Wie Screaming Frog SISTRIX AI-Daten nutzt: Case Study und MCP-Integration

Wer im digitalen Marketing arbeitet, hat das Postfach vermutlich voll mit News zu den neuesten AI-Visibility-Trackern. Bei so vielen Lösungen am Markt fällt die Entscheidung schwer, gerade in dem hochdynamischen Umfeld von heute. Vielleicht hilft ein Blick darauf, wie wir SISTRIX bei Screaming Frog für unsere Arbeit einsetzen.

Ein Gastbeitrag von Tom Jeffery, Screaming Frog.

Die AI-Visibility-Tools und -Daten von SISTRIX haben sich als eine der leistungsfähigsten Lösungen in diesem Bereich herausgestellt. Das Tool war sehr wichtig für die Gestaltung unseres AI-Search-Angebots. Dieser Leitfaden zeigt, warum das so ist und wie wir es bei Screaming Frog nutzen.

Warum AI-Visibility-Daten eine Goldgrube sein können

Einer der häufigsten Einwände gegen AI-Visibility-Tracking ist das Zufallsproblem: LLM-Antworten sind nicht deterministisch, personalisiert und kontextabhängig. Wenn derselbe Prompt jedes Mal andere Ergebnisse liefert, wie lässt sich den Daten