← Zurück zum Blog
Founder ColumnGEOAI VisibilityAnalyticsAgentic CommerceAI Commerce
Die Zahlen von Adobe und BrightEdge wirken widersprüchlich: weniger als 1% AI-Referral-Traffic gegenüber etwa 15% AI-Agent-Aktivität. Beide können stimmen, weil sie unterschiedliche Ebenen messen. Browser-Referrer und Server-Requests sind nicht dasselbe.
Last-Click funktioniert schlecht, wenn AI vor dem letzten Klick wirkt. Ein Nutzer recherchiert auf Perplexity, vergleicht in ChatGPT und kauft Tage später über Brand Search. GA4 schreibt Organic Search den Umsatz zu. Der eigentliche Einfluss lag aber früher.
Vier Muster dominieren: AI-Einfluss landet in Direct, Agent-Requests führen kein JavaScript aus, AI-Referrer werden unvollständig erkannt, und plattformübergreifende Recherche erzeugt Null-Attribution. Bei App-Marken sehen MMPs wie AppsFlyer zusätzlich den Web-Upstream nicht.
Die Antwort ist Layered Attribution. AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout und MMP Confirmed haben unterschiedliche Beweisstärken. Jede Ebene ist nützlich, solange ihre Grenzen klar bleiben.
Zusätzlich müssen Observed Growth, Comparable Growth und Coverage Expansion getrennt werden. Wenn Edge Lite plötzlich 15x mehr AI-Requests zeigt, heißt das nicht automatisch 15x Nachfrage. Es kann auch bedeuten, dass bisher unsichtbare Requests sichtbar wurden.
Praktisch bedeutet die Grenze von Last-Click-Attribution: Das Thema darf nicht als isolierte Content-Initiative behandelt werden. Produktdaten, AI-Antworten, Agent-Requests, Besuche, Verhalten und Bestellungen müssen als eine Beweiskette gelesen werden. Nur dann kann ein Team entscheiden, ob Budget, Datenarbeit oder technische Integration der nächste Engpass ist.
Genauso wichtig ist methodische Disziplin. AI Search und Agentic Commerce sind messbar, aber noch nicht reif wie klassische Paid-Media-Kanäle. Prompt Sampling, Referrer, Server Logs und Shopify Orders haben jeweils blinde Flecken. Gute Messung trennt deshalb harte Belege, plausible Assistenzsignale und reine Korrelation.
AI-Attribution wird unbrauchbar, wenn alle Signale in eine einzige ROAS-Zahl gepresst werden. Zuerst muss klar sein, welche Beweisstufe vorliegt.
Ebene | Bedeutung | Beleg | Verlässlichkeit |
|---|---|---|---|
AI Exposed | Marke erscheint in AI-Antwort | Answer Snapshot, SOV | Niedrig bis mittel. Keine Kausalität |
AI Referred | Besuch kommt erkennbar von AI | Referrer, UTM, First-Party-JS | Mittel. Besuchsbeleg |
AI Assisted | AI-Besuch liegt im Kaufpfad | Session Path, Multi-Touch Path | Mittel bis hoch. Assistenzbeleg |
AI Last-Touch | AI ist letzter Besuch vor Kauf | AI Referrer bis Purchase Session | Hoch. Direkte Verbindung |
Agent Checkout | Agent führt per API aus | UCP, ACP, API Log | Sehr hoch. Heute selten |
MMP Confirmed | MMP bestätigt AI-Signal | AppsFlyer, Adjust Postback | Hoch. Abhängig von App-Integration |
Zusätzlich muss Wachstum getrennt werden. Ein Sprung nach Einführung von Edge Lite kann echte Nachfrage sein, kann aber auch bisher unsichtbare Requests sichtbar machen. Nur vergleichbares Wachstum unter gleicher Definition eignet sich für Budgetentscheidungen.
