Generative Engine Optimization (GEO): Die besten Prompts zur Messung deiner KI-Sichtbarkeit

Jetzt arbeiten Unternehmen massiv an GEO (Generative Engine Optimization). Doch fruchten die Mühen? Um das zu messen, gibt es erste Monitoring-Tools, in die man Prüf-Prompts zum eigenen Unternehmen eingeben kann.

In diesem Artikel nenne ich dir einen fertigen Master-Prompt, der die richtigen Prüf-Prompts für dein Unternehmen, deine Marke oder dein Produkt generiert, um systematisch die Sichtbarkeit in KI-Systemen einzuschätzen. Diese Prompts kannst du direkt in neutrale KI-Systeme oder spezialisierte Monitoring-Tools übertragen, um zu testen, ob - und in welchem Kontext - du dort tatsächlich auftauchst.

Kopiere den folgenden Prompt:

Du bist ein strategischer Research-Analyst und Prompt-Generator.

Deine Aufgabe ist es, auf Basis realer, tatsächlich vorkommender Suchanfragen eine fundierte Liste von Monitoring-Prompts zu erzeugen. Diese Prompts will ich im Anschluss in ein Drittsystem übertragen, um automatisiert meine Sichtbarkeit in KI-Systemen zu messen.

WICHTIG:

Du sollst aktiv recherchieren (Deep Research Modus verwenden, falls verfügbar). Nutze:

- reale Google-Suchergebnisse (SERPs)

- „People Also Ask“-Fragen

- Google Autocomplete

- Foren (z. B. Reddit, Fachforen)

- Produktbewertungen

- Wettbewerber-Websites

- Vergleichsportale

- öffentliche Keyword-Daten, falls zugänglich

Wenn möglich, gleiche deine Ergebnisse mit mindestens zwei unterschiedlichen Quellen ab.

Zusätzlich darfst du dein internes Trainingswissen verwenden – aber nur ergänzend zur realen Recherche.

-----------------------------------------

EINGABEPARAMETER

-----------------------------------------

COMPANY/MARKE = <<COMPANY/MARKE>>

PRODUKT = <<PRODUKT>>

MARKT / BRANCHE = <<BRANCHE>>

ZIELGRUPPE = << BESCHREIBUNG/ ROLLE>>

MAX_PROMPTS = 100

-----------------------------------------

ARBEITSSCHRITTE (intern durchführen, nicht ausgeben):

1. Recherchiere reale Suchanfragen zum Produkt, zur Branche und zu typischen Problemen der Zielgruppe.

2. Identifiziere wiederkehrende Keyword-Cluster.

3. Ordne diese Cluster entlang der Customer Journey:

   - AWARENESS

   - CONSIDERATION

   - CONVERSION

   - USE

4. Erkenne typische:

   - Problemformulierungen

   - Vergleichsanfragen

   - Preisfragen

   - Implementierungsfragen

   - Einwände

   - Migrations- oder Wechselabsichten

5. Achte auf echte Sprachmuster (Umgangssprache, kurze Suchphrasen, Voice-Suchstil).

6. Markiere klar kaufnahe bzw. budgetnahe Anfragen.

-----------------------------------------

AUSGABEFORMAT (nur das hier ausgeben!)

Gib ausschließlich eine nummerierte Liste mit maximal MAX_PROMPTS Einträgen aus.

Struktur:

AWARENESS

1. ...

2. ...

...

CONSIDERATION

...

CONVERSION

...

USE

…

Regeln:

- Jeder Prompt steht in genau einer Zeile.

- Keine Erklärungen.

- Keine JSON-Struktur.

- Keine Meta-Kommentare.

- Kaufnahe Prompts mit Präfix: [CONVERSION]

- Mischung aus:

  - präzisen Fachanfragen

  - realistischen Nutzer-Suchphrasen

- Prompts müssen auf real vorkommenden Suchmustern basieren.

- Wenn Datenlage schwach ist, recherchiere weiter, bevor du generierst.

Ziel:

Eine fundierte, marktorientierte Prompt-Liste, die reale Suchintentionen abbildet und direkt in Monitoring-Tools getestet werden kann. 

Füge den Prompt in ein KI-System deiner Wahl ein und fülle die Parameter aus:

1. COMPANY/MARKE = <<COMPANY/MARKE>>
   Zwischen die Anführungszeichen trägst du den Namen des Unternehmens oder der Marke ein, deren Sichtbarkeit geprüft werden soll
2. PRODUKT = <<PRODUKT>>
   Hier ist Platz für das spezifische Produkt oder, oft sogar besser, die Produktkategorie.
3. MARKT / BRANCHE = <<BRANCHE>>
   Optional: Trage die Branche ein
4. ZIELGRUPPE = << BESCHREIBUNG/ ROLLE>>
   Hier ist Platz für die Zielgruppe. Das darf gerne auch länger sein, muss aber nicht. Bei B2B-Unternehmen können hier Unternehmensbeschreibungen und die verschiedenen Rollen im Buying Center genannt werden.
5. MAX_PROMPTS = 100
   Das ist die Höchstanzahl an Prompts, die der Masterprompt generiert.

