Multi-Message Customer Journeys: Warum AI-Sichtbarkeit über fünf Recherche-Ebenen gemessen werden muss Multi-Message Customer Journeys: Why AI Visibility Must Be Measured Across Five Research Levels

Multi-Message Customer Journeys verlagern die Kaufrecherche von mehreren Google-Sessions in eine einzige KI-Konversation und machen die Marken-Sichtbarkeit über alle fünf Recherche-Ebenen messbar entscheidend. Persona-basiertes Prompt-Tracking misst diese Sichtbarkeit gegen ChatGPT, Gemini, Claude und Perplexity. Wir bei Loud & Lexis liefern dafür mit dem AI Visibility Monitoring die Mess-Schicht: Persona-Briefing, Tracking-Prompts über die Journey-Stufen Problem, Orientierung, Evaluation, Vergleich und Entscheidung, gegenübergestellt zu definierten Wettbewerbern. Relevant für alle digital-affinen CMOs und Marketing-Verantwortliche in mittelständischen B2B- und B2C-Unternehmen, deren Kategorien zunehmend in KI-Antworten verglichen werden. Den Verschiebungsdruck datiert Gartner 2024 mit einer Prognose von 25 Prozent weniger klassischem Suchvolumen bis 2026.

Multi-message customer journeys shift purchase research from multiple Google sessions into a single AI conversation, making brand visibility across all five research levels measurably decisive. Persona-based prompt tracking measures this visibility against ChatGPT, Gemini, Claude and Perplexity. At Loud & Lexis, our AI Visibility Monitoring provides the measurement layer: persona briefing, tracking prompts across the journey stages of problem, orientation, evaluation, comparison and decision, benchmarked against defined competitors. Relevant for every digitally savvy CMO and marketing lead in mid-sized B2B and B2C companies whose categories are increasingly compared in AI answers. Gartner 2024 dates the pressure to shift, forecasting a 25 percent drop in classic search volume by 2026.

Persona-Prompts und AI-Sichtbarkeits-Tracking

Persona Prompts and AI Visibility Tracking

Persona-Prompt-Tracking misst, ob Ihre Marke in KI-generierten Antworten genannt wird, in welcher Position, mit welchem Sentiment und neben welchen Wettbewerbern. Gemessen wird gegen die vier dominanten Sprachmodelle ChatGPT, Gemini, Claude und Perplexity. Aus jedem Persona-Briefing leiten wir bei Loud & Lexis ein Set aus Tracking-Prompts ab und messen pro Prompt eine konkrete Antwort-Sichtbarkeit. Aggregiert ergibt das zwei zentrale Kennzahlen: den AI Visibility Score (Share of Voice in KI-Antworten) und die Generative Search Presence, also den Wettbewerbs-Abstand in derselben Antwort.

Persona prompt tracking measures whether your brand is mentioned in AI-generated answers, in what position, with what sentiment and alongside which competitors. Measurement runs against the four dominant language models ChatGPT, Gemini, Claude and Perplexity. From each persona briefing we at Loud & Lexis derive a set of tracking prompts and measure concrete answer visibility per prompt. Aggregated, this produces two central metrics: the AI Visibility Score (share of voice in AI answers) and the Generative Search Presence, the competitive gap within the same answer.

Methodisch operieren wir damit auf der Mess-Schicht über unserer Fischnetzstrategie. Loud & Lexis arbeitet dabei mit Promptwatch zusammen und bezieht von dort die Echtzeit-Daten über die vier LLM-Plattformen. Search Engine Land hat 2025 Share of Voice als zentrale Visibility-Metrik für LLM-Antworten etabliert und betont, dass konsistentes Sampling die probabilistische Volatilität der Modelle in interpretierbare Signale umwandelt. Damit ist der Mess-Gegenstand klar: nicht Rankings, sondern Antwort-Präsenz.

