Die Art und Weise, wie Menschen Informationen suchen, verändert sich rapide. Wir tippen nicht mehr nur zusammenhängende Keywords in Suchmasken. Stattdessen führen wir echte Gespräche und mehrschrittige Interaktionen mit künstlicher Intelligenz. Seit dem Start von ChatGPT im November 2022 hat die Technologie eine globale Akzeptanzwelle ausgelöst, die in der Geschichte der modernen Technologie beispiellos ist.
Laut dem wegweisenden NBER Working Paper w34255 (How People Use ChatGPT) von Aaron Chatterji, Thomas Cunningham, David J. Deming und ihrem Team nutzten im Juli 2025 bereits über 700 Millionen Menschen wöchentlich ChatGPT. Das entspricht etwa 10% der erwachsenen Weltbevölkerung, die pro Woche schätzungsweise 18 Milliarden Nachrichten an das System senden.
Für uns Marketer bedeutet das: Die traditionelle Suchmaschinenoptimierung (SEO) reicht nicht mehr aus. Wenn wir in den synthetischen Antworten moderner KI-Chatbots überhaupt noch stattfinden wollen, müssen wir die echten Fragen unserer Kunden verstehen und entschlüsseln, wie sie ihre Prompts formulieren.
Wir zeigen Ihnen, wie wir diese scheinbare „Black Box“ der Nutzer-Prompts systematisch knacken und für unsere Marken nutzen.
Vom Tech-Spielzeug zum Massenmarkt: Wer nutzt eigentlich ChatGPT?
Die demografischen Daten räumen gründlich mit dem Klischee auf, KI-Chatbots seien nur Spielzeuge für Entwickler oder technikaffine Nerds. In den ersten Monaten nach dem Launch von ChatGPT waren rund 80% der wöchentlich aktiven Nutzer männlich. Doch bis Mitte 2025 hat sich dieses Verhältnis komplett ausgeglichen.
Die globale Diffusion zeigt eine faszinierende Dynamik:
Diese Verschiebung hin zur privaten Nutzung (über 70% der Konversationen) generiert einen gigantischen wirtschaftlichen Wert abseits der reinenProduktivitätsgewinne. Wissenschaftler beziffern die jährliche Konsumentenwohlfahrt (Consumer Surplus) durch generative KI allein in den USA auf rund 97 Milliarden US-Dollar.
Das zeigt uns deutlich: Konsumenten treffen ihre privaten Kaufentscheidungen zunehmend im direkten Gespräch mit der KI. Wer hier nicht stattfindet, verliert den direkten Draht zum Kunden.
Asking vs. Doing: Warum Menschen KI als Berater und nicht nur als Schreibkraft nutzen
Um zu verstehen, wie Konsumenten mit KI-Systemen interagieren, müssen wir ihre Absichten analysieren. Die NBER-Studie w34255 führt hierzu eine präzise dreiteilige Intentions-Taxonomie ein:
- Asking (Fragen & Verstehen): Der Nutzer sucht Rat, Erklärungen oder Entscheidungshilfe.
- Doing (Generieren und Ausführen): Der Nutzer delegiert Aufgaben (z. B. Programmiercode oder Texterstellung).
- Expressing (Selbstausdruck): Spielerische Interaktion, Rollenspiele oder emotionale Reflexion.
Das Nutzerverhalten verschiebt sich dabei spürbar:
Zwischen Juli 2024 und Juni 2025 stieg der Anteil an „Asking“-Konversationen von 45% auf 52%, während das reine „Doing“ von 45% auf 35% sank.
Wie die Autoren im Paper betonen:
Darüber hinaus dominieren drei Themenfelder fast 80% aller weltweiten Chats: Praktische Lebenshilfe und Coaching (Practical Guidance, ~29%), Informationssuche (Seeking Information, ~24%) und Textbearbeitung (Writing, ~24%). Im Arbeitskontext macht das Schreiben sogar 40% aller Nachrichten aus.
Hier verbirgt sich ein entscheidendes Detail für uns Marketer: Zwei Drittel aller berufsbezogenen Schreibaufgaben bestehen nicht darin, Texte von Grund auf neu zu erstellen, sondern bestehende Texte des Nutzers zu modifizieren (z. B. Korrekturlesen, Kürzen, Übersetzen oder Zusammenfassen).
