Warum heißt sie Citation Method?

Weil die Zitierung der Punkt ist, an dem Sichtbarkeit messbar wird. Alles davor – im Gedächtnis des Modells sein, abgerufen werden, das Neu-Ranking überstehen, ins Kontextfenster passen – ist von außen unsichtbar und lässt sich nur ableiten. Die Zitierung ist das erste Glied, das Sie direkt beobachten können, und damit der Anker, um den herum der Rest der Kette gemessen wird.

Wie unterscheidet sich die Citation Method von der ABC-Methode?

Die ABC-Methode – Acquisition, Behavior, Conversion – ist ein Framework, um die kommerzielle Kette vom Traffic bis zum Umsatz zu messen, und sie wird hier weiterhin als dritte Ebene der Citation Method genutzt. Was sie nicht leistet, ist zu erklären, warum ein KI-Modell Sie zitiert oder nicht. Das ergänzt die Citation Method: acht Glieder, die beschreiben, wie die Antwort entsteht, und eine Diagnose, die auf eines davon zeigt. ABC sagt Ihnen, dass der Traffic nicht konvertiert. Die Zitierungskette sagt Ihnen, dass der Traffic nie angekommen ist – und welches der acht Glieder ihn aufgehalten hat.

Ist das AEO oder GEO?

Beides, und die Unterscheidung ist weniger wichtig, als das Vokabular vermuten lässt. AEO (Answer Engine Optimization) bezeichnet meist, die Quelle zu sein, die eine Antwortmaschine zitiert; GEO (Generative Engine Optimization), in generiertem Text gut dargestellt zu werden. In der Zitierungskette sind das verschiedene Glieder derselben Kette: AEO konzentriert sich eher auf die Glieder zwei bis sechs, GEO auf die Glieder fünf bis sieben. Wir führen sie nicht als getrennte Leistungen, weil einer Marke, die an Glied zwei verliert, mit Arbeit an Glied sechs nicht geholfen ist.

Woher kommen die acht Glieder?

Daraus, wie Retrieval-Augmented Generation tatsächlich funktioniert: eine Routing-Entscheidung, ein Abrufschritt, ein Neu-Ranking-Schritt, ein Kontextfenster mit harter Grenze, ein Generierungsschritt und ein Zitierungsschritt, der getrennt von der Generierung entschieden wird. Die letzten beiden Glieder, Einfluss und Handlung, stammen von uns: Sie decken ab, was nach der Entstehung der Antwort passiert – ob die Beschreibung stimmt und ob bei Ihnen etwas passiert. Das Modell ist beschreibend, nicht proprietär. Unser Beitrag ist, jedes Glied einzeln zu messen und die Diagnose als eigentliches Ergebnis zu behandeln.

Wie lange dauert es, bis die Methode Ergebnisse zeigt?

Die Ausgangsbasis steht nach zwei bis vier Wochen – dann wissen Sie erstmals, wo Sie stehen. Technische Arbeit an Glied zwei und Arbeit an Passagen in Glied vier zeigen sich typischerweise innerhalb von Wochen. Die Auswahl in Glied drei bewegt sich über ein bis zwei Monate. Entitätsarbeit an Glied eins ist die langsame und sollte in Quartalen beurteilt werden, weil sich das Gedächtnis des Modells nur aktualisiert, wenn die Modelle aktualisiert werden.

Welche KI-Modelle messen Sie?

Standardmäßig ChatGPT, Gemini, Perplexity und Google AI Overview, jeweils einzeln gemessen statt gemittelt. Sie getrennt zu halten, ist wichtiger, als es klingt: Dieselbe Marke ist regelmäßig auf einem Modell dominant und auf einem anderen abwesend, und die Ursachen unterscheiden sich – eines liest vielleicht eine gerenderte Seite, während ein anderes nie am JavaScript vorbeikommt.

Welche Daten brauchen Sie für den Start?

Für die Phasen eins und zwei brauchen wir von Ihnen nur Ihre Website und die Namen Ihrer Wettbewerber – die Messung läuft gegen öffentliche Modellantworten. Um die Kette an Glied acht zu schließen, brauchen wir außerdem Analytics, Search Console und das, was den Conversion-Wert enthält: ein CRM, Bestelldaten oder einen Offline-Prozess. Ohne diesen letzten Teil ist Glied acht Raterei, und das sagen wir lieber, als eine Zahl dafür zu berichten.

Können wir nach der Messung aufhören und den Rest selbst machen?

Ja, und das ist eine übliche Art, die Methode zu nutzen. Nach Phase zwei haben Sie eine Ausgangsbasis, nach Phase drei eine priorisierte Liste von Ursachen, die Gliedern der Kette zugeordnet sind. Viele Kunden übernehmen das intern und setzen die Maßnahmen selbst um. Für die laufende Messung kommen die meisten zurück, denn ein Plan ohne Zeitreihe dahinter kann Ihnen nicht sagen, ob er funktioniert hat.

Messen Sie auch Wettbewerber?

Ja, und das ist kein Add-on. Jeder Prompt liefert, wen das Modell genannt hat, daher ist die Sichtbarkeit der Wettbewerber ein Nebenprodukt der Messung Ihrer eigenen. Das ist wichtig, weil der Share of Voice in KI-Antworten ein Topf fester Größe ist: Eine Antwort nennt eine Handvoll Anbieter, und darin zu fehlen, hat dasselbe Ergebnis, unabhängig davon, ob der Grund Ihr Content oder der eines anderen ist.

