Wie wir KI-Sichtbarkeit messen
Wir halten fest, wie ein festgelegtes Panel von KI-Modellen Käuferfragen zu einem Unternehmen beantwortet, mit und ohne Websuche. Der Bericht hält die Beobachtungen, den Kontext und die Grenzen sichtbar.
Drei Fragen, getrennt gehalten
Ein Unternehmen kann in derselben Messung genannt, falsch beschrieben und nie empfohlen werden. Jedes davon ist eine andere Beobachtung mit einer anderen Korrektur. Deshalb addiert der Bericht sie nie zu einer einzigen Zahl.
Nennt die KI das Unternehmen?
Präsenz
Für jede Käuferfrage: ob die Antwort das Unternehmen überhaupt nennt. Der Bericht gibt die Zahl der Antworten an, in denen es erschien, und die Zahl der angeforderten Antworten, pro Modus. Wenn diese Zahl zu klein ist, um etwas auszusagen, ist die Zahl der Befund, und es wird keine Punktzahl daraus gemacht.
Wie beschreibt die KI es?
Wahrnehmung
Wenn ein Modell das Unternehmen nennt: der Satz, den es geschrieben hat, mit Leistungen, Gebiet, Preisklasse und Ton. Jede Beschreibung wird mit Fakten verglichen, die Sie prüfen können, und eine falsche Angabe wird mit der Quelle festgehalten, die das Modell genannt hat, falls es eine genannt hat. Das ist eine Beobachtung dessen, was gesagt wurde, kein Anteil an Antworten.
Würde die KI es empfehlen?
Präferenz
Der Käufer fragt nach einer Empfehlung oder einem Vergleich, und das Modell wählt. Der Bericht hält fest, wen es nach vorne gestellt hat, an welcher Position und mit welcher Begründung. Genannt werden ist nicht dasselbe wie empfohlen werden, und keines von beiden misst Leads.
Zwei Testkonfigurationen
Jede Frage wird sechs Modellen ohne Websuche und sieben mit Websuche gestellt. Perplexity wird nur mit Websuche gemessen. Die beiden Konfigurationen stehen nebeneinander und werden nie zusammengelegt.
Was uns das nicht sagt: was ein Modell genau behalten hat, oder dass ein Anbieter eine bestimmte Seite wirklich gelesen hat, weil die Suche aktiv war. Ein Unternehmen, das in beiden Modi fehlt, beweist für sich allein kein Problem mit einer Seite, und eine Änderung zwischen zwei Messungen beweist für sich allein nicht, dass eine Korrektur sie verursacht hat.
Das Protokoll: erwartet, erhalten, verwertbar
8 Käuferfragen pro Blickwinkel und pro Ziel × (6 Modelle ohne Websuche + 7 mit Websuche) = 104 erwartete Antworten pro Blickwinkel und Ziel. Drei Blickwinkel = 312 erwartete Antworten pro Ziel.
Panel: ChatGPT, Claude, Gemini, Grok, Perplexity, Mistral, Muse Spark from Meta. Die Versionen in einem Bericht sind die, die während dieser Messung festgehalten wurden.
312 pro Ziel ist die angeforderte Zahl, nicht die erhaltene. Ein Aufruf kann scheitern oder nichts Verwertbares liefern; der Bericht sagt das, statt ihn als Antwort zu zählen. Die Käuferfragen, auch Prompts genannt, sind acht Fragen pro Blickwinkel, wiederholt über die infrage kommenden Modelle, keine 312 verschiedenen Fragen.
Wie stark bewegen sich die Antworten von selbst?
Bevor ich etwas eine Änderung nenne, habe ich den Zufall gemessen. Am 8. Oktober 2026 habe ich in Montréal dieselben Fragen denselben Modellen zweimal am selben Tag gestellt. Mit Websuche bewegte sich ein Unternehmen um höchstens 6 von 56 Antworten. Unter 5 Nennungen kommen und gehen Namen von einer Messung zur nächsten. Im 30-day proof loop zählt eine Änderung also nur jenseits dieser Spanne, und nur für ein Unternehmen, das in einer der beiden Messungen mindestens 5-mal genannt wird.
Grenze: eine Stadt (Montréal), ein Messpaar pro Modus. Diese Regel wird in anderen Städten und ohne Websuche erneut gemessen und dann mit ihrem Datum aktualisiert.
Kontrolle mit Websuche, gemessen am 8. Oktober 2026 in Montréal. IDs der Quell-Audits: cmuznhmvf008njmzhazw5p5a7, cmuznjcnm00nbjmzhk8ixzigc, cmuzq2ibj011xjmzh6gxguz24, cmuzq2ryz013vjmzhidg3ybeh
Wie jeder Befund gelesen wird
Jede Beobachtung enthält die Frage, das Modell und die verfügbare Version, das Datum, den Modus, die Antwort oder einen getreuen Auszug, die Quelle, die das Modell genannt hat, falls es eine genannt hat, und eine getrennte Auslegung. Der Rohtext bleibt erhalten, damit eine Zeile, die ein Kunde bestreitet, mit dem verglichen werden kann, was das Modell geschrieben hat, und nicht mit einer Zusammenfassung.
Eine Priorität enthält die Maßnahme, den Beleg, auf dem sie beruht, wer sie umsetzt und wie sie geprüft wird. Wurde die Formulierung eines nächsten Schritts nach der Erstellung des Berichts verbessert, sagt die Seite das; sie wird nicht als Zitat aus dem PDF ausgegeben.
Grenzen, und was eine erneute Messung bedeutet
Modelle sind nicht stabil: Dieselbe Frage, zweimal gestellt, kann die Formulierung ändern und manchmal die Empfehlung. Eine erneute Messung hält Fragen, Panel und Kontext gleich und hält fest, welche Modellversionen sich dazwischen geändert haben. Nur so bedeutet ein Vorher und Nachher etwas, und auch dann zeigt sie eine Bewegung, keine Ursache.
Wir messen keine Leads, keinen Traffic und nicht, wie viele Menschen eine Antwort gesehen haben; kein Modell veröffentlicht das. Eine Nennung, ein Zitat, eine Präsenz oder eine Präferenz ist das, was die Modelle auf Nachfrage gesagt haben, und nichts davon misst direkt einen Interessenten oder einen Verkauf.
Das Messdatum und das Erstellungsdatum des Berichts werden getrennt festgehalten.
Angaben zum Unternehmen
- Offizieller Name
- VectorGap
- Marke
- VectorGap
- Gegründet
- Mai 2026
- Sitz
- Brüssel, Belgien
- Kontakt
- gap@vectorgap.ai
Auch auf der Seite Über uns.
