AI Brand Recommendation Study: Warum die Prompt-Absicht die KI-Ausgabekonsistenz vorhersagt

Wenn jemand eine KI-Engine bittet, ein Produkt zu empfehlen, zwei Marken zu vergleichen oder eine Lösung für ein Problem zu finden, liefert die Engine kein SuchergebnisSuchergebnis
Als Suchergebnisse werden die Treffer einer Suchmaschine als Ergebnis einer Suchanfrage von Usern bezeichnet.
Mehr erfahren. Sie generiert eine Antwort und entscheidet, welche Marken darin vorkommen. Das ist eine KI-Markenempfehlung: Ihre Marke taucht in dieser Antwort auf oder eben nicht – abhängig davon, wie die Engine Ihren Content, Ihre Autorität und Ihre Relevanz zum Prompt in genau diesem Moment gewichtet.

Für Enterprise-Marken ist genau dieser Moment zunehmend der Ausgangspunkt von Kaufentscheidungen.

Im Januar 2026 kam eine Studie zu dem Schluss, dass KI-Markenempfehlungen im Grunde zufällig sind und dass die Branchengröße der beste Prädiktor für Konsistenz ist. Unsere Daten erzählen eine andere Geschichte.

Wir haben 14.000 API-Aufrufe über 10 Branchen, sieben Intentionstypen, fünf simulierte Nutzerpersonas und vier große Sprachmodelle (LLMs) hinweg durchgeführt: ChatGPT, Perplexity, Claude und Gemini. KI-Markenempfehlungen sind nicht zufällig. Sie sind vorhersehbar inkonsistent – und der Prädiktor ist nicht die Branchengröße. Es ist die Art des Prompts, den Ihre Kund:innen stellen.

Warum KI-Empfehlungskonsistenz wichtig ist

Im klassischen Suchmaschinenmarketing sind Rankings stabil genug, um darauf eine Strategie aufzubauen. Ihre Marke belegt am Dienstag die Top-Position für ein hochwertiges KeywordKeyword
Das Keyword, zu Deutsch: "Suchbegriff" ist ein wichtiger Ausdruck im Online Marketing.
Mehr erfahren, am Donnerstag steht sie immer noch dort. Sie können planen, Budget zuweisen und eine Position verteidigen.

Bei der KI-Suche funktioniert das nicht so. LLMs generieren Antworten dynamisch. Derselbe Prompt kann Ihre Marke neun von zehn Mal oder vier von zehn Mal zurückgeben – und eine einzelne manuelle Prüfung würde diesen Unterschied nie sichtbar machen.

Genau darin liegt das Problem. Eine Marke, die in 90 % der KI-Empfehlungs-Durchläufe für einen bestimmten Prompt erscheint, hat eine verteidigungsfähige Position. Eine Marke, die beim exakt gleichen Prompt nur 40 % der Zeit erscheint, ist die Hälfte der Zeit praktisch unsichtbar – selbst wenn sie beim einen Mal auffiel, als jemand hinschaute.

Sie können keine Content-Strategie skalieren, kein Budget zuweisen und keine Pipeline planen, wenn sich die zugrunde liegende Sichtbarkeit jedes Mal ändert, wenn ein Kunde dieselbe Frage stellt. Und Sie können nicht reparieren, was Sie nicht konsistent messen.

Genau das wollte diese Studie quantifizieren.

Wie wir die KI-Empfehlungskonsistenz gemessen haben

Wir haben denselben Prompt 50 Mal an jede Engine geschickt und erfasst, welche Marken sie jedes Mal zurückgab. Anschließend haben wir die Überlappung zwischen jeweils zwei Durchläufen gemessen.

Wir nennen das Markenüberlappung: den Prozentsatz der Marken, die sich zwei beliebige Durchläufe desselben Prompts teilen. Eine Markenüberlappung von 63 % bedeutet: Von je 10 einzigartigen Marken, die über zwei Durchläufe hinweg auftauchten, erschienen sechs in beiden. Liefert jeder Durchlauf eine komplett andere Markenmenge, liegt die Überlappung bei null.

Außerdem haben wir die Stabilität der Spitzenmarke erfasst: wie oft dieselbe Marke über Durchläufe hinweg an erster Stelle steht.

Die Markenüberlappung zeigt, ob überhaupt dieselben Marken auftauchen. Die Stabilität der Spitzenmarke zeigt, ob dieselbe Marke konsistent führt. Ein Prompt kann eine moderate Markenüberlappung, aber eine sehr niedrige Stabilität der Spitzenmarke haben. Die KI ist sich beim Consideration Set einig, hat aber keine konsistente Meinung darüber, wer es anführen sollte.

Beide Kennzahlen werden in dieser Analyse durchgängig als Prozentwerte dargestellt.

