übersehen würde.
- Im nächsten Schritt klassifiziert das Modell die Gesamttonalität in positive, neutrale oder negative Kategorien, teilweise mit einem Konfidenzwert.
- Fortgeschrittene Systeme gehen noch weiter und führen eine aspektbasierte Analyse durch. Sie bewerten Sentiment nicht nur für die Marke insgesamt, sondern für einzelne Aspekte wie Kundenservice, Produktqualität oder Preis-Leistungs-Verhältnis.
Das Entscheidende für deine GEO-Strategie: Das Sentiment, das KI-Modelle über deine Marke ausgeben, spiegelt nicht notwendigerweise die aktuelle Realität wider. Es spiegelt wider, was in den Trainingsdaten dominant war. Sprich: Welche Quellen, Bewertungen und Artikel hat das Modell zum Zeitpunkt seines letzten Trainings gesehen? Ein veralteter kritischer Artikel in einer autoritären Publikation kann das Gesamtsentiment stärker belasten als hundert positive Kundenbewertungen auf einer schwach verlinkten Seite.
Praxisbeispiel: Was ein schlechter Sentiment Score konkret bedeutet
Schauen wir uns an, wie sich ein Sentiment-Problem in der Praxis darstellt und wie wir die oben skizzierte Formel anwenden können. Auch hier wieder am Beispiel von SMART LEMON. Ausgangspunkt: Eine Sentiment-Analyse über 80 Prompt-Durchläufe pro Modell mit der Grundintention „SEO-Agentur mit GEO-Expertise in Deutschland“.
| Plattform | Sentiment Score | Tonalität |
|---|---|---|
| ChatGPT | 78 | Positiv – „erfahrene Agentur, stark in technischem SEO und GEO“ |
| Google AI Overviews | 61 | Neutral/gemischt – „Agentur mit SEO-Fokus, vereinzelte Kritik an Reaktionszeiten“ |
| Google AI Mode | 71 | Positiv – „spezialisierter Anbieter für KI-Sichtbarkeit“ |
Wie können wir diese Daten nun bewerten?
ChatGPT und Google AI Mode zeigen gesundes, positives Sentiment. Die Trainingsdaten dieser Modelle spiegeln SMART LEMONs Positionierung als GEO-Spezialist korrekt wider. Google AI Overviews dagegen weist mit 61 einen auffällig niedrigeren Wert auf. Ursache nach tieferer Analyse: ein älterer Blogbeitrag eines Kunden, der Kommunikationsprobleme während eines Projekts beschrieb. Diese sind seit Langem gelöst, aber noch im Datenkorridor des Modells präsent.
Genau das ist das Tückische an Sentiment-Problemen in der GEO: Sie entstehen oft nicht aus aktuellen Ereignissen, sondern aus vergangenem digitalem Material, das unverhältnismäßig stark gewichtet wird. Die Lösung liegt hier nicht im Löschen – das ist in den meisten Fällen nicht möglich –, sondern im gezielten Überlagern mit starken, positiveren Signalen.
Wie du deinen Sentiment Score aktiv verbesserst
Ein schlechter Sentiment Score ist kein finales Urteil, aber ein ernst zu nehmender Hinweis auf konkrete Lücken im digitalen Fußabdruck einer Marke. Drei Hebel haben sich in der Praxis als besonders wirksam erwiesen:
- Authoritative Content schaffen, der das Narrativ setzt. KI-Modelle gewichten Quellen nach Autorität und Aktualität. FAQs, „Über uns“-Seiten mit klar formulierten Werten, Fallstudien und Pressemitteilungen sind die Ankerpunkte, an denen das Modell das Selbstbild deiner Marke ablesen kann. Vage Marketingtexte werden von Modellen oft als neutral oder inhaltsleer eingestuft – präzise, faktenbasierte Inhalte dagegen liefern klare Sentiment-Signale.
- Earned Media gezielt steuern. Redaktionelle Erwähnungen in Fachmedien, Interviews, Gastbeiträge und Branchenauszeichnungen sind die stärksten externen Sentiment-Signale. Sie stammen im Idealfall aus Quellen, denen die KI-Modelle eine hohe Autorität zusprechen. Ist dies der Fall, können sie langfristig negative Einträge überlagern. Allerdings ist hier Geduld angesagt: Der Effekt wird erst sichtbar, wenn das nächste Modell-Training die neuen Signale verarbeitet hat.
- Sentiment regelmäßig monitoren und früh reagieren. Ein Sentiment-Problem, das sechs Monate unbemerkt bleibt, ist schwerer zu korrigieren als eines, das sofort erkannt wird. Spezialisierte Tools wie Peec AI oder SISTRIX ermöglichen kontinuierliches Monitoring der Tonalität über alle relevanten KI-Plattformen hinweg. Das Ziel ist nicht Perfektion, sondern frühzeitige Erkennung von Verschiebungen – bevor ein einzelnes kritisches Signal Übergewicht bekommt.
Sentiment Score im Kontext: das vollständige GEO-KPI-Set
Der Sentiment Score ist der finale, zugleich auch qualitativste Baustein im vollständigen GEO-Metriken-Set. Diese GEO-Kennzahl ist die ehrlichste Antwort auf die Frage, was KI-Modelle wirklich über deine Marke denken. Nicht was du möchtest, dass sie denken, sondern was der digitale Fußabdruck, den du hinterlassen hast, ihnen erzählt.
Die gute Nachricht: Dieser Fußabdruck ist gestaltbar. Wer frühzeitig damit beginnt, die richtigen Signale zu setzen, sichert sich einen strukturellen Vorteil auf einem Kanal, der gerade erst dabei ist, sein volles Gewicht zu entfalten.
