5 Fehler bei der Prompt-Auswahl, die dein KI-Monitoring verzerren

Dein Tool für KI-Sichtbarkeit läuft seit Wochen, und das Dashboard zeigt eine ordentliche Quote. Wenn die Sichtbarkeitsquote gut aussieht, obwohl deine Marke bei realen Kaufentscheidungen kaum auftaucht, misst dein Prompt-Set möglicherweise das Falsche. Eine Auswertung von 500 kostenlosen GEO-Checks zeigt fünf Muster, die bei der Prompt-Auswahl immer wieder auftauchen. Die gute Nachricht: Alle fünf lassen sich mit wenig Aufwand beheben.

Kurz erklärt: Was beim Monitoring passiert

Dieser Artikel behandelt Prompt-Sets, mit denen Unternehmen ihre Sichtbarkeit bei kommerziellen Anbieter- und Produktempfehlungen messen. Ein AI Visibility Monitoring schickt eine feste Liste von Prompts regelmäßig an KI-Systeme und zählt, wie oft deine Marke in den Antworten auftaucht. Die Kennzahl ist also nur so aussagekräftig wie diese Liste. Als durchgehendes Beispiel nehmen wir einen Anbieter von Zeiterfassungs-Software für kleine und mittlere Unternehmen.

Wissensfragen bringen dir keine Kund:innen

Der erste Fehler stammt aus der SEO-Gewohnheit: Viele starten mit informationellen Prompts wie „Was ist Arbeitszeiterfassung?“ oder „Wie funktioniert digitale Zeiterfassung?“. Auf solche Fragen antworten KI-Systeme weitgehend aus eigenem Wissen, und ob Nutzer:innen danach noch auf eine Quelle klicken, ist fraglich. Anbieter werden selten genannt, und wenn, dann eher als Beispiel denn als Empfehlung.

Besser: Konzentriere dein Monitoring auf Prompts, bei denen die KI konkrete Anbieter empfiehlt, etwa „Ich suche eine Zeiterfassung für mein Team“.

Aufgabe: Markiere in deiner Prompt-Liste alle Einträge, die mit „Was ist“ oder „Wie funktioniert“ beginnen. Prüfe bei drei davon, ob die Antwort überhaupt Anbieter nennt. Wenn nicht, nimm sie aus deinem Kernset.

Der perfekte Wunsch-Prompt misst nur dich selbst

Der zweite Fehler wirkt clever: Du formulierst einen sehr speziellen Prompt, der genau deine Stärken abbildet. Zum Beispiel „Zeiterfassung für eine Agentur mit zwölf Mitarbeitenden, DATEV-Schnittstelle, Stempel-App und integrierter Urlaubsplanung“. Natürlich taucht dein Produkt dort auf. Nur bildet ein solcher Prompt einen winzigen Ausschnitt des Marktes ab: Jede Person kombiniert andere Kriterien, und kein Tool kann alle Kombinationen überwachen. Das Dashboard sieht gut aus, sagt aber wenig.

Besser: Bleib auf der ersten Kriterienebene, also ein Prompt pro Merkmal. „Zeiterfassung mit DATEV-Schnittstelle“, „Zeiterfassung für kleine Teams“, „Zeiterfassung mit App für den Außendienst“. Nach den Erfahrungen aus der Auswertung wird, wer bei einzelnen Kriterien sichtbar ist, häufig auch bei Kombinationen empfohlen. Für einen ersten Test können 30 bis 50 priorisierte Prompts ausreichen; die nötige Zahl hängt von Angebot und Zielgruppenbreite ab. Realistische Rahmenbedingungen wie Branche oder Teamgröße sind dabei kein Problem, problematisch ist nur das Stapeln deiner eigenen Features.

Aufgabe: Schreib für jedes Merkmal, das du tatsächlich anbietest, einen kurzen Prompt. Prüfe bei jeder Formulierung, ob deine Kund:innen so fragen würden. Wo du das nachsehen kannst, steht weiter unten.

„Kaufen“ und „Vergleich“ braucht die KI nicht mehr

Drittens übernehmen viele die klassischen Keyword-Zusätze: „Zeiterfassung kaufen“ oder „beste Zeiterfassung Vergleich“. Im SEO waren solche Begriffe lange ein verlässliches Signal für Kaufabsicht. KI-Systeme erkennen die Absicht hinter einer Anfrage aber selbst. Schon ein schlichtes „Ich suche …“ liefert konkrete Produktempfehlungen, oft samt Vergleichstabelle. Wer mit einer KI spricht, tippt solche Zusätze zudem seltener. Ein Monitoring auf diese Formulierungen misst also an der tatsächlichen Nutzung vorbei.

