KI-Sichtbarkeit

Ein Sichtbarkeitsprojekt verfolgt eine Marke über die KI-Modelle hinweg. Lege eines unter KI-Sichtbarkeit → „KI-Sichtbarkeit einrichten“ an, trage Markenname und Website ein und ergänze die Wettbewerber, gegen die du dich messen willst. CrunchJunkie erkennt Erwähnungen in KI-Antworten anhand der Marken- und Wettbewerbernamen — schreib sie also genau so, wie sie im Markt auftreten, inklusive gängiger Varianten, wenn eine Marke unter mehreren Schreibweisen bekannt ist. Jedes Projekt steht für sich, du kannst die Sichtbarkeit also problemlos für mehrere Kunden parallel verfolgen. Sobald das Projekt existiert, fügst du Prompts hinzu und wählst die Modelle für den Scan — das laufende Monitoring übernimmt dann CrunchJunkie.

Prompts sind die Fragen, die CrunchJunkie stellvertretend für dich an die KI-Modelle stellt. Du legst sie im Tab Prompts des Projekts an und taggst jeden nach Absicht: Prompts der Kategorie Entdeckung sind markenlose Kategoriefragen („beste Reporting-Tools für Agenturen“), Marke-Prompts nennen deinen Kunden direkt („Taugt Lumière etwas?“) und Wettbewerber-Prompts sind Vergleiche oder Alternativen („Lumière vs. Velora“). Ein guter Startsatz mischt alle drei Kategorien — etwa fünfzehn bis dreißig Prompts, die abbilden, wie echte Käufer suchen. CrunchJunkie schickt bei jedem Scan jeden Prompt an jedes aktivierte Modell und hält fest, ob deine Marke genannt wurde, an welcher Stelle sie in der Antwort stand, wie sie beschrieben wurde und welche Quellen das Modell zitiert hat.

Wenn du schon eine Liste mit Prompts hast — in einer Tabelle, aus einem anderen Tool exportiert oder von einer Kundin übergeben —, importiere die ganze Liste auf einmal, statt jeden Prompt einzeln zu tippen. Klicke im Tab Prompts auf Importieren und lade eine CSV-, TSV- oder Excel-Datei (.xlsx) hoch. CrunchJunkie liest einen Prompt pro Zeile und zeigt dir eine Vorschau, was genau angelegt wird, bevor irgendetwas gespeichert wird. Lade die Vorlage im Import-Dialog herunter, um die Spalten zu sehen. Pflicht ist nur prompt; der Rest ist optional. Die Spalte tags enthält ein oder mehrere Labels, getrennt durch ein Semikolon (zum Beispiel „reporting; agencies“) — oder du verteilst Tags auf mehrere Tag-Spalten, wenn deine Tabelle so aufgebaut ist. category ist discovery, brand, competitor oder shopping — alles andere fällt auf discovery zurück. market und language setzen den Markt-Override eines Prompts (ein Ländername oder -code und eine Sprache), sodass ein einziger Import mehrere Märkte abdecken kann; lass sie leer, um den Projekt-Standard zu übernehmen. Setze active auf „no“, um einen Prompt ausgeschaltet zu importieren. Die Intention wird automatisch gesetzt. Du brauchst keine Intent-Spalte: CrunchJunkie sagt die Intention jedes Prompts — Commercial, Informational oder Navigational — anhand der Formulierung voraus, genauso wie beim manuellen Hinzufügen. Wenn du sie lieber selbst festlegst, füge eine Intent-Spalte hinzu, und dein Wert gewinnt. So oder so bleibt jede Intention danach am Prompt editierbar. Die Vorschau zeigt dir, wie viele Prompts bereit sind, wie viele übersprungen wurden (leer oder über 2000 Zeichen), wie viele Zeilen Duplikate waren und wie viele bereits im Projekt existieren. CrunchJunkie importiert nie einen Prompt, den du schon erfasst — ein erneuter Import einer aktualisierten Liste fügt also nur das Neue hinzu. Bestätige, und die Prompts erscheinen in der Tabelle, bereit zum Scannen.

Jedes Projekt hat einen Markt und eine Sprache, beide in den Projekt-Einstellungen. Sie legen fest, was jedes KI-Modell gefragt wird — nicht, wie viele Modelle laufen. Und sie richtig zu setzen, ist wichtiger als fast jede andere Einstellung im Produkt. Sie wirken je nach Engine unterschiedlich, und genau darin liegt der Punkt. Den sieben Chat-Modellen (ChatGPT, Gemini, Perplexity, Claude, Grok, DeepSeek, Meta AI) wird gesagt, sie sollen für jemanden in diesem Markt und in dieser Sprache antworten. Google AI Overviews, Google AI Mode und Microsoft Copilot suchen stattdessen aus dem gewählten Land heraus — sie sind Suchoberflächen, keine Chat-Modelle. Diese zweite Gruppe ist der Grund, warum die Prompt-Sprache zählt. Bei AI Overviews und AI Mode ist dein Prompt die Suchanfrage. „beste Marketing-Agentur München“ und „best marketing agency Munich“ sind zwei verschiedene Suchen — andere Ergebnisse, andere Quellen, andere KI-Antworten. Keine Markteinstellung ändert das; nur der Prompt-Text. Schreib Prompts also in der Sprache, in der die Kundschaft deines Kunden tatsächlich sucht. Bei einem deutschen Kunden auf Deutsch. Der Maßstab ist nicht, in welcher Sprache deine Agentur arbeitet, sondern was eine echte Käuferin bei ChatGPT oder Google eintippt. Ein deutscher Mittelständler, der einen Dienstleister sucht, tippt Deutsch. Eine Ausnahme, die du vorher prüfen solltest: In manchen Branchen und Märkten wird tatsächlich auf Englisch gesucht, weil englischsprachiges Material das Feld dominiert. B2B-Software in Skandinavien und den Niederlanden verhält sich oft so. Trifft das auf die Kategorie deines Kunden zu, sind englische Prompts die richtige Messung — dann lass sie so. Markt und Sprache des Projekts sind die Voreinstellung — den Markt kannst du aber pro Prompt überschreiben, und genau so verfolgt ein Projekt eine Marke in mehreren Märkten zugleich. Der nächste Abschnitt zeigt, wie.

Eine Marke, die in mehr als einem Sprachmarkt verkauft, zwang früher zu einer unschönen Wahl: ein Projekt, das alle Märkte zu einem einzigen, nichtssagenden Durchschnitt zusammenrührt — oder ein eigenes Projekt, schlimmer noch ein eigener Kunde, pro Markt, was die Marke zerlegt und doppelt abrechnet. Beides ist nicht nötig. Der Markt wird pro Prompt gesetzt, ein Projekt verfolgt eine Marke also in so vielen Märkten, wie sie beliefert. Im Tab Prompts hat jeder Prompt ein Markt-Dropdown. Lass es auf Erben (Projekt), um die Projekt-Voreinstellung zu nutzen, oder wähle ein Land, um diesen Prompt in seinem eigenen Markt zu scannen und zu poolen. Schreib jeden Prompt in der Sprache, in der die Kundschaft dieses Marktes tatsächlich sucht — einen deutschen Prompt auf Deutschland, einen englischen auf Großbritannien oder die USA — aus genau den Gründen des vorigen Abschnitts. Der gewählte Markt wird bei jedem Lauf zum Scan-Zeitpunkt festgehalten, eine spätere Prompt-Änderung benennt die bereits erhobene Historie also nie rückwirkend um. Weil jeder Markt auf seiner eigenen Grundgesamtheit gepoolt wird, bleiben die Zahlen ehrlich — und sobald ein Projekt mehr als einen Markt umfasst, bekommt die Übersicht zwei Dinge dazu, um sie zu lesen. Ein Nach Markt filtern-Umschalter oben skaliert die ganze Seite — Sichtbarkeit, Share of Voice, Quellen, alles — auf jeweils einen Markt, oder Alle Märkte für die gemischte Ansicht. Und eine Märkte-Tabelle listet jeden Markt nebeneinander: Sichtbarkeit, Share of Voice, Sentiment, Ø Position und Anzahl der Läufe, jeweils nur auf den eigenen Scans dieses Marktes gepoolt. Share of Voice wird immer innerhalb eines Marktes gemessen und nie über Märkte hinweg vermischt, eine starke Position in Deutschland beschönigt also nie eine schwache in Großbritannien. Diese Nebeneinander-Ansicht ist der Teil, den die meisten Sichtbarkeits-Tools nicht bieten — hier siehst du, dass du in einem Markt führst und im anderen zurückliegst, was meist der ganze Grund ist, mehr als einen zu verfolgen. Multi-Markt-Tracking ist enthalten, kein kostenpflichtiges Add-on. Es wird wie alles andere in der KI-Sichtbarkeit über Checks gemessen (Prompts × Engines × Durchläufe). Einem Prompt einen bestimmten Markt zu geben kostet keinen Aufschlag; ein in Deutschland gescannter Prompt kostet genau so viel wie jeder andere. Willst du wirklich dieselbe Frage in zwei Märkten messen, sind das zwei Prompts — also zwei Prompts an Checks, der ehrliche Preis dafür, zweimal zu messen. Teile trotzdem eine Marke nicht auf zwei Kunden oder zwei Projekte auf, um Märkte zu trennen. Das rechnet dieselbe Marke doppelt ab, zerlegt das Reporting und stellt ein Unternehmen als zwei dar. Setz stattdessen den Markt am Prompt.

