Jede/r der mit Marken und Unternehmen arbeitet kennt die Frage in Meetings: Wo stehen wir eigentlich in der KI Suche? Eine einfache Frage, deren Beantwortung wiederum nicht so einfach ist. Denn wie will man das testen, monitoren und reporten? Am Ende führt kein Weg an einem spezialisierten AI-Monitoring-Tool vorbei, nur durch das regelmäßige Befragen und Protokollieren über neutral Anfragen lassen sich diese Daten erheben. Die eigene Instanz in ChatGPT, Claude oder auch in den Google KI Übersichten reagiert mit unter auf das Nutzerprofil und personalisiert, also verfälscht die Ausgabe.
Was mich also beunruhigte: Ich hatte keine seriöse Methode, es herauszufinden. Aus dieser Lücke ist augenmerk entstanden — ein Werkzeug, das misst, wie Marken in KI-Antworten auftauchen. Dieser Artikel erklärt, warum ich diese Lücke für eine der größten unaufgelösten Fragen im digitalen Marketing halte, und wie aus einem Kundenproblem ein Produkt wurde.
Die Ausgangslage: Sichtbarkeit hat die Bühne gewechselt
Zwei Jahrzehnte lang war die Frage nach digitaler Sichtbarkeit im Kern eine Frage nach Google-Rankings. Position 1 bis 10, die berühmte erste Seite, Klickraten, organischer Traffic. Ein ganzer Werkzeugkasten — von der Keyword-Recherche bis zur technischen Onpage-Analyse — hat sich um diese eine Bühne herum entwickelt.
Diese Bühne verliert gerade ihr Monopol. Immer mehr Menschen stellen ihre Fragen nicht mehr an eine Suchmaschine, die zehn blaue Links ausspielt, sondern an ein Sprachmodell, das eine einzige, formulierte Antwort gibt. „Welches CRM eignet sich für kleine Agenturen?” — und ChatGPT nennt drei Namen. „Bester Anbieter für nachhaltige Verpackungen?” — und Perplexity liefert eine Liste mit Quellenangaben. Google selbst schiebt mit den AI Overviews eine generierte Zusammenfassung über die klassischen Ergebnisse.
Für Marken heißt das: Es gibt eine neue, entscheidende Frage. Nicht nur „Wo stehe ich in den Suchergebnissen?”, sondern „Werde ich in der KI-Antwort überhaupt genannt — und wenn ja, wie?” Genau hier setzen die Disziplinen an, die sich unter den Kürzeln GEO (Generative Engine Optimization) und AEO (Answer Engine Optimization) formieren.
Das Kundenproblem, das alles ausgelöst hat
Zurück zu jenem Kundengespräch. Der eigentliche Schmerzpunkt war nicht, dass die Marke in der KI-Antwort fehlte. Der Schmerzpunkt war, dass niemand es mit Gewissheit sagen konnte — weder der Kunde noch ich noch die vorhandenen Analytics-Werkzeuge.
Man kann natürlich selbst ChatGPT befragen. Das machen viele. Aber das ist keine Messung, das ist eine Anekdote. Drei Probleme machen den manuellen Ansatz wertlos, sobald es ernst wird:
Erstens die Nicht-Reproduzierbarkeit. Frage dasselbe Sprachmodell zweimal, und du bekommst zwei unterschiedliche Formulierungen. Ohne systematische Wiederholung über viele Durchläufe misst du Rauschen, keine Realität.
Zweitens die fehlende Vergleichbarkeit. ChatGPT, Perplexity, Google AI Overviews und Gemini antworten nicht nur unterschiedlich — sie ziehen aus unterschiedlichen Quellen. Ein Modell, das live im Web recherchiert („grounded”), verhält sich fundamental anders als eines, das nur aus seinem Trainingswissen schöpft. Wer die Sichtbarkeit einer Marke verstehen will, muss diese Engines getrennt und vergleichbar messen.
Drittens — und das ist der wichtigste Punkt — die Frage der Belege. Wenn ein Tool behauptet „Deine Marke wird in 40 % der Antworten genannt”, woher kommt diese Zahl? Ist sie nachprüfbar? Steht hinter jeder Nennung ein wortwörtlich verifizierbares Zitat aus einer echten Modellantwort, oder ist es eine geglättete Schätzung? Für alles, was in Reporting und Strategie einfließt, ist dieser Unterschied nicht akademisch, sondern geschäftskritisch.
Als ich das Problem einmal klar vor mir hatte, war klar: Das ist keine Einzelfrage eines Kunden. Das ist eine strukturelle Lücke im gesamten Analytics-Markt.
Der Markt-Check: 20+ Tools, und trotzdem eine Lücke
Über zwanzig Anbieter, die für sich beanspruchen, KI-Sichtbarkeit zu messen, habe ich mir angesehen.