Ist die Methode nur für große Unternehmen?

Nein. Die Kette funktioniert bei jeder Größe gleich – der Unterschied liegt darin, wie viele Prompts und Kategorien nötig sind, um den Markt abzudecken, in dem Sie verkaufen. Ein Spezialist mit einem Leistungsbereich lässt sich oft leichter bewegen als eine große Marke mit diffuser Entität, weil Glied eins Eindeutigkeit belohnt, nicht Größe.

Was unterscheidet die Citation Method von einem normalen AEO-Angebot?

Die meisten AEO-Angebote beginnen mit der Abhilfe – mehr Content, mehr strukturierte Daten, mehr Links – und berichten über Aktivität. Die Citation Method beginnt mit der Diagnose und weigert sich zu handeln, bevor es eine gibt. Jede Maßnahme muss das Glied benennen, das sie bewegen soll, und die Messung, die zeigen wird, ob sie es getan hat. Wenn sie das nicht kann, wird sie nicht umgesetzt.

Methodik für KI-Sichtbarkeit

Die Citation Method

CitationLabs Methode für KI-Sichtbarkeit. Eine KI-Antwort entsteht über acht Glieder, und eine Marke kann an jedem davon herausfallen. Die Methode misst die Glieder einzeln, damit die Diagnose genau das Glied benennen kann, das Sie aufhält.

Alles VeröffentlichteEine zitierte Quelle

01Entdeckung
02Abruf
03Auswahl
04Kontext
05Generierung
06Zitierung
07Einfluss
08Handlung

Das Glied finden. Beheben. Erneut messen.

Ihre Kette analysieren lassen

Kurz gesagt

Die Citation Method ist CitationLabs Methode für AEO- und GEO-Optimierung. Sie basiert darauf, wie Sprachmodelle tatsächlich Antworten erzeugen: Eine Antwort entsteht über acht Glieder – Entdeckung, Abruf, Auswahl, Kontext, Generierung, Zitierung, Einfluss und Handlung –, und eine Marke kann an jedem davon verlieren. Die Methode misst die Glieder einzeln, statt sie zu einem einzigen Wert zusammenzufassen, und läuft in fünf Phasen ab: Analyse, Messung, Diagnose, Maßnahmen und Nachverfolgung. Es geht darum, sagen zu können, an welchem Glied Sie verlieren, warum und was sich ändern muss – statt auf „mehr Content“ oder „mehr Links“ zu tippen.

Zuletzt aktualisiert 23. august 2026

Marken, mit denen wir arbeiten

01Die Methode

Die acht Glieder

So entsteht eine KI-Antwort, Glied für Glied. Die Kette liest sich von links nach rechts: Sie müssen Glied eins überstehen, um Glied zwei zu erreichen. Die meisten Marken, die „in ChatGPT nicht sichtbar“ sind, verlieren an Glied zwei oder drei – und setzen Maßnahmen ein, die zu Glied fünf gehören.

