Warum reicht es nicht zu zählen, wie oft eine Marke genannt wird?
Wie oft eine Marke in KI-Antworten vorkommt, ist eine nützliche Zahl – aber sie sagt nicht, warum. Zwei Marken können gleich häufig genannt werden und trotzdem in völlig verschiedenen Zusammenhängen stehen: die eine neben Fachmedien und Herstellerverzeichnissen, die andere neben Forenbeiträgen über Probleme.
Die meisten Auswertungen zur KI-Sichtbarkeit zählen drei Dinge: ob eine Marke genannt wird (Mention), ob ihre Inhalte als Beleg dienen (Citation) und ob sie empfohlen wird (Recommendation). Diese Unterscheidung ist wichtig, und sie bleibt eine Zählung. Was dabei fehlt, ist das Umfeld: Welche Quellen stehen in denselben Antworten, welche Quellen nennen die Marke überhaupt erst, und wer taucht an ihrer Stelle auf?
Hinzu kommt, dass einzelne Antworten wenig aussagen. SparkToro und Gumshoe haben 2026 dieselben zwölf Prompts von 600 Freiwilligen fast 3.000-mal in ChatGPT, Claude und Googles KI-Suche stellen lassen. Das Ergebnis: Die Wahrscheinlichkeit, zweimal dieselbe Markenliste zu bekommen, lag unter eins zu hundert. Belastbar wird KI-Sichtbarkeit erst als Häufigkeit über viele Abfragen – und genau dort lässt sich auch das Umfeld erkennen.
In Projekten zur Sichtbarkeit haben wir uns lange auf Positionen und Häufigkeiten verlassen. Für KI-Antworten ist das ein Anfang, aber keine Diagnose.
Was ist eine Citation Neighborhood?
Eine Citation Neighborhood ist das Quellenumfeld einer Marke für eine bestimmte Gruppe von Fragen. Sie umfasst alle Quellen, die die Marke nennen oder belegen, und alle Quellen, die in denselben KI-Antworten neben ihr erscheinen.
Der Begriff ist ein Denkmodell von maxonline. Die Idee dahinter ist älter: In der Bibliometrie beschrieben Henry Small und Irina Marshakova 1973 unabhängig voneinander die Co-Citation-Analyse. Zwei Dokumente gelten als verwandt, wenn sie häufig gemeinsam zitiert werden – je öfter, desto enger. Übertragen auf KI-Antworten heißt das: Quellen, die regelmäßig gemeinsam mit einer Marke auftauchen, zeigen, in welche Themenwelt ein System diese Marke einordnet.
Im Quellenumfeld lassen sich drei Rollen unterscheiden:
- Tragende Quellen nennen oder belegen die Marke selbst – ein Fachartikel, ein Verzeichniseintrag, eine Bewertung, die eigene Website.
- Nachbarquellen erscheinen in denselben Antworten, ohne die Marke zu nennen. Sie zeigen, in welchem Kontext die Marke gesehen wird.
- Verdrängende Quellen besetzen bei relevanten Fragen den Platz, den die Marke haben könnte – oft Vergleichsportale, Foren oder die Inhalte von Wettbewerbern.
Welche Marken, Personen und Themen gemeinsam mit einer Marke genannt werden, ist eine verwandte, aber andere Frage. Sie betrifft das Entitätenumfeld und gehört zur Brand Co-Occurrence. Hier geht es um die Quellen.
Eine Marke wird in KI-Antworten nie allein bewertet. Sie wird in Gesellschaft bewertet – und die Gesellschaft sucht sie sich nicht immer selbst aus.
Was verrät das Quellenumfeld über die Auswahl einer Marke?
Das Quellenumfeld zeigt, für welche Fragen ein KI-System eine Marke für zuständig hält – und auf welche Belege es sich dabei stützt. Ein ursächlicher Zusammenhang zwischen Umfeld und Auswahl ist nicht belegt. Belegt ist aber, dass externe Quellen und Erwähnungen mit der Sichtbarkeit in KI-Antworten zusammenhängen.
Ahrefs hat 2025 die 50 meistgenannten Websites in Google AI Overviews, ChatGPT und Perplexity untersucht. Bei AI Overviews hing die Zahl der Markennennungen im Web stark mit der Zahl der Nennungen in den Antworten zusammen (Rangkorrelation 0,65), bei Perplexity schwach (0,30) und bei ChatGPT kaum (0,15). Das Umfeld wirkt also nicht in allen Systemen gleich.
