Research
Verfahren offenlegen, bevor Ergebnisse behauptet werden.
Eigene Messungen und offengelegte Verfahren zu AI Recommendation Visibility. Mit Fragewortlaut, Stichprobengröße und benannten Grenzen — statt Erfolgszahlen ohne Nachweis.
Zum Stand dieser Sammlung
Messung · eigene Daten
8 Min. Lesezeit
Entwurf, unveröffentlicht
Wo die Konzerne verschwinden
Zwei Fragen aus derselben Kaufsituation, an dieselben drei Systeme. Die eine wird von Accenture, Deloitte und IBM beantwortet, die andere von Häusern mit dreistelliger Mitarbeiterzahl. Wir konnten nachvollziehen, warum.
Messung · eigene Daten
8 Min. Lesezeit
Entwurf, unveröffentlicht
Wie die Frage das Ergebnis verändert
Wir haben dieselbe Kaufsituation in drei Härtegraden gefragt. Die Ergebnisse widersprachen sich so deutlich, dass wir unser Verfahren ändern mussten — und dabei gelernt haben, warum die schärfere Frage die schlechtere Messung war.
Messung · eigene Daten
7 Min. Lesezeit
Entwurf, unveröffentlicht
Drei Modelle, drei verschiedene Empfehlungen
Wir haben dieselben Kauffragen an ChatGPT, Gemini und Claude gestellt. Die drei Systeme empfahlen weitgehend verschiedene Unternehmen — und ein Teil dieses Unterschieds war ein Messfehler, den wir erst später bemerkt haben.
Methodik
7 Min. Lesezeit
Entwurf, unveröffentlicht
Wie wir AI Recommendation Visibility messen
Warum eine einzelne Antwort kein Messwert ist, wie ein Prompt-Set entsteht und welche Kennzahlen sich daraus überhaupt seriös ableiten lassen.
Research Note
5 Min. Lesezeit
Entwurf, unveröffentlicht
Warum eine einzelne ChatGPT-Abfrage kein AI-Visibility-Benchmark ist
Der häufigste Fehler in diesem Feld ist der Screenshot als Beweis. Warum das nicht trägt - und welches Minimum an Verfahren nötig ist.
Research Note
5 Min. Lesezeit
Entwurf, unveröffentlicht
Beobachtete und angenommene Wettbewerber in KI-Empfehlungen
Warum die Wettbewerberliste aus dem Vertrieb ein schlechter Ausgangspunkt für die Messung ist - und was stattdessen als Referenzmenge dient.
Research Note
6 Min. Lesezeit
Entwurf, unveröffentlicht
Was Citation-Quellen über KI-Empfehlungen verraten
Zitierte Quellen sind der einzige direkte Einblick in die Belegkette einer generierten Empfehlung - mit klar benennbaren Grenzen.
Geplant
Woran wir gerade arbeiten.
Diese Vorhaben sind angelegt, aber noch nicht abgeschlossen. Wir listen sie hier, damit nachvollziehbar ist, was noch aussteht — und damit später überprüfbar ist, ob wir veröffentlicht haben, was wir angekündigt hatten.
In Arbeit
Baseline-Messreihe einer neuen Marke
Ein kontrolliertes Experiment: Wie sichtbar ist eine praktisch unbekannte B2B-Marke vor jeder Veröffentlichung — und was verändert sich in klar getrennten Schritten danach?
In Arbeit
Streuung identischer Prompts über die Zeit
Wie stark schwanken Antworten auf dasselbe Prompt-Set über mehrere Wochen, ohne dass sich am Markt etwas ändert? Grundlage für jeden Erwartungskorridor.
In Arbeit
Quellenlandschaft je Segment
Welche Domains werden bei kaufnahen Fragen in einzelnen B2B-Segmenten wiederholt angeführt — und wie unterscheiden sich die Systeme darin?
In Arbeit
Erkennung ablehnender Nennungen
Ein Anbieter kann genannt und im selben Satz ausgeschlossen werden — „für Ihre Größe eher ungeeignet“. Unsere Auswertung zählt das derzeit als Treffer. Wir prüfen, wie häufig dieser Fall auftritt und wie er sich sauber trennen lässt.
Fragen zur Methodik?
Wenn Sie an einem Punkt anderer Meinung sind oder einen Fehler im Verfahren sehen, hören wir das gerne. In einem Feld ohne Standards ist Widerspruch nützlicher als Zustimmung.