Zitiert heißt nicht empfohlen: wie die AI-Journey wirklich funktioniert
Als Quelle zitiert zu werden ist der Türöffner, nicht der Kaufentscheid. Über die Phasen der AI-Journey, warum Monitoring die falsche Kennzahl misst und warum lange gesprochene Prompts das Spiel ändern.
Deine Marke taucht in einer ChatGPT-Antwort als Quelle auf. Fühlt sich an wie ein Sieg. Ist es aber noch nicht. Es ist der Einstieg, nicht der Abschluss, und diese beiden zu verwechseln ist der teuerste Denkfehler im AEO gerade.
Die AI-Journey hat Phasen
Ein Kauf über einen AI-Assistenten läuft selten in einem Schritt. Er hat Phasen, und deine Marke muss in der richtigen präsent sein:
Entdeckung: "Was sind gute Siebträger für Einsteiger?" Die AI nennt Kategorien, Kriterien und ein paar Quellen. Der User liest, entscheidet aber nichts.
Eingrenzung: Der User bringt Constraints ein, die AI stellt Rückfragen. Kleine Küche, Cappuccino, Budget, Wassertank seitlich.
Empfehlung: Die AI grenzt auf konkrete Optionen ein, die zu genau diesen Constraints passen.
Entscheidung: Der User wählt, oft direkt im Chat oder auf der Seite, zu der die AI führt.
Monitoring-Tools sitzen in Phase eins. Sie messen, ob deine Marke bei allgemeinen Kategorie-Prompts als Quelle auftaucht. Das ist Präsenz in der Entdeckung, kein Kaufentscheid.
Quelle ist nicht Empfehlung
Als Quelle zitiert zu werden ist nicht dasselbe, wie empfohlen zu werden. Die Zitation ist der Türöffner, und sie ist real messbar: sie bringt Klicks, wir sehen AI-Referral-Traffic live. Aber in dieser Phase spricht das LLM keine Empfehlung aus und zeigt die Quelle nicht als Kaufoption. Sie ist ein Nachweis, wenn man genau hinschaut, mehr nicht.
Zitiert zu werden öffnet die Tür. Empfohlen zu werden gewinnt den Kunden.
Die Empfehlung fällt erst, wenn die AI auf konkrete Constraints eingrenzt. Und da gewinnt nicht, wer die meisten Quellen-Nennungen gesammelt hat, sondern wer die Constraints in den Daten beantwortet. Genau darum geht es bei tiefen Produktdaten, das ist das eigene Thema für sich.
Warum Monitoring die falsche Kennzahl misst
Otterly, Scrunch, Profound und Co. zählen "Share of Source" auf Kategorie-Prompts. Das Problem ist doppelt. Erstens misst es die Entdeckungs-Phase, in der niemand kauft. Zweitens ist die Messung selbst heuristisch gesampelt und verrauscht, oft mit 70 bis 80 Prozent Genauigkeit. Du optimierst dann auf eine Zahl, die weder der Kaufmoment ist noch stabil gemessen wird.
Die Kennzahlen, die zählen, sind andere: Zitations-Korrektheit (nennt die AI wahre Fakten über dich, nicht erfundene), Präsenz genau am Entscheid, und am Ende Conversion. Sichtbarkeit ohne diese drei ist eine Vanity-Metrik.
Spezifisch, und meist sofort
Der zweite Bruch mit dem alten Denken: es geht nicht um lang oder kurz, sondern um Spezifität, und die kommt meist sofort. Nutzer tippen die entscheidenden Constraints überwiegend gleich in den ersten Prompt, nicht über mehrere Runden aufgebaut, und dieser erste Prompt ist der entscheidende (Profound: Turn 1 is everything, Folge-Fragen lösen seltener eine frische Suche aus). Das kann ein ganzer gesprochener Satz sein, „leiser Siebträger für eine kleine Küche, macht Cappuccino, Wassertank seitlich, unter 900 Euro", oder keyword-artig, „siebträger klein cappuccino unter 900". So oder so stehen Ort, Budget und Passung von Anfang an drin.
Der Fehler ist nicht die Länge, sondern die Generik. Jeder Constraint, egal wie formuliert, ist ein Datenfeld, das du beantwortest oder eben nicht. Wer nur auf breite Head-Terms optimiert, misst am realen Muster vorbei, denn die Entscheidung fällt bei den spezifischen Anfragen, nicht bei den generischen.
Jede Persona fragt anders
Früher konvergierten alle Käufer auf dieselben Begriffe. Zehn verschiedene Buying-Personas tippten am Ende zu 90 Prozent dieselben zwei, drei Keywords ins Suchfeld. Man optimierte eine Handvoll Head-Terms, fertig.
Heute fragt jede Persona anders. Der Einsteiger, der Profi, der Beschenkende, der Preisbewusste, jeder bringt eigene Constraints und eigene Sprache mit. Zehn Personas, zweihundert Prompts, tausend Varianten von Antworten. Diesen Raum deckst du nicht mehr mit ein paar Keyword-Seiten ab. Nur strukturierte, tiefe Daten beantworten jede Kombination aus Persona und Situation, ohne dass du für jede eine eigene Seite baust. Deshalb recherchiert Klariton die echten Fragen echter Personas, statt ein paar Prompts zu samplen.
Was das für dich heißt
Sei präsent als Quelle. Das ist die Basis: auffindbar, strukturiert, korrekt. Aber behandle es als Einstieg, nicht als Ziel.
Sei die Antwort am Entscheid. Tiefe, gegroundete Daten, damit die AI dich empfiehlt, wenn es konkret wird. Plus ein Advisor auf deiner Seite, der den Entscheid-Moment besitzt.
Miss das Richtige. Nicht Share-of-Source, sondern ob die AI dich korrekt zitiert und ob daraus Umsatz wird.
Der kostenlose Klariton-Check zeigt dir den ersten Teil: sehen und zitieren dich ChatGPT, Perplexity, Gemini und Claude überhaupt, und mit welchen Fakten.
Stell deine Frage zu Klariton.
Gegroundet in Klaritons eigenem Wissen, belegt statt erfunden.
Wie sichtbar ist deine Marke für AI?
Der kostenlose AI-Visibility-Check zeigt dir in unter einer Minute, wie AI-Assistenten deinen Shop heute sehen.