Sichtbarkeitslücken bei KI-Modellen diagnostizieren

Bei derselben Frage kann eine KI-Suchmaschine eine Marke empfehlen und eine andere sie auslassen. Ein Prozentwert pro Anbieter erklärt den Grund nicht. Dieser Workflow führt den Unterschied auf die zugrunde liegenden Antworten und Zitierungen zurück und benennt die Maßnahme, die sich aus den Belegen ableiten lässt.

Das GEO-Problem, das der Workflow löst

Oft wird Content für die schwächere Suchmaschine beauftragt, bevor jemand prüft, ob beide Seiten gleich gemessen wurden. Ein Anbieter, für den weniger Prompts überwacht werden, erscheint aus Gründen schwächer, die nichts mit Sichtbarkeit zu tun haben. Ein Anbietername umfasst zudem eine ganze Modellfamilie. Eine scheinbar anbieterweite Lücke betrifft deshalb oft nur ein Modell.

Eine abgeschlossene Antwort ohne Markennennung ist eine beobachtete Abwesenheit, kein Beweis dafür, dass die Suchmaschine Sie ignoriert. Eine null-Zelle steht für fehlende Belege. Wer beides zusammenführt, erzeugt eine Scheinerangfolge.

So ist der Workflow aufgebaut

1. Ausgangswerte pro Anbieter ermitteln. list_brands bestimmt die genaue brandId. get_provider_breakdown liefert für bis zu zehn Anbieter das Antwortvolumen, die Erwähnungen und die Sichtbarkeitsrate für einen relativen oder selbst gewählten Zeitraum, optional gefiltert nach Thema, Tag und Funnel. Null Antworten bei einem Anbieter bedeuten eine Abdeckungslücke, kein Sichtbarkeitsergebnis.

2. Erst Nenner vergleichen, dann Prompts untersuchen. get_brand_performance nimmt einen Anbieter und einen ausdrücklich gewählten Zeitraum und liefert Zähler und Nenner in scoreDetails sowie promptsCount und responsesTotal. Dessen mentionRate und die visibilityRate der Anbieterübersicht teilen durch unterschiedliche Grundgesamtheiten. get_matrix liefert auf Prompt-Ebene danach eine Zeile pro Prompt und eine Zelle pro Anbieter, begrenzt auf 50 Zeilen.

3. Belege aus Antworten rekonstruieren. get_prompt_answers listet jede Antwort mit modelId, Datum und Erwähnungskennzeichen. get_answer_details öffnet den Text sowie Wettbewerber und Quellen. Antworten dürfen nur gepaart werden, wenn ihre Daten vergleichbar sind.

4. Fakten von Hypothesen trennen. Eine Zeile pro Erklärung: Beobachtung mit den Namen der zurückgegebenen Felder, Hypothese, Belege dafür und dagegen, Vertrauensgrad und ein erneuter Test, der die Hypothese widerlegen könnte.

Was ein Durchlauf tatsächlich liefert

Ein reales Themenraster mit fünf Anbietern: Bei „llm performance analytics“ erzielte eine Suchmaschine einen Score von 16 und Rang 6 von 19, während zwei andere für dasselbe Thema im selben Zeitraum 0 zurückgaben. Bei „ai brand monitoring“ erzielte dieselbe Suchmaschine 13 und eine andere 0. Die Marke lag dabei auf Rang 43 von 89 beziehungsweise 70 von 91.

So sieht eine Sichtbarkeitslücke aus. Eine einzige Sichtbarkeitszahl verdeckt sie: gleiche Inhalte, gleiche Fragen, gleiche Woche, doch eine Suchmaschine greift die Marke auf und zwei andere nie. Der Rang ist aussagekräftiger als der Score. Rang 6 von 19 gegenüber 70 von 91 ist keine einfache Content-Lücke, sondern zeigt zwei unterschiedliche Wettbewerbsfelder, für die jeweils andere Maßnahmen nötig sind.

So nutzen Sie die Ergebnisse

Eine Zeile mit einer null-Zelle auf einer der beiden Seiten weist auf ein Messproblem hin, nicht auf eine Diagnose. Sie gehört unabhängig von ihrer Größe in die Aufgabenliste zur Datenqualität.