Auf die richtigen Prompts zu kommen ist der schwierigste Teil der Einrichtung — deshalb übernimmt Crunch den ersten Durchgang. Klicke im Tab Prompts auf „Prompts vorschlagen“: CrunchJunkie liest Marke, Website, Produkttyp, die Attribute, für die du bekannt sein willst, deine Wettbewerber (samt Domains) und die bereits vorhandene Abdeckung — und schlägt realistische Käuferfragen über den ganzen Absichts-Mix vor (markenlose Kategoriefragen, Markenfragen, Wettbewerbsvergleiche), die Lücken füllen, statt zu doppeln. Die Vorschläge werden schärfer, wenn das Projekt ein Markenprofil hat — eine kurze Beschreibung, was das Geschäft ist, sein Marktsegment, seine Positionierung, Zielgruppe und Produkte. Klicke in den Einstellungen des Projekts auf „Von Website befüllen“, damit Crunch die Website der Marke liest und es entwirft (oder schreibe es von Hand); es fließt direkt in den Vorschlags-Prompt ein, damit die Ideen zum tatsächlichen Geschäft passen, nicht nur zum Markennamen. Alles ist editierbar und nie erfunden — ein Feld, das die Website nicht hergibt, bleibt leer. Sobald das Projekt gescannt wurde, stützt sich die Discovery auch auf deine eigenen Scan-Daten: Sie gewichtet Vorschläge zu den Themen, bei denen Wettbewerber derzeit empfohlen werden und du nicht (dieselbe gemessene Lücke wie der Chancen-Score), damit die Ideen echte Schwächen treffen statt generischer Kategoriefragen. So begründete Vorschläge tragen ein kleines Lücke-Badge. Vorschläge landen in einer Prüf-Warteschlange, die Reloads übersteht: Jeder trägt ein kurzes Warum — der Wettbewerber, Anwendungsfall, das Attribut oder die beobachtete Lücke, auf die er zielt —, damit du siehst, worauf er gegründet ist. Übernimm die passenden, verwirf den Rest (ein verworfener Vorschlag wird gemerkt und nie wieder vorgeschlagen), und bearbeite jeden nach dem Übernehmen wie einen selbst geschriebenen Prompt. Bewusst darüber steht ein Ehrlichkeits-Hinweis: Das sind fundierte Kandidatenfragen, keine gemessene Nachfrage. CrunchJunkie zeigt nie ein erfundenes „Prompt-Volumen“ — kein Tool kann messen, wie oft ein Thema in ChatGPT, Perplexity oder Gemini gefragt wird (die Anbieter veröffentlichen es nicht), eine präzise „Suchen/Monat“-Zahl ist also immer geraten. Priorisiert wird aus dem, was wir messen können — dem Chancen-Score unten —, nicht aus erfundenen Zahlen. Hast du schon Keywords im Kopf — Produktkategorien, Anwendungsfälle, Suchbegriffe —, nimm stattdessen „Aus Keywords“: Füge sie ein (eines pro Zeile oder kommagetrennt), und Crunch macht aus jedem realistische Käuferfragen über den Absichts-Mix, statt das Keyword nur wörtlich zu wiederholen. Schneller kommst du nicht zu einem Tracking-Set rund um deine Themen — und das Ergebnis sind dieselben bearbeitbaren Vorschläge, die du mit einem Klick übernimmst.

Sobald ein Projekt Scan-Daten hat, zeigt die Prompts-Tabelle eine Spalte Chance, und ein Klick darauf sortiert deine Prompts danach, wo die größten Gewinne liegen. Das ist die ehrliche, gemessene Antwort auf „Wo soll ich Aufwand investieren?“ — und bewusst keine Nachfrage- oder Volumenschätzung. Der Score beantwortet eine Frage, die wir aus deinen eigenen Scans tatsächlich messen können: Werden bei diesem Prompt Wettbewerber empfohlen, du aber nicht? Ein Prompt liest sich als Hoch, wenn Rivalen über viele Durchläufe genannt werden und du in den meisten fehlst — die klassische Lücke zum Schließen. Berechnet als Wettbewerber-Präsenz × (1 − deine Sichtbarkeit), beide über dieselben Durchläufe gepoolt, sodass ein Prompt, den du bereits anführst, oder einen, den noch niemand gewinnt, korrekt als Gering erscheint statt als Chance. Jeder Score trägt seine Grundlage beim Überfahren („Du 0 % · Wettbewerber 60 % · 24 Durchläufe“) und — wo die Lücke auf bestimmten Engines sitzt — benennt sie diese („fehlt bei Perplexity, Claude“), damit du weißt, wo du ansetzen musst. Ein kleiner Verlässlichkeits-Punkt aus der Stichprobengröße folgt derselben Ehrlichkeitsregel wie überall: Ein Prompt mit nur wenigen Durchläufen zeigt „Sammelt“ statt einer aus Rauschen gegriffenen sicheren Einstufung. Warum steht daneben kein „Prompt-Volumen“? Weil es keine Grundwahrheit dafür gibt, wie oft eine Frage in ChatGPT oder Perplexity gestellt wird — die Anbieter veröffentlichen nur Gesamtsummen, und die Tools, die ein präzises „1.200 Suchen/Monat“ ausgeben, extrapolieren ein eingewilligtes Browser-Panel, das nur einen Bruchteil der Nutzung sieht (deren eigene Doku räumt ein, die Zahl „könnte halb oder doppelt so hoch sein — gut zum Ranken, nie als exakte Zahl“). Statt eine Schätzung als Fakt zu verkaufen, priorisiert CrunchJunkie aus gemessenen Wettbewerbslücken. Optional (Beta, standardmäßig aus) kann zusätzlich eine klar gekennzeichnete Google-Keyword-Planner-Suchvolumen-Zahl neben jedem Prompt erscheinen — ein Proxy für klassisches Such-Interesse, nie als KI-Nachfrage umetikettiert. Sie wird als Spanne („1K–10K“) statt als scheingenaue Zahl gezeigt, und das nachgeschlagene Keyword wird transparent mit angezeigt, weil eine KI-Frage und ein Google-Keyword selten identisch sind. Das Chancen-Ranking selbst steht immer auf dem, was wir tatsächlich beobachtet haben.

CrunchJunkie kann zehn KI-Oberflächen verfolgen: ChatGPT, Gemini, Perplexity, Claude, Google AI Overviews, Google AI Mode, Microsoft Copilot, Grok, DeepSeek und Meta AI. Aktiviere in den Projekt-Einstellungen unter „Zu beobachtende Engines“ die, die für die Zielgruppe deines Kunden zählen — du musst nicht alle zehn laufen lassen. Jede aktivierte Engine wird nach deinem Zeitplan automatisch gescannt. Jede Oberfläche ist einer konkreten, aktuellen Modellversion zugeordnet: ChatGPT wird auf GPT-5.6 mit Websuche getrackt, Gemini und Claude mit Websuche, Perplexity auf Sonar Pro, Grok mit Websuche, Meta AI auf Muse Spark, und Google AI Overviews sowie AI Mode über einen Suchergebnis-Anbieter. Neun der zehn sind auf Websuche gestützt; DeepSeek ist die Ausnahme, weil seine API keine eingebaute Websuche hat. Welches Modell eine Oberfläche genau aufruft, steht in den Projekt-Einstellungen und ändert sich, sobald Anbieter neue Versionen ausliefern. Manche Modelle brauchen eine spezielle Einrichtung. Google AI Overviews zum Beispiel wird über einen Suchergebnis-Anbieter statt über eine Chat-API getrackt. Die Einstellungen sagen dir genau, was jede Engine braucht, und zeigen den aktuellen Status jeder Verbindung auf einen Blick.

Was ein Scan kostet, hängt an drei Stellschrauben: wie viele Prompts laufen, wie viele Engines jeder Prompt trifft und wie viele Durchläufe pro Prompt stattfinden. In den Projekt-Einstellungen gibt es dafür Scan-Modi auf Klick, damit du nichts von Hand justieren musst. Sparsam lässt zwei effiziente Engines mit einem Durchlauf laufen — ein günstiger regelmäßiger Puls. Ausgewogen (die empfohlene Voreinstellung, mit der jede neue Marke startet) nutzt die vier wichtigsten Engines mit zwei Durchläufen. Gründlich fährt alle zehn Engines mit drei Durchläufen für die höchste Verlässlichkeit. Individuell ist, was immer du selbst einstellst — wähl beliebige Engines und Durchläufe, und die Modus-Bezeichnung springt automatisch auf Individuell. Die Einstellungen zeigen dir dabei live eine Schätzung — „≈ N Checks / Scan“ —, berechnet als Prompts × Durchläufe × Engines, wobei Premium-Engines (ChatGPT, Claude, Perplexity, Grok) 3× gewichtet werden, weil sie etwa dreimal so teuer im Betrieb sind. Diese Schätzung gilt gleichermaßen für Managed AI (wo sie gegen dein Monatskontingent läuft) und für eigene Schlüssel (wo der Anbieter dich direkt abrechnet) — du kennst also die Kosten einer Konfiguration, bevor du sie speicherst. Mehr Durchläufe und mehr Engines bedeuten genauere, stabilere Zahlen; weniger davon hält die Kosten niedrig. Starte auf Ausgewogen und dreh danach hoch oder runter, wenn du siehst, wie sich die Zahlen der Marke bewegen.

Ein Gap-Prompt ist eine Frage deiner Käufer, bei der KI-Engines dich in null gemessenen Durchläufen erwähnt haben. Der Brief-Button an genau diesen Zeilen erzeugt einen evidenzbasierten Content Brief: CrunchJunkie stellt die echten KI-Antworten auf genau diesen Prompt zusammen, die Wettbewerber-Seiten, die diese Antworten zitiert haben, und die extrahierten GEO-Signale jedes Gewinners (direkte Zitate, Statistiken mit benannten Quellen, ausgehende Links auf Autoritäten — die Signale, die laut peer-reviewter Forschung die Zitierrate erhöhen). Der Brief ist hart auf diese Evidenz beschränkt: Er erfindet nie Quellen oder Zahlen, und bei dünner Evidenz sagt er ehrlich „nicht genug Signal“, statt zu raten. Ein erneut geöffneter Brief zeigt sofort die gespeicherte Version — kostenlos — mit einem Regenerieren-Button, wenn du ihn aus frischer Evidenz neu bauen willst (das ist ein neuer KI-Aufruf und wird wie üblich gezählt). Jeder Brief speichert seine 0-%-Basislinie. Sobald die beschriebene Seite live ist, klick auf „Wirkung messen“ — CrunchJunkie scannt genau diesen einen Prompt neu und vergleicht nur frische Durchläufe mit der Basislinie. Der Lift, den du siehst, ist aktuelle Evidenz, kein von Historie verwässerter Durchschnitt. Batch-Briefing fährt dieselbe Schleife über alle Gap-Prompts auf einmal. Eine vollständige Anleitung — mit zweiminütigem Video — gibt es im Resources-Hub: „Turn an AI-visibility gap into a cited page“.