Methodologically, we thus operate on the measurement layer above our Fishnet Strategy. Loud & Lexis works with Promptwatch and draws real-time data on the four LLM platforms from there. Search Engine Land established share of voice as the central visibility metric for LLM answers in 2025 and emphasises that consistent sampling converts the probabilistic volatility of the models into interpretable signals. The object of measurement is therefore clear: not rankings, but answer presence.

Prompt-Tracking misst Antwort-Sichtbarkeit, Keyword-Tracking misst Ranking-Position

Prompt Tracking Measures Answer Visibility, Keyword Tracking Measures Ranking Position

Prompt-Tracking misst Marken-Erwähnungen in KI-Antworten, Keyword-Tracking misst Rankings in klassischen Suchergebnissen: der Unterschied ist nicht graduell, sondern paradigmatisch. Beim Prompt-Tracking ist der Mess-Gegenstand die Nennung Ihrer Marke neben definierten Wettbewerbern in einer synthetisierten Antwort. Beim Keyword-Tracking ist es die Position einer URL in einer Linkliste.

Prompt tracking measures brand mentions in AI answers, keyword tracking measures rankings in classic search results: the difference is not gradual but paradigmatic. With prompt tracking, the object of measurement is the mention of your brand alongside defined competitors in a synthesised answer. With keyword tracking, it is the position of a URL in a list of links.

Dimension	Prompt-Tracking	Keyword-Tracking
Mess-Gegenstand	Marken-Nennung in der Antwort	URL-Position im Index
Mess-Frequenz	Multi-Sampling pro Prompt	Snapshot pro Crawl
Wettbewerbs-Benchmark	Direkter Vergleich in derselben Antwort	Getrennte Ranking-Spalten
Kommerzielle Implikation	Sichtbarkeit ohne Klick	Sichtbarkeit nur mit Klick

Dimension	Prompt Tracking	Keyword Tracking
Object of measurement	Brand mention in the answer	URL position in the index
Measurement frequency	Multi-sampling per prompt	Snapshot per crawl
Competitive benchmark	Direct comparison within the same answer	Separate ranking columns
Commercial implication	Visibility without a click	Visibility only with a click

Eine SparkToro-Studie von Rand Fishkin zeigte 2026 mit 2.961 Prompt-Wiederholungen über ChatGPT, Claude und Google AI, dass weniger als 1 von 100 Wiederholungen dieselbe Markenliste zurückgibt und Ranking-Positionen in KI-Tools statistisch nicht belastbar sind. Aggregierte Visibility-Prozente über viele Prompts bleiben dagegen statistisch valide. Wir bei Loud & Lexis messen daher Präsenz-Quoten, nicht Positionen.

A SparkToro study by Rand Fishkin showed in 2026, across 2,961 prompt repetitions over ChatGPT, Claude and Google AI, that fewer than 1 in 100 repetitions returns the same brand list and that ranking positions in AI tools are not statistically robust. Aggregated visibility percentages across many prompts, by contrast, remain statistically valid. At Loud & Lexis we therefore measure presence rates, not positions.

Persona-Methodik im Prompt-Tracking entlang fünf Journey-Ebenen

Persona Methodology in Prompt Tracking Along Five Journey Levels

Die Persona-Methodik im Prompt-Tracking startet mit einer Persona-Definition und leitet daraus Tracking-Prompts entlang informational, transactional und comparative Suchintention ab. Persona-Definition bedeutet bei Loud & Lexis Demografie, Recherche-Verhalten, typische Objections und Kaufmotive. Diese Persona wird mit den Kernproblemen, die der jeweilige Service bzw. das jeweilige Produkt löst, zu einem Datenset kombiniert.

The persona methodology in prompt tracking starts with a persona definition and derives tracking prompts along informational, transactional and comparative search intent. At Loud & Lexis, persona definition means demographics, research behaviour, typical objections and purchase motives. This persona is combined with the core problems the respective service or product solves into a single dataset.

