Fallstudie
Wir haben uns selbst zuerst auditiert.
Der erste CiteGap-Fall ist unsere eigene Seite, demandfieldnotes.com, durch dieselben 30 Käuferfragen über ChatGPT, Perplexity und Gemini, zweimal an zwei Tagen gemessen. Kein Kunde hat unterschrieben. Keine Anbieter-Selbstauskunft im Spiel. Tag 1 ist gemessen und unten veröffentlicht; der Tag-2-Retest und die zwei blockierten Engines folgen, sobald sie gemessen sind.
Was Tag 1 tatsächlich gemessen hat.
Der Lauf begann am 12. November 2026. Von den 90 geplanten Zellen (30 Käuferfragen × 3 Engines) lieferten 15 messbare Antworten, alle auf Perplexity. ChatGPT war am Eingang blockiert: Unsere Proxy-Exit-IP wird von OpenAIs Edge abgewiesen, die Ablehnungsprotokolle liegen im Laufarchiv. Gemini nahm keine anonyme Einsendung an, und sein Retest-Weg braucht ein sauberes Google-Konto, das wir nicht hatten. Beide Maßnahmen stehen im Protokoll, statt schöngebügelt zu werden.
In 2 von 15 gemessenen Antworten genannt: einmal nur der Name, einmal mit Substanz. 4 der 15 antworteten über ein anderes Produkt, das unseren Namen trägt: ein wöchentliches Tracking-SaaS namens CiteGaps.
Auffindbarkeits-Regal: abwesend. In den 9 messbaren Auffindbarkeits- und Use-Case-Fragen wurden Profound, Semrush AI Visibility, Peec AI, Otterly, AthenaHQ, Scrunch und Ahrefs Brand Radar genannt. Wettbewerber überwogen uns in den gemessenen Antworten grob 3 zu 1.
Wo Inhalte existieren, funktioniert Zitierfähigkeit. Die eine Pro-und-Contra-Frage ergab eine akkurate, gut belegte Antwort, die unsere eigenen Seiten zitierte, neben einem Anhang mit falscher Domain und dem Namensvetter-Tracker. Entity-Disambiguierung, nicht Inhaltsqualität, ist unsere Lücke.
Vertrauenssignale: nahe null. Der einzige Beleg von Dritten, den die Engine für uns auftrieb, war eine Product-Hunt-Einsendung ohne substanzielle Rezensionen. Keine Uptime-Seite, keine Kundenstimmen, keine unabhängige Berichterstattung. Protokolliert, und jetzt auf unserer eigenen Fix-Liste.
Messgrundlage: 30 Käuferfragen je Engine, ein einzelner Tag-1-Durchlauf, 15 von 90 Zellen gemessen. Jede Zahl oben ist auf die Frage-für-Frage-Protokolle rückführbar. Der Tag-2-Retest und die zwei blockierten Engines landen auf dieser Seite, sobald sie gemessen sind, nicht früher.
Die Mechanismen, die der Selbst-Audit-Test offenlegen soll.
Seiten, die Engines nicht parsen können, werden nicht zitiert
Strukturierte Daten und eine klare Antwort-zuerst-Eröffnung machen eine Seite hebefähig. Seiten, die die Antwort unter Marketingtext begraben, werden überflogen oder übersprungen. Unsere eigenen Seiten sind nicht ausgenommen, und das Audit prüft sie so wie eine Kundenseite.Was ein 1.885-Seiten-Experiment über JSON-LD fand.
Abwesenheit im Vergleichsmoment übergibt den Deal dem, der erschienen ist
Wenn ein Käufer eine Engine bitten will, Optionen zu vergleichen, nennt die Engine Anbieter, die sie mit Quellen belegen kann. Sind Sie nicht in dieser Antwort, begann der Verkauf ohne Sie. Unsere eigene Kategorie ist nicht sanfter: Käufer, die AI-Sichtbarkeitsaudits vergleichen, stellen Engines genau diese Frage.Warum Genanntwerden Ranking schlägt.
Engines wiederholen, was sie zitieren können, und hedgen den Rest
Wenn das einzige Material über Sie Ihr eigenes Marketing ist, bleibt die Antwort vage, und vages Lob überlebt keine Kaufentscheidung. Fragen in der Entscheidungsphase zu Vertrauen, Ergebnissen und Risiken bekommen nur dann sichere Antworten, wenn zitierfähige Belege existieren.Was passiert, wenn AI einen unbekannten Anbieter empfiehlt.
Veraltete Fakten bringen Engines zum Hedgen, und Hedgen verliert Deals
Engines halten Snapshots aus verschiedenen Wochen. Widersprechen sich Preise, Kategorie oder Unternehmensdaten zwischen Snapshots, ist die sichere Ausgabe eine qualifizierte Antwort. Das Audit stellt dem, was Engines behaupten, das, was die Seite heute sagt, gegenüber; eine Abweichung wird ein Fix-Ticket. Die volle Methode ist auf der Methodik-Seite dokumentiert.
Was hinter den veröffentlichten Zahlen steckt.
Jede veröffentlichte Zahl aus dem Selbst-Audit lässt sich auf den Belegpack zurückführen, den die Pipeline bei jedem Lauf erzeugt:
Antwortprotokolle je Frage. Jede Antwort jeder Engine, für beide Tage: die gestellte Frage, der volle Antworttext, wer genannt wurde und in welcher Reihenfolge.
Zitat-Erfassung. Welche Quellen jede Antwort zitierte, pro Runde aufgezeichnet, nicht später rekonstruiert.
Antwort-Snapshots. Wo eine Engine keinen stabilen öffentlichen Link anbietet, wird der Antworttext original erfasst und archiviert.
Fix-Tickets. Das Ticket, das das Audit je Lücke erzeugte, damit eine veröffentlichte Aussage auf eine tatsächlich gemachte Änderung abbildet.
Der Pack ist archiviert und nachprüfbar. Interne Dateipfade bleiben intern; veröffentlicht werden die Zahlen und die Messgrundlage, nicht das Speicherlayout. Bei bezahlten Läufen gehören die Rohantworten zum Lieferumfang, sodass ein Kunde jede Zahl im Bericht nachrechnen kann.
Sie arbeiten mit der Person, die dieses Audit geführt hat.
Demand Field Notes ist ein Ein-Personen-Labor. Fragen, Läufe, Bericht und die Antwort auf Ihre Mail kommen von derselben Person. Fragen Sie alles zur Methode, oder starten Sie mit dem Gratis-Check für Ihre eigene Startseite.
Erst die Methodendetails? Methodik lesen. Full pricing lives on the Preisseite.