Wenn du ehrlich bist, hast du es wahrscheinlich auch schon gespürt: Die Welt des Suchens verändert sich. Jahrelang war SEO eine ziemlich klar umrissene Disziplin – man optimierte Inhalte, ging ins Ranking und sah die Ergebnisse. Google war dabei das absolute Zentrum. Heute aber sitzen KI-Assistenten wie ChatGPT oder Perplexity über dieser Ebene. Sie antworten direkt, ohne dass Nutzer überhaupt noch klicken müssen. Und damit beginnt eine stille, aber tiefgreifende Verschiebung: Wie wird Sichtbarkeit in dieser neuen Welt überhaupt gemessen?
Von der einfachen Schleife zur vielschichtigen Realität
Früher war das Spiel relativ simpel: Keywords recherchieren, Inhalte schreiben, Backlinks aufbauen, Tracking-Tools beobachten. Alles folgte einer messbaren Logik – Traffic rein, Conversion raus. Doch jetzt verschiebt sich der Maßstab, denn KI-Assistenten interpretieren Inhalte anders als klassische Suchmaschinen. Sie zitieren, fassen zusammen und vernetzen Informationen, wobei deine Inhalte teils wortlos übernommen werden. Du bekommst dafür aber keinen klaren Analytics-Wert – der Klick bleibt aus.
Das bedeutet nicht, dass SEO abgeschrieben ist. Vielmehr beginnt eine zweite Ebene von Sichtbarkeit, die parallel läuft: Sichtbarkeit innerhalb der Antwortsysteme. Sie ist nur schwieriger zu messen, weil sie sich nicht über klassische Metriken ausdrückt. Genau da setzt dieses neue Denkmodell an.
Warum das Ganze überhaupt wichtig ist
Trotz aller KI-Hype-Themen sollte man nicht vergessen: Über 90 % des messbaren Traffics kommt immer noch aus der organischen Suche. Google verarbeitet mehrere Milliarden Suchanfragen täglich – während Plattformen wie Perplexity laut eigenen Angaben im Jahr etwa zehn Milliarden Anfragen schaffen. Aber: KI verändert das Verständnis von Information. Wenn diese Systeme künftig häufiger Quellen direkt nennen, wird sichtbar, wem sie vertrauen. Das gilt insbesondere für Fachbeiträge oder glaubwürdige Domains.
Leider fehlt uns momentan ein offizielles Dashboard, das zeigt, wie oft diese Zitate passieren. Google hat zwar AI Mode in die Search Console integriert, aber diese Daten liegen im Sammelbereich „Web Search“ – also alles zusammen ohne genaue Trennung. Wir wissen also, dass Klicks aus KI-Überlagerungen mitgezählt werden, aber nicht, wie groß dieser Anteil ist. Solange das so bleibt, brauchen wir eine eigene mathematische Annäherung.
Zwei Systeme – zwei Wege zur Relevanz
Was Suchmaschinen und KI-Assistenten verbindet, ist die Suche nach dem relevantesten Ergebnis. Der Unterschied liegt in der Logik: klassische Suchsysteme wie Google nutzen lexikalische Verfahren. Sie suchen also nach Worten und deren Häufigkeit – Stichwort „BM25“, das Standardmodell für Textbewertung.
KI-Assistenten dagegen verstehen Inhalte semantisch. Sie interpretieren Bedeutungen, Synonyme, Zusammenhänge. Anstatt Wörter zu zählen, vergleichen sie mathematische Vektoren – Embedding-Strukturen, die Konzepte in Zahlenräumen abbilden. So erkennt das System: „Kaffee“ und „Espresso“ gehören zusammen, auch wenn das Wort nicht identisch ist.
Beide Systeme machen Fehler: Lexikalische Modelle ignorieren ähnliche Begriffe, während semantische Modelle manchmal falsche Zusammenhänge ziehen. Die Kombination beider liefert am Ende die besten Ergebnisse. Diese Kombination folgt in modernen Sucharchitekturen einem Verfahren namens Reciprocal Rank Fusion (RRF). Klingt kompliziert, ist aber leicht greifbar.
