Prompt-Tracking: Finde die besten Prompts, um deine KI-Sichtbarkeit zu messen

Dieser Artikel zeigt dir, wie du systematisch die richtigen Prompts findest, um deine KI-Sichtbarkeit dauerhaft zu messen. Das Überraschende dabei: Die besten Tracking-Prompts stecken oft schon in Daten, die du längst hast.

Gespräche mit KI verlaufen anders als klassische Google-Suchen. Die Anfragen sind oft deutlich detaillierter — oder entstehen mitten in einer längeren Unterhaltung.

Dazu kommt: KI-Antworten sind weniger stabil als organische Suchergebnisse. Welche Marken erwähnt werden und welche URLs auftauchen, kann sich von Minute zu Minute ändern.

In diesem Artikel teile ich das Tracking-Framework und die Quellen, die wir bei Ahrefs für sinnvoll halten, wenn es darum geht, die eigene KI-Sichtbarkeit zu messen.

Wenn du bereits weißt, welche Prompts du tracken möchtest, kannst du die Custom-Prompt-Funktion in Brand Radar nutzen. Damit überwachst du Antworten für deine gewählten Standorte und Plattformen — täglich, wöchentlich oder monatlich.

Du kannst Markennennungen für einzelne Prompts auswerten — oder (wie wir es empfehlen) Prompt-Cluster bilden und die aggregierten Antworten auf einen Blick sehen: inklusive zitierter URLs und Trendverläufen.

Prompt-Tracking ist in den letzten Monaten ein viel diskutiertes Thema geworden. Der häufigste Einwand: KI-Antworten schwanken stark und sind teilweise personalisiert. Wie soll man da verlässlich messen, wie sichtbar eine Marke wirklich ist?

Hinzu kommt, dass die Plattformen selbst keine Daten darüber teilen, welche Fragen ihre Nutzer stellen. Du weißt also nicht, ob du Sichtbarkeit für Begriffe trackst, nach denen überhaupt jemand fragt.

Andere halten dagegen: Grobe Orientierung ist besser als keine. Und mindestens solltest du wissen, ob das, was KI-Systeme über deine Marke „denken", der Realität entspricht.

Wir bei Ahrefs wissen, dass unsere Daten nicht perfekt sind. Trotzdem sehen wir in ihnen einen echten Nutzen — vorausgesetzt, man leitet daraus konkrete Maßnahmen ab.

Unser Gesamtbild sieht so aus:

Ein konkretes Beispiel für handlungsrelevante Erkenntnisse: Als wir Custom-Prompt-Tracking als Feature gelauncht haben, wollten wir wissen, ob KI-Systeme diese neue Funktionalität bereits kennen oder noch auf veraltete Quellen zurückgreifen.

Wer mehrere KI-Plattformen gleichzeitig beobachtet, sieht Markenerwähnungen nicht nur aus Google-Quellen — sondern auch aus Bing, Brave Search und plattformeigenen Indizes. Das ist für SEOs neu: Bisher lag der Fokus fast ausschließlich auf Google.

Neben Antwort-Genauigkeit schauen wir vor allem auf drei Dinge:

Dabei ist Prompt-Tracking nur ein Teil unseres Monitorings. KI-Bot-Aktivität in Server-Logs, Traffic von KI-Plattformen, klassische Suchperformance und Erkenntnisse aus den zig Millionen Prompts in Brand Radar fließen genauso mit ein.

Frag ChatGPT, welche Gym-Management-Software es empfiehlt, und du bekommst vielleicht Wodify und PushPress. Wenige Sekunden später könnte Mindbody ganz oben stehen. Noch mal fragen, andere Antwort.

Diese „Positions"-Volatilität habe ich in einem kostenlosen Tool auf Detailed.com sichtbar gemacht, inspiriert von einem Bericht des Sparktoro-Gründers Rand Fishkin, der zeigt, wie inkonsistent KI-Systeme Marken empfehlen.

Deshalb empfehlen wir: Fasse verwandte Prompts in Gruppen zusammen und werte die Ergebnisse aggregiert aus. Nicht der Einzelwert zählt, sondern das Muster über eine ganze Prompt-Gruppe hinweg.

