Was ist der Visibility Gap?
Der Visibility Gap ist die Differenz zwischen klassischer Sichtbarkeit in der Suche und der Auswahl in KI-Antworten. Gemeint sind Themen, bei denen eine Website bei Google gut rankt, in AI Overviews, AI Mode, ChatGPT, Perplexity oder Copilot aber nicht genannt, nicht zitiert oder nicht empfohlen wird.
Ausführlich: In welchem Quellenumfeld KI-Systeme eine Marke nennen – und was das über ihre Auswahl verrät
In SEO-Projekten haben wir uns lange daran gewöhnt, Sichtbarkeit mit Rankings gleichzusetzen. Wer für die wichtigen Suchanfragen vorne stand, galt als sichtbar – und das war meist auch so. Seit KI-Systeme Antworten zusammenstellen, gilt diese Gleichung nur noch für einen Teil der Suche.
Der Begriff ist bei uns ein Denkmodell, keine Branchenkennzahl. Er fasst zusammen, was sich aus zwei einfachen Fragen ergibt: Rankt die Seite für das Thema gut? Und wird sie in KI-Antworten zu diesem Thema ausgewählt? Kombiniert entstehen vier Felder:
- Deckung: rankt gut und wird ausgewählt.
- Visibility Gap: rankt gut, wird aber nicht ausgewählt.
- Citation without Ranking: rankt schwach, wird aber ausgewählt.
- Findability-Lücke: rankt schwach und wird nicht ausgewählt.
Der Visibility Gap ist damit das Gegenstück zum Fall, dass KI-Systeme Quellen zitieren, die bei Google kaum sichtbar sind (Citation without Ranking). Beide beschreiben dieselbe Entkopplung von Ranking und Auswahl, nur aus entgegengesetzter Richtung. Für die meisten etablierten Websites ist der Visibility Gap die unangenehmere Seite – weil er dort auftritt, wo man sich bisher sicher fühlte.
Warum reicht ein gutes Ranking nicht?
Der Visibility Gap zeigt sich darin, dass ein gutes Ranking nicht ausreicht, weil es eine andere Frage beantwortet als eine KI-Antwort. Das Ranking entscheidet, welche Seite für eine Suchanfrage insgesamt am besten passt. Die KI-Antwort entscheidet, welche Inhalte einzelne Aussagen am besten belegen und welche Marken in die Antwort gehören.
Die Daten zeigen, wie locker beides verbunden ist. Ahrefs hat 1 Million Keywords mit AI Overviews und rund 1,9 Millionen Zitat-Links ausgewertet: Selbst Seiten auf Platz 1 erscheinen nur in etwa der Hälfte der Fälle unter den ersten drei zitierten Links. Ahrefs selbst nennt das bestenfalls einen Münzwurf. Die Korrelation zwischen Ranking-Position und Zitat liegt bei 0,347 – messbar, aber moderat.
Bei KI-Assistenten ist die Verbindung noch schwächer. In einer Ahrefs-Untersuchung mit 15.000 Long-Tail-Fragen standen nur 12 Prozent der von ChatGPT, Gemini, Copilot und Perplexity zitierten URLs in den Google-Top-10 für dieselbe Frage. Ein Grund ist Query Fan-out: Die Systeme zerlegen eine Frage in mehrere Teilsuchen und holen Belege für jede davon – nicht nur für die ursprüngliche Anfrage.
Ein Ranking sagt, dass Sie gefunden werden. Ob Sie gewählt werden, entscheidet ein anderes System – nach anderen Kriterien.
Hinzu kommt, dass ein Ranking unter einer KI-Antwort weniger wert ist als ohne sie. Pew Research hat das Suchverhalten von 900 US-Erwachsenen im März 2025 ausgewertet: Bei Suchen mit KI-Zusammenfassung klickten Nutzer in 8 Prozent der Fälle auf ein klassisches Ergebnis, ohne Zusammenfassung in 15 Prozent. Auf Links in der Zusammenfassung selbst entfiel rund 1 Prozent der Besuche. Ein Platz 2 unter einer KI-Antwort, in der die eigene Marke fehlt, ist deshalb eine andere Sichtbarkeit als ein Platz 2 vor fünf Jahren.
Welche Arten von Visibility Gap gibt es?
Es gibt nicht den einen Visibility Gap, sondern mehrere – je nachdem, welche Art von Auswahl fehlt und in welchem System. Diese Unterscheidung entscheidet darüber, wo man ansetzen muss.
