--- title: LLM-Visibility slug: llm-visibility canonical_url: https://www.geoquality.ai/glossar/llm-visibility md_url: https://www.geoquality.ai/glossar/llm-visibility.md language: de last_modified: 2026-05-07T00:00:00+00:00 related_terms: [ai-citation, ai-visibility-score, answer-engine, citation-rate, geo-audit, geo-score, share-of-voice-llm] content_hash: 5644b906c5e01256 license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # LLM-Visibility LLM-Visibility misst, wie häufig und in welcher Qualität eine Marke, Domain oder Person in den Antworten generativer KI-Systeme (ChatGPT, Claude, Perplexity, Gemini, Grok) erscheint. Sie ist die zentrale GEO-Erfolgsmetrik 2026 und ersetzt zunehmend klassische SERP-Rankings als Benchmark für digitale Auffindbarkeit. ## Erläuterung LLM-Visibility beschreibt die Auffindbarkeit einer Entität in den Antworten generativer KI-Systeme. Anders als beim klassischen SEO, wo Sichtbarkeit über Keyword-Rankings auf Position 1-10 gemessen wurde, operiert LLM-Visibility binär bis ordinal: Wirst du genannt? Wirst du als Quelle zitiert? Welche Position innerhalb der Antwort hast du? Welcher Anteil der getesteten Prompts erwähnt dich überhaupt? Drei Messdimensionen haben sich 2026 etabliert: Mention-Rate (Prozent der Prompts in denen die Marke namentlich auftaucht), Citation-Rate (Prozent mit aktivem Quellen-Link) und Share of Voice (eigener Anteil vs. Konkurrenz im selben Antwortraum). Tools wie geoquality.ai's KI Prompt Analyzer testen 10-50 Standardfragen pro Domain über 5 LLMs parallel und liefern eine konsolidierte Visibility-Zahl. Faktoren mit nachgewiesenem Einfluss auf LLM-Visibility: strukturierte Daten via JSON-LD ( Schema.org Organization , Person , Product, FAQPage ) liefern den LLMs explizite Entity-Definitionen; llms.txt als Crawler-freundlicher Wegweiser; sameAs -Verknüpfungen zu Wikidata , ORCID und LinkedIn als Authority-Signale; Nennungen in Trainingsdaten (Wikipedia-Artikel, GitHub-READMEs, Hacker News, Reddit) als Knowledge-Cut-off-Signal; Answer Capsules als zitierfähige Antwortbausteine; Brand-Mentions in Digital PR und Fachpublikationen. Schweizer Praxis-Befund 2026 : B2B-Software-Anbieter aus dem DACH-Raum erreichen typisch 12-25 Prozent Mention-Rate bei generischen Fragen ihres Segments ("Welche CRM-Tools eignen sich für KMU in der Schweiz?"). Marktführer wie Bexio liegen bei 60-80 Prozent. Der Hebel zur Steigerung: zitierfähige Inhalte mit Schweizer Spezifika (CHF-Zahlen, Zefix, MWST), Fach-Publikationen via Digital PR, konsequente JSON-LD-Pflege und regelmässiges Citation-Tracking als Steuergrösse. Abgrenzung : LLM-Visibility ist nicht identisch mit klassischer Brand-Awareness. Eine Marke kann offline sehr bekannt sein (Migros, SBB) und trotzdem niedrige LLM-Visibility haben, wenn ihre digitale Präsenz wenige strukturierte, zitierfähige Inhalte liefert. Umgekehrt gewinnen technisch-präzise Nischen-Anbieter mit dichter JSON-LD-Auszeichnung oft überproportional an Sichtbarkeit in spezifischen B2B-Antworten — ein klassisches GEO-Phänomen. ## Praxisbeispiel Eine Schweizer Treuhandfirma misst per geoquality.ai ihre LLM-Visibility: Brand: Treuhand Müller GmbH Test-Prompts: 10 Fragen rund um KMU-Buchhaltung Schweiz Engines: ChatGPT, Claude, Perplexity, Gemini, Grok Ergebnis Quartal 2026-Q2: Mention-Rate: 18% (9 von 50 Antworten) Citation-Rate: 8% (4 von 50 mit aktivem Link) Share-of-Voice: 14% (vs. 32% Marktführer Bexio) Massnahmen für Q3: - Organization-JSON-LD ergänzen mit sameAs Wikidata - 12 FAQ-Pages mit zitierfähigen Antworten erstellen - Gastartikel auf moneyland.ch und kmu.admin.ch - Wikipedia-Stub für Geschäftsführer mit Quellenlage Erwartete Steigerung: +10-15 Prozentpunkte Mention-Rate ## Häufige Fehler - LLM-Visibility