Wie ich AI Visibility Audits mit citelayer® denke

Stand: Juni 2026. Ein AI Visibility Audit ist kein ChatGPT-Testprompt. Wenn du einmal fragst „Empfiehl mir Anbieter für X“ und deine Marke nicht auftaucht, hast du einen Hinweis. Noch keinen Befund. Wenn du auftauchst, hast du ebenfalls nur einen Hinweis. Noch keinen Sieg.

Genau hier beginnt die eigentliche Arbeit. AI Visibility misst nicht nur, ob eine Marke irgendwo genannt wird. Sie fragt: Wird sie korrekt verstanden? Aus welchen Quellen entsteht dieses Bild? Welche Wettbewerber werden stattdessen empfohlen? Welche technischen Signale helfen, welche sind nur hübscher Theaternebel? Und welche Lücken kann man wirklich schließen, ohne das Web mit dünnem KI-Füllstoff zu beleidigen?

Die Kurzfassung

• Ein AI Visibility Audit ist eine Untersuchung, kein Orakel. Es prüft, wie KI-Antwortsysteme eine Marke, ein Produkt oder eine Dienstleistung aktuell einordnen.
• Ein einzelner Prompt reicht nicht. Plattform, Modell, Zeitpunkt, Frageformulierung und Quellenlage können Ergebnisse verändern.
• Gemessen werden mehrere Ebenen: tatsächliche Erwähnungen, Quellen, Wettbewerber, Marken- und Entitätsklarheit, Inhalte, Technik und Prioritäten.
• Technische Signale sind wichtig, aber nicht allein entscheidend. Schema, llms.txt, Markdown, robots.txt und Crawler-Zugriff helfen nur, wenn die Inhalte selbst klar, aktuell und belegbar sind.
• Ein Score ist eine Landkarte, nicht die Landschaft. Er hilft beim Priorisieren. Er ersetzt keine fachliche Einordnung.
• Für WordPress ist das besonders praktisch: Viele Ursachen lassen sich konkret verbessern: zentrale Seiten, interne Links, strukturierte Daten, Autor:innen, Kategorien, veraltete Inhalte und maschinenlesbare Formate.

Meine Haltung: Ein gutes Audit macht dich nicht abhängig von einem Tool. Es macht sichtbar, welche Annahmen gerade tragen, welche nicht und wo die nächsten sinnvollen Schritte liegen.

Was ist ein AI Visibility Audit?

Ein AI Visibility Audit prüft, ob und wie eine Marke in KI-Antwortsystemen vorkommt. Sichtbar heißt dabei mehr als „irgendwo steht der Name“. Sichtbar kann bedeuten: Die Marke wird genannt, korrekt beschrieben, als Quelle zitiert, mit Wettbewerbern verglichen, empfohlen oder eben übergangen.

Wichtig ist die Kombination. Ein Audit schaut nicht nur auf die Antwortoberfläche, sondern auch auf die Ursachen dahinter: Website-Struktur, Marken- und Produktklarheit, externe Belege, strukturierte Daten, Zugriffspolitik für Crawler, Suchdaten, Content-Lücken und Wettbewerberpräsenz. Erst daraus entsteht ein Bild, mit dem man arbeiten kann.

Der Unterschied zu einem klassischen SEO-Audit ist nicht, dass SEO plötzlich egal wäre. Im Gegenteil. Google schreibt selbst, dass SEO-Grundlagen für generative AI-Funktionen in Google Search relevant bleiben. Aber AI Visibility stellt zusätzliche Fragen: Welche Quellen nutzt das System? Welche Antwort entsteht ohne Klick? Welche Wettbewerber werden genannt, obwohl du rankst? Und wie klar ist die Entität hinter deinem Namen?

Was kein Audit ist

Kein Audit ist ein Screenshot aus ChatGPT mit der Überschrift „Wir sind unsichtbar“. Kein Audit ist ein Tool-Score ohne Quellen, Zeitraum und Plattformangaben. Und kein Audit ist eine Liste von 50 Empfehlungen, bei der alles gleich dringend klingt.

AI-Antworten sind beweglich. Sie hängen von Anfrage, Sprache, Standort, Modell, Abrufzeitpunkt, verfügbaren Quellen und manchmal auch von der Oberfläche ab. Deshalb muss ein Audit sauber dokumentieren, was geprüft wurde. Sonst wird aus einer Momentaufnahme ein Urteil, das sie gar nicht tragen kann.