Solche Prompt-Cluster lassen sich nach Thema, Funnel-Phase, Produktbereich oder anderen Kriterien bilden, die für dein Geschäft sinnvoll sind.

Die folgenden Beispiele basieren primär auf Fragen aus Googles „People Also Ask"-Feature und wurden mit weiteren Datenquellen ergänzt:

Einzelne Themen lassen sich dabei deutlich granularer aufschlüsseln. Und wenn du allgemeine Markenerwähnungen tracken willst, empfehle ich, Branded und Non-Branded Queries in separate Cluster zu trennen.

Wie du zu diesen Prompts kommst, zeigen die folgenden elf Quellen.

Öffne die Google Search Console direkt oder über Ahrefs Free und such gezielt nach Fragen, für die deine Website bereits in der Google Suche rankt.

Der einfachste Weg: eine Regex-Expression. Trag diesen Ausdruck in die Suchleiste der GSC ein:

`` \b(warum|was|wann|wie|wo|wer|welche|welcher|welches|kann|soll|sollte|ist|sind|hat|gibt)\b ``

Der Filter zeigt dir alle Queries, die mindestens eines dieser Fragewörter enthalten.

Ergänzung für deutschsprachige Websites: Viele DACH-Sites ziehen gemischte Queries auf Deutsch und Englisch. Ergänze deshalb einen zweiten Regex für englischsprachigen Fragen:

`` \b(why|what|when|are|will|does|should|where|who|how|can|do|is)\b ``

Das ist kein Ersatz für die deutsche Variante, sondern eine Ergänzung. Beide Filter lohnen sich, besonders wenn du auch internationalen Traffic hast.

Willst du längere, konversationelle Queries herausfiltern, nimm diesen Regex:

`` ^(\S+\s+){5}\S+ ``

Er zeigt nur Suchanfragen mit mindestens sechs Wörtern. Die Zahl „5" lässt sich nach oben anpassen, wenn du noch längere Anfragen suchst.

Warum lohnt sich das für das KI-Tracking? Lange, fragenbasierte Queries ähneln dem, was Nutzer in ChatGPT, Perplexity oder Google AI Mode eingeben. Du nutzt also Daten, die du bereits hast, um Prompts zu bauen, die echtes Suchinteresse widerspiegeln.

Kein Traffic bisher? Kein Problem. Wenn deine Website noch neu ist oder kaum Suchanfragen anzieht, kannst du dieselben Fragewörter als Filter im Ahrefs Keywords Explorer verwenden.

Die geschätzten Suchvolumen aus der klassischen Suche lassen sich nicht eins zu eins auf KI-Anfragen übertragen. Sie geben aber einen guten Anhaltspunkt dafür, welche Themen grundsätzlich gefragt sind. Das ist derzeit die zuverlässigste öffentlich zugängliche Näherung, die wir haben.

Google hat 2022 das SERP-Feature „Diskussionen und Foren" eingeführt. Es hebt Beiträge aus Online-Communities hervor — laut Google mit dem Ziel, ersthand-erfahrungsbasierte Ratschläge sichtbarer zu machen.

Was das mit Prompt-Tracking zu tun hat? Eine Menge.

Normale Webseiten sind für Keywords optimiert. Forum-Posts nicht. Dort schreiben echte Menschen so, wie sie tatsächlich fragen — ohne Rücksicht darauf, ob der Satz rankt. Genau dieser natürliche Sprachstil ist es, den Menschen auch in KI-Assistenten verwenden.

Reddit ist die dominante Domain in diesem Filter. Aber du wirst auch Facebook-Gruppen, Quora, die Steam Community und Tausende weitere Foren-Seiten finden.

Der entscheidende Trick: Du musst nicht darauf hoffen, dass dieses SERP-Feature zufällig auftaucht. Du kannst es direkt erzwingen, indem du &udm=18 an die URL deiner Google-Suche anhängst. Das filtert die Ergebnisse direkt auf Diskussionen — egal zu welchem Thema.