Aber auch bei dieser Kennzahl aus dem GEO gilt: Erst im Zusammenspiel mit den anderen KPIs entfaltet sie ihre volle Aussagekraft:
- Detection Rate ist die technische Grundvoraussetzung des gesamten Sets: Sie prüft, ob das Modell deine Marke auf direkte Nachfrage überhaupt korrekt identifiziert. Eine Detection Rate von null macht jeden anderen KPI-Wert schwer interpretierbar. So könnte das Modell beim Nennen deines Markennamens eine andere Entität meinen.
- Visibility Percentage misst, in wie viel Prozent der Prompts deine Marke überhaupt auftaucht, unabhängig von Position oder Häufigkeit. Sie ist die Voraussetzung für alle anderen KPIs: Wer nicht weiß, ob er sichtbar ist, kann weder Share of Model noch Sentiment sinnvoll interpretieren.
- Share of Model setzt deine Nennungen ins Verhältnis zur Gesamtzahl aller Markennennungen im Cluster und zeigt deine relative Wettbewerbsposition. Er beantwortet nicht nur, ob du sichtbar bist, sondern auch, wie stark du im Vergleich zur Konkurrenz stehst.
- Citation Rate geht einen Schritt weiter und fragt, in wie vielen dieser Antworten deine Marke als klickbarer Link oder Fußnote ausgegeben wird. Sie ist der entscheidende Faktor für tatsächlichen Traffic aus KI-Antworten.
- Sentiment Score bewertet, ob die KI deine Marke positiv empfiehlt, neutral erwähnt oder kritisch einordnet. Auch dieser KPI setzt eine messbare Präsenz voraus. Er ist die qualitative Ergänzung zur quantitativen Visibility.
Wer alle Metriken gemeinsam trackt, hat ein vollständiges Lagebild der eigenen Generative Engine Optimization und die Grundlage, um Maßnahmen nicht nach Bauchgefühl, sondern nach Datenlage zu priorisieren.
Du willst wissen, mit welcher Tonalität ChatGPT, Google AI Overviews und Google AI Mode aktuell über deine Marke sprechen? Wir analysieren deinen Sentiment Score modellspezifisch und zeigen dir, welche Quellen das Narrativ prägen – und wie du es veränderst. Sprich uns an.
Häufige Fragen und Antworten zum Sentiment Score als GEO-KPI
Was ist der Unterschied zwischen dem Sentiment Score und klassischem Reputationsmanagement?
Klassisches Reputationsmanagement beobachtet, was Menschen über deine Marke sagen: in Bewertungen, auf Social Media, in der Presse. Der Sentiment Score in der GEO misst, wie KI-Modelle diese Signale aggregiert haben und in ihren Antworten widerspiegeln. Das sind zwei verschiedene Ebenen: Eine Marke kann in diesem Kontext über hervorragende Google-Bewertungen verfügen und trotzdem einen schwachen KI-Sentiment-Score aufweisen. Warum? Weil KI-Modelle Textquellen mit hoher fachlicher Autorität stärker als Bewertungsplattformen gewichten.
Wie oft verändert sich der Sentiment Score einer Marke?
Langsamer als man hofft. KI-Modelle werden in Trainingszyklen aktualisiert, nicht in Echtzeit. Veränderungen im digitalen Fußabdruck (z. B. neue Presseartikel, aktualisierte Inhalte, neue Backlinks) werden erst im nächsten Trainingslauf wirksam. Maßnahmen, die du heute einleitest, können erst nach Wochen oder Monaten im Sentiment Score sichtbar werden. Umso wichtiger ist es, kontinuierlich zu optimieren, anstatt nur auf Probleme zu reagieren.
Kann ein niedriger Sentiment Score zu einer geringeren Visibility Percentage führen?
Ja, das ist der direkte Zusammenhang zwischen beiden Metriken. KI-Modelle sind darauf ausgelegt, Nutzern nützliche, vertrauenswürdige Empfehlungen zu geben. Marken mit negativem Sentiment werden aktiv seltener in Antworten eingebunden. Die Modelle vermeiden es in der Regel, eine Empfehlung auszusprechen, der sie selbst nicht vertrauen. Schlechtes Sentiment drückt also mittelfristig auch die Visibility Percentage.
Was sind typische Ursachen für einen unerwartet niedrigen Sentiment Score?
Die häufigsten Ursachen sind: veraltete kritische Berichterstattung in Quellen mit hoher Autorität, negative Bewertungen auf Plattformen mit hohem Crawling-Gewicht, unausgewogene Wikipedia-Einträge oder Branchenverzeichnisse sowie Falschinformationen, die aus obskuren Quellen stammen und dennoch im Modell persistent sind. Auch fehlende oder dünne positive Inhalte können Ursache sein: Wenn das Modell schlicht zu wenig qualifiziertes Material über eine Marke findet, neigt es zu neutralem oder vorsichtig negativem Framing.
Weitere Informationen und Quellen zu Citation Rate und Detection Rate
- Sentiment – auf: docs.peec.ai (englisch)
- Kai Spriestersbach: KI-Empfehlungen sind ein Glücksspiel: Was die neue SparkToro-Studie für GEO bedeutet – auf: afaik.de am 19. Februar 2026 (deutsch)
- Leigh McKenzie: Generative engine optimization (GEO): How to win AI mentions – auf: searchengineland.com am 11. Februar 2026 (englisch)
- Johannes Beus: Der Weg zur AI-Citation: Was die 100 meistzitierten Webseiten richtig machen – auf: sistrix.de am 13. November 2025 (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)
- Genie Jones: Sentiment Analysis in GEO – auf: waikay.io, am: 11. April 2025 (deutsch)
