Bevor Sie KI faktenchecken: was sie wirklich über Marken sagt

Empfohlen ist nicht die oberste Stufe der Leiter

Wir messen KI-Sichtbarkeit als eine Leiter mit fünf Stufen: KI liest Ihre Website, zitiert Ihre Seiten, erwähnt Ihre Marke, empfiehlt Sie und beschreibt Sie korrekt. Die meisten Tools und die meisten Marketingteams hören bei Stufe vier auf zu zählen. Wenn KI Sie empfiehlt, scheint die Arbeit getan.

1. 4
   Empfohlen

   KI nennt Sie an erster Stelle oder stellt Sie als beste Lösung dar.

2. 5
   Korrekt beschrieben

   Was KI über Sie sagt, stimmt: die richtigen Preise, Produkte, Märkte und Stärken.

Doch eine Empfehlung, die auf falschen Fakten beruht, kann mehr kosten als gar keine Empfehlung. Der Käufer kommt mit dem alten Preis, dem fehlenden Feature oder dem falschen Lieferland im Kopf, und der Verkauf bricht im letzten Schritt ab. In Ihren Analytics ist der Grund nirgends zu sehen. Deshalb behandeln wir „korrekt beschrieben“ als eigene Stufe mit eigener Messung.

Was wir in unserer ersten Analyse gesehen haben

Jede Antwort eines KI-Modells über eine Marke enthält kleine Faktenangaben: „kostet X pro Monat“, „ist in Y verfügbar“, „lässt sich mit Z integrieren“. Wir nennen diese Aussagen. Aussagen mit gleichem Wortlaut zählen einmal.

4.010KI-Antworten

754Antworten, die die Marke nannten

31.447zitierte Quellen

4 KI-Modelle

6 Märkte4 Sprachen

31 Tagemit Antworten

Untersuchungszeitraum7. Aug. 2026 – 19. Sep. 2026

Wir haben 4.010 Antworten von ChatGPT, Gemini, Perplexity und Google AI Overviews auf Käuferfragen in sechs Märkten gesammelt: Abenteuerreisen, Architekturmarketing, E-Commerce, CRM-Software, Online-Therapie und KI-Tools. Zusammen zitierten diese Antworten 31.447 Quellen. KI erwähnte die betreffende Marke in 754 der 4.010 Antworten (18,8 %). Dieser Durchschnitt verbirgt eine große Streuung: In zwei Märkten nannte KI die Marke in mehr als der Hälfte der Antworten. In den anderen vier nannte sie die Marke in etwa 2 % bis 11 % davon. Aussagen können nur aus Antworten stammen, die die Marke nennen, daher nutzt die Aussagenanalyse eine Teilmenge davon:

Die analysierten Antworten stammten von ChatGPT, Gemini und Google AI Overviews, auf Käuferfragen in vier der sechs Märkte: CRM-Software, E-Commerce, Abenteuerreisen und Architekturmarketing. Im Durchschnitt enthielt eine Antwort 3,8 Aussagen über die Marke (2.166 Aussagen-Nennungen in 567 Antworten). Je nach Markt machte KI zwischen 48 und 985 verschiedene Aussagen über die Marke.

Eine Aussagen-Nennung ist eine Aussage in einer Antwort. Dieselbe Aussage kann in mehreren Antworten vorkommen, daher gibt es mehr Nennungen (2.166) als verschiedene Aussagen (2.084). 13 Aussagen kommen in zwei KI-Modellen vor, daher ergeben die Zeilen der KI-Modelle zusammen 2.097 verschiedene Aussagen, nicht 2.084.

Nur wenige Marketingteams könnten alles aufzählen, was KI über sie sagt. Fast keines hat es geprüft.

Drei Urteile, nicht zwei

Um eine Aussage zu prüfen, brauchen Sie etwas, womit Sie sie abgleichen: Ihre eigenen Fakten. Was Sie verkaufen, an wen, wo und zu welchem Preis. Jede Aussage wird dann mit diesen Fakten verglichen und erhält eines von drei Urteilen:

Das dritte Urteil ist wichtig. Eine einfache Wahr-oder-falsch-Prüfung zwingt jede Aussage in eine von zwei Schubladen. In der Praxis wird vieles, was KI über eine Marke sagt, durch nichts bestätigt oder widerlegt, was die Marke aufgeschrieben hat.

Die größte Lücke: was Sie nie aufgeschrieben haben

Wenn eine Marke etwas nicht klar nennt, schweigt KI nicht. Sie füllt die Lücke aus Bewertungen, alten Seiten, Vergleichsartikeln von Wettbewerbern oder ihrem eigenen Training. Die „nicht abgedeckte“ Aussage im Beispiel kann sogar wahr sein. Aber die Marke hat sie nicht gewählt und sieht sie nur, wenn sie danach sucht.

