Die Zwei-Ebenen-Struktur der KI-Sichtbarkeit

Sechs separate Studien, veröffentlicht zwischen Februar und Oktober 2026, haben gemessen, wie stabil KI-Zitate tatsächlich sind. Ihre Schlagzeilen wirken unvereinbar. 96,8 % der zitierten Domains zeigen von Woche zu Woche keine Veränderung (BrightEdge, Woche ab 1. Februar 2026) [3]. Gleichzeitig ändern sich 69 % der zitierten Domains von einem Tag auf den nächsten, gemessen über 530.875 Zitate (GetMentions AI, Juni 2026) [6]. Und 73,5 % der einzelnen zitierten URLs erscheinen genau einmal und nie wieder, bei einer mittleren Lebensdauer von null Tagen (Trakkr, 108.650 URLs über 177 Tage) [4].

Allee drei Angaben sind korrekt. Sie beschreiben verschiedene Ebenen desselben Systems in verschiedenen Einheiten — und bei [3] und [6] dieselbe Ebene, gelesen über verschiedene Zeitfenster. Ist das einmal verstanden, hört das zentrale Problem der Branche auf, ein Datenmangel zu sein, und wird zu dem, was es immer war: ein Problem der Maßeinheit. Eine Domain kann ihren Platz im zitierten Set halten, während die Seite, die sie trägt, ausgetauscht wird; ein Wochenmittel kann flach aussehen, während jeder einzelne Tageswert darin abweicht; und ein einzelner Lauf kann einen Unterschied erzeugen, den kein statistischer Test stützen würde.

Der folgenreichste Befund betrifft keine einzelne Engine. Er lautet, dass die Präzision, die die Branche berichtet, bei den Stichprobenraten, die die Branche verwendet, nicht erreichbar ist. Um einen Zitatanteil mit einem 95-Prozent-Konfidenzintervall von fünf Prozentpunkten Breite zu berichten — rund ±2,5 Punkte, die Auflösung, bei der Teams „wir sind gestiegen“ behaupten —, schätzt eine Studie 40–50 Wiederholungen bei Gemini, etwa 100 bei Perplexity und 150 oder mehr bei SucheGPT [1]. Die meisten Dashboards laufen einmal. Die Lücke zwischen dem, was berichtet wird, und dem, was messbar ist, ist das Thema dieses Papiers.

Jedes KI-Sichtbarkeitsprodukt auf dem Markt ruht auf einer Annahme, die aus dem Ranking-Tracking stammt: dass eine heute erzeugte Zahl mit der gestern erzeugten vergleichbar ist und dass die Differenz eine Veränderung der eigenen Position darstellt. Das Ranking-Tracking hat sich diese Annahme mühsam verdient. Suchergebnisse waren deterministisch genug, dass eine Bewegung von Position 8 auf Position 5 etwas bedeutete, und das Werkzeug, das sie meldete, konnte von einer Person überprüft werden, die die Anfrage eingab.

Antwortmaschinen brechen das letzte Glied dieser Kette. Stellen Sie dieselbe Frage zweimal, kann die Engine durchaus anders antworten und andere Quellen zitieren, ohne dass sich an Ihren Seiten etwas geändert hätte. Das ist kein Fehler, der zu beheben wäre; so verhält sich ein generatives System bei Temperatur über null mit Retrieval über einen Index, der kontinuierlich aktualisiert wird. Die Messliteratur hat die Frage vor 2026 kaum behandelt.

Die erste rigorose Behandlung erschien im März 2026. Sielinskis Quantifying Uncertainty in AI Visibility rahmt die gesamte Übung neu: Ein Zitatanteil ist keine Eigenschaft einer Marke, sondern ein Stichprobenschätzer einer zugrunde liegenden Antwortverteilung. Diese Verteilung einmal zu beproben liefert eine Punktschätzung mit einer Fehlerspanne, die niemand ausgedruckt hat. Das Papier formuliert seine zentrale empirische Behauptung klar: Viele scheinbare Unterschiede zwischen Domains und viele scheinbare Veränderungen über Stichproben hinweg „sind statistisch nicht vom Rauschen zu unterscheiden“ [1].

