Das Problem: eine Ablehnung, die niemand sieht
In allen bisherigen Kanälen war Misserfolg beobachtbar. Eine Anzeige ohne Klick, ein Warenkorb ohne Kauf, ein Angebot ohne Auftrag. Der Agentenkanal hat diese Eigenschaft nicht. Wenn ein Beschaffungsagent im Fallback recherchiert und Sie nicht in Betracht zieht, passiert auf Ihrer Seite nichts. Es gibt kein Ereignis, das sich zählen ließe.
Das hat eine unangenehme Folge für die Budgetlogik. Bei langen Implementierungszyklen lässt sich der Erfolg ohnehin nicht am Auftragseingang ablesen, und ohne eigene Kennzahl bleibt nur Bauchgefühl. In der Praxis führt das entweder dazu, dass weiter investiert wird, ohne zu wissen ob es wirkt, oder dass gekürzt wird, weil sich nichts zeigt. Beide Entscheidungen werden ohne Information getroffen.
Was Agent Share of Voice misst
Die Kennzahl setzt Ihr Vorkommen ins Verhältnis, statt es absolut zu zählen. Nicht „werden wir genannt", sondern „bei wie vielen unserer definierten Anfragen kommen wir vor, und wie groß ist unser Anteil an allen dort genannten Anbietern". Der Unterschied ist wesentlich: Eine absolute Zahl steigt auch dann, wenn Antworten insgesamt länger werden. Ein Anteil steigt nur, wenn Sie relativ zum Wettbewerb gewinnen.
Ebene 1: Das Prompt-Set
Der Kern der Methode ist eine feste Menge realistischer Beschaffungsanfragen je Warengruppe. Realistisch heißt: so formuliert, wie ein Einkäufer oder sein Agent fragen würde, also mit Spezifikation, Einsatzbedingung und Menge, und ausdrücklich ohne Ihren Markennamen. Eine Anfrage, die Ihren Namen enthält, misst nichts, weil sie die Antwort vorwegnimmt.
| Eigenschaft | Richtig | Falsch |
|---|---|---|
| Formulierung | „Induktiver Näherungsschalter M12, Schaltabstand 4 mm, IP67, Umgebungstemperatur bis 85 °C, Lieferant in Deutschland" | „Beste Näherungsschalter" oder „Näherungsschalter von [Ihre Marke]" |
| Umfang | Pro relevanter Warengruppe eine zweistellige Zahl von Anfragen, über Anwendungsfälle gestreut | Drei Anfragen, aus denen sich kein Trend ableiten lässt |
| Stabilität | Das Set bleibt unverändert; Erweiterungen werden als neue Kohorte geführt | Bei jeder Messung neue Formulierungen, damit sind die Werte nicht vergleichbar |
| Abdeckung | Auch Substitutions- und Engpassfälle, weil dort der Fallback besonders häufig ausgelöst wird | Nur Standardanfragen für das Kernsortiment |
Was pro Antwort erfasst wird
Die wichtigste Entscheidung der ganzen Methode ist, Nennung und Auswahl nicht in einen Topf zu werfen. Drei Stufen genügen und sie sind ohne Interpretationsspielraum unterscheidbar.
| Stufe | Was passiert ist | Was es bedeutet |
|---|---|---|
| Nennung | Ihr Name kommt in der Antwort vor, ohne Begründung | Sie sind auffindbar. Mehr nicht. |
| Empfehlung | Der Agent begründet, warum Ihr Produkt zur Anfrage passt | Ihre Eignungsdaten tragen. |
| Auswahl | Der Agent entscheidet sich für Sie | Sie gewinnen gegen die konkret genannte Alternative. |
Diese Trennung macht das Kernproblem sichtbar, das im Reifegradmodell Stufe 1 heißt: Eine steigende Nennungsquote bei gleichbleibender Empfehlungsquote sieht wie Fortschritt aus und ist keiner. Wer nur Nennungen zählt, optimiert genau am Engpass vorbei.
Erfassen Sie zusätzlich, wer stattdessen genannt wird. Diese Spalte ist im Zweifel wertvoller als Ihre eigene Quote, weil sie zeigt, gegen wen Sie tatsächlich antreten und ob es Ihr eigener Distributor ist.