Aus diesem Persona- & Produktdatenset leiten wir bei Loud & Lexis Prompts über fünf Recherche-Ebenen ab, die jede Kaufentscheidung in einer KI-Konversation durchläuft:

From this persona and product dataset, we at Loud & Lexis derive prompts across five research levels that every purchase decision passes through in an AI conversation:

1. Problem-Erkennung: Der Nutzer benennt ein Problem oder ein Bedürfnis ohne konkrete Kategorie.
2. Orientierung: Der Nutzer fragt nach Kategorie-Optionen und ersten Begriffen.
3. Evaluation: Der Nutzer prüft Eigenschaften und Kriterien einzelner Optionen.
4. Vergleich: Der Nutzer stellt zwei bis fünf Anbieter direkt gegenüber.
5. Entscheidung: Der Nutzer fragt nach konkreter Kaufoption oder nächstem Schritt.

1. Problem recognition: The user names a problem or need without a concrete category.
2. Orientation: The user asks about category options and first terms.
3. Evaluation: The user examines the properties and criteria of individual options.
4. Comparison: The user directly compares two to five providers.
5. Decision: The user asks for a concrete purchase option or next step.

Diese Ebenen laufen heute in einer einzigen KI-Konversation, weil das Context Window des Chats nicht aktiv geleert wird. Eine 2026 publizierte Studie von Simhi et al. zeigt mit dem HISTORY-ECHOES-Framework und einer Spearman-Korrelation von 0,78 über drei Modelle, dass die Konversations-Historie nachfolgende Antworten messbar in Richtung der bisherigen Hidden-Representations zieht. Wer auf der Problem-Ebene zuerst genannt wird, ist nach Loud-&-Lexis-Lesart für die Vergleichs- und Entscheidungs-Antworten geprimed. CNBC berichtet 2025 unter Verweis auf die OpenAI-NBER-Studie 700 Millionen Wochen-Nutzer und 18 Milliarden Nachrichten pro Woche an ChatGPT.

These levels today run within a single AI conversation, because the chat's context window is not actively cleared. A 2026 study by Simhi et al. shows, using the HISTORY-ECHOES framework and a Spearman correlation of 0.78 across three models, that conversation history measurably pulls subsequent answers towards the prior hidden representations. Whoever is named first at the problem level is, in Loud & Lexis terms, primed for the comparison and decision answers. CNBC reported in 2025, citing the OpenAI-NBER study, 700 million weekly users and 18 billion messages per week to ChatGPT.

Setup eines LLM-Mention-Tracking-Tools mit Persona-Briefing

Setting Up an LLM Mention Tracking Tool with a Persona Briefing

Das Setup eines LLM-Mention-Tracking-Tools umfasst drei Konfigurations-Schritte: Persona-Briefing, Prompt-Set-Definition entlang informational, transactional und comparative Intention sowie eine Wettbewerbs-Liste mit Klassifizierung. Im Persona-Briefing definieren wir Demografie, Suchverhalten und Objections der Zielgruppe. Im Prompt-Set werden die Tracking-Prompts den fünf Journey-Ebenen zugeordnet, sodass tiefere Ebenen den Kernkontext der höheren Ebenen explizit mitführen. Die Wettbewerbs-Liste umfasst die Marken, gegen die in derselben KI-Antwort vergleichsweise gemessen wird. Wir bei Loud & Lexis konfigurieren dieses Setup operativ über Promptwatch und überführen es im Anschluss in eine zweite Mess-Ebene.

Setting up an LLM mention tracking tool involves three configuration steps: persona briefing, prompt set definition along informational, transactional and comparative intent, and a competitor list with classification. In the persona briefing we define the target group's demographics, search behaviour and objections. In the prompt set, the tracking prompts are assigned to the five journey levels, so that deeper levels explicitly carry the core context of the higher levels. The competitor list comprises the brands against which the brand is comparatively measured within the same AI answer. We at Loud & Lexis configure this setup operationally via Promptwatch and then transfer it into a second measurement layer.