Wichtigste Erkenntnisse: Was die Daten zeigen

Die SuchintentionSuchintention
Der User Intent, auch als Suchintention bezeichnet, sagt aus, mit welchem Ziel oder welcher Absicht ein Internet User einen bestimmten Begriff in die Suchmaschine eingibt.
Mehr erfahren – also die Art des Prompts, den Ihre Kund:innen stellen – sagt die Konsistenz von KI-Markenempfehlungen stärker vorher als die Branche, um die es geht. Der entscheidende Faktor ist nicht, wonach gefragt wird. Es ist, wie danach gefragt wird.

• Sieben Intentionstypen ranken konsistent von am wenigsten bis am konsistentesten: Purchase, Support, Navigation, Recommendations, Pricing, Education und Comparison. Das Ranking gilt über alle vier LLMs und alle 10 Branchen hinweg.
• Purchase-Intention: Sichtbarkeit nahe am Münzwurf. Purchase ist der mit deutlichem Abstand am wenigsten konsistente Intentionstyp. Die Marken, die einer kaufbereiten Kundschaft empfohlen werden, wechseln fast jedes Mal. Von je 10 einzigartigen Marken, die über zwei Purchase-Prompt-Durchläufe auftauchten, waren nur vier in beiden vertreten.
• Education: hohe Übereinstimmung, kaum Nennungen. Die KI ist sich einig, welche Marken in einen Bildungskontext gehören. Aber in 45 % bis 72 % der Education-Prompts (je nach LLM) antwortete die KI, ohne eine einzige Marke zu nennen. Das Ziel von Bildungs-Content sind nicht Zitate. Es geht darum, dass LLMs Ihre Domain als Autorität in anderen Intentionsbereichen wahrnehmen.
• Recommendations: die schwerste Position, die man sich verdienen kann – und die wertvollste, die man halten kann. Diese Prompts nennen keine Marken. LLMs wählen frei. Bestimmte Marken tauchen über alle vier Engines hinweg in 90 % bis 100 % der Recommendation-Durchläufe auf. Wenn Ihre Marke konsistent auftaucht, hat sie sich das verdient. Das ist die Kennzahl, auf die es aufzubauen gilt.

Wie die Suchintention die KI-Empfehlungskonsistenz vorhersagt

Wir haben die Studie um sieben Intentionstypen aus Conductors Prompt-Taxonomie herum aufgebaut. Für jede Intention haben wir dieselben Prompts 50 Mal pro LLM über alle 10 Branchen hinweg ausgeführt und die Markenüberlappung zwischen den Durchläufen gemessen.

Das entstandene RankingRanking
Wer als SEO von Ranking spricht, meint damit die Position einer Website bzw. deren Unterseiten (URLs) innerhalb der SERP einer Suchmaschine in Bezug auf eine Suchanfrage.
Mehr erfahren war über alle vier Engines und 10 Branchen hinweg stabil. Ihre Branche beeinflusst Ihren absoluten Markenüberlappungswert.

Eine Marke in Insurance operiert auf einem höheren Basisniveau als eine in Cloud Computing. Das ändert aber nicht die Rangfolge.

Purchase ist am wenigsten konsistent. Comparison ist am konsistentesten. Diese Lücke schließt sich nicht, egal was Sie verkaufen oder wer Ihre Wettbewerber sind.

KI-Empfehlungskonsistenz nach Intentionstyp

Zwei Zahlen erzählen die Geschichte für jeden Intentionstyp. Markenüberlappung misst, wie viele Marken über zwei Durchläufe desselben Prompts hinweg auftauchen: Von je 10 einzigartigen Marken, die über beide Durchläufe hinweg zu sehen waren, wie viele erschienen in beiden. Stabilität der Spitzenmarke misst, wie oft die Top-Marke ihre Position über Durchläufe hinweg hält. Beide sind Prozentwerte, und höher bedeutet konsistenter.

Purchase: Der Moment, in dem KI am wenigsten verlässlich ist, ist der, in dem es am meisten zählt

Purchase-Prompts sehen etwa so aus: „Ich brauche ein Geschäftskonto für ein Unternehmen mit 50 Mitarbeitenden.“ Oder: „Ich möchte 30 Firmenwagen durch Elektrofahrzeuge ersetzen. Welche Optionen habe ich?“ Eine echte Käuferin, mit echtem Budget und einer echten Kaufentscheidung.

Purchase ist mit deutlichem Abstand der am wenigsten konsistente Intentionstyp in unserem Datensatz. Von je 10 einzigartigen Marken, die über zwei Purchase-Prompt-Durchläufe auftauchten, waren nur vier in beiden vertreten. Die Marken, die KI einer kaufbereiten Person empfiehlt, wechseln fast bei jeder Anfrage.

