Warum reicht ein Blick in ChatGPT für die KI-Sichtbarkeit nicht aus?
ChatGPT ist im DACH-Raum das bekannteste KI-System und deshalb der erste Prüfpunkt für viele Unternehmen. Diese Prüfung ist notwendig, doch weit von einer vollständigen Analyse entfernt. Yext hat 17,2 Millionen KI-Zitate über ChatGPT, Gemini, Claude und Perplexity ausgewertet. Nur rund 11 Prozent der zitierten Domains tauchen auf mehr als einer Plattform auf (Yext, 2025). Die übrigen 89 Prozent sind plattformspezifisch.
Eine ergänzende Analyse von 118.000 KI-Antworten kommt zum gleichen Befund: Sichtbarkeit in ChatGPT sagt fast nichts darüber aus, was in Gemini oder Claude passiert (Whitehat SEO, 2026). Ein Unternehmen kann in ChatGPT prominent erwähnt werden und in Gemini vollständig fehlen.
Für GreenTech-Unternehmen mit knappen Kommunikationsressourcen ist das eine wichtige Einordnung. Wer alle Maßnahmen auf ChatGPT ausrichtet, verpasst gezielt Sichtbarkeit bei den Zielgruppen, die Gemini, Claude oder Perplexity nutzen. Ohne Multi-LLM-Monitoring bleibt diese Lücke unsichtbar, bis Wettbewerber sie besetzt haben.
Wodurch unterscheiden sich ChatGPT, Gemini, Claude und Perplexity?
Jedes LLM hat eine eigene Architektur, die entscheidet, wie es Quellen findet, bewertet und zitiert. Vier Faktoren erklären die Unterschiede zwischen den Modellen:
- Trainingsdaten und Wissens-Cutoffs: Jedes Modell wurde auf einem eigenen Datensatz trainiert. Der Cutoff bezeichnet den Zeitpunkt, bis zu dem Trainingsdaten reichen. Für die aktuellen Spitzenmodelle liegen die Cutoffs bei Januar 2026 (Claude Opus 4.8) und Dezember 2025 (OpenAI GPT-5.5), während Google Gemini offiziell einen Cutoff im Januar 2025 ausweist (ALLMO, 2026).
- Retrieval-Architektur: Perplexity und Gemini durchsuchen das Web in Echtzeit. ChatGPT und Microsoft Copilot nutzen Bing als Retrieval-Layer. Claude greift über Brave Search auf externe Inhalte zu. Diese Architektur entscheidet, welche Quellen überhaupt in einer Antwort erscheinen können.
- Quellenpräferenzen: Gemini vertraut markeneigenen Inhalten stärker als jedes andere System. ChatGPT sucht nach breitem Konsens im Internet. Perplexity setzt auf Fachverzeichnisse und Reviews. Claude integriert User Generated Content aus Foren und Communities häufiger als die drei anderen (Yext, 2025).
- Aktualitätsgewichtung: Perplexity zitiert nach 180 Tagen nur noch rund 37 Prozent älterer Inhalte, ChatGPT und Google AI gehen großzügiger mit älteren Beiträgen um. Content, der innerhalb der letzten 30 Tage aktualisiert wurde, erhält plattformübergreifend etwa 3,2-mal mehr Zitate (Ahrefs, 2025, zitiert in Authority Tech, 2026).
Diese vier Faktoren wirken zusammen. Ein Unternehmen, das nur eine eigene Ressourcenseite pflegt, wird von Gemini gut erfasst, in ChatGPT dagegen kaum. Wer nur Fachartikel in Nischenmedien platziert, gewinnt in Perplexity, aber nicht zwingend in den anderen Systemen.
Welches LLM zitiert welche Quellen?
Jedes LLM hat eine eigene Informationspersönlichkeit. Die Yext-Analyse liefert die klarste Übersicht über die Quellenverteilung (Yext, 2025):
| LLM | Bevorzugte Quellen | Anteilswerte aus der Yext-Analyse | Retrieval-Architektur |
|---|---|---|---|
| Gemini | Marken-eigene Websites | 52,15 Prozent aus First-Party-Sites | Search-Grounded, Google-Index |
| ChatGPT | Verzeichnisse und Listings | 48,73 Prozent aus Drittanbieter-Listings | RAG über Bing-Retrieval |
| Perplexity | Fachverzeichnisse und Reviews | Bis zu 24 Prozent aus Nischenquellen | Search-First-RAG mit eigenem Index |
| Claude | User Generated Content | Rund 15 Prozent aus Reviews, zwei- bis viermal mehr als andere | Tool-basierter Webzugriff über Brave Search |
Die zentrale These der Yext-Analyse bringt es auf den Punkt: Gemini vertraut dem, was eine Marke selbst sagt. ChatGPT vertraut dem, worüber das Internet sich einig ist. Perplexity vertraut Fachexperten und Kundenbewertungen. Claude integriert öffentliche Diskussionen besonders stark (Yext, 2025).
Für ein GreenTech-Unternehmen hat das konkrete Konsequenzen. Ein Hersteller von Wärmepumpen, der nur die eigene Website pflegt, ist vor allem in Gemini präsent. In ChatGPT braucht er zusätzlich Einträge in Branchenverzeichnissen und in Fachdatenbanken. In Perplexity zählen Fachpublikationen und unabhängige Testberichte. In Claude wirken Kundenbewertungen, Foren-Diskussionen und Erwähnungen in offenen Communities.
Wie stark verändern sich die KI-Antworten im Zeitverlauf?
