Die 31 Fragen, die niemand beantwortet hat

Am 28. Juli 2026 veröffentlichte David McSweeney eine Liste mit 31 Fragen und richtete sie an die Unternehmen, die KI-Sichtbarkeitsscores verkaufen. Keine Abrechnung, kein Ranking, keine Vergleichstabelle. Eine Liste von Fragen zur Methodik – von der Art, die jeder Käufer stellen und jeder Anbieter beantworten können sollte.

Bis zum Tag darauf hatten nach unserem Kenntnisstand zwei Unternehmen öffentlich geantwortet: Ternith und Spyglasses.

Das ist die ganze Geschichte. Eine komplette Produktkategorie wurde gebeten zu erklären, wie ihre Zahlen zustande kommen, und die überwältigende Mehrheit schwieg.

Warum das Schweigen der interessante Teil ist

Es liegt nahe, eine ausbleibende Antwort als Eingeständnis zu lesen. Meistens ist sie das nicht. Das meiste Schweigen hat banale Gründe: Intern fühlt sich niemand zuständig, die Rechtsabteilung will prüfen, wer antworten könnte, arbeitet gerade an etwas anderem – und ein öffentliches Methodenpapier ist eine Festlegung, von der man sich nicht mehr klammheimlich verabschieden kann.

Aber genau darum geht es. Ein Score ist eine Aussage über die Wirklichkeit. Wenn ein Unternehmen es sich nicht leisten kann zu erklären, wie eine Zahl entsteht, dann leistet diese Zahl nicht das, was der Käufer von ihr erwartet. Sie leistet Marketing.

Es gibt auch einen kommerziellen Grund, warum die Fragen so hart treffen. Ein Sichtbarkeitsscore wird gerade deshalb gekauft, weil der Käufer ihn nicht selbst überprüfen kann. Niemand kauft ein Thermometer, dessen Wert er auch mit der Hand feststellen könnte. Der gesamte Wert des Produkts beruht damit auf dem Vertrauen in die Methode – und die Methode ist das Einzige, was diese Branche bislang nur ungern offenlegt.

Warum die Fragen fair sind

Eine faire Frage erkennt man daran, ob es auf sie eine gute Antwort gibt.

Jede Frage auf dieser Liste hat eine. Manche dieser guten Antworten sind wenig schmeichelhaft – „wir wissen es nicht“, „unsere Stichprobe ist zu klein für eine Aussage“, „diese Zahl schwankt von allein stärker, als uns lieb ist“ –, aber es gibt sie, und man kann sie aussprechen. Keine der Fragen verlangt ein Betriebsgeheimnis. Sie fragen, was gemessen wird, von wo aus, wie oft, mit welcher Streuung – und was als Widerlegung gelten würde.

Das ist der Maßstab, der für jedes andere Messprodukt gilt, das ein Unternehmen einkauft:

• Ein Analytics-Anbieter sagt Ihnen, was eine Session ist und wann sie endet.
• Ein Marktforschungsinstitut nennt Ihnen die Stichprobe, den Erhebungszeitraum und die Fehlermarge.
• Ein Rank-Tracker nennt Ihnen den Standort, das Endgerät und die Personalisierungseinstellungen hinter der Zahl.
• Ein Wirtschaftsprüfer sagt Ihnen, nach welchem Standard der Abschluss erstellt wurde.

KI-Sichtbarkeit ist der einzige uns bekannte Messmarkt, in dem „wir haben einen proprietären Algorithmus“ noch immer als vollständige Antwort durchgeht. Das ist keine Antwort. Das ist eine Verweigerung mit besseren Manieren.

Die drei, die wir für die schärfsten halten

Die vollständige Liste lohnt die Lektüre im Original. Diese drei Fragen entscheiden darüber, ob alles Übrige auf der Liste überhaupt eine Rolle spielt. Wir geben sie sinngemäß wieder, statt sie zu zitieren, denn der Wortlaut gehört dem Autor.

1. Wer wählt die Prompts aus, und entscheidet diese Wahl bereits über das Ergebnis?

Ein KI-Sichtbarkeitsscore misst Antworten auf Fragen. Auf welche Fragen? Wer sie auswählt, hat das Ergebnis zu einem großen Teil bereits festgelegt.

Stellt man einem Assistenten eine enge, auf die Marke zugeschnittene Frage, wirken die meisten Marken sichtbar. Stellt man eine breite, auf die Kategorie zugeschnittene Frage, verschwinden die meisten Marken. Beides sind echte Messungen. Sie messen nur Verschiedenes – und nur eine davon ähnelt dem, was ein Kunde tatsächlich eintippt.