Jeder Check eines Scans ist eine echte, live gestellte KI-Anfrage mit aktivierter Websuche — derselbe Aufruf, den die Assistenten deiner Kunden machen — und eine einzelne suchgestützte Antwort braucht 30–90 Sekunden. Diese Zeit ist das Modell beim Denken, nicht die Plattform beim Arbeiten; kein Tool kann ein Modell schneller antworten lassen. Ein voller Scan besteht aus Prompts × Engines × Durchläufen solcher Checks, mehrere parallel — eine gründliche Konfiguration braucht also echte Minuten. Die Scan-Leiste zeigt ehrlichen Fortschritt: wie viele Checks wirklich gespeichert sind, eine live berechnete Restzeit und — falls Checks fehlschlagen — wie viele, samt Grund. Auf der Prompts-Seite öffnet ein Klick auf das Fehlgeschlagen-Badge die Aufschlüsselung pro Engine — was fehlgeschlagen ist und warum (fast immer der Schlüssel oder das Kontingent eines Anbieters, weshalb jeder Prompt genau einen Check verliert). Ein fehlgeschlagener Check wird bis zu 3-mal versucht und speichert keinen Durchlauf — er zählt nie gegen ein Managed-AI-Kontingent, und mit eigenen Schlüsseln stellt der Anbieter einen fehlgeschlagenen Aufruf ebenfalls nicht in Rechnung. Zusehen musst du nicht. Schließ den Tab, wann immer du willst — der Scan läuft auf unseren Servern weiter, und die Ergebnisse warten beim nächsten Öffnen des Projekts. Sobald der Scan abgeschlossen ist, bekommst du genau eine Zusammenfassung per E-Mail — egal wo er fertig wird, und nie mehr als eine. (Ein Scan, den du selbst stoppst, mailt nicht — du warst ja dabei.) Die meisten anderen KI-Sichtbarkeits-Tools führen Prompts nur nach festem nächtlichem Zeitplan aus — ihre Dashboards zeigen also immer die Daten von gestern, und es gibt nichts zu warten, aber auch keine Möglichkeit, jetzt zu messen. CrunchJunkie gibt dir beides: den automatischen Zeitplan (wöchentlich, täglich oder alle N Tage — wähl den Rhythmus und die Stunde; die meisten Teams wählen den frühen Morgen, damit frische Zahlen zum ersten Kaffee bereitstehen) für das laufende Tracking, und den On-Demand-Scan für die Momente, in denen du heute eine Antwort brauchst — nach einer Site-Änderung, vor einem Kundentermin. Nimm den Zeitplan als Standard und den manuellen Scan als Instrument, und das Warten verschwindet komplett aus dem Arbeitsablauf.

Eine Sichtbarkeitslinie macht einen Sprung, und Wochen später weiß niemand mehr, warum. War es eine echte Veränderung — oder kamen in der Woche zwei Engines dazu, wurde der Markt umgestellt, das Scannen pausiert? Timeline-Notizen legen die Antwort direkt auf den Chart. Konfigurationsänderungen notieren wir automatisch. Immer wenn sich etwas ändert, das die Zahlen wirklich bewegt — Markt, Antwortsprache, Engines hinzugefügt oder entfernt, Prompts hinzugefügt oder entfernt (auch über den MCP-Connector), Durchläufe pro Prompt, Scan-Frequenz, Wettbewerber, Marken-Aliasse oder Pausieren und Fortsetzen — entsteht eine Notiz an diesem Datum. Bewusst nichts darüber hinaus: Eine Notiz bei jedem Speichern ist eine Notiz, die niemand mehr liest. Dieselbe Regel gilt für Wiederholungen: Zehn Wettbewerber oder zehn Prompts, über einen Tag verteilt hinzugefügt, verschmelzen zu einer Notiz, die alle nennt — und eine am selben Tag rückgängig gemachte Änderung hinterlässt gar keine Notiz, denn die Messung endet den Tag, wie sie ihn begonnen hat. Die Formulierung erklärt die Statistik, nicht nur die Einstellung. Ein hinzugefügter Wettbewerber sagt dazu, dass der Share of Voice einen Sprung machen wird, auch wenn sich an deiner Marke nichts geändert hat — er wird ab diesem Datum gegen eine andere Menge von Marken gemessen. Pausieren sagt: Die Linie hat eine Lücke, keinen Einbruch. Für alles andere schreibst du eigene Notizen — „Kunde hat TV-Kampagne gestartet“, „Website-Migration“, „neue Preisseite“. Datiere sie auf den Tag zurück, an dem die Sache passiert ist — das ist selten der Tag, an dem du sie aufschreibst. Auf dem Chart erscheinen Notizen als kleine Markierungen an der Datumsachse; beim Überfahren liest du sie. Mehrere am selben Tag bündeln sich zu einer Markierung mit Zähler. Deine Notizen und unsere haben unterschiedliche Farben, damit du auf einen Blick siehst, was von wem stammt. Verwalten kannst du alle im Settings-Tab des Projekts — automatische lassen sich dort auch ausblenden, sobald du sie zur Kenntnis genommen hast. Automatische Notizen sind intern und bleiben intern. „Markt von USA auf Spanien umgestellt“ ist eine Korrektur an der Messung und hat im Bericht, den dein Kunde liest, nichts verloren. Auch deine eigenen Notizen sind standardmäßig intern — du kannst einzelne gezielt für Kundenberichte und Share-Links freigeben, aber ohne deine bewusste Entscheidung sieht ein Kunde nie etwas davon. Und noch etwas leisten die Notizen: Fällt eine Konfigurationsänderung in den Zeitraum, den du gerade ansiehst, sagt der Chart das dazu. Ein Periodenvergleich über dieses Datum hinweg vergleicht zwei verschiedene Messungen — und das sagen wir dir lieber, statt stillschweigend eine Zahl zu zeigen, die wie ein Ergebnis aussieht.

Vier Leitkennzahlen sagen dir, wo du stehst. Die Sichtbarkeit in % ist, wie oft deine Marke über alle getrackten Prompts hinweg auftaucht. Der Share of Voice ist dein Anteil an allen Markennennungen im Vergleich zu deinen getrackten Wettbewerbern — das klarste Signal dafür, wem das Gespräch gehört. Das Sentiment bewertet, wie positiv dich jede Erwähnung beschreibt, und die Ø Position hält fest, an welcher Stelle du landest, wenn du vorkommst. Jede Kennzahl lässt sich nach Modell, nach Prompt-Kategorie oder über die Zeit aufschlüsseln. In der Ansicht Antworten filterst du nach Alle Antworten, Erwähnt, Nicht erwähnt oder Erwähnungslücke (Prompts, bei denen ein Wettbewerber auftaucht und du nicht) — der schnellste Weg zu konkreten Chancen. Die Ansicht Quellen sortiert die Domains, die die KI am häufigsten zitiert, und Insights macht daraus priorisierte Maßnahmen in klarer Sprache. Diese vier Kennzahlen sagen dir, wie oft und wie prominent du auftauchst. Die Ansicht Wahrnehmung (in der Navigation unter Marke) sagt dir, was die Modelle tatsächlich gesagt haben — die beschreibenden Begriffe, die sie über jede getrackte Marke verwendet haben, und welche dieser Begriffe nur für dich und für niemanden sonst fallen. Wie du sie liest, steht im Leitfaden Wahrnehmung.

Du musst nicht ständig ins Dashboard schauen, um ein Problem zu erwischen. CrunchJunkie beobachtet die Scans jedes Projekts und mailt deinem Team, wenn sich etwas Wesentliches ändert — konkret, wenn die Sichtbarkeit deiner Marke zwischen zwei Scans deutlich einbricht oder wenn ein Wettbewerber dich beim Share of Voice überholt. Der Alarm benennt, was sich bewegt hat und um wie viel, und verlinkt direkt ins Projekt, damit du handeln kannst. Die Schwellen sind bewusst so gesetzt, dass echte Bewegung gemeldet wird und nicht das Rauschen zwischen zwei Scans: Ein Rückgang löst nur aus, wenn er relativ betrachtet spürbar ist und von einem nicht-trivialen Ausgangswert kommt — du wirst also nicht bei jedem Wackeln um einen Punkt angepingt. Jedes Projekt meldet sich pro Veränderung höchstens einmal, damit dein Postfach ruhig bleibt, und die Alarme laufen auf demselben Scan-Rhythmus, den du eingestellt hast — nichts einzurichten, nichts anzuschalten.