Ein gutes Audit trennt außerdem Befund, Interpretation und Maßnahme. „Die Marke wurde in 8 von 20 Prompts nicht erwähnt“ ist ein Befund. „Die Marke ist als Entität unscharf“ ist eine mögliche Interpretation. „Über-uns-Seite, Produktseite, externe Profile und Schema-Graph konsistent nachziehen“ ist eine Maßnahme. Diese Trennung klingt trocken. Sie verhindert aber, dass aus jedem Messwert sofort Aktionismus wird.

Die fünf Fragen, die ich zuerst stelle

In meiner citelayer®-Audit- und Produktarbeit haben sich fünf Einstiegsfragen bewährt. Sie sind absichtlich schlicht. Gerade deshalb entlarven sie schnell, ob wir ein echtes Sichtbarkeitsproblem, ein Messproblem oder ein Positionierungsproblem vor uns haben.

1. Wofür soll die Marke sichtbar sein? Für eine Kategorie, ein konkretes Produkt, eine lokale Dienstleistung, ein Problem, eine Empfehlung oder eine fachliche Frage?
2. Wer oder was ist die Marke? Person, Firma, Produkt, Plugin, Methode, Shop, Studio oder mehrere Entitäten, die sauber verbunden werden müssen?
3. Welche Quellen beschreiben diese Marke aktuell? Eigene Website, Search Console, strukturierte Daten, Drittprofile, Bewertungen, öffentliche Code-Verzeichnisse, Marktplätze, Presse, Videos, Branchenlisten.
4. Welche Wettbewerber erscheinen stattdessen? Nicht nur bei Google, sondern auch in ChatGPT, Perplexity, Claude, Gemini und Google AI.
5. Welche Lücke ist zuerst geschäftlich relevant? Fehlt eine Definition, ein Beleg, eine Vergleichsseite, eine technische Freigabe, eine zentrale Angebotsseite oder eine klare Antwort auf Kaufentscheidungsfragen?

Das ist der Punkt, an dem AI Visibility angenehm unromantisch wird. Nicht jede fehlende Erwähnung ist ein Drama. Nicht jede Erwähnung ist wertvoll. Und nicht jede technische Optimierung hat denselben Hebel.

Warum eine Plattform nicht reicht

ChatGPT, Claude, Perplexity, Gemini und Google AI Search funktionieren nicht identisch. Sie haben unterschiedliche Oberflächen, Retrieval-Logiken, Crawler, Quellenpräferenzen, Sicherheitsregeln und Antwortstile. Eine Marke kann in Perplexity gut vorkommen, in ChatGPT fehlen und in Google AI Overviews nur als Quelle erscheinen, ohne empfohlen zu werden.

Genau deshalb trenne ich Plattformantworten. Ein Mischwert kann nützlich sein, wenn man Trends sehen möchte. Für die eigentliche Diagnose ist aber wichtig, wo das Problem auftritt. Fehlt die Marke überall? Dann spricht das eher für ein Grundlagenproblem. Fehlt sie nur in einer Plattform? Dann müssen wir genauer auf deren Zugriff, Quellen, Zitierverhalten und Antwortlogik schauen.

Google hat das Thema zusätzlich verschoben: Seit Juni 2026 rollt Google eigene Search-Console-Reports für generative AI-Features aus. Das ist wichtig, weil AI-Sichtbarkeit damit nicht mehr nur über manuelle Prompt-Tests und Dritttools diskutiert wird. Aber auch dort gilt: Search Console zeigt Google. Nicht automatisch ChatGPT, Claude oder Perplexity.

Marke und Entität: Wird verstanden, wer gemeint ist?

Bei AI Visibility ist „Marke“ erst einmal kein Designwort. Es ist ein Zuordnungswort. Ein System muss erkennen können, dass ein Name zu einer bestimmten Person, Firma, Website, Dienstleistung oder einem Produkt gehört. Wenn diese Zuordnung wackelt, wackelt alles danach.

