Wie konsistent sind KI-Antworten? Das zeigen 968 Prompt-Durchläufe

KI-Antworten auf denselben Prompt ändern sich häufig, und die zitierten Quellen schwanken dabei weit stärker als die genannten Marken. Wir haben 42 Prompt-Engine-Paare zwischen dem 13. Februar und dem 14. Oktober 2026 in AI Rank Lab verfolgt und insgesamt 968 Mal wiederholt abgefragt. Bei 18 der 42 Paare (42,9 %) wechselte die Antwort mindestens einmal zwischen „Marke genannt“ und „Marke nicht genannt“, und zwei aufeinanderfolgende Durchläufe desselben Prompts überschnitten sich bei den zitierten Domains im Median nur zu 0,41 (Jaccard). Kurz gesagt: Ein einzelner Durchlauf ist eine Stichprobe, keine Messung.

Das hier ist eine Studie mit eigenen Daten. Du bekommst die Zahlen pro Engine, die Methode und ihre Grenzen, einen Abgleich mit veröffentlichten Arbeiten von Profound, Otterly, SparkToro und Forschenden der Universität St. Gallen und eine praktische Antwort auf die zwei Fragen, an denen jeder Report zur KI-Sichtbarkeit irgendwann hängen bleibt: Wie oft solltest du tracken, und wie viele Durchläufe brauchst du, bevor du einer Veränderung traust?

Was haben wir gemessen und wie?

Wir haben gemessen, wie stark sich die Antwort auf denselben Prompt in derselben Engine von einem Durchlauf zum nächsten verändert. Die Daten stammen aus geplanten und manuellen Prompt-Durchläufen im Brand-Visibility-Tracker von AI Rank Lab, der die Prompts eines Nutzers in KI-Engines ausführt und festhält, ob die verfolgte Marke genannt wurde und welche Domains die Antwort zitiert hat. Transparenzhinweis: AI Rank Lab ist unser Produkt, und diese Daten wurden damit erhoben.

Studienparameter	Wert
Zeitraum	Erfolgreiche Durchläufe zwischen 2026-02-13 und 2026-10-14
Einschlusskriterium	Nur Prompt-Engine-Paare mit mindestens 5 erfolgreichen Durchläufen
Stichprobe	42 Prompt-Engine-Paare, 968 Durchläufe (im Schnitt rund 23 Durchläufe pro Paar)
Engines mit qualifizierten Paaren	Gemini (13 Paare), ChatGPT (11), Claude (11), Perplexity (6), Google AI Overview (1). Für Google AI Mode gab es kein Paar mit 5 oder mehr Durchläufen.
Marken	Aus 12 verfolgten Domains, überwiegend Marketing- und Softwaremarken. Keine Kundendomain wird hier genannt.
Typische Zeitspanne pro Paar	Median 25,3 Tage bei ChatGPT, Claude und Gemini; 12,8 Tage bei Perplexity; 37,6 Tage für das einzelne AI-Overview-Paar

Vier Kennzahlen, jeweils pro Paar berechnet und dann über alle Paare als Median (oder Anzahl) zusammengefasst:

• Kippen der Nennung: Die Durchläufe eines Paares waren sich nicht alle einig, ob die Marke genannt wurde. Paare, die nie gekippt sind, wurden entweder „immer genannt“ oder „nie genannt“.
• Jaccard aufeinanderfolgender Durchläufe: Für je zwei direkt aufeinanderfolgende Durchläufe die Zahl der gemeinsam zitierten Domains geteilt durch die Zahl der verschiedenen Domains, die einer der beiden zitiert hat. 1,0 heißt identische Quellenlisten, 0 heißt keine Überschneidung. Wir mitteln diesen Wert innerhalb eines Paares und nehmen dann den Median über alle Paare.
• Domains in jedem Durchlauf: der Anteil aller jemals von einem Paar zitierten Domains, der in wirklich jedem seiner Durchläufe auftauchte.
• Verschiedene Domains über alle Durchläufe vs. pro Durchlauf: wie viele verschiedene Domains das Paar über seine gesamte Historie zitiert hat, geteilt durch die Zahl, die ein einzelner Durchlauf im Schnitt zitierte.