So funktioniert das konkret:

Ich schaue dabei weniger auf einzelne Posts mit vielen Kommentaren als auf die Winkel und Formulierungen, die immer wieder auftauchen. Ein Thema, das in mehreren Threads auf ähnliche Weise angesprochen wird, ist ein starker Hinweis darauf, dass Menschen genau das auch in ChatGPT, Perplexity oder Google AI Mode fragen.

Die so gefundenen Fragen eignen sich direkt als Ausgangsmaterial für Prompt-Cluster — oder zumindest als Inspiration, um bestehende Cluster sprachlich näher an echten Nutzeranfragen auszurichten.

Idealerweise weißt du bereits, welche deiner Seiten die meisten Conversions erzeugen, wie zum Beispiel Newsletter-Anmeldungen, Demo-Anfragen oder Käufe.

Nehmen wir ein konkretes Beispiel: Angenommen, unser kostenloses Keyword-Generator-Tool bringt mehr Neuregistrierungen als jede andere Seite, weil es bei populären Keywords gut in Google zitiert wird. Um jetzt zu verstehen, wie dieses Tool in KI-Antworten sichtbar ist, kannst du traditionelle Suchanfragen in konversationelle Prompts umwandeln.

Das geht am einfachsten über einen LLM deiner Wahl. Ein Prompt, der gut funktioniert, sieht ungefähr so aus:

Falls deine Seite noch keinen nennenswerten Traffic hat, kannst du statt GSC-Daten einfach Keywords aus dem Ahrefs Keywords Explorer nehmen – mit bekanntem Suchvolumen als Orientierung.

Wer tiefer einsteigen will: Metehan Yesilyurt hat einen deutlich ausführlicheren Ansatz entwickelt und sogar ein eigenes Tool gebaut, das reguläre Suchanfragen automatisch in LLM-Prompts überführt. Ich teile hier nur einen Ausschnitt, um seine Arbeit nicht einfach zu kopieren – aber das Prinzip gilt: Je spezifischer deine Vorher-Nachher-Beispiele sind, desto besser werden die Ergebnisse.

Mich fasziniert, wie Perplexity gerade einen eigenen Web-Index aufbaut — offenbar, um die Abhängigkeit von klassischen Suchmaschinen zu verringern.

Bei eigenen Recherchen ist mir aufgefallen, dass Perplexity hochwertige Quellen deutlich häufiger empfiehlt als ChatGPT oder Microsoft Copilot. Interessant dabei: Perplexity und Microsoft teilen mehr gemeinsame Top-Domains, als Microsoft und ChatGPT es tun — obwohl Microsoft und OpenAI eine langjährige Partnerschaft verbindet.

Ein praktisches Feature: Perplexity zeigt am Ende jedes Gesprächs verwandte Folgefragen an.

Ich habe bei Perplexity direkt nachgefragt, ob diese Vorschläge auf echten historischen Suchanfragen basieren. Die Antwort: Nein. Sie werden von dem KI-Modell selbst generiert, das die ursprüngliche Anfrage zusammen mit den Antwort-Ergebnissen auswertet. Es handelt sich also um Fragen, die dieses Modell als naheliegende Fortsetzung des Gesprächs einschätzt.

Für unsere Zwecke ist das nicht ideal, weil kein direkter Bezug zu echten Nutzeranfragen besteht. Trotzdem halte ich diese Vorschläge für nützlich: Perplexity hat ein starkes Eigeninteresse daran, dass die Folgefragen so relevant wie möglich sind. Das schlägt sich in der Qualität der Vorschläge nieder.

Für manche Nischen starte ich meine Recherche direkt mit den Fragen aus Googles „People Also Ask"-Feature — auf Deutsch: „Ähnliche Fragen".

Ein einfaches Beispiel: Suchst du nach „bestes Futter für Welpen", liefert Google sofort verwandte Folgefragen.

Klickst du auf eine dieser Fragen, um sie aufzuklappen, schlägt Google direkt weitere Fragen vor. So kannst du schnell in die Tiefe gehen.