Das neue SEO heißt GEO (bzw. GAIO und AEO): Wie Marken im „AI Evoked Set“ sichtbar bleiben
In der traditionellen Google-Suche war der Klick König. Suchmaschinen fungieren als Vermittler, die Web-Dokumente auflisten. Bei generativen Antwort Maschinen (wie ChatGPT, Gemini oder Perplexity) entfällt dieser Zwischenschritt. Die KI liest die Webinhalte, wägt sie ab, fasst sie zusammen und präsentiert dem Nutzer direkt die fertige Lösung.
Dieser Wandel begründet die Disziplin der Generative Engine Optimization (GEO). Der Wettbewerb verlagert sich von Keyword-Rankings hin zu Erwähnungen (Mentions) und Zitationen (Citations) im Fließtext der KI.
Klassischer SEO-Funnel:
Moderner GEO-Funnel (AI-Mediated Consideration):
Wenn eine Marke nicht im sogenannten „AI Evoked Set“ (der Vorauswahl der KI) auftaucht, existiert sie für den Konsumenten in diesem Moment schlichtweg nicht. Für uns Marketer bedeutet das: Wir müssen unsere Inhalte so strukturieren, dass sie eine extrem hohe Grounding Necessity (GN) erfüllen.
Der GIO-Framework (Generative Intent Optimization) mathematisiert diese Notwendigkeit der externen Informationsbeschaffung durch die KI wie folgt:
Nur wenn wir hochgradig spezifische, faktengetreue und maschinenlesbare Inhalte bereitstellen, stufen die Crawler der LLMs unsere Seiten als vertrauenswürdige Zitationsquellen ein.
Die Prompt-Detektive: Wie Marketer echte Nutzerfragen entschlüsseln können
Wie kommen wir nun an die exakten Prompts, die unsere Käufer in ChatGPT eintippen? Wir haben die drei vielversprechendsten Methoden auf ihre Praxistauglichkeit für Unternehmen getestet und bewertet:
Methode 1: First-Party Conversational Mining (Der Kunden-Spiegel)
- Das Prinzip: Hierbei analysiert das Unternehmen seine eigenen, unstrukturierten Kundendatenströme (Zendesk-Tickets, Intercom-Chats, transkribierte Verkaufsgespräche via Gong oder E-Mails) mithilfe von NLP-Schnittstellen.
- Wie es funktioniert: Über das Model Context Protocol (MCP) können moderne Systeme wie AirOps Prompt Discovery direkt an Datenquellen angeschlossen werden, um wiederkehrende Sprachmuster und ungefilterte Fragen zu extrahieren.
- Praxis-Bewertung: 9/10 (Hervorragend). Es gibt keine bessere Quelle für reale Nutzerformulierungen als Ihre tatsächlichen Kunden. Wenn Kunden beim Support fragen: „Wie kopple ich den Sensor XYZ nach 500 Stunden neu?“, spiegelt dies exakt die Struktur potenzieller KI-Prompts wider.
- Nutzen für Marketer: Erstelle FAQ-Seiten, die syntaktisch exakt diesen Fragen nachempfunden sind. So par en SieKI Ihre Webseite als ideale Antwort Quelle.
Methode 2: Third-Party Simulation und algorithmisches Tracking
- Das Prinzip: Spezialisierte Softwaretools (wie BrandRadar, Dageno AI oder Profound) emulieren das Nutzerverhalten. Sie generieren automatisiert Tausende von kaufrelevanten Prompts (z. B. „Beste CRM-Software für KMU“ oder „[Ihre Marke] vs. [Konkurrent]“) und testen systematisch, wie die führenden KIs darauf antworten.
- Wie es funktioniert: Die Systeme berechnen eine mathematische Wahrscheinlichkeit für die Markenpräsenz auf Basis von probabilistischer Inferenz:
Dabei bestimmen wir rückwirkend die Wahrscheinlichkeit eines Prompts P, wenn uns der KI-Output O und der Kontext C vorliegen.
- Praxis-Bewertung: 8/10 (Sehr gut). Unerlässlich für die Konkurrenzanalyse und die Überwachung des eigenen „AI Evoked Sets“.
