Prompt-Bibliothek für AI-Monitoring aufbauen: Aufbau, Ziele und Beispiele

Prompts vs. Keywords

KI-Systeme wie ChatGPT oder Perplexity antworten nicht auf Keywords. Sie antworten auf Situationen. Wer ein Prompt-Set aus Suchbegriffen zusammenstellt, misst das Falsche.

Der Unterschied wird klar, wenn man sich ansieht, wie Menschen tatsächlich mit KI interagieren. Suchanfragen in ChatGPT sind typischerweise deutlich länger als klassische Google-Suchanfragen und enthalten Kontext, Einschränkungen und oft eine persönliche Ausgangslage. Das ist keine Nuance: Es verändert, welche Marken empfohlen werden.

Ein Beispiel: Wer in Google „Steuerberater Wien“ sucht, bekommt eine Ergebnisliste. Wer ChatGPT fragt „Welcher Steuerberater in Wien ist auf Freiberufler und erste GmbH-Gründungen spezialisiert?“, bekommt eine begründete Empfehlung mit spezifischen Marken, die für genau diese Kombination aus Leistung, Lage und Qualitätsmerkmal bekannt sind. Ob Ihre Kanzlei dabei auftaucht, hängt nicht von Ihrem Keyword-Ranking ab, sondern davon, wie KI-Systeme Ihre Positionierung wahrnehmen.

Prompts enthalten Standort, Anforderungen, Vertragsmodell, Qualitätserwartung. In Suchmaschinen würde kaum jemand so suchen: Das ist ein gelerntes Muster. In ChatGPT ist es die natürliche Eingabeform. Wer für AI Visibility nur prüft, ob die Marke bei generischen Kurzanfragen auftaucht, sieht den falschen Ausschnitt.

Wie KI-Systeme Prompts intern weiterverarbeiten und warum das die Antworttiefe beeinflusst, erklärt der Artikel zu Query Fan Out.

Das A/B/C-Schema: Drei Messziele, drei getrennte Sets

Ein Prompt-Set beantwortet genau eine Frage. Drei Fragen stehen im Zentrum des AI Monitorings, und jede braucht ein eigenes Set, weil jede anders gemessen wird.

Set A erhält das größte Gewicht, weil Kaufentscheidungs- und Problemlösungs-Prompts den höchsten Business Impact haben: Die Marke muss sich den Platz in der Antwort verdienen. Set B folgt mit 30 %, weil Quellennennung Sichtbarkeit vor der Kaufentscheidung aufbaut. Set C bleibt mit 20 % bewusst kleiner: Die Marke erscheint in diesen Prompts immer, die Frage ist nur wie.

Als Startpunkt ergibt sich eine Verteilung von 50/30/20. Wer kaum Ratgeber-Content hat, gewichtet Set B geringer. Wer gerade einen Produktwechsel kommuniziert, erhöht Set C temporär.

Die drei Sets dürfen nicht gemischt ausgewertet werden:

Die Erwähnungsrate ist das am häufigsten verwendete Sichtbarkeitsmaß im AI Monitoring. Rechnet man Set-C-Prompts mit ein, ist die Marke garantiert in jeder Antwort: Das macht den KPI wertlos. Echte Sichtbarkeitsveränderungen werden unsichtbar.

Das gilt für jede Branche. Vier Beispiele, jeweils mit allen drei Sets:

Prompts mit dem höchsten Impact

Nicht alle Prompts sind gleich viel wert. Diese vier Typen decken den größten Teil des Business Impact ab und gehören in jedes Set zuerst.

Wer das Set nach Business Impact aufbaut, beginnt mit Kaufentscheidungs-Prompts: Sie sind die einzigen, bei denen eine fehlende Erwähnung direkt eine verlorene Kaufentscheidung bedeutet.