Die Durchläufe laufen über die API der jeweiligen Engine mit eingeschalteter Websuche bzw. Search Grounding, nicht über die Chat-Apps für Endnutzer, und die Bewertungsanweisung nennt die verfolgte Marke, damit die Antwort ausgewertet werden kann. Beide Entscheidungen sind für die Interpretation wichtig; wir kommen im Abschnitt zu den Grenzen der Studie darauf zurück.

Wie oft ändern sich KI-Antworten auf denselben Prompt?

So oft, dass dir ein einzelner Durchlauf wenig verrät. Von allen 42 Paaren kippten 18 (42,9 %) mindestens einmal bei der Markennennung, 19 wurden in jedem Durchlauf genannt und 5 nie. Bei den Quellen teilten sich zwei direkt aufeinanderfolgende Durchläufe desselben Prompts im Median 41 % der Domains, die einer der beiden zitiert hatte. Grob drei von fünf Domains in zwei aufeinanderfolgenden Antworten tauchten also nur in einer davon auf. Das ist der Kernbefund zur Konsistenz von KI-Antworten in unserer Stichprobe: Das Urteil über die Marke ist bei einer großen Minderheit der Prompts instabil, die Quellenliste bei fast allen.

Die wichtigsten Ergebnisse pro Engine

Engine	Paare	Durchläufe	Paare mit gekippter Nennung	Immer / nie genannt	Median-Jaccard aufeinanderfolgender Durchläufe	Median-Anteil der zitierten Domains in jedem Durchlauf	Verschiedene Domains über alle Durchläufe vs. pro Durchlauf
Perplexity	6	224	4 (66,7 %)	2 / 0	0,59	3,8 %	2,43x
ChatGPT	11	239	6 (54,5 %)	1 / 4	0,54	7,7 %	2,29x
Claude	11	226	5 (45,5 %)	6 / 0	0,53	10,0 %	2,61x
Gemini	13	274	3 (23,1 %)	10 / 0	0,26	2,1 %	3,50x
Google AI Overview*	1	5	0 (0 %)	0 / 1	0,41	3,3 %	2,63x
Alle Engines	42	968	18 (42,9 %)	19 / 5	0,41	3,5 %	2,68x

*Ein Paar mit fünf Durchläufen ist eine Anekdote, kein Befund. Wir zeigen es nur der Vollständigkeit halber. Der Jaccard-Wert über alle Engines (0,41) liegt unter dem von drei der vier Haupt-Engines, weil er der Median aller 42 zusammengefassten Paare ist und die 13 Gemini-Paare mit geringer Überschneidung ihn nach unten ziehen.

Welche KI-Engine liefert die konsistentesten Antworten?

Das hängt davon ab, welche Art von Konsistenz du meinst, und in unseren Daten zeigten die beiden Arten in entgegengesetzte Richtungen.

• Die konsistentesten Quellen: Perplexity. Direkt aufeinanderfolgende Durchläufe teilten sich im Median 0,59 der zitierten Domains, der höchste Wert aller Engines. Ein Vorbehalt: Perplexity-Paare liefen dichter, mit rund 37 Durchläufen über im Median 12,8 Tage, gegenüber etwa 20 bis 22 Durchläufen über im Median 25,3 Tage bei den anderen Engines. Zeitlich näher beieinanderliegende Durchläufe haben weniger Gelegenheit auseinanderzudriften, was den Wert schönen könnte.
• Das konsistenteste Markenurteil: Gemini. Nur 3 der 13 Paare (23,1 %) kippten überhaupt, und 10 wurden in jedem Durchlauf genannt. Wir vermuten, dass das vor allem den Prompt-Mix widerspiegelt, der zufällig in Gemini verfolgt wurde, und weniger eine Eigenschaft von Gemini; unsere Stichprobe kann das nicht auseinanderhalten.
• Die am wenigsten konsistenten Quellen: Gemini. Ein Median-Jaccard von 0,26, nur 2,1 % der zitierten Domains in jedem Durchlauf und über die Zeit 3,5-mal so viele verschiedene Domains wie in einem typischen Durchlauf. Gemini nannte die Marke weiterhin, tauschte aber die Seiten aus, auf die es verwies.
• Der höchste Anteil „dauerhafter“ Quellen: Claude. Im Median tauchten 10 % der Domains, die Claude für ein Paar zitierte, in jedem Durchlauf auf, der höchste Wert unter den vier Haupt-Engines.
• ChatGPT lag bei der Quellenüberschneidung im Mittelfeld (0,54) und hatte die meisten Paare, in denen die Marke nie genannt wurde (4 von 11).

