AEO-KPI-Framework: Vom Output bis zum Revenue-Impact

Citations sind die neue Pageviews-Metrik, aber ein einzelner Citation-Counter reicht nicht aus, um den Business-Wert von Answer Engine Optimization zu belegen. Ein belastbares AEO-KPI-Framework arbeitet auf vier Ebenen: Output, Outcome, Behavior und Revenue. Jede Ebene hat eigene Messinstrumente und beantwortet eine andere Stakeholder-Frage, vom Content-Team bis zum CFO.

Ebene 1: Output-Metriken als Aktivitäts-Indikator

Output-Metriken erfassen, was dein Team produziert hat, sie sind die Vorstufe jeder Wirkung und vergleichbar mit Sprint-Velocity im Engineering. Auf dieser Ebene zählst du die Anzahl der publizierten AEO-optimierten Artikel pro Monat, neue Schema-Markups pro Domain, FAQ-Pages mit `FAQPage`-JSON-LD und prozentual zugängliche URLs für GPTBot, ClaudeBot und Google-Extended.

Diese Zahlen sagen nichts über Wirkung aus, aber sie sind notwendige Vorbedingungen. Wenn du im Monat keine 5–10 neuen Schema-Markups ausspielst, wird sich auch die nächste Ebene nicht bewegen. Output-Metriken eignen sich für wöchentliche Stand-ups, nicht für Quartals-Reportings ans Management.

Typische Output-KPIs sind außerdem die Crawl-Rate (Anzahl GPTBot-Hits pro Tag in den Server-Logs), die Schema-Coverage in Prozent (URLs mit Structured Data / Gesamt-URLs) und der Anteil der Seiten mit zugänglichem HTML ohne JavaScript-Rendering, ein kritischer Faktor, weil viele LLM-Crawler kein JS ausführen.

Ebene 2: Outcome-Metriken als Sichtbarkeits-Indikator

Outcome-Metriken messen, ob deine Inhalte tatsächlich in Antworten von ChatGPT, Perplexity, Gemini und Claude auftauchen. Hier kommen spezialisierte Tools ins Spiel: AEORadar, Otterly, Profound und Peec tracken Citation-Frequenz pro Marke pro Query pro Modell und liefern dir vergleichbare Zeitreihen. Ohne so ein Tool bist du auf manuelle Stichproben angewiesen, die nicht skalieren.

Die wichtigsten Outcome-KPIs sind: Citation-Count pro Query-Cluster, Share of Voice in deiner Kategorie (eigene Citations / Gesamt-Citations aller getrackten Brands), Sentiment der Erwähnung (positiv, neutral, negativ) und der prozentuale Anteil der Queries, bei denen du im Top-3-Citation-Block landest. Letzteres entspricht dem alten "Position 1–3" aus dem klassischen SEO.

Wichtig: Citations sind nicht gleich Citations. Eine Erwähnung mit aktivem Backlink-Click in der Perplexity-Antwort ist mehr wert als eine reine Text-Citation in ChatGPT ohne Quelle. Manche Tools differenzieren das automatisch, andere musst du manuell taggen. Plane dafür wöchentlich 30 Minuten Review-Zeit ein.

Ebene 3: Behavior-Metriken aus Web-Analytics

Behavior-Metriken zeigen, was User tun, nachdem sie aus einer AI-Antwort auf deine Seite klicken. Du brauchst dafür sauberes UTM-Tagging plus eine Erkennung von Referrer-Domains wie chat.openai.com, perplexity.ai, gemini.google.com und claude.ai. Google Analytics 4 lässt sich mit einer benutzerdefinierten Channel-Gruppe entsprechend konfigurieren, Matomo und Plausible bieten ähnliche Optionen.

Die zentralen Behavior-KPIs sind: AI-Traffic-Sessions pro Monat, durchschnittliche Sitzungsdauer (oft höher als bei Organic, weil User vorinformiert kommen), Pages per Session und der Conversion-Rate-Vergleich AI-Traffic vs. Organic. In vielen DACH-B2B-SaaS-Setups konvertiert AI-Traffic 30–50 % besser als generischer Organic Search.

Ein häufiger Fehler: Marketing-Teams reporten nur die absoluten Session-Zahlen aus AI-Quellen. Die sind heute oft noch klein (1–5 % des Gesamttraffics in DACH-B2B). Spannender wird es, wenn du die Conversion-Rate dieser Sessions im Verhältnis siehst. 200 AI-Sessions mit 8 % CVR sind wertvoller als 5.000 Brand-Sessions mit 0,3 % CVR.

Ebene 4: Revenue-Metriken für das C-Level

Auf der vierten Ebene wird AEO endlich finanzwirksam. Hier geht es nicht mehr um Citations oder Sessions, sondern um Pipeline-€, Customer-Acquisition-Cost und Influenced-Revenue. Diese Ebene überzeugt CFOs und CROs, und entscheidet, ob dein AEO-Budget für 2027 wächst oder gekürzt wird.