01
Entdeckung
Die Frage: Wird überhaupt gesucht – und sind Sie dort präsent, wo gesucht wird?
Was entscheidet
Das System entscheidet zuerst, ob es aus dem eigenen Gedächtnis des Modells antwortet oder Dokumente abruft. Antwortet es aus dem Gedächtnis, entscheidet über Ihre Sichtbarkeit, was das Modell bereits über Sie gelernt hat – nicht, was Sie gestern veröffentlicht haben.
Wie es scheitert
Die Marke fehlt im Gedächtnis des Modells, und die Frage löst keine Suche aus. Sie sind unsichtbar, ohne dass mit Ihrer Website etwas nicht stimmt.
Wie wir es messen
Anteil der Antworten, die einen Abruf auslösen, gegenüber Antworten aus dem Gedächtnis, pro Modell und pro Prompt. Perception Match zeigt, was das Modell über Sie glaubt, ohne dass Quellen beigefügt sind.
Was wir dagegen tun
Die Entität aufbauen: einheitlicher Name, einheitliche Kategorie und Fakten auf Ihrer eigenen Website, in Nachschlagewerken, Branchenquellen und Berichterstattung Dritter. Das ist langsame Arbeit und wird in Quartalen gemessen.
02
Abruf
Die Frage: Gehören Sie zu den Dokumenten, die tatsächlich abgerufen werden?
Was entscheidet
Die Frage wird in mehrere Teilsuchen aufgeteilt, und jede holt nur wenige Dokumente. Die Kandidatenliste ist kurz, und sie wird durch den Index bestimmt, gegen den die Suche läuft – nicht dadurch, wie gut die Seite aussieht.
Wie es scheitert
Der Content braucht JavaScript, um zu erscheinen, liegt hinter einer Consent-Sperre, ist für KI-Crawler blockiert oder existiert nicht in der Sprache, in der die Frage gestellt wird.
Wie wir es messen
Crawlbarkeit für KI-Agenten, Indexabdeckung, Robots- und Render-Prüfungen im Website-Audit und welche Ihrer URLs in den wiederkehrenden Messungen tatsächlich als Quellen erscheinen.
Was wir dagegen tun
Technische Grundlagen: serverseitig gerenderter Content, zugelassene KI-Crawler, saubere URLs, Sitemaps, Sprachversionen und eine Website, die sich ohne Ausführung von Code lesen lässt.
03
Auswahl
Die Frage: Überstehen Sie das Neu-Ranking der abgerufenen Dokumente?
Was entscheidet
Die abgerufenen Dokumente werden erneut bewertet, diesmal genau anhand der Frage selbst. Hier fallen die meisten heraus: abgerufen, aber nicht genutzt.
Wie es scheitert
Die Seite behandelt das Thema, beantwortet aber nicht die Frage. Sie wurde für eine Suchphrase geschrieben, nicht für die Art, wie ein Mensch eine Frage an eine KI formuliert.
Wie wir es messen
„Abgerufen, aber nicht zitiert“ pro Prompt – wir sehen, welche Ihrer URLs in die Quellenauswahl gekommen sind, ohne die Antwort zu erreichen.
Was wir dagegen tun
Für die Frage schreiben statt für das Keyword: die Frage in der Überschrift, die Antwort zuerst und Content, der die ganze Frage abdeckt statt nur die Hälfte.
04
Kontext
Die Frage: Schafft es Ihr Text in das, was das Modell tatsächlich liest?
Was entscheidet
Nur die am höchsten gerankten Passagen passen ins Kontextfenster. Absätze konkurrieren, nicht Websites. Ein langes Dokument mit verstreuter Relevanz verliert gegen einen kompakten Absatz.
Wie es scheitert
Ihre Antwort ist da, aber vergraben unter Einleitung, Marketingsprache und Anlauf. Die extrahierte Passage sagt nichts aus.
Wie wir es messen
Chunkalyzer im Modul AI Monitor in Manager zeigt, wie Ihr Content in Passagen aufgeteilt wird und welche Passagen tatsächlich ausgewählt werden.
Was wir dagegen tun
Chunk-Optimierung: in sich geschlossene Absätze, Definitionen, die für sich stehen, Tabellen und Listen dort, wo Fakten hingehören, und der Verzicht auf Anlauf vor der Kernaussage.
05
Generierung
Die Frage: Wird Ihre Formulierung verwendet, wenn die Antwort zusammengesetzt wird?
Was entscheidet
Der Generator baut die Antwort aus Passagen, die direkt antworten, keine Umformulierung brauchen, um verständlich zu sein, und etwas bieten, das die anderen Quellen nicht haben.
Wie es scheitert
Ihre Passage ist in der Auswahl, aber die Formulierung eines Wettbewerbers lässt sich leichter wiederverwenden. Sie werden zum Hintergrund statt zu einem Satz.
Wie wir es messen
Wörtliche Übernahmen und welche Sätze über Modelle und Tage hinweg wiederkehren.
Was wir dagegen tun
Schreiben Sie Sätze, die es überstehen, ohne Kontext zitiert zu werden: präzise Zahlen, klare Grenzen, eigene Daten und Formulierungen, die sonst niemand hat.
06
Zitierung
Die Frage: Werden Sie als Quelle genannt, mit Link?
Was entscheidet
Genutzt werden und genannt werden wird getrennt entschieden. Das Modell kann die Antwort auf Ihren Informationen aufbauen und trotzdem auf jemand anderen verlinken.
Wie es scheitert
Die Marke wird ohne Link erwähnt, oder Ihre Informationen werden einer Seite zugeschrieben, die sie übernommen hat.
Wie wir es messen
Erwähnungen mit und ohne Link, pro Modell und pro Prompt, und welche Domains statt Ihrer genannt werden.
Was wir dagegen tun
Die Quelle eindeutig machen: Originalinhalte, Datierung, Autorenangabe, Canonicals – und sicherstellen, dass Sie und kein Aggregator das zitierbare Original sind.
07
Einfluss
Die Frage: Werden Sie korrekt dargestellt, und bewegt das die Wahrnehmung?
Was entscheidet
Eine Zitierung ist keine Empfehlung. Das Modell kann Sie in der falschen Kategorie nennen, mit einem veralteten Preis oder in einem Vergleich, den Sie verlieren.
Wie es scheitert
Hohe Sichtbarkeit, falsches Narrativ. Sie werden oft erwähnt und selten empfohlen.
Wie wir es messen
Stimmung und Kontext pro Erwähnung, welche Eigenschaften Ihnen zugeschrieben werden, mit wem Sie verglichen werden und die Lücke zwischen Ihrer eigenen Positionierung und der Beschreibung des Modells (Perception Match).
Was wir dagegen tun
Korrigieren Sie die Faktenbasis dort, wo das Modell sie bezieht, und machen Sie die Positionierung so eindeutig, dass sie eine Zusammenfassung übersteht.
08
Handlung
Die Frage: Passiert danach bei Ihnen etwas?
Was entscheidet
Eine KI-Antwort schickt weniger Besucher als ein Suchergebnis, aber sie kommen weiter im Entscheidungsprozess an. Der Wert liegt in der Conversion, nicht im Klick.
Wie es scheitert
Der Traffic kommt an, aber die Landingpage beantwortet etwas anderes als das, was der Nutzer die KI gerade gefragt hat.
Wie wir es messen
KI-Verweise als eigene Quelle, Markensuchen, direkter Traffic und Conversion – verknüpft mit CRM- oder Bestelldaten.
Was wir dagegen tun
Landingpages, die die Absicht hinter dem Prompt treffen, und eine Messung, die einem Verweis von ChatGPT einen Wert zuordnet, statt ihn in „Direkt“ verschwinden zu lassen.