Das Feld ist erstaunlich lebendig, und einige dieser Tools sind gut gemacht. Aber bei aller Vielfalt blieben für den deutschsprachigen Markt zwei Dinge auffällig unterbelichtet:
Zum einen der Beleg-Standard. Die meisten Tools liefern Zahlen, aber nur wenige machen transparent nachprüfbar, dass jede einzelne dieser Zahlen auf einer echten, wortwörtlich verifizierten Modellantwort beruht. Genau das wollte ich zum nicht verhandelbaren Fundament machen.
Zum anderen die europäische und deutschsprachige Ausrichtung. Der Großteil des Marktes denkt englisch-first, US-first. Eine Plattform, die den EU-Datenraum ernst nimmt, deutschsprachige Kategorien und Suchintentionen versteht und für den hiesigen Markt gebaut ist, war eine offensichtliche, unbesetzte Position.
Von der Kundenlösung zum Produkt
Der erste augenmerk-Prototyp war kein Produkt, sondern ein Beweis. Ich habe fünf Marken einer Kategorie genommen und sie über zwei Engines gemessen — Perplexity als „grounded”-Vertreter, der live recherchiert, und OpenAI als „raw”-Modell, das aus dem Trainingswissen antwortet. Über den ganzen Durchlauf lag ein strenger Regelsatz: Jede Nennung, jede Aussage musste durch ein wortwörtliches Zitat aus der tatsächlichen Modellantwort belegt sein, geprüft von einem separaten Richter-Modell.
Das Ergebnis hat mich selbst überrascht: Von über zweitausend Beleg-Prüfungen bestanden nahezu alle die wortwörtliche Verifikation. Und die Messung bestätigte unabhängig, was ein etabliertes Marktwerkzeug für dieselbe Marke ausgewiesen hatte. Damit war die Methode validiert — nicht durch Behauptung, sondern durch Reproduktion.
In diesem Moment kippte die Sache von „Lösung für einen Kunden” zu „Produkt für einen Markt“. Denn was für eine Marke funktioniert, funktioniert für jede. Und die Features, die ich über Jahre in einzelnen Kundenprojekten zusammengetragen hatte — Sichtbarkeitsmessung, Wettbewerbsvergleich, Quellen-Analyse, Reporting — ergeben zusammengeführt etwas, das größer ist als die Summe der Teile: eine Plattform, die Relevanz über SEO, GEO und Sprachmodelle hinweg messbar macht.
Was augenmerk verbindet
Der eigentliche Sprung ist nicht ein einzelnes Feature. Es ist die Integration. augenmerk führt Fragen zusammen, die bisher in getrennten Tools und getrennten Köpfen lebten:
- Werde ich genannt? — Die Sichtbarkeit einer Marke in KI-Antworten, engine-getrennt und über die Zeit verfolgt.
- Wie werde ich gerahmt? — Nicht nur ob, sondern in welchem Kontext eine Marke auftaucht: als Empfehlung, als Nebensatz, als Kritikpunkt.
- Gegen wen stehe ich? — Der direkte Vergleich mit Wettbewerbern in denselben Abfragen.
- Woher kommt die Antwort? — Welche Quellen ein grounded-Modell zitiert, wenn es über die Kategorie spricht.
Jede dieser Fragen war einzeln beantwortbar. Zusammen, auf belastbarer Beleg-Grundlage und für den deutschsprachigen Markt gedacht, ergeben sie das Werkzeug, das ich in jenem Kundengespräch vermisst habe.
Für wen das gebaut ist
augenmerk ist nicht auf eine Branche festgelegt. KI-Sichtbarkeit ist ein Querschnittsthema — es betrifft Marken jeder Sparte, mit einer leichten B2C-Tendenz, aber ohne Scheuklappen. Besonders spannend ist eine Zielgruppe, die selbst mit Sichtbarkeit ihr Geld verdient: Agenturen — ob Marken-, PR-, Digital- oder SEO-Agentur. Für sie ist die KI-Sichtbarkeit ihrer Kunden eine neue, verkaufbare Disziplin. Und ein Werkzeug, das sie belastbar messbar macht, ist genau der Hebel, den viele gerade suchen.
Der Stand der Dinge
augenmerk bewegt sich gerade vom validierten Prototyp zum vollen Produktbau. Wer sehen will, wohin die Reise geht, findet den aktuellen Stand unter augenmerk.de. Und wer das Thema KI-Sichtbarkeit, GEO und AEO weiterverfolgen will, bekommt hier im agenturblog die nächsten Kapitel dieses Werkstattberichts.
Die Bühne der Sichtbarkeit hat gewechselt. Die Frage ist nur, ob du weißt, was auf ihr über dich gesagt wird.
