Antworten, die eine Marke nannten, halfen der fragenden Person in 85,7 Prozent der Fälle wirklich weiter. Antworten ohne Marke nur in 62,4 Prozent. Der Abschluss der Serie, und der Befund, der alle anderen einordnet.
Neun Artikel lang ging es in dieser Serie darum, wie oft eine Marke in KI-Antworten vorkommt. Der letzte Befund stellt diese Perspektive auf den Kopf, und das aus gutem Grund.
Jede Bedarfsgruppe im Analysefall hatte ein definiertes Ziel. Bei der privaten Gruppe etwa: mindestens ein passendes Gerät finden, das ins bestehende Akku-System passt. Bei der gewerblichen: eine flottentaugliche Lösung mit konkreter Empfehlung.
Für jede einzelne Antwort haben wir separat bewertet, ob sie dieses Ziel erfüllt hat. Unabhängig davon, ob eine Marke darin vorkam.
Das Ergebnis: Antworten mit Markennennung erfüllten das Ziel in 85,7 Prozent der Fälle. Antworten ohne Markennennung in 62,4 Prozent.
Jetzt kommt der Teil, den man ungern berichtet. In der Erhebung zwei Wochen zuvor war das Verhältnis umgekehrt: Antworten mit Marke erreichten das Ziel in 77,4 Prozent der Fälle, Antworten ohne Marke in 81,6 Prozent.
Wir berichten diesen Befund trotzdem, weil das Weglassen unehrlich wäre. Die aktuellere Erhebung ist die mit der größeren Stichprobe und dem moderneren Modell, ihr Ergebnis ist deshalb relevanter. Ein bewiesener Zusammenhang ist es nicht.
Auch das lässt sich aus diesen Daten nicht sauber trennen. Zwei Erklärungen sind gleich plausibel.
Die eine: Die Nennung einer konkreten Marke macht die Antwort konkreter und damit brauchbarer. Wer fragt, welches Gerät er kaufen soll, ist mit einem Produktnamen weiter als mit einer allgemeinen Kategorieerklärung.
Die andere: Schwierigere Fragen bekommen seltener eine konkrete Markenempfehlung, und sie sind zugleich schwerer zu beantworten. Dann wäre nicht die Marke die Ursache, sondern die Schwierigkeit der Frage die gemeinsame Ursache für beides.
Vermutlich wirkt beides gleichzeitig. Wer Ihnen an dieser Stelle einen kausalen Zusammenhang verkauft, überinterpretiert die Daten.
Die neun vorherigen Artikel behandelten Sichtbarkeit weitgehend als Zielgröße. Häufiger genannt gleich besser. Dieser letzte Befund erinnert daran, dass die Nennung nicht der Zweck ist.
Am Ende steht ein Mensch mit einer echten Frage und einem echten Ziel. Die KI ist nur die Vermittlungsschicht dazwischen. Inhalte, die ausschließlich auf Zitierbarkeit optimiert sind, ohne wirklich zu helfen, verfehlen genau den Mechanismus, der sie zitierfähig macht.
Das ist übrigens der Grund, warum sich klassische Content-Qualität und GEO nicht widersprechen. Eine Seite, die eine Frage vollständig und belegbar beantwortet, ist für beides die richtige Antwort.
Nicht "sich informieren", sondern etwa "eine konkrete Produktempfehlung mit Begründung erhalten". Das Kriterium muss so formuliert sein, dass zwei Personen unabhängig zum selben Urteil kommen.
Einmal: Kommt die Marke vor? Einmal: Ist das Ziel erfüllt? Diese beiden Bewertungen strikt getrennt halten, sonst färbt die eine auf die andere ab.
Eine Kennzahl allein führt in die Irre. Hohe Präsenz bei niedriger Zielerreichung heißt: Sie sind sichtbar in Antworten, die niemandem helfen. Das ist kein Erfolg.
Lesen Sie die Antworten, die das Ziel verfehlt haben. Meist erkennt man dort sofort, welche Information gefehlt hat. Das ist die konkreteste Content-Aufgabenliste, die Sie bekommen können.
Sie messen einen Zusammenhang, keine Wirkung. Formulieren Sie entsprechend: "Antworten mit Marke erfüllten das Ziel häufiger" ist korrekt. "Die Markennennung verbessert die Antwort" ist es nicht.
Zehn Artikel, ein Analysefall, keine erfundene Zahl. Was in dieser Serie steht, stammt aus echten Messungen mit allen Unschärfen, die dazugehören: Modellwechsel, Schwankungen zwischen Durchläufen, offene Ursachenfragen.
Wenn Sie eine Sache mitnehmen: Fragen Sie nicht, ob ChatGPT Sie kennt. Fragen Sie, ob ChatGPT Sie empfiehlt, wenn jemand ein Problem schildert, das Sie lösen können. Das ist eine andere Frage, und sie fällt fast immer unbequemer aus.
Über ein vorab definiertes, überprüfbares Kriterium je Bedarfsgruppe. Im Analysefall etwa, ob eine konkrete, zum geschilderten Bedarf passende Produktempfehlung enthalten war. Wichtig ist, dass das Kriterium vor der Auswertung feststeht, sonst passt man es unbewusst dem Ergebnis an.
Nein, aber nicht ausschließlich. Sichtbarkeit ohne Nutzen ist eine leere Kennzahl, Nutzen ohne Sichtbarkeit erreicht niemanden. Der praktikable Weg ist, Inhalte so zu bauen, dass sie eine Frage wirklich beantworten, und dann dafür zu sorgen, dass sie auffindbar und zitierfähig sind.
Weil das Weglassen die Daten schönen würde. Beide Messungen sind real. Dass sie in unterschiedliche Richtungen zeigen, ist selbst ein Ergebnis: Es zeigt, wie stark Modellgenerationen die Zahlen beeinflussen und wie vorsichtig man mit Einzelmessungen umgehen sollte.
Das wissen wir nicht. Gemessen wurde eine Produktkategorie mit klaren Kaufentscheidungen. Bei Dienstleistungen ist schon das Ziel schwerer zu definieren, weil der Abschluss selten in einem Gespräch fällt. Die Methodik lässt sich übertragen, die konkreten Zahlen nicht.
Zielerreichung je Antwort bewertet anhand des vorab definierten Erfolgskriteriums der jeweiligen Bedarfsgruppe. Erhebung 26.07.2026 (gpt-5.6-terra): mit Marke 85,7 Prozent (n=77), ohne Marke 62,4 Prozent (n=85). Erhebung 12.07.2026 (gpt-4o-mini): mit Marke 77,4 Prozent (n=31), ohne Marke 81,6 Prozent (n=87). Zwischen beiden Erhebungen liegt ein Modellwechsel, weshalb die Differenz keine Entwicklung über die Zeit abbildet.
Hinweis zu diesem Beitrag: Recherche, Auswertung und Text wurden mit Unterstützung von KI-Systemen erstellt (Ex Tenebris Agenten-Team) und von Felix Zeh redaktionell geprüft. Alle genannten Zahlen stammen aus einer echten LUX-/GEO-Analyse; die analysierte Marke ist zum Schutz der Kundenbeziehung anonymisiert.
Die Methodik hinter diesem Artikel ist dieselbe, die wir für jede Standortbestimmung einsetzen — auf Ihre Kategorie, Ihre Wettbewerber, Ihre Bedarfsgruppen zugeschnitten.