Besser: Formuliere Prompts so, wie du eine Kollegin um Rat fragen würdest. Aus „Zeiterfassung kaufen“ wird „Ich suche eine Zeiterfassung für ein Team mit 20 Personen“.

Aufgabe: Schreib jeden Prompt, der wie ein Keyword aussieht, in einen vollständigen Satz um. Faustregel: Wenn du ihn so nie in ChatGPT tippen würdest, gehört er nicht ins Set.

Warum dein Markenname die Statistik schönt

Der vierte Fehler ist der verständlichste: Du willst wissen, was KI über dich sagt, und fragst „Wie gut ist die Zeiterfassung von [Marke]?“. Steht der Markenname im Prompt, ist die Nennung praktisch garantiert. Mischst du solche Prompts unter die übrigen, steigt deine durchschnittliche Sichtbarkeit künstlich. Das kennst du aus der Search Console, wo Brand-Traffic die Werte aufbläht. Die eigentliche Chance von GEO liegt aber bei Menschen, die deine Marke noch nicht kennen.

Besser: Trenne beides. Markenprompts gehören in eine eigene Auswertung zur Markenwahrnehmung, etwa „Gilt [Marke] als zuverlässig?“. Dort siehst du auch, an welchen Stellen die KI Kritik übt. Solche Prompts zeigen, ob die KI dich korrekt beschreibt, aber nicht, ob du bei der Suche nach Anbietern auftauchst.

Aufgabe: Filtere deine Liste nach deinem Markennamen. Verschiebe diese Prompts in eine eigene Gruppe und vergleiche die durchschnittliche Sichtbarkeit vorher und nachher. Der Unterschied zeigt dir, wie stark dein bisheriger Wert geschönt war.

Eine Domain ist kein Prompt

Fünftens tragen manche in den GEO-Check statt eines Prompts einfach ihre Domain ein. Auch das stammt aus dem SEO, wo Domain-Analysen Standard sind. KI-Systeme empfehlen aber keine Domains, sondern Produkte, Leistungen und Marken, und zwar als Antwort auf konkrete Fragen. Wer mit der Domain startet, hat keine Grundlage für eine sinnvolle Prompt-Recherche.

Besser: Halte SEO-Analyse und GEO-Monitoring auseinander. Das Monitoring beginnt bei deinem Angebot.

Aufgabe: Beschreib in einem Satz, was du anbietest und wonach deine Kund:innen fragen, bevor sie bei dir landen. Dieser Satz ist der Ausgangspunkt für dein Prompt-Set.

So baust du ein belastbares Prompt-Set auf

Aus den fünf Fehlern ergibt sich ein Ablauf. Sarah-Yasmin Hennessen, Trainerin für Prompt Engineering bei 121WATT, ergänzt ihn um einige Punkte, an denen es in der Praxis häufig hakt.

