AEO-Wirkung messen: Von KI-Sichtbarkeit bis Kauf oder Termin

Kurzurteil: Die Wirkung von Answer Engine Optimization lässt sich nicht mit einem einzigen „AEO-Score“ belegen. Ein belastbarer Nachweis verbindet eine dokumentierte KI-Antwort mit sichtbarer Quelle, Websitebesuch, kaufnaher Aktion und bestätigtem Geschäftsergebnis. Fehlt ein Glied, bleibt die Aussage schwächer. Eine Erwähnung ist kein Klick, ein Klick keine Buchung und eine Buchung noch kein qualifizierter Auftrag.

„Kaufbereit“ ist keine Eigenschaft eines Keywords. Es ist ein beobachtbarer Entscheidungszustand: Eine Person prüft Preis, Leistungsumfang, Kompatibilität, Risiko, Verfügbarkeit, Vertrag, Anbieter oder nächsten Termin. Je nach Geschäftsmodell endet dieser Weg in einem Kauf, einer bestätigten Beratung, einer Bewerbung oder einer qualifizierten Anfrage.

Answer Engine Optimization – kurz AEO – verwenden wir hier als Arbeitsbegriff für Inhalte und Daten, die in direkten Antwort- und Suchoberflächen verständlich sind und nach einem Quellenklick eine echte Entscheidung ermöglichen. Der Begriff bezeichnet keinen garantierten Platz in einer KI-Antwort und kein besonderes Google-Markup.

Die Evidenzleiter: Sechs Stufen statt eines Erfolgs-Scores

Diese Leiter ist absichtlich streng. Wer nur die erste Stufe messen kann, berichtet Sichtbarkeit. Wer Besuch und Aktion verbinden kann, berichtet kaufnahe Nutzung. Erst wenn Bestätigung und Geschäftssystem zusammengeführt sind, darf von einem zurechenbaren Geschäftsergebnis gesprochen werden.

Die Vorlage für AEO-Attribution und Kaufintention definiert Ereignis, Nenner, Datenquelle, Join-Schlüssel, Evidenzklasse und Verantwortliche pro Stufe. Sie enthält keine erfundenen Zielwerte.

Kaufintention pro Geschäftsmodell definieren

Allgemeine Listen mit Wörtern wie „kaufen“, „beste“ oder „Preis“ greifen zu kurz. Eine fachliche B2B-Anfrage kann kaufnah sein, ohne eines dieser Wörter zu enthalten. Umgekehrt kann „beste Software“ reine Recherche sein.

Vor dem Tracking wird deshalb pro Angebot eine Intent-to-Action-Map abgenommen.

Für jede Zeile wird festgelegt, welches Ereignis eine echte Zustandsänderung zeigt. Eine Kalenderansicht ist noch keine Terminbuchung. Ein Warenkorb ist noch kein Kauf. Ein Download ist nur dann kaufnah, wenn er im konkreten Entscheidungsweg diese Funktion hat.

Was sich direkt, unterstützt oder nur parallel beobachten lässt

Attribution ist keine Alles-oder-nichts-Frage. Ein gutes Dashboard kennzeichnet die Stärke des Nachweises.

Direkte Evidenz

Eine Sitzung enthält einen erkennbaren Referrer oder zulässigen Kampagnenparameter, läuft durch definierte Ereignisse und wird über einen pseudonymen Schlüssel mit der Bestätigung verbunden. Auch dann ist „direkt“ eine technische Zuordnung des Pfads, keine Garantie alleiniger Kausalität.

Unterstützte Evidenz

Der ursprüngliche Kontakt ist nicht vollständig technisch verknüpft, aber mehrere Signale passen zusammen: eine Selbstangabe im Formular, die besuchte Landingpage, gespeicherte Quelle und ein enger zeitlicher Zusammenhang. Diese Fälle werden separat ausgewiesen und nicht mit direkt zugeordneten Conversions vermischt.

Parallele Beobachtung

Prompt-Sichtbarkeit, Referral-Besuche und Buchungen entwickeln sich im selben Zeitraum, lassen sich aber nicht auf Sitzungsebene verbinden. Das kann eine Hypothese stützen, ist jedoch kein zurechenbarer Abschluss.

