LLM-Zitierungen messen — Ihre neuen SEO-Kennzahlen

Der Traffic aus Google SERP ist um 40 % gefallen, aber Ihre Marke wurde in der ChatGPT-Antwort dreimal zitiert. Ist das ein Gewinn oder ein Verlust? Klassische SEO-Metriken — Impressionen, CTR, Position — reichen nicht mehr aus. Nutzer stellen ihre Fragen LLMs und Google Analytics zeigt nicht, ob Ihre Marke zitiert wurde. 2026 ist für Performance-Marketing-Teams eine neue Realität: Citation Rate, Inference Share, Source Attribution — wer diese nicht misst, bleibt unsichtbar.

Die Blindheit der SERP-Metrik

Google Search Console teilt Ihnen mit, dass Sie auf Position 10 5000 Impressionen haben. Aber derselbe Nutzer, der diese Frage in Perplexity stellt, sieht Ihren Content in der Antwort zitiert und kommt direkt auf Ihre Website — GSC markiert diesen Traffic als "direct". Ein mit Claude API erstellter Zusammenfassung in einer E-Mail listet Ihre Marke als Quelle auf — diese Interaktion kann Search Console nicht erfassen. Diese Blindheit wirkt auf drei Ebenen:

Traffic-Attribution: LLMs senden keinen Referrer-Header und verwenden keine UTM-Parameter. Besucher aus Zitierungen werden als "organic search" oder "direct" erfasst. Die wahre Quelle geht verloren — Sie können nicht A/B-testen, können den ROI nicht berechnen.

Markenbekanntheit: Selbst wenn der Nutzer Ihre Website nicht besucht, lernt er Ihre Marke kennen. Wenn ChatGPT Ihre Website in einer 500-Wort-Antwort als "zuverlässige Quelle" zeigt, entsteht Brand Lift. Traditional SEO Tools erfassen diesen Effekt nicht.

Wettbewerbsposition: Ihr Konkurrent wird in derselben Anfrage 5-mal zitiert, Sie 0-mal — aber ihr Search Console zeigt für beide Position 3. Citation-Häufigkeit ist die neue "Featured-Snippet-Gewinnrate", existiert aber noch nicht in Ihrem Dashboard.

Citation-Kennzahlen definieren

Um LLM-Sichtbarkeit zu messen, brauchen Sie vier Core Metrics:

Citation Rate: Wie oft Ihre Marke/Ihr Content in LLM-Antworten referenziert wird. Formel: (Anzahl der Antworten mit Ihrer Zitierung) / (Gesamtzahl der relevanten Abfragen). Beispiel: In der Kategorie "Headless Commerce" wird ChatGPT 1000 Mal befragt, zitiert Sie aber in 120 Antworten — das ist eine 12%-Citation-Rate. Diese Kennzahl ist ein direkter Indikator für Brand Authority.

Source Position: An welcher Stelle in der Zitierungsliste stehen Sie. Perplexity zeigt üblicherweise 3–6 Quellen — an erster Stelle zu sein bringt 60 % mehr Click-Through-Raten (interne Roibase-Testdaten, Q4 2025). Wenn Sie Position nicht tracken, kennen Sie den Wert Ihrer Citation-Rate nicht.

Inference Share: Der Anteil Ihres Contents in der Antwort. Wenn ChatGPT eine 300-Wort-Antwort gibt — stammen 80 Wörter aus Ihrem Artikel? Gemessen mit Semantic-Similarity-Algorithmen (Cosine Similarity >0,85 ist Standard). Hoher Inference Share = das Modell nutzt Ihren Ton, Ihr Framing — das ist Brand-Voice-Propagation.

Prompt Coverage: In welche Query-Typen wird Ihre Website zitiert. Sie bekommen Zitierungen bei "Was ist CDP" (informational), aber nicht bei "CDP-Vendor-Vergleich" (commercial). Coverage-Analyse lenkt Ihre Editorial-Strategie — welche Intent-Gaps müssen Sie füllen?

Mess-Frequenz

Diese Kennzahlen sind nicht in Echtzeit — LLMs sind nicht deterministisch, dieselbe Frage kann unterschiedliche Antworten erhalten. Wöchentliche Batch-Messung reicht: Sie triggern automatisch 100–200 Seed-Prompts, parsen die Antworten und extrahieren Zitierungen. Tägliche Schwankungen sind Rauschen, wöchentliche Trends sind Signal.