02Die Methode

Die Kette im Überblick

Jedes Glied hat seine eigene Ursache, seine eigene Messung und seine eigene Abhilfe. Deshalb fasst die Methode sie nicht zu einem einzigen Wert zusammen: Eine Zahl sagt Ihnen, dass es schlecht läuft, aber nicht, wo.

Die Kette im Überblick
Glied	Was entscheidet	Wie wir es messen	Typische Abhilfe
1.Entdeckung	Das System entscheidet zuerst, ob es aus dem eigenen Gedächtnis des Modells antwortet oder Dokumente abruft. Antwortet es aus dem Gedächtnis, entscheidet über Ihre Sichtbarkeit, was das Modell bereits über Sie gelernt hat – nicht, was Sie gestern veröffentlicht haben.	Anteil der Antworten, die einen Abruf auslösen, gegenüber Antworten aus dem Gedächtnis, pro Modell und pro Prompt. Perception Match zeigt, was das Modell über Sie glaubt, ohne dass Quellen beigefügt sind.	Die Entität aufbauen: einheitlicher Name, einheitliche Kategorie und Fakten auf Ihrer eigenen Website, in Nachschlagewerken, Branchenquellen und Berichterstattung Dritter. Das ist langsame Arbeit und wird in Quartalen gemessen.
2.Abruf	Die Frage wird in mehrere Teilsuchen aufgeteilt, und jede holt nur wenige Dokumente. Die Kandidatenliste ist kurz, und sie wird durch den Index bestimmt, gegen den die Suche läuft – nicht dadurch, wie gut die Seite aussieht.	Crawlbarkeit für KI-Agenten, Indexabdeckung, Robots- und Render-Prüfungen im Website-Audit und welche Ihrer URLs in den wiederkehrenden Messungen tatsächlich als Quellen erscheinen.	Technische Grundlagen: serverseitig gerenderter Content, zugelassene KI-Crawler, saubere URLs, Sitemaps, Sprachversionen und eine Website, die sich ohne Ausführung von Code lesen lässt.
3.Auswahl	Die abgerufenen Dokumente werden erneut bewertet, diesmal genau anhand der Frage selbst. Hier fallen die meisten heraus: abgerufen, aber nicht genutzt.	„Abgerufen, aber nicht zitiert“ pro Prompt – wir sehen, welche Ihrer URLs in die Quellenauswahl gekommen sind, ohne die Antwort zu erreichen.	Für die Frage schreiben statt für das Keyword: die Frage in der Überschrift, die Antwort zuerst und Content, der die ganze Frage abdeckt statt nur die Hälfte.
4.Kontext	Nur die am höchsten gerankten Passagen passen ins Kontextfenster. Absätze konkurrieren, nicht Websites. Ein langes Dokument mit verstreuter Relevanz verliert gegen einen kompakten Absatz.	Chunkalyzer im Modul AI Monitor in Manager zeigt, wie Ihr Content in Passagen aufgeteilt wird und welche Passagen tatsächlich ausgewählt werden.	Chunk-Optimierung: in sich geschlossene Absätze, Definitionen, die für sich stehen, Tabellen und Listen dort, wo Fakten hingehören, und der Verzicht auf Anlauf vor der Kernaussage.
5.Generierung	Der Generator baut die Antwort aus Passagen, die direkt antworten, keine Umformulierung brauchen, um verständlich zu sein, und etwas bieten, das die anderen Quellen nicht haben.	Wörtliche Übernahmen und welche Sätze über Modelle und Tage hinweg wiederkehren.	Schreiben Sie Sätze, die es überstehen, ohne Kontext zitiert zu werden: präzise Zahlen, klare Grenzen, eigene Daten und Formulierungen, die sonst niemand hat.
6.Zitierung	Genutzt werden und genannt werden wird getrennt entschieden. Das Modell kann die Antwort auf Ihren Informationen aufbauen und trotzdem auf jemand anderen verlinken.	Erwähnungen mit und ohne Link, pro Modell und pro Prompt, und welche Domains statt Ihrer genannt werden.	Die Quelle eindeutig machen: Originalinhalte, Datierung, Autorenangabe, Canonicals – und sicherstellen, dass Sie und kein Aggregator das zitierbare Original sind.
7.Einfluss	Eine Zitierung ist keine Empfehlung. Das Modell kann Sie in der falschen Kategorie nennen, mit einem veralteten Preis oder in einem Vergleich, den Sie verlieren.	Stimmung und Kontext pro Erwähnung, welche Eigenschaften Ihnen zugeschrieben werden, mit wem Sie verglichen werden und die Lücke zwischen Ihrer eigenen Positionierung und der Beschreibung des Modells (Perception Match).	Korrigieren Sie die Faktenbasis dort, wo das Modell sie bezieht, und machen Sie die Positionierung so eindeutig, dass sie eine Zusammenfassung übersteht.
8.Handlung	Eine KI-Antwort schickt weniger Besucher als ein Suchergebnis, aber sie kommen weiter im Entscheidungsprozess an. Der Wert liegt in der Conversion, nicht im Klick.	KI-Verweise als eigene Quelle, Markensuchen, direkter Traffic und Conversion – verknüpft mit CRM- oder Bestelldaten.	Landingpages, die die Absicht hinter dem Prompt treffen, und eine Messung, die einem Verweis von ChatGPT einen Wert zuordnet, statt ihn in „Direkt“ verschwinden zu lassen.