Fragetypen nach Messziel

Jedes Messziel hat typische Fragetypen, die sich bewährt haben. Die Tabelle zeigt, welcher Fragetyp in welches Set gehört:

Prompts formulieren: Natural Language statt Suchbegriff

Ein Prompt ist kein Suchbegriff. Er ist eine vollständige Frage, so formuliert wie ein echter Mensch sie in ChatGPT oder Perplexity eintippen würde.

Der häufigste Fehler: Monitoring-Prompts werden wie Keywords formuliert. „Kaffeebohnen kaufen“ löst in einer KI eine andere Antwort aus als „Welche Kaffeebohnen mit viel Koffein und wenig Säure eignen sich für die French Press?“. Die zweite Variante enthält Use Case, Produkteigenschaft und Zubereitungsart: genau die Parameter, nach denen KI-Systeme Empfehlungen differenzieren.

Drei Gegenüberstellungen aus der Praxis:

Der Kontext verändert nicht nur die Qualität der KI-Antwort, er verändert, welche Marken empfohlen werden. Ein Fitnessstudio, das in allgemeinen Anfragen nicht auftaucht, kann bei lokalen oder vertragsmodell-spezifischen Anfragen gut sichtbar sein. Genau diese Differenzierung macht Monitoring wertvoll.

Prompt-Variationen: Basis-Prompts systematisch erweitern

Aus einem Basis-Prompt werden durch gezielte Erweiterungen mehrere Prompts, die zeigen, wo Sichtbarkeit bei mehr Kontext abbricht.

Das Prinzip: Einen gut formulierten Basis-Prompt nehmen und schrittweise einen Variator hinzufügen. Wo die Marke bei einer Variante nicht mehr erscheint, fehlt entweder passender Content oder eine klare Positionierung für dieses Segment.

Beispiel für ein Fitnessstudio:

Beispiel für eine Kaffeerösterei:

Wenn das Fitnessstudio bei der Basis-Variante erscheint, beim Preis-Variator aber nicht mehr: Dann fehlt Content zu Preismodellen und Vertragsmodellen. Das ist ein direkt umsetzbarer Hinweis.

Die 12 Variator-Typen im Überblick:

Faustregel: Pro Basis-Prompt 0 bis 3 Variatoren kombinieren. Nicht jede Kombination ist sinnvoll: nur testen, was echte Nutzersituationen abbildet. Acht Variationen eines einzigen Prompts liefern weniger Erkenntnisse als acht verschiedene Basis-Prompts.

Woher kommen die richtigen Prompts?

Die besten Prompts entstehen nicht am Schreibtisch. Sie entstehen aus echten Datenquellen, die zeigen, wie die Zielgruppe tatsächlich sucht und fragt.

Google Search Console: Long-Tail-Queries. Suchanfragen mit sieben oder mehr Wörtern und Fragewörtern (wie, welche, was, warum) sind die direktesten Kandidaten. Besonders relevant: Anfragen mit hohen Impressionen und wenigen Klicks. Dort beantwortet eine KI die Frage bereits vollständig, ohne dass der Nutzer auf die Website klickt. Das sind die Prompts mit dem höchsten Handlungsbedarf.

Sales- und Support-Gespräche. Welche Fragen stellen Interessenten vor dem Kauf? Vertriebsgespräche, Support-Tickets und Onboarding-Calls enthalten die realsten Formulierungen, näher an echter Sprache als jede intern entwickelte Liste.

Bewertungsplattformen. Google-Rezensionen, Trustpilot, branchenspezifische Portale: Wie beschreiben echte Kunden das Problem, das zum Kauf geführt hat? Diese Formulierungen funktionieren oft direkt als Prompts.

Community-Quellen. Reddit, LinkedIn-Kommentare, Branchenforen. Informelle Sprache der Zielgruppe, oft näher an KI-Prompts als jede interne Formulierung.

KI direkt befragen. ChatGPT oder Perplexity mit der Frage: „Welche Fragen würde jemand stellen, der [Situation]?“ Als Brainstorming-Werkzeug gut geeignet, aber kein Ersatz für echte Nutzerdaten. KI produziert plausible, nicht unbedingt reale Prompts.