Diese zweite Mess-Ebene ist nach Loud-&-Lexis-Methodik die Query-Fan-Out-Übersetzung. Search Engine Land dokumentiert 2025 unter Verweis auf Googles Patent US20240289407A1, dass moderne KI-Suchsysteme aus einem einzelnen Nutzerprompt eine Konstellation synthetischer Sub-Queries erzeugen, die parallel gegen den Index laufen und deren Treffer anschließend zur Antwort synthetisiert werden. Conductor beschreibt Query Fan-Out 2026 als Standard-Retrieval-Technik moderner KI-Such-Systeme. Pro Tracking-Prompt entstehen typischerweise 5 bis 10 interne Retrieval-Queries.

This second measurement layer is, in Loud & Lexis methodology, the query fan-out translation. Search Engine Land documents in 2025, citing Google's patent US20240289407A1, that modern AI search systems generate from a single user prompt a constellation of synthetic sub-queries that run in parallel against the index and whose results are subsequently synthesised into the answer. Conductor describes query fan-out in 2026 as a standard retrieval technique of modern AI search systems. Each tracking prompt typically produces 5 to 10 internal retrieval queries.

Nach Loud-&-Lexis-Methodik leiten wir aus jedem Tracking-Prompt systematisch diese zugehörigen LLM-Retrieval-Queries ab, jeweils mit Target-LLM und Rolle: Main, Specification, Comparative, Counter, Recency und Implicit-Reviews. Damit wird sichtbar, welche internen Sub-Queries die Marken-Nennung in der finalen Antwort tatsächlich auslösen. Die Princeton-Studie von Aggarwal et al. (ACM SIGKDD 2024) hat dieses Aggregations-Verhalten erstmals als akademisches Mess-Framework etabliert.

In Loud & Lexis methodology, we systematically derive from each tracking prompt these associated LLM retrieval queries, each with a target LLM and role: Main, Specification, Comparative, Counter, Recency and Implicit Reviews. This reveals which internal sub-queries actually trigger the brand mention in the final answer. The Princeton study by Aggarwal et al. (ACM SIGKDD 2024) first established this aggregation behaviour as an academic measurement framework.

Die wichtigsten AI-Mention-Tracking-Tools im DACH-Markt

The Leading AI Mention Tracking Tools in the DACH Market

Im DACH-Markt sind Promptwatch, Peec AI, Otterly und Profound aus Loud-&-Lexis-Sicht die vier dominierenden AI-Mention-Tracking-Tools: sie unterscheiden sich in LLM-Abdeckung, Persona-Methodik und Wettbewerbs-Benchmark. Eine Marktübersicht von Lebesgue differenziert 2026 die Schwerpunkte: Promptwatch für Source-Visualisierung, Otterly AI als Einstiegspunkt für kleinere Teams, Peec AI mit starkem Source-Tracking und Profound als Enterprise-Plattform.

In the DACH market, Promptwatch, Peec AI, Otterly and Profound are, in Loud & Lexis terms, the four dominant AI mention tracking tools: they differ in LLM coverage, persona methodology and competitive benchmark. A market overview by Lebesgue differentiates the focus areas in 2026: Promptwatch for source visualisation, Otterly AI as an entry point for smaller teams, Peec AI with strong source tracking and Profound as an enterprise platform.

Tool	Persona-Support	Wettbewerbs-Benchmark	Schwerpunkt
Promptwatch	Persona-Briefing möglich	Direkter Multi-Brand-Vergleich	Source-Visualisierung
Peec AI	Customer-Journey-Stages	Source-Tracking-Tiefe	Citation-Quellen-Analyse
Otterly AI	Einsteiger-Setup	Basis-Vergleich	Günstiger Einstieg
Profound	Multi-Persona-Setups	Enterprise-Cohorts	Enterprise-Tiefe

Tool	Persona support	Competitive benchmark	Focus
Promptwatch	Persona briefing possible	Direct multi-brand comparison	Source visualisation
Peec AI	Customer journey stages	Source tracking depth	Citation source analysis
Otterly AI	Entry-level setup	Basic comparison	Affordable entry
Profound	Multi-persona setups	Enterprise cohorts	Enterprise depth

Promptwatch ist für uns bei Loud & Lexis das offizielle Tracking-Tool. Die Toolwahl ist nicht das Differenzierende: der methodische Rahmen aus Persona-Definition, Wettbewerbs-Klassifizierung und Query-Fan-Out-Ableitung entscheidet, wie aussagekräftig die Daten werden.