„Unbekannt“ ist kein Fehlerwert, der heimlich auf Direct Traffic verteilt wird. Er bleibt sichtbar. Ein fehlender Referrer kann durch Browser, App, Datenschutzmechanismus, Weiterleitung oder manuelle Navigation entstehen.

Google AI Overviews und AI Mode: Messgrenze verstehen

Google erklärt in AI Features and Your Website, dass Auftritte in AI Overviews und AI Mode im allgemeinen Search-Console-Leistungsbericht unter dem Suchtyp Web enthalten sind. Es gibt in Search Console damit keinen vollständigen separaten Kanalbericht für diese beiden Flächen.

Die Konsequenz für AEO-Reporting:

• Search Console liefert Suchanfragen, Seiten, Klicks und Impressionen im aggregierten Web-Kontext.
• Beobachtete AI Overviews oder AI-Mode-Antworten werden in einer getrennten Stichprobe dokumentiert.
• Webanalyse misst Sitzungen und Onsite-Ereignisse.
• CRM, Shop oder Buchungssystem bestätigen das Geschäftsergebnis.
• Diese Datensätze dürfen verbunden werden, sind aber nicht identisch.

Google sagt außerdem, dass für diese AI Features keine speziellen zusätzlichen technischen Anforderungen und kein besonderes Schema.org-Markup erforderlich sind. Grundlegende SEO-Anforderungen, crawlbare und indexierbare Seiten, interne Links, Textzugänglichkeit, Seitenerlebnis und korrektes sichtbares Markup bleiben maßgeblich. Ein neues „AEO-Schema“ wäre deshalb kein Messnachweis.

Referral- und Kampagnendaten korrekt behandeln

Wenn ein externes System einen Referrer übermittelt, kann eine Webanalyse ihn als Quelle erkennen. Wenn ein Link Kampagnenparameter trägt, können diese Werte ebenfalls ausgewertet werden. Die offizielle Google-Analytics-Dokumentation zu Kampagnen-URLs beschreibt dafür unter anderem utm_source, utm_medium und utm_campaign.

Wichtig ist die Grenze: Eigene Kampagnenlinks können Sie konsistent taggen. Welche Parameter oder Referrer ein fremdes KI-System übermittelt, kontrollieren Sie nicht. Deshalb gilt:

1. Roh-Referrer und Ziel-URL vor der Kanalzuordnung bewahren.
2. Schreibweisen wie chatgpt.com, perplexity.ai oder andere Quellen über eine versionierte Regel normalisieren.
3. Direct beziehungsweise unbekannt nicht nachträglich als KI-Traffic umetikettieren.
4. Landingpage, Zeit, Gerätetyp und nachfolgende Ereignisse nur im erlaubten Analyseumfang verbinden.
5. Selbstangaben wie „über ChatGPT gefunden“ als eigene Evidenzklasse speichern.

UTM-Parameter beweisen nur das, was ihre tatsächliche Herkunft trägt. Ein manuell an einen internen Link gesetztes utm_source=chatgpt würde die Quelle nicht wahrer machen.

Das Onsite-Eventmodell für echte Kaufnähe

Auf der Website werden Seitenaufruf, Informationsprüfung, CTA und Bestätigung getrennt. Für die aktuelle Terminbuchung kann die Ereigniskette so aussehen:

Google empfiehlt für Lead-Generierung unter anderem die Ereignisse generate_lead, qualify_lead, disqualify_lead und close_convert_lead. Das steht in der offiziellen Übersicht der empfohlenen GA4-Ereignisse. Eigene operative Ereignisse wie appointment_booked können zusätzlich sinnvoll sein, solange Definition und Parameter stabil dokumentiert werden.

Ein Event darf nur ausgelöst werden, wenn sein Zustand wirklich eingetreten ist. Der Klick auf „Termin buchen“ ist nicht appointment_booked. Der Kalender muss die Bestätigung zurückmelden oder eine Danke-Seite muss einen serverseitig geprüften Buchungsstatus erhalten.

Kennzahlen mit sichtbaren Formeln und Nennern

Kennzahlen werden pro Intent-Gruppe, Zielseite, Quelle und Zeitraum berechnet. Ein globaler Durchschnitt kann sonst kaufnahe und rein informative Besuche vermischen.