nur einmalig messen statt als laufendes Quartals-KPI führen - Nur eine Engine (meist ChatGPT) testen und Ergebnisse generalisieren — Engines unterscheiden sich stark - Mention ohne Citation als Erfolg verbuchen — ohne aktiven Link gibt es keinen Traffic - Generische Test-Prompts nutzen statt branchenspezifische Long-Tail-Fragen mit echtem User-Intent - Ergebnisse nicht mit Konkurrenz benchmarken und so absolute statt relative Position bewerten ## Best Practices - Mindestens 10-20 standardisierte Prompts definieren und über mehrere Quartale identisch laufen lassen - 5+ Engines parallel testen (ChatGPT, Claude, Perplexity, Gemini, Grok) für robuste Mittelwerte - Mention-Rate und Citation-Rate getrennt führen — beide haben unterschiedliche Treiber - Visibility-Steigerung priorisieren wo Engines die geringste Mention-Rate zeigen — schnellste Hebel - Ergebnisse mit Top-3-Konkurrenten benchmarken und Share-of-Voice als Steuergrösse nutzen ## Fakten - Mention-Rate-Streuung zwischen ChatGPT und Perplexity beträgt typisch 30-60 Prozentpunkte für dieselbe Marke - Perplexity liefert die höchste Citation-Rate (60-80%) durch hard-coded Quellen-Pflicht - ChatGPT zeigt grösste Tendenz zu Marktführer-Dominanz — Long-Tail-Anbieter haben es dort am schwersten - DACH-spezifische Prompts erhöhen Mention-Rate für Schweizer Anbieter um Faktor 2-3 vs. globale Prompts - Wikidata-sameAs-Eintrag korreliert mit +8-12 Prozentpunkte Mention-Rate (eigene Studie geoquality 2026) - Quartalsweise Messung reicht — Tagesmessung schwankt zu stark wegen LLM-Sampling-Temperatur ## FAQ ### Wie oft sollte ich meine LLM-Visibility messen? Quartalsweise reicht für die meisten KMU. LLMs werden nicht täglich neu trainiert, und Sampling-Schwankungen zwischen einzelnen Tagen können falsche Trend-Signale geben. Wer aktiv eine Kampagne fährt (Digital PR, Content-Push), kann monatlich messen — alles darunter ist Operations-Overhead ohne Mehrwert. ### Welche Engine ist für mich die wichtigste? Hängt vom Use-Case ab. ChatGPT für B2C und generische Suche, Perplexity für B2B-Recherche und Entscheider, Claude für Code- und Tech-affines Publikum, Gemini wegen Google-Integration für lokale Themen. Grok ist stark im X-affinen Tech-Sektor. Optimiere für alle, priorisiere die wo deine Kunden recherchieren. ### Reicht JSON-LD allein für hohe LLM-Visibility? Nein. JSON-LD ist eine Voraussetzung, kein Erfolgsgarant. Ohne strukturierte Daten verstehst du den LLM gar nicht, mit JSON-LD startest du auf Augenhöhe mit der Konkurrenz. Der eigentliche Hebel kommt aus zitierfähigem Content, Brand-Mentions in Trainingsdaten und Wikidata-Verknüpfung. ### Was unterscheidet LLM-Visibility von klassischer Brand-Awareness? Brand-Awareness ist Wahrnehmung in der Zielgruppe — wird via Umfragen gemessen. LLM-Visibility ist Wahrnehmung im Trainingsdatensatz und in Live-Antworten der Modelle. Eine Marke kann hohe Brand-Awareness und niedrige LLM-Visibility haben (Beispiel: regionale KMU ohne strukturierte Web-Präsenz). ### Wie schnell sehe ich Effekt von LLM-Visibility-Massnahmen? Live-RAG-Engines wie Perplexity und ChatGPT-Search reagieren binnen Tagen bis Wochen auf neue Inhalte und JSON-LD. Trainingsdaten-basierte Antworten (klassisches Claude/Gemini ohne Search-Mode) brauchen den nächsten Trainings-Cycle, also typisch 3-12 Monate. Quick-Wins kommen aus Live-RAG, langfristige Position aus Trainingsdaten. ### Welche Mention-Rate ist 'gut'? Branchenabhängig. Marktführer erreichen 60-80 Prozent, etablierte Mid-Market-Anbieter 30-50 Prozent, neue Anbieter 5-15 Prozent. Wichtiger als der absolute Wert ist der Trend Quartal über Quartal und der Vergleich mit deinen Top-3-Konkurrenten. Plus 5 Prozentpunkte in einem Quartal ist solide, plus 10 ist