Eine einzelne Gesamtzahl zur Sichtbarkeit verdeckt, wo du wirklich gewinnst und verlierst. CrunchJunkie klassifiziert deshalb jeden Prompt auf zwei Achsen. Der Käufer-Intent — Kommerziell (vergleichen/kaufen), Informativ (lernen) oder Navigierend (eine bestimmte Marke suchen) — wird je Prompt automatisch vorhergesagt und bleibt bearbeitbar. „Mit Marke“ vs. „Ohne Marke“ wird deterministisch aus deinem Markennamen und seinen Aliassen abgeleitet: Ein markenbezogener Prompt nennt dich („Taugt Lumière etwas?“), ein markenloser ist eine reine Kategoriefrage („bestes CRM für Agenturen?“). Beide Einstufungen sind regelbasiert und keine undurchsichtige Modellschätzung — sie sind also sofort da, kostenlos und zu 100 % reproduzierbar. Auf der Prompts-Seite werden daraus Filter mit einem Klick. Jeder Chip zeigt die Sichtbarkeit seines Ausschnitts samt Stichprobengröße (zum Beispiel „Ohne Marke 34 % · 340 Durchläufe“), damit ein Ausschnitt aus drei Durchläufen nie so aussieht wie einer aus dreihundert — die Zahl trägt ihre Aussagekraft immer mit sich. Der wichtigste Unterschied: Eine hohe Sichtbarkeit bei markenbezogenen Prompts heißt nur, dass die KI wiederholt, was du ihr schon gesagt hast. Der eigentliche Preis ist die Sichtbarkeit ohne Markennennung — empfohlen zu werden, bevor der Käufer dich überhaupt genannt hat. Der Filter auf kommerziellen Intent zeigt dir genau die Anfragen im Kaufmoment, bei denen eine Empfehlung konvertiert. Weil dieser Unterschied so leicht zu übersehen ist, passt die Übersicht darauf auf: Wenn ein großer Teil deiner Prompts deine Marke nennt (oder markenbezogene Prompts die Leitzahl spürbar anheben), erscheint dort direkt ein Hinweis mit deiner Sichtbarkeit ohne Markennennung — damit eine Sichtbarkeit, die nur deshalb hoch aussieht, weil du nach dir selbst fragst, nicht mit echter, unaufgeforderter Empfehlung verwechselt wird.

Eine berechtigte Frage, bei der Präzision zählt. Die Scans von CrunchJunkie sind unabhängig von deiner eigenen KI-Konto-Historie: Wir fragen nicht die Consumer-Apps von ChatGPT oder Gemini ab (die Erinnerungen, eigene Anweisungen, Chatverläufe und deinen Standort mitschleppen) — wir rufen die APIs der Anbieter auf, wo jede Anfrage zustandslos ist. Jeder Scan schickt nur den Prompt plus ein Websuche-Werkzeug; es gibt kein Gedächtnis, kein vorheriges Gespräch, keine Personalisierung — und das gilt gleichermaßen für Scans auf deinem eigenen Schlüssel (BYOK) und auf Managed AI. Dein Konto, deine Suchen und deine Historie sickern nie ins Ergebnis. Und der Anbieter schneidert eine API-Antwort nicht auf den zu, dem der Schlüssel gehört. Wenn die Sichtbarkeit einer Marke also überraschend hoch aussieht, liegt das fast nie an einer Verzerrung — sondern meistens am Prompt-Design. Ein Prompt, der die Marke nennt („Was sind die Stärken von Acme?“), garantiert praktisch eine Erwähnung und hebt damit die Leitzahl, ohne zu belegen, dass die Marke empfohlen wird. Genau deshalb trennen wir markenbezogen von markenlos (siehe oben) und stellen den markenlosen Wert heraus: Er ist das ehrliche, unverzerrte Signal — und die richtige Zahl, um sie über die Zeit zu verfolgen und mit anderen Tools zu vergleichen. Wenn zwei Tools bei der Sichtbarkeit einer Marke auseinanderliegen, sind die üblichen Gründe unterschiedliche Prompt-Sets (mit vs. ohne Markennennung), unterschiedliche Modellversionen und unterschiedlich viele Durchläufe — nicht, dass eines davon „verzerrt“ wäre.

Nicht jede KI-Antwort entsteht auf dieselbe Weise. In der Ansicht Antworten filterst du danach, welche Features eine Engine für eine Antwort tatsächlich genutzt hat. „Websuche“ markiert Antworten, bei denen das Modell vor der Antwort echte Web-Quellen abgerufen hat (gestützt), statt aus dem Trainingsgedächtnis zu antworten — und genau in den ungestützten Antworten verstecken sich halluzinierte oder veraltete Markenaussagen, das Filtern darauf ist also ein schneller Risiko-Check. „Shopping“ markiert Antworten, in denen die Engine Produktempfehlungen zurückgegeben hat. Diese Marker stammen ausschließlich aus Signalen, die der Anbieter wirklich offenlegt — welche Quellen ein Modell abgerufen und welche Produkte es empfohlen hat — und werden nie abgeleitet oder erfunden. Features, die die APIs unserer Anbieter nicht melden (etwa Anzeigen- oder Karten-Blöcke), behaupten wir bewusst nicht: Ehrliche, überprüfbare Abdeckung zählt mehr als eine längere Feature-Liste. Jede Antwort zeigt ihre Feature-Tags außerdem direkt in der Zeile, du siehst also auf einen Blick, wie eine bestimmte Antwort zustande kam.

Die erste Antwort zu gewinnen ist nur Runde eins. Echte Käufer reden weiter: Aus „bestes CRM für Startups?" wird „welches davon passt für ein kleines Team?" — und eine Marke kann die breite Empfehlung gewinnen und verschwinden, sobald die Frage eine einzige Einschränkung dazubekommt. Genau das misst Follow-up Survival. Für einen getrackten Prompt schreibst du ein realistisches Follow-up (den „Narrower"); direkt nachdem die Engine den ursprünglichen Prompt beantwortet hat, stellt CrunchJunkie dieses Follow-up in derselben Konversation und erfasst, ob deine Marke — und jeder Wettbewerber — in die zweite Antwort überlebt. Die Follow-up-Ansicht zeigt dann Überlebensraten samt Stichprobengrößen dahinter, und die konkreten Konversationen, in denen du rausgefallen bist und jemand anderes den Platz übernommen hat. Ein paar ehrliche Mechanik-Details. Die Funktion ist pro Projekt opt-in (KI-Sichtbarkeit → Einstellungen → Follow-up Survival), denn ein Follow-up ist ein echter zweiter Lauf: Berechtigte Prompts kosten rund das Doppelte, und jeder Turn-2 wird exakt wie jeder andere Check gezählt und abgerechnet. Nur Prompts mit konfiguriertem Follow-up bekommen eins — wir erfinden die Frage nie — und nur konversationsfähige Engines nehmen teil: Die Direkt-API-Engines führen die Konversation, während die Search-Capture-Engines (Google AI Overviews, AI Mode, Copilot) und DeepSeek keinen Multi-Turn-Kanal haben und ehrlich außen vor bleiben. Das Follow-up wird in der Projektsprache gestellt, die zweite Antwort läuft durch dieselbe Erwähnungs-Extraktion wie die erste, und jeder Turn-2 speichert den exakten Follow-up-Text als unveränderliche Evidenz. Lies die Metrik so, wie sie gebaut ist: nicht „wie sichtbar bin ich?", sondern „wenn ein echter Käufer die Frage eingrenzt — bin ich dann noch im Raum?" — eine Frage, die derzeit kein anderes Sichtbarkeits-Tool misst.