Ebene 2: Agenten-Zugriffe in den Server-Logs
Die zweite Ebene ist billiger zu haben und wird meist übersehen. Ihre Server-Logs zeigen, ob KI-Crawler Ihre Inhalte überhaupt abrufen. Diese Zugriffe erscheinen in keinem JavaScript-basierten Analytics-Tool, weil Crawler kein JavaScript ausführen. Wer nur auf sein Analytics schaut, sieht diesen Verkehr grundsätzlich nicht.
| User-Agent | Betreiber | Wofür er abruft |
|---|---|---|
GPTBot | OpenAI | Sammelt Inhalte für das Modelltraining |
OAI-SearchBot | OpenAI | Indexiert für die Suchfunktion |
ChatGPT-User | OpenAI | Ruft eine Seite ab, weil ein Nutzer oder Agent gerade danach fragt |
ClaudeBot | Anthropic | Sammelt Inhalte |
PerplexityBot | Perplexity | Indexiert für Antworten mit Quellenangabe |
Perplexity-User | Perplexity | Abruf im Auftrag einer laufenden Nutzeranfrage |
Google-Extended | Steuert die Nutzung für generative Google-Produkte |
Interessant sind zwei Auswertungen. Erstens die schlichte Frage, ob überhaupt Zugriffe
stattfinden; bleiben sie aus, ist jede Diskussion über Formulierungen verfrüht und Sie
sollten zuerst prüfen, ob eine Firewall-Regel oder robots.txt diese Crawler
sperrt. Zweitens die Unterscheidung zwischen sammelnden Crawlern und den
nutzergetriebenen Abrufen wie ChatGPT-User und Perplexity-User:
Letztere zeigen an, dass jemand gerade jetzt zu einem Ihrer Themen recherchiert.
Ebene 3: Datenqualität als Frühindikator
Die dritte Ebene ist die einzige, die Sie direkt steuern können, und sie läuft den beiden anderen voraus. Gemeint ist der Anteil Ihrer Produkte mit vollständigem Attributsatz und hinterlegter Eignungsbegründung. Diese Zahl bewegt sich sofort, wenn Sie arbeiten, während Nennungs- und Empfehlungsquoten mit Verzögerung folgen.
Praktisch heißt das: Verwenden Sie Ebene 3 zur Steuerung im Quartal und Ebene 1 zum Nachweis über das Jahr. Wer die Reihenfolge vertauscht, misst zu früh und schließt aus einer noch nicht eingetretenen Wirkung, dass die Maßnahme nicht wirkt.
Was Sie nicht messen sollten
- Anfragen mit Ihrem Markennamen. Sie liefern hohe Quoten und keine Erkenntnis. Wer Ihren Namen kennt, ist nicht das Publikum, um das es im Fallback geht.
- Einzelne Antworten als Beleg. Modelle antworten nicht deterministisch. Ein guter oder schlechter Einzelfall sagt nichts; nur die Quote über ein festes Set sagt etwas.
- Nur eine KI-Strecke. Die Ergebnisse weichen zwischen Systemen deutlich ab. Eine einzelne Strecke ist eine Stichprobe von einem, kein Marktbild.
- Nennungen ohne Kontext. Ob Sie als geeigneter Anbieter oder als Negativbeispiel genannt werden, ist ein Unterschied, den eine reine Zählung verliert.
Aufwand und Einstieg
Der Einstieg braucht kein Werkzeug. Eine Tabelle mit Datum, System, Anfrage, Bewertungsstufe und genannten Wettbewerbern trägt die ersten Messreihen. Der Aufwand liegt in der Disziplin, das Set unverändert zu lassen und den Termin einzuhalten, nicht in der Technik. Automatisieren lohnt sich erst, wenn die Methode steht, weil sonst nur ein instabiles Verfahren schneller instabile Zahlen produziert.
Wo Sie mit Ihrer Datenbasis stehen, bevor Sie zu messen anfangen, klärt der Readiness-Check. Was die einzelnen Stufen bedeuten, steht auf Agent-Readiness.