Jede Kachel zeigt neben der Rate auch Zähler, Nenner, Ausschlüsse und fehlende Werte. Wenn die Stichprobe klein ist, wird keine scheinbar stabile Trendlinie erzeugt. Der Leitfaden für Prompt-Tests und Dashboards beschreibt Wiederholungen, Laufmetadaten und Unsicherheit im Detail.

AEO-Seiten nach Entscheidung statt nach Schlagwort bauen

Messung allein verbessert keine Conversion. Die Zielseite muss die Frage nach dem Klick ohne erneute Suche beantworten.

Für Vergleichsintention

• Vergleichskriterien und Methode offenlegen,
• eigene Beteiligung transparent nennen,
• Unterschiede, Grenzen und ungeeignete Fälle zeigen,
• Preis- oder Angebotslogik erklären,
• passenden nächsten Schritt anbieten.

Für Leistungsintention

• Ergebnis und Lieferobjekte konkret benennen,
• Scope und Nicht-Scope trennen,
• Prozess und Verantwortlichkeiten zeigen,
• Beweise statt anonyme Erfolgssätze verwenden,
• Termin erst nach ausreichender Einordnung anbieten.

Für lokale Intention

• reale Leistungsregion und Erreichbarkeit nennen,
• lokale Besonderheiten fachlich einordnen,
• keine Scheinbüros oder ausgetauschten Stadtnamen verwenden,
• Terminart und tatsächliche Verfügbarkeit zeigen.

Eine gute AEO-Seite kann im ersten Absatz direkt antworten und trotzdem tief genug für eine Kaufentscheidung sein. Die Content-Optimierung verbindet dafür Suchintention, Belege, interne Verlinkung und CTA. Die lokale Berlin-Seite zeigt den regionalen Pfad.

Vorher-Nachher-Messung ohne Scheinkausalität

Ein einzelner Anstieg nach einem Release beweist nicht dessen Ursache. Parallel können Modellupdates, Saisonalität, Werbung, Presse, Preisänderungen oder technische Korrekturen wirken.

Ein belastbares Design nutzt:

1. Deployment-Marker: Zeitpunkt, URLs und Änderungen dokumentieren.
2. stabile Intent-Gruppen: dieselben kaufnahen Fragen vor und nach dem Release prüfen.
3. Vergleichsseiten: ähnliche, zunächst unveränderte Seiten beobachten.
4. gestaffelten Rollout: Änderungen nicht überall gleichzeitig veröffentlichen.
5. vollständige Ereigniskette: keine neue CTA-Version ohne konsistente Bestätigung messen.
6. Störfaktoren-Log: Kampagnen, Preise, Verfügbarkeit, Tracking- und Modelländerungen festhalten.
7. vorab definierte Entscheidung: festlegen, welches Ergebnis zu Scale, Anpassung oder Stop führt.

Das NIST AI Risk Management Framework empfiehlt für Messprozesse qualitative, quantitative oder gemischte Methoden, dokumentierte Testsets und Metriken, Unsicherheitsangaben sowie laufende Überwachung. Auch wenn AEO-Messung kein vollständiges AI-Risk-Audit ist, ist diese Disziplin für externe, variable Antwortsysteme sinnvoll.

Datenschutz und Datenqualität gemeinsam planen

Der Messplan braucht nicht mehr personenbezogene Daten, sondern bessere Zustandsdaten. Analytics-Systeme erhalten keine Namen, E-Mail-Adressen, Freitextantworten oder Gesundheits- und Vertragsdaten. Der Join zwischen Webanalyse, Buchung und CRM erfolgt über pseudonyme, begrenzt gültige Kennungen und nur im zulässigen Zweck.

Praktisch heißt das:

• Datenerhebung und Einwilligungsbedarf für den konkreten Stack prüfen,
• Datenminimierung und Aufbewahrungsfristen definieren,
• Rollen und Zugriffe begrenzen,
• Test-, Mitarbeiter- und Spam-Traffic markieren,
• Buchungsabbrüche und technische Fehler separat erfassen,
• Ereignisdefinitionen versionieren,
• Löschung und Korrektur über die beteiligten Systeme beherrschbar machen.

Ein Lead-Qualitätsfeld gehört ins CRM, nicht als lesbarer URL-Parameter in die Webanalyse. Rechtliche Anforderungen müssen für Organisation, Tools und Verarbeitungszweck individuell geprüft werden.