Wähle zur Sicherheit manuell die Deep Research Funktion aus. Beantworte ggf. Rückfragen oder segne den Rechercheplan ab und lasse dir Monitoring-Prompts ausgeben. Du erhältst eine Liste mit fertigen Prüf-Prompts, geordnet nach Phasen der Customer Journey.

Denke daran: Das erste Ergebnis muss nicht perfekt sein, du kannst und solltest iterieren. Gib dem System klares Feedback, wenn dir etwas fehlt oder dir seltsam vorkommt.

Du kannst den Vorgang auch mit mehreren KI-Systemen wiederholen und/oder die Ergebnisse des einen von einem anderen bewerten und korrigieren lassen.

Wenn manuell: Verwende einen Account zu einem KI-System, der nichts über dich weiß, oder nutze die Funktion (sofern vorhanden), dass die KI ohne Erinnerungen an dich recherchiert. Gebe dann jeden der hundert Prompts nacheinander ein und lasse die KI jeweils antworten.

Das ist natürlich sehr viel Arbeit.

Lösung: Verwende eines der sich derzeit etablierenden Tools zur Messung deiner KI-Sichtbarkeit und lade sie geschlossen hoch, sofern sie diese Möglichkeit bieten.

Mit dem Aufstieg von Systemen wie ChatGPT, Google Gemini, Claude oder Perplexity entsteht gerade eine neue Form der Informationssuche. Menschen formulieren Fragen nicht mehr nur als Stichworte in klassischen Suchmaschinen, sondern als vollständige Prompts. Die Antwort kommt direkt aus einem KI-System – oft ohne Klick auf eine Website.

Für Unternehmen, Marken und Produkte stellt sich damit eine neue Frage: Tauchen wir in diesen Antworten überhaupt auf? Und wenn ja, wie häufig und in welchem Kontext? Genau hier setzt die Messung der Sichtbarkeit in KI-Systemen an. Doch obwohl das Thema derzeit intensiv diskutiert wird, steht die Praxis noch am Anfang.

In der klassischen Suchmaschinenoptimierung ging es um Rankings. Wer bei Google Search für ein Keyword auf Platz eins stand, hatte gute Chancen auf Traffic.

In generativen Systemen funktioniert diese Logik nicht mehr. Ein KI-System liefert eine synthetische Antwort, in der mehrere Quellen zusammenfließen. Es gibt keine zehn blauen Links mehr.

Das bedeutet: Sichtbarkeit entsteht nicht mehr nur durch Rankings, sondern durch Erwähnungen innerhalb des generierten Chats. Eine Marke ist sichtbar, wenn sie von der KI genannt wird.

Für Unternehmen verschiebt sich damit der Fokus von der Frage „Für welches Keyword ranken wir?“ hin zu „In welchen Antworten tauchen wir auf?“.

Um Sichtbarkeit in KI-Systemen zu messen, braucht man eine neue Einheit der Analyse: den Prüf-Prompt.

Ein Prüf-Prompt ist im Grunde eine simulierte Suchanfrage eines Nutzers. Wenn man verstehen möchte, ob eine Marke in KI-Systemen vorkommt, muss man typische Nutzerfragen formulieren und sehen, wie die KI darauf reagiert.

Hier beginnt die erste große Schwierigkeit.

Während in der klassischen SEO relativ klar ist, welche Keywords gesucht werden – weil Tools Suchvolumen messen –, fehlt diese Transparenz bei KI-Systemen weitgehend. Niemand weiß genau, welche Prompts Nutzer tatsächlich verwenden.

Das bedeutet: Unternehmen müssen Prompts teilweise rekonstruieren. Sie können sich an mehreren Quellen orientieren:

• klassische Keyword-Daten aus Suchmaschinen
• Fragen aus Support, Vertrieb oder Kundenservice
• Diskussionen in Foren und Communities
• eigene Annahmen über typische Nutzerfragen

Diese Methoden liefern Hinweise, aber keine vollständige Wahrheit.

Selbst wenn man gute Prompts definiert, bleibt ein weiteres Problem bestehen.

KI-Systeme liefern nicht immer dieselbe Antwort. Ein identischer Prompt kann unterschiedliche Ergebnisse erzeugen. Dafür gibt es mehrere Gründe:

• probabilistische Generierung mit feinem, individuellem Zuschnitt
• unterschiedliche Trainingsstände und Online-Quellen
• Kontextinformationen im Gespräch
• Personalisierung auf Basis des Nutzers

Für Messungen bedeutet das: Ein einzelner Test reicht nicht aus. Man muss Prompts mehrfach ausführen und Ergebnisse aggregieren.