“Single-run visibility metrics provide a misleadingly precise picture of domain performance in generative search.” — Sielinski, arXiv:2603.08924, 39 pages, 13 figures, August 2026 revision [1]

Diese Behauptung entwertet, ernst genommen, einen großen Teil dessen, was die Kategorie berichtet. Sie entwertet nicht den Zweck der Kategorie. Marken müssen weiterhin wissen, ob sie in der Antwort sind. Was sich ändert, ist die Form, die die Antwort annehmen muss: nicht „Sie liegen heute bei 12,4 %, gegenüber 15,1 %“, sondern „Ihr Anteil liegt bei dieser Stichprobengröße zwischen 12 und 16 %, und die beobachtete Bewegung liegt innerhalb dieses Intervalls“.

Die praktischen Einsätze sind asymmetrisch. Eine Marke, die auf Rauschen überreagiert, verbrennt Budget damit, Seiten umzuschreiben, die nie das Problem waren. Eine Marke, die zu wenig beprobt, verpasst eine echte strukturelle Veränderung — und die Studien in Abschnitt 3 zeigen, dass diese tatsächlich vorkommen, nur langsamer und auf einer anderen Ebene, als das tägliche Tracking nahelegt.

Dies ist Sekundärforschung, und dieses Papier sagt das offen. Novaxilabs betreibt keine eigene Monitoring-Stichprobe. Jede Zahl unten ist ein veröffentlichtes Ergebnis einer benannten Studie, berichtet mit ihrer Stichprobengröße, ihrem Messfenster und ihrer Evidenzklasse. Was dieses Papier hinzufügt, sind keine neuen Daten, sondern eine strukturelle Lesart von Studien, die einander zu widersprechen scheinen, und die Übersetzung dieser Lesart in einen Reporting-Standard.

Evidenzklassen

Aussagen werden auf einer fünfstufigen Skala bewertet, die in dieser Reihe verwendet wird: Offiziell (Herstellerdokumentation), Akademisches Preprint (arXiv-Veröffentlichung mit offengelegten Methoden und Daten, noch nicht formal peer-reviewt), Unabhängige Messung (Drittstichprobe mit angegebener Größe und Fenster; in dieser Ausgabe kein Fall), Herstellerberichtet (ein Tracking-Unternehmen, das seine eigenen Plattformdaten veröffentlicht) und Analyse (begründete Inferenz, ausdrücklich keine Behauptung eines Zugriffs auf Engine-Interna).

Eine unbequeme Tatsache verdient es, vor den Befunden genannt zu werden, weil sie bestimmt, wie sie gelesen werden sollten: fünf der sechs hier zitierten Studien sind herstellerberichtet. BrightEdge, Trakkr, Ahrefs, GetMentions AI und SISTRIX haben alle ihre eigenen Tracking-Daten gemessen und das Ergebnis veröffentlicht; nur Sielinskis Papier ist eine akademische Quelle ohne kommerzielles Interesse an der Antwort. Die Referenzen [7] und [8] sind Ergänzungsseiten aus demselben Trakkr-Datensatz wie [4]: Sie werden für einzelne Zahlen zitiert, nicht als separate Studien gezählt. Es gibt keinen Drittauditor für KI-Zitatdaten. Das ist der Stand des Feldes, keine Einschränkung dieses Papiers — und es bedeutet, dass die ehrliche Art, eine Zahl in dieser Kategorie zu lesen, darin besteht, zuerst ihre angegebene Stichprobe und ihr Fenster zu prüfen und erst danach die Schlagzeile.

