KI-Sichtbarkeit messen

Wer heute über KI-Suche spricht, hat meist eine Meinung, aber selten eine Zahl – dabei entscheidet genau die darüber, ob sich der Aufwand lohnt. Agent-Inclusion-Rate, Agent-Citations und Prompt-Market-Share sind als Kennzahlen schnell benannt. Die schwierigere Frage lautet: Wie erheben Sie diese Werte, ohne ein Budget für Spezialwerkzeuge freizugeben?

Dieser Beitrag beantwortet sie. Er zeigt vier Messwege, die Sie ab morgen einsetzen können, und stützt sich dabei auf eine eigene Auswertung von acht Domains über 115 Tage.

Inhalt

1. Das Wichtigste in Kürze
2. Der Schnelltest, bevor Sie strukturiert messen
3. Warum die drei KPIs ohne Messmethode wertlos bleiben
4. Drei Stufen, vier Messwege: der Rahmen
5. Weg 1: Das Prompt-Set – die Grundlage jeder Messung
6. Weg 2: Agent-Inclusion-Rate von Hand ermitteln
7. Weg 3: KI-Traffic in der Statistik erkennen
8. Weg 4: Server-Logs – wer Ihre Seite tatsächlich abruft
9. Was tatsächlich empfohlen wird
10. Was llms.txt taugt
11. Wie lange es dauert
12. Checkliste für die nächsten 30 Tage
13. Fazit

Das Wichtigste in Kürze

• KI-Traffic ist real, aber extrem ungleich verteilt. In unserer Messung reichte der Anteil von 6,8 Prozent bis exakt null – abhängig vom Seitentyp, nicht von der Branche.
• Bei zwei von acht Domains lieferten KI-Systeme mehr Besucher als Google.
• ChatGPT stellt 74 Prozent des KI-Traffics. Perplexity und Claude bleiben Randerscheinungen.
• Kosten-, Vergleichs- und Anleitungsseiten werden empfohlen, Imageseiten praktisch nie.
• noindex hält KI-Crawler nicht ab. Sechs Systeme riefen Seiten ab, die per Header auf noindex standen.

Der Schnelltest, bevor Sie strukturiert messen

Fünf Fragen, zehn Minuten — danach wissen Sie, wo Ihr Shop heute steht:

1. Fragen Sie ChatGPT: „Welche Anbieter empfiehlst du für [Ihre Produktkategorie] in Deutschland?" — Taucht Ihr Shop auf?
2. Fragen Sie: „Was weißt du über [Ihr Shopname]?" — Stimmt, was zurückkommt?
3. Googeln Sie die wichtigste Frage zu Ihrem Sortiment. Erscheint über den Ergebnissen eine KI-Übersicht — und werden Sie darin genannt?
4. Öffnen Sie Ihre meistbesuchte Kategorieseite: Beantwortet sie in den ersten zwei Sätzen, was Sie anbieten und für wen?
5. Beantwortet Ihre FAQ-Seite die fünf Fragen, die Ihr Kundenservice am häufigsten hört?

Dreimal oder öfter „nein"? Dann lohnt sich der Rest dieses Beitrags doppelt. Der Schnelltest ersetzt allerdings keine Messung — er ist eine Momentaufnahme ohne Vergleichswert. Wie daraus belastbare Zahlen werden, zeigen die vier Wege unten.

Warum die drei KPIs ohne Messmethode wertlos bleiben

PlentyONE hat im Guide zu Agentic Commerce drei Kennzahlen definiert, die künftig zählen: die Agent-Inclusion-Rate, also wie oft Ihr Produkt in der Auswahlliste eines Agenten erscheint. Die Agent-Citations, also wie häufig Ihre Marke in KI-Antworten genannt wird. Und den Prompt-Market-Share, Ihren Anteil bei bestimmten Kundenfragen.

Diese drei Größen sind richtig gewählt. Nur nützt eine Kennzahl nichts, solange niemand sie erhebt. In der Praxis scheitert es selten am Verständnis, sondern an der Frage, wo die Zahl herkommen soll.

Die gute Nachricht: Drei der vier Wege kosten nichts außer Zeit.

