Eine Markennennung ist erst dann eine beobachtete Empfehlung, wenn der konkrete Antworttext eine passende Auswahl für den genannten Bedarf ausdrückt. Erfassen Sie Nennung, Rolle, Begründung und Quellen getrennt. Eine Warnung, ein Negativbeispiel oder ein bloßer Listenplatz darf nicht als positive Empfehlung gezählt werden. Grenzfälle bleiben ausdrücklich ungeklärt.
Den einzelnen Satz im vollständigen Kontext lesen
Ein automatischer Namensfund sagt zunächst nur, dass eine Zeichenfolge vorkommt. Lesen Sie den Satz und die relevante Umgebung. Wird das Unternehmen als passend vorgeschlagen, lediglich historisch erwähnt oder ausdrücklich von einer bestimmten Aufgabe abgegrenzt? Diese Unterschiede bestimmen den fachlichen Befund.
Erfassen Sie außerdem, ob die Frage den Namen bereits vorgab. Eine Antwort auf „Was bietet Marke A?“ untersucht etwas anderes als eine offene Anbieterwahl. Beide Fälle können nützlich sein, dürfen aber nicht gemeinsam als unabhängig entstandene Empfehlung berichtet werden.
Weiterlesen: AI Visibility messen: Nennungen, Quellen und Datenlücken richtig einordnen
Vor der Auswertung verständliche Regeln festlegen
Schreiben Sie auf, wann Sie von Nennung, Auswahlvorschlag und begründeter Empfehlung sprechen. Eine mögliche eigene Regel verlangt für die letzte Kategorie einen konkreten Bedarf und einen erkennbaren Passungsgrund. Die Regel muss vor den Ergebnissen stehen und für alle betrachteten Marken gleich gelten.
Kennzeichnen Sie unklare Formulierungen separat. Nicht jede Antwort lässt eine eindeutige Einordnung zu. Eine erzwungene positive Bewertung würde die Auswertung verzerren. Die Kategorien sind eine eigene Untersuchungsmethode, kein von einer Plattform veröffentlichter Bewertungsstandard.
Für die angrenzende Entscheidung hilft außerdem KI-Suchsysteme vergleichen: Untersuchungsrahmen festlegen.
Weiterlesen: KI-Suchsysteme vergleichen: Untersuchungsrahmen festlegen
Ein Codierblatt für Markenrollen verwenden
Die Beispiele in dieser Tabelle sind fiktive Satzmuster und keine beobachteten KI-Antworten. Sie helfen dabei, unterschiedliche Rollen vor dem eigentlichen Test zu besprechen. Entscheidend bleibt der vollständige echte Antwortkontext.
| Fiktives Satzmuster | Mögliche Rolle | Nicht automatisch behaupten |
|---|---|---|
| Zu diesem Themengebiet gehört auch Marke A. | Bloße Erwähnung | Konkrete Kaufempfehlung |
| Prüfen Sie A, wenn Voraussetzung X erfüllt ist. | Bedingter Auswahlvorschlag | Eignung ohne die Voraussetzung |
| Für den beschriebenen Bedarf passt A wegen Y. | Begründete Empfehlung nach eigener Regel | Fachliche Richtigkeit ohne Quellenprüfung |
| A unterstützt diesen benötigten Fall nicht. | Abgrenzung oder Warnung | Positiver Sichtbarkeitserfolg |
| A wird in einer früheren Entwicklung erwähnt. | Historischer Bezug | Aktueller Anbieterfavorit |
Passungsgrund und Quelle gesondert kontrollieren
Auch eine sprachlich klare Empfehlung kann sachlich falsch sein. Prüfen Sie den genannten Grund gegen den tatsächlichen Leistungsumfang. Ist die Voraussetzung bestätigt? Bezieht sie sich auf die richtige Marke, das richtige Produkt und den aktuellen Stand? Dokumentieren Sie die zugehörige Originalquelle.