Für Marken, bei denen KI eine Rolle in Kaufentscheidungen spielt, ist das keine Messkuriosität. Es bedeutet, dass die Sichtbarkeit, die Sie am unteren Ende des Funnels zu haben glauben, beim nächsten Mal, wenn eine Kundin fragt, vielleicht nicht mehr da ist.

So gewinnen Sie:

Konzentrieren Sie sich auf die Signale, die KI bei der Bewertung von Kaufoptionen heranzieht. Drittanbieter-Bewertungsplattformen, nutzergenerierte Foren und vertrauenswürdige Verbrauchernetzwerke wiegen hier schwerer als der eigene Website-Content. Das sind die Quellen, auf die sich LLMs bei der Validierung von Kaufentscheidungen stützen – und eine stärkere Präsenz dort bewegt mehr als jede On-Site-Optimierung.

Machen Sie Ihre Produkt- und Servicedaten leicht auslesbar. Saubere, strukturierte Merchant-Feeds und Leistungsbeschreibungen geben KI-Engines das, was sie brauchen, um Ihre Marke akkurat auszuspielen. Sind diese Daten schwer zu verifizieren, weichen die Engines auf Wettbewerber aus, deren Transaktionsdaten leichter lesbar sind.

Messen Sie Konsistenz, nicht Momentaufnahmen. Eine einzelne Sichtbarkeitsprüfung sagt nichts über die Verlässlichkeit bei Purchase-Intention aus. Richten Sie ein Tracking ein, das dieselben Prompts unabhängig über mehrere Sessions hinweg ausführt, um zu prüfen, ob Ihre Marke konsistent im Consideration Set bleibt oder unvorhersehbar rein- und rauswechselt. Das ist die Zahl, die es zu beobachten gilt.

Support: Stabil an der Spitze, volatil überall sonst

Support-Prompts sehen etwa so aus: „Bei welchen Banken lässt sich eine Belastung auf einer Geschäftskreditkarte am einfachsten anfechten? Wie funktioniert das?“ Oder: „Welche Airlines wickeln Rückerstattungen bei Flugstornierungen am zuverlässigsten ab, wie läuft der Prozess ab?“

Support und Navigation teilen dieselbe Struktur. Die primäre Lösung, die KI ausspielt, ist stabil. Alles danach verändert sich.

Marken, die die primäre Support-Empfehlung in ihrer Kategorie halten, haben eine verlässliche erste Nennung. Marken auf sekundären Positionen sollten sich nicht auf diese Konsistenz verlassen. Diese Plätze verschieben sich.

So gewinnen Sie:

Erstellen Sie umfassende Troubleshooting-Guides, Kundenservice-Anleitungen und technische Dokumentation zu Ihren Produkten oder Services auf Ihrer eigenen Domain. LLMs bilden Support-Urteile anhand der prozeduralen Klarheit Ihres öffentlichen Hilfe-Centers. Erschöpfende, konkrete Dokumentation bewegt die KI dazu, Ihre Marke zuerst zu nennen. Vage oder unvollständiger Hilfe-Content lässt den Spitzenplatz offen für einen Wettbewerber, der die Frage besser beantwortet hat.

Strukturieren Sie diesen Content für einfache KI-Verarbeitung. Nummerierte Schritte, klare Überschriften und saubere semantische Layouts helfen LLMs, operative Abläufe präzise zu erfassen – exakte Rückerstattungsfristen, Chargeback-Kriterien, Eskalationspfade. Je sauberer die Struktur, desto stärker das Signal.

Konzentrieren Sie Ihre Optimierungsressourcen auf Begriffe, bei denen Sie realistisch die Spitzenposition halten können. Sekundäre Plätze bei Support kompensieren keine fehlende erste Nennung. Sind Sie nicht die Nummer eins, ist Ihre Sichtbarkeit in diesem Intentionstyp effektiv instabil, egal wie viel Content Sie veröffentlichen.

Navigation: Die erste Position ist verteidigungsfähig, alles andere ist offen

Navigation-Prompts sehen etwa so aus: „Welcher Telekommunikationsanbieter bietet die besten Online-Portale für Geschäftskonten und Glasfaser-Pakete?“ Oder: „Welche Cloud-Plattformen haben die besten Dashboards für die Verwaltung von Speicher und Rechenressourcen?“

Die KI hat eine goldstandardmäßige erste Wahl und füllt den Rest der Liste variabel. Das sind zwei völlig unterschiedliche strategische Situationen innerhalb eines einzigen Intentionstyps. Die primäre Position ist verteidigungsfähig und relativ stabil. Alles darunter nicht. Marken außerhalb dieser ersten Nennung sollten nicht annehmen, dass die übrigen Plätze das ausgleichen. Tun sie nicht.