Das verändert die Aufgabe. Zu korrigieren, was KI falsch macht, ist nur die halbe Arbeit. Die andere Hälfte besteht darin, die Fakten zu nennen, über die KI ständig spekuliert, in klaren Worten, auf Seiten, die KI finden kann.

Gelobt, und trotzdem falsch

KI-Modelle sind Marken gegenüber meist wohlwollend. In unserer Untersuchung waren 68,8 % der 2.084 Aussagen positiv, 27,5 % neutral und nur 3,7 % negativ. In einem Sentiment-Report sieht das nach guten Nachrichten aus. Aber eine positive Aussage ist keine korrekte Aussage:

Das Sentiment sagt Ihnen, wie KI über Sie denkt. Es sagt Ihnen nicht, ob KI recht hat. Sie brauchen beides, und zwar pro Aussage, nicht als einen durchschnittlichen Score.

Jedes KI-Modell erzählt seine eigene Geschichte

Um KI-Modelle fair zu vergleichen, haben wir die 2.084 Aussagen nach Bedeutung in 157 Themen gruppiert, etwa die Preise einer Marke, ihre Benutzerfreundlichkeit oder ihr Liefergebiet. Dann haben wir gezählt, welche KI-Modelle jedes Thema angesprochen haben:

Etwa ein Drittel der Themen kam in allen drei KI-Modellen vor. Aber 41,4 % kamen nur in einem vor. Ein Käufer, der ChatGPT fragt, und ein Käufer, der Gemini fragt, können von unterschiedlichen Seiten derselben Marke hören.

Bei den Quellen sind die Unterschiede noch größer. Die Antworten hinter den Aussagen zitierten 952 verschiedene Websites. 83,8 % dieser Websites wurden nur von einem KI-Modell zitiert, 11,8 % von zweien und nur 4,4 % (42 Websites) von allen dreien. Jedes KI-Modell baut sich sein Bild Ihrer Marke aus einem eigenen Satz von Seiten auf.

Hinweis zu diesen Zahlen. Ein automatischer Gruppierungsschritt ordnet die Aussagen Themen zu, daher sind die Grenzen zwischen den Themen nicht exakt. Zwei KI-Modelle, die dasselbe Thema ansprechen, können dazu trotzdem Unterschiedliches sagen. Und eine Website, die nur ein KI-Modell zitiert hat, kann den anderen trotzdem bekannt sein.

Das ist für die Genauigkeit wichtig, denn ein KI-Modell nennt womöglich den aktuellen Preis, während ein anderes den alten wiederholt. In diesem Fall liegt der Fehler nicht bei „der KI im Allgemeinen“. Er steckt meist in den konkreten Seiten, auf die sich ein KI-Modell stützt, oder in dem, was dieses Modell im Training gelernt hat. Deshalb lässt er sich zurückverfolgen: indem Sie jedes KI-Modell separat prüfen und sich die Quellen ansehen, die seine Antworten zitieren.

Live-Seite oder Gedächtnis?

KI-Antworten stützen sich auf zwei Ebenen: auf das, was das KI-Modell gerade im Web findet (Echtzeit), und auf das, was das Modell im Training gelernt hat (Gedächtnis). Woher eine falsche Aussage stammt, bestimmt, wie Sie sie beheben. Einen ersten Hinweis liefert die Antwort hinter der Aussage: Hat sie Quellen zitiert oder nicht?

Unserer Untersuchung zufolge zitierten 78 % der Antworten hinter den Aussagen mindestens eine Quelle. Zusammen zitierten sie 6.504 Quellen: 3.785 verschiedene Seiten auf 952 verschiedenen Websites. Der Anteil unterschied sich je nach KI-Modell stark:

Für die meisten Aussagen gibt es eine Seite, die sich zurückverfolgen lässt. Bei Gemini zitierte fast die Hälfte der Antworten nichts, daher lassen sich seine Aussagen schwerer einer Seite zuordnen.

Hinweis zu dieser Aufteilung. Eine Antwort ohne zitierte Quellen beweist nicht, dass das KI-Modell keine Webseiten genutzt hat. KI-Modelle unterscheiden sich außerdem darin, wie sie Quellen anzeigen, und die ChatGPT-Antworten in dieser Stichprobe wurden mit eingeschalteter Websuche erhoben. Verstehen Sie die beiden Fälle als Ansatzpunkte für die Untersuchung, nicht als genaue Ursachen, und lesen Sie die Tabelle nicht als Ranking der KI-Modelle.

Was Sie dagegen tun können

Für die Genauigkeit nutzen wir dieselben vier Schritte wie für jeden anderen Teil der KI-Sichtbarkeit:

1. 1
   Sehen

   Halten Sie Ihre Fakten fest: Produkte, Preise, Märkte, wen Sie bedienen. Sammeln Sie dann, was KI tatsächlich über Sie behauptet, über KI-Modelle hinweg, aus echten Antworten.