Wenn ein KI-Modell einen Prompt beantwortet, zitiert es oft die Seiten, auf die es sich stützt — CrunchJunkie erfasst jede einzelne. Die Ansicht Quellen sortiert die Domains, die über alle Prompts und Modelle hinweg am häufigsten zitiert werden: die Websites, die tatsächlich prägen, was die KI über deine Kategorie sagt. Die Ansicht URLs geht eine Ebene tiefer und listet die einzelnen zitierten Seiten samt Häufigkeit, damit du genau siehst, auf welche Artikel, Listicles oder Produktseiten sich die Modelle stützen. Die Gap-Analyse macht daraus eine To-do-Liste. Sie zeigt die Domains, auf denen die KI einen Wettbewerber zitiert, dich aber nie — deine klarsten Content-Lücken. Jede Lücke ist eine konkrete Chance: Verdien dir eine Erwähnung auf dieser Quelle (eine Bewertungsseite, ein Verzeichnis, ein Branchenüberblick), und du tauchst dort auf, wohin Käufer ohnehin schon geschickt werden. Weil alle drei Ansichten aus echten Scan-Zitaten gebaut sind, aktualisieren sie sich bei jedem Scan. Die URLs-Ansicht zeigt außerdem „In der KI zitiert, in Google (noch) nicht vorn“: deine EIGENEN Seiten, die KI-Engines als Quelle zitieren, die aber in der Google-Suche schlecht oder gar nicht ranken. Sie verbindet die KI-Zitate mit der durchschnittlichen Google-Position jeder Seite über alle für den Kunden verbundenen Search-Console-Properties (letzte 90 Tage) — so siehst du die Seiten, die zuerst in der KI gewinnen, bevor sie in Google gewinnen; die, bei denen sich Nachlegen lohnt. Sie liest alle verbundenen Properties, nicht nur eine, sodass auch eine Seite gefunden wird, deren Rang in einer anderen Property liegt (eine Domain-Property vs. eine www-/non-www-Property). Bewusst ehrlich: Die Google-Position ist ein impressionsgewichteter Durchschnitt über Suchanfragen (kein fester Rang), „Keine Google-Daten“ heißt keine Impressionen im Zeitraum auf der verbundenen Property — die Seite rankt vielleicht noch nicht, ODER die Property deckt diese URL nicht ab (z. B. eine reine www-Property, wenn die Seite auf der bloßen Domain liegt) — und Startseiten-/Host-Zitate ohne Zuordnung zu einer konkreten Seite werden separat gezählt. Zeigen die meisten zitierten Seiten keine Google-Daten, ist das meist ein Zeichen, dass die Property für die Domain nicht verbunden ist, und ein Hinweis führt dich zur Behebung. Voraussetzung ist eine für den Kunden verbundene Search Console. Die Tabellen Quellen und URLs haben beide einen Markenerwähnungs-Filter mit Beliebig-/Alle-/Keine-Logik, mit dem du den Zitat-Satz präzise zuschneidest. „Beliebige“ zeigt Quellen, die in Durchläufen zitiert wurden, in denen mindestens eine ausgewählte Marke vorkam; „Alle“ zeigt nur Quellen aus Durchläufen, die mehrere Marken zusammen genannt haben — der schnellste Weg zu einer Seite, die dich und einen Wettbewerber gleichzeitig behandelt; und „Keine“ zeigt zitierte Quellen, in deren Durchläufen keine getrackte Marke genannt wurde — unerschlossene Orte, die noch über niemanden aus deinem Beobachtungskreis sprechen. Ganz oben in der Ansicht Quellen sitzt der Quellenzustand. KI-Antworten zitieren echte Webseiten, und zwei Qualitätsprobleme lohnt es sich zu erwischen, wenn sie deine Marke betreffen: ein toter Link (eine zitierte Seite, die jetzt HTTP 404 oder 410 zurückgibt — sie existiert nicht mehr) und eine zurückgezogene Quelle (eine zitierte URL, deren DOI von Crossref als zurückgezogen bestätigt ist; Crossref bindet die Retraction-Watch-Datenbank ein). Klicke auf „Quellen prüfen“, und CrunchJunkie verifiziert die einzelnen von der KI zitierten Seiten und markiert alles, was tot oder zurückgezogen ist, mit exaktem Status oder DOI. Das Ganze ist bewusst konservativ und auf Genauigkeit ausgelegt: Nur ein eindeutiger 404/410 gilt als tot (ein Netzwerk-Aussetzer nie), und Rückzüge decken ausschließlich akademische DOIs ab — am nützlichsten ist die Prüfung also für Marken aus Gesundheit, Wissenschaft und Forschung, und für alle anderen zeigt sie schlicht nichts zu markieren. Ergebnisse werden pro URL gecacht und in begrenzten Chargen geprüft, die Prüfung bleibt also schnell und günstig; du kannst sie jederzeit erneut ausführen. Die Ansicht Query fanouts zeigt den Schritt VOR den Zitaten: die Websuchen, die jede Engine tatsächlich ausgeführt hat, bevor sie deine Prompts beantwortet hat — den „Fan-out“. Sie werden wörtlich aus den Such-Tool-Aufrufen der Engines während deiner Scans erfasst (gemessen, nie geschätzt) — und genau diese Queries entscheiden, welche Seiten gelesen und zitiert werden. Dafür sollte dein Content ranken, nicht nur für den Prompt-Wortlaut. Die Abdeckung steht ehrlich auf der Seite: Fan-outs gibt es erst ab neuen Scans, manche Engines legen ihre Suchen nie offen (eine Eigenschaft des Anbieters, kein Beleg, dass sie nicht gesucht haben), und Google AI Overviews, AI Mode und Copilot haben konstruktionsbedingt keinen Fan-out — dort ist der Prompt die Suche. Bewusst nicht dabei: Suchvolumen. Für KI-Fan-outs existiert keins, also zeigen wir keins. Jede Suche zeigt außerdem, wo du in ihren Ergebnissen stehst — damit du weißt, welche Fan-outs du zuerst angehst. „Du in den Antworten“ zählt über genau die Antworten, die die Suche ausgeführt haben, wie viele deine Domain zitiert und wie viele deine Marke genannt haben — aus echten Zitaten gemessen, nie modelliert — und die Standardsortierung der Tabelle ist schlichte Subtraktion: Die Suchen, die die meisten Antworten ohne dich prägen, stehen oben. „Stattdessen zitiert“ listet die Dritt-Domains, die genau diese Antworten tatsächlich zitiert haben — wer die Suche heute besitzt; eine dominante Domain ist ein klares Ziel, ein fragmentiertes Feld eine gewinnbare Suche. Und wenn die Search Console verbunden ist, ergänzt eine Google-Spalte deine eigene durchschnittliche Position und Impressionen für exakt diesen Suchstring — echte Google-Daten, als solche gekennzeichnet. Eine Suche, für die du in Googles Top 10 rankst, die KI-Antworten aber nie zitieren, ist der Hebel mit der größten Wirkung — und wird direkt an der Zeile markiert: Der Inhalt existiert, er wird nur nicht zitiert. Ein Strich dort heißt: Die Query ist im Zeitraum nicht in deinen Search-Console-Daten (Google anonymisiert seltene Queries) — nie ein Beleg, dass du nicht ranken kannst. Jede Zeile verlinkt direkt zum Content-Brief des Prompts, der die Suche am häufigsten auslöst. Ein-Klick-Ansichten über der Tabelle grenzen sie auf die Suchen ein, die dich nie zitieren, oder auf die Rankt-aber-unzitiert-Menge — dazu ein Freitextfilter und eine Mindestanzahl an Antworten, um den langen Schwanz einmaliger Suchen auszublenden.

Bevor eine KI eine Marke nennen kann, muss ihr Crawler die Website überhaupt lesen dürfen. Das Werkzeug Crawlbarkeit prüft die robots.txt einer Domain gegen jeden großen KI-Crawler — GPTBot und OAI-SearchBot (ChatGPT), ClaudeBot und Claude-SearchBot, PerplexityBot, Google-Extended und Googlebot und weitere — und sagt dir, ob jeder Blockiert, Teilweise oder Erlaubt ist. Klapp einen Crawler auf, und du siehst genau, warum (welche User-Agent-Regel gegriffen hat) und wie du es änderst. Das Werkzeug unterscheidet Training-Crawler (sie zu blockieren hält deine Inhalte aus Modell-Datensätzen heraus, oft gewollt) von Such- und Antwort-Crawlern (sie zu blockieren schadet deiner KI-Sichtbarkeit direkt), damit du pro Bot die richtige Entscheidung triffst. Die Domain wird aus der gespeicherten Website des Kunden vorausgefüllt. Die Crawlbarkeits-Prüfung läuft zudem automatisch im selben wöchentlichen Rhythmus wie das GEO-Audit, sodass Verlauf und Änderungsprotokoll ohne manuellen Klick aktuell bleiben — ein neuer Snapshot wird nur protokolliert, wenn sich die robots.txt-Haltung tatsächlich ändert, und ein Badge auf der Seite zeigt, wann zuletzt geprüft wurde (bernsteinfarben, falls eine Prüfung veraltet, älter als etwa eine Woche). Crawl-Insights ist die Gegenansicht: Sobald du deine Server-Logs weiterleitest, zeigt sie, wie oft jeder KI-Crawler die Website tatsächlich besucht — aus „wir erlauben GPTBot“ wird „GPTBot hat letzte Woche 40 Seiten abgerufen“. Zusammen gilt: Crawlbarkeit sagt dir, wer die Website lesen darf; Crawl-Insights sagt dir, wer es tut. Ein wichtiger Vorbehalt, weil er oft für Verwirrung sorgt: Crawler-Besuche zeigen, ob KI-Bots deine Website erreichen können — nicht, ob du in KI-Antworten zitiert wirst. Ein Modell nennt eine Marke oft aus seinem Trainingsgedächtnis ohne neuen Crawl, und Live-Antworten zitieren meist aus einem Index oder Cache, statt bei jeder Frage deinen Server abzurufen; wenige (oder null) Crawler-Besuche bedeuten also nicht geringe Sichtbarkeit. Ob du tatsächlich zitiert wirst, siehst du unter KI-Sichtbarkeit; Crawl-Insights ist das Zugriffs-Signal, kein Zitat-Zähler. Die Tabelle der Top-Seiten verbindet beide Seiten pro Seite: Neben jedem gecrawlten Pfad zeigt Gelesen, wie viele Scan-Antworten diese Seite bei der Recherche gezogen haben, und Zitiert, wie viele sie als Quelle zitiert haben — je einmal pro Antwort gezählt, über den Seitenpfad deiner Website zugeordnet und nur aus Antworten mit echtem Abgerufen/Zitiert-Split. Die beiden Spalten haben bewusst verschiedene Nenner — mehrere Engines legen Zitate offen, aber nie ihre Abrufliste, sodass Zitiert über Gelesen liegen kann, ohne dass etwas falsch ist; die Fußzeile unter der Tabelle nennt beide Zahlen. Darunter listet „In Antworten zitiert, in diesem Zeitraum nicht gecrawlt“ deine Seiten, die KI-Antworten ohne frischen Crawler-Besuch zitieren — aus genau dem Index-und-Cache-Grund oben der Normalfall, keine Anomalie. Das eine Muster, auf das sich reagieren lohnt: Eine Seite, die Bots intensiv abrufen, die aber nie in eine Antwort gelesen wird, ist Content, den die Modelle einsammeln und nicht verwenden. Sobald genug Seiten beide Ereignisse tragen, erscheint eine Zeile „Zeit bis zur Zitierung“: der beobachtete Median zwischen dem ersten geloggten Crawl einer Seite und ihrer ersten erfassten Zitierung, mit Medianen pro Engine, sobald mindestens drei Seiten qualifizieren. „Beobachtet“ ist das entscheidende Wort — beide Reihen beginnen mit dem Verbinden der Logs bzw. dem Start der Zitierungs-Erfassung, und Engines unterscheiden sich stark; lies es als das, was auf dieser Website passiert ist, nie als versprochene Geschwindigkeit. Seiten, die vor jedem geloggten Crawl zitiert wurden, werden aus genau dem Index-und-Cache-Grund oben separat gezählt. „Kaputt für KI-Crawler“ ist die Reparaturliste pro Seite: jede URL, die einem KI-Bot-Abruf mit einem Fehler geantwortet hat — tote Links (404/410), Serverfehler, Rate-Limits — mit den exakten Status-Zählern und den betroffenen Bots. Bewusst nicht enthalten: 403/406-Edge-Blocks, denn das ist Zugriffs-Policy statt Defekt und gehört zur Ansicht Firewall & Zugriff — beides zu mischen ließe gewolltes Blockieren wie einen Bug aussehen. Sobald Logs einlaufen, führt Crawl-Insights mit KI-Bot-Traffic — denselben Treffern, gruppiert nach dem Unternehmen hinter den Bots statt nach dem einzelnen User-Agent. Es zeigt, wie viele Anbieter die Website erreicht haben, die KI-Abrufe insgesamt, den Anteil jedes Anbieters (ein gestapelter Balken — OpenAI vs. Google vs. Anthropic vs. Amazon …) und die Aufteilung zwischen Nutzeranfrage-Abrufen (ein Bot, der eine Seite live für die Frage von jemandem holt) und Such- und Trainings-Crawls. Es ist der schnellste Blick darauf, wer der Website Aufmerksamkeit schenkt und warum. Ein Anbieter fasst alle seine Bots zusammen (OpenAI bündelt also GPTBot, OAI-SearchBot und ChatGPT-User in einer Zeile), und jeder Anteil ist die Trefferzahl des Anbieters geteilt durch die Gesamtzahl, die Balken ergeben also immer 100%. Jeder Anbieter trägt zudem eine Verifiziert-Stufe — den Anteil seiner Abrufe, die wir aus den eigenen veröffentlichten IP-Bereichen dieses Unternehmens bestätigen konnten. Einige Anbieter (OpenAI, Google, Perplexity) veröffentlichen maschinenlesbare IP-Bereich-Feeds; wir holen und cachen sie und prüfen die Quell-IP jedes Treffers dagegen. Ein Request, der sich als GPTBot ausgibt, aber von einer IP außerhalb des veröffentlichten OpenAI-Bereichs kommt, ist ein gefälschter User-Agent und zählt nie als verifiziert. Anbieter, die keine Bereiche veröffentlichen, werden ehrlich als „nicht verifizierbar“ ausgewiesen statt geraten — ein fehlender Verifiziert-Wert heißt also „nicht prüfbar“, nicht „gefälscht“. Es ist der Unterschied zwischen „ein Bot sagte, er sei ChatGPT“ und „er war es nachweislich“. Die Logs verbindest du auf einem von drei Wegen, alle auf der Crawl-Insights-Seite. Auf Vercel: Team-Einstellungen → Drains → Add Drain → Daten: Logs → Projekt: das, das diese Website ausliefert → Quellen: Functions, Edge Functions und Static Files → Umgebung: Production → Ziel: den auf der Seite angezeigten Ingest-Endpoint einfügen (Format JSON oder NDJSON — die Verifizierung läuft automatisch durch). Auf Cloudflare: Logpush ist ein Enterprise-Feature — im Free- oder Pro-Tarif nimm stattdessen einen kleinen Worker: einen Forwarder deployen (Workers & Pages → Create → Start with Hello World → einfügen → Deploy) und eine Route auf deine-domain.de/* legen. Das fertige Snippet, mit deinem Ingest-Endpoint bereits eingesetzt, findest du auf der Crawl-Insights-Seite unter „Logs mit einem Worker weiterleiten“. (Enterprise-Nutzer können weiterhin einen Logpush-Job auf denselben Endpoint richten.) Überall sonst: eine .log-, .txt-, .csv- oder gepackte .gz-Zugriffslogdatei (Combined/Common-Format) über den Upload-Button hochladen — .gz-Dateien werden im Browser entpackt, ein roher Server-Log wie sslaccesslog.gz lässt sich also direkt hochladen. Datenschutz in jedem Fall: Gespeichert werden nur KI-Crawler-Zugriffe (Bot-Name, Pfad, Status, Zeitpunkt); Requests menschlicher Besucher werden beim Eingang verworfen und nie persistiert.