Wir beginnen neue Monitoring-Sets fast immer mit der GSC-Analyse. Die Long-Tail-Queries mit hohen Impressionen und niedrigen Klicks zeigen nicht nur, was die Zielgruppe sucht: Sie zeigen, wo KI bereits die Antwort übernimmt.

Wie viele Prompts braucht ein Monitoring-Set?

Die Frage lässt sich nicht mit einer Zahl beantworten. Zwei Faktoren bestimmen das richtige Volumen: der Umfang des Sortiments oder der Leistungen, und das verfügbare Budget. Beides hängt direkt zusammen, weil Tool-Preismodelle fast ausnahmslos pro Prompt kalkuliert werden.

Faustregel pro Fokusbereich: 25 bis 50 Prompts für eine Produktlinie oder einen Service-Cluster im Pilot. Das Gesamtset wächst mit der Breite des Angebots.

Ein Fitnessstudio mit einem Standort und einem klaren Angebot kommt mit einem Pilot-Set aus (25–50 Prompts). Ein Hersteller mit fünf Produktlinien für unterschiedliche Zielgruppen braucht pro Linie ein eigenes Set.

Als grobe Größenordnung für Tool-Kosten (keine Listenpreise):

Wettbewerbs-Monitoring

Branded Monitoring allein zeigt zu wenig. Die strategisch wichtigere Frage ist: Wer wird empfohlen, wenn der eigene Name nicht fällt?

Ein Prompt-Typ verdient besondere Aufmerksamkeit: Schwächen-Monitoring. „Was sind bekannte Nachteile von [Wettbewerber]?“ zeigt, welche Schwächen KI dem Wettbewerber zuschreibt, und ob die eigene Positionierung als Alternative ankommt. Das ist ein anderer Erkenntnistyp als die reine Erwähnungsrate.

Der aussagekräftigste Kennwert im Wettbewerbs-Monitoring ist die gemeinsame Erwähnungsrate: Wie oft erscheinen die eigene Marke und ein Wettbewerber in derselben Antwort? Ein hoher Wert bedeutet, KI sieht beide als gleichwertige Alternativen, eine andere Information als die Erwähnungsrate allein.

Wer den Wettbewerbsvergleich auf eine Zahl verdichten will, nutzt den Share of Voice (SoV): Welcher Anteil aller Markenerwähnungen im beobachteten Themenfeld entfällt auf die eigene Marke? Eine stabile eigene Erwähnungsrate kann trotzdem Boden verlieren, wenn ein Wettbewerber deutlich gewachsen ist. Das zeigt SoV, die Erwähnungsrate allein nicht. Wie SoV berechnet wird und warum Konsistenz beim Wettbewerber-Set entscheidend ist, erklärt der Artikel zu den AI-Monitoring-KPIs.

Setup-Empfehlung: drei bis fünf Hauptwettbewerber auswählen und identische Prompts für alle laufen lassen. Das ermöglicht einen fairen Vergleich über Zeit.

Analyse-Tagging: Prompts für das Reporting strukturieren

Nicht alle Monitoring-Tools unterstützen Tagging. Dieser Schritt ist nur relevant, wenn das eingesetzte Tool eigene Tag-Felder pro Prompt anbietet.

Tags verändern nicht die Prompt-Auswahl: Sie ermöglichen übergreifende Auswertungen, sobald das Set über 30 Prompts wächst oder mehrere Produktlinien parallel gemonitort werden.

Nachdem alle Prompts stehen, werden sie mit analytischen Tags versehen. Fünf Dimensionen haben sich als besonders relevant erwiesen:

Ein praktischer Hinweis: Variator-Typen, die in vielen Prompts vorkommen, zum Beispiel Standort oder Preismodell, können zu eigenen Analyse-Tags werden. Dann lässt sich „Wie gut ist die Sichtbarkeit bei lokalen Anfragen?“ oder „Bei preissensiblen Anfragen?“ als separate Auswertungsdimension reporten, ohne das Set neu zu strukturieren.