Warum absolute Zahlen nie zwischen Studien verglichen werden

Die Studien teilen keine Methodik, und dieses Papier tut nicht so, als täten sie es. SISTRIX verfolgte 17 Wochen lang wöchentlich 82.619 Prompts in sechs Ländern [2]. BrightEdge verglich aufeinanderfolgende Wochenschnappschüsse auf seiner AI-Catalyst-Plattform [3]. Trakkr verfolgte 108.650 URLs über 177 Tage über acht Modelle [4]. Ahrefs verfolgte 20 Tage lang täglich 37.500 Zitate über fünf Werkzeuge [5]. GetMentions führte 2.398 Anfragen sieben Tage lang einmal täglich über vier Engines aus [6]. Ein Prozentwert aus einer dieser Studien lässt sich nicht von einem Prozentwert aus einer anderen subtrahieren, und wo dieses Papier sie nebeneinander stellt, vergleicht es Richtung und Struktur, nie Größenordnung.

Was dieses Papier nicht behauptet

Es behauptet nicht zu wissen, wie eine Engine intern Quellen auswählt. Es behauptet nicht, dass diese Befunde für jeden Markt gelten: Der einzige multinationale Datensatz hier deckt sechs westliche Märkte ab und ist kein Beleg über andere. Es behauptet nicht, dass die Struktur dauerhaft ist — jede Studie ist datiert, und die eigene Evidenz des Papiers zeigt, dass sich das Verhalten der Engines schneller bewegt, als es eine Studie repliziert.

Jeder Befund unten nennt eine Aussage, die Studie, die sie stützt, und die Stichprobe, auf der sie ruht. Wo zwei Studien nicht übereinstimmen, erscheinen beide Zahlen — weil in dieser Kategorie die Nichtübereinstimmung meist der Befund ist, nicht ein zu lösender Fehler.

Die Zwei-Ebenen-Lesart löst, was sonst als Widerspruch zwischen den sorgfältigsten Studien des Feldes erscheint. Sie verändert auch, was „unsere KI-Sichtbarkeit ist gesunken“ bedeuten kann. Fiel eine Seite aus einer Antwort heraus, während die Domain im zitierten Set blieb, meldet die Domain-Ebene keine Veränderung, die Seiten-Ebene einen Verlust — und beide beschreiben dasselbe Ereignis zutreffend. Ein Bericht, der beides vermischt, erzeugt eine Zahl, auf die niemand handeln kann.

SISTRIX‘ Rahmung ist die bislang operativ nützlichste veröffentlichte: Jede Antwort hat einen festen Kern und ein Karussell. Für 86,5 % der Prompts gibt es eine kleine stabile Gruppe von Domains, die über Wochen und Monate bestehen bleibt; alles andere wird wöchentlich neu zugeteilt. Die Frage, die eine Marke stellen sollte, lautet daher nicht „bin ich in der Antwort?“, sondern „bin ich im Kern oder im Karussell?“ [2] ANALYSE

Diese Unterscheidung hat eine Zeitdimension, die die täglichen Dashboards verfehlen. Trakkrs markenbezogene Reihe — 857.138 Tagesberichte über 10.991 Marken über zehn Monate — setzt die mittlere Zeit von der Spitze bis zur Hälfte auf 31 Tage und findet nur 173 von 1.314 Marken, die 90 Tage oder länger verfolgt wurden, mit stetiger Zitatpräsenz [4]. Den Kern zu verlieren ist ein langsames Ereignis in Wochen. Eine Seite zu verlieren ist ein schnelles Ereignis in Tagen. Beides in derselben Kadenz zu berichten garantiert, dass das schnelle Ereignis das langsame übertönt.

Das ist der mechanische Grund, warum rohe Zitatzahlen nicht zwischen Engines verglichen werden können, und der Grund, warum „Anteil an den Zitaten“ die einzige Metrik mit verteidigungsfähiger plattformübergreifender Bedeutung ist [1]. Eine Marke, die in einer SucheGPT-Antwort mit sechs Links zweimal zitiert wird, hat rund ein Drittel dieser Antwort; dieselben zwei Nennungen in einer Gemini-Antwort mit vierzig Links sind ein Rundungsfehler. Beides kann einem Kunden als „zwei Zitate“ gezeigt werden.