Nach Art der Auswahl
KI-Antworten kennen drei Arten, vorzukommen. Mention heißt, die Marke wird genannt. Citation heißt, ein Inhalt wird als Beleg herangezogen und meist verlinkt. Recommendation heißt, die Marke oder Lösung wird empfohlen. Daraus ergeben sich drei Lücken:
- Zitat-Lücke: Die Website rankt, ihre Inhalte werden aber nicht als Beleg genutzt. Typisch für Ratgeber- und Wissensinhalte.
- Nennungs-Lücke: Inhalte werden vielleicht zitiert, die Marke kommt im Antworttext aber nicht vor.
- Empfehlungs-Lücke: Die Marke wird bei Vergleichs- und Auswahlfragen („Welcher Anbieter …?“) nicht empfohlen. Für Umsatz ist das meist die teuerste Lücke.
Nach System
Der Visibility Gap ist nicht in allen Systemen gleich groß. Googles AI Overviews hängen deutlich stärker an den eigenen Rankings als die KI-Assistenten: Nach einer Ahrefs-Auswertung von März 2026 stammten rund 38 Prozent der AI-Overview-Zitate aus den Top 10. Bei den Assistenten lag die Überschneidung mit den Google-Top-10 im Schnitt bei 12 Prozent, mit großen Unterschieden: Perplexity 28,6 Prozent, ChatGPT 8 Prozent, Gemini 8,6 Prozent, Copilot 8,2 Prozent.
Auch Markensignale wirken je nach System unterschiedlich. Ahrefs fand für die Zahl der Markennennungen im Web eine starke Korrelation mit der Sichtbarkeit in AI Overviews (0,65), aber nur eine schwache bei Perplexity (0,30) und eine sehr schwache bei ChatGPT (0,15). Korrelation ist kein Beweis für Ursache – sie zeigt aber, dass „KI-Sichtbarkeit“ kein einheitlicher Zustand ist. Wer den Gap nur für ein System prüft, kennt ihn für die anderen nicht.
Einen belastbaren Richtwert, wie groß ein normaler Visibility Gap ist, liefern diese Zahlen nicht: Sie messen Überschneidungen von Zitaten und Rankings über viele Websites, nicht die Lücke einer einzelnen Website. Die Größe hängt von Branche, Themen, System und Messmethode ab – sinnvoll ist der Vergleich mit sich selbst über die Zeit und mit zwei, drei direkten Wettbewerbern.
Woher kommt der Visibility Gap?
Der Visibility Gap entsteht, wenn eine Seite die erste Stufe des Meusel Visibility Frameworks erfüllt, aber an einer der folgenden scheitert. Gefunden zu werden ist nicht dasselbe wie verstanden, beantwortet oder ausgewählt zu werden.
SEO (Findability) umfasst alle Maßnahmen, die sicherstellen, dass ein Inhalt von Suchmaschinen gefunden, technisch korrekt erfasst und thematisch eingeordnet wird. Auf dieser Stufe liegt der Gap seltener, aber er kommt vor: Eine Seite rankt für die Hauptanfrage, aber nicht für die Teilfragen, die ein KI-System beim Query Fan-out stellt. Oder sie schränkt Snippets ein – Google nennt die Eignung für ein Snippet ausdrücklich als Voraussetzung für die Anzeige in seinen KI-Funktionen. Für andere Systeme gehört die Prüfung dazu, ob deren Crawler die Seite überhaupt abrufen dürfen.
GEO (Processability) meint im Meusel Visibility Framework die Optimierung von Inhalten, damit KI-Systeme sie nicht nur lesen, sondern als eigenständige Wissenseinheiten verstehen und verarbeiten können; in der Branche wird der Begriff teils weiter gefasst. Hier entsteht der Gap, wenn die Antwort im Fließtext vergraben ist, Abschnitte nur im Zusammenhang verständlich sind oder Begriffe wechseln. Eine Seite kann für Menschen gut lesbar und für die Zerlegung in Belege trotzdem ungeeignet sein.
AEO (Answerability) steht für die Optimierung von Inhalten, damit sie eine konkrete Frage direkt, eindeutig und belastbar beantworten. Viele gut rankende Seiten sind umfassend, aber nicht direkt: Sie beschreiben ein Thema, ohne die Frage zu beantworten, die gestellt wurde. Ein System, das einen Beleg für eine Teilfrage sucht, findet dort keinen zitierfähigen Satz.
