Multi-Engine-AEO-Tracking: Dashboard-Setup in 15 Minuten

Vier Antwortmaschinen, ChatGPT, Gemini, Perplexity und Claude, liefern für identische Prompts unterschiedliche Markenerwähnungen. Wer nur eine davon trackt, übersieht 60–75 Prozent der eigenen AEO-Sichtbarkeit. Ein Multi-Engine-Dashboard schließt diese Lücke in unter einer Viertelstunde, wenn das Datenmodell vorher steht.

Du brauchst dafür kein Enterprise-Tool. Ein Google Sheet plus ein Apps-Script-Job oder eine kleine n8n-Pipeline reicht für die erste Iteration. Die Architektur ist immer dieselbe: Prompt-Liste, Engine-Loop, Citation-Parser, Aggregator, Visualisierung. Genau diese fünf Bausteine baust du jetzt.

Welche Engines wirklich ins Dashboard gehören

ChatGPT (GPT-4o, GPT-4.1) führt das Volumen an, Gemini liegt mit Workspace-Integration in B2B vorn, Perplexity dominiert die Recherche-Use-Cases und Claude wird über die Anthropic-Webapp und Notion-Integrationen relevant. Copilot lohnt zusätzlich, sobald deine Zielgruppe stark in Microsoft 365 unterwegs ist. Vier Engines reichen für 85 Prozent der DACH-B2B-Anfragen.

Wichtig ist die Trennung zwischen Standard-Modus und Browse-Modus. ChatGPT mit aktiviertem Web-Tool zitiert anders als das reine Modell, Gemini holt aus dem Google-Index, Perplexity arbeitet von Haus aus mit Live-Quellen. Trackst du nur den Standard-Modus, fehlt dir das Bild von OpenAIs Bing-basierten Citations und Geminis Search-Ergebnissen.

Vermeide es, „die AI" als Einheit zu behandeln. Jede Engine hat eigene Trainings-Cut-offs, eigene Citation-Heuristiken und eigene Bias-Muster. Ein gutes Dashboard zeigt jede Engine als eigene Spalte und macht die Unterschiede sichtbar.

Datenmodell: Was du pro Query speicherst

Das Dashboard steht und fällt mit dem Schema deiner Roh-Daten. Pro Engine-Query speicherst du mindestens neun Felder: Datum, Engine, Modell-Version, Prompt, Antwort-Text, Citation-URLs, Brand-Mentions, Position der Brand-Mention und Confidence-Score. Ohne diese Granularität kannst du später keine Trends fahren.

Brand-Mentions parsest du mit einem Regex über deine Marken- und Produktnamen plus zwei bis drei Misspellings. Die Position misst du in Zeichen vom Anfang der Antwort, Position 0–200 ist „prominent", 200–800 ist „body", danach ist „fußnote". Das ist eine grobe Heuristik, aber sie reicht für SoV-Vergleiche zwischen Engines.

Citations parsest du aus der Antwort-Struktur. ChatGPT liefert sie als „Quellen"-Block, Gemini als nummerierte Links, Perplexity inline mit Superscript-Indizes, Claude in der Webapp als Source-Cards. Normalisiere alle auf URL-Form, deduplizieren und gegen deine eigenen Domains matchen. Das ergibt deine „Cited Coverage"-Quote.

Die 15-Minuten-Architektur im Code

Für den Schnellstart reicht ein Google Sheet mit zwei Tabs: „prompts" (Spalten: id, prompt_text, intent, priority) und „results" (alle neun Felder oben). Ein Apps-Script-Trigger ruft jede Stunde die OpenAI-, Google-, Perplexity- und Anthropic-API in einer Schleife auf und schreibt die Resultate zurück.

Wer ohne Code arbeiten will, nutzt Make oder n8n: ein Scheduler triggert pro Engine einen HTTP-Request, ein Parser-Modul extrahiert Mentions, der Output landet in Google Sheets oder Airtable. Looker Studio bindet die Tabelle als Source ein und rendert SoV pro Engine, Trend über Zeit und Citation-Leakage zu Konkurrenten.