SISTRIX fügt ein Ergebnis hinzu, das die Annahme einer universellen Content-Strategie untergräbt. In Google AI Mode sind 80 % der Kern-Domains deutsch bei deutschen Anfragen, und 85 % der Kern-URLs sind Evergreen, wobei Produkt- und Shop-Seiten den Kern dominieren, während Ratgeber und Nachrichten durchrotieren. In ChatGPT Suche kehrt sich das Profil um: Kern-Domains erreichen 16/20 bei E-E-A-T gegenüber 14/20 bei peripheren, institutionelle und Dokumentationsquellen bilden den Kern, und 68 % der Kerninhalte sind englisch, selbst bei deutschen Anfragen [2]. Die beiden Plattformen belohnen nahezu entgegengesetzte Content-Profile, und keine einzelne Seite kann beide Kerne bequem besetzen.

Eine weitere Zahl aus derselben Studie verdient Aufmerksamkeit, weil sie das stärkste Argument dagegen ist, Zitatstrategie an Pressestories auszurichten: Nur 1,4 % der als Quelle zitierten Nachrichtenartikel blieben dauerhaft im Zitat-Set [2]. Redaktionelle Nachrichten sind ein One-Way-Ticket. Was überlebt, ist konstruktionsbedingt Evergreen.

Die zweite praktische Warnung des Papiers ist subtiler und leichter falsch zu machen. Konfidenzintervalle verengen sich nicht immer gleichmäßig, wenn mehr Anfragen hinzukommen; bei SucheGPT können sie sich verengen und dann wieder weiten, weil sich die zugrunde liegende Verteilung während der Beprobung verschiebt. Wer an einem günstig engen Punkt aufhört, würde ein Intervall berichten, das die wahre Unsicherheit unterschätzt [1]. Die sichere Regel ist, sich vorab auf eine Stichprobengröße festzulegen — abgeleitet aus Plattform und Thema — statt zu stoppen, wenn die Zahl akzeptabel aussieht.

Beide Befunde zusammengenommen ist die Folge für das Reporting unausweichlich. Ein Dashboard, das einmal beprobt und einen Prozentwert mit zwei Nachkommastellen ausdruckt, misst keinen kleinen Unterschied; es druckt ein Artefakt. Die Zahl ist echte Arithmetik auf echten Daten, und sie trägt keinen inferenziellen Gehalt über die eine Stichprobe hinaus, aus der sie stammt. Die Lücke von wenigen Punkten, nach der ein Kunde jeden Monat fragt, ist bei dieser Stichprobengröße die eigene Unsicherheit der Messung, dargestellt als scheinbare Performance.

SISTRIX erreicht dieselbe Schlussfolgerung aus einer anderen Richtung und fügt den Mechanismus hinzu. Markenanfragen driften etwa 20 % weniger als der Durchschnitt (45 % gegenüber 56 % Fluktuation), was beruhigend klingt, bis man die Ko-Zitate prüft: Die zwölf bis fünfzehn anderen Domains, die neben einer Marke zitiert werden, wechseln mit 70 % pro Woche [2]. Die eigene Domain der Marke ist verankert; der Raum um sie herum wird wöchentlich neu verteilt. Dort findet wettbewerbliche Verdrängung tatsächlich statt, und sie ist für eine Metrik unsichtbar, die nur fragt, ob die Marke erschien.

Die Planungsfolge ist konkret. Eine Marke, die nur ihren eigenen Namen verfolgt, sieht eine stabile Linie und schließt, dass sich nichts bewegt, während das Set der daneben zitierten Quellen jede Woche umschlägt. Eine Marke, die nur Kategoriebegriffe verfolgt, sieht ständige Bewegung und schließt, die Kategorie sei nicht messbar. Beide sehen die Hälfte der Struktur.