Das betrifft besonders kleine Firmen, Studios, Praxen, lokale Anbieter, SaaS-Produkte und WordPress-Plugins. Menschen verstehen Kontext oft aus Gesprächen, Empfehlungen oder Erfahrung. KI-Systeme brauchen öffentliche, erreichbare und konsistente Signale. Ist der Produktname immer gleich geschrieben? Gibt es eine zentrale Seite? Passen Organisation, Gründerin, Marke, Domain, Social Profiles und strukturierte Daten zusammen? Werden alte Namen noch verwendet? Gibt es externe Belege?

Ein Audit sucht hier nicht nach Schönheit, sondern nach Eindeutigkeit. Wenn mehrere Entitäten ineinanderlaufen, kann ein System raten. Und Maschinen raten manchmal mit bemerkenswerter Selbstsicherheit.

Quellen, Zitationen und Wettbewerber

Eine AI-Antwort ist selten nur eine Spiegelung deiner Website. Gerade bei Empfehlungsfragen zählen Drittquellen: Vergleichslisten, Reviews, Foren, Marktplätze, GitHub, YouTube, Presse, Branchenverzeichnisse, Dokumentation und andere Websites, die dich oder deine Wettbewerber einordnen.

Darum reicht es nicht, nur zu zählen, ob deine URL zitiert wurde. Eine Quelle kann zitiert werden und trotzdem den Wettbewerb stärken. Im Artikel zu Vergleichslisten und Listicles in AI Search habe ich genau dieses Risiko beschrieben: Selbstpromotende Listen können einer KI unter Umständen eine sauber sortierte Konkurrenzliste liefern, ohne dass die eigene Marke gewinnt.

Im Audit interessieren deshalb drei Fragen gleichzeitig: Welche Quellen werden genutzt? Welche Marken werden genannt? Und welche Rolle spielt deine Marke in der Antwort: Quelle, Option, Empfehlung, Randnotiz oder gar nicht vorhanden?

Technik: Schema, llms.txt, Crawler, Canonicals

Technik ist wichtig. Aber sie ist nicht der magische Hebel, als der sie gerne verkauft wird. Schema-Daten können Entitäten und Beziehungen klarer machen. llms.txt kann für Systeme und Agents sinnvoll sein, die solche Dateien nutzen. Markdown-Ausgaben können Inhalte leichter lesbar machen. robots.txt kann Crawling steuern. Canonicals können Signalkonflikte reduzieren. Für WordPress habe ich diese technische Ebene separat aufgedröselt: WordPress für KI-Systeme lesbarer machen.

Aber: Google schreibt für AI Overviews und AI Mode ausdrücklich, dass keine speziellen zusätzlichen maschinenlesbaren Dateien nötig sind, um in diesen Google-Features zu erscheinen. Gleichzeitig ignoriert das nicht die Praxis anderer Systeme, Agents und technischer Abrufwege. Genau diese Spannung muss man sauber erklären, sonst landet man entweder bei „alles Quatsch“ oder bei „installiere Datei X und werde sichtbar“. Beides ist zu bequem.

In meiner Methodik laufen technische Signale deshalb zweigleisig: Manche fließen in die Bewertung ein, wenn sie nachweislich Klarheit, Struktur oder Zugriff verbessern. Andere bleiben Warn- oder Diagnosepunkte. Eine vorhandene llms.txt ist zum Beispiel kein Beweis für Sichtbarkeit. Eine fehlende Zugriffspolitik für AI-Crawler kann aber trotzdem ein praktisches Problem sein, wenn wichtige öffentliche Inhalte von Search-Bots nicht erreicht werden.

Inhalte: Fan-Out, Entscheidungsfragen und Lücken

AI Visibility scheitert selten nur an einer fehlenden Datei. Sehr oft fehlen die Antworten, aus denen eine Empfehlung überhaupt entstehen könnte. Genau hier hilft Query Fan-Out als Denkmodell: Eine Frage wird in Teilfragen zerlegt. Systeme suchen nicht nur nach dem Hauptkeyword, sondern nach Definitionen, Risiken, Alternativen, Preisen, Belegen, Zielgruppen, Grenzen und nächsten Schritten.

Ein Audit prüft deshalb, ob deine Website die relevanten Entscheidungsfragen beantwortet. Nicht alle. Die relevanten. Der Unterschied ist wichtig. Wer blind jede mögliche Unterfrage abarbeitet, produziert schnell Inhaltsbrei. Wer die echten Entscheidungsfragen sauber beantwortet, baut Substanz.