- Nutzen für Marketer: Sie erkennen sofort, bei welchen umsatzkritischen Kaufentscheidungs-Prompts wie Vergleichen oder Bestenlisten Ihre Konkurrenz empfohlen wird und wo Ihnen noch relevanter Content fehlt.
Methode 3: Data-Donation-Forschung (z. B. InVivoGPT)
- Das Prinzip: Forscher nutzen unzensierte Datenspenden von echten Nutzern, die ihre ChatGPT-Historien zur Verfügung stellen. Der Datensatz InVivoGPT umfasst beispielsweise über 825.000 reale Interaktionen von 300 aktiven Nutzern.
- Wie es funktioniert: Die unstrukturierten Traces werden über offene Clustering-Verfahren wie BERTopic analysiert, um tiefe psychologische Nutzungsstrukturen aufzudecken.
- Praxis-Bewertung: 6/10 (Bedingt praxistauglich). Für wissenschaftliche Grundlagenforschung und die Erstellung von Buyer-Personas ist diese Methode genial, da sie ungeschönte private Suchen (z. B. zu intimen Gesundheits- oder Finanzthemen) zeigt. Für das operative Tagesgeschäft im Marketing ist der Akquisitionsaufwand jedoch zu hoch.
- Nutzen für Marketer: Nutze die wissenschaftlichen Veröffentlichungen dieser Forschungsgruppen, um die emotionale Rahmung Ihrer Zielgruppe besser zu verstehen. Wie die Autoren der InVivoGPT-Studie feststellen:
„…conversational AI systems are shifting from functional tools to social partners…“ („KI-Systeme entwickeln sich von funktionalen Werkzeugen hin zu sozialen Partnern.“)
Eigenes Statement zum Entschlüsseln von User Prompts
In meiner täglichen Praxis bei Digital Loop verfolge ich seit einer Weile Ansätze zum Reverse-Engineering von User Prompts in ChatGPT, Gemini und den Google AI Overviews. Aus verschiedenen Quellen wird immer deutlicher, dass wir das Rad nicht neu erfinden müssen, aber auch dass es nicht den einen “Hack” gibt, mit dem uns die KI-Bots die genauen User Prompts einfach ausgeben.- DenAnsatz aus den oben erwähnten Studien halte ich aktuell für die beste Option:
Wir können die logischen Strukturen hinter den KI-Antworten dekonstruieren. Die entscheidende Herausforderung für Marketer bleibt jedoch die Skalierbarkeit. Ein genialer, rekonstruierter Prompt nützt uns im Marketing erst dann etwas, wenn wir wissen, wie viele Menschen da draußen tatsächlich so denken und fragen.
Deshalb denken wir bei Digital Loop auf einen datengestützten Brücken-Ansatz: Wir nehmen die über Reverse-Engineering gewonnenen, konversationellen Prompt-Muster und mappen sie systematisch mit dem klassischen Google-Suchvolumen sowie dem Suchvolumen aus Googles „People also asked“ („Nutzer fragen auch“)-Boxen. Da Google AI Overviews und Chatbots wie ChatGPT oder Gemini die reale Websuche zunehmend kanalisieren und spiegeln, lässt sich die Nachfrage nach komplexen Dialogthemen über diese etablierten Suchmetriken mathematisch hochrechnen.
Das ist natürlich weit weg von wissenschaftlicher Genauigkeit, aber es könnte einen guten Index geben, um potenzielle Trends und Muster zu identifizieren. Für unsere tägliche Arbeit reicht das völlig aus, denn uns interessieren vor allem die abstrakten Trends: Gibt es eine Nachfrage und ist diese für unsere Domäne niedrig, mittel, hoch oder sehr hoch?
Indem wir die qualitative Vielfalt eines KI-Prompts mit der quantitativen Validierung von Suchvolumendaten verschmelzen, machen wir das Phänomen GEO für Unternehmen erst messbar und berechenbar.
John Muñoz, Gründer & CEO Digital Loop
Achtung, Systembremse: Die Grenzen von Prompt Analytics
Wer Prompt-Analytics betreibt, muss die technologischen und regulatorischen Grenzen kennen:
- Die DSGVO-Anonymisierungs-Hürde: Wissenschaftliche Studien und interne KI-Klassifikatoren (wie der Clio-Ansatz von Anthropic) müssen persönliche Daten (PII) radikal filtern. Dadurch gehen hochgradig nischige, markenspezifische Details im Datenstrom oft verloren. Dasselbe gilt für Daten der Google Search Console, besonders bei aktiven Länder- oder Gerätefiltern.