Dasselbe Papier hält einen Fall am entgegengesetzten Extrem fest, nützlich, weil er zeigt, dass das Versagen nicht universell ist. SucheGPT bei Vogelfutterhäusern hatte fünf aufeinanderfolgende Paare mit Intervallen, die eng genug zum Vertrauen waren, und keines erreichte die Stabilitätsschwelle von 0,90 — die mittlere Intervallbreite lag bei 0,225, nahe der Grenze, an der der Vergleich ganz aufhört, informativ zu sein [1]. Bei den anderen beiden Themen reichten die Paare nicht einmal zur Berechnung. Ein Tagesdashboard hätte für jeden dieser Tage eine Zahl berichtet.

Dafür gibt es eine saubere operative Lesart. Der Paarvergleich beantwortet „hat es sich seit gestern geändert“ — eine Frage über Rauschen. Der Endpunktvergleich beantwortet „hat es sich über den Zeitraum geändert, der uns interessiert“ — die Frage, die eine Quartalsprüfung tatsächlich stellt. Ein Messsystem, das nur das erste tut, wird weiter bestätigen, dass nichts schiefgeht, während sich das, wofür es eingestellt wurde, leise verschiebt.

Nichts davon spricht dafür, KI-Sichtbarkeit nicht mehr zu messen. Es spricht dafür, dass sich die Maßeinheit ändern muss und dass drei Gewohnheiten der aktuellen Praxis aktiv in die Irre führen.

Zwei ergänzende Zahlen von Trakkrs öffentlichen Datenseiten belegen denselben Punkt an anderen Stichproben. Der Live-Zitatindex berichtet, dass 74 % der zitierten Links in genau einer Antwort erscheinen und nie wieder — eine zweite Stichprobe hinter der longitudinalen Zahl von 73,5 %, keine unabhängige Replikation [7]. Die Analyse derselben Gruppe über 1,3 Millionen Zitate findet, dass allein Wikipedia rund 17 % aller KI-Zitate ausmacht — so sieht eine Kern-Ebene aus, wenn eine einzige Domain sie besetzt [8]. Ein Karussell aus Tausenden Seiten dreht sich unter einer Handvoll strukturell unveränderter Quellen.

1. „Zitiert“ nicht länger als binären Zustand behandeln

Die Daten sagen, jede Antwort hat einen Kern und ein Karussell [2]. Eine Marke ist entweder im Kern — über Wochen hinweg persistent, und das, was ein Wettbewerber verdrängen muss — oder in der Rotation, wo heutige Präsenz sehr wenig über die Präsenz nächste Woche vorhersagt. Eine einzelne Zahl „Sie werden in 34 % der Antworten zitiert“ zu berichten faltet die beiden Zustände in eine Zahl, und diese Zahl wird von der flüchtigen Hälfte dominiert. Die nützliche Frage ist, welchen Anteil der verfolgten Prompts eine Marke in einer Kernposition hält und wie sich dieser Anteil Monat für Monat bewegt.

2. Tagesdeltas nicht länger als Performance berichten

Die tägliche Bewegung ist real, groß und bei einer Stichprobe pro Anfrage nahezu vollständig uninformatv [1][6]. Eine Tagesreihe lohnt sich zu behalten — so kündigt sich ein Ausfall, ein Modellupdate oder ein plötzliches Deindexing an —, aber sie ist keine Performance-Metrik. Die Zahl, die ein Stakeholder wöchentlich sehen sollte, ist ein Anteil mit Intervall; die Zahl, die eskaliert werden sollte, ist ein Bruch in der Reihe, nicht ein Zwei-Punkte-Zittern.

3. Engines nicht länger zu einem Score mitteln

Gemini zitiert 36–43 Links pro Antwort, SucheGPT 5–7, und beide rotieren Quellen mit unterschiedlichen Raten auf unterschiedlichen Content-Profilen [1][2]. Ein gemischter „KI-Sichtbarkeits-Score“ über Engines ist ein Mittel von Größen mit verschiedenen Einheiten, und er bewegt sich, wenn sich der Prompt-Mix ändert, nicht wenn sich die Marke ändert. Zahlen pro Engine, separat berichtet, sehen weniger befriedigend aus und sind weit nützlicher zum Handeln.