So gewinnen Sie:

Konzentrieren Sie Optimierungen darauf, die Spitzenposition zu gewinnen. Das bedeutet sauberes Markennamen-Schema, klare Entitäten-Disambiguierung, logische URL-Strukturen und starke Domain-Autoritätssignale. Sekundäre Plätze verschieben sich ständig – ein Ranking als Zweitplatzierter als strategischen Gewinn zu behandeln, verschwendet Ressourcen, die stattdessen auf eine verteidigungsfähige erste Position hinarbeiten könnten.

Untermauern Sie das mit präzisem Schema-Markup über die gesamte Backend-Taxonomie Ihrer Website. Organisations-, Produkt- und Web-App-Schema helfen KI-Crawlern, die konkreten Einstiegspunkte, Portal-Login-Seiten, Dashboard-Oberflächen und Ähnliches Ihrer Domain klar und akkurat zu erfassen.

Bauen Sie anschließend funktionsspezifische Landingpages, die exakt dem entsprechen, wonach Nutzer:innen fragen. Hochwertige Seiten, die konkrete Dashboard-Tools, Portal-Funktionen oder UX-Features im Detail beschreiben, geben LLMs das klarste mögliche Signal, wenn sie ein Navigationsziel suchen. Je sauberer die Übereinstimmung zwischen Ihrer Seite und der Aufgabe der Nutzer:innen, desto wahrscheinlicher landet die KI zuerst bei Ihnen.

Recommendations: Unaufgeforderte Sichtbarkeit ist verdiente Sichtbarkeit

Recommendations-Prompts sehen etwa so aus: „Was ist die beste Hausratversicherung in den USA?“ Oder: „Welches Elektrofahrzeug sollte man 2026 kaufen?“ Im Prompt wird keine Marke genannt. Die KI wählt frei.

Recommendations sind nicht der konsistenteste Intentionstyp. Sie sind der wertvollste, den man gewinnen kann.

Bestimmte Marken tauchen über alle vier Engines hinweg in 90 % bis 100 % der Recommendation-Durchläufe auf. Diese Marken haben das nicht erreicht, indem sie direkt für Recommendation-Prompts optimiert haben. Sie haben es erreicht, indem sie zuerst über jeden anderen Intentionstyp hinweg das richtige Content-Fundament aufgebaut haben. Steht Ihre Marke nicht auf dieser Liste, ist das die am schwersten zu erobernde Position.

So gewinnen Sie:

Beginnen Sie damit, unbranded Content auf Kategorieebene zu erstellen und zu optimieren. Bauen Sie umfassende Pillar-Inhalte, die Ihre Lösungen mit breiten Branchenproblemen verknüpfen. Genau darauf greifen LLMs zurück, wenn im Prompt keine Marke genannt wird.

Machen Sie es der KI leicht, Ihre Marke mit der Kategorie zu verknüpfen. Nutzen Sie eine klare, konsistente Taxonomie über technischen Content, Whitepapers und Produktseiten hinweg, damit Engines Ihre Marke den Problemen zuordnen können, die Sie lösen – nicht nur den Produkten, die Sie verkaufen.

Tracken Sie das anschließend separat. Beobachten Sie unbranded Recommendation-Prompts auf Kategorieebene gezielt. Das ist Ihre echte organische Baseline und die Zahl, die es gegenüber Wettbewerbern zu benchmarken gilt.

Pricing: Hohe Konsistenz, aber jeder fünfte Prompt liefert gar keine Marken

Pricing-Prompts sehen etwa so aus: „Was kostet Business Class von New York nach London?“ Oder: „Was kostet Business-Mobilfunk pro Zeile und Monat in den USA?“

Die KI ist bei Pricing-Prompts eher bereit, sich auf konkrete Marken festzulegen als bei den meisten anderen Intentionstypen. Der Konsistenzwert spiegelt das wider. Aber 20 % der Pricing-Prompt-Antworten lieferten überhaupt keine Marken. Die KI wollte antworten und konnte nicht. Die Daten waren schlicht nicht zugänglich genug.

Diese 20 % sind die Lücke, die es zu schließen gilt.

So gewinnen Sie:

Veröffentlichen Sie klare, strukturierte Preistabellen auf Ihren öffentlichen Seiten. LLMs tun sich schwer, Zahlen aus Fließtext-Beschreibungen oder gated Preislisten zu extrahieren. Saubere, programmatische Datenlayouts geben Engines direkten Zugriff auf die harten Zahlen, die sie für eine Antwort brauchen.