Ein prüfbarer 30-Tage-Pilot

Woche 1: Angebot und Evidenz definieren

• ein priorisiertes Angebot und eine bestätigte Conversion auswählen,
• kaufnahe Intent-Gruppen und Zielseiten festlegen,
• Evidenzleiter und zulässige Join-Schlüssel abnehmen,
• Baseline sowie unbekannte Quellen dokumentieren.

Woche 2: Ereignisse und Bestätigung testen

• Events im Browser und in der Webanalyse prüfen,
• Kalender- oder Kaufbestätigung technisch verifizieren,
• CRM-Status und Verantwortliche definieren,
• Test- und Spam-Ereignisse ausschließen.

Woche 3: AEO-Seite veröffentlichen

• Antwort, Vergleich, Belege und CTA nach Intent überarbeiten,
• interne Links und strukturierte sichtbare Angaben prüfen,
• Deployment-Marker setzen,
• Prompt- und Quellenstichprobe ausführen.

Woche 4: Wirkung und Grenzen auswerten

• direkte, unterstützte und parallele Evidenz trennen,
• Funnelverluste mit Zähler und Nenner prüfen,
• qualifizierte Ergebnisse aus dem führenden System abgleichen,
• Scale, Anpassung oder Stop dokumentiert entscheiden.

Der Pilot liefert keine garantierte Umsatzsteigerung. Er beantwortet eine wertvollere Frage: Welche Teile des Pfads können wir tatsächlich beobachten, wo verlieren wir kaufnahe Nutzer und welche Wirkung bleibt unbewiesen?

Häufige Fehlinterpretationen

„Mehr Erwähnungen bedeuten mehr kaufbereite Nachfrage“

Nicht zwingend. Erwähnungen können informativ, irrelevant, falsch oder negativ sein. Rolle, Quelle, Landingpage und Folgeaktion müssen geprüft werden.

„Search Console zeigt unseren Google-AI-Traffic separat“

Google fasst AI Overviews und AI Mode im Web-Suchtyp zusammen. Ein eigenes AI-Segment lässt sich daraus nicht vollständig rekonstruieren.

„Schema.org macht Inhalte zur bevorzugten KI-Antwort“

Strukturierte Daten sollen sichtbare Inhalte korrekt beschreiben. Google nennt kein spezielles AI-Schema und garantiert keine Auswahl. Markup ist Datenhygiene, kein Attributionstool.

„Eine kürzere Entscheidungszeit beweist AEO-Wirkung“

Nur mit stabiler Definition, verbundenen Zeitpunkten und Kontrolle anderer Änderungen wäre das ein belastbares Signal. Ein Durchschnitt über unterschiedliche Produkte und Intent-Gruppen kann täuschen.

„Eine Formularübermittlung ist Umsatz“

Sie ist ein Lead-Ereignis. Erst Bestätigung, Qualifizierung, Auftrag und gegebenenfalls Zahlung zeigen die nachfolgenden Geschäftsstufen.

Fazit: Belegen statt zuschreiben

AEO-Wirkung entsteht nicht im Dashboard, sondern in einer prüfbaren Kette:

1. reale kaufnahe Fragen als Testinventar,
2. dokumentierte Antworten und sichtbare Quellen,
3. sauber klassifizierte Referrals und unbekannte Herkunft,
4. Entscheidungsseiten mit passendem CTA,
5. technisch bestätigte Buchung oder Kauf,
6. qualifiziertes Ergebnis im führenden System,
7. transparente Evidenzklasse und Unsicherheit.

Diese Methodik verhindert, dass Sichtbarkeit als Umsatz verkauft wird. Gleichzeitig zeigt sie, wo Content, technische Attribution oder die Buchungsstrecke tatsächlich verbessert werden müssen. Die LLMO-KPI-Scorecard kann die Kanalmetriken ergänzen; der neue AEO-Plan bildet den kaufnahen Nachweispfad ab.

Wenn Sie diesen Pfad für eine priorisierte Leistungs- oder Vergleichsseite aufsetzen möchten, können Sie einen AEO-Attributions-Pilot mit echter Terminbuchung starten.

Methodischer Hinweis: Externe Antwortsysteme, Referrer und Suchoberflächen können sich ändern. Der Leitfaden beschreibt Mess- und Entscheidungsprozesse, keine Garantie für Erwähnungen, Klicks, Buchungen oder Umsatz.