Wachstumstyp | Wie es aussieht | Bewertung |
|---|---|---|
Observed Growth | Zahlen steigen nach Einführung stark | Zuerst Messabdeckung prüfen |
Comparable Growth | Gleiche Definition, gleicher Zeitraum, höherer Wert | Als Nachfrage- oder Verhaltensänderung bewertbar |
Coverage Expansion | Mehr Signale nach Bot Detection oder Edge Lite | Vorher unsichtbare Ebene wurde sichtbar |
So wird AI weder über- noch unterschätzt. Das Management sieht bestätigten Umsatz, starke Besuchsbelege, Assistenzsignale und reine Exposition getrennt. Genau diese Trennung macht Budget- und Datenentscheidungen belastbar.
Für regulierte oder beratungsintensive Märkte ist diese Trennung besonders wichtig, weil Kaufzyklen länger sind und AI-Einfluss häufig in Brand Search, Direct oder Partner-Referrals verschwindet.
Besonders gefährlich ist es, schwache Signale als harte Attribution zu berichten. Eine AI-Erwähnung ist relevant, aber noch kein Umsatzbeweis. Ein AI-Referrer belegt einen Besuch, aber nicht die Kaufursache. Ein Order Join ist stark, erklärt aber ohne Upstream-Kontext nicht, welche Empfehlung die Nachfrage geprägt hat. Deshalb sollte jedes Reporting zwischen geschätzten, assistierenden und bestätigten Signalen unterscheiden.
In der Praxis darf die Neugestaltung der AI-Attribution nicht als Trendtext behandelt werden. Es ist eine operative Entscheidung: Wer verantwortet Exposition, Besuch, Assistenz und Conversion jenseits von Last-Click, welche Daten stützen die Aussage, und in welchem Rhythmus werden diese Daten aktualisiert? Ohne diese Klärung entsteht mehr Content, aber keine stabilere Beweislage für AI-Systeme.
Der erste Schritt ist die Trennung zwischen dem, was Menschen auf einer Seite verstehen, und dem, was Agenten maschinell prüfen können. Ein gutes Design hilft wenig, wenn strukturierte Daten, Feed, Policies, Reviews oder interne Verweise schwach sind. Umgekehrt kann eine Marke auch ohne laute Kampagne in Vergleichsfragen bestehen, wenn Messabdeckung, vergleichbares Wachstum und Order Join sauber gepflegt ist.
Die Messung muss dieselbe Disziplin haben. Wöchentlich sollten Exposition, Agent Requests, AI Visits, Verhalten im Shop und Order-Verbindung getrennt werden. Monatlich zählt nur Wachstum, das unter gleicher Definition vergleichbar ist. Ein Sprung nach einem neuen Tag oder Edge-Signal kann Messabdeckung sein, nicht Nachfragewachstum.
Die Reihenfolge der Arbeit ist klar: zuerst Fehlinterpretationen reduzieren, dann maschinenlesbare Daten vertiefen, anschließend die Landing Experience verbessern und zuletzt den Umsatzbezug stärken. Diese Reihenfolge verhindert, dass Teams Content, Datenqualität und Attribution durcheinanderwerfen.
Für DACH-Märkte ist zusätzlich wichtig, Vertrauen, Lieferzeit, Rückgabe und Preisangaben präzise zu halten. Käufer erwarten klare Bedingungen. AI-Systeme sind hier konservativ: Wenn ein Detail nicht prüfbar ist, sinkt die Empfehlungssicherheit.
A: Wegen unsichtbarer Server-Requests, unvollständiger Referrer-Erkennung und AI-induzierter Brand Search.
A: Ein Modell, das AI-Einfluss nach Beweisstärke in mehrere Ebenen trennt.
A: Nicht als perfekte Einzelzahl. Besser ist eine belastbare Baseline je Ebene.
A: Nein. Es ergänzt MMPs um AI-Upstream-Signale.
Dieser Artikel ist ein Evidence Asset. Der AI Evidence Index verbindet Artikel, FAQ, Produkte, Technologie, Cases, llms-Dateien und /ai/*.md.
Der AI-Visibility-Audit zeigt Zitate, Empfehlungen und Evidenzlücken.
AI-Visibility-Audit anfragen