Drei Stufen, vier Messwege: der Rahmen

Bevor es in die Umsetzung geht, ein einfacher Rahmen, der die vier Messwege einordnet. KI-Sichtbarkeit entsteht in drei Stufen — und jeder Messweg prüft genau eine davon:

Stufe 1 – Auffindbar: Die KI kennt Ihren Shop. Ihre Seiten werden von den Systemen überhaupt abgerufen, Ihre Produktdaten sind vollständig, Ihr Firmenname ist überall einheitlich geschrieben. Ob das der Fall ist, zeigen die Server-Logs (Weg 4).

Stufe 2 – Zitierbar: Die KI nennt Sie als Antwort. Ihre Seiten liefern Antworten, die ein System wörtlich übernehmen kann — echte Zahlen, klare Aussagen, beantwortete Kundenfragen. Ob das gelingt, messen Prompt-Set und Agent-Inclusion-Rate (Weg 1 und 2).

Stufe 3 – Wirksam: Es kommen Besucher an. Aus Nennungen werden Klicks und im besten Fall Bestellungen. Das zeigt Ihre Besucherstatistik (Weg 3).

Der häufigste Fehler ist, an Stufe 2 zu arbeiten, bevor Stufe 1 steht: Eine KI kann nur empfehlen, was sie zuverlässig kennt.

Damit das Ganze greifbar bleibt, begleitet uns durch die vier Wege ein Beispiel: ein Onlinehändler für Gartenmöbel — 3.000 Artikel, eigener Shop, dazu Amazon und OTTO.

Weg 1: Das Prompt-Set – die Grundlage jeder Messung

Prüft Stufe 2 – Zitierbar.

Ohne festes Prompt-Set ist jede Messung wertlos, weil sich die Werte nicht vergleichen lassen. Sie brauchen eine Liste von Fragen, die Sie in jedem Messdurchlauf identisch stellen.

So bauen Sie ein belastbares Set auf:

1. Kaufabsicht abbilden, nicht Markennamen. „Bestes Werkzeug für X unter 200 Euro" ist ein Prompt. „Firma Müller Werkzeuge" ist keiner – wer Ihren Namen kennt, sucht nicht mehr.
2. Bedingungen einbauen. KI-Antworten reagieren stark auf Einschränkungen: Preisgrenze, Lieferzeit, Zielgruppe, Region. Genau dort entstehen die Unterschiede zwischen Anbietern.
3. Aus echten Quellen schöpfen. Ihre Suchkonsole, Ihre Kundenanfragen per E-Mail, Ihr internes Suchfeld im Shop. Diese Formulierungen sind belegbar, ausgedachte nicht.
4. Mindestens 20 Prompts. Darunter schlägt Zufall stärker durch als jede Optimierung. Bei zehn Prompts entspricht ein einzelner Treffer zehn Prozentpunkten Schwankung.

Für unseren Gartenmöbel-Händler hieße das: „Wetterfeste Lounge-Möbel für einen kleinen Balkon unter 500 Euro" oder „Gartentisch aus Teak, Lieferung bis Samstag" — nicht „Gartenmöbel online kaufen". Die erste Formulierung stellt ein Kunde einer KI, die zweite tippt er bei Google.

Halten Sie das Set anschließend stabil. Wer zwischen zwei Messungen Prompts austauscht, misst zwei verschiedene Dinge.

Weg 2: Agent-Inclusion-Rate von Hand ermitteln

Prüft Stufe 2 – Zitierbar.

Der einfachste Weg braucht kein Werkzeug, nur Disziplin.

Vorgehen:

1. Öffnen Sie ein abgemeldetes Fenster oder einen privaten Modus. Angemeldet verfälscht der Gesprächsverlauf das Ergebnis.
2. Stellen Sie jeden Prompt einzeln, in einem neuen Chat. Folgefragen im selben Verlauf beeinflussen die Antwort.
3. Notieren Sie je Prompt: Wurde Ihre Marke genannt? An welcher Position? Welche Wettbewerber erschienen? Wurde verlinkt oder nur erwähnt?
4. Wiederholen Sie den Durchlauf im Abstand von zwei Wochen.