Es gibt auch eine Budgetfolge. Wenn sich die Kern-Ebene in der Größenordnung von Wochen bis Monaten umschlägt — Trakkrs Medianmarke braucht 31 Tage, um von der Spitze auf die Hälfte zu fallen [4] —, dann sollte der Interventionszyklus monatlich sein, nicht täglich. Content, der veröffentlicht wird, um einem Tagesschwung nachzujagen, optimiert gegen Rauschen. Content, der veröffentlicht wird, um in ein Kern-Set zu kommen, konkurriert auf der Zeitskala, die die Daten tatsächlich stützen.

Die sechs Regeln unten sind kein Hausstil. Jede folgt direkt aus einer gemessenen Eigenschaft der Daten, und jede existiert, um einen bestimmten Fehler zu verhindern, den die Studien oben dokumentieren. Ein Bericht, der sie weglässt, ist in seiner Arithmetik nicht falsch; er ist falsch in dem, was er behauptet, dass die Arithmetik bedeutet.

Zwei dieser Regeln werden sich wie ein Downgrade anfühlen, weil sie Zahlen entfernen, die ein Kunde ein Jahr lang gelesen hat. Einen Tagesprozentsatz durch ein Wochenintervall zu ersetzen macht den Bericht kürzer und auf den ersten Blick weniger informativ. Er ist informativer in dem einzigen Sinn, der zählt: Er ist verteidigungsfähig. Eine Zahl ohne angegebene Stichprobengröße lässt sich nicht anfechten, und eine Zahl, die sich nicht anfechten lässt, ist kein Beleg.

“If a visibility report cannot answer ‘what was your sample size and window’, the number it contains is not a measurement — it is an impression with two decimal places.” — Inference from the sampling thresholds in [1], stated here as a reporting rule rather than a finding

Der Standard hat auch einen Wettbewerbsnutzen. In einer Kategorie, in der jeder Anbieter für dieselbe Marke eine andere Zahl veröffentlicht, ist der Anbieter, der seine Stichprobengröße, sein Fenster und sein Intervall angibt, der, dessen Zahl mit den anderen in Einklang gebracht werden kann. Das ist keine Marketingposition; es ist die einzige Position, von der aus eine Messung überhaupt verglichen werden kann.

Die Schwächen dieses Papiers sind präzise und verdienen es, vollständig genannt zu werden, denn eine Synthese erbt jede Schwäche ihrer Quellen und fügt einige eigene hinzu.

Keine eigene Messung

Novaxilabs betreibt keine Monitoring-Stichprobe. Nichts hier wurde vom Herausgeber gemessen, und keine Zahl wird als unabhängige Bestätigung einer anderen präsentiert. Der Beitrag des Papiers ist strukturell: Es liest sechs Studien als ein System und zeigt, dass ihre scheinbaren Widersprüche Unterschiede von Einheit, Fenster und Fragetyp sind.

Der Großteil der Evidenz ist herstellerberichtet

Fünf der sechs Studien werden von Unternehmen veröffentlicht, die Zitat-Tracking verkaufen. Ihre Methodikabschnitte sind ungewöhnlich detailliert, und wo sie Einschränkungen nennen, wiederholt dieses Papier sie — aber keine wurde von Dritten auditiert, und jede hat ein offensichtliches Interesse daran, dass das Phänomen real ist. Nur das arXiv-Papier [1] ist akademisch und uninteressiert. Ein Leser, der alle herstellerberichteten Zahlen abzieht, behält den methodischen Kern dieses Papiers intakt: Die Zwei-Ebenen-Struktur und die Sampling-Schwellen ruhen beide primär auf [1] und auf der inneren Konsistenz von [2]–[6].

Enge Abdeckung in jeder Dimension

Die multinationalen Daten decken sechs westliche Märkte ab und sonst nichts [2]. Die Arbeit zu Sampling-Schwellen deckt drei Konsumentenprodukt-Themen ab [1]. Das längste Fenster ist zehn Monate [4]; das kürzeste sieben Tage [6]. Nichts davon lässt sich ohne Prüfung auf eine Kategorie, eine Sprache oder einen Markt verallgemeinern, und dieses Papier versucht es nicht.

