AI-Search-Metriken: Fünf Kennzahlen, mit denen sich der Pipeline-Beitrag von KI-Suche messen lässt

Auf einen Blick

Wer wissen will, ob KI-Suche echte Käufer erreicht und qualifizierte Opportunities erzeugt, kommt mit Rankings und organischem Traffic nicht weit. Jason Shafton von Winston Francois schlägt im Search Engine Journal fünf Kennzahlen vor: Markenpräsenz bei Kaufprompts, Antwortgenauigkeit, Conversion von KI-Referrals, Markensuche und die Selbstauskunft der Käufer. Das Ganze läuft über eine Tabelle, die wöchentlich gepflegt wird, und kostet laut Autor etwa 40 Minuten pro Woche. Erste Signale zeigen sich nach 2 bis 6 Wochen. Belastbare Pipeline-Aussagen brauchen länger, weil die Selbstauskunft der Käufer um einen Verkaufszyklus hinterherhinkt. Dieser Artikel stützt sich auf genau eine Quelle, den Originalbeitrag. Community-Diskussionen, Videos oder Tool-Preisvergleiche lagen nicht vor.

Was die Quellen sagen

Die Grundlage ist 1 Quelle: der Artikel „The AI Search Metrics I Use To Track Client Pipelines“ im Search Engine Journal. Reddit-Threads, HackerNews-Diskussionen, YouTube-Videos oder zitierfähige Community-Meinungen mit Usernamen gab es im Quellenpaket nicht. Ich erfinde deshalb keine Stimmen und keinen Konsens. Das „X von Y Quellen“-Format lässt sich nur eingeschränkt anwenden: 1 von 1 Quellen empfiehlt, KI-Suche an Pipeline-Ergebnissen zu messen statt an Sichtbarkeit allein. 1 von 1 Quellen betont, jedes Signal als Teilbild zu behandeln und vor Budgeterhöhungen die Qualität der Opportunities zu prüfen. 1 von 1 Quellen nennt eine wöchentliche Tabelle als sinnvollen Startpunkt, bevor ein Dashboard gebaut wird.

Der Autor beschreibt, wie er Kundenprojekte misst. Seine Zahlen stammen aus seiner eigenen Arbeit und sind keine unabhängig geprüfte Studie. Widersprüche zwischen Quellen kann ich daher nicht aufzeigen. Der Beitrag legt aber selbst Spannungen offen, die man kennen sollte:

• Sichtbarkeit ist nicht gleich Genauigkeit. Ein Kunde tauchte in 11 von 20 Antworten auf, aber nur 4 dieser 11 Erwähnungen waren korrekt.
• Gute Conversion, aber lückenhafte Messung. KI-Referrals konvertierten laut Autor drei- bis fünfmal so gut wie organische Sitzungen. Gleichzeitig fehlen Besuche ohne brauchbare Referral-Quelle im Report.
• Korrelation ist keine Kausalität. Die Markensuche steigt oft vier bis acht Wochen nach besserer Markenpräsenz. Paid-Kampagnen oder PR können denselben Effekt auslösen.

Die fünf Kennzahlen im Detail

1. Markenpräsenz bei Kaufprompts

Die Frage lautet: Wie oft nennt ein KI-Assistent Ihr Unternehmen, wenn Käufer bei der Anbieterauswahl fragen? Der Autor wählt fünf Prompts zur Anbieterauswahl, jeweils mit konkreter Kategorie und Zielgruppe. Allgemeine „Was ist…“-Fragen taugen dafür nicht. Diese fünf Prompts laufen wöchentlich in vier Assistenten mit identischem Setup. Alle 20 Antworten werden gespeichert und danach markiert: genannt, verlinkt oder nicht vorhanden. Die Präsenzrate ist der Anteil der Antworten, die Ihre Marke nennen. Verlinkte Zitate werden getrennt erfasst.

Im Beispiel des Autors erschien das eigene Unternehmen in 3 von 20 Antworten. Er betont, dass erst mehrere Wochen Daten eine Veränderung aussagekräftig machen. Die Kennzahl ist ein Frühsignal. Vor einer Budgeterhöhung sollte geprüft werden, ob die Erwähnungen tatsächlich qualifizierte Opportunities hervorbringen.

2. Genauigkeit der Antworten

Die zweite Kennzahl prüft, ob die Assistenten Produkt, Zielgruppe, Preisstufe und Wettbewerber korrekt darstellen. Jede Antwort, die Sie nennt, wird als korrekt oder fehlerhaft markiert, mit einer Notiz, was zu korrigieren ist. Der Autor empfiehlt, absolute Zahlen neben Prozentwerten zu berichten, weil Stichproben klein sind.

