Die Suche antwortet selbst.
Ein eigenes Werkzeug, das misst, was klassisches SEO-Monitoring nicht erfasst — und ein Bewertungsmodell, für das es keine Vorlage gab.
Die Ausgangslage
Der Verlust ist da. Gemessen hat ihn niemand.
Google beantwortet Suchanfragen inzwischen im AI Overview selbst, Chat-Assistenten tun dasselbe. Wer eine Antwort bekommt, klickt nicht mehr weiter. Das kostet organischen Traffic — nur taucht dieser Verlust in keinem SEO-Werkzeug auf, weil dort Rankings in einer Ergebnisliste gemessen werden und nicht, ob eine Marke in der Antwort überhaupt vorkommt.
Daneben stand ein zweites Problem, das die Arbeit erst schwierig gemacht hat: Es gibt kein offizielles Bewertungsmodell. Weder Google noch OpenAI noch Anthropic veröffentlichen, woran sich Sichtbarkeit in generierten Antworten bemisst. Ein Score dafür lässt sich also nicht ableiten — er muss fachlich hergeleitet und dann offengelegt werden.
Damit war klar, dass das Werkzeug zwei Dinge gleichzeitig leisten muss: messen, und erklären, warum es so misst. Ein Wert zwischen 0 und 100, dessen Zustandekommen niemand nachvollziehen kann, wäre für diesen Zweck wertlos.
Was ich beigetragen habe
Eigenentwicklung — Idee, Bewertungsmodell, Crawler und Oberfläche.
- Rolle
Konzept, Kriterienkatalog, Umsetzung und Betrieb
- Zeitraum
2026, laufend in Weiterentwicklung
- Technik
PHP 8.5, Vanilla JavaScript, MySQL — bewusst ohne Framework
- Bausteine
Der Weg dorthin
Acht Schritte. Der letzte ist keine Phase, sondern eine Dauerhaltung.
-
.01
Die Lücke benennen
SEO-Monitoring misst Positionen in einer Ergebnisliste. Wenn die Antwort aber über der Liste steht und aus mehreren Quellen zusammengeschrieben wird, misst es am Vorgang vorbei. AEO und GEO sind der Versuch, genau das zu erfassen — ein Feld, in dem bisher wenige unterwegs sind.
-
.02
Ein eigenes Modell herleiten
Der TripleScore ist ein gewichteter Gesamtwert von 0 bis 100: SEO zählt 30 Prozent, AEO 20, GEO 50. Dahinter stehen rund 37 Einzelprüfungen, jede mit eigener Kennung und dem Ergebnis erfüllt, teilweise oder nicht erfüllt. Die Gewichtung ist gesetzt, nicht gemessen — das steht auch so im Bericht.
-
.03
Zahlen ohne KI rechnen
Gleicher Crawl, gleiches Ergebnis. Die Bewertung ist deterministisch und vollständig herleitbar, und die KI schreibt ausschließlich Texte, niemals Zahlen. Fällt sie aus, greift ein regelbasierter Ersatz und alle Scores bleiben identisch. Eine Kennzahl, die sich beim zweiten Aufruf ändert, kann man niemandem erklären.
-
.04
Den Crawler selbst schreiben
Strukturierte Daten werden in JSON-LD und Microdata gleichrangig gelesen, so wie Google es tut. Dazu robots.txt einschließlich der KI-Crawler GPTBot, ClaudeBot und PerplexityBot, die Dateien llms.txt und llms-full.txt, Sitemaps samt Index-Sitemaps, Canonicals, Thin Content, Security-Header, defekte Links und Weiterleitungsketten. Statt beliebiger Adressen zieht der Crawler eine Stichprobe aus Start-, Kategorie- und Produktseiten und erkennt dafür selbst, ob es sich um einen Shop handelt.
-
.05
Neun Quellen zusammenführen
OpenAI, Anthropic, Google und Perplexity für die KI-Sichtbarkeit; XOVI für Sichtbarkeitsindex, Keywords und Backlinks; PageSpeed Insights für Labordaten; CrUX für echte Felddaten mit Verlauf über 25 Wochen; Google Suggest für verwandte Fragen; Matomo für Besuche und Kanäle — ausdrücklich einschließlich der Zugriffe, die aus KI-Assistenten kommen. Die Search Console ist noch offen.