Für Nischen, die ich weniger gut kenne, übernehme ich diese Fragen oft direkt. Ich schaue dann, welche Marken, Domains und Antworttypen in KI-Systemen am häufigsten auftauchen. Für Themen, bei denen ich mehr eigenes Wissen einbringe, nutze ich die Fragen als Ausgangspunkt und baue darauf auf. Wie das konkret geht, zeige ich in Quelle 9.

Willst du die Analyse skalieren: Sowohl die Ahrefs Toolbar als auch die Detailed SEO Extension können mehrere Ebenen der „Ähnliche Fragen"-Ergebnisse automatisch extrahieren. Das spart erheblich Zeit, wenn du viele Fragen auf einmal sammeln möchtest.

Warum das für die KI-Sichtbarkeit funktioniert: People Also Ask spiegelt wider, wie Menschen tatsächlich weiterdenken, nachdem sie eine erste Frage gestellt haben. Genau diese Fragemuster tauchen auch in KI-Assistenten auf. Wer hier systematisch recherchiert, bekommt Prompt-Ideen, die echtem Nutzerverhalten nahekommen — ohne auf Plattformdaten angewiesen zu sein, die ohnehin niemand teilt.

Manchmal musst du das Rad nicht neu erfinden. Wenn du bereits weißt, bei welchen Themen KI-Systeme deine Marke erwähnen, hast du einen fertigen Ausgangspunkt für dein Prompt-Tracking.

Ahrefs Brand Radar gibt dir Einblicke in über 240 Millionen Prompts auf den gängigen KI-Plattformen — darunter Google AI Mode, ChatGPT und Perplexity.

Am Beispiel der Supermarktkette Rewe siehst du, mit welchen Themen sie in KI-Antworten bereits assoziiert wird — etwa „prospekt" oder „lieferservice":

Von dort kannst du in einzelne Themen hineinklicken und dir die konkreten Prompts anschauen, auf die das Tool gestoßen ist. Diese lassen sich direkt übernehmen, anpassen und als eigene Tracking-Cluster weiternutzen.

Du kannst außerdem selbst festlegen, wie häufig Brand Radar diese Prompts aktualisiert — täglich, wöchentlich oder monatlich, je nachdem wie dynamisch das Thema ist.

Der Vorteil dieser Quelle: Du startest nicht bei null. Statt zu raten, welche Themen für dich in KI-Antworten relevant sein könnten, siehst du direkt, wo du bereits Sichtbarkeit hast. Das ist ein solider Ankerpunkt — sowohl um bestehende Erwähnungen zu festigen als auch um Lücken zu erkennen, auf die du dann mit Quelle 8 genauer eingehen kannst.

Die konkrete Umsetzung hängt von deiner Analytics-Lösung ab, aber das Prinzip ist immer dasselbe: Finde die Seiten, die bereits AI-Traffic zeigen, und entwickle Prompts aus ihnen.

Für eine der Websites, die ich mit Ahrefs Web Analytics tracke, zeigt sich zum Beispiel, dass so gut wie der gesamte AI-Traffic aus ChatGPT kommt:

Neben klassischen Web-Analytics-Tools lohnt sich auch ein Blick in deine Server-Logs. Dort siehst du genau, welche Seiten KI-Crawler aufgerufen haben — und wann.

Das folgende Beispiel zeigt, wann ChatGPT-User Seiten von Detailed.com über einen Zeitraum von sieben Tagen abgerufen hat:

Wichtig: Das ist kein regulärer Crawler, der das Web systematisch indexiert. Dieser Bot wird nur dann aktiv, wenn ein Nutzer ChatGPT oder einem Custom GPT eine Frage stellt und die jeweilige Seite dabei als Quelle hilfreich sein könnte.

Neben ChatGPT-User kannst du in deinen Logs auch nach diesen Bots suchen:

Sobald du weißt, welche Seiten AI-Traffic erhalten, kannst du auf mehreren Wegen passende Prompts entwickeln:

Jede dieser Quellen funktioniert auch alleine. Aber kombiniert liefern sie ein deutlich vollständigeres Bild der Themen, für die deine Seite bereits als relevant gilt — und für die es sich lohnt, die eigene KI-Sichtbarkeit gezielt zu messen.