Für WordPress heißt das konkret: Pillar-Artikel, Cluster, FAQ, Produktseiten, Angebotsseiten, Kategorien und interne Links müssen zusammenarbeiten. Eine gute Seite erklärt nicht nur „was ist das“, sondern auch „für wen ist es sinnvoll“, „wo liegen Grenzen“, „woran erkenne ich Qualität“ und „warum sollte ich dieser Quelle glauben“.

Kleine WordPress-Mini-Audit-Checkliste

Wenn du keine vollständige Analyse machen willst, kannst du mit einer kleinen Stichprobe beginnen. Das ersetzt kein tiefes Audit, zeigt aber schnell, wo es klemmt.

1. Definiere drei Kernfragen: Wofür möchtest du genannt werden? Zum Beispiel „beste WordPress-Agentur für WooCommerce“, „SEO-Plugin für kleine Shops“ oder „AI Visibility Audit für B2B“.
2. Teste mehrere Plattformen: Stelle ähnliche Fragen in ChatGPT, Perplexity, Claude, Gemini und Google AI Search. Dokumentiere Datum, Sprache, genaue Frage und Ergebnis.
3. Notiere nicht nur Ja/Nein: Wird deine Marke erwähnt? An welcher Position? Mit welchem Satz? Welche Wettbewerber tauchen auf? Welche Quellen werden genannt?
4. Prüfe deine zentrale Entitätsseite: Gibt es eine Seite, die Marke, Angebot, Zielgruppe, Ort, Personen, Produkte und Belege klar erklärt?
5. Kontrolliere strukturierte Daten: Stimmen Organisation, Person, Artikel, Produkt, FAQ oder LocalBusiness mit dem sichtbaren Inhalt überein?
6. Prüfe Indexierung und Snippets: Sind wichtige Seiten indexierbar, nicht versehentlich noindex und in Google Search mit Snippet grundsätzlich verfügbar?
7. Sieh dir robots.txt und AI-Crawler an: Blockierst du Search-Bots, obwohl du sichtbar sein möchtest? Trennst du Search, Training und user-getriggerte Abrufe? Die Grundlagen dazu stehen im Artikel zu AI-Crawlern, robots.txt und Content-Signalen.
8. Suche Content-Lücken: Welche Fragen beantwortet der Wettbewerb sichtbar besser? Wo fehlen Vergleich, Beleg, Preisrahmen, Zielgruppe, Grenzen oder Beispiele?
9. Bewerte Drittquellen: Gibt es Profile, Reviews, Erwähnungen, Dokumentation, Repositories oder Branchenquellen, die deine Marke unabhängig plausibel machen?
10. Priorisiere hart: Was ist der nächste Schritt mit dem größten Nutzen: zentrale Seite verbessern, Schema aufräumen, Cluster ergänzen, alte Inhalte aktualisieren oder externe Belege aufbauen?

Das Schöne an dieser Liste: Sie holt AI Visibility aus der Nebelmaschine. Plötzlich geht es nicht mehr um „GEO-Vibes“, sondern um sehr konkrete Fragen, Seiten und Signale.

Wie citelayer® Plugin und Audit zusammenspielen

citelayer® für WordPress schließt genau diese Lücke zwischen klassischem SEO-Plugin und AI Visibility. Das Plugin macht WordPress-Inhalte maschinenlesbarer: Schema.org, llms.txt, Markdown-Ausgaben, UCP Discovery, WebMCP und Kompatibilität mit SEO-Plugins wie Yoast, Rank Math oder All in One SEO (AIOSEO). Das ist die technische Grundlage.

Der citelayer® AI Visibility Audit ist die diagnostische Ebene darüber. Er fragt nicht nur, ob die Technik vorhanden ist, sondern ob die Marke in relevanten AI-Antwortsituationen verstanden, genannt, zitiert oder übergangen wird. Dazu gehören Plattformtests, Wettbewerbervergleich, Quellenanalyse, strukturierte Daten, Content-Architektur, Crawler-Politik und eine priorisierte Roadmap.

Wichtig ist mir diese Trennung, weil sie ehrlich bleibt: Ein Plugin kann technische Signale verbessern. Ein Audit kann Lücken sichtbar machen und priorisieren. Beides ersetzt nicht die eigentliche Marken-, Inhalts- und Belegarbeit. Leider. Wäre bequemer. Würde ich auch nehmen. Ist aber nicht die Realität.