Promptwatch is our official tracking tool at Loud & Lexis. The tool choice is not the differentiator: the methodological framework of persona definition, competitor classification and query fan-out derivation determines how meaningful the data becomes.

Generative Search Presence (GSP) als Wettbewerbs-Sichtbarkeit

Generative Search Presence (GSP) as Competitive Visibility

Generative Search Presence (GSP) misst die relative Sichtbarkeit einer Marke gegenüber definierten Wettbewerbern in KI-generierten Antworten. Die Metrik aggregiert nach Loud-&-Lexis-Standardmodell drei Dimensionen: Erwähnungs-Frequenz (wie oft wird die Marke genannt), Erwähnungs-Position (an welcher Stelle der Antwort) und Sentiment (in welcher Tonalität). GSP verändert die Mess-Frage von „Wie sichtbar sind wir?" zu „Wen verdrängen wir aktuell?".

Generative Search Presence (GSP) measures a brand's relative visibility against defined competitors in AI-generated answers. In the Loud & Lexis standard model, the metric aggregates three dimensions: mention frequency (how often the brand is named), mention position (at which point in the answer) and sentiment (in what tonality). GSP changes the measurement question from "How visible are we?" to "Whom are we currently displacing?".

Die statistische Belastbarkeit einer einzelnen KI-Antwort ist gering, weil LLMs probabilistisch generieren. Yotpo dokumentiert 2026, dass signifikante Teile der AI-Overview-Rankings sich innerhalb von acht Wochen verändern und dass effektive Monitoring-Tools deshalb mit Multi-Sampling arbeiten, also denselben Prompt mehrfach abfragen, um die Baseline zu stabilisieren. Loud & Lexis übernimmt dieses Multi-Sampling als Pflicht-Baustein im AI Visibility Monitoring. Eine zweite akademische Untersuchung, das CAPE-Framework von 2025, zeigt in Experimenten über sieben Sprachmodelle, dass Konversations-Historie nicht nur die Antwort-Konsistenz erhöht, sondern messbare Personality Shifts induziert.

The statistical robustness of a single AI answer is low, because LLMs generate probabilistically. Yotpo documents in 2026 that significant portions of AI Overview rankings change within eight weeks and that effective monitoring tools therefore use multi-sampling, querying the same prompt multiple times to stabilise the baseline. Loud & Lexis adopts this multi-sampling as a mandatory building block in AI Visibility Monitoring. A second academic study, the CAPE framework from 2025, shows in experiments across seven language models that conversation history not only increases answer consistency but induces measurable personality shifts.

Die GSP-Werte werden bei Loud & Lexis pro Persona-Set und pro Journey-Ebene erhoben, sodass sich der Wettbewerbs-Abstand entlang der Recherche-Ebenen Problem, Orientierung, Evaluation, Vergleich und Entscheidung separat ablesen lässt. Das ist operativ wichtig: eine Marke kann auf der Vergleichs-Ebene sehr sichtbar sein und in der Problem-Ebene komplett fehlen, was Content-Lücken konkret lokalisierbar macht. Die Princeton-/Allen-AI-Studie von Aggarwal et al. zeigt zudem, dass Statistics Addition die Citation-Sichtbarkeit in generativen Engines um 41 Prozent steigert, während klassische SEO-Techniken wie Keyword Stuffing in diesen Engines aktiv schaden.