Untermauern Sie das mit Schema-Markup. Implementieren Sie aktuelles Produkt- und Preis-Schema über alle Produkt- und Serviceseiten hinweg. Wenn Sie Preisstufen, Währung und Leistungsumfang im Backend Ihrer WebsiteWebsite
Eine Website ist eine Sammlung an HTML-Dokumenten, die als einzelne Webseiten über jeweils eine URL mit einem Client wie einem Browser im Web abgerufen werden kann.
Mehr erfahren explizit definieren, geben Sie KI-Crawlern die strukturierten Daten, die sie brauchen, um Ihre kommerziellen Informationen akkurat zu verifizieren.

Basiert Ihr Geschäftsmodell auf individueller Bündelung oder variablen Angeboten, veröffentlichen Sie trotzdem Basiszahlen. Ein Einstiegspreis oder eine standardisierte Preisstufe reicht aus, um Ihre Marke im Consideration Set der Engine zu halten. Wettbewerber mit transparenteren Preisdaten füllen die Lücke sonst.

Education: KI weiß, dass Ihre Marke hierhergehört, sagt es aber nicht

Education-Prompts sehen etwa so aus: „Wie funktioniert die CPG-Distribution vom Hersteller bis ins Regal?“ Oder: „Was ist Teilreserve-Banking?“

Informativ, auf Kategorieebene, keine Marke in Sicht.

Die KI ist sich einig, welche Marken in einen Bildungskontext gehören. Aber in 45 % bis 72 % der Education-Prompts antwortete sie – je nach LLM –, ohne eine einzige Marke zu nennen. Hohe Übereinstimmung. Kaum Nennungen.

Tracking von Education nach Zitat-Volumen liefert Zahlen, die stabil aussehen. Was sie tatsächlich messen, ist konsistentes Schweigen. Das Ziel von Bildungs-Content sind nicht Zitate. Es geht darum, dass LLMs Ihre Domain als Autorität wahrnehmen, auf die sie in jedem anderen Intentionstyp zurückgreifen.

So gewinnen Sie:

Erstellen Sie trotzdem Bildungs-Content. Erschöpfende Glossare, tiefgehende Branchenüberblicke und Schritt-für-Schritt-Strukturguides geben LLMs das Grundlagenwissen, auf das sie beim Formulieren von Antworten über jeden anderen Intentionstyp hinweg zurückgreifen. Auch wenn die KI Sie nicht direkt zitiert, nutzt sie Ihren Content, um ihre Sicht auf die Kategorie zu formen.

Verknüpfen Sie anschließend intern die Punkte. Verlinken Sie Ihren Bildungs-Content explizit mit Ihren Produkt- und Vergleichsseiten. Klare, logische interne Pfade helfen LLMs, die Autorität, die Ihr Bildungs-Content aufbaut, direkt in die Intentionstypen zu übertragen, in denen Markenempfehlungen tatsächlich stattfinden.

Comparison: KI entscheidet sich für einen Gewinner und bleibt dabei

Comparison-Prompts sehen etwa so aus: „Delta vs. United vs. American Airlines – welche ist die beste Airline für häufige Geschäftsreisen?“ Oder: „AWS vs. Azure vs. Google Cloud. Was ist am besten für Enterprise-Anwendungen?“

Die Marken stehen bereits in der Frage. Die KI liefert nur noch das Urteil.

Dieses Urteil ist bemerkenswert konsistent. Dieselbe Marke führt die Antwort 91 % der Zeit an. Werden die Marken im Prompt bereits genannt, haben LLMs wenig Spielraum, ihre Antwort zu variieren. Sie entscheiden sich für einen Gewinner und bleiben dabei.

Für Marken, die die Top-Comparison-Position halten, ist diese Position nahezu unerschütterlich. Für Marken, die sie nicht halten, ist Comparison der am schwersten zu erobernde Intentionstyp.

So gewinnen Sie:

Bauen Sie detaillierte, datenreiche Vergleichstabellen direkt auf Ihrer Website. LLMs synthetisieren bestehenden analytischen Content, um ihre Urteile zu bilden. Transparente, maschinenlesbare Feature-Vergleiche geben der Engine genau das, was sie braucht, um Ihre Marke akkurat zu bewerten.

Halten Sie bereits die Top-Comparison-Position, schützen Sie sie. Aktualisieren Sie regelmäßig Ihre Case Studies, Feature-Listen und Bewertungen von Dritten, damit der Content, den die KI erfasst, nie veraltet.

Halten Sie sie nicht, kämpfen Sie nicht auf den aktuellen Bedingungen der Engine. Erstellen Sie autoritativen Content, der völlig neue Bewertungskriterien einführt. Verschieben Sie das Gespräch auf Dimensionen, in denen Sie gewinnen – Deployment-Geschwindigkeit statt Grundkosten, Total Cost of Ownership statt Listenpreis – und Sie haben eine Chance, zu verändern, wie das LLM den Vergleich gewichtet, bevor es sich für einen Gewinner entscheidet.