Ein bisschen Mathe für den Aha-Moment
Stell dir vor, du hast zwei Ergebnislisten: die klassische Keyword-Suche und eine semantische KI-Liste. RRF ordnet beide Ranglisten so zusammen, dass Ergebnisse, die in beiden Systemen stark abschneiden, höher gewichtet werden. Mathematisch ausgedrückt lautet die Formel:
Score = 1 / (k + Rang)
„Rang“ ist die jeweilige Position – 1 für Platz eins, 2 für Platz zwei, und so weiter. „k“ ist eine Konstante, meist rund 60, die Unterschiede glättet. Ein Dokument, das in beiden Systemen weit vorne auftaucht, erhält einen höheren kombinierten Score.
So entsteht eine Art balancierter Mittelwert zwischen semantischer Nähe und textlicher Relevanz. Einfach gesagt: Wer sowohl die richtigen Worte als auch den richtigen Kontext liefert, landet oben.
Wie du dieses Prinzip in der Praxis herauslesen kannst
Kein SEO hat Zugriff auf die genauen Modelle hinter diesen Systemen – aber man kann das Verhalten an der Oberfläche beobachten. Der Trick ist, Suchmaschinen- und Assistenten-Ergebnisse zu vergleichen und deren Überschneidungen zu messen. Das zeigt, wo deine Inhalte schon abgestimmt funktionieren und wo Diskrepanzen herrschen.
1. Daten sammeln
Wähle 10 bis 15 für dein Unternehmen relevante Suchanfragen. Dann suchst du:
- die Top‑10‑URLs bei Google,
- die zitierten Quellen in einem KI-Assistenten (z. B. Perplexity oder ChatGPT Search).
Jetzt hast du zwei Listen pro Suchanfrage – die klassische und die KI-basierte.
2. Drei einfache Kennzahlen
Intersection (I): Wie viele Domains erscheinen in beiden Listen?
Novelty (N): Wie viele Zitate stammen nur vom Assistenten und fehlen bei Google?
Frequency (F): Wie häufig taucht eine Domain über alle Anfragen hinweg auf?
3. In Kennzahlen umrechnen
Du kannst daraus drei einfache Messgrößen bilden:
- Shared Visibility Rate (SVR) = I ÷ 10 → Anteil der Google‑Top‑10, die auch der Assistent nennt.
- Unique Assistant Visibility Rate (UAVR) = N ÷ Anzahl der Assistenten‑Zitate → Neuerkennungsquote.
- Repeat Citation Count (RCC) = F ÷ Anzahl der Queries → Beständigkeit der Erwähnungen über Themen hinweg.
Ein Beispiel: Für ein Keyword liefert Google 10 Treffer, der Assistent 6, davon drei identisch. Dann gilt:
SVR = 3 ÷ 10 = 0,3 (30 %)
UAVR = 3 ÷ 6 = 0,5 (50 %)
RCC kann z. B. 0,4 betragen, wenn deine Domain in vier von zehn Fällen zitiert wird.
4. Interpretation
- SVR über 0,6: Inhalt deckt sich weitgehend mit beiden Systemen – gute texthafte und semantische Relevanz.
- SVR zwischen 0,3 und 0,6: teilweises Alignment; prüfen, ob interne Verlinkung oder Struktur klarer sein könnte.
- SVR unter 0,3, aber hohe UAVR: Der Assistent vertraut auf andere Quellen – wahrscheinlich fehlt semantische Klarheit.
- Hoher RCC der Mitbewerber: Sie genießen kontextuelles Vertrauen, eventuell dank besserem Schema-Markup.
5. Darauf aufbauen
Sinkt deine SVR, kümmere dich um Überschriftenstruktur, Schema-Daten und semantische Konsistenz. Wird deine Marke selten zitiert (niedriger RCC), helfen standardisierte Autorenfelder, technische Markups und eindeutige Quellenangaben. Bei hoher UAVR solltest du die neuen Domains analysieren – vielleicht gewinnen dort bereits künftige Trendautoren an Einfluss.
Was dieses Rechnen wirklich bringt
Das Ganze ist kein akademischer Selbstzweck. Diese Mathespielerei übersetzt das Unbeobachtbare in etwas Greifbares. Sie zeigt, wo klassische Rankings noch mitspielen und wo semantische Systeme eigene Wege gehen. Du erkennst also, wie „sichtbar“ deine Autorität in der neuen Hybrid‑Suche ist – selbst ohne Backend‑Datenzugang.
Praktische Optimierung für hybride Systeme
- Schreibe in klar abgegrenzten Sinnblöcken à 200 bis 300 Wörter, in denen These und Beleg nah beieinanderstehen.
- Nutze sprechende Überschriften und strukturierte Bulletpoints, damit traditionelle Indizes Schlüsselbegriffe finden.