KI-Crawler machen drei verschiedene Jobs, und sie zu blockieren hat drei verschiedene Preisschilder. TRAINING-Crawler sammeln Inhalte für künftiges Modelltraining: OpenAIs GPTBot, Anthropics ClaudeBot, Google-Extended (Googles Trainings-Opt-out), Applebot-Extended, Amazonbot, Meta-ExternalAgent, ByteDances Bytespider und Common Crawls CCBot — dessen Datensatz viele Modelle zugleich speist; CCBot zu blockieren ist also ein Opt-out aus mehr als dem Training einer einzigen Firma. Einen Training-Crawler zu blockieren entfernt deine Inhalte aus dem, was KÜNFTIGE Modelle aus dem Gedächtnis wissen. Das kostet heute nichts Sichtbares und berührt Live-Antworten nicht — eine legitime Grundsatzentscheidung —, aber es wirkt leise nach: Modelle, die dich nie gelesen haben, zitieren dich später seltener aus dem Gedächtnis. SEARCH-Crawler speisen den Live-Antwort-Index, aus dem Zitate kommen: OAI-SearchBot (ChatGPT-Suche), Claude-SearchBot, PerplexityBot, Amzn-SearchBot, Applebot (das auch Siri und Spotlight versorgt), Google-CloudVertexBot. Diese zu blockieren ist ein direkter, sofortiger Sichtbarkeitsverlust — die Engine kann deine Seiten beim Komponieren der Antwort nicht abrufen und zitiert jemand anderen. NUTZER-AUSGELÖSTE Fetcher agieren nur, wenn eine Person fragt: ChatGPT-User, Claude-User, Perplexity-User, Gemini-Deep-Research, meta-externalfetcher, DuckAssistBot, Mistral. Diese zu blockieren lässt „lies diese Seite“ live scheitern — vor genau dem Nutzer, der nach dir gefragt hat. Ein Sonderfall steht über allem: Googlebot selbst speist die klassische Suche UND die AI Overviews — für die KI-Nutzung deiner Inhalte gibt es Google-Extended; Googlebot aus GEO-Gründen zu blockieren würde deine Google-Suchsichtbarkeit gleich mit erledigen. Zwei Fallen sind es wert, gekannt zu werden. Erstens: Die meisten „alle KI blockieren“-robots.txt-Rezepte erwischen die Search- und Nutzer-Crawler zusammen mit den Training-Crawlern — man zahlt den sofortigen Sichtbarkeitspreis für ein Trainings-Opt-out, meist unbeabsichtigt. Das Crawlability-Tool trennt die beiden Klassen pro Bot genau deshalb, damit du Training-Crawler blockieren und die Live-Antwort-Crawler behalten kannst. Zweitens: Ein User-Agent-String ist trivial fälschbar — jeder kann „GPTBot“ in einen Request-Header schreiben, und in echten Produktions-Logs ist ein großer Teil des angeblichen KI-Crawler-Traffics genau das. Die einzig vertrauenswürdige Identitätsprüfung sind die offiziell veröffentlichten IP-Bereiche des Anbieters. OpenAI (openai.com/gptbot.json und Geschwister), Google (die Crawler-IP-Feeds auf developers.google.com) und Perplexity (perplexity.ai/perplexitybot.json) veröffentlichen maschinenlesbare Feeds; die Crawl-Insights prüfen jeden geloggten Zugriff, der diese Anbieter behauptet, gegen die Live-Feeds und markieren ihn als verifiziert oder gefälscht. Anbieter ohne bestätigten maschinenlesbaren Feed werden als NICHT PRÜFBAR markiert — bewusst: Manche Anbieter dokumentieren stattdessen Reverse-DNS, und wo wir nicht gegen eine offizielle Quelle prüfen können, sagen wir das, statt zu raten — ein falsches „gefälscht“ würde einen legitimen Crawler verleumden. Die Karte „Crawler-Identitätsprüfung“ auf der GEO-Audit-Seite zeigt deine eigene Verteilung verifiziert vs. gefälscht aus deinen weitergeleiteten Logs.