Sind Markennennungen stabiler als zitierte Quellen?

Ja. In unseren Daten lieferten 24 von 42 Paaren (19 immer genannt plus 5 nie genannt) in jedem Durchlauf dasselbe Markenurteil, während im Median nur 3,5 % der zitierten Domains jeden Durchlauf überstanden. Veröffentlichte Arbeiten bestätigen das: Otterlys Stabilitätsstudie fand, dass 12 % bis 19 % der Marken in einem 30-Tage-Fenster nur an einem einzigen Tag auftauchten, gegenüber bis zu 67 % der zitierten Quellen, und das St.-Gallen-Paper maß von Tag zu Tag einen Marken-Jaccard von 0,45 bis 0,59 gegenüber 0,34 bis 0,42 bei den Quellen. Wenn du nur eine Zahl berichtest, ist eine Nennungsquote der Marke über ein Zeitfenster stabiler als jede Momentaufnahme nach dem Motto „welche Seiten wurden zitiert“. In unserem Beitrag zu Markennennungen vs. Zitaten erklären wir, warum die beiden getrennte KPIs brauchen.

Warum geben KI-Engines auf dieselbe Frage unterschiedliche Antworten?

Weil eine KI-Antwort am Ende einer ganzen Kette von Schritten steht, und fast jeder dieser Schritte enthält etwas Zufall oder einen Input, der sich bewegt. Die Tabelle zeigt die wichtigsten Ursachen und ob ein Tracking-Setup sie kontrollieren kann.

Ursache der Schwankung	Was sie verändert	Belege	Kann ein Tracker sie kontrollieren?
Token-Sampling und Nichtdeterminismus bei der Inferenz	Formulierung, welche Marken genannt werden, Reihenfolge	Thinking Machines erhielt bei 1.000 identischen Anfragen mit Temperatur 0 genau 80 unterschiedliche Ausgaben	Nein. Die Apps für Endnutzer legen das nicht offen.
Retrieval und Query Fan-out	Welche Seiten abgerufen und zitiert werden	Google sagt, AI Overviews und AI Mode können mehrere verwandte Suchanfragen zu Unterthemen absetzen	Nein. Du kannst es nur wiederholt stichprobenartig erfassen.
Änderungen im Index und im Web	Neue Seiten kommen hinzu, alte fallen weg	Profound maß, dass sich 40,5 % bis 59,3 % der zitierten Domains innerhalb eines Monats änderten	Nein. Das ist echte Veränderung, die du sehen willst.
Modell-Updates	Sprunghafte Veränderungen bei Nennungen und Quellen	Profound berichtet, dass die Drift von Januar bis Juli auf 70 % bis 90 % anwuchs	Teilweise. Modellversionen protokollieren und Rollouts markieren.
Personalisierung, Standort, Gedächtnis	Was ein einzelner Nutzer sieht	Studien halten diese Faktoren konstant, echte Nutzer nicht	Teilweise. Standort und Einstellungen im Tracking fixieren.
Unterschiedliche Produkte desselben Anbieters	Das gesamte Quellenset	Ahrefs fand nur 13,7 % Zitat-Überschneidung zwischen AI Mode und AI Overviews	Ja. Jede Oberfläche getrennt tracken.