03Die Methode

So sieht es aus, wenn es funktioniert

Ein Kunde misst vierzig Prompts in seiner Kategorie. Links die Ausgangsbasis. Rechts dieselben Prompts acht Wochen später.

Ausgangsbasis

Abgerufen: 64 %
Ausgewählt: 18 %
Zitiert: 7 %

Acht Wochen später

Abgerufen: 67 %
Ausgewählt: 41 %
Zitiert: 22 %

Die Diagnose zeigt auf Glied drei: Wir werden abgerufen, aber aussortiert. Die Abhilfe ist nicht mehr Content – sondern die Seiten so umzuschreiben, dass sie nicht nur das Thema behandeln, sondern die Frage beantworten.

Die Auswahl hat sich mehr als verdoppelt. Der Abruf hat sich kaum bewegt, wie es sein sollte – daran haben wir nichts geändert. Und jetzt ist die Zitierung der neue Engpass: Weniger als die Hälfte der Antworten, die uns auswählen, nennt uns als Quelle. Die nächste Runde nimmt sich Glied sechs vor.

Ein konstruiertes Beispiel mit realistischen Zahlen, keine Kundenfallstudie.

Möchten Sie wissen, an welchem Glied Sie verlieren?

Wir führen Ihr Prompt-Set gegen die Modelle aus, erheben die Ausgangsbasis und übergeben Ihnen die Diagnose – bevor irgendjemand auch nur eine einzige Aktivität vorschlägt.

KI-Sichtbarkeits-Review buchen

04Die Methode

So arbeiten wir

Von „wir wissen es nicht“ zu etwas Messbarem. Nach Phase zwei wissen Sie, wo Sie stehen – und Sie können jederzeit dort aufhören und den Rest selbst erledigen.

01
Analyse
Wirkt auf: Glieder 1–2
Wir ermitteln, welche Fragen Ihre Kunden einer KI tatsächlich stellen. Keine Keywords – Prompts. Das sind zwei verschiedene Dinge, und sie führen zu unterschiedlichen Antworten. Das Prompt-Set wird rund um Personas und die Customer Journey aufgebaut, vom ersten Symptom bis zu „Wen soll ich wählen?“, und mit Ihren Wettbewerbern abgeglichen.
Was Sie in der Hand habenEin Prompt-Set, das Ihre Customer Journey abbildet, mit definierten Personas und Wettbewerbern.
02
Messung
Wirkt auf: Glieder 1–7
Die Prompts laufen nach festem Zeitplan, wöchentlich oder als Add-on täglich, gegen ChatGPT, Gemini, Perplexity und die KI-Antworten von Google. Wir messen, wie oft Sie erwähnt werden, wie oft Sie mit Link zitiert werden und wer statt Ihrer genannt wird. Die Wiederholung ist keine Dekoration: Derselbe Prompt kann von einem Durchlauf zum nächsten eine andere Antwort liefern, und eine einzelne Antwort ist eine Anekdote, keine Messung. CAVIS führt ganze Konversationen statt isolierter Fragen durch, weil sich die Antwort ändert, während der Kunde von „Was ist das?“ zu „Wen soll ich wählen?“ übergeht.
Was Sie in der Hand habenEine Ausgangsbasis, an der Sie Bewegung messen können – pro Prompt, pro Modell und pro Glied der Kette.
03
Diagnose
Wirkt auf: Verortet den Verlust in der Kette
Wir ermitteln das Warum. Ist der Content unsichtbar, weil er JavaScript erfordert? Fehlt die Entität? Sind die Fakten in Marketingtexten vergraben? Werden Sie abgerufen, aber nie ausgewählt? Die Ursachen sind meist wenige und konkret, und jede gehört zu einem bestimmten Glied der Kette.
Was Sie in der Hand habenEine priorisierte Liste von Ursachen, nicht Symptomen – jede dem Glied zugeordnet, zu dem sie gehört.
04
Handlung
Wirkt auf: Behebt dort, wo die Ursache liegt
Wir setzen es um – oder Sie tun es, mit dem Plan als Ausgangspunkt. Technische Grundlage, Struktur, Entität und Content, in der Reihenfolge, die am schnellsten Wirkung zeigt. Die Reihenfolge ist nicht beliebig: Es bringt nichts, bessere Absätze für Glied vier zu schreiben, wenn Sie nie durch Glied zwei kommen.
Was Sie in der Hand habenMaßnahmen mit Verantwortlichem, Reihenfolge und erwarteter Wirkung – und dem Glied, das jede Maßnahme bewegen soll.
05
Nachverfolgung
Wirkt auf: Misst erneut, an derselben Stelle
Sichtbarkeit in der KI-Suche ist vergänglich – die Modelle werden aktualisiert, und Ihre Wettbewerber arbeiten auch. Die wiederkehrende Messung läuft weiter, und Sie haben durchgehend eigenen Zugang zum Dashboard. Zusätzlich gehen wir die Entwicklung in festem Rhythmus gemeinsam durch, damit Sie die Interpretation und die nächste Maßnahme erhalten, nicht nur die Zahlen.
Was Sie in der Hand habenWiederkehrende Messung pro Prompt und Modell, Ihr eigenes Dashboard und ein fester Review-Termin, bei dem aus den Zahlen die nächste Maßnahme wird.