Datenerfassungs-Architektur

Citation Tracking benötigt drei Komponenten: Prompt Pipeline, Response Parser, Attribution Engine.

Prompt Pipeline: Sie senden Ihren Seed-Keyword-Set (die 50–100 Queries mit den höchsten Impressionen aus GSC) parallel an jede Model-API. Mit n8n-Workflow oder Airflow DAG können Sie das wöchentlich triggern. Für jeden Prompt sollten die Modellparameter fixiert sein — temperature=0,3, top_p=0,9 — sonst sind die Ergebnisse nicht reproduzierbar.

API-Kostenrechnung: ChatGPT-4o API ~$0,005/Abfrage (Input 500 Token + Output 1500 Token Durchschnitt), Gemini Pro ~$0,003, Claude Sonnet ~$0,006. 100 Prompts × 3 Modelle × 4 Wochen = 1200 Requests = $6–7/Monat. Dieses Budget reicht nicht für Echtzeit-Tracking, ist aber für wöchentliche Snapshots angemessen.

Response Parser: Sie müssen LLM-Output in strukturierte Daten umwandeln. Das Zitierungsformat unterscheidet sich zwischen Modellen — ChatGPT nutzt [1], Perplexity [^1], Claude Markdown Footnotes. Kombination aus Regex + NER (Named Entity Recognition): Extrahieren Sie zunächst die Zitierungsmarkierungen, dann Domain/Brand-Name-Matching. Python-Beispiel:

import re
from urllib.parse import urlparse

def extract_citations(response_text):
    # Zitierungsmuster: [1], [^2], etc.
    pattern = r'\[(\^?\d+)\]'
    markers = re.findall(pattern, response_text)
    
    # URL-Extraktion (modellspezifisch)
    sources = re.findall(r'https?://[^\s\)]+', response_text)
    
    citations = []
    for idx, url in enumerate(sources):
        domain = urlparse(url).netloc
        citations.append({
            'position': idx + 1,
            'domain': domain,
            'is_own_brand': 'roibase.com.tr' in domain
        })
    
    return citations

Dieser einfache Parser hat ~85 % Genauigkeit — für Edge Cases (eingebettete Links, paywall-geschützte Quellen) ist periodische manuelle QA notwendig.

Attribution Engine: Sie schreiben extrahierte Zitierungen ins Warehouse und berechnen aggregierte Kennzahlen. BigQuery oder Snowflake Table Schema:

Über dieser Tabelle erstellen Sie ein wöchentliches Aggregat-View:

SELECT 
  model_name,
  COUNT(DISTINCT query_text) AS total_queries,
  SUM(CASE WHEN citation_domain LIKE '%roibase%' THEN 1 ELSE 0 END) AS own_citations,
  AVG(CASE WHEN citation_domain LIKE '%roibase%' THEN citation_position ELSE NULL END) AS avg_position
FROM citation_log
WHERE measured_at >= CURRENT_DATE() - 7
GROUP BY model_name;

Output: Bei ChatGPT 14 % Citation-Rate, Gemini 8 %, Claude 19 % — dieser Unterschied hängt mit dem Training-Data-Cutoff-Datum des Modells und seiner Abrufstrategie zusammen. Mit diesem Insight können Sie Ihre Generative Engine Optimization modellspezifisch optimieren.

Inference Share berechnen

Citation Rate misst Ihre Sichtbarkeit, Inference Share misst wie viel Ihres Contents verwendet wird. Methode: Semantic Embedding Similarity.

