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, mist 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 Ziele, 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.

Ziel A erhält das größte Gewicht, weil Kaufentscheidungs- und Problem-Lösungs-Prompts den höchsten Business Impact haben: Die Marke muss sich den Platz in der Antwort verdienen. Ziel B folgt mit 30 %, weil Quellennennung Sichtbarkeit vor der Kaufentscheidung aufbaut. Ziel C bleibt mit 20 % bewusst kleiner: Die Marke erscheint in diesen Prompts immer, die Frage ist nur wie. Als Startpunkt ergibt sich daraus eine Verteilung von 50/30/20. Wer kaum Ratgeber-Content hat, gewichtet Ziel B geringer. Wer gerade einen Produktwechsel kommuniziert, erhöht Ziel C temporär.

Entscheidend ist dabei, dass die drei Sets nicht vermischt ausgewertet werden:

Warum die drei Sets getrennt ausgewertet werden müssen:

Set	Primärer KPI	Fehler bei gemischter Auswertung
Ziel A	Mention Rate	Ziel-C-Prompts nennen die Marke immer. Das bläht die Rate künstlich auf.
Ziel B	Citation Rate	Andere Messmechanik als Ziel A. Quelle und Empfehlung sind nicht dasselbe.
Ziel C	Sentiment	Ist die Darstellung positiv, neutral oder negativ? Nicht als Quote messbar.

Die Mention Rate ist das am häufigsten verwendete Sichtbarkeitsmaß im AI Monitoring. Rechnet man Ziel-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 Messzielen:

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:

Messziel	Fragetyp	Beispiel-Prompt
Ziel A	Kaufentscheidung	Welche Kaffeebohnen mit Schokoladennote eignen sich für French Press?
	Problem-Lösung	Welche Kaffeebohnen helfen, wenn mir Espresso immer zu sauer ist?
	Anbieter-Wechsel	Ich bestelle bisher bei [Rösterei X], suche aber eine Alternative mit weniger Säure.
	Marktentdeckung	Welche österreichischen Kaffeeröstereien versenden ins Ausland?
Ziel B	Bildung	Wie beeinflusst der Mahlgrad die Extraktionszeit bei French Press?
	Ratschlag	Worauf achte ich beim Kauf von Kaffeebohnen für zuhause?
	Kriterien	Woran erkenne ich guten Specialty Coffee?
Ziel C	Ruf	Ist [Rösterei X] wirklich fairer Handel oder nur Marketing?
	Direkt-Vergleich	[Rösterei X] vs. [Rösterei Y], was empfiehlt sich für Gastronomen?
	Anleitung	Wie bereite ich einen Kaffee mit [Rösterei X]-Bohnen und einer French Press optimal zu?
	Fehlerbehebung	Mein Kaffee von [Rösterei X] schmeckt bitter. Was mache ich falsch?

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.

Vier Regeln für gut formulierte Prompts:

Drei Gegenüberstellungen aus der Praxis:

Keyword-Stil (nicht geeignet)	Prompt-Stil (geeignet)
Fitnessstudio Wien monatlich kündbar günstig	Welches Fitnessstudio in Wien Landstraße hat flexible Verträge ohne Jahresbindung?
French Press Kaffeebohnen Schokolade	Welche Kaffeebohnen eignen sich für French Press und haben eine kräftige Schokoladennote bei wenig Säure?
HR Software DATEV Integration	Welche Zeiterfassungssoftware lässt sich mit DATEV verbinden und eignet sich für ein Unternehmen mit rund 50 Mitarbeitern?

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.

Phase	Gesamtvolumen	Wann sinnvoll
Pilot	25–50	Einstieg mit vollständiger A/B/C-Abdeckung für eine Marke, testbar im ersten Monat
Fokussiertes Sortiment	50–150	Mehrere Produktlinien oder Service-Cluster, jeweils eigene Sets
Breites Sortiment	150–500	Viele Leistungsbereiche oder mehrere Märkte, Sets pro Bereich
Enterprise / Multi-Brand	500+	Mehrere Marken, internationale Märkte, konzernweites Monitoring

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.

Je mehr Prompts ein Set umfasst, desto höher der Monitoring-Aufwand. Als grobe Größenordnung für Tool-Kosten (keine Listenpreise):

Setup	Prompts	Kosten Tool (ca.)
Manuell	15–20	kostenlos (~2–3 Std./Monat)
Budget-Tool	30–50	ca. 40–100 EUR/Monat
Mid-Range	50–100	ca. 150–300 EUR/Monat
Enterprise	200–500	ca. 500+ EUR/Monat

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 Erwähnungsquote.

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 Mention Rate allein.

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:

Dimension	Was sie ermöglicht	Beispiel-Tags
Funnel-Stufe	Sichtbarkeit nach Kaufphase auswerten	Awareness / Consideration / Decision
Persona	Ergebnisse nach Zielgruppe aufschlüsseln	Einsteiger / Stammkunde / B2B-Einkäufer
Produktlinie	Vergleich zwischen Linien	Espresso / Filter / Kapseln
Markt	Regionale Unterschiede erkennen	AT / DE / CH
Saisonalität	Zeitliche Relevanz steuern	Evergreen / Sommer / Schulstart

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.

Häufige Fragen

Meine Mention Rate ist 0 %. Liegt das am Prompt-Set oder an meiner Sichtbarkeit?