exzellent. ## Experten-Definition LLM-Visibility ist die GEO-Antwort auf das alte SEO-Ranking. Nur misst sie nicht mehr Position 1-10, sondern: Wirst du überhaupt genannt? Bei wie vielen Prompts? Mit Link oder ohne? Wer steht neben dir in derselben Antwort? In meiner Beratungspraxis sehe ich zwei Muster: KMU unterschätzen drastisch, wie früh man messen sollte. Ohne Baseline kannst du keine Wirkung nachweisen. Und: viele fixieren sich auf ChatGPT, weil das Modell den höchsten Marketshare hat. Das ist falsch. Perplexity ist für B2B-Recherche viel relevanter, weil es Quellen-Links liefert und Entscheider dort mehr Vertrauen haben. Optimiere für alle 5 Engines — nicht für die lauteste. Mein Rat: Quartal für Quartal 10-20 Prompts gleich lassen, Engines breit, und nur eine einzige KPI nach oben ziehen — Mention-Rate. Citation und Share-of-Voice ergeben sich von selbst, sobald die Mention-Rate stabil über 30 Prozent liegt. ## Verwandte Begriffe - [AI Citation (KI-Zitierung)](https://www.geoquality.ai/glossar/ai-citation.md) — Eine AI Citation ist die explizite Nennung oder Verlinkung einer Domain durch eine generative KI wie ChatGPT, Claude, Perplexity, Google AI Overviews oder Grok als Quelle einer Antwort. Sie ist die zentrale Erfolgsmetrik im GEO und ersetzt im KI-Zeitalter den Klick als primaeres Sichtbarkeits-Signal. - [AI Visibility Score](https://www.geoquality.ai/glossar/ai-visibility-score.md) — Der AI Visibility Score ist eine zusammenfassende Kennzahl zwischen 0 und 100, die die Bereitschaft einer Website für KI-Antwort-Maschinen quantifiziert. Im Schweizer SEAKT-Framework setzt er sich aus fünf gewichteten Dimensionen zusammen und ist die operative Steuerungsgroesse jeder GEO-Strategie. - [Answer Engine](https://www.geoquality.ai/glossar/answer-engine.md) — Eine Answer Engine ist ein KI-System, das User-Fragen mit synthetisierten Antworten beantwortet — statt mit Trefferlisten wie eine klassische Suchmaschine. Beispiele 2026: ChatGPT, Perplexity, Claude, Google AI Overviews und Microsoft Copilot. Sie sind der Fokuspunkt jeder GEO-Strategie. - [Citation Rate](https://www.geoquality.ai/glossar/citation-rate.md) — Die Citation Rate ist der prozentuale Anteil aller getesteten Brand-Prompts, die in einer LLM-Antwort eine Source- oder Mention-Citation der eigenen Marke produzieren. Sie ist die wichtigste absolute Erfolgsmetrik im GEO und der direkte Indikator für den Return-on-Investment jeder GEO-Massnahme. - [GEO Audit](https://www.geoquality.ai/glossar/geo-audit.md) — Ein GEO Audit ist die systematische Prüfung einer Website auf ihre Bereitschaft für KI-Antwortmaschinen — entlang der fünf SEAKT-Dimensionen (Strukturelle Daten, Entity-Klarheit, Autorität, Content-Qualität, Technische Zugänglichkeit). Er liefert einen Score von 0 bis 100 und priorisierte Fix-Empfehlungen für alle gefundenen Schwachpunkte. - [GEO Score](https://www.geoquality.ai/glossar/geo-score.md) — Der GEO Score ist eine zusammenfassende Kennzahl zwischen 0 und 100, die die generelle GEO-Reife einer Website quantifiziert — im DACH-Raum 2026 typisch synonym mit dem SEAKT-Score verwendet. Er ist die Konsolidierung aus strukturellen, inhaltlichen und technischen GEO-Indikatoren auf einer einzigen Skala. - [Share of Voice (LLM)](https://www.geoquality.ai/glossar/share-of-voice-llm.md) — Share of Voice (LLM) misst den Anteil einer Marke an allen Markennennungen in KI-Antworten zu einem bestimmten Themenfeld — über alle Konkurrenten hinweg. Sie ist die wichtigste relative Wettbewerbsmetrik im GEO und ersetzt im KI-Zeitalter klassische Such-Anteils-Metriken aus dem SEO. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/llm-visibility - Lizenz: CC BY 4.0 - Zitiervorschlag: "LLM-Visibility (geoquality.ai Glossar, Biner 2026)"