Die KI-Ausgabekonsistenz variiert stärker nach LLM, als die meisten AEO-Strategien berücksichtigen

Über alle 70 Branchen- und Intentionstyp-Kombinationen der Studie hinweg zeigte jede Engine ein eigenes Verhaltensprofil, das unabhängig von Branche oder Intentionstyp bestehen blieb.

Gemini ist mit deutlichem Abstand die inkonsistenteste Engine. Sie liefert auch die meisten Marken pro Antwort – im Schnitt 9,2, fast doppelt so viele wie das konsistenteste ChatGPT. Eine längere Markenliste hilft Ihrer Marke nicht. Mehr Namen in der Antwort bedeuten mehr Wettbewerb um jeden Platz – und bei Gemini verschieben sich diese Plätze ständig. Einmal in einer neunmarkigen Liste erwähnt zu werden, die sich jedes Mal neu mischt, ist deutlich weniger wert, als einen konsistenten Platz in ChatGPTs Fünfer-Shortlist zu halten.

Die einzige Ausnahme ist der Automotive-Sektor. Gemini platziert sich in dieser Branche über mehrere Prompt-Typen hinweg konsistent auf Platz zwei. Die Hypothese: EV- und Automobilmärkte bewegen sich schnell, und Geminis Architektur spielt möglicherweise aktuellere Informationen aus. Das Muster ist bestätigt. Die Ursache steht noch nicht fest.

Kein einzelnes LLM führt über alle Intentionstypen hinweg bei der Empfehlungskonsistenz. ChatGPT führt bei wissensbasierten Prompts, also Comparison, Education, Navigation und Support. Perplexity führt bei transaktionalen Prompts wie Pricing, Recommendations und Purchase. Welches LLM am wichtigsten ist, hängt vollständig davon ab, über welche Intentionstypen Ihre Kund:innen Sie finden.

ChatGPT liefert im Schnitt fünf Marken pro Antwort – die wenigsten der vier. In ChatGPTs Shortlist zu kommen ist schwerer. Ist man einmal drin, bleibt man stabiler dort.

Die Lücke zwischen der konsistentesten und der am wenigsten konsistenten Engine beim selben Prompt ist groß. Für denselben Prompt in derselben Branche liefert eine Engine jedes Mal nahezu identische Markenlisten, während eine andere kaum Überlappung zeigt.

Eine Marke kann in der Gesamtbetrachtung stark wirken und dabei auf der Engine, die ihre Kundschaft am meisten nutzt, nahezu unsichtbar sein. Nur ein getrenntes Tracking je Engine zeigt, wo Sie wirklich stehen und worauf Sie sich als Nächstes konzentrieren sollten.

Wie sich die KI-Empfehlungskonsistenz je nach Branche unterscheidet

Wir haben Branchen anhand der Global Industry Classification Standard (GICS)-Taxonomie ausgewählt, um die gesamte Bandbreite an Größen von KI-Marken-Consideration-Sets abzudecken – von konzentrierten Märkten wie Cloud Computing bis zu fragmentierten wie Asset Management. Ziel war nicht, jeden Sektor abzubilden. Ziel war, zu testen, ob die Suchintention die Konsistenz unabhängig von der Marktstruktur gleichermaßen vorhersagt.

Branchen im Ranking nach Gesamt-KI-Empfehlungskonsistenz

Insurance liegt auf Platz eins. Cloud Computing liegt auf dem letzten Platz.

Beide Branchen haben konzentrierte Markenlandschaften. Eine Handvoll dominanter Namen. Genau die Art von Markt, in dem man erwarten würde, dass KI zuverlässig jedes Mal dieselben Marken zurückgibt.

So funktioniert es aber nicht.

Insurance führt, weil Kund:innen überwiegend über Comparison- und Navigation-Prompts danach fragen – zwei der konsistentesten Intentionstypen. In den von uns analysierten Prompts tauchen State Farm, USAA, Allstate und Progressive unaufgefordert in 83 % bis 93 % der Recommendation-Durchläufe über alle vier Engines hinweg auf.

Cloud Computing liegt trotz vier Marken, die in über 80 % der Recommendation-Durchläufe auftauchen, auf dem letzten Platz. Der Unterschied liegt im Prompt-Mix. Nach Cloud Computing wird überwiegend über offene Recommendation- und Purchase-Prompts gefragt – die zwei am wenigsten konsistenten Intentionstypen der Studie.

Gleiche Marktstruktur. Entgegengesetzte Ergebnisse.

Die Annahme, dass konzentrierte Branchen leichter zu gewinnen sind, weil weniger Marken konkurrieren, ist der falsche Rahmen. Der Prompt-Mix, den Ihre Branche anzieht, bestimmt Ihr Konsistenzprofil. Die Anzahl der Player nicht.