Sampling. Sprachmodelle wählen jedes nächste Token aus einer Wahrscheinlichkeitsverteilung, deshalb kann derselbe Prompt unterschiedlichen Text erzeugen. Selbst eine Temperatur von null macht gehostete Modelle nicht vollständig reproduzierbar: Thinking Machines Lab hat denselben Prompt 1.000 Mal mit Temperatur 0 auf Qwen3-235B laufen lassen und 80 unterschiedliche Ausgaben erhalten. Die Ursache sahen sie in Inferenz-Kernels, deren Ergebnisse von der Batchgröße und damit von der Serverlast abhängen.

Retrieval. Antworten mit Websuche hängen davon ab, was die Engine abruft. Googles eigene Dokumentation zu KI-Funktionen sagt, dass AI Overviews (Googles KI-Übersichten) und AI Mode „Query Fan-out“ nutzen können, also mehrere verwandte Suchanfragen zu Unterthemen absetzen, und dass die beiden Funktionen „unterschiedliche Modelle und Techniken verwenden können, sodass die angezeigten Antworten und Links variieren“. Kleine Unterschiede darin, welche Teilanfragen laufen und was sie zurückliefern, verändern die Liste der Zitate. Wie der Mechanismus funktioniert, erklärt unser Beitrag zu Query Fan-out.

Echte Veränderung über die Zeit. Manche Bewegung ist echt: Neue Seiten erscheinen, Rankings verschieben sich, Modelle werden aktualisiert. Profounds Volatilitätsstudie fand, dass sich bei denselben Prompts zwischen Juni und Juli 2025 40 % bis 60 % der zitierten Domains änderten, und die spätere Studie zur Halbwertszeit von Zitaten ergab, dass die mediane zitierte Seite innerhalb von 11 Tagen nach ihrem Höhepunkt die Hälfte ihres Spitzenanteils an Zitaten verliert. Unser Zeitraum umfasst acht Monate, und die Modellversionen waren nicht fixiert. Ein Teil unserer Fluktuation ist also genau diese echte Drift und kein Rauschen.

Unterschiedliche Oberflächen. Selbst innerhalb eines Anbieters unterscheiden sich die Produkte. Ahrefs hat 540.000 Anfragepaare verglichen und festgestellt, dass AI Mode und AI Overviews nur in 13,7 % der Fälle dieselben URLs zitierten, obwohl ihre Antworten zu 86 % semantisch ähnlich waren.

Wie schneiden die Ergebnisse im Vergleich zu Profound, Otterly, SparkToro und St. Gallen ab?

Im Großen und Ganzen stimmen sie überein: Quellenlisten wechseln stark, die Präsenz der Marke ist stabiler, und einzelne Momentaufnahmen führen in die Irre. Die Tabelle stellt die veröffentlichten Zahlen nebeneinander. Die Kennzahlen unterscheiden sich, also vergleiche die Richtung, nicht die Nachkommastellen.

Studie	Veröffentlicht von	Stichprobe	Vergleichbarer Befund
AI Rank Lab (diese Studie)	Anbieter (wir)	42 Prompt-Engine-Paare, 968 Durchläufe, Feb. bis Okt. 2026	Jaccard der zitierten Domains bei aufeinanderfolgenden Durchläufen 0,41; bei 42,9 % der Paare kippte die Markennennung
Don't Measure Once (Schulte, Bleeker, Kaufmann)	Forschende der Universität St. Gallen	32 Prompts auf Schweizerdeutsch, 4 Engines, 45 bis 46 Tage im Zeitraum Jan. bis März 2026	Quellen-Jaccard von Tag zu Tag 0,34 bis 0,42; Wiederholungen innerhalb von 24 Stunden 0,32 bis 0,43; Marken-Jaccard 0,45 bis 0,59
Stabilitätsstudie von Otterly AI	Anbieter	520 Prompts, 7 Engines, 252.407 Antworten, tägliche Durchläufe	ChatGPT und AI Mode nutzten von Tag zu Tag rund 26 % der Quellen erneut, Perplexity rund 75 %
Profound: AI search volatility	Anbieter	Rund 80.000 Prompts pro Plattform, Juni vs. Juli 2025	40,5 % (Perplexity) bis 59,3 % (AI Overviews) der zitierten Domains änderten sich innerhalb eines Monats
Yotpo: How long does an AI citation last?	Anbieter	Commerce-Prompts, wöchentlich über mehr als 14 Wochen	Wöchentliche Zitat-Stabilität 0,30 (ChatGPT) und 0,24 (Gemini)
SparkToro und Gumshoe (via Search Engine Journal)	SparkToro mit einem Tracking-Anbieter	2.961 Prompt-Durchläufe durch Freiwillige in ChatGPT, Claude, Google AI	Dieselbe Markenliste in weniger als 1 von 100 Fällen; Markenpräsenz stabiler als die Reihenfolge