Die Agent-Inclusion-Rate ergibt sich als Anteil der Prompts mit Nennung. Bei 20 Prompts und 4 Nennungen sind das 20 Prozent.

Der häufigste Messfehler: angemeldet messen. KI-Systeme personalisieren Antworten nach Verlauf und Standort. Wer als eingeloggter Nutzer seine eigene Marke sucht, findet sie – und misst nichts als die eigene Historie.

Der zweithäufigste: einmalig messen. Ein einzelner Durchlauf ist eine Momentaufnahme. Erst die Reihe über mehrere Wochen zeigt eine Richtung.

Aufwand: rund 60 Minuten je Durchlauf und System.

Weg 3: KI-Traffic in der Statistik erkennen

Misst Stufe 3 – Wirksam.

Hier wird es interessant, denn diese Zahl liegt bereits vor – die meisten Händler schauen nur nicht danach.

Klickt ein Nutzer in einer KI-Antwort auf Ihren Link, überträgt sein Browser die Herkunft. In Ihrer Statistik erscheint dann eine dieser Quellen:

Legen Sie dafür ein festes Segment an. Danach ist die Zahl ohne weiteren Aufwand jederzeit abrufbar.

Was diese Messung bei uns ergeben hat

Wir haben acht Domains über 115 Tage ausgewertet, gemessen mit einer selbst gehosteten Analyse-Software ohne Cookies. Die Werte sind bewusst relativ ausgewiesen – absolute Besucherzahlen sagen über fremde Shops ohnehin nichts aus.

Zwei Beobachtungen sind für die Praxis entscheidend.

Erstens: Bei zwei Domains übertraf der KI-Traffic den aus Google. Das medizinische Fachportal und das Vergleichsportal erhielten je rund doppelt so viele Besucher aus KI-Systemen wie aus der Google-Suche. Beides sind Seiten, die Fachfragen vollständig beantworten.

Zweitens: Lokale Dienstleister erhielten nichts. Eine Domain kam in 115 Tagen auf exakt null Besucher aus KI-Systemen, bei durchaus vorhandenem Google-Traffic. Wer regional verkauft, sollte hier keine Umsätze erwarten – die Optimierung zahlt auf ein anderes Konto ein.

Die Verteilung nach System war deutlich:

Eine Einschränkung, die Sie kennen müssen: Googles KI-Übersichten tauchen in dieser Messung überhaupt nicht auf. Sie verlinken innerhalb der Google-Suche, der Referrer bleibt „Google". Die ausgewiesenen Werte sind damit eine Untergrenze, nicht der Gesamteffekt. Wer Ihnen eine exakte Gesamtzahl für KI-Sichtbarkeit verspricht, misst etwas, das derzeit niemand sauber messen kann.

Weg 4: Server-Logs – wer Ihre Seite tatsächlich abruft

Prüft Stufe 1 – Auffindbar.

Die Statistik zeigt Menschen. Sie zeigt keine Maschinen, denn KI-Crawler führen kein JavaScript aus und tauchen dort nie auf. Wer wissen will, ob die Systeme seine Inhalte überhaupt erfassen, muss in die Server-Logs. Falls Sie die noch nie geöffnet haben: Ihr Hoster oder Ihre Agentur kommt in wenigen Minuten heran — die Frage „Welche KI-Crawler rufen unsere Seiten ab?" reicht als Arbeitsauftrag.

Relevante Kennungen im User-Agent – dem Namen, mit dem sich jedes Programm beim Server vorstellt:

Die Unterscheidung ist wichtiger, als sie aussieht. Trainings-Crawler nehmen Inhalte für künftige Modelle auf – Wirkung frühestens in Monaten. Live-Abrufer wie OAI-SearchBot und ChatGPT-User holen Ihre Seite in dem Moment, in dem ein Nutzer fragt. Nur die zweite Gruppe beeinflusst Antworten sofort.

Was die Logs bei uns zeigten

Über 15 Tage entfielen 0,59 Prozent aller Zugriffe auf KI-Systeme. Nach Anteil am KI-Verkehr führte meta-externalagent mit 44 Prozent, gefolgt von Bytespider mit 20 und OAI-SearchBot mit 12 Prozent.