Für B2B-Tech-Marken, die stark in Content investieren, um KI-Empfehlungen zu gewinnen: Recommendation-Prompts sind genau der Ort, an dem KI den größten Spielraum zur Variation hat. Die Herausforderung ist nicht der Wettbewerb. Es ist die Art der Frage, die Ihre Kund:innen stellen.

Hier sehen Sie, wie das über alle 10 Branchen hinweg aussieht. Finden Sie die Marktstruktur, die Ihrer am ehesten entspricht, und übertragen Sie die Erkenntnisse von dort aus.

Insurance

• Konzentrierter Markt. Eine Handvoll landesweit bekannter Marken dominiert das Consideration Set.
• Konsumentenorientierte Kategorie mit hohem Vertrauensbedarf, in der Markenbekanntheit die Shortlist bestimmt.
• Kund:innen kennen die Kategorie meist bereits und vergleichen genannte Anbieter.

Asset Management

• Stark fragmentiert. Tausende Fonds, Plattformen und Manager konkurrieren um Sichtbarkeit.
• Kund:innen reichen von institutionellen Käufern bis zu Privatanleger:innen. Was als „das Beste“ gilt, hängt stark von individuellen Zielen ab.
• Die KI-Sichtbarkeit variiert deutlich danach, wie spezifisch der Prompt ist.

eCommerce and Retail

• Breites, sich veränderndes Consideration Set. Kein einzelner dominanter Player besitzt die meisten Kategorien.
• Die Preissensibilität ist hoch. Kund:innen fragen oft „beste X unter $Y“, statt genannte Marken zu vergleichen.
• Discovery-Prompts sind häufig („beste Damenlaufschuhe“). Markenbekanntheit zählt weniger als Relevanz für die Aufgabe.

Telecommunications

• Eine kleine Zahl nationaler Player dominiert, lokale Anbieter sorgen für fragmentierte Nischen.
• Kund:innen entdecken über KI selten neue Marken. Sie vergleichen bekannte Optionen.
• Navigation- und Comparison-Prompts machen den Großteil der Consideration Journey aus.

Consumer Packaged Goods

• Fragmentierte Landschaft mit Loyalität auf Kategorieebene. Viele konkurrierende Marken, starke Subkategorie-Identität.
• Kund:innen fragen eher „beste [Produktart]“, als eine genannte Konkurrenzmarke zu vergleichen.
• KI-Sichtbarkeit auf Kategorieebene zählt oft mehr als Sichtbarkeit auf Markenebene.

Automotive

• Konzentrierte Herstellerlandschaft, besonders bei Elektrofahrzeugen (EVs). Deutliche Variation nach Segment und Preisklasse.
• Hohe Involviertheit, seltener Kauf. KI ist Teil eines längeren Evaluationsprozesses.
• Sowohl frühe Recherche- als auch finale Comparison-Prompts sind häufig.

Pharmaceuticals

• Dual-Marken-Dynamik. Marken- und Generikaprodukte konkurrieren um die Behandlung derselben Erkrankung.
• Regulierte Kategorie. Wie bereit die KI ist, Marken zu nennen, verschiebt sich stark je nach Prompt-Typ.
• Verschreibungspflichtige vs. rezeptfreie Medikamente führen zu grundlegend unterschiedlichem Verhalten im KI-Consideration-Set.

Banking

• Moderate Konzentration. Landesweite Marken plus regionale und Nischenanbieter.
• Vertrauen und Markenbekanntheit bestimmen die Shortlist. Regionale Anbieter können bei spezifischen Segmenten gewinnen.
• Breiter Prompt-Mix: Navigation-, Support-, Comparison- und Purchase-Prompts sind alle häufig.

Passenger Airlines

• Eine kleine Zahl globaler und regionaler Fluggesellschaften dominiert die KI-Consideration-Sets.
• Vielfliegerprogramme beeinflussen, wer auftaucht. Die Streckenspezifität verändert das Consideration Set.
• Hohe Markenbekanntheit. Discovery ist selten. Comparison ist häufig.

Cloud Computing

• Konzentriert. Drei bis fünf Plattformen setzen den Standard. Herausforderer konkurrieren um das übrige Consideration Set.
• B2B, technische oder semi-technische Käufer:innen mit langen Evaluationszyklen und hohen Wechselkosten.
• KI wird eher zur Bewertung und zum Vergleich genutzt als zur Entdeckung. Recommendation-Prompts sind offen formuliert und stark variabel.

Wie es weitergeht

KI-Sichtbarkeit ist keine einzelne Zahl. War sie nie.