Trust (Selectability) umfasst alle Signale, die zeigen, dass ein Inhalt von einer kompetenten, transparenten und aktuellen Quelle stammt – und damit entscheiden, ob er als Quelle ausgewählt, zitiert oder empfohlen wird. Hier liegt vor allem die Empfehlungs-Lücke: Wird eine Marke außerhalb der eigenen Website selten genannt, fehlen Autor, Belege oder Aktualität, hat ein System wenig Grund, sie zu empfehlen. Trust entscheidet am Ende – aufgebaut wird er auf jeder Ebene.
Nach unserer Beobachtung liegt der Gap bei etablierten Websites meist auf den Stufen GEO und AEO, die Empfehlungs-Lücke dagegen fast immer bei Trust. Mehr Backlinks lösen beides selten.
Wie misst man den Visibility Gap?
Messen lässt sich der Visibility Gap, indem man für dieselben Kernthemen Rankings und KI-Präsenz getrennt erfasst und nebeneinanderlegt. Wichtig ist, beides nicht in einer Kennzahl zu vermischen – sonst verschwindet genau die Lücke, die man sucht.
Schritt 1 – Kernthemen festlegen. 20 bis 50 Fragen, die potenzielle Kunden wirklich stellen: Wissensfragen („Wie funktioniert …?“) und Auswahlfragen („Welcher Anbieter für …?“). Dieselbe Liste dient für Rankings und KI-Abfragen.
Schritt 2 – Rankings erfassen. Für jede Frage die Position der eigenen Website aus der Google Search Console oder einem Ranking-Tool. „Rankt gut“ heißt hier: Top 10 für die Frage oder ihr Hauptkeyword.
Schritt 3 – KI-Präsenz erfassen, getrennt nach Art und System. Die Search Console zeigt in ihren Berichten zu generativer KI, welche Seiten Impressionen in AI Overviews und AI Mode haben, allerdings ohne Suchanfragen. Die Bing Webmaster Tools weisen im Bericht „AI Performance“ zitierte Seiten samt Grounding Queries aus. Für ChatGPT, Perplexity und andere bleibt ein festes Prompt-Set. Für jede Frage wird notiert: genannt, zitiert, empfohlen – ja oder nein.
Schritt 4 – Wiederholen statt einmal fragen. KI-Antworten schwanken stark. SparkToro hat Empfehlungslisten verschiedener KI-Systeme wiederholt abgefragt und kommt auf eine Wahrscheinlichkeit von unter 1 zu 100, zweimal dieselbe Markenliste zu erhalten. Eine einzelne Abfrage ist deshalb eine Anekdote, kein Messwert. Wie man solche Messreihen methodisch sauber aufsetzt, zeigt der Knowledge Case darüber, was sich bei KI-Sichtbarkeit belastbar reporten lässt.
Schritt 5 – Die Gap-Quote bilden. Anteil der Fragen, bei denen die Website gut rankt, aber in einem bestimmten System nicht ausgewählt wird – getrennt für Zitat, Nennung und Empfehlung. Das ist unsere Arbeitsdefinition, kein Standard. Sie reicht, um Themen zu priorisieren und Veränderungen über Zeit zu sehen.
Eine Grenze gehört dazu: Was ein System intern abruft, aber nicht anzeigt, bleibt unsichtbar. Gemessen wird immer nur, was in der Antwort sichtbar wird.
Wie oft sollte man den Visibility Gap messen? Monatlich ist für die meisten Websites ein guter Rhythmus, nach größeren Inhaltsänderungen zusätzlich. Wichtiger als die Frequenz ist, dieselben Fragen bei jeder Messung mehrfach abzufragen, weil KI-Antworten von Abfrage zu Abfrage stark schwanken. Entscheidend ist dabei nicht die Messhäufigkeit selbst, sondern dass bei jeder Messung dieselben Fragen mehrfach gestellt werden, um die starken Schwankungen in KI-Antworten auszugleichen und belastbare Vergleichswerte zu erhalten.
Praxisbeispiel: Platz 2 und trotzdem nicht empfohlen
Wie ein Visibility Gap aussieht, lässt sich an einem typischen B2B-Fall zeigen. Das Beispiel ist konstruiert und zeigt das Vorgehen, keine gemessenen Ergebnisse.
Ein Hersteller von Absauganlagen für die Metallbearbeitung rankt für „Ölnebelabscheider Funktionsweise“ auf Platz 2 und für „Ölnebelabscheider CNC“ auf Platz 4. Der Ratgeber dazu ist ausführlich, gut verlinkt und seit Jahren stabil.