- Die probabilistische Varianz: Eine KI ist keine statische Datenbank. Derselbe Prompt führt bei unterschiedlichen Abfragen zu unterschiedlichen Ergebnissen. Zudem entscheidet der interne Klassifikator der KI (z. B. der Sonic Classifier bei OpenAI) situativ und dynamisch, ob überhaupt eine Echtzeit-Websuche durchgeführt wird.
- Das Algorithmic Self-Portrait (Hyper-Personalisierung): Moderne Chatbots verfügen über eine Memory-Funktion. Studien der TU Delft zeigen, dass 96 Prozent dieser Erinnerungen stillschweigend und unilateral durch die KI selbst im Zuge der Unterhaltungen angelegt werden. Das Modell erschafft ein unbewusstes „Selbstporträt“ des Nutzers und personalisiert jede Antwort extrem. Ein allgemeines „Ranking“ für einen Prompt existiert dadurch kaum noch.
- Der Hawthorne-Effekt: In öffentlichen Datensätzen (wie WildChat) wissen Nutzer oft, dass ihre Prompts aufgezeichnet werden. Das führt zu einer bewussten Verhaltensanpassung: Intime oder sensible Suchen werden unterdrückt.
ChatGPT vs. Claude: Warum eine Einheitsstrategiescheitert
Ein fundamentaler Fehler im modernen Marketing ist es, alle KI-Plattformen über einen Kamm zu scheren. Die empirische Forschung zeigt drastische Unterschiede zwischen den Nutzergruppen von OpenAI und Anthropic:
- Coding-Anteil: Bei ChatGPT machen Programmierabfragen mickrige 4,2%aller Nachrichten aus. Bei Claude sind es über 30%.
- Direktive Steuerung: Claude-Nutzer agieren hochgradig analytisch und nutzen lange, verschachtelte Prompt-Ketten oder direkte, automatisierte Befehle zur Datenverarbeitung.
- Geografische Abweichungen: Während globale Taxonomien standardisierte Cluster vorgeben, zeigt die unüberwachte Analyse (via BERTopic), dass lokale Märkte völlig andere Suchen generieren. In Brasilien und Indien dominieren gesundheitliche Vorsorgefragen und digitale Entrepreneurship-Strategien; in Pakistan sind es Übersetzungen und theologische Exegesen.
Während ChatGPT-Nutzer stark im B2C-Bereich verankert sind und vor allem Alltagshilfe (Practical Guidance) oder einfaches Text-Editing suchen, zeigen Claude-Nutzer ein völlig anderes Verhalten. Wer global agiert, muss seine AI-Search-Strategie zwingend lokalisieren und kanalspezifisch aufbauen.
Fazit: Drei Schritte für Ihre AI-Search- / GEO-Strategie
Die algorithmische Wende im Suchverhalten ist kein vorübergehender Trend, sondern eine neue Realität. Unternehmen müssen jetzt handeln, um nicht aus dem Blickfeld ihrer Kunden zu verschwinden.
Diese drei Maßnahmen solltest du heute einleiten:
- Baue ein technisches GEO-Fundament auf: Strukturieren Sie Ihre Webinhalte so klar und detailliert wie möglich. Verwende saubere Schema-Markups und bereite Sie IhreSysteme auf moderne Konnektivitätsstandards wie das Model Context Protocol (MCP), z.B. Google WebMCP vor, um den RAG-Crawlern der KIs ein müheloses Verarbeiten Ihrerr Daten zu ermöglichen.
- Kartografiere die Prompt-Journey Ihrer Kunden: Nutze First-Party Conversational Mining (Methode 1), um die echte Fragen Ihrer Kunden aus Support und Vertrieb zu sammeln, und besetze diese gezielt mit hochgradig relevanten Content-Guides.
- Etabliere ein KI-Sichtbarkeits-Monitoring: Setzen Sie Tools für Prompt-Analytics ein, um kontinuierlich zu tracken, ob Ihre Marke im „AI Evoked Set“ auftaucht, welches Sentiment die KIs transportieren und welche Drittquellen sie heranziehen, um ihre Empfehlungen zu untermauern.