KI-Systeme sind nicht statisch. Modellupdates, veränderte Retrieval-Logik und neue Trainingsdurchläufe beeinflussen die Antworten ständig. Analysen zeigen, dass die Zitationshäufigkeit von Marken in KI-Tools monatlich um 40 bis 60 Prozent schwankt, oft ohne dass sich am Content selbst etwas geändert hätte (Digital Bloom, 2025).
Die Volatilität ist zwischen den Systemen unterschiedlich verteilt. Perplexity zeigt durch seine Search-First-Architektur die konsistentesten Zitatmuster, weil jede Antwort weitgehend live aus dem Web zusammengesetzt wird. Claude reagiert dagegen besonders stark auf Modell-Updates. ChatGPT schwankt je nach Branche und Anfragetyp (Yext, 2025).
Für Impact-Unternehmen folgt daraus ein klarer Rhythmus. Eine einmalige Bestandsaufnahme reicht nicht, weil das Bild bereits nach dem nächsten Modell-Update veraltet sein kann. Mindestens einmal im Monat sollten die wichtigsten Prompts in allen vier Systemen geprüft werden. Bei strategisch besonders wichtigen Themen oder direkt nach einem Modell-Update lohnen sich zusätzliche wöchentliche Stichproben.
Wie bauen Impact-Unternehmen ein systematisches Multi-LLM-Monitoring auf?
Ein wirksames Multi-LLM-Monitoring folgt fünf Schritten. Jeder Schritt baut auf dem vorherigen auf:
- Prompts definieren: 10 bis 20 Prompts sammeln, die die Zielgruppe stellen würde. Eine sinnvolle Mischung besteht aus kategoriebezogenen Fragen („Welche Anbieter für Photovoltaik-Speicher gibt es im DACH-Raum?“) und markenbezogenen Fragen („Was zeichnet Unternehmen XY aus?“). Erst die Kombination beider Prompt-Typen liefert ein vollständiges Bild.
- Plattformen festlegen: Mindestens ChatGPT, Gemini, Claude und Perplexity in den Test aufnehmen. Wenn die Zielgruppe zusätzlich Microsoft Copilot oder eine branchenspezifische Anwendung nutzt, wird die Liste erweitert.
- Baseline erfassen: Für jeden Prompt und jedes System dokumentieren, ob das Unternehmen erwähnt wird, in welchem Kontext und welche Wettbewerber gleichzeitig genannt werden. Diese Baseline ist die Referenz für alle späteren Vergleiche.
- Rhythmus etablieren: Die Analyse monatlich wiederholen. Spezialisierte Werkzeuge wie Profound, Otterly, Generative Pulse oder Peec.AI reduzieren den Aufwand erheblich, weil sie die Abfragen automatisieren und die Ergebnisse strukturiert speichern. Manuelles Testen ist nur für sehr kleine Setups praktikabel.
- Maßnahmen ableiten: Zeigt das Monitoring eine Lücke in einem konkreten System, entscheidet die Quellenpräferenz dieses Systems über die nächste Maßnahme. Fehlt strukturierter Owned Content für Gemini? Fehlen Verzeichnis-Einträge für ChatGPT? Fehlt Earned Media für Perplexity? Fehlen positive Kundenbewertungen oder Foren-Erwähnungen für Claude? Die Diagnose bestimmt die Antwort.
Stefano Fonseca dokumentiert diesen Aufbau am eigenen Beispiel. Seine öffentliche Fallstudie zeigt monatlich, wie sich die KI-Sichtbarkeit seiner Personal Brand über die vier großen Systeme entwickelt und welche Maßnahmen welche Wirkung erzielen (Fonseca, 2026).
Welche Strategie funktioniert plattformübergreifend?
Trotz aller Unterschiede zwischen den vier Systemen gibt es eine Konstante: fachliche Glaubwürdigkeit. Wer regelmäßig in vertrauenswürdigen externen Quellen erwähnt wird, gewinnt in allen vier Systemen. Muck Rack hat rund eine Million KI-Zitate ausgewertet: 95 Prozent stammen aus nicht bezahlten Quellen, 85 Prozent aus klassischer Earned Media (Muck Rack, 2025). Earned Media ist damit eines der wenigen Signale, das alle LLMs gleichermaßen als Vertrauenshinweis werten.
Für Impact-Unternehmen bedeutet das: Statt vier getrennte Content-Strategien für vier Systeme parallel aufzubauen, lohnt sich der Fokus auf Inhalte, die plattformübergreifend wirken. Eigene Daten aus realen Projekten, klare fachliche Standpunkte, technische Tiefe und Erwähnungen in Branchenmedien zahlen auf alle Systeme ein. Diese Grundstrategie ist effizienter als parallele Optimierung.
Das Multi-LLM-Monitoring bleibt trotzdem notwendig. Nur so wird sichtbar, wo die plattformübergreifende Kernstrategie wirkt und wo systemspezifische Anpassungen zusätzlich nötig sind, etwa strukturierter Owned Content für Gemini oder ein aktueller Verzeichniseintrag für ChatGPT.
Fazit: Die Analyse eines einzelnen Systems erfasst nur einen Teil der Realität
KI-Sichtbarkeit ist nicht eindimensional. Jedes LLM zitiert anders, gewichtet anders und reagiert anders auf Updates. Nur wer mindestens ChatGPT, Gemini, Claude und Perplexity monatlich prüft, sieht die volle Position seiner Marke. Der erste Schritt: für die eigenen Kernthemen dieselben 10 bis 20 Prompts in allen vier Systemen testen und die Baseline dokumentieren. Alles Weitere baut darauf auf.