2. 2
   Verstehen

   Ordnen Sie jede Aussage ein: bestätigt, widerlegt oder nicht abgedeckt. Prüfen Sie, welches KI-Modell sie macht und welche Quellen die Antwort genutzt hat.

3. 3
   Handeln

   Beheben Sie widerlegte Aussagen an der Quelle: zuerst auf Ihren eigenen Seiten, dann auf den Drittseiten, die die Antworten zitieren. Machen Sie häufige „nicht abgedeckte“ Aussagen zu klaren, auffindbaren Fakten.

4. 4
   Messen

   Prüfen Sie weiter. Eine Korrektur auf einer Live-Seite kann sich schnell zeigen. Eine Lücke im Gedächtnis schließt sich langsam, über Modell-Updates hinweg.

Vosapio übernimmt diese vier Schritte für Sie: Es sammelt die Antworten, extrahiert die Aussagen, prüft sie anhand der von Ihnen eingegebenen Fakten und bewahrt die Quellen hinter jeder Antwort auf. Siehe wie Vosapio KI-Sichtbarkeit trackt, oder vergleichen Sie die Tarife für Marken und die Tarife für Agenturen.

Für Agenturen

Führen Sie dieselbe Prüfung für jeden Kunden durch. Zeigen Sie jedem Kunden, welche Aussagen KI über ihn trifft, welches KI-Modell sie macht und welche Quellen dahinterstehen. So eröffnen Sie schnell ein Kundengespräch mit Daten statt mit Meinungen und einigen sich darauf, welche Seiten zuerst korrigiert werden.

Methode und Grenzen

• Gesamtdatensatz. 4.010 Antworten von ChatGPT, Gemini, Perplexity und Google AI Overviews auf 297 getrackte Käuferfragen in sechs Märkten und vier Sprachen (Englisch, Deutsch, Französisch und Rumänisch), gesammelt zwischen dem 7. August und dem 19. September 2026 (an 31 Tagen). Die Antworten zitierten 31.447 Quellen.
• Die 19 % sind ein Durchschnitt, kein Richtwert. Er fasst sechs Märkte sehr unterschiedlicher Größe zusammen, und der größte Markt hatte eine der niedrigsten Raten. Ob eine Erwähnungsrate hoch oder niedrig ist, hängt vom Markt, von der Marke und von den gestellten Fragen ab.
• Aussagenanalyse. 567 Antworten von ChatGPT, Gemini und Google AI Overviews auf 79 Fragen, in vier der sechs Märkte und vier Sprachen. Die Aussagen wurden zwischen dem 24. September und dem 10. Oktober 2026 automatisch extrahiert. Alle Zahlen zu Aussagen, Sentiment und Quellen in diesem Artikel stammen aus diesen 567 Antworten.
• Wie die 567 Antworten ausgewählt wurden. Nur Antworten, die die Marke erwähnen, können Aussagen über sie enthalten: 754 der 4.010 Antworten taten das. Für jede Marke nimmt die Analyse die neuesten Antworten, die sie erwähnen und noch nicht analysiert wurden, und stoppt pro Durchlauf nach 500 Antworten oder 500 Aussagen. Die 567 sind die Antworten, die mindestens eine Aussage ergeben haben. Das ist keine Zufallsstichprobe: Sie tendiert zu den neuesten Antworten und zu den Marken, die KI am häufigsten erwähnt.
• Kleine Stichprobe. Vier Märkte und drei KI-Modelle in der Aussagenanalyse. Die Zahlen beschreiben diese Stichprobe. Sie sind keine Schätzung für alle Marken oder alle KI-Modelle.
• Gruppierung. Die Gesamtzahlen zählen Aussagen nur dann als gleich, wenn ihr Wortlaut übereinstimmt, daher sind sie höher als eine Zählung nach Bedeutung. Für den Vergleich der KI-Modelle hat ein automatischer Schritt außerdem alle 2.084 Aussagen nach Bedeutung in 157 Themen gruppiert.
• Automatische Extraktion. Ein Modell extrahiert aus jeder Antwort die Aussagen und deren Tonalität. Manche Aussagen werden dabei falsch aufgeteilt, zusammengeführt oder eingestuft.
• Noch keine Genauigkeitsraten. Die Marken hatten ihre eigenen Fakten nicht eingegeben, daher hat keine Aussage ein Urteil. Wir veröffentlichen keine Prozentwerte richtiger oder falscher Aussagen und aktualisieren diesen Artikel, sobald wir sie haben.
• Die Fakten kommen von der Marke. Eine Aussage lässt sich nur anhand dessen prüfen, was eine Marke festhält. Eine Marke mit wenigen Fakten erhält mehr Urteile „nicht abgedeckt“.
• Keine Markennamen. Unsere Zahlen sind aggregiert. Keine der Marken dahinter wird genannt.