Alles oben Beschriebene kann in einen Bericht wandern. Füge ein Tabellen-Widget ein, wähle die Quelle KI-Sichtbarkeit und setze die Dimension: Brand, Model, Brand × Model, Perception, Prompt, Gap analysis, Cited URLs, Crawler visits, AI bot traffic, Crawler access, Tag, Topic, Biggest Movers, Cited Sources, Source Performance, Source Health, Retrieval & Citations — dazu die Shopping-Dimensionen (Shopping, Product, SKU, Product Schema, Feed Readiness, Shopping Sources), die im Leitfaden zur KI-Shopping-Sichtbarkeit beschrieben sind. Jede davon richtet sich nach dem Zeitraum des Berichts und führt ihre Stichprobengröße mit, dein Kunde sieht also dieselben ehrlichen Zahlen wie du. „Gap analysis“ legt dem Kunden die Liste der Content-Lücken vor. Jede Zeile ist eine Domain, die die Modelle zitiert haben, mit vier Werten: „Cited with competitor“ ist die Zahl der Scan-Läufe, in denen diese Domain zitiert und ein Wettbewerber erwähnt wurde, „Cited with you“ ist derselbe Wert für die Marke deines Kunden, „Gap“ ist der erste Wert minus den zweiten, und „Runs“ zeigt, in wie vielen Läufen die Domain überhaupt vorkam. Eine Domain zählt höchstens einmal pro Lauf — zehn Zitate derselben Website innerhalb einer Antwort sind ein Vorkommen, nicht zehn —, die Zahlen lesen sich also als Reichweite und nicht als Wiederholung. Angezeigt werden nur Zeilen mit positivem Gap: Eine Domain, die dich genauso oft zitiert wie deine Wettbewerber, ist keine Chance, und neutrale Zeilen würden genau die begraben, bei denen sich Handeln lohnt. Einen Unterschied solltest du kennen, bevor ein Kunde danach fragt. Die Seite Gap-Analyse in der App wertet alle jemals erfassten Läufe aus — sie ist ein Arbeitswerkzeug, und dort willst du die vollständige Liste der Lücken sehen. Das Bericht-Widget richtet sich stattdessen nach dem Zeitraum des Berichts, weil ein Kundenbericht eben eine Periode abdeckt. Dasselbe Projekt kann auf dem Bildschirm also völlig zu Recht mehr Domains zeigen als im Bericht des letzten Monats — das sind zwei Werkzeuge, die zwei verschiedene Fragen beantworten, und keine Abweichung, der du nachgehen musst. „Prompt“ schlüsselt die Ergebnisse nach der einzelnen Frage auf, statt sie zusammenzufassen. Tag und Topic gruppieren Prompts — das ist die richtige Ebene für ein Thema und die falsche für „Wenn jemand genau diese Frage stellt, tauchen wir dann auf?“, also für die Frage, die Kunden tatsächlich stellen. Sortiert wird schlechteste zuerst, denn ein Bericht zur KI-Sichtbarkeit ist nützlicher, wenn er mit den Fragen aufmacht, die du verlierst, statt mit denen, die du ohnehin gewinnst. „Cited URLs“ ist das Gegenstück zu Cited Sources auf Seitenebene. Cited Sources kennt nur Domains, ein Reddit-Thread, ein Testbericht und ein Forenbeitrag fallen also alle zu „reddit.com“ zusammen — richtig für „welche Websites zählen“, falsch für „auf welche Seite müssen wir“. Jede Zeile ist eine echte URL mit grobem Seitentyp, der Zahl der Zitationen und der Information, ob in denselben Antworten deine Marke oder ein Wettbewerber genannt wurde. „Crawler access“ zeigt die robots.txt-Haltung Bot für Bot, blockierte zuerst, damit Probleme oben stehen. Beachte: Diese Tabelle folgt NICHT dem Zeitraum des Berichts wie die übrigen — sie liest die jüngste Crawlbarkeits-Prüfung, denn die robots.txt-Haltung ist ein aktueller Zustand und nichts, was sich über eine Periode ansammelt. Sie zu einem beliebigen vergangenen Datum zu zeigen wäre irreführend, weil sie längst behoben sein kann. „Crawler visits“ ist die zweite neue Tabelle und der einzige Beleg zur KI-Sichtbarkeit, der gemessen und nicht gesampelt ist: Sie listet die KI-Crawler auf, die tatsächlich Seiten der Website abgerufen haben, gelesen aus Server-Logs. Dafür muss zuerst die Aufnahme der Crawl-Logs für das Projekt eingerichtet sein — wie das funktioniert und was eine leere Tabelle bedeutet, steht im Leitfaden „KI-Crawler & Crawlbarkeit”. „AI bot traffic“ ist die Anbieter-Ebene dieser Tabelle: eine Zeile pro Unternehmen (OpenAI, Google, Anthropic, Amazon …) mit den Abrufen insgesamt, dem Anteil an allen KI-Abrufen und der Aufteilung zwischen Nutzeranfrage- und Such-/Trainings-Crawls. Es ist dieselbe Zusammenfassung, mit der die Crawl-Insights-Seite aufmacht — Bericht und App stimmen also immer überein. Wie „Crawler visits“ wird sie aus Server-Logs gemessen und braucht zuerst die eingerichtete Log-Aufnahme. Die Quelle GEO-Audit ergänzt zudem die Tabelle „Competitor crawler access”, die deine robots.txt mit der deiner Wettbewerber vergleicht — eine Zeile pro KI-Antwort-Crawler mit der Angabe, ob DU ihn blockierst und wie viele Wettbewerber das tun, sodass „du blockierst ChatGPT, während die meisten Wettbewerber ihn zulassen” sofort auffällt. Sie füllt sich, sobald du in den Einstellungen des KI-Sichtbarkeits-Projekts Wettbewerber-Domains hinterlegst (nur eingetragene Domains werden geprüft), und erscheint in der App, in geteilten Links und im PDF. Ein Wettbewerber, dessen robots.txt nicht gelesen werden kann, wird weggelassen statt geraten. Die Quelle GEO-Audit hat außerdem die Tabelle „Firewall & access policy”. Während „Crawler access” nur zeigt, was deine robots.txt sagt, verbindet diese das mit einem Live-Test: Sie ruft deine Startseite mit dem User-Agent jedes KI-Antwort-Crawlers ab und prüft, ob die Anfrage tatsächlich durchkam. Entscheidend ist die Spalte „Verdict” — „Firewall blocks” bedeutet, dass deine robots.txt den Crawler erlaubt, eine Firewall oder ein CDN ihn aber trotzdem abweist (ein HTTP 403/406, auf das der Crawler trifft, bevor die robots.txt überhaupt gelesen wird), sodass er dich weder lesen noch zitieren kann, egal was die robots.txt sagt. Sie füllt sich, sobald ein GEO-Audit einen eindeutigen Live-Test durchführt, deckt die fünf Crawler ab, denen sich eine Blockade zuordnen lässt (OAI-SearchBot und ChatGPT-User von ChatGPT, PerplexityBot, ClaudeBot, Googlebot), und erscheint in der App, in geteilten Links und im PDF. Eine Bot-Challenge oder ein Rate-Limit wird angezeigt, aber nie als bestätigte Blockade gezählt.

Größere Projekte profitieren von etwas Ordnung. Die Ansicht Marken verwaltet die exakten Namen, die CrunchJunkie als Erwähnung erkennt — dein Kunde plus seine Wettbewerber —, inklusive Schreibvarianten und Aliassen, damit eine Erwähnung nie übersehen oder falsch gezählt wird. Mit Tags beschriftest du Prompts (nach Thema, Funnel-Stufe oder Priorität des Kunden) und filterst danach jede Kennzahl — der schnellste Weg zu Antworten auf Fragen wie „Wie sichtbar sind wir bei Vergleichs-Prompts am Ende des Funnels?“. In den Projekt-Einstellungen steuerst du Markenname und Website, die Wettbewerberliste, welche Modelle laufen, die Durchläufe pro Prompt und den Scan-Zeitplan. Der Zeitplan ist Aus, Täglich oder Wöchentlich — und du legst die genaue Uhrzeit fest (und bei wöchentlich den Tag), in deiner eigenen Zeitzone, damit Scans dann laufen, wann du sie brauchst. Änderungen hier greifen ab dem nächsten Scan.

Du trackst die KI-Sichtbarkeit schon in Peec AI? Dann kannst du ein Peec-Projekt direkt nach CrunchJunkie importieren, statt für diesen Kunden eigene Scans laufen zu lassen. Öffne unter Daten → Integrationen auf der Karte Peec AI die Schaltfläche Verbinden, wähle den Kunden und füge einen projektbezogenen Peec-API-Key ein (in Peec unter Account → API Keys erstellt). CrunchJunkie prüft den Key und importiert dann Sichtbarkeit, Share of Voice, Sentiment, durchschnittliche Position, Prompts und zitierte Quellen des Projekts. Nach dem Import versorgen die Daten exakt dieselben KI-Sichtbarkeits-Ansichten und Bericht-Widgets wie eigene Scans — Übersicht, Prompts, Quellen, Gap-Analyse und der Bericht-Builder funktionieren unverändert. Das Projekt ist als Peec-Import gekennzeichnet, die Herkunft der Zahlen ist also immer klar, und eine erneute Synchronisation holt die aktuellen Werte. Beachte: Peecs REST-API gehört derzeit zu ihrer Enterprise-/Beta-Stufe, der Key braucht auf ihrer Seite also aktivierten API-Zugang.

Aus Peec importierte Daten und CrunchJunkies eigene Scans liegen beim selben Kunden nebeneinander, ohne sich gegenseitig zu überschreiben. Jeder Datenpunkt trägt seine Herkunft — „peec“ oder „native“ —, und beide werden unter verschiedenen Modellnamen gespeichert (Peec nutzt sprechende Labels wie „ChatGPT“ und „Perplexity“; eigene Scans nutzen die konkret aufgerufenen Modellversionen, z. B. ChatGPT auf GPT-5.6 mit Websuche oder Perplexity Sonar Pro). Deshalb überschreiben sie einander nie: Ein eigener Scan legt seine Daten neben die importierten Peec-Daten, statt sie zu ersetzen, und eine Peec-Neusynchronisation aktualisiert nur ihre eigenen importierten Zeilen. Hat ein Kunde beides, zeigt die KI-Sichtbarkeits-Übersicht einen Quellenschalter — Alle Daten / CrunchJunkie-Scans / Peec AI (importiert) —, mit dem du jede Quelle einzeln oder beide zusammen ansiehst. Eines solltest du im Kopf behalten: In der kombinierten Ansicht „Alle Daten“ kann derselbe Assistent zweimal auftauchen (einmal aus Peec, einmal aus einem eigenen Scan). Für einen einzelnen Kunden behandelst du also am besten eine Quelle als maßgeblich und nutzt den Schalter, wenn du vergleichen willst. Ein importiertes Peec-Projekt beginnt nicht von selbst mit eigenen Scans — es hat keine eigenen Prompts, und sein Scan-Zeitplan bleibt aus, bis du Prompts hinzufügst und dich für eigene Läufe entscheidest.

Einstellungen → Abrechnung zeigt unter dem Managed-AI-Zähler ein Verbrauchsprotokoll: jeden Check dieser Periode, dreifach aufgeschlüsselt — nach Kunde, nach Modell und nach Tag. Es zeigt zwei Zahlen nebeneinander, und der Unterschied zwischen ihnen ist wichtig. Scans ist, wie oft wir ein Modell tatsächlich abgefragt haben. Verbrauchte Checks ist, was das von deinem Kontingent abgezogen hat. Beides ist nicht dasselbe, denn Premium-Modelle (ChatGPT, Claude, Perplexity, Grok) zählen 3× — 200 Scans auf ChatGPT sind also 600 Checks. Premium-Modelle sind mit einem ×3-Badge markiert, und wenn die beiden Zahlen auseinandergehen, benennt das Protokoll die Verrechnung direkt: „Aus N Scans wurden M Checks, nachdem Premium-Modelle gewichtet wurden.“ Managed-Checks und Checks über deine eigenen Schlüssel stehen in getrennten Spalten und werden nie zusammengezählt. Managed-Checks ziehen von dem Paket ab, das du bezahlst; Checks über eigene Schlüssel laufen auf deinem API-Key und kosten hier nichts. Eine einzelne zusammengefasste Zahl würde nichts Reales beschreiben. Nutz es, um die Fragen zu beantworten, die der Zähler allein nicht kann: welcher Kunde das Paket verbraucht, ob sich ein Premium-Modell auf einem bestimmten Projekt lohnt und ob ein Ausschlag ein einzelner schlechter Tag oder ein stetiger Anstieg war. Es gibt einen PDF-Export, um die Aufschlüsselung an einen Kunden oder in ein Spesensystem weiterzugeben. Vor Juli 2026 erfasste Checks haben keinen Kunden hinterlegt und erscheinen als „Nicht zugeordnet“ — sie werden angezeigt statt weggelassen, damit die Teile immer die Gesamtsumme ergeben.

