LLM-Sichtbarkeit: Wo eine Marke in KI-Modellen auftaucht

Von Manfred Mayer Rieger · Veröffentlicht 12. September 2026

Ein Modell nach einem Unternehmen fragen, und es antwortet mit voller Sicherheit – die richtige Stadt, die richtige Leistung, manchmal sogar das Gründungsjahr. Dasselbe Modell eine Minute später fragen, wen es für genau diese Leistung empfehlen würde, und das Unternehmen kann in der Antwort komplett fehlen. Zwei Fragen zum selben Unternehmen. Zwei Ergebnisse, die nichts miteinander zu tun haben.

Zwei unterschiedliche Fragen, zwei unterschiedliche Messgrößen

Die meisten Prüfungen für “kennt eine KI mein Unternehmen” stellen nur eine Art von Frage: das Unternehmen namentlich nennen und das Modell bitten, es zu beschreiben. Was es ist, wo es sitzt, was es anbietet. Ein Modell, das das korrekt beantwortet, wirkt auf den ersten Blick sichtbar.

Das ist Wiedererkennung, und es ist die leichtere der beiden Messgrößen. Eine korrekte Antwort auf eine direkte Frage zeigt, dass ein Modell irgendwo etwas Zutreffendes über ein Unternehmen gespeichert hat. Sie sagt nichts darüber aus, ob dieses Unternehmen jemals zur Sprache kommt, wenn niemand namentlich danach gefragt hat.

Die schwerere Frage nennt nie den Namen

Eine zweite Art von Frage prüft etwas anderes. Statt das Unternehmen zu nennen, stellt sie genau das, was eine echte Kundin oder ein echter Kunde eintippen würde: “beste Steuerberater in Leipzig”, “wer sind die besten Anbieter dafür?”, “ich brauche so etwas – wen würdest du empfehlen, und warum?” Kein Name irgendwo in der Frage.

Eine KI-Sichtbarkeits-Prüfung, die diese Arbeit übernimmt, stellt beide Fragetypen bewusst getrennt – wer “kennt das Modell dieses Unternehmen” mit “nennt das Modell dieses Unternehmen von sich aus” vermischt, bekommt am Ende eine Zahl, die keine der beiden Fragen sauber beantwortet. Die Identitätsfragen laufen schlicht ab, mit wenig Spielraum für Zufälligkeit, damit die Antwort konsistent bleibt. Die Empfehlungsfragen laufen bewusst mit mehr Zufälligkeit: Wie stark sich eine Empfehlungsliste von einem Durchlauf zum nächsten verändert, ist Teil dessen, was gemessen werden soll – kein Störfaktor, den man herausmitteln müsste.

Jede Empfehlungsantwort wird zusätzlich darauf durchsucht, wer stattdessen genannt wurde, wenn das eigene Unternehmen nicht vorkam. Daraus ergibt sich eine grobe Liste, wen ein Modell in dieser Kategorie tatsächlich zuerst nennt – oft aufschlussreicher als die bloße Abwesenheit des eigenen Namens.

Warum ein Unternehmen die erste Prüfung besteht und an der zweiten scheitert

Das ist die eigentliche Lücke. Ein Unternehmen kann jede Identitätsfrage, die einem Modell zu ihm gestellt wird, korrekt beantworten – richtiger Standort, richtige Leistungen, keine erfundenen Details – und trotzdem nie erwähnt werden, wenn jemand fragt, wen man beauftragen sollte. Wiedererkennung und Empfehlung sind nicht dasselbe Messergebnis, und ein Bericht, der nur eines von beiden prüft, liefert nur die halbe Wahrheit – klingt dabei aber vollständig.

Auch das Gegenteil gilt, und es ist weniger bequem: Ein Modell, das kleinere Fakten zu einem Unternehmen falsch wiedergibt, kann es trotzdem empfehlen. Eine Empfehlungsfrage fragt im Kern “wer fällt mir zu dieser Kategorie ein” – und dafür müssen nicht zuerst alle Details stimmen.