At Loud & Lexis, GSP values are collected per persona set and per journey level, so that the competitive gap can be read separately along the research levels of problem, orientation, evaluation, comparison and decision. This matters operationally: a brand can be highly visible at the comparison level and entirely absent at the problem level, which makes content gaps concretely locatable. The Princeton/Allen AI study by Aggarwal et al. also shows that adding statistics raises citation visibility in generative engines by 41 percent, while classic SEO techniques such as keyword stuffing actively harm performance in these engines.

Case-Study-Logik für persona-basiertes Prompt-Tracking

Case Study Logic for Persona-Based Prompt Tracking

Eine Case-Study-Logik für persona-basiertes Prompt-Tracking dokumentiert drei Mess-Phasen: Baseline-Werte vor der Maßnahme, das umgesetzte Maßnahmen-Set sowie die wöchentliche und monatliche Mess-Entwicklung.

A case study logic for persona-based prompt tracking documents three measurement phases: baseline values before the intervention, the implemented set of measures, and the weekly and monthly measurement development.

Die Baseline-Phase im Loud-&-Lexis-Setup umfasst eine Mess-Periode von ein bis zwei Wochen und liefert AI Visibility Score und GSP pro Persona und Journey-Ebene. Damit wird sichtbar, in welchen Ebenen die Marke aktuell präsent ist und in welchen Wettbewerber dominieren. Das Maßnahmen-Set bündelt die Content- und Trust-Architecture-Eingriffe, die wir aus diesen Lücken ableiten, und wird über Promptwatch im Wochenrhythmus weitergemessen.

The baseline phase in the Loud & Lexis setup spans a measurement period of one to two weeks and delivers the AI Visibility Score and GSP per persona and journey level. This reveals at which levels the brand is currently present and at which competitors dominate. The set of measures bundles the content and trust architecture interventions we derive from these gaps and continues to be measured weekly via Promptwatch.

Den makroökonomischen Hintergrund dieser Mess-Logik liefert die US Chamber of Commerce: OpenAI und Google haben 2026 KI-Such-Plattformen mit Payment-, Checkout- und autonomer Entscheidungslogik ausgestattet, womit Recherche und Kauf in ein Chat-Erlebnis kollabieren. Laut eMarketer und IAB nutzen 2025 bereits 38 Prozent der Konsumenten KI beim Shopping, vor allem für Option-Vergleich und Decision Support. Loud & Lexis baut sein Mess-Setup explizit auf diese Verlagerung aus.

The macroeconomic backdrop of this measurement logic is provided by the US Chamber of Commerce: in 2026 OpenAI and Google equipped AI search platforms with payment, checkout and autonomous decision logic, collapsing research and purchase into a single chat experience. According to eMarketer and IAB, 38 percent of consumers already used AI for shopping in 2025, primarily for option comparison and decision support. Loud & Lexis explicitly builds its measurement setup around this shift.

Harvard-Professor David Edelman beschreibt 2026 bei Think with Google diese Verdichtung der Customer Decision Journey: Konsumenten teilen im Chat Kontext, Constraints und Urgency, während das LLM die Anfrage in parallele Recherche-Streams zerlegt. Möglich wird sie, weil das Context Window jeden Folge-Turn die Historie ans Modell übergibt. Wer bei Loud & Lexis AI-Sichtbarkeit pro Problem erhebt, misst über alle fünf Recherche-Ebenen. Der Einstieg in die GEO Beratung erfolgt über ein 30-minütiges Strategiegespräch mit Baseline-Mess-Periode.

Harvard professor David Edelman describes this compression of the customer decision journey in 2026 at Think with Google: consumers share context, constraints and urgency in the chat, while the LLM decomposes the request into parallel research streams. It becomes possible because the context window passes the history to the model on every follow-up turn. Whoever measures AI visibility per problem at Loud & Lexis measures across all five research levels. Entry into the GEO consultancy begins with a 30-minute strategy call including a baseline measurement period.