Zuerst den Benchmark-Test: dieselben Prompts auf drei bis fünf Wettbewerber anwenden. Erscheint dort ebenfalls keine Marke, liegt das Problem nicht bei der eigenen Sichtbarkeit: KI empfiehlt in diesem Themenfeld grundsätzlich keine Marken. Das ist häufig in B2B-Nischen und bei regulierten Kategorien so. Erscheinen Wettbewerber, aber nicht die eigene Marke, ist es ein Sichtbarkeitsproblem, kein Messproblem.

Kann ich einer hohen Mention Rate vertrauen, oder hängt sie von der Set-Konstruktion ab?

Die Set-Konstruktion beeinflusst die Mention Rate direkt. Aussagekräftig sind Prompts, bei denen KI typischerweise ein bis acht konkrete Empfehlungen ausspricht. In einer offenen Liste von zwanzig Marken vorzukommen ist keine echte Empfehlung. Wer das Set mit solchen Auflistungs-Prompts auffüllt, startet mit einem künstlich hohen Ausgangswert. Der richtige Vergleich: dieselben Prompts auf Wettbewerber anwenden und die Entwicklung über Zeit beobachten, nicht den Absolutwert zum Start.

Warum liefert ChatGPT auf denselben Prompt morgen eine andere Antwort?

LLMs sind nicht-deterministisch: Temperatur, Abruf-Variationen und laufende Modell-Updates sorgen dafür, dass identische Prompts unterschiedliche Antworten erzeugen. Einzelne Durchläufe sind daher nicht repräsentativ. Professionelles Monitoring löst das durch mehrere Durchläufe pro Prompt und Auswertung des Durchschnitts über Zeit, nicht per Einzelabfrage.

Die KI beschreibt meine Marke falsch oder unvollständig: Was kann ich dagegen tun?

KI-Systeme stützen ihre Darstellung auf das, was sie als verlässliche Quelle einschätzen. Falsche Fakten korrigieren, fehlende Informationen als klar strukturierten Content aufbereiten, auf Seiten setzen die KI-Systeme als Referenz indexieren. Eine schnelle Korrektur durch direkte Einreichung gibt es nicht: Änderungen im LLM-Wissensstand brauchen Zeit. Welche Inhalte KI-Systeme bevorzugt als Quelle zitieren, erklärt der Artikel zu Zitierfähigkeit im AI Monitoring.

Was wenn KI bei meinen Prompts gar keine Marken nennt, nicht mal Wettbewerber?

Das kommt häufiger vor als erwartet, besonders in B2B-Nischen und bei erklärungsbedürftigen Produkten. KI klassifiziert diese Kategorie noch nicht als empfehlbar: Die Antwort ist informational, nicht transaktional. In diesem Fall verlagert sich der sinnvolle Monitoring-Ansatz auf Ziel B. Wessen Website als Informationsquelle zitiert wird, baut Sichtbarkeit vor der Kaufentscheidung auf.

Brauche ich für AT, DE und CH jeweils ein eigenes Set?

Nicht vollständig. Das Kern-Set, also informative Prompts und generische Marktentdeckungs-Fragen, funktioniert marktübergreifend. Separate Varianten braucht es nur dort, wo Lokalbezug die Empfehlung tatsächlich verändert: Kaufentscheidungs- und Anbieter-Wechsel-Prompts mit Ortsangaben sowie Prompts zu regulatorischen Themen. Praktischer Einstieg: ein gemeinsames Kern-Set mit Markt-Tag, darüber hinaus gezielte Varianten nur für Subkategorien mit echten regionalen Unterschieden.

Mein Wettbewerber erscheint bei fast jedem Ziel-A-Prompt, ich kaum. Was tun?

Der Abstand zeigt eine Content- oder Positionierungslücke, keine Tool-Frage. Zuerst analysieren, in welchen Subkategorien der Abstand am größten ist: Bei Kaufentscheidungs-Prompts fehlt meist eine klare, KI-wahrnehmbare Positionierung für spezifische Anforderungen. Bei Marktentdeckungs-Prompts fehlt oft Reichweite im Ratgeber-Content. Das Prompt-Set wird zum Diagnose-Instrument: Welche Variator-Kombination produziert konsistent keinen Treffer. Dort liegt der konkrete Handlungsbedarf.

Kann mein Wettbewerber mein Prompt-Set rekonstruieren und dagegen optimieren?

Im Prinzip ja: Wer dieselben Nutzerfragen kennt, baut ähnliche Sets. Der Vorteil liegt nicht im Set selbst, sondern in der Geschwindigkeit der Auswertung und der Qualität der Maßnahmen danach. Ein Wettbewerber der schneller aus den Daten lernt und seinen Content entsprechend anpasst, gewinnt, unabhängig davon wie das Set konstruiert ist.

Wie oft sollte ich mein Prompt-Set laufen lassen?

Wir empfehlen alle drei Tage bis wöchentlich. Die Mention Rate ist ein Prozentwert über viele Durchläufe: Je häufiger gemessen wird, desto mehr Datenpunkte, desto früher zeigen sich belastbare Trends. Zu selten bedeutet weniger Datenpunkte und längere Blindphasen nach eigenen Maßnahmen oder Modell-Updates. Täglich ist möglich, kostet aber entsprechend mehr ohne proportionalen Erkenntnisgewinn. Alle drei bis sieben Tage ist ein guter Kompromiss aus Datendichte und Aufwand.

Weiterführende Artikel