Und dann beginnt Phase drei von vorn. Nicht, weil etwas schiefgelaufen ist, sondern weil sich der Engpass verschoben hat: Als Glied drei behoben war, wurde Glied sechs zur neuen Einschränkung. Deshalb ist das kein Plan mit Enddatum.

05Die Methode

Warum die KI-Suche eine eigene Methode braucht

SEO-Denken geht von einer Rangliste aus. In einer KI-Antwort gibt es keine Liste. Es gibt eine Kette von Entscheidungen im System – und die meisten davon fallen, bevor ein einziges Wort geschrieben ist.

Das Modell antwortet oft, ohne zu suchen
Eine Antwort stammt entweder aus dem, was das Modell bereits gelernt hat (parametrisches Gedächtnis), oder aus Dokumenten, die es im Moment der Anfrage abruft (Retrieval). Etwas Neues zu veröffentlichen, beeinflusst nur Letzteres. Ersteres bewegt sich, wenn die Marke anderswo breit genug, oft genug und einheitlich genug beschrieben wird – über die Zeit.
Die Kandidatenliste ist kurz
Wenn das System abruft, wird die Frage in mehrere Teilsuchen aufgeteilt, und jede Teilsuche holt nur wenige Dokumente. Während eine Suchmaschine zehn blaue Links und eine zweite Seite zeigt, hat eine KI-Antwort keine zweite Seite. Wenn Sie nicht auf der Kandidatenliste stehen, existieren Sie für diese Antwort nicht.
Passagen konkurrieren, nicht Seiten
Das Modell liest nicht Ihre Website. Es liest eine Handvoll Passagen, die ausgewählt wurden, weil sie der Frage ähneln. Ein präziser Absatz schlägt eine lange Seite, auf der die Relevanz verstreut ist.
Genutzt werden und genannt werden sind zwei verschiedene Dinge
Ihr Content kann die Antwort tragen, ohne dass Sie genannt werden, und Sie können genannt werden, ohne korrekt beschrieben zu werden. Beides sind Verluste, und keiner davon taucht in einem Ranking-Bericht auf.

06Die Methode

Von der Zitierung zum Umsatz

Die letzten beiden Glieder der Kette, Einfluss und Handlung, sind die Stelle, an der Sichtbarkeit auf das Geschäft trifft. Dort nutzen wir ABC: Acquisition, Behavior, Conversion – die Reporting-Struktur, die Google Analytics zum Allgemeingut gemacht hat, wobei die KI-Suche als eigener Einstiegskanal gemessen und die Conversion aus dem CRM statt aus dem Analysetool bezogen wird.

01
A – Acquisition
Woher Kunden kommen und welche Kanäle Qualität liefern. Die KI-Suche wird hier zu denselben Bedingungen gemessen wie organische Suche und Anzeigen: Volumen, Qualität, Verhalten und Conversion.
02
B – Behavior
Was sie tun, sobald sie da sind, und wo wir sie verlieren. Für KI-Traffic ist die wichtigste Messung die Übereinstimmung mit der Absicht: Beantwortet die Landingpage, was der Nutzer das Modell tatsächlich gefragt hat?
03
C – Conversion
Was tatsächlich Wert schafft. Leads und Verkäufe erhalten einen Wert aus CRM, Bestelldaten oder Offline-Conversions, und dieser Wert wird an den Kanal zurückgespielt. Ohne diesen Schritt optimieren Sie auf Volumen und nennen es Wachstum.

Zu ABC: Acquisition, Behavior und Conversion sind die Reporting-Struktur aus Universal Analytics, kein Begriff, den wir erfunden haben. Sie ist nicht dasselbe wie die ABC-Analyse, die Bestände, Produkte oder Kunden nach Wert einstuft, und nicht dasselbe wie das ABC-Modell aus der kognitiven Therapie. In der Citation Method ist ABC die kommerzielle Ebene – nicht die ganze Methode. Mehr über das ABC der KI-Sichtbarkeit.

07Die Methode

Worauf die Methode aufbaut

Die Methode ist keine Folie. Für jedes Glied der Kette gibt es ein Tool, das es misst, und die meisten haben wir selbst gebaut, weil niemand sonst gemessen hat, was wir brauchten.

CitationLab AI Marketing Manager
Die wiederkehrende Messung. Das Modul AI Monitor in Manager führt das Prompt-Set wöchentlich oder als Add-on täglich gegen ChatGPT, Gemini, Perplexity und Google AI Overview aus und protokolliert Erwähnungen, Zitierungen, Quellen, Wettbewerber und Share of Voice pro Modell und Durchlauf. Das sind die Daten hinter den Gliedern eins bis sieben.
So funktioniert AI Marketing Manager
CAVIS
Das Framework hinter dem Prompt-Set. CAVIS simuliert ganze Konversationen statt isolierter Fragen, gewichtet jede Messung danach, wo sie in der Customer Journey liegt, und sorgt dafür, dass die Messung eine Customer Journey statt einer Fragenliste abbildet.
Zum CAVIS-Framework
Chunkalyzer
Die Chunk-Analyse im Modul AI Monitor in Manager. Zeigt, wie Ihr Content in Chunks aufgeteilt wird, welche abgerufen werden und welche es nie ins Kontextfenster schaffen. Das ist das Tool für Glied vier.
Perception Match
Vergleicht Ihre eigene Positionierung – was Ihre Website und Ihre Vertriebsunterlagen behaupten – mit dem, was die Modelle auf Nachfrage tatsächlich über Sie sagen, und bewertet die Lücke. Das ist die Diagnose für Glied eins und Glied sieben: Ist das Problem, dass Sie unsichtbar sind, oder dass die Geschichte falsch ist?
Website-Audit für KI-Agenten
Eine technische Prüfung, ob der Content überhaupt abgerufen werden kann: Rendering, Crawler-Zugriff, strukturierte Daten, Sprachversionen und Maschinenlesbarkeit. Ohne sie ist alles andere Raten.
Zum technischen SEO
AEO-Management
Der operative Betrieb. Die Phasen vier und fünf als System, mit Spezialisten für Technik, Entität, Content und Conversion, und jede Änderung wird als Experiment mit Hypothese protokolliert.
So arbeiten wir