Es gibt zwei Wege, Scans laufen zu lassen. Mit eigenen Schlüsseln (BYOK) verbindest du deine eigenen API-Keys für jedes Modell; CrunchJunkie führt die Scans darüber aus, und du zahlst ausschließlich die Nutzungspreise der Anbieter, ohne Aufschlag. Die Schlüssel werden verschlüsselt gespeichert und nur für deine Scans verwendet. Das ist die günstigste Variante, wenn du ohnehin schon Anbieter-Konten hast. Managed AI ist die Alternative ohne Einrichtung: CrunchJunkie führt die Scans auf der eigenen Infrastruktur aus, du verwaltest keine Schlüssel. Abgerechnet wird pro Check (ein Check = ein Prompt-Durchlauf). Die Modellwahl ist frei — du wählst einen Monatstarif mit inkludiertem Check-Kontingent, von 25 €/Monat (Lite, 645 Checks) bis 399 €/Monat (Scale, 12.250 Checks), und zahlst darüber hinaus 0,05 € pro Check (alles zzgl. MwSt.). Effiziente Modelle zählen 1× pro Check, Premium-Modelle (ChatGPT, Claude, Perplexity, Grok) 3×. Du kannst Managed AI und eigene Schlüssel mischen, einzelne Modelle jederzeit an- und abschalten, pro Modell wechseln und ein Ausgabenlimit setzen. Die aktuellen Managed-AI-Details stehen auf der Preisseite.

Die Einheit ist der Check. Ein Prompt, einmal gestellt, auf einer Engine, ist ein Check — außer bei einer Premium-Engine (ChatGPT, Claude, Perplexity, Grok), die 3× zählt. Jede Summe unten ist genau das, ausmultipliziert: Prompts × Durchläufe × Summe der Engine-Gewichte. Ein Scan. Angenommen, du trackst 10 Prompts und lässt sie auf vier Engines laufen — ChatGPT und Perplexity (Premium, je 3×) plus Gemini und Google AI Overviews (effizient, je 1×) — mit zwei Durchläufen. Ein Durchlauf eines Prompts sind 3 + 3 + 1 + 1 = 8 Checks; zwei Durchläufe sind 16; über 10 Prompts ist ein einzelner Scan 160 Checks. Ein Monat. Wöchentlich gescannt sind das etwa 4,3 Scans pro Monat ≈ 690 Checks. Alle zwei Wochen gescannt etwa 345. Gegen einen Tarif. Managed AI Lite enthält 645 Checks für 25 €/Monat. Die Zwei-Wochen-Kadenz (≈ 345/Monat) liegt bequem darin, und die ungenutzten ≈ 300 Checks rollen in den nächsten Monat. Die wöchentliche Kadenz (≈ 690/Monat) liegt rund 45 darüber: Die werden mit 0,05 € je Check abgerechnet — 2,25 €, also 27,25 € in dem Monat (zzgl. MwSt., wie jede Managed-AI-Angabe) — es sei denn, du hast Rollover angespart, der immer vor jeder Übernutzung aufgebraucht wird. Ungenutzte Checks werden bis zu sechs Monatskontingente lang angespart. Der günstigste Puls. Der Scan-Modus Sparsam — zwei effiziente Engines mit einem Durchlauf — sind nur 2 Checks pro Prompt und Scan. 20 Prompts wöchentlich zu tracken sind 20 × 2 × 4,3 ≈ 172 Checks pro Monat, deutlich unter einem Drittel des Lite-Kontingents. Zwei Dinge kosten nie einen Check: Es gibt keine Grenze, wie viele Prompts du trackst (nur das Scannen zieht vom Kontingent ab), und ein fehlgeschlagener Check — bis zu dreimal wiederholt — wird nie gezählt, weder bei Managed AI noch mit eigenen Schlüsseln. Mit eigenen Schlüsseln wird davon ohnehin nichts von uns abgerechnet: Du zahlst den Preis jedes Anbieters direkt, und dieselbe Formel sagt dir nur, was auf dessen Rechnung zu erwarten ist.

Bevor du ein vollständiges Projekt aufsetzt, kann jeder eine Kurzfassung unter /ai-visibility-check auf der Marketing-Website ausprobieren — ohne Konto, ohne Anmeldung. Gib eine Marke ein (und optional bis zu drei eigene Prompts sowie eine E-Mail-Adresse für die ausführlichere Auswertung), und CrunchJunkie führt an Ort und Stelle einen kleinen, echten Scan aus: Es fragt ein einzelnes, web-gestütztes KI-Modell mehrfach ab und meldet als Sichtbarkeit in %, wie oft die Marke genannt wurde — mit exakter Stichprobengröße („n = … Durchläufe“) und einer randsicheren Fehlermarge (± %) sowie allen tatsächlich zitierten Quellen. Es ist bewusst eine kleine Stichprobe auf einem Modell, und die Seite sagt das auch — ein ehrlicher Snapshot, kein erfundener Score. Und wenn ein oder zwei Durchläufe scheitern, wird der Wert auf Basis der tatsächlich abgeschlossenen neu berechnet. Es ist ein guter Weg, einem Interessenten in unter einer Minute zu zeigen, was die KI über ihn sagt; das vollständige Produkt trackt durchgehend über alle zehn Modelle, mit deutlich mehr Prompts, Wettbewerbern, Quellen und Trends über die Zeit. Nutz den Check als Einstieg und leg danach ein Projekt an, um in die Tiefe zu gehen.

Wenn du ChatGPT (oder Gemini, Perplexity) auf dem Handy öffnest, einen deiner Prompts stellst und das Ergebnis mit einem CrunchJunkie-Scan vergleichst, werden die Antworten meist nicht exakt übereinstimmen — und das ist zu erwarten. KI-Antworten sind nicht deterministisch und personalisiert, ein einzelner manueller Check und ein kontrollierter Scan messen also verschiedene Dinge. Fünf Gründe für die Abweichung: • Anderes Modell. Die Consumer-Apps von ChatGPT/Gemini/Perplexity nutzen das Standardmodell und die eingebaute Websuche, die dein Konto gerade bekommt. CrunchJunkie scannt eine definierte Liste konkreter Modellversionen über deren APIs (z. B. ChatGPT auf GPT-5.6 mit Websuche, Perplexity Sonar, Gemini, Google AI Overview). Anderes Modell, andere Antwort. • Personalisierung. Deine App schleppt Erinnerungen, eigene Anweisungen, Kontohistorie und deinen Standort mit — all das verzerrt die Antwort (z. B. Richtung Agenturen in deiner Nähe). Scans laufen sauber und neutral, ohne persönliches Gedächtnis, gegen den Markt, den du konfigurierst — die Ergebnisse sind also über Kunden und über die Zeit hinweg vergleichbar. • Live-Browsing. Wenn die App im Web recherchiert, zieht sie frische Ergebnisse, die sich von Minute zu Minute ändern. Ein Scan hält einen kontrollierten Snapshot fest. • Stichprobe. Derselbe Prompt liefert bei Wiederholung andere Antworten, weil Modelle samplen. Genau deshalb führt CrunchJunkie jeden Prompt mehrfach aus und aggregiert — ein einzelner manueller Durchlauf ist eine einzelne, verrauschte Stichprobe. • Zeit. Modelle und der Web-Index ändern sich laufend; ein Scan von letzter Woche und ein Check von heute werden auseinanderliegen. Kurz gesagt: Ein manueller Stichprobentest ist ein personalisierter, verrauschter Datenpunkt. Der Wert von CrunchJunkie liegt in der kontrollierten, wiederholbaren Messung über viele Durchläufe, die dieses Rauschen herausmittelt — damit du den Trend verfolgen und Marken fair vergleichen kannst, statt auf einen einzelnen Screenshot zu reagieren.

Eine Sichtbarkeitslinie macht einen Sprung, und drei Wochen später weiß niemand mehr, warum. War es eine echte Veränderung — oder hast du zwei Engines hinzugefügt, den Markt gewechselt oder das Scannen eine Woche pausiert? Timeline-Annotationen beantworten das direkt am Chart. Die meisten schreibt CrunchJunkie automatisch: Immer wenn sich eine Projekteinstellung ändert, die die Messung beeinflusst — Markt, Sprache, Engines, Wettbewerber, Marken-Aliasse, Prompt-Set, Durchläufe pro Prompt, Zeitplan oder Scannen pausiert/fortgesetzt —, wird eine automatische Annotation mit dem exakten Vorher/Nachher festgehalten. Änderungen, die verändern, WAS gemessen wird (Markt, Sprache, Engines, Wettbewerber, Aliasse, Prompts), werden besonders markiert, denn ein Delta über eine solche Änderung hinweg vergleicht zwei verschiedene Messungen. Manuelle Notizen — „neue Preisseite live", „PR-Kampagne gestartet" — fügst du über das Annotations-Panel an der Sichtbarkeits-Timeline hinzu. Jede Annotation ist intern oder geteilt, und die Regel ist strikt: Automatische Annotationen sind immer intern — deine Kunden sehen deine Konfigurationsänderungen nie. Eine manuelle Notiz, die du als geteilt markierst, erscheint zusätzlich in kundenseitigen Berichten: als nummerierte Notizen unter den KI-Sichtbarkeits-Charts im Bericht in der App, im geteilten Berichtslink und im PDF — der Kunde liest dieselbe Erklärung neben derselben Linie. Interne Notizen bleiben nur in der App sichtbar.