// Apps-Script Snippet: Single-Engine-Query
function trackChatGPT(prompt) {
  const res = UrlFetchApp.fetch('https://api.openai.com/v1/chat/completions', {
    method: 'post',
    contentType: 'application/json',
    headers: { Authorization: 'Bearer ' + OPENAI_KEY },
    payload: JSON.stringify({
      model: 'gpt-4o',
      messages: [{ role: 'user', content: prompt }],
      temperature: 0
    })
  });
  const text = JSON.parse(res.getContentText()).choices[0].message.content;
  return {
    engine: 'ChatGPT',
    model: 'gpt-4o',
    answer: text,
    mentions: countMentions(text, BRANDS),
    citations: extractURLs(text)
  };
}

Prompt-Set: 30 Queries reichen für den Start

Du brauchst nicht 500 Prompts. Starte mit 30, gewichtet nach Funnel-Phase: 10 transaktionale (vergleichend, „beste X für Y"), 10 informational (How-to, Definition), 10 navigational (Brand + Feature). Diese Verteilung deckt dein ICP-Verhalten in ChatGPT und Perplexity sauber ab.

Schreibe Prompts so, wie deine Zielgruppe sie wirklich tippt. Statt „Welches CRM ist am besten?" lieber „Welches CRM für 30-Personen-SaaS in DACH, Bestandskunden-Fokus, unter 80 Euro pro Seat?". Spezifität reduziert Halluzinations-Rate und macht Brand-Mentions vergleichbarer über die Engines hinweg.

Versioniere das Prompt-Set quartalsweise. Engines drehen ihre Modelle alle 8–12 Wochen, neue Player wie xAI Grok oder DeepSeek können relevant werden, dein Produkt verändert sich. Ein eingefrorenes Prompt-Set degradiert nach sechs Monaten zur SEO-Folklore.

Visualisierung: Drei Charts, die wirklich zählen

Vergiss bunte Dashboards mit 14 Widgets. Drei Sichten genügen: Share-of-Voice pro Engine über Zeit, Citation-Leakage zu Konkurrenten und Prompt-Coverage-Heatmap. Diese drei Grafiken beantworten 90 Prozent der Fragen, die ein Marketing-Lead oder CMO stellen wird.

Der SoV-Chart zeigt pro Woche die prozentuale Verteilung der Brand-Mentions über alle Engines. Steigt deine Linie in Gemini und fällt in ChatGPT, weißt du sofort, wo du nachsteuern musst. Die Citation-Leakage listet die Top-10-Domains, die statt deiner zitiert werden, das ist deine direkte Backlink- und Content-Roadmap.

Die Coverage-Heatmap kreuzt Prompts gegen Engines. Grüne Zellen sind „du wirst genannt", rote „du fehlst". Hier siehst du auf einen Blick, welche Engines deine schwächste Fläche haben. Tools wie AEORadar, Profound, Otterly und Peec liefern diese Sichten out-of-the-box, das DIY-Setup reicht aber für die ersten sechs Monate locker.

Erste Erkenntnisse nach Woche 1

Nach sieben Tagen Daten zeigen sich drei Muster: Erstens variieren Brand-Mentions zwischen Engines oft um Faktor 3–5. Zweitens sind die Top-5-Citations pro Engine erstaunlich stabil, bewegst du dort eine Domain, bewegst du das Ranking. Drittens reagieren Perplexity und Gemini deutlich schneller auf neuen Content als ChatGPT.

Nutze diese frühen Insights für gezielte Maßnahmen: Wo du in Gemini gut zitiert wirst, aber in ChatGPT fehlst, ist meist ein Schema-Markup-Problem oder eine Bing-Indexierungslücke. Wo Perplexity dich nennt, aber Claude nicht, fehlt häufig E-E-A-T-Signaling auf der Quelle selbst.

Stack-Empfehlung für die 15-Minuten-Variante

Wenn du heute startest, nimm Google Sheets als Datenbank, Apps Script für die Engine-Loops, einen einfachen Apps-Script-Trigger als Scheduler und Looker Studio für die Visualisierung. Das ist 100 Prozent kostenlos und reicht für bis zu 200 Prompts pro Tag. Skaliert es darüber hinaus, wechsle auf Airtable plus n8n und integriere AEORadar oder Profound für die professionelle Auswertung.

Konkrete erste Schritte: Lege heute das Sheet an, definiere 30 Prompts, hinterlege API-Keys für ChatGPT, Gemini und Perplexity. Implementiere die drei Tracker-Funktionen und einen Trigger, der stündlich läuft. Setze Looker Studio mit den drei Charts auf. In 15 Minuten echter Arbeit hast du ein lauffähiges Multi-Engine-Dashboard, den Rest erledigt die Schleife selbst.