Mit Ausnahme des St.-Gallen-Papers stammt jede Studie in dieser Tabelle von einem Unternehmen, das Tracking für KI-Sichtbarkeit verkauft, uns eingeschlossen. Das solltest du im Hinterkopf behalten, wenn eine von ihnen, unsere eingeschlossen, zu dem Schluss kommt, dass du mehr tracken musst.

Wo wir übereinstimmen. Unsere Quellenüberschneidung von insgesamt 0,41 liegt innerhalb der St.-Gallen-Spanne (0,34 bis 0,42 von Tag zu Tag). Dass Perplexity die quellenstabilste Engine ist, deckt sich mit Otterly (rund 75 % Wiederverwendung von Tag zu Tag) und Profound (geringste monatliche Drift mit 40,5 %). Dass die Markenpräsenz stabiler ist als die Quellen, deckt sich mit Otterly, St. Gallen und SparkToro.

Wo wir uns unterscheiden. Bei den Wiederholungen innerhalb von 24 Stunden in der St.-Gallen-Studie war Gemini die quellenstabilste Engine (Jaccard 0,505) und Perplexity eine der am wenigsten stabilen (0,282), also genau umgekehrt wie in unserem Ranking. Deren Durchläufe waren auf Deutsch, liefen über Schweizer Server und dauerten wenige Tage; unsere sind überwiegend englischsprachige Marketing- und Software-Prompts, verteilt über Wochen. Stabilitäts-Rankings von Engines lassen sich nicht einfach auf andere Märkte und Setups übertragen. Genau deshalb solltest du eine eigene Baseline pro Engine aufbauen, statt die von jemand anderem zu übernehmen, unsere eingeschlossen.

Und Peec AI? Bis zum 18. Oktober 2026 haben wir von Peec AI keine veröffentlichte Stabilitätskennzahl aus wiederholten Durchläufen gefunden. Die Preisseite beschreibt die Tracking-Abdeckung als verfolgte Prompts multipliziert mit aktiven Modellen und Tracking-Frequenz und die Sichtbarkeitsübersicht als täglich getrackt, was auf denselben fensterbasierten Ansatz hindeutet.

Ist eine einzelne Momentaufnahme der KI-Sichtbarkeit verlässlich?

Nein. In unserer Stichprobe hätten 43 % der Prompt-Engine-Paare je nach betrachtetem Durchlauf ein anderes Markenurteil geliefert, und ein typischer Einzeldurchlauf zeigte deutlich weniger als die Hälfte der Domains, die das Paar über die Zeit zitierte (das Verhältnis von 2,68x bei den verschiedenen Domains bedeutet, dass ein Durchlauf ungefähr 37 % des späteren Quellenpools eines Paares erfasste). Die Freiwilligen von SparkToro stellten fest, dass ChatGPT und Googles KI in weniger als einem von 100 Durchläufen dieselbe Markenliste ausgaben. Ein Screenshot beweist, dass es eine Antwort einmal gab. Über deine Sichtbarkeit sagt er nichts.

Was sollten Reports zur KI-Sichtbarkeit statt Momentaufnahmen zeigen?