Offenzulegen ist hier also: wer das Prompt-Set geschrieben hat, ob der Kunde es einsehen darf, ob es sich zwischen zwei Durchläufen ändert und ob für den Wettbewerber, mit dem ein Kunde verglichen wird, dasselbe Prompt-Set verwendet wird. Ein Score, der auf einem Prompt-Set beruht, das der Käufer nie zu sehen bekommt, ist keine Messung, auf die er reagieren kann. Es ist eine Zahl, die er glauben muss.

2. Wurde die Kennzahl je gegen etwas wirklich Externes validiert?

Das ist die Frage, mit der sich die gesamte Branche schwertut, und sie ist keine Fangfrage.

Validierung heißt, die eigene Zahl mit Belegen zu vergleichen, die nicht aus dem eigenen Haus stammen. Das eigene System zweimal laufen zu lassen und festzustellen, dass es mit sich selbst übereinstimmt, ist Reliabilität, nicht Validität. Es zeigt, dass das Instrument stabil ist. Es sagt nichts darüber, ob es misst, was auf dem Etikett steht.

Die externen Belege, die zählen würden, sind unspektakulär und schwer zu beschaffen: Server-Logs, die den Traffic aus KI-Assistenten ausweisen, Conversions, die sich auf die Empfehlung eines Assistenten zurückführen lassen, Brand-Tracking-Studien, die eigenen Anfrageeingänge eines Kunden. Jeder dieser Belege kann einem Sichtbarkeitsscore widersprechen – und genau deshalb lohnt der Abgleich.

Hat niemand den Vergleich je versucht, ist der Score nicht mehr als ein in sich stimmiges Artefakt des Systems, das ihn erzeugt hat.

3. Welches Ergebnis würde Sie dazu bringen, die Kennzahl zurückzuziehen?

Die Frage nach der Falsifizierbarkeit – und diejenige, die eine Messung von einer Erzählung trennt.

Jede echte Kennzahl hat eine Fehlerbedingung, die ihr Urheber vorab beschreiben kann. Wenn sich der Traffic aus KI-Assistenten über eine hinreichend große Kundenbasis und einen hinreichend langen Zeitraum gegenläufig zum Score entwickelt, wäre das ein Problem. Wenn sich der Score bei Wiederholungsläufen deutlich verändert, ohne dass sich am zugrunde liegenden Geschäft etwas geändert hat, wäre das ein Problem. Wenn zwei Kunden desselben Anbieters in derselben Kategorie bei gleicher Sichtbarkeit völlig unterschiedliche kommerzielle Ergebnisse erzielen, wäre das ein Problem.

Ein Anbieter, der keine solche Bedingung benennen kann, hat Ihnen etwas Wichtiges mitgeteilt: Es gibt prinzipiell keine Beobachtung, die gegen seine Zahl sprechen würde. Das ist keine Stärke. Das ist die Definition einer unfalsifizierbaren Behauptung, und sie bedeutet, dass der Score nie falsch sein kann – womit er auch nie richtig sein kann.

Was wir unsererseits tun

Wir verkaufen selbst einen KI-Sichtbarkeitsscore, die Fragen richten sich also genauso an uns wie an alle anderen.

Wir veröffentlichen unsere Antworten auf alle 31 Fragen, auf unserer eigenen Website, unter unserem eigenen Namen – auch dort, wo die ehrliche Antwort lautet, dass wir es noch nicht wissen, und dort, wo die ehrliche Antwort unser Produkt weniger beeindruckend aussehen lässt als die Marketingseite.

Wir halten das für das Mindeste. Eine Zahl, die man einem Unternehmen verkauft, das sie nicht unabhängig überprüfen kann, sollte die Methode mitliefern, ihre Grenzen benennen und beschreiben, was uns dazu bringen würde, sie zurückzuziehen.

Wenn unsere Antworten falsch sind, hören wir das lieber, als es nicht zu erfahren. Das ist der zweite Vorteil einer veröffentlichten Methode.

Was Sie als Käufer tun sollten

Sie müssen nicht alle 31 Fragen lesen, um sich zu schützen. Drei Fragen, vor der Unterschrift gestellt, verraten Ihnen das meiste von dem, was Sie wissen müssen:

• Zeigen Sie mir die genauen Prompts hinter meinem Score, und sagen Sie mir, wer sie geschrieben hat.
• Nennen Sie mir einen Fall, in dem Sie diesen Score mit Belegen von außerhalb Ihres eigenen Systems verglichen haben.
• Sagen Sie mir, welches Ergebnis Sie dazu bringen würde, die Zahl zurückzuziehen.

Mit einem Anbieter, der alle drei Fragen bereitwillig beantwortet, lohnt sich das Gespräch, ganz gleich, was sein Score sagt. Ein Anbieter, der keine davon beantworten kann, verkauft Ihnen ein Gefühl.