Sein Beispiel: Ein Series-A-Kunde tauchte in 11 von 20 Antworten auf. Nur 4 dieser 11 waren korrekt. Die Assistenten positionierten das Produkt als Enterprise-Software, obwohl es Firmen mit weniger als 200 Mitarbeitern bediente. Nach einer Bereinigung der Unternehmensbeschreibung waren sechs Wochen später 10 von 11 Erwähnungen korrekt. Der Hebel liegt laut Autor darin, die Unternehmensangaben über alle Quellen hinweg konsistent zu halten, die KI-Modelle lesen können.

3. Conversion aus KI-Referrals

Die dritte Kennzahl ist am nächsten an klassischem Web-Analytics. In Google Analytics 4 werden Sitzungen aus KI-Quellen über die Dimension „Session source“ gruppiert. Genannt werden ChatGPT, Perplexity, Gemini, Copilot und Claude. Verfolgt werden Demo-Anfragen oder Trials und die Conversion-Rate. Die Sitzungszahl sollte im Blick bleiben, denn kleine Stichproben schwanken stark. Zusätzlich lohnt sich der Blick darauf, wie viele Besuche zu qualifizierten Opportunities werden.

Über mehrere Kunden hinweg konvertierten KI-Sitzungen laut Autor drei- bis fünfmal so gut wie organische. Er nennt zwei Grenzen: Besuche ohne brauchbare Referral-Quelle fehlen im Report, und Traffic aus Googles AI Mode kann als Google organic gezählt werden. Er rät deshalb, die Zahl als Teilansicht zu verstehen.

4. Markensuche

Die vierte Kennzahl beobachtet, ob mehr Menschen nach dem Firmennamen suchen, etwa nach einer Erwähnung in einer KI-Antwort. Der Autor trackt wöchentlich Impressionen und Klicks für Markensuchen in der Search Console. Direkt-Traffic auf Startseite und Preisseite dient als Kontext. Außerdem sollte man festhalten, wann welches KI-Such-Experiment gestartet wurde.

In seiner Erfahrung stieg die Markensuche vier bis acht Wochen nach besserer Markenpräsenz. Er warnt aber, andere Aktivitäten im selben Zeitraum zu prüfen, etwa bezahlte Kampagnen oder PR. Markensuche allein rechtfertigt keine höheren Ausgaben.

5. Was Käufer als Auslöser nennen

Die fünfte Kennzahl ist die Selbstauskunft. Im Formularfeld „Wie haben Sie von uns erfahren?“ kommt eine Option für KI-Assistenten dazu. Der Vertrieb stellt dieselbe Frage und speichert die Antwort am Opportunity-Datensatz, genannt werden HubSpot und Salesforce.

Ein Kunde führte das Feld im April ein. Bis Juli wählten 9 von 54 neuen Opportunities die KI-Option, und diese Deals schlossen laut Autor 30 % schneller als der Rest der Inbound-Gruppe. Er empfiehlt, die Selbstauskunft mit den getrackten Quelldaten abzugleichen. Manche Käufer überspringen das Feld oder erinnern sich nicht an ihre Berührungspunkte. Verfolgt werden sollten Opportunity-Wert und abgeschlossener Umsatz.

Vergleich: Die fünf Kennzahlen im Überblick

Tool-Preise oder Wettbewerber lagen nicht vor, daher vergleiche ich die Kennzahlen selbst. Alle Angaben stammen aus dem Originalartikel.

Die Kennzahlen bauen aufeinander auf. Präsenz und Genauigkeit sind die Frühindikatoren. Referral-Conversion und Markensuche zeigen Verhalten. Die Selbstauskunft liefert den engsten Bezug zum Umsatz.

Zeitplan und Aufwand

Der Autor nennt folgende Zeitfenster nach Bereinigung und ersten Content-Änderungen:

• Wochen 2–6: Markenpräsenz und Genauigkeit verbessern sich.
• Wochen 4–8: KI-Referrals mit Conversions tauchen auf.
• Etwa Wochen 8–12: Die Markensuche steigt.
• Später: Die Selbstauskunft hinkt um einen Verkaufszyklus hinterher.

Zeigt sich nach 90 Tagen zwar mehr Sichtbarkeit, aber sonst keine Wirkung, soll man zwei Dinge prüfen: ob die Antworten das Unternehmen korrekt beschreiben und ob die Prompts wirklich widerspiegeln, was Käufer fragen.