Quoten über Zeitfenster. Ersetze „Wurden wir genannt?“ durch „In welchem Anteil der Durchläufe wurden wir in den letzten N Tagen genannt, und bei wie vielen Durchläufen insgesamt?“. Hier ist das Reporting-Setup, das wir empfehlen und aus dem auch diese Daten stammen:

1. Das Prompt-Set fixieren. Halte pro Engine eine stabile Liste von Prompts, damit sich der Nenner nicht verschiebt. Wer die Prompts ändert, verändert die Kennzahl stärker als die meisten echten Verschiebungen; Profounds Test zu „einmal am Tag“ ergab, dass die Auswahl des Prompt-Portfolios den Zitatanteil etwa um eine Größenordnung stärker bewegte als die Drift von Tag zu Tag.
2. Nach Zeitplan laufen lassen. Täglich ist der übliche Standard. In AI Rank Lab erledigen geplante Prompt-Durchläufe das automatisch für ChatGPT, Claude, Gemini und Perplexity und speichern jeden Durchlauf; so sind auch die Daten in diesem Artikel zusammengekommen.
3. Die Nennungsquote über ein Zeitfenster berichten. Durchläufe mit Nennung geteilt durch alle Durchläufe, über 14 bis 28 Tage, mit der Zahl der Durchläufe direkt neben der Quote.
4. Den Zitatanteil separat berichten. Verfolge, welche deiner URLs über das gesamte Zeitfenster zitiert werden, nicht in einem Durchlauf. Rechne damit, dass die Liste rotiert; schau auf den Anteil, nicht darauf, wer gerade drin ist. Eine Möglichkeit dafür ist unser Citation-Tracker.
5. Engines getrennt halten. Unsere Engines unterschieden sich darin, welche Art von Stabilität sie hatten. Ein Mischwert verdeckt das.
6. Modell- und Produktänderungen markieren. Wenn eine Engine ein neues Modell ausrollt, notiere das Datum, damit ein Sprung nicht als Content-Erfolg oder -Verlust missverstanden wird.
7. Auf anhaltende Veränderungen reagieren. Behandle eine Veränderung erst dann als echt, wenn sie über zwei aufeinanderfolgende Zeitfenster hält und bei mehr als einem Prompt auftaucht.

Wenn dein Team mit einer einzigen Kennzahl für KI-Sichtbarkeit arbeitet, erklärt unser Leitfaden dazu, wie ein AEO-Score gemessen wird, was darunter liegen sollte.

Wie viele Durchläufe brauchst du, bevor du einer Veränderung traust?

Mehr, als die meisten Dashboards vermuten lassen, vor allem auf Ebene eines einzelnen Prompts. Eine Nennungsquote ist ein Anteilswert, ihre Unsicherheit schrumpft also mit der Zahl der Durchläufe dahinter. Die Tabelle nutzt die übliche Normalapproximation für eine Nennungsquote von 50 % (der ungünstigste Fall) und geht von unabhängigen Durchläufen aus. Echte Durchläufe sind korreliert, betrachte die Werte also als optimistische Untergrenzen.

Durchläufe im Zeitfenster	Ca. 95-%-Fehlerspanne für eine Quote	Nötige Veränderung zwischen zwei Zeitfenstern, um aus dem Rauschen herauszukommen	Beispiel
5	+/- 44 Punkte	etwa 62 Punkte	Ein Prompt, an 5 Tagen ausgeführt
10	+/- 31 Punkte	etwa 44 Punkte	Ein Prompt, an 10 Tagen ausgeführt
20	+/- 22 Punkte	etwa 31 Punkte	Ein Prompt, rund 3 Wochen lang täglich ausgeführt (nahe an unserem Schnitt von 23 pro Paar)
30	+/- 18 Punkte	etwa 25 Punkte	Ein Prompt, einen Monat lang täglich ausgeführt
60	+/- 13 Punkte	etwa 18 Punkte	Zwei Prompts zum selben Thema, einen Monat lang täglich
100	+/- 10 Punkte	etwa 14 Punkte	Ein Themencluster aus Prompts, jeweils mehrere Durchläufe