Die übrigen Fälle werden nach Art getrennt, denn die Maßnahmen sind nicht austauschbar. Eine Abdeckungslücke betrifft das Monitoring: Der schwache Anbieter muss mit derselben Prompt-Auswahl überwacht werden. Bei der Modellmischung ist dieselbe Analyse je Modell-ID erneut aufzuteilen, weil ein Plan für die ganze Modellfamilie falsch wäre, wenn nur ein Modell die Lücke aufweist. Zitierungsbelege nennen die Domains, die die schwache Suchmaschine an Ihrer Stelle zitiert hat: Dort präsent zu sein ist die Aufgabe. Ein Wettbewerbsfall bedeutet, dass ein Konkurrent die Spitzenplätze hält; vergleichen Sie Ihre Marke mit ihm. Bei ungeeigneter Prompt-Formulierung deuten die Suchmaschinen die Frage unterschiedlich. Dann ist das zugrunde liegende Thema das Ziel.

Arbeiten Sie in dieser Reihenfolge, beginnend mit der Abdeckung: Eine korrigierte Messung kann eine Lücke ohne Content-Kosten schließen. Zeitliche Schwankungen und ungeklärte Mechanismen erhalten nur ein Datum für eine erneute Messung. Gibt es zwei Kandidaten derselben Art, wählen Sie den Prompt mit mehr vergleichbaren Antworten auf beiden Seiten.

Der vollständige Prompt

Ich möchte verstehen, warum meine Marke bei manchen KI-Anbietern sichtbar ist und bei anderen fehlt, und die Maßnahme erhalten, die die Belege stützen. Bestimme meine Marken mit list_brands, frage bei mehreren nach der gewünschten Marke und verwende danach dieselbe brandId. Nutze für jeden aggregierten Aufruf die letzten 28 Tage.

1. Rufe get_provider_breakdown auf und gib für jeden Anbieter totalAnswers und visibilityRate zurück. Markiere ungleiche Antwortvolumina. Falls nur ein Anbieter zurückkommt, halte an und melde eine Monitoring-Lücke.
2. Rufe get_brand_performance für den stärksten und schwächsten vergleichbaren Anbieter auf und vergleiche Nenner und Berechnungsmethode in scoreDetails. Behandle scores.mentionRate niemals als austauschbar mit visibilityRate.
3. Rufe get_matrix mit granularity "prompts" und limit 50 auf. Bewahre die id jeder Zeile sowie provider, score und topCompetitor jeder Zelle auf. Falls keine Zeilen zurückkommen, blättere durch get_prompts und wähle die Gruppe manuell aus.
4. Teile die Zeilen in verifizierte Kandidaten (derselbe Prompt, auf beiden Seiten keine null-Zelle) und Kandidaten mit Datenqualitätsproblemen (null-Zellen, fehlender Anbieter, geringer Datumsüberschnitt). Falls alle Zeilen Datenqualitätsprobleme haben, liefere diese Aufgabenliste und halte an.
5. Wähle bis zu fünf verifizierte Prompts, rufe für jeden get_prompt_answers auf und bewahre provider, modelId, createdAt und brandMentioned auf. Fehlen auf einer Seite Antworten, ist das selbst die Abdeckungslücke: Halte sie fest und paare den Prompt nicht. Paare nur vergleichbare Daten.
6. Rufe für jedes Paar get_answer_details für beide Antworten auf. Bewahre Antwort, Wettbewerber mit Position und zitierte Quellen auf. Eine Antwort ohne Quellen ist nur für diese Antwort ein Beleg.
7. Erstelle ein Prüfprotokoll: Beobachtung unter Angabe der zurückgegebenen Feldnamen, Hypothese, Belege dafür und dagegen, Vertrauensgrad und ein widerlegbarer erneuter Test. Ordne jede Erklärung ein: Abdeckung, Modellmischung, Eignung des Prompts, Wettbewerb oder Zitierungsbelege, zeitliche Schwankung oder ungeklärter Mechanismus.
8. Gib jeder gestützten Hypothese die Maßnahme ihrer Kategorie: Abdeckung an meine Monitoring-Einstellungen, Modellmischung an eine neue Aufteilung nach modelId, Zitierungsbelege an die Domains, die die schwache Suchmaschine statt mir zitiert hat, Wettbewerb an einen Vergleich mit diesem Konkurrenten, Prompt-Eignung an das Thema hinter der Frage. Zeitliche Schwankung und ungeklärter Mechanismus erhalten nur ein Datum für eine erneute Messung. Behalte diese Reihenfolge bei und entscheide Gleichstände nach der größeren Zahl vergleichbarer Antworten. Falls keine Hypothese gestützt ist, gib mir die Liste der Datenqualitätsprobleme.
9. Schließe mit einem Blatt für den erneuten Test ab, das Prompt-IDs, modelIds sowie IDs und Daten der ursprünglichen Antworten festhält. Frage dann, welche Anbieter meine Käufer nutzen: Eine Lücke bei einer Suchmaschine, die mein Markt ignoriert, verdient eine Notiz, kein Projekt.