Der bemerkenswerte Teil: Beide gemessenen Hosts liefern den Header X-Robots-Tag: noindex, nofollow aus. Google indexiert sie nicht. Sechs KI-Systeme riefen sie trotzdem ab.

Wenn Sie also Inhalte mit noindex vor KI-Systemen schützen wollen: Das funktioniert nicht. noindex steuert die Indexierung durch Suchmaschinen, nicht den Abruf durch Crawler. Wer Inhalte fernhalten will, braucht Einträge in der robots.txt – und selbst darauf ist kein Verlass. Zwei der acht Systeme haben die robots.txt im gesamten Zeitraum nicht ein einziges Mal abgerufen.

OAI-SearchBot war dagegen an allen 15 Tagen aktiv. Die ChatGPT-Suche schaut täglich vorbei.

Was tatsächlich empfohlen wird

Die Landeseiten des KI-Traffics zeigen ein klares Muster. Die meistbesuchten Seiten in unserer Messung:

Drei der sechs stärksten Seiten sind Kostenseiten. Dazu Vergleiche, Alternativen-Listen und eng gefasste Anleitungen.

Für den Handel übersetzt heißt das: Eine Seite, die „Was kostet ein X und wovon hängt der Preis ab" vollständig beantwortet, wird empfohlen. Eine Kategorieseite mit 200 Artikeln und einem Absatz Einleitung wird es nicht. Unser Gartenmöbel-Händler bräuchte also eine Seite „Was kosten wetterfeste Gartenmöbel – und wovon hängt der Preis ab", einen Materialvergleich Teak gegen Polyrattan und eine Pflegeanleitung – nicht die zwanzigste Kategorieseite.

Bemerkenswert ist ein Nebenbefund: Auch kommerzielle Seiten erhielten KI-Traffic. Preisseite, Leistungsseite und sogar die Kontaktseite lagen bei je 11 bis 13 Aufrufen. Die verbreitete Annahme, KI-Systeme verwiesen ausschließlich auf redaktionelle Inhalte, trifft nicht zu.

Was llms.txt taugt

Zu kaum einer Datei kursieren so viele Empfehlungen. Die llms.txt soll KI-Systemen eine aufbereitete Übersicht der eigenen Inhalte anbieten, ähnlich einer Sitemap.

Die Datenlage ist inzwischen eindeutig, und sie spricht gegen den Aufwand.

Ahrefs hat im Juni 2026 137.210 Domains ausgewertet. 28 Prozent davon veröffentlichen eine gültige llms.txt. Von diesen Dateien erhielten 97 Prozent im gesamten Messmonat null Anfragen. Bei den wenigen, die überhaupt abgerufen wurden, stammten die Zugriffe überwiegend nicht von KI-Systemen: 21,7 Prozent kamen von SEO-Prüfwerkzeugen, 13,1 Prozent von allgemeinen Crawlern. Auf KI-Retrieval-Bots – also genau jene, die Antworten mit Quellen belegen – entfielen 1,1 Prozent.

Der aufschlussreichste Satz der Studie betrifft das Verhalten: KI-Bots fragen die Datei nicht an, wenn sie nicht existiert – sie suchen nicht danach.

Noch deutlicher wird Google selbst. Im offiziellen AI Optimization Guide vom Juli 2026 nennt der Konzern „LLMS.txt files" wörtlich und stellt fest, dass man sie nicht braucht. Unsere eigene Messung deckt sich damit: kein einziger Abruf über den gesamten Zeitraum.

Eine Einordnung, die in der Debatte meist fehlt: Die Datei wurde nie als Sichtbarkeitsmaßnahme vorgeschlagen. Die Spezifikation zielt auf Kontext für Programmier-Assistenten, nicht auf Empfehlungen in KI-Antworten. Wer schreibt, llms.txt funktioniere nicht, widerlegt damit etwas, das sie nie behauptet hat. Und Google ist sich selbst uneins: Während die Suche abwinkt, prüft Chrome Lighthouse seit Mai 2026 aktiv auf ihr Vorhandensein.