08Die Methode

Fünf Regeln, von denen die Methode nicht abweicht

Eine Methode ist nur etwas wert, wenn sie auch sagt, was sie ablehnt. Diese Regeln bestimmen, wie die Zahlen auf dieser Seite entstehen.

01
Erst messen, dann interpretieren
Zuerst werden die Rohdaten protokolliert – die ganze Antwort, die Quellen, das Datum, das Modell. Die Interpretation kommt danach und lässt sich immer auf die Antwort zurückführen, auf der sie beruht.
02
Kein einzelner Wert
Ein kombinierter „KI-Sichtbarkeitswert“ verbirgt genau das, was Sie wissen müssen: an welchem Glied Sie verlieren. Wir schlüsseln immer nach Modell, Prompt, Kategorie und Glied auf.
03
Ursachen, nicht Symptome
„Wir sind in ChatGPT nicht sichtbar“ ist ein Symptom. Eine Diagnose muss auf ein Glied und eine Ursache zeigen, sonst ist die Abhilfe Raterei.
04
Kontinuierlich, nicht gelegentlich
Derselbe Prompt kann von Durchlauf zu Durchlauf unterschiedliche Antworten liefern. Eine Antwort ist eine Anekdote. Die Methode misst nach festem Zeitplan, weil sich Bewegung nur aus einer Zeitreihe ablesen lässt.
05
Sagen, was die Zahlen nicht zeigen
Wir markieren, wo die Grenze dessen liegt, was die Messung beweisen kann. Wo wir keine Kausalität sehen, sagen wir das, statt einen Pfeil zu zeichnen.

09Die Methode

Was die Methode nicht verspricht

KI-Sichtbarkeit ist ein junges Feld mit vielen selbstbewussten Behauptungen. Diese vier werden wir nicht aufstellen.

Niemand kann eine Zitierung garantieren
Niemand verkauft einen Platz in einer KI-Antwort, und wer etwas anderes behauptet, verkauft etwas anderes. Die Methode macht die Wahrscheinlichkeit messbar und die Ursachen bearbeitbar. Sie kauft keine Platzierung.
Glied eins ist langsam
Das Gedächtnis des Modells wird aktualisiert, wenn Modelle trainiert oder aufgefrischt werden, nicht wenn Sie veröffentlichen. Entitätsarbeit wird in Quartalen gemessen. Die Glieder zwei bis vier können sich in Wochen bewegen.
Die Zahlen schwanken
Derselbe Prompt liefert von Durchlauf zu Durchlauf unterschiedliche Antworten. Deshalb messen wir wiederholt und lesen Trends statt einzelner Durchläufe – und deshalb ist ein Screenshot einer guten Antwort kein Ergebnis.
Sichtbarkeit ist kein Umsatz
Eine Erwähnung, die nie konvertiert, ist eine Zahl. Deshalb hört die Methode nicht bei Glied sechs auf.

10Die Methode

Die Fragen, die die Methode beantworten soll

Niemand kommt und fragt nach einer Methode. Man kommt mit einem Symptom. Das sind die vier, die wir am häufigsten hören, und das Glied, in dem jedes davon meist liegt.

Warum erwähnt ChatGPT uns überhaupt nicht?

Fast immer Glied eins oder Glied zwei, und die beiden brauchen gegensätzliche Abhilfen. Antwortet das Modell aus dem Gedächtnis, ohne zu suchen, fehlt die Marke in dem, was es gelernt hat, und die Arbeit ist Entitätsarbeit: einheitliche Fakten über Sie an den Orten, aus denen Modelle lernen, gemessen in Quartalen. Sucht das Modell und Sie fehlen trotzdem, ist die Ursache meist mechanisch – Content, der erst erscheint, wenn JavaScript läuft, in robots.txt blockierte KI-Crawler oder keine Seite in der Sprache, in der die Frage gestellt wird. Die Messung trennt die beiden, denn zwischen ihnen zu raten, kostet ein Quartal.

Wir werden als Quelle abgerufen, aber nie zitiert. Was ist falsch?

Das ist Glied drei oder Glied vier, und es ist die häufigste Diagnose, die wir stellen. Abgerufen zu werden heißt, dass Ihre Seite auf der Kandidatenliste stand; nicht zitiert zu werden heißt, dass sie das Neu-Ranking verloren hat oder es ins Kontextfenster geschafft hat, die extrahierte Passage die Frage aber nicht beantwortete. Die Abhilfe ist fast nie mehr Content. Sie besteht darin, die Frage in der Überschrift zu stellen, die Antwort in den ersten Absatz zu setzen und einzelne Absätze so in sich geschlossen zu machen, dass sie herausgelöst werden können und trotzdem verständlich bleiben.