Daraus folgen zwei Dinge. Erstens: Wenn die Nennungsquote eines einzelnen Prompts zwischen zwei dreiwöchigen Zeitfenstern von 50 % auf 65 % steigt, liegt das noch klar im Rauschen. Zweitens: Der saubere Weg zu mehr Durchläufen sind meist mehr Prompts, nicht mehr Wiederholungen eines einzigen. Das St.-Gallen-Paper kommt mit eigenen Daten zu einem ähnlichen Schluss: Der Standardfehler der Erkennungsrate pro Marke fiel bei 7 Durchläufen pro Prompt unter 0,10, und ein rollierendes Zeitfenster drückte den Fehler pro Marke nach 10 Tagen unter 0,10 und nach 24 Tagen unter 0,05. Deshalb empfehlen die Autoren Zeitfenster von zwei bis vier Wochen.

Tests von Anbietern kommen bei täglichen Wiederholungen zu anderen Ergebnissen, messen aber auch etwas anderes. Profound fand, dass einmal tägliche Durchläufe bei der Sichtbarkeit nur rund 2 Punkte von zehnmal täglichen Durchläufen abwichen (78,7 % vs. 80,4 %), über 753 Prompts hinweg, und Meikai stellte fest, dass 1 Durchlauf pro Tag über 500 Prompts dasselbe aggregierte Signal lieferte wie 10. Beides sind Ergebnisse auf Portfolio-Ebene mit Hunderten von Prompts dahinter. Der Widerspruch löst sich einfach auf: Bei einem großen Prompt-Set reicht einmal am Tag; um einen einzelnen Prompt zu diagnostizieren, brauchst du viele Durchläufe davon.

Wie viele Prompts solltest du tracken?

So viele, dass die Eigenheiten eines einzelnen Prompts die Kennzahl nicht bestimmen, und in der Praxis heißt das: Dutzende pro Engine, nicht eine Handvoll. Otterly fand, dass bei 10 Prompts 90 % der Ergebnisse zur Markenabdeckung irgendwo zwischen 39 % und 71 % lagen; bei 100 Prompts verengte sich die Spanne auf 51 % bis 60 %, also rund 73 % weniger Streuung. Die St.-Gallen-Autoren sahen innerhalb einer einzigen Kampagne Jaccard-Werte auf Prompt-Ebene von unter 0,2 bis über 0,8. Unsere eigene Stichprobe zeigt dieselbe Streuung: Innerhalb einer Engine kippten manche Paare nie, andere immer wieder.

Unsere praktische Untergrenze: mindestens 50 Prompts pro Engine für eine Kennzahl auf Markenebene, gruppiert in Themencluster, und 100+ wenn du Engines oder Segmente vergleichen willst. Das ist eine Einschätzung auf Basis der genannten Studien, nichts, was unsere Stichprobe mit 42 Paaren allein beweisen kann. Die Auswahl der Prompts ist genauso wichtig wie ihre Anzahl.

Wie oft solltest du deine KI-Sichtbarkeit tracken?

Lass die Prompts täglich laufen und berichte über rollierende Zeitfenster von 14 bis 28 Tagen. Wie oft du Prompts ausführst und wie oft du berichtest, sind zwei getrennte Entscheidungen: Die Durchläufe müssen häufig genug sein, um das Zeitfenster mit Stichproben zu füllen, die Reports langsam genug, damit ein Zeitfenster genug Durchläufe enthält, um etwas auszusagen. In unseren Daten kamen ChatGPT-, Claude- und Gemini-Paare über im Median 25 Tage auf rund 20 bis 22 Durchläufe, also fast einen pro Tag, und selbst damit hatten die Nennungsquoten einzelner Prompts noch breite Fehlerbalken.