Du musst nicht bei null anfangen, wenn du herausfinden willst, bei welchen Prompts du in KI-Antworten fehlt — aber die Konkurrenz auftaucht.

Du kannst in Ahrefs Brand Radar gezielt nach Anfragen suchen, bei denen Wettbewerber zitiert werden und deine Marke nicht erscheint. Das gibt dir zwei Dinge auf einmal: konkrete Prompt-Ideen und ein klares Bild deiner Sichtbarkeitslücken.

Die Ergebnisse aus diesem Schritt fließen direkt in dein Prompt-Framework aus Abschnitt drei: Du nimmst die Lücken-Prompts, ordnest sie dem passenden Cluster zu und trackst sie ab sofort systematisch — statt sie einmalig zu prüfen und dann zu vergessen.

Der Keywords Explorer von Ahrefs enthält über 28,7 Milliarden Begriffe. Das Questions-Feature darin ist eine der schnellsten Wege, relevante Fragen für dein Tracking zu finden.

So gehst du vor: Gib einen Seed-Begriff ein, zum Beispiel „hotels in hamburg", klick auf „Begriffe stimmen überein" und dann auf „Fragen". Du siehst sofort passende Fragen mit Suchvolumen.

Je breiter dein Einstiegsbegriff, desto mehr Vorschläge bekommst du. Ich habe zum Beispiel das breite Thema „Zahnarzt" eingegeben und über 3000 Fragen zurückbekommen.

Nicht jede Frage ist für dein Tracking relevant. „Was macht ein Zahnarzt?" wird manches KI-System aus dem Trainingsdatensatz beantworten, ohne eine externe Quelle zu zitieren. Diese Fragen kannst du erst einmal überspringen.

Interessanter sind Fragen mit klarem Informationsbedarf und nachgewiesenem Suchvolumen. Wenn du beispielsweise eine Zahnarztpraxis betreibst und Patienten gewinnen willst, ist „Welche Zahnärzte gibt es in [dein Ort]?" ein guter Ausgangspunkt. Aus dieser einen Frage kannst du mehrere Varianten ableiten und als Cluster tracken.

Der Questions-Tab ist auch praktisch, wenn du gerade erst anfängst und noch keine eigenen GSC-Daten hast, oder wenn du eine Branche analysierst, mit der du wenig vertraut bist. Er gibt dir schnell ein Gefühl dafür, welche Fragen in einem Themenfeld tatsächlich gestellt werden, bevor du anfängst, Prompts zu formulieren.

Bei der klassischen Suche drehte sich fast alles um Google. KI-Antworten speisen sich dagegen aus deutlich mehr Quellen: Bing, Brave Search, eigene Web-Indizes der jeweiligen Plattform und die ursprünglichen Trainingsdaten.

Das bedeutet: Es kann negative oder falsche Informationen über deine Marke geben, die in Google nie aufgetaucht sind, in KI-Antworten aber regelmäßig auftauchen.

Als ich diesen Artikel schrieb, bestätigten die Antworten in ChatGPT auf passende Anfragen noch nicht, dass Ahrefs Custom Prompt Tracking anbietet. Die KI zog stattdessen ältere Quellen heran, in denen genau diese Funktion als fehlend beschrieben wurde. Wir hatten also Arbeit vor uns: die Botschaft auf unserer eigenen Website, in Social Media und in den Artikeln anderer verankern, die ihre alten Aussagen womöglich nie aktualisiert hatten.

Inzwischen sind die Antworten konsistent korrekt:

Für deine eigene Marke kannst du gezielt Prompts rund um diese Themen tracken:

Steve Toth, Gründer von Notebook Agency, setzt genau hier an. Er nutzt Hilfedokumentation, Transkripte von Verkaufsgesprächen und interne Ressourcen wie Sales-Battlecards, um zu verstehen, wie ein Unternehmen in KI-Systemen repräsentiert sein sollte. Sein Team erstellt dann sogenannte Deal-Breaker-Prompts und misst, wie genau die Antworten mit der Realität übereinstimmen. Wo Abweichungen auftauchen, wird mit gezieltem Content auf der eigenen Website und auf externen Seiten gegengesteuert.

