Brand-Mention-KPIs: Welche Metriken bei AEO wirklich zaehlen

Klassisches SEO-Tracking misst Klicks, Rankings und Impressionen — bei Answer Engine Optimization sind das die falschen Hebel. Eine ChatGPT-Konversation produziert weder Impression noch organischen Klick, kann aber zunehmend über B2B-Demo-Requests entscheiden, ohne in klassischen Analytics aufzutauchen. Wer AEO-Performance ernst nehmen will, braucht ein eigenes KPI-Set.

Der Markt für AEO-Tracking-Tools (Profound, Otterly, Brand Radar, AthenaHQ, aeoradar.de, Goodie) ist 2026 aus dem Pilotstadium raus, aber die Metriken-Sprache ist noch nicht standardisiert. Anbieter bezeichnen ähnliche Konzepte mit unterschiedlichen Namen. Dieser Artikel sortiert die sieben relevanten KPIs nach Aussagekraft, zeigt Berechnungslogik und benennt, welche Tools die jeweilige Metrik liefern.

KPI 1: AI Visibility Score (oder Share of AI Voice)

Der zentrale Top-Level-KPI. Misst, in welchem Prozentsatz der getrackten Prompts deine Marke überhaupt erwaehnt wird — unabhaengig davon, ob positiv, neutral oder mit Quellenangabe. Profound nennt das "Visibility Score", Otterly "Mention Rate", aeoradar.de "Share of AI Voice".

Berechnung: (Prompts mit Brand-Mention) / (Gesamte Prompts im Tracking-Set) x 100. Bei 200 getrackten Prompts und 24 Mentions ergibt das 12 Prozent. Im DACH-B2B-SaaS-Kontext liegen typische Werte zwischen 5 und 35 Prozent für mittelgrosse Marken.

Vergleichbarkeit zwischen Tools ist begrenzt, weil das Prompt-Set unterschiedlich ist. Pro Tool ein eigenes Baseline-Trend ueber 30/60/90 Tage ist aussagekraeftiger als ein Cross-Tool-Vergleich am Stichtag.

KPI 2: Citation Rate

Eine Stufe tiefer als Visibility: In wie vielen der Mentions zitiert die AI deine Domain als Quelle? Eine reine Namens-Nennung ohne Link bringt im DACH-Markt etwa 20 Prozent so viel Conversion-Effekt wie eine zitierte Quelle (laut einer eigenen Stichprobe ueber 40 B2B-Funnels, n=40, nicht repraesentativ).

Berechnung: (Prompts mit Domain-Citation) / (Prompts mit Brand-Mention) x 100. Ein gutes Brand-Strength-Signal: Citation Rate ueber 60 Prozent. Unter 25 Prozent deutet auf Content-Discovery-Problem hin — die AI kennt die Marke, findet aber keinen passenden Quell-Artikel.

KPI 3: Sentiment Score

Erwaehnung allein hilft wenig, wenn das LLM dich neben Warnhinweisen platziert. Sentiment-Scoring teilt Mentions in Positiv / Neutral / Negativ. Branch Radar und AthenaHQ liefern das automatisch, Otterly und Goodie nur in Premium-Tiers.

Negative Mentions sind im B2B-Bereich selten (unter 5 Prozent typisch), im E-Commerce haeufiger (Liefer-Issues, Produktfehler). Die wichtigste Frage: Was schreibt die AI ueber Konkurrenten in Verbindung mit unserer Marke? Vergleichs-Mentions wie "X ist guenstiger als Y" sind tonal neutral, aber Conversion-relevant.

Vergleichstabelle: KPIs nach Tool-Verfuegbarkeit

KPI 4: Share of Voice gegen Kompetenz

Visibility allein ist kontextlos. Bei einem Prompt wie "Beste CRM-Tools für KMU im DACH-Raum" interessieren weniger absolute Erwaehnungen — sondern wie oft du im Vergleich zu HubSpot, Pipedrive, Salesforce auftauchst. Share of AI Voice misst genau das.

Berechnung: (Eigene Mentions) / (Eigene + Kompetenz-Mentions im selben Prompt-Set) x 100. Ein Newcomer mit 8 Prozent SoV im Schatten von Marktfuehrern ist oft in besserer Lage als ein etablierter Player mit 35 Prozent in einem stagnierenden Markt. Trend > Absolutwert.

KPI 5: Prompt-Cohort-Performance

Welche Prompt-Kategorien performen, welche nicht? Eine technische B2B-Marke kann bei "How does X work" stark zitiert sein, bei "Best X tools" aber komplett abwesend. Die zweite Cohort ist Conversion-relevanter — informational Prompts fuehren selten direkt zur Demo.

Tools wie AthenaHQ und Brand Radar gruppieren Prompts automatisch nach Intent (informational, commercial, comparison). Aus diesen Cohorten lassen sich konkrete Content-Lueckenanalysen ableiten: Wenn du in 5 von 5 "Best X" Prompts fehlst, aber in 4 von 5 "How does X work", weisst du, dass dir Listicle-Content fehlt.

KPI 6: Engine-Coverage

ChatGPT, Perplexity, Gemini, Claude, Copilot, You.com — jede AI hat eigene Retrieval-Logik. Eine Marke kann in ChatGPT-Plus stark performen und in Perplexity unsichtbar sein. Engine-Coverage gibt die Visibility pro Engine als separate Zahl.

Berechnung pro Engine, dann gewichtet nach Engine-Marktanteil. Stand 2026 in DACH (eigene Schaetzung, basierend auf Statista und SimilarWeb-Daten): ChatGPT ~62%, Perplexity ~12%, Gemini ~14%, Claude ~7%, Copilot ~3%, Sonstige ~2%. Eine starke ChatGPT-Position ist daher wichtiger als eine starke Copilot-Position, sollte aber nicht zu Tunnelblick fuehren.

KPI 7: Mention-zu-Conversion-Pfad

Der schwerste KPI, weil er Cross-Tool-Tracking voraussetzt. Auf der Mainseite ein UTM-Parameter wie ?utm_source=chatgpt auswerten, Cross-Reference mit AEO-Tool-Daten, Conversion-Rate ableiten. Dafuer brauchst du saubere Server-Side-Analytics oder PostHog/Mixpanel mit Custom Properties.

Realitaet 2026: Die meisten LLM-Antworten geben Domains als Plain-Text-Link aus ohne UTM. Hilfsweise: Direct-Traffic-Spikes nach Tagen mit AI-Coverage-Steigerungen plotten. Korrelation > Kausalitaet, aber besser als nichts.

Reporting-Rhythmus und Dashboard-Aufbau

Wochen-Snapshot für das Team, Monats-Dashboard für C-Level. Pro Quartal eine deep-dive Analyse mit Cohort-Breakdown und Konkurrenz-Benchmark. Ein 3-Card-Dashboard auf Notion oder Linear reicht: AI Visibility Score (mit 30-Tage-Trend), Citation Rate, Share of Voice vs Top-3-Konkurrenten.

1. Wochen-Pulse: Visibility Score, Anzahl neuer Mentions, Sentiment-Delta
2. Monats-Report: Cohort-Performance, Engine-Coverage, SoV vs Kompetenz, Top 5 neue Quellen die zitiert wurden
3. Quartals-Deepdive: Content-Lueckenanalyse, Conversion-Pfad, Investment-ROI

Haeufige Fragen zu AEO-KPIs