Die relevanten Revenue-KPIs sind: Influenced-Pipeline (Summe der Opportunities, bei denen ein AI-Touchpoint in der Customer-Journey vorkam), Closed-Won-Revenue mit AI-Touchpoint, Cost per Citation (Marketing-Spend / Anzahl Citations) und CAC-Payback aus AI-Quellen. Letzteres lässt sich nur sauber messen, wenn dein CRM Multi-Touch-Attribution unterstützt.

Konkrete Empfehlungen für den Stack: Nutze Salesforce oder HubSpot mit aktivierter Multi-Touch-Attribution, integriere ein Tool wie Dreamdata oder Bizible für Journey-Tracking, und reporte quartalsweise auf einer einzigen Folie: Influenced-Pipeline in €, Number of Deals, Average Contract Value. Alles andere ist Detail-View für deine eigenen Sprint-Reviews.

{
  "kpi_framework": {
    "output": ["schema_coverage_pct", "new_faq_pages_per_month"],
    "outcome": ["citation_count", "share_of_voice", "top3_citation_rate"],
    "behavior": ["ai_sessions", "ai_conversion_rate", "pages_per_session"],
    "revenue": ["influenced_pipeline_eur", "closed_won_with_ai_touch", "cac_payback"]
  },
  "reporting_cadence": {
    "weekly": "output",
    "monthly": "outcome+behavior",
    "quarterly": "revenue"
  }
}

Pflicht-KPIs für die ersten 90 Tage

Wenn du AEO-Reporting neu aufbaust, starte nicht mit allen 16 KPIs gleichzeitig. Wähle pro Ebene zwei Kennzahlen aus und etabliere die Datenerhebung sauber. In den ersten 30 Tagen brauchst du: Schema-Coverage, GPTBot-Crawl-Rate (Output), Citation-Count und Share of Voice (Outcome), AI-Sessions und AI-Conversion-Rate (Behavior). Revenue-Reporting kommt erst in Monat 3, weil du vorher keine belastbare Datenmenge hast.

Definiere für jeden KPI vorab: Datenquelle, Erhebungsfrequenz, Verantwortlichkeit und Schwellenwert für "OK / Warnung / Eskalation". Ein Citation-Count ohne Vergleichswert ist wertlos. Wenn du letzte Woche 47 Citations hattest und diese Woche 52, ist das gut oder schlecht? Erst mit Schwellenwert ("Soll: mindestens 50 pro Woche, Eskalation unter 35") wird die Zahl handlungsleitend.

Ein letzter Punkt: Tracke Citations pro Modell getrennt. ChatGPT, Gemini und Perplexity haben unterschiedliche Ranking-Logiken. Wenn deine ChatGPT-Citations steigen, aber Perplexity-Citations stagnieren, brauchst du eine andere Maßnahme als wenn beide gleichmäßig wachsen. Aggregat-Zahlen verstecken solche Signale.

Wie du das Framework an Stakeholder verkaufst

Das beste KPI-Framework nützt nichts, wenn niemand außer dir es liest. In DACH-B2B-Organisationen funktioniert ein dreistufiger Roll-out: Erst Pilot mit dem Marketing-Lead (4 Wochen Daten sammeln), dann Erweiterung auf den CMO-Kreis (Quartals-Review), dann Aufnahme in die offizielle Board-Slide ab Quartal 3. Ohne diesen schrittweisen Aufbau wirkt AEO wie Hobby-Reporting.

Nutze visuelle Vergleiche: AI-Traffic-Conversion-Rate neben Organic-Search-Conversion-Rate auf einer Achse, idealerweise mit Trendlinie über 12 Monate. Wenn AI deutlich besser konvertiert, ist das ein starkes Argument für Budget-Verlagerung. Tools wie Looker Studio, Power BI oder Tableau eignen sich für solche Dashboards, wichtig ist die automatisierte Aktualisierung, nicht das Tool selbst.

Plane außerdem ein internes Glossar mit Definitionen aller KPIs. "Citation" bedeutet für ChatGPT etwas anderes als für Perplexity. "AI-Session" ist je nach Tool unterschiedlich definiert. Ohne Glossar reden Marketing, Sales und Finance aneinander vorbei, und das Framework verliert Glaubwürdigkeit.

Empfehlung am Ende: Vier Ebenen, klare Zuständigkeiten

Ein funktionierendes AEO-KPI-Framework trennt Output, Outcome, Behavior und Revenue, jede Ebene mit eigenem Reporting-Rhythmus und Adressatenkreis. Wer alle 16 KPIs gleichzeitig reportet, verliert sein Publikum. Wer nur auf Citations schaut, kann den Business-Wert nicht belegen.

Konkrete Empfehlung: Starte mit AEORadar oder Otterly für die Outcome-Ebene, ergänze GA4 mit einer Custom-Channel-Gruppe für AI-Quellen und implementiere Multi-Touch-Attribution in Salesforce oder HubSpot für die Revenue-Sicht. Die Output-Ebene trackst du mit einem simplen Spreadsheet plus wöchentlichem Server-Log-Check auf GPTBot- und ClaudeBot-Hits. Damit hast du in 6 Wochen ein belastbares System, das vom Sprint-Stand-up bis zum Board-Reporting trägt.