Das ist einer der praktischsten Gründe, überhaupt mit Prompt-Tracking anzufangen. Nicht um eine „Position" zu verfolgen, sondern um herauszufinden, ob das, was KI-Systeme über dich sagen, stimmt.

Personalisierung macht Prompt-Tracking kompliziert. Ein KI-Assistent weiß unter Umständen, wo sich sein Nutzer befindet, was er in früheren Gesprächen geteilt hat und welcher Kontext im aktuellen Chat steckt. Das verändert die Antwort.

Du kannst versuchen, das zu simulieren, indem du Prompts mit zusätzlichem Kontext anreicherst. Aber das ist kein perfekter Ersatz. Ich erwähne das lieber im Vorfeld, damit deine Erwartungshaltung stimmt.

Viele in der Branche schwören auf Persona-Tracking als Schutz gegen personalisierte Antworten. Andere sind skeptisch. Wir tracken zwar Personas, aber sie stehen nicht ganz oben auf unserer Prioritätenliste.

Ein Format, das ich seit einiger Zeit beobachte, folgt einer einfachen Struktur: [Situation] [Einschränkungen] [Prioritäten] [Schmerzpunkte] [Frage].

Konkret könnte das so aussehen:

ES s hilft die Personal mit eigenen internen Daten anzureichern: Kundensupport-Chats, Anzeigendaten, interne Suchanfragen auf dem Blog oder in der Hilfedokumentation. Je spezifischer die Quellen, desto näher kommt die Persona an echte Nutzer heran.

Wer diesen Aufwand scheut, dem hat Mark Williams-Cook eine schlankere Alternative vorgeschlagen: Er fragt KI-Systeme einfach: „Wenn ich [Persona] wäre und nach [Keyword] suchen würde, was würde ich eingeben?" Das ist kein vollständiges Persona-Tracking, macht aber schnell sichtbar, welche Formulierungen bestimmte Zielgruppen verwenden.

Ein neu eingeführtes Brand-Radar-Feature

Während ich an diesem Artikel gearbeitet habe, hat Ahrefs ein neues Feature in Brand Radar eingeführt. Es analysiert dein Projekt und bereits eingegebene Prompts, um weitere Themenbereiche vorzuschlagen, die du überwachen solltest.

Elf Quellen, ein Framework, unzählige mögliche Prompt-Cluster. Das klingt erst einmal nach viel Arbeit.

Mein ehrlicher Rat: Fang klein an.

Wähle zwei oder drei Cluster rund um deine wichtigsten Themen. Tracke sie regelmäßig. Schau, was die KI-Systeme über dich sagen — und ob das stimmt. Dann bau von dort aus weiter.

Das Ziel ist kein perfektes Tracking-Setup. Das Ziel ist ein Setup, das du tatsächlich nutzt und aus dem du Schlüsse ziehen kannst, die du in Maßnahmen übersetzen kannst. Sei es:

Das ist der Unterschied zu klassischem Rank-Tracking. Dort genügt es manchmal, eine Zahl zu beobachten. Beim Prompt-Tracking brauchst du einen konkreten nächsten Schritt — sonst ist es nur Beobachten um des Beobachtens willen.

Wenn du schon weißt, welche Prompts du tracken möchtest, kannst du mit den Custom Prompts in Brand Radar direkt loslegen. Du wählst Plattformen, Standorte und Update-Frequenz selbst. Die Ergebnisse lassen sich als Cluster zusammenführen, sodass du nicht einzelne Antworten bewertest, sondern Muster über viele Prompts hinweg erkennst.

KI-Sichtbarkeit ist kein statischer Wert. KI-Systeme ändern, wen sie zitieren — teils von Minute zu Minute. Was du heute beobachtest, ist eine Momentaufnahme. Wie die klassische Suche sich durch Core Updates verändert, werden sich auch die Zitationsmuster in KI-Antworten weiterentwickeln. Wer jetzt anfängt, versteht früher, wie das Feld funktioniert — und ist besser aufgestellt, wenn es reift.

Also: Such dir einen Cluster aus. Fang an. Und hab einen Plan, was du mit den Ergebnissen machst.