1. Mit dem Angebot starten: Produkt oder Leistung als Basis, ohne Kauf-Zusätze, ohne Markennamen, ohne Domain.
2. Aus Nutzersicht formulieren: Wer Fachbegriffe aus dem eigenen Haus verwendet, fragt an der Realität der Zielgruppe vorbei. Deine Kund:innen beschreiben ihr Problem, nicht deine Leistungsbeschreibung. Gute Formulierungen findest du dort, wo sie ihre Fragen schon aufgeschrieben haben: in langen Suchanfragen in der Search Console, in den „Ähnlichen Fragen“ bei Google, in Notizen aus Vertriebsgesprächen, in Support-Anfragen, Bewertungen und Fachcommunitys. Steht in Support-Tickets immer wieder „Wir brauchen etwas, das mit DATEV funktioniert“, ist das ein besserer Prompt als jede Formulierung aus dem Marketing-Meeting. Entferne bei Kundendaten vorher alle persönlichen Angaben.
3. Realistischen Kontext mitgeben: Nutzer:innen nennen in der Praxis oft Rahmenbedingungen wie Branche, Budget oder Unternehmensgröße. Prompts ohne diesen Kontext wirken künstlich. Der Unterschied zum Wunsch-Prompt: Du kombinierst ein Produktkriterium mit einer realistischen Rahmenbedingung, statt mehrere eigene Features zu stapeln. Etwa: „Wir sind ein Handwerksbetrieb mit 15 Leuten und suchen eine Zeiterfassung mit App für die Baustelle.“
4. Nach Phase der Customer Journey trennen: Ein Prompt zur ersten Orientierung („Welche Lösungen gibt es, um Arbeitszeiten im Außendienst zu erfassen?“) braucht eine andere Auswertung als ein Prompt kurz vor der Entscheidung. Wer alles in einen Topf wirft, bekommt unscharfe Ergebnisse. Lege deshalb für jede Phase eine eigene Gruppe an.
5. Genug Prompts mehrfach messen: Mit 10 bis 20 Prompts lässt sich kein belastbares Bild zeichnen, weil einzelne Antworten stark schwanken. Lass jeden wichtigen Prompt zudem mehrmals laufen, etwa drei- bis fünfmal, und lies die Sichtbarkeit als Häufigkeit. Taucht deine Marke in vier von fünf Durchläufen auf, ist das ein stabiles Signal, ein einzelner Treffer nicht. Werte außerdem jede Plattform einzeln aus, statt ChatGPT, Gemini und AI Mode zu einem Wert zu verrechnen.
6. Regelmäßig pflegen, aber mit stabilem Kern: Modelle, Quellen und Nutzerverhalten ändern sich, deshalb braucht deine Prompt-Liste regelmäßige Pflege. Formulierst du aber ständig alles um, kannst du deine Ergebnisse von Monat zu Monat nicht mehr vergleichen. Halte deshalb ein Kernset unverändert und ergänze neue Prompts in einer separaten Gruppe.

Was ein Prompt-Tracking leisten kann und was nicht

„Gute Promptrecherche beginnt nicht mit Tools, sondern mit der Sprache der Zielgruppe. Wer Prompts aus der eigenen Unternehmenssicht baut, misst vor allem sich selbst und nicht den Markt. Und wir müssen uns bewusst sein: Wir können die Wirklichkeit nie exakt abbilden. Den genauen Wortlaut der Menschen und die Queries, die die KI daraus macht, können wir nicht exakt vorhersagen. Wir können uns ihnen nur so nah wie möglich annähern.“

Sarah-Yasmin Hennessen, Trainerin für Prompt Engineering bei 121WATT

Was das praktisch heißt: Neben dem Wortlaut der Nutzer:innen bleibt auch offen, welche Suchanfragen die KI im Hintergrund ableitet, etwa wenn sie eine Frage für die Websuche in mehrere Teilanfragen zerlegt (Query Fan-out). Ein Prompt-Tracking ist deshalb immer ein Modell der Realität, keine Messung der echten Nutzung. Lies die Ergebnisse als Tendenz, nicht als exakte Zahl, und präsentiere sie intern nicht als Beweis für deine tatsächliche Sichtbarkeit.

Die fünf Fehler noch einmal im Überblick:

Fazit: Weniger Prompts, ehrlichere Zahlen

Ein KI-Monitoring ist nur so gut wie die Prompts dahinter. Wenn du drei Dinge mitnimmst, dann diese: Nimm Wissensfragen und Markenprompts aus dem Sichtbarkeits-Set. Formuliere Prompts als natürliche Sätze in der Sprache deiner Kund:innen, mit einem Kriterium pro Prompt und realistischem Kontext. Und miss ein stabiles Kernset mehrfach und getrennt nach Plattform, aber lies die Ergebnisse als Tendenz, nicht als exakte Zahl.

Wir empfehlen dir als ersten Schritt: Exportiere deine aktuelle Prompt-Liste und geh sie mit den fünf Aufgaben aus diesem Artikel durch. Meist schrumpft die Liste dabei, aber deine Zahlen werden belastbarer. Wenn du tiefer verstehen willst, wie Sprachmodelle Anfragen deuten und welche Formulierung welche Antwort auslöst, lernst du das in unserem Prompt Engineering-Seminar.

Hat dir der Artikel gefallen? Dann lass uns gerne eine Bewertung oder einen Kommentar da.

Dieser Artikel wurde KI-unterstützt erstellt und durch menschliche Fachkenntnis überarbeitet und optimiert.

Quellen:

• Jaeckert & O’Daniel: 5 häufige Fehler bei der Prompt Auswahl
• aleydasolis.com: How to Build a Representative AI Search Prompt Library for Better AI Visibility Measurement
• SE Ranking Blog: How to find and choose the right prompts to track for AI search visibility