HubSpot AEO Grader im Test: Was der Score wirklich zeigt

Von Manfred Mayer Rieger · Veröffentlicht 16. Oktober 2026

Wer einen Markennamen in HubSpots AEO Grader eingibt, bekommt binnen einer Minute eine Zahl zwischen 0 und 100, eine Aufschlüsselung in fünf benannte Kategorien und einen Satz dazu, ob GPT-5.4 mini, Perplexity und Gemini die Marke eher als “Leader” oder als “Niche Player” einstufen. Auf der Ergebnisseite steht nirgends, wie oft dafür nachgefragt wurde oder was passiert, wenn sich die drei Modelle uneinig sind.

Genau diese Lücke ist der eigentliche Befund. Ein kostenloser Score, der präzise wirkt, aber aus einem Verfahren stammt, das die Leserin nie zu sehen bekommt, verdient eher eine Prüfung als Vertrauen auf den ersten Blick. Was im Hintergrund tatsächlich passiert, lässt sich aus HubSpots eigener Beschreibung des Werkzeugs rekonstruieren – und aus dem, was dort bewusst offenbleibt.

Was prüft der AI Search Grader tatsächlich?

HubSpots eigene Seite zum Werkzeug nennt fünf bewertete Dimensionen, die sich zu 100 Punkten summieren: Sentiment Results (40), Presence Quality (20), Brand Recognition (20), Share of Voice (10) und Market Competition (10). Sentiment zählt damit deutlich am schwersten – viermal so stark wie jede der beiden kleinsten Kategorien. Presence Quality setzt sich aus Erwähnungstiefe, Quellenqualität und Datenreichtum zusammen; Market Competition stuft eine Marke einerseits als Leader, Challenger oder Niche Player ein und getrennt davon als Innovator, Disruptor oder Traditionalist. Diese Kategorienamen klingen nach einer festen Messgröße, sind aber am Ende nichts anderes als ein Etikett auf dem, was ein Sprachmodell an einem bestimmten Tag formuliert hat.

Die Methode hinter all dem ist, in HubSpots eigenen Worten, simpel: Der Markenname geht an drei Modelle, die gefragt werden, was sie bereits wissen oder abrufen können. Das ist ein echtes Signal – ein Protokoll dessen, wie einige verbreitete Assistenten gerade über eine Marke sprechen –, aber eben ein Protokoll der Modellmeinung, kein technisches Audit der eigenen Website.

Wie wird aus drei KI-Antworten eine einzige Zahl?

Indem drei Modelle dieselbe Frage bekommen und ihre Antworten nach einer Vorgabe bewertet werden, die HubSpot nicht im Detail veröffentlicht. Die Seite nennt die oben genannte Punkteverteilung, sagt aber nicht, wie viele Prompts je Modell verschickt werden, wie ein Unentschieden zwischen einer positiven und einer neutralen Antwort aufgelöst wird oder wie “Share of Voice” eine Erwähnung zählt, die eine Marke nennt, ohne sie gegenüber der Konkurrenz zu empfehlen. Ein Score mit öffentlichen Gewichtungen, aber einem privaten Bewertungsprozess ist nur halb transparent – sichtbar ist, was zählt, nicht, wie aus einer konkreten Antwort eine konkrete Punktzahl wird.

Warum kann dieselbe Marke nächste Woche anders abschneiden?

Weil nichts an dem Verfahren einen gespeicherten Wert nachschlägt – jeder Durchlauf fragt die Modelle neu, und Sprachmodelle antworten probabilistisch. Eine unabhängige Analyse des Werkzeugs, die genau das verfolgt hat, stellte fest, dass sich der Score zwischen zwei Durchläufen verschieben kann, ohne dass sich an der bewerteten Website etwas geändert hätte – und empfiehlt, das Muster über mehrere Durchläufe zu lesen statt auf eine einzelne Zahl zu reagieren. Dieselbe Analyse nennt einen zweiten Punkt, der hängen bleibt: Der Grader meldet ein Symptom – einen schwachen Sentiment-Wert, eine niedrige Präsenzzahl – ohne die Ursache zu benennen, die laut dem Autor meist “im eigenen Content, in den strukturierten Daten oder im schlichten Fehlen zum Thema” liegt. Herauszufinden, welche Ursache tatsächlich zutrifft, braucht eine andere Art Prüfung als eine Modellmeinung abzufragen – näher an dem, was ein GEO-Audit leistet, als an einem Sentiment-Score.

Was berührt der Score nie?

Die technische Ebene unter der Modellmeinung. Ob ein KI-Crawler die Seiten einer Website überhaupt laden kann, ob ihre strukturierten Daten zu dem passen, was sichtbar auf der Seite steht, ob eine Sperre in der robots.txt den Abruf eines Assistenten im Stillen verhindert – nichts davon taucht in einem Score auf, der ausschließlich aus drei Modellantworten und deren Bewertung entsteht. Ein Modell kann eine Marke warm beschreiben, gestützt auf Trainingsdaten von vor Monaten, während die aktuelle Website genau für die Crawler unerreichbar ist, die diesen Eindruck eigentlich aktualisieren würden. Die beiden Tatsachen widersprechen sich nicht; sie sind nur nicht dieselbe Tatsache, und eine einzige Gesamtzahl verschmilzt sie zu einer Zeile.

Ändert der Name etwas an der Sache?

An der Substanz nicht. Stand Oktober 2026 führen hubspot.com/ai-search-grader und hubspot.com/aeo-grader zum selben Werkzeug. HubSpots aktuelle Seite nennt es durchgängig AI Search Grader und beschreibt AEO als Namen des separaten, kostenpflichtigen Tracking-Produkts – trotzdem taucht AEO Grader weiterhin in älteren Berichten und manchen Drittanbieter-Ratgebern auf, die offenkundig dasselbe kostenlose Werkzeug meinen. Welcher Name zuerst existierte, klärt HubSpots eigenes öffentliches Material nicht, und für die Praxis ist die Antwort ohnehin gleich: Beide Adressen führen zu einem kostenlosen, einmaligen Modellmeinungs-Score.

Eine hypothetische Zahl wie “73 von 100, Challenger” klingt wie ein Urteil. Näher an der Wahrheit ist: ein Protokoll dessen, was drei Modelle einmal gesagt haben, bewertet nach einem Verfahren, das sich von außen nicht vollständig nachvollziehen lässt, zu einer Frage – was ein Modell bereits glaubt –, die nur eine Ebene davon ist, ob KI-Assistenten ein Unternehmen finden und zutreffend beschreiben können. Wer das als vollständige Antwort nimmt, überspringt die Ebene darunter, auf der Crawling, strukturierte Daten und Abruf tatsächlich entscheiden, ob dieser Eindruck je aktualisiert wird. Der Score selbst ändert daran nichts, so oft man ihn auch neu abruft.