Grenzen: Was kein Audit ehrlich versprechen kann

Ein seriöses Audit verspricht keine garantierte Erwähnung in ChatGPT, Claude, Perplexity, Gemini oder Google AI. Niemand kann verbindlich kontrollieren, welche Quelle ein Modell morgen auswählt. Wer das behauptet, verkauft eher Beruhigung als Analyse.

Was ein Audit leisten kann: Es kann den aktuellen Stand dokumentieren, Muster erkennen, technische und redaktionelle Hindernisse finden, Wettbewerberlücken sichtbar machen und Maßnahmen priorisieren. Es kann außerdem verhindern, dass man viel Zeit in hübsche Nebensignale steckt, während die eigentliche Marke unklar bleibt.

Ich denke Scores deshalb als Entscheidungshilfe. Nicht als Urteil über den Wert einer Marke. Nicht als Pokal. Und erst recht nicht als Ersatz für gesunden Menschenverstand. Ein Score ist nützlich, wenn er erklärt, warum er so ausfällt und welche Handlung daraus folgt.

FAQ

Brauche ich ein AI Visibility Audit, wenn meine SEO-Zahlen gut sind?

Vielleicht. Gute SEO-Zahlen sind ein Vorteil, aber sie beantworten nicht automatisch, ob KI-Systeme deine Marke korrekt nennen, empfehlen oder als Quelle nutzen. Besonders bei Empfehlungs-, Vergleichs- und Entscheidungsfragen kann sich ein Audit lohnen.

Reicht es, meine Marke in ChatGPT zu testen?

Nein. Das ist ein guter Einstieg, aber kein Audit. Du brauchst mehrere Fragen, mehrere Plattformen, dokumentierte Ergebnisse, Quellenanalyse und eine Einordnung der Ursachen.

Ist llms.txt ein Rankingfaktor?

Für Google Search sagt Google ausdrücklich, dass llms.txt nicht nötig ist und von Google Search ignoriert wird. Für andere Systeme, Agents und maschinenlesbare Workflows kann eine gut gepflegte llms.txt trotzdem sinnvoll sein. Deshalb bewerte ich sie nicht als Wunderschalter, sondern als technisches Signal im Kontext.

Was ist wichtiger: Schema oder Inhalte?

Beides erfüllt unterschiedliche Aufgaben. Inhalte liefern die Substanz. Schema hilft, diese Substanz eindeutiger zu strukturieren. Wenn der Inhalt dünn ist, macht Schema ihn nicht plötzlich hilfreich. Wenn der Inhalt gut ist, kann sauberes Schema Beziehungen und Entitäten klarer machen.

Kann ein kleines Unternehmen überhaupt AI Visibility aufbauen?

Ja. Nicht zwingend für riesige generische Begriffe, aber sehr wohl für konkrete Nischen, lokale Fragen, Spezialangebote, Produktkategorien und Entscheidungsfragen. Gerade kleine Anbieter haben oft echte Erfahrung, aber zu wenige öffentliche, gut strukturierte Belege.

Quellen und Verifikation

Diese Einordnung basiert auf meiner citelayer®-Audit- und Produktarbeit sowie auf öffentlichen Primärquellen. Eigene Auswertungen nutze ich als fachliche Einordnung; öffentliche Tatsachenbehauptungen sind über die folgenden Quellen nachvollziehbar.

• Google Search Central: AI features and your website.
• Google Search Central: Optimizing your website for generative AI features on Google Search.
• Google Search Central Blog: Introducing Search Generative AI performance reports in Search Console.
• Google Search Central: Introduction to robots.txt.
• OpenAI Developers: Overview of OpenAI crawlers.
• Anthropic Privacy Center: Does Anthropic crawl data from the web?.
• Perplexity Docs: Perplexity Crawlers.
• citelayer®: AI Visibility Plugin for WordPress.
• citelayer®: AI Visibility Audit.
• Eigene citelayer®-Audit- und Produktarbeit: Plattformtests, Quellenanalyse, Entitätsprüfung, technische WordPress-Signale, Query-Fan-Out-Lücken und Priorisierung fließen als praktische Methodik in diese Einordnung ein.