Wir werden oft erwähnt, aber falsch beschrieben. Wie beheben wir das?

Das ist Glied sieben, und es ist ein Verlust, der wie ein Gewinn aussieht. Der Share of Voice wirkt gesund, während das Modell Sie in die falsche Kategorie einordnet, einen veralteten Preis nennt oder Sie in einem Vergleich, den Sie lieber gewinnen würden, als günstige Option aufführt. Perception Match bewertet die Lücke zwischen dem, was Sie über sich sagen, und dem, was die Modelle sagen. Die Lösung ist, die Faktenbasis in den Quellen zu korrigieren, aus denen das Modell tatsächlich schöpft – was selten Ihre eigene Startseite ist –, und die Positionierung so eindeutig zu machen, dass sie die Zusammenfassung in einem Satz übersteht.

Woran erkennen wir, dass die Arbeit wirkt?

Weil es eine Ausgangsbasis gibt, die erhoben wurde, bevor sich etwas geändert hat. Phase zwei legt sie pro Prompt, pro Modell und pro Glied fest, und dieselben Prompts laufen danach im selben Zeitplan weiter, sodass Bewegung aus einer Zeitreihe statt aus einem Screenshot abgelesen wird. Die Glieder bewegen sich unterschiedlich schnell: Technische Arbeit und Arbeit an Passagen zeigen sich in Wochen, Entitätsarbeit in Quartalen. Lässt sich eine Änderung keinem Glied und keiner Messung zuordnen, behandelt die Methode sie als ungetestet, nicht als Erfolg.

11FAQ

Häufige Fragen zur Citation Method

Die Citation Method ist CitationLabs Methode für AEO- und GEO-Optimierung. Sie modelliert eine KI-Antwort als Kette aus acht Gliedern – Entdeckung, Abruf, Auswahl, Kontext, Generierung, Zitierung, Einfluss und Handlung –, misst jedes Glied einzeln, diagnostiziert, an welchem Glied eine Marke verliert, und behebt die Ursache in diesem Glied statt überall gleichzeitig.

12Die Methode

Weiterlesen

Lassen Sie Ihre Wettbewerber raten.
Wir messen die Kette.

Acht Glieder, fünf Phasen und eine Diagnose, die auf eines davon zeigt. Übernehmen Sie die Kontrolle darüber, wie KI Sie beschreibt und empfiehlt.

Mit einem Strategen für KI-Suche sprechen So arbeiten wir

Ihr Feedback

War diese Seite hilfreich?

Hat Ihnen die Seite geholfen? Sagen Sie uns, wenn etwas unklar ist oder fehlt.

Die Citation Method

Marken, mit denen wir arbeiten

Die acht Glieder

Entdeckung

Abruf

Auswahl

Kontext

Generierung

Zitierung

Einfluss

Handlung

Die Kette im Überblick

So sieht es aus, wenn es funktioniert

Möchten Sie wissen, an welchem Glied Sie verlieren?

So arbeiten wir

Analyse

Messung

Diagnose

Handlung

Nachverfolgung

Warum die KI-Suche eine eigene Methode braucht

Das Modell antwortet oft, ohne zu suchen

Die Kandidatenliste ist kurz

Passagen konkurrieren, nicht Seiten

Genutzt werden und genannt werden sind zwei verschiedene Dinge

Von der Zitierung zum Umsatz

A – Acquisition

B – Behavior

C – Conversion

Worauf die Methode aufbaut

CitationLab AI Marketing Manager

CAVIS

Chunkalyzer

Perception Match

Website-Audit für KI-Agenten

AEO-Management

Fünf Regeln, von denen die Methode nicht abweicht

Erst messen, dann interpretieren

Kein einzelner Wert

Ursachen, nicht Symptome

Kontinuierlich, nicht gelegentlich

Sagen, was die Zahlen nicht zeigen

Was die Methode nicht verspricht

Niemand kann eine Zitierung garantieren

Glied eins ist langsam

Die Zahlen schwanken

Sichtbarkeit ist kein Umsatz

Die Fragen, die die Methode beantworten soll

Warum erwähnt ChatGPT uns überhaupt nicht?

Wir werden als Quelle abgerufen, aber nie zitiert. Was ist falsch?

Wir werden oft erwähnt, aber falsch beschrieben. Wie beheben wir das?

Woran erkennen wir, dass die Arbeit wirkt?

Häufige Fragen zur Citation Method

01Was ist die Citation Method?

02Warum heißt sie Citation Method?

03Wie unterscheidet sich die Citation Method von der ABC-Methode?

04Ist das AEO oder GEO?

05Woher kommen die acht Glieder?

06Wie lange dauert es, bis die Methode Ergebnisse zeigt?

07Welche KI-Modelle messen Sie?

08Welche Daten brauchen Sie für den Start?

09Können wir nach der Messung aufhören und den Rest selbst machen?

10Messen Sie auch Wettbewerber?

11Ist die Methode nur für große Unternehmen?

12Was unterscheidet die Citation Method von einem normalen AEO-Angebot?

Weiterlesen

Lassen Sie Ihre Wettbewerber raten.Wir messen die Kette.

War diese Seite hilfreich?

Lassen Sie Ihre Wettbewerber raten.
Wir messen die Kette.