Die Herausforderung der Personalisierung

Viele KI-Systeme kennen ihren Nutzer zumindest teilweise. Sie berücksichtigen etwa Standort, Sprache, vorherige Fragen oder persönliche Interessen. Dadurch kann dieselbe Frage bei zwei Nutzern unterschiedliche Antworten erzeugen.

Für Unternehmen wird es dadurch deutlich schwerer, eine objektive Sichtbarkeitsmessung zu erreichen.

Man misst letztlich nur eine Momentaufnahme unter bestimmten Bedingungen – nicht eine universelle Wahrheit.

Aus genau diesem Grund entstehen derzeit neue Tools im Bereich der sogenannten Generative Engine Optimization (GEO).

Diese Tools versuchen, Sichtbarkeit in KI-Systemen systematisch zu messen. Sie funktionieren meist nach einem ähnlichen Prinzip:

1. Eine große Liste von Prompts wird definiert
2. Diese Prompts werden an verschiedene KI-Systeme geschickt
3. Die Antworten werden analysiert
4. Erwähnungen von Marken oder Produkten werden gezählt

Auf diese Weise lässt sich zumindest eine Annäherung an die tatsächliche Sichtbarkeit erzeugen.

Trotzdem bleibt die Messung ungenau.

Zusätzlich zu den genannten Einschränkungen hängen die Ergebnisse stark von der Auswahl der Prompts ab. Wenn wichtige Nutzerfragen fehlen, verzerrt das die Analyse.

Außerdem entwickeln sich KI-Systeme ständig weiter. Neue Modelle, neue Trainingsdaten oder neue Antwortstrategien können Ergebnisse jederzeit verändern.

Das bedeutet: Sichtbarkeit in KI-Systemen ist kein statischer Wert, sondern ein dynamischer Prozess.

Aktuell lässt sich vor allem eines messen: relative Sichtbarkeit der eigenen Marke im Vergleich zu Wettbewerbern über einen längeren Zeitraum hinweg anhand identischer, sinnvoll ausgewählter Prompts in einem Testszenario.

Was man dagegen kaum messen kann, ist die tatsächliche Reichweite.

Anders als bei Suchmaschinen weiß man nicht, wie oft ein bestimmter oder sehr ähnlicher Prompt tatsächlich genutzt wird und die eigene Marke in dem Kontext erscheint. Dadurch bleibt unklar, wie groß die reale Wirkung der eigenen GEO ist.

Mehrere zentrale Fragen sind derzeit noch unbeantwortet:

• Welche Prompts stellen Nutzer tatsächlich?
• Wie stark unterscheiden sich Antworten zwischen Nutzern?
• Welche Quellen bevorzugen KI-Systeme wirklich?
• Wie stabil sind Erwähnungen über längere Zeiträume?

Solange diese Fragen offen sind, bleibt jede Messung eine sehr grobe Annäherung.

Damit Sichtbarkeit in KI-Systemen wirklich verlässlich messbar wird, müssten mehrere Entwicklungen eintreten.

Erstens bräuchte der Markt bessere Daten über reale Prompts. Ähnlich wie Suchvolumen im SEO-Bereich wären Prompt-Statistiken ein großer Fortschritt.

Zweitens müssten Messmethoden standardisiert werden. Heute nutzt jedes Tool eigene Promptsets und eigene Bewertungsmodelle.

Drittens wäre mehr Transparenz der KI-Anbieter hilfreich. Wenn Systeme zumindest teilweise offenlegen würden, wie Antworten zustande kommen, ließen sich Sichtbarkeitsanalysen deutlich präziser durchführen.

Trotz aller Unsicherheiten lohnt sich die Beschäftigung mit der Messung von KI-Sichtbarkeit schon heute.

Unternehmen können bereits erkennen, ob ihre Marke in wichtigen Themenfeldern vorkommt oder nicht. Sie können testen, welche Inhalte von KI-Systemen aufgegriffen werden. Und sie können beobachten, wie sich ihre Präsenz im Vergleich zu Wettbewerbern entwickelt.

Die Ergebnisse sind nicht perfekt – aber sie liefern wertvolle Hinweise.

Die Messung von Sichtbarkeit in KI-Systemen ist derzeit noch ein junges Feld. Es gibt erste Methoden, erste Tools und erste Erfahrungswerte. Gleichzeitig bestehen große Unsicherheiten und methodische Grenzen.

Unternehmen sollten die Ergebnisse deshalb nicht als exakte Kennzahlen verstehen, sondern als Orientierung.

Wer systematisch Prompts testet und seine Erwähnungen in KI-Antworten beobachtet, kann jedoch schon heute besser verstehen, wie seine Marke in der neuen Welt der generativen Suche wahrgenommen wird. Und genau dieses Verständnis wird in den kommenden Jahren immer wichtiger werden.