Welche Quellen KI-Systeme bevorzugt heranziehen, zeigt eine Auswertung des Analyseanbieters Peec AI über 30 Millionen Quellen in ChatGPT, Google AI Mode, Gemini, Perplexity und AI Overviews: Reddit wurde am häufigsten zitiert, YouTube und LinkedIn lagen unter den ersten fünf, bei Empfehlungsfragen kamen häufig Bewertungsportale hinzu. Für eine einzelne Marke heißt das: Ihr Umfeld besteht oft weniger aus Fachmedien, als ihr Marketing annimmt.
Im Meusel Visibility Framework betrifft das Quellenumfeld zwei Stufen. Bei GEO (Processability) geht es darum, ob ein System die Marke eindeutig einordnen kann – widersprüchliche Quellen erschweren das. Bei Trust (Selectability) geht es darum, ob die tragenden Quellen kompetent, unabhängig und aktuell genug sind, damit die Marke ausgewählt, zitiert oder empfohlen wird. Trust entscheidet am Ende – aufgebaut wird er auf jeder Ebene, auch außerhalb der eigenen Website.
Nach unserer Einschätzung lassen sich aus dem Umfeld drei typische Befunde ablesen: Die Marke steht im richtigen Umfeld, wird aber selten genannt (eine Frage der Häufigkeit). Sie wird genannt, aber im falschen Umfeld (eine Frage der Einordnung). Oder das Umfeld der relevanten Fragen kennt sie gar nicht (eine Frage der Präsenz). Um dein Quellenumfeld und die darin enthaltenen Konkurrenten zu erkennen, musst du die KI-Antworten selbst erfassen und analysieren, da weder die Google Search Console noch die Bing Webmaster Tools diese Informationen bereitstellen.
Wie erstellt man eine Quellenumfeld-Map?
Eine Citation Neighborhood wird als Quellenumfeld-Map erstellt, indem man für eine Fragengruppe alle Quellen auflistet, die in KI-Antworten erscheinen, und ihnen eine Rolle zuordnet. Sie entsteht in fünf Schritten.
- Fragengruppe festlegen. 10 bis 20 Fragen, bei denen die Marke vorkommen sollte – vor allem Auswahl- und Vergleichsfragen („Welche Anbieter …?“, „Was ist besser, A oder B?“).
- Antworten wiederholt erfassen. Jede Frage mehrmals und in mehreren Systemen stellen, zum Beispiel AI Overviews, ChatGPT und Perplexity. Notiert werden genannte Marken und zitierte Quellen.
- Quellen typisieren. Jede Quelle bekommt einen Typ: eigene Website, Fachmedium, Verzeichnis, Bewertungsportal, Forum oder Community, Video, Wettbewerber, Wissensseite.
- Rollen zuordnen. Trägt die Quelle die Marke, steht sie nur daneben, oder verdrängt sie die Marke bei dieser Frage?
- Häufigkeit zählen. In wie vielen Durchläufen erscheint jede Quelle? Einzelfunde zählen wenig, wiederkehrende Quellen bilden das eigentliche Umfeld.
Das Ergebnis ist eine Tabelle mit vier Spalten: Quelle, Typ, Rolle, Häufigkeit. Sie zeigt auf einen Blick, wo die Marke Fürsprecher hat, wo sie fehlt und welche Quellen bei ihren wichtigsten Fragen den Ton angeben.
Praxisbeispiel: Quellenumfeld eines Software-Anbieters
Das folgende Beispiel zeigt das Muster von Citation Neighborhoods – dem Quellenumfeld, in dem KI-Systeme eine Marke nennen – anhand eines konstruierten Falls ohne gemessene Werte: Ein Anbieter von Zeiterfassungssoftware für Handwerksbetriebe wird in KI-Antworten nur gelegentlich genannt, obwohl sein Ratgeberbereich gut rankt.
Fragengruppe: 15 Auswahlfragen wie „Welche Zeiterfassung eignet sich für kleine Handwerksbetriebe?“, jeweils fünfmal in drei Systemen gestellt.
Ergebnis der Map (Auszug):
| Quelle | Typ | Rolle | Häufigkeit |
|---|---|---|---|
| Vergleichsportal für Business-Software | Bewertungsportal | verdrängt | in 61 von 75 Antworten |
| Handwerker-Forum, Thread zu Zeiterfassung | Forum | Nachbar | in 34 von 75 |
| Eigener Ratgeberartikel | eigene Website | trägt | in 12 von 75 |
| Fachzeitschrift für das Handwerk | Fachmedium | trägt | in 6 von 75 |
| Website eines Wettbewerbers | Wettbewerber | verdrängt | in 29 von 75 |
Befund: Die Marke steht im richtigen Umfeld – Fachmedium und eigene Inhalte tragen sie –, aber bei Auswahlfragen bestimmt ein Vergleichsportal das Bild, auf dem sie nur ein dünnes Profil mit wenigen Bewertungen hat. Das Forum diskutiert das Thema häufig, nennt die Marke aber nie.