-
.06
Die Modelle direkt fragen
Das Werkzeug erzeugt Fragen zum Unternehmen und stellt sie mehreren Sprachmodellen, mehrfach. Die Antworten werden wörtlich gespeichert. Dadurch lässt sich nachlesen, was KI-Systeme über eine Marke wissen, was sie verwechseln und was sie frei erfinden. Nebenbei fällt ab, wer stattdessen genannt wird — und wie diese Domains selbst abschneiden.
-
.07
Berichte, die auch Maschinen lesen
Jeder Bericht lässt sich in zwei Fassungen teilen: gerendert für Menschen und als vollständig server-seitig ausgelieferte Rohdatenfassung, die ein Sprachmodell lesen kann. Dazu Monatsberichte mit Score-Verlauf, ein Archiv mit Trendkurven und eine lesende Daten-API mit Dokumentation. Ein Werkzeug, das KI-Sichtbarkeit misst und selbst für Maschinen unlesbar ist, wäre ein merkwürdiger Widerspruch gewesen.
-
.08
Das Modell angreifbar halten
Ein selbst hergeleitetes Modell hat keinen Standard, an dem es sich messen könnte. Also muss es sich überprüfen lassen: Der Bericht legt Gewichtung, Rechenweg und Datengrundlage offen, und die Bewertungsversion steht im Datensatz — ändert sich die Methodik, bleiben alte und neue Ergebnisse unterscheidbar. Fachliche Einwände von Kunden gehen direkt zurück ins Modell; mehrere Prüfungen sind auf diesem Weg entstanden oder geschärft worden.
Aus der Arbeit
Bilder folgen. Der Stand ist beschrieben, die Ansichten reiche ich nach.
-
Bild folgt — Audit-Ansicht mit Überblick, Empfehlungen und KI-Sichtbarkeit · vergrößern -
Bild folgt — der TripleScore und seine drei Anteile · vergrößern -
Bild folgt — Einzelprüfungen mit Kennung und Erfüllungsgrad · vergrößern -
Bild folgt — wörtlich gespeicherte Antworten mehrerer Sprachmodelle · vergrößern -
Bild folgt — Monatsbericht mit Score-Verlauf · vergrößern
Was sich geändert hat
Läuft und wird benutzt — mit einem Modell, das ich selbst gesetzt habe.
TripleScore ist im Betrieb: Projekte werden regelmäßig geprüft, Berichte gehen raus, es gibt Batch-Läufe aus CSV-Listen mit eigenem Mailversand und ein einbettbares Widget für kostenlose Kurzanalysen. Ob die Gewichtung 30 / 20 / 50 die richtige ist, kann ich nicht belegen — es gibt nichts, woran man sie prüfen könnte.
Die Entscheidung, auf die ich am ehesten zurückgreifen würde, ist die Trennung von Rechnen und Schreiben. Die KI formuliert Empfehlungen und Zusammenfassungen, aber sie liefert keine einzige Zahl. Das kostet Bequemlichkeit und macht das Ergebnis dafür wiederholbar — dieselbe Website ergibt beim zweiten Lauf denselben Wert.
Weil es keinen Branchenstandard gibt, an dem sich die Bewertung ausrichten ließe, ist der fachliche Einwand die einzige Korrektur, die zur Verfügung steht. Das ist im Werkzeug eingeplant statt ausgehalten: Die Methodik liegt offen, die Bewertungsversionen sind hinterlegt, und Rückmeldungen aus Kundenprojekten sind mehrfach in den Kriterienkatalog eingeflossen. Im Bericht steht ausdrücklich, dass es sich um ein eigenes Modell handelt und nicht um einen Branchenstandard.
Technisch ist es bewusst schlank geblieben: PHP, Vanilla JavaScript, MySQL, kein Framework. Lange Analysen laufen in eigenständigen Hintergrundprozessen mit Heartbeat, damit ein geschlossener Tab keinen Lauf abbricht. Die Anmeldung ist passwortlos über einen Authenticator, Zugangsdaten liegen verschlüsselt, API-Token nur als Hash, IP-Adressen gesalzen und gehasht.
- Gewichtung
- 30/20/50SEO, AEO, GEO — selbst gesetzt, nicht gemessen
- Einzelprüfungen
- 37je mit Kennung und Erfüllungsgrad
- Zahlen aus der KI
- 0die KI schreibt Texte, gerechnet wird ohne sie
So erreichst du mich
Fragen zu meiner Arbeit beantworte ich gern — eine Mail genügt.