Der Mechanismus ist nicht erklärt

Dieses Papier beschreibt Verhalten, nicht Ursachen. Es kann sagen, dass Zitate auf Domain-Ebene stabil sind, auf Seiten-Ebene nicht; es kann nicht sagen, warum, weil keine der Studien die Variable isoliert. Retrieval-Re-Ranking, Index-Aktualisierungszyklen, Antwortlängen-Politik und Query-Rewriting tragen plausibel dazu bei, und sie zu trennen erforderte eine kontrollierte Störung, die keine veröffentlichte Studie versucht hat. Jede kausale Behauptung, die an diese Zahlen gehängt wird — auch die schmeichelhafte —, ist Inferenz, nicht Messung.

Eine einzige Studie würde die meisten Lücken schließen

Die auffälligste Lücke im Feld ist eine einzelne Studie, die vier Eigenschaften zugleich verbindet: mehrere Sprachen, mehrere Engines, ein Fenster von mindestens sechs Monaten und genug Wiederholungen pro Anfrage, um ein Intervall anzuhängen. Jeder existierende Datensatz hält drei der vier. Diese Studie existiert zum Datenschnitt dieses Papiers nicht im öffentlichen Record — deshalb sind seine Aussagen strukturell und nicht prädiktiv.

Warum acht Referenzen und nicht zwanzig

Das erste Papier dieser Reihe trug zwanzig Quellen, weil seine Frage — welche Seitenstrukturen dem Zitat standhalten — eine große Literatur hinter sich hat. Diese Frage nicht. Jeder öffentliche Datensatz, der Zitatstabilität im großen Maßstab misst, gehört einem von fünf Tracking-Unternehmen, und nur ein akademisches Papier behandelt die Statistik direkt. Die Liste mit Sekundärkommentaren aufzublähen hätte Länge hinzugefügt und Nachvollziehbarkeit entfernt; sie endet daher bei den acht Seiten, die die hier verwendeten Zahlen tatsächlich tragen. Das ist ein Urteil darüber, was prüfbar ist, keine Behauptung, die Literatur sei dünn.

Wie man dieses Papier nutzt

Als Leseschlüssel, nicht als Urteil. Auf einen Anbieterbericht angewandt, stellt es drei Fragen in dieser Reihenfolge: Welche Ebene misst diese Zahl, wie groß ist ihre Stichprobe, und was ist ihr Fenster. Die meisten Berichte scheitern schon an der ersten Frage. Dieses Scheitern ist meist nicht unehrlich — es ist die Standardausgabe eines Werkzeugs, das gebaut wurde, um einmal zu beproben und einen Prozentsatz anzuzeigen —, aber es ist der Grund, warum zwei glaubwürdige Anbieter im selben Monat unvereinbare Zahlen für dieselbe Marke berichten können, ohne dass einer von beiden lügt.

Leser, die die Primärquellen wollen, sollten direkt dorthin gehen. Dieses Papier ist eine Karte, wo die Evidenz übereinstimmt und wo sie kollidiert; die Kollisionen sind nützlicher als jede Zusammenfassung von ihnen.

Jede Quelle unten wurde an ihrer Primärseite geöffnet und gelesen, bevor eine Zahl daraus zitiert wurde. Keine Zahl in diesem Papier stammt aus einer Sekundärkompilation. Wo eine weit verbreitete Zahl nicht auf ein veröffentlichtes Original zurückzuführen war — die im §02 diskutierte Behauptung von 23 Millionen Zitaten —, wurde sie weggelassen statt lose zugeschrieben.