Konsequenz: Kein weiterer Ratgeberartikel, sondern drei Maßnahmen im Umfeld: das Portalprofil vervollständigen und um Bewertungen bitten, im Forum mit fachlichen Antworten präsent sein, die Fachzeitschrift mit einem Praxisbeitrag ansprechen. Ob das wirkt, zeigt die nächste Erhebung derselben Map.
Was lässt sich messen – und was nicht?
Bei der Analyse von Citation Neighborhoods lässt sich messen, welche Quellen in den erfassten Antworten erscheinen und wie häufig. Nicht messen lässt sich, wie ein System diese Quellen gewichtet.
Die eigenen Werkzeuge der Suchanbieter helfen nur teilweise. Bing zeigt seit Februar 2026 in den Webmaster Tools einen AI-Performance-Bericht mit der Zahl der Zitate, den zitierten Seiten und den Suchbegriffen, über die Inhalte abgerufen wurden. Er zeigt aber nur die eigenen Seiten, nicht die Quellen daneben. Die Nachbarn erkennt man nur, wenn man die Antworten selbst erfasst – manuell oder mit einem Tool für KI-Sichtbarkeit.
Drei Grenzen sollte jede Auswertung offen nennen:
- Stichprobe: Die Map gilt für die erfassten Fragen, Systeme und Zeiträume, nicht für alle denkbaren Anfragen.
- Schwankung: Antworten ändern sich von Durchlauf zu Durchlauf. Aussagen beruhen auf Häufigkeiten, nicht auf Einzelfunden.
- Korrelation: Dass eine Quelle häufig neben der Marke steht, heißt nicht, dass sie die Auswahl verursacht.
Welche Kennzahlen zur KI-Sichtbarkeit sich darüber hinaus belastbar berichten lassen, ordnet der Knowledge Case KI-Sichtbarkeit messen ein.
Was bedeutet das für Ihre Marke?
- Das Citation Neighborhood vor der Zählung analysieren. Für die wichtigsten Auswahlfragen eine Quellenumfeld-Map anlegen, bevor neue Inhalte geplant werden. Für die wichtigsten Auswahlfragen eine Quellenumfeld-Map anlegen, bevor neue Inhalte geplant werden.
- Tragende Quellen stärken. Fachmedien, Verzeichnisse und Bewertungsportale, die die Marke bereits nennen, aktuell und vollständig halten.
- Verdrängende Quellen ernst nehmen. Wo ein Portal oder Wettbewerber die Antworten bestimmt, ist Präsenz dort oft wirksamer als ein weiterer eigener Artikel.
- Den Gap im Blick behalten. Gute Rankings und ein starkes Umfeld sind zweierlei; wie beides auseinanderfallen kann, beschreibt der Knowledge Case Visibility Gap.
- Regelmäßig wiederholen. Eine Map ist eine Momentaufnahme; erst der Vergleich über mehrere Erhebungen zeigt, ob sich das Umfeld verändert.
Quellen & weiterführende Links
- Visibility Gap: Warum gute Rankings noch keine Auswahl in KI-Antworten garantieren – maxonline, 2026
- Citation without Ranking: Warum KI-Systeme Quellen zitieren, die bei Google kaum sichtbar sind – maxonline, 2026
- KI-Sichtbarkeit messen: Was sich belastbar reporten lässt – und was nicht – maxonline, 2026
- KI-Sichtbarkeit heute: Wie Inhalte gefunden, verstanden und als Quelle ausgewählt werden – maxonline, 2026
- Co-citation in the Scientific Literature: A New Measure of the Relationship Between Two Documents – Henry Small, Journal of the American Society for Information Science 24 (4), 1973
- Co-citation – Wikipedia, abgerufen 03.10.2026 (Small und Marshakova, 1973)
- Google Seems More Biased Towards Big Brands Than ChatGPT and Perplexity – Patrick Stox, Ahrefs, 07.07.2025
- AI search engines cite Reddit, YouTube, and LinkedIn most: Study – Danny Goodwin, Search Engine Land, 31.03.2026 (Studie: Peec AI)
- AIs are highly inconsistent when recommending brands or products – Rand Fishkin (SparkToro) und Patrick O’Donnell (Gumshoe.ai), 28.01.2026
- Bing Webmaster Tools Adds AI Citation Performance Data – Matt G. Southern, Search Engine Journal, 09.02.2026