Ein Quellenverweis und ein Empfehlungsgrund sind getrennte Felder. Der Link kann zu einer fremden Übersicht führen oder nur einen Teil der Aussage tragen. Ohne tragfähigen Nachweis bleibt die Empfehlung beobachtet, ihre fachliche Richtigkeit aber unbestätigt.
Fiktiver Fall: Ein Negativbeispiel erzeugt einen Namensfund
Ein Monitoring findet den Unternehmensnamen in einer Antwort zur Anbieterauswahl. Beim Lesen zeigt sich, dass das Unternehmen als Beispiel für eine nicht passende Leistung genannt wird. Eine rein technische Trefferzählung hätte den Fall als positiven Markenfund ausgewiesen.
Das Team speichert den Fund, codiert die negative Rolle und prüft die sachliche Grundlage. Ist die Abgrenzung falsch, entsteht eine konkrete Quellen- oder Inhaltsaufgabe. Ist sie richtig, zeigt der Befund eine klare Leistungsgrenze. In beiden Fällen wäre eine Erfolgsmeldung zur Empfehlung unzutreffend.
Berichte mit nachvollziehbaren Kategorien erstellen
Zeigen Sie Nennungen, bedingte Auswahlvorschläge, begründete Empfehlungen und offene Fälle getrennt. Ergänzen Sie jeweils die auswertbare Grundgesamtheit der eigenen Untersuchung. Eine kleine Stichprobe liefert keine allgemeine Empfehlungsquote aller Kunden.
Bei einem späteren Vergleich bleiben Codierregeln und relevante Fragen erhalten. Wird die Definition geändert, dokumentieren Sie den Methodenwechsel. So kann eine höhere Quote nicht allein dadurch entstehen, dass künftig jede Erwähnung als Empfehlung gilt.
Die zugehörige Grundlage erläutert der Leitfaden AI Visibility messen: Nennungen, Quellen und Datenlücken richtig einordnen.
Begriffe zu diesem Thema im Glossar nachschlagen →
Häufige Fragen.
Wann zählt eine Markennennung als Empfehlung?
Legen Sie vorab eine verständliche Regel fest, etwa konkreter Bedarf plus erkennbarer Passungsgrund. Lesen Sie die vollständige Antwort; eine bloße Zeichenfolge reicht für diese Einordnung nicht aus.
Ist ein Platz in einer Anbieterliste bereits eine Empfehlung?
Nicht automatisch. Prüfen Sie Listenrolle, Bedingungen und tatsächliche Formulierung. Eine neutrale Aufzählung oder ein Negativbeispiel darf nicht ungeprüft als positive passende Auswahl gemeldet werden.
Kann eine Empfehlung fachlich falsch sein?
Ja. Die sprachliche Rolle und die Richtigkeit des Passungsgrundes sind verschiedene Prüfungen. Vergleichen Sie Funktion, Voraussetzungen und aktuellen Stand mit einer geeigneten Originalquelle.
Wie behandle ich unklare Antwortformulierungen?
Verwenden Sie eine eigene Kategorie für offene Fälle und bewahren Sie den Kontext auf. Eine erzwungene positive Zuordnung würde die spätere Quote und den zeitlichen Vergleich verzerren.
Warum trenne ich markengebundene und offene Fragen?
Eine Frage mit vorgegebenem Namen erzeugt eine andere Ausgangslage als eine offene Auswahlfrage. Beide untersuchen unterschiedliche Aufgaben und sollten nicht als gleichartige unabhängige Empfehlungen zusammengezählt werden.
Was passiert bei geänderten Bewertungsregeln?
Dokumentieren Sie den Methodenwechsel und prüfen Sie die Vergleichbarkeit früherer Daten. Eine höhere Quote nach einer großzügigeren Definition ist kein belegter Anstieg tatsächlich passender Empfehlungen.
Wissen anwenden.
Bedarf und nächsten Schritt besprechenQuellen und Einordnung.
Produktangaben nach öffentlich verfügbaren Informationen; Quellenstand 11.11.2026. Beispiele sind im Text gekennzeichnet.
Wissen weitergeben.