Eine Marke mit starker Sichtbarkeit bei Comparison-Prompts und schwacher Sichtbarkeit bei Purchase steht vor einer völlig anderen strategischen Situation als eine mit umgekehrtem Muster. Eine Marke, die bei Perplexity dominiert, kann in ChatGPTs Fünfer-Shortlist nahezu unsichtbar sein. Eine Marke in Cloud Computing steht vor einer anderen Herausforderung als eine in Insurance – nicht weil der Wettbewerb anders ist, sondern weil der Prompt-Mix anders ist.

Die meisten Marken wissen nicht, welche Intentionstypen ihre Kund:innen tatsächlich nutzen, um sie zu finden und zu bewerten. Das ist der Ausgangspunkt. Er bestimmt, ob die Sichtbarkeit, die Sie aufbauen, stabil oder volatil ist, und welche Intentionstypen für Sie funktionieren und welche nicht.

Konsistenz nach Intentionstyp zeigt Ihnen, wo Sie wirklich stehen. Die Lücke zwischen der Performance Ihrer Marke bei Comparison-Prompts und bei Purchase-Prompts in derselben Kategorie kann den Unterschied zwischen einer verteidigungsfähigen Position und einem Münzwurf ausmachen.

Auch die Engine spielt eine Rolle. ChatGPT und Perplexity führen bei unterschiedlichen Intentionstypen, und dieser Split zieht sich konsistent durch unseren gesamten Datensatz. Treffen Ihre Kund:innen Kaufentscheidungen auf Perplexity und Sie tracken nur ChatGPT, optimieren Sie auf das falsche Signal.

Ein Tracking mit den richtigen Prompts nach Intentionstyp einzurichten, bevor Sie mit dem Messen beginnen, ist das, was eine AEO-Strategie, die auf etwas Reales hinarbeitet, von einer unterscheidet, die nur zusieht, wie sich Zahlen bewegen.

Methodik

Studiendesign

Die Studie umfasste 14.000 API-Aufrufe, strukturiert als 10 Branchen × sieben Intentionstypen × vier Engines × 50 Durchläufe pro Zelle. Jeder Durchlauf war zustandslos. Kein Gesprächsverlauf wurde zwischen Durchläufen übertragen, um unabhängige Nutzer:innen zu simulieren, die dieselbe Frage frisch stellen. Fünfzig Durchläufe pro Zelle ergeben 1.225 einzigartige paarweise Vergleiche pro Gruppe – die Grundlage für die Berechnung der Markenüberlappung.

Prompts

Pro Branchen-Intentions-Kombination wurde ein Prompt verfasst, entnommen aus Conductors Prompt-Taxonomie, insgesamt 70 Prompts. Die Prompts wurden über Branchen hinweg standardisiert, um Markenüberlappungswerte über Zellen hinweg vergleichbar zu machen.

Standardisierte Prompts sind kontrollierter und über Branchen hinweg besser vergleichbar, spiegeln aber weniger die volle Bandbreite wider, wie echte Nutzer:innen Fragen tatsächlich formulieren.

Wie Markenüberlappung, also Konsistenz, gemessen wird

Wir haben Konsistenz mittels paarweiser Jaccard-Ähnlichkeit gemessen. Für jede Kombination aus LLM, Branche und Intentionstyp haben wir die Überlappung der Markenlisten zwischen jedem möglichen Paar von Durchläufen über 50 Durchläufe pro Prompt hinweg berechnet – 1.225 Paare pro Gruppe – und die Ergebnisse anschließend gemittelt.

Die Jaccard-Ähnlichkeit wird berechnet als gemeinsame Marken geteilt durch alle einzigartigen Marken über beide Durchläufe hinweg. Ein Wert von 0,63 bedeutet: Von je 10 einzigartigen Marken, die über zwei Durchläufe hinweg auftauchten, erschienen sechs in beiden. Er misst nicht, wie oft sich exakt dieselbe Liste wiederholt. Er misst die proportionale Überlappung zwischen zwei beliebigen Durchläufen.

In diesem Artikel nennen wir das Markenüberlappung. Dieselbe Kennzahl, nur in einfacher Sprache.

Simulierte Nutzerpersonas

Jeder Prompt lief durch fünf definierte Nutzerprofile, die als System-Prompts übergeben wurden: die informierte Bewerterin, die Kategorie-Neuling, die bestehende Nutzerin mit einem Problem, die distanzierte Rechercheurin und die preisgetriebene Käuferin. Jedes Profil simulierte einen anderen Nutzertyp, der dieselbe Frage stellt, und führte so kontrollierte Variation ein, wie der Prompt formuliert wurde. Die Profile wurden über Prompt-Verhalten und Kaufkontext definiert, nicht über Jobtitel, sodass sie über alle 10 Branchen hinweg konsistent bleiben.