Schritte:

1. Chunken Sie Ihren Quellencontent (Blog-Post, Whitepaper) nach Sätzen/Absätzen
2. Chunken Sie die LLM-Antwort gleich
3. Für jeden Response-Chunk finden Sie den ähnlichsten Source-Chunk (Cosine Similarity)
4. Zählen Sie Matches über dem Threshold (>0,85 ist Standard)
5. Inference Share = (Matched Response Chunks) / (Alle Response Chunks)

Python-Implementation (mit sentence-transformers):

from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('all-MiniLM-L6-v2')

source_chunks = ["CDP sammelt First-Party-Daten...", "Attribution-Fenster 7 Tage..."]
response_chunks = ["CDP erfasst Nutzerdaten...", "Konversionsfenster meist 7 Tage..."]

source_embeddings = model.encode(source_chunks)
response_embeddings = model.encode(response_chunks)

matched = 0
for resp_emb in response_embeddings:
    similarities = util.cos_sim(resp_emb, source_embeddings)
    if similarities.max() > 0.85:
        matched += 1

inference_share = matched / len(response_chunks)

Ein Inference Share über 60 % bedeutet: Das LLM repurposet einen großen Teil Ihres Contents. Das ist zugleich positiv (Brand Authority) als auch negativ (direkter Traffic-Verlust) — diesen Trade-off müssen Sie im Executive Dashboard zeigen.

Prompt Coverage analysieren

Wie ist Ihre Citation-Performance über verschiedene Intent-Kategorien? Messen Sie separate Werte für Informational ("Was ist CDP"), Navigational ("Shopify CDP Integration"), Commercial ("beste CDP-Anbieter"), Transactional ("CDP-Demo anfordern").

Coverage-Gap-Beispiel: In der E-Commerce-Kategorie erhalten Sie 18 % Citation-Rate bei Informational-Queries, aber nur 3 % bei Commercial-Queries. Dieses Gap signalisiert, dass Sie Content wie "Vendor-Vergleich", "Pricing-Übersicht", "Implementation-Checkliste" erstellen sollten.

Segmentierungstabelle-Beispiel:

Bei Transactional-Queries 0 % ist normal — LLMs verkaufen nicht, also zitieren sie keine "Demo anfordern"-Queries. Aber die niedrige Quote bei Commercial-Queries ist ein Action Item.

Dashboard und Alert-System

Metriken sammeln und berichten — sonst schaffen Sie keinen operativen Wert. Wöchentliches Citation-Report-Template:

Executive Summary (eine Folie):

• Overall Citation-Rate Trend (letzte 12 Wochen)
• Model-Breakdown (ChatGPT/Gemini/Claude Bar Chart)
• Top 5 zitierte Content-Pieces
• Coverage-Gap (welche Intent-Typen sind schwach)

Alert-Regeln (Slack/E-Mail):

• Citation Rate fällt unter 20 % → Editorial-Team Review triggern
• Konkurrenten-Citation übersteigt Ihre Rate (separate Competitor-Tracking-Pipeline) → Strategic Response planen
• Neue High-Performing-Keyword-Cluster erkannt → Content Production priorisieren

Diese Alerts sind Teil von Datenanalyse & Insight-Engineering — der Transformation von Rohdaten in actionable Signals erfordert Data Engineering.

GEO-Strategie-Integration

Citation-Messung ist nicht nur für Reporting, sondern für Optimierung. Ist Ihr Inference Share niedrig? Machen Sie Ihren Content LLM-freundlich: chunkalbare Absätze, klare Header-Hierarchie, höhere Dichte von faktischen Aussagen. Ist Ihre Citation Position niedrig? Verstärken Sie Autoritätssignale: Backlink-Qualität, Domain-Age, Content-Freshness.

Der Unterschied zwischen GEO und klassischem SEO: Bei SEO würden Sie Keyword-Dichte optimieren, bei GEO optimieren Sie Semantic-Cluster-Coverage. LLMs schauen nicht auf n-Gram-Matches, sondern auf Konzept-Überlappung — nicht das Keyword 10-mal wiederholen, sondern verwandte Konzepte abdecken.

LLM-Citation-Tracking ist 2026 nicht optional, sondern Pflicht. Wenn Ihre Marke nicht in Generative Engines sichtbar ist, sind Sie aus der Entscheidungsfindung moderner Nutzer raus. Citation Rate, Inference Share, Prompt Coverage — ohne diese drei Metriken in Ihrem Dashboard ist Ihre SEO-Strategie unvollständig. Bestimmen Sie jetzt, welche 50 Keywords in den ersten Batch gehen, bauen Sie die Pipeline auf und holen Sie den ersten wöchentlichen Snapshot — in 3 Monaten werden Ihre Konkurrenten noch immer Google Analytics anschauen, während Sie echte Signale im Attribution Graph sehen.