Situation	Taktung der Durchläufe	Reporting-Zeitfenster	Worauf du achten solltest
Laufendes Marken-Monitoring	Täglich	Rollierende 28 Tage, wöchentlich oder monatlich ausgewertet	Nennungsquote und Zitatanteil pro Engine
Launch, Rebranding oder PR-Problem	Täglich, mit mehr Prompts zum betroffenen Thema	Rollierende 14 Tage	Nennungsquote und Tonalität bei den betroffenen Prompts
Test einer Content-Änderung	Täglich bei den Ziel-Prompts	Mindestens 14 Tage vorher vs. 14 Tage nachher	Zitatanteil der geänderten URL über das Zeitfenster
Knappes Budget	Wöchentlich ist in Ordnung, wenn du das Zeitfenster vergrößerst	8 bis 12 Wochen	Nur die Richtung der Nennungsquote
Diagnose eines wichtigen Prompts	Mehrere Durchläufe pro Tag	1 bis 2 Wochen	Welche Quellen und Wettbewerber immer wieder auftauchen

Das große Ganze dazu, was du tracken solltest und warum, findest du in unserem Leitfaden zum Tracking der KI-Sichtbarkeit.

Wo liegen die Grenzen dieser Studie?

Es gibt einige, und sie legen fest, was du daraus mitnehmen solltest.

• Kleine, ungleich verteilte Stichprobe. 42 Paare und 968 Durchläufe aus 12 verfolgten Domains, mit Schwerpunkt auf Marketing und Software. Perplexity hat 6 Paare, Google AI Overview 1, Google AI Mode keines. Prozentwerte pro Engine bei 6 bis 13 Paaren können schon durch ein einziges Paar kippen.
• Keine Zufallsstichprobe von Prompts. Die Prompts wurden von Nutzern ausgewählt, um ihre eigenen Marken zu verfolgen. Geminis hohe Zahl an „immer genannt“ (10 von 13) spiegelt höchstwahrscheinlich diesen Mix wider.
• API statt Endnutzer-Apps. Die Durchläufe nutzten die API der jeweiligen Engine mit eingeschalteter Websuche bzw. Grounding und ohne Personalisierung. Ein eingeloggter Nutzer sieht möglicherweise mehr oder weniger Schwankung.
• Die Marke steht in der Bewertungsanweisung. Dadurch kann der Tracker die Antwort auswerten, die absoluten Nennungsquoten können aber höher ausfallen als in einem leeren Chat. Wir konzentrieren uns deshalb auf die Stabilität, nicht darauf, wie oft Marken genannt werden.
• Automatisierte Auswertung. Nennungen und zitierte Domains werden automatisch aus dem Antworttext und seinen Quellenangaben erkannt; wir haben nicht jeden Durchlauf von Hand geprüft.
• Ungleiche Abstände und nicht fixierte Modelle. Die Durchläufe folgten keinem festen Takt (Perplexity lief am dichtesten), und die Modellversionen waren nicht für den gesamten Zeitraum fixiert. Unsere Fluktuation mischt also Rauschen mit echter Drift.
• Domains statt URLs, keine Positionen. Die Überschneidung wird auf Ebene der zitierten Domains gemessen, was großzügiger ist als auf URL-Ebene, und die Position in der Antwort haben wir nicht ausgewertet.
• Keine Signifikanztests. Es handelt sich um deskriptive Mediane und Zählwerte. Übertrage sie nicht auf andere Branchen, Sprachen oder Engines.

Wir wiederholen diese Analyse, sobald die Stichprobe wächst, und veröffentlichen die aktualisierten Zahlen mit denselben Definitionen.

Unterm Strich

Die Konsistenz von KI-Antworten ist so gering, dass dich jeder einzelne Durchlauf in die Irre führen kann, und Quellenlisten wechseln weit stärker als Markennennungen. Die Lösung sind nicht mehr Screenshots, sondern ein festes Prompt-Set, tägliche Durchläufe und Quoten, die über Zeitfenster von zwei bis vier Wochen berichtet werden, pro Engine und mit der Zahl der Durchläufe daneben. Wenn du dieses Setup nutzen willst, ohne es selbst zu bauen: Das Brand-Visibility-Tracking von AI Rank Lab führt deine Prompts nach Zeitplan aus und speichert jeden Durchlauf, sodass du Trends statt Momentaufnahmen liest.