1. 1 Sielinski, R. (2026). Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Suche Measurement. arXiv:2603.08924v3 [stat.AP], 39 Seiten, 13 Abbildungen. Erste Fassung 9. März 2026; überarbeitet 26. August 2026. arxiv.org/abs/2603.08924 ARXIV-PREPRINT
2. 2 SISTRIX. (2026, 1. Mai). AI Citation Drift: How stable are sources in AI search results? 82.619 qualifizierte Prompts, 1.548.213 Schnappschüsse, 2.556 klassifizierte URLs, sechs Länder (DE, US, UK, IT, ES, FR), drei Plattformen, 17 Wochen (17. Dezember 2025 – 8. April 2026). sistrix.com/blog/ai-citation-drift HERSTELLERANGABE
3. 3 BrightEdge. (2026, 6. Februar). AI Suche Citations: How Much Do They Really Change Week to Week? Aufeinanderfolgende Wochenschnappschüsse, Beispielwoche ab 1. Februar 2026. help.brightedge.com — weekly AI search insights HERSTELLERANGABE
4. 4 Trakkr Research. (2026, 30. März). The Half-Life of AI Citations (Study 009). 108.650 URLs über 200 Marken aus 960 ausgewählt, acht Modelle, 177-Tage-Fenster; plus eine markenbezogene Reihe von 857.138 Tagesberichten über 10.991 Marken. trakkr.ai/trakkr-research/citation-decay HERSTELLERANGABE
5. 5 Ahrefs. (2026, 29. Oktober). How Stable Are AI Citations? 10 Things We Learned Tracking 37,500 Citations. Fünf KI-Werkzeuge, 20 Tage tägliches Tracking. ahrefs.com/blog/how-stable-are-ai-citations HERSTELLERANGABE
6. 6 GetMentions AI. (2026, 9. Juli). AI Citation Volatility: A 530,875-Citation Study. 2.398 echte Anfragen aus 56 Markenkonten, vier Engines, sieben aufeinanderfolgende Tage, Juni 2026; 67.144 Antworten, 181.225 URLs, 55.387 Domains, 46.259 Tagespaar-Vergleiche. Auf Domain-Ebene gemessen. getmentions.ai/blog/ai-citation-volatility-study HERSTELLERANGABE
7. 7 Trakkr. (2026). Trakkr Data — fortlaufend aktualisierte Zitationsdatensätze, Stand 28. Oktober 2026. Hier nur für den Anteil zitierter Links, die in genau einer Antwort erscheinen, und die tägliche Seitenaufruf-Reihe verwendet. trakkr.ai/data HERSTELLERANGABE
8. 8 Trakkr. (2026). The Complete, Data-Backed Guide to Earning AI Citations. 1,3 Millionen Zitate über 60.209 Domains, einschließlich Domain-Konzentrationszahlen. trakkr.ai/guides/how-to-get-cited-by-ai HERSTELLERANGABE

Dr. Adrian Whitmore
Research Lead, Novaxilabs

Adrian leitet die Messforschung bei Novaxilabs, wo er an den statistischen Grundlagen von KI-Zitat-Tracking arbeitet: wie viele Stichproben eine Sichtbarkeitsaussage braucht, wie eine stabile Metrik aussieht, wenn das zugrunde liegende System stochastisch ist, und wo die veröffentlichten Zahlen des Feldes einander widersprechen.

Dies ist das zweite Papier der Reihe. Das erste, Beyond Rankings — What Actually Gets a Page Cited in AI Answers, untersuchte, welche strukturellen Eigenschaften einer Seite die Auswahl durch eine Antwortmaschine überleben. Dieses tritt einen Schritt zurück und stellt eine vorgelagerte Frage: ob die Zahlen, mit denen diese Auswahl berichtet wird, präzise genug sind, um überhaupt etwas zu bedeuten. Beide Papiere arbeiten ausschließlich mit veröffentlichter Drittmessung; Novaxilabs betreibt keine eigene Monitoring-Stichprobe, und die Plattformdaten des Unternehmens werden hier nicht als Evidenz verwendet. Korrespondenz zur Methodik, einschließlich Widerspruch zu den Lesarten oben, ist willkommen an info@novaxilabs.com.