In KI-Antworten ergibt sich ein gemischtes Bild:
- Wissensfrage „Wie funktioniert ein Ölnebelabscheider?“ – AI Overviews zitieren den Ratgeber. Hier gibt es keinen Gap.
- Teilfrage „Welche Filterklasse brauche ich für Emulsionsnebel?“ – Weder Google noch ChatGPT zitieren die Seite. Die Antwort steht zwar im Ratgeber, aber verteilt über drei Absätze ohne klare Aussage. Das ist ein Gap auf der Stufe AEO.
- Auswahlfrage „Welche Hersteller für Ölnebelabscheider sind empfehlenswert?“ – ChatGPT nennt in wiederholten Abfragen vier Wettbewerber, den Hersteller nie. Diese werden in Fachportalen, Vergleichen und Branchenverzeichnissen häufig erwähnt; der Hersteller vor allem auf seiner eigenen Website. Das ist eine Empfehlungs-Lücke auf der Stufe Trust.
Ein reines Ranking-Reporting hätte für alle drei Fragen „sehr gut“ gemeldet. Die Gap-Analyse zeigt zwei verschiedene Baustellen: eine Content-Aufgabe (direkte Antwort auf die Teilfrage) und eine Reputations-Aufgabe (Erwähnungen außerhalb der eigenen Website). Für beide gilt: Ob ein System die Seite danach auswählt, lässt sich nicht garantieren – nur wahrscheinlicher machen.
Was bedeutet das für Ihr Reporting und Ihre Inhalte?
Wer den Visibility Gap schließen will, muss ihn zuerst sichtbar machen – und dann auf der richtigen Stufe ansetzen. Fünf Konsequenzen:
- Ranking und Auswahl getrennt berichten. Ein Reporting, das nur Positionen zeigt, kann den Gap per Definition nicht erkennen. Rankings bleiben wichtig, sind aber nur eine von zwei Achsen.
- Nach Art und System unterscheiden. Eine Zitat-Lücke in AI Overviews und eine Empfehlungs-Lücke in ChatGPT haben verschiedene Ursachen und brauchen verschiedene Maßnahmen.
- Findability nicht vernachlässigen. Der Gap setzt voraus, dass die Seite gefunden wird. Indexierung, Snippet-Fähigkeit und Crawler-Zugang bleiben die Basis – auch für die Teilfragen eines Themas.
- Antworten zitierfähig machen. Für Zitat-Lücken liegt der Hebel meist in Processability und Answerability: klare Kernaussagen am Abschnittsanfang, direkte Antworten auf Teilfragen, belegte Zahlen.
- Für Empfehlungs-Lücken außerhalb der eigenen Website arbeiten. Erwähnungen in Fachmedien, Vergleichen und Verzeichnissen sind nach den verfügbaren Daten eng mit Sichtbarkeit in AI Overviews verbunden. Das ist eher Digital PR als Onpage-Optimierung.
Vollständig schließen lässt sich der Visibility Gap nicht – zumindest nicht garantiert. Verbessern lassen sich die Voraussetzungen, damit eine Seite häufiger ausgewählt wird; ob ein System sie für eine bestimmte Antwort nutzt oder eine Marke empfiehlt, bleibt seine Entscheidung und ändert sich mit jedem Modell-Update.
Quellen & weiterführende Links
- Does ranking higher on Google mean you’ll get cited in AI Overviews? – Ahrefs (Si Quan Ong, Xibeijia Guan), 2025
- Only 12% of AI Cited URLs Rank in Google’s Top 10 for the Original Prompt – Ahrefs (Louise Linehan, Xibeijia Guan), 2025, aktualisiert 2026
- Google AI Overview Citations From Top-Ranking Pages Drop Sharply – Search Engine Journal (zur Ahrefs-Auswertung März 2026), 2026
- Google Seems More Biased Towards Big Brands Than ChatGPT and Perplexity – Ahrefs (Patrick Stox), 2025
- Google users are less likely to click on links when an AI summary appears in the results – Pew Research Center, 2025
- AIs are highly inconsistent when recommending brands or products – SparkToro, 2026
- AI features and your website – Google Search Central, 2025
- Generative-AI-Berichte in der Search Console – Google Search Central Blog, 2026
- Introducing AI Performance in Bing Webmaster Tools – Microsoft Bing, 2026
- Evolving role of the index: From ranking pages to supporting answers – Microsoft Bing Blog, 2026