Ebenfalls verbreitet, aber unbelegt: die Behauptung, OpenAI, Anthropic oder Perplexity unterstützten das Format offiziell. Diese Anbieter veröffentlichen eine llms.txt für ihre eigene Dokumentation – sie lesen keine als Ranking-Signal.

Bemerkenswert ist das trotzdem. Wenn ausgerechnet die KI-Anbieter selbst eine solche Datei pflegen, halten sie das Format für nützlich – nur eben für seinen ursprünglichen Zweck: damit Assistenten eine Dokumentation sauber aufnehmen, wenn jemand danach fragt.

Die praktische Konsequenz für Sie: Verkaufen Sie an Endkunden, ist die Datei für Ihre Sichtbarkeit ohne Belang. Betreiben Sie eine Schnittstelle oder eine Händler-Dokumentation, über die Entwickler ihre KI-Assistenten befragen, arbeiten Sie im eigentlichen Anwendungsfall – dann lohnen sich die zwanzig Minuten.

Wie lange es dauert

Eine realistische Erwartung fehlt in den meisten Beiträgen zum Thema, deshalb hier die Größenordnungen aus unserer Beobachtung:

Live-Abrufer wie OAI-SearchBot erfassen Änderungen binnen Tagen. Trainingsbasierte Antworten ändern sich erst mit dem nächsten Modell – darauf lässt sich nicht planen.

Checkliste für die nächsten 30 Tage

Die Reihenfolge folgt dem Stufen-Rahmen: Punkt 1–5 schaffen die Messbasis, Punkt 6–7 verbessern die Auffindbarkeit (Stufe 1), Punkt 8–9 die Zitierbarkeit (Stufe 2), Punkt 10–12 machen die Entwicklung sichtbar (Stufe 3).

Punkt 5 wird am häufigsten übersehen. Manche Shopsysteme sperren KI-Crawler in der Standardkonfiguration – wer das nicht prüft, optimiert gegen eine geschlossene Tür.

Fazit

KI-Sichtbarkeit lässt sich messen, und zwar überwiegend mit Bordmitteln. Was fehlt, ist selten das Werkzeug, sondern der erste festgehaltene Ausgangswert.

Beginnen Sie mit dem Prompt-Set und einer einzigen Messung. Ohne diesen Wert können Sie in drei Monaten nicht sagen, ob sich etwas bewegt hat – und genau das ist die Frage, die Ihnen dann gestellt wird.

Die vollständige Auswertung mit Methodik, dem Prompt-Set als Vorlage und dem Auswertungsskript für Server-Logs steht offen zur Verfügung: adfera. Erhoben über acht Domains und 115 Tage, Stand August 2026.

Zur Methodik

Zeitraum 22. April bis 14. August 2026. Acht Domains kleiner bis mittlerer deutscher Anbieter, 38.075 Seitenaufrufe. Analyse mit selbst gehosteter, cookiefreier Statistik-Software. Crawler-Auswertung über nginx-Logs zweier Hosts, 15 Tage, 40.867 Zugriffe.

Grenzen: Acht Domains eines Anbieters ergeben keine Repräsentativität. Eine Domain stellt 74 Prozent der Aufrufe, weshalb sämtliche Werte je Domain ausgewiesen sind und nicht als Durchschnitt. Googles KI-Übersichten sind über Referrer nicht messbar; der ausgewiesene KI-Anteil ist eine Untergrenze. Die Crawler-Messung umfasst nur zwei Hosts über 15 Tage.

Externe Quellen: Die Angaben zur llms.txt stützen sich auf die Ahrefs-Auswertung von 137.210 Domains (Juni 2026) sowie auf Aussagen von John Mueller, Google, aus dem Jahr 2025.

Über die Autorin

Moritz Lehmann

Moritz Lehmann ist Geschäftsführer von adfera und betreut seit 2019 über 50 Website- und E-Commerce-Projekte. Sein Schwerpunkt liegt auf messbarer Sichtbarkeit für kleine und mittlere Unternehmen — vom technischen Fundament bis zur Frage, welche Inhalte in Suchmaschinen und KI-Systemen tatsächlich empfohlen werden.