Macht es überhaupt einen Unterschied, worin ein Unternehmen gut abschneidet?

Empfehlung ist das, was tatsächlich Kundschaft bringt, und dahinter steht mehr als eine Vermutung. Eine Umfrage von EMARKETER und Publicis Commerce unter US-Erwachsenen, die im Januar 2026 einen KI-Assistenten zur Produktrecherche genutzt hatten, ergab im März 2026: 49 Prozent gaben an, wahrscheinlich oder sehr wahrscheinlich eine andere Marke als gewohnt auszuprobieren, wenn ein KI-Assistent eine Alternative vorschlägt. Von einem Modell unaufgefordert genannt zu werden, hat also eine messbare Chance, jemanden zu bewegen, der bisher kein Kunde war. Korrekt beschrieben zu werden, wenn jemand ohnehin schon gezielt danach fragt, wiegt nicht dasselbe – diese Person hatte sich bereits entschieden, nachzusehen.

Wie viel beweist eine einzelne Antwort wirklich?

Nicht viel, und das offen zu sagen gehört dazu, statt eine einzelne Zahl als gesichertes Ergebnis zu präsentieren. Ein Modell, das dieselbe Empfehlungsfrage zweimal im Abstand weniger Minuten gestellt bekommt, kann zwei unterschiedliche Listen liefern – deshalb bleibt bei diesen Fragen bewusst mehr Zufälligkeit erlaubt, statt sie auf eine “sauberere” Antwort einzuengen. Eine einzelne positive Nennung heißt nicht, dass ein Platz gesichert ist. Ein einzelnes Ausbleiben heißt nicht, dass man aus dem Rennen ist.

Eine zweite Einschränkung gehört ebenso dazu: Nicht empfohlen zu werden, ist nicht automatisch ein Zeichen für ein Problem, das sich beheben lässt. Eine Kategorie kann zwei oder drei dominante, bekannte Namen haben, und ein kleinerer Anbieter kann vollkommen korrekt beschrieben werden und trotzdem an Größe und Bekanntheit scheitern, nicht an irgendetwas, das eine technische Korrektur ändern würde. Genau deshalb lohnt sich die Trennung zwischen Wiedererkennung und Empfehlung: Sie unterscheidet “das Modell hat falsche oder fehlende Informationen” – behebbar – von “das Modell hat korrekte Informationen und greift trotzdem nicht nach diesem Namen” – eine Frage der Marktposition, kein Datenproblem.

Was ein kostenloser Scan hier prüft, und was er komplett ausklammert

Nichts von der Modellabfrage oben läuft in einem kostenlosen Scan. Zu prüfen, was ein Modell bereits glaubt, und ob es ein Unternehmen unaufgefordert nennt, bedeutet, mehrere Modelle mehrfach live abzufragen – und dafür fehlt einem kostenlosen Tool das Budget. Ein kostenloser Scan prüft stattdessen die Grundlage: ob die Seiten, die KI-Crawler tatsächlich nutzen, erreichbar sind, ob strukturierte Daten sauber aufgelöst werden, und – ausführlicher im Beitrag zum Schreiben für ein Modell statt für eine Suchmaschine – ob der Inhalt selbst so geschrieben ist, dass ein Modell eine klare Aussage daraus übernehmen kann; eine kostenlose Seitenprüfung bestätigt das allein schon. Diese Grundlage zählt, ist aber eine andere Frage als die in diesem Beitrag, und ein Bericht, der etwas anderes suggeriert, behauptet mehr geprüft zu haben, als er tatsächlich getan hat. Was ein vollständiges Audit einschließlich Modellabfragen abdeckt, steht in der Methodik und in der Übersicht, was ein Deep Audit tatsächlich prüft.

Ein Unternehmen kann monatelang dafür sorgen, dass ein Modell seine Angaben korrekt wiedergibt, und trotzdem keine Ahnung haben, ob sich dadurch irgendetwas daran ändert, was das Modell sagt, wenn niemand das Unternehmen erwähnt. Das ist die schwerere Zahl – und sie wurde nie durch die leichtere mitgemessen.