Eine Quartalsstudie aus 500+ anonymisierten Enterprise-Domain-Audits. Benchmarks, strukturelle Verschiebungen, Cross-Model-Daten. Kostenfrei, aber begrenzt verfügbar: 600 Slots pro Ausgabe.
Keine Newsletter. Nur der Report. Versand zum Erscheinungsdatum.
Zuletzt fachlich geprüft:
Die eigenen Studien zeigen, dass Sichtbarkeit in KI-Antworten eigenen Regeln folgt und sich messen lässt. State of AI Search 2026 wertet 12.000 Prompts über sechs KI-Systeme, acht Branchen und 150+ Marken aus, erhoben in zwei Wellen im März und April 2026: Die Korrelation zwischen Google-Position und LLM-Citation-Rate liegt bei 0,42, und 41 Prozent der Marken aus den Google-Top-3 sind in LLMs unterproportional sichtbar. Der stärkste Prädiktor ist Entity-Reife (r = 0,67), nicht das Backlink-Profil (0,24 bis 0,31).
Der LLM Citation Benchmark definiert den Messrahmen dazu: sieben Primär- und fünf Sekundär-Metriken, 500 bis 2.000 Prompts pro Woche als robuste Basis und ein 95-Prozent-Konfidenzintervall als Publikationsschwelle. Der Entity-Resolution-Pilot vom August 2026 prüfte 54 Antworten über 18 Personen der DACH-SEO-Szene: Nur 18,5 Prozent waren fehlerfrei, 46,3 Prozent enthielten falsche Angaben. Mit SEO-Kontext im Prompt sank die Zahl der Fehlzuordnungen auf null.
18-24 Seiten dichter Analyse, ohne Füllwörter, ohne Marketing-Pitch. Jede Zahl aus der eigenen Audit-Kohorte, dokumentierte Methodik, reproduzierbare KPIs.
Absorption-Rate pro Branche und Query-Typ. Quartals-Delta, 12-Monats-Trend.
Die meist-zitierten Domains in GPT, Claude, Gemini und Perplexity, nach Branche.
Share-of-Model über Modelle, Märkte und Sprachen. DACH, UK/US, TR, ES, AR.
RDI-Medianwerte pro Branche. Negativ-Peaks, Recovery-Zeiträume, Muster.
GPTBot, ClaudeBot, PerplexityBot: Frequenz, Status-Codes, 429-Dead-Zones.
Welche Schema-Typen korrelieren mit welcher Citation-Rate, bereinigt um Domain-Authority.
Wikidata-Coverage von Top-Brands pro Branche. Lücken, Chancen, Zeitverläufe.
3 prioritäre Handlungsempfehlungen pro Branche, basierend auf Quartals-Daten.
Jeder Prompt wird über GPT-5, Claude Sonnet 4.6, Gemini Pro und Perplexity Sonar ausgeführt, 5× je Modell zur statistischen Varianz-Kontrolle. Das Modell-Set der jeweiligen Ausgabe wird im Report dokumentiert. Brand-Mentions werden per spaCy-basierter NER-Pipeline extrahiert, Sentiment per verifiziertem Classifier. Alle Rohdaten landen in BigQuery, Analyse in Python-Notebooks mit reproduzierbarer Versionierung. Jede veröffentlichte Zahl hat eine dokumentierte Quelle.
Der AI-Search-Index erscheint quartalsweise. Jede Ausgabe bleibt dauerhaft für Bestandsleser abrufbar.
Ausgabe erschienen und an Vorbesteller versandt. Zugang für Bestandsleser; Neu-Leser erhalten die aktuelle Ausgabe über die Q3-Vorbestellung.
Ein-Jahres-Rückblick seit Rollout. Welche Branchen verloren am meisten Traffic, welche gewannen durch Citations, und warum.
Wikidata-Coverage der DAX-40 und deren LLM-Citation-Korrelation. Wer verankerte Entities hat, wird stärker zitiert.
MVG-Werte über 15 Sprachräume. Welche Märkte sind am meisten unterrepräsentiert und warum die Korpus-Asymmetrie strukturell ist.
Frei zugängliche Research-Arbeiten aus derselben Methodik-Basis:
Empirische Analyse der Markenpräsenz in ChatGPT, Claude, Perplexity, Gemini, Copilot und AI Overviews. 12.000 Prompts, 8 Branchen, 150+ Marken.
Messrahmen und Branchen-Baseline für Markenzitation in KI-Antworten, mit reproduzierbarem Framework.
Pilot-Studie zu KI-Falsch-Attributionen: 18 Personen, 54 Antworten, verifizierte Ground Truth — nur 18,5 % fehlerfrei.
Belegte Zahlen zu AI Search, GEO und LLM-Sichtbarkeit — jede Zahl mit Quelle, laufend aktualisiert, frei zitierbar.