Der wöchentliche Aufwand ist laut Autor überschaubar:

• ca. 40 Minuten für die Antwortprüfung
• ca. 15 Minuten, um das GA4-Segment einmalig aufzubauen
• ca. 5 Minuten für die Formularänderung

Er empfiehlt, die Tabelle jeden Montag zu aktualisieren und acht Wochen durchzuhalten, bevor ein Dashboard entsteht. Die Ergebnisse fließen in ein 90-Tage-Wachstumsaudit.

Preise und Kosten

Das Quellenpaket enthielt keine Wettbewerber und keine Preisangaben. Der Autor beschreibt einen Ansatz, der ohne spezialisierte Monitoring-Software auskommt. Er braucht Zugang zu vier KI-Assistenten, eine Tabelle, GA4, Search Console und ein Formular bzw. ein CRM. Ob dafür Kosten anfallen, hängt von den genutzten Tarifen ab. Preise sollten Sie direkt bei den Anbietern prüfen. Als konkrete Größe nennt der Artikel nur den Zeitaufwand von rund 40 Minuten pro Woche plus kleine Einmalaufwände. Preis-Trends lassen sich aus der Quelle nicht ableiten.

Einordnung: Stärken und Grenzen des Ansatzes

Stärken:

• Der Ansatz ist niedrigschwellig. Eine Tabelle genügt.
• Er bindet die Messung an Pipeline-Fragen statt an Sichtbarkeit.
• Er legt die Schwächen jeder Kennzahl offen und rät zu Gegenchecks.
• Er macht das Genauigkeitsproblem sichtbar. Sichtbar zu sein nützt wenig, wenn die Antwort die falsche Zielgruppe nennt.

Grenzen:

• Fünf Prompts und vier Assistenten sind eine kleine Stichprobe. 3 von 20 Antworten sind eine dünne Basis.
• Die Zahlen stammen aus der Praxis eines einzelnen Autors und sind nicht unabhängig belegt.
• Der Messaufwand für die Genauigkeitsprüfung ist manuell.
• Die Zuordnung bleibt unscharf. Besuche ohne Referral und AI-Mode-Traffic können fehlen oder falsch zugeordnet werden.
• Mehrere Kunden- und Zeitraumangaben (etwa die 30 % schnelleren Abschlüsse bei 9 von 54 Opportunities) sind Einzelbeispiele. Sie zeigen eine Richtung, aber keine Regel.

Wer den Pipeline-Beitrag der KI-Suche belastbar messen will, sollte auch verstehen, wie KI-Systeme Quellen auswählen – vikotool.com erklärt, was AI Citations 2026 bedeuten.

Fazit: Für wen lohnt es sich?

Der Ansatz passt für Agenturen, Inhouse-Marketer und Gründer im B2B, die KI-Suche ernst nehmen, aber erst belegen wollen, ob sie Pipeline erzeugt. Besonders sinnvoll ist er, wenn es Vertrieb und CRM gibt, in denen die Selbstauskunft erfasst werden kann, und wenn die Zielgruppe Anbieter über Assistenten recherchiert. Wer nur wenig Zeit hat, kann mit der Markenpräsenz und der Formularänderung beginnen. Beides ist laut Autor schnell erledigt.

Weniger geeignet ist er, wenn sehr wenige Leads anfallen, denn dann sind die Zahlen zu klein für Schlüsse. Auch wer vollautomatische Echtzeit-Dashboards erwartet, wird enttäuscht: Der Autor rät ausdrücklich, zuerst acht Wochen mit der Tabelle zu arbeiten.

Als Einstieg schlägt der Artikel vor, die fünf Prompts noch in dieser Woche in vier Assistenten zu testen und die Ergebnisse im nächsten Pipeline-Review mitzubringen. Für ein umfassenderes Bild bräuchte es weitere Quellen: Community-Erfahrungen, unabhängige Studien und Tool-Vergleiche. Das Quellenpaket enthielt diese nicht.

Quellen

1. Jason Shafton / Search Engine Journal: „The AI Search Metrics I Use To Track Client Pipelines“ – https://www.searchenginejournal.com/the-ai-search-metrics-i-use-to-track-client-pipelines/589123/
2. Search Engine Journal (Herausgeber der Quelle) – https://www.searchenginejournal.com

Hinweis: Offizielle Tool-URLs (tool_urls), Reddit-/HackerNews-Diskussionen und YouTube-Videos waren im Quellenpaket nicht enthalten. Details zu den fünf Kennzahlen stammen aus dem Abruf der Originalquelle.

Empfohlene Tools

Dieser Artikel enthält Affiliate-Links. Wenn du über diese Links ein Produkt kaufst oder dich anmeldest, erhalten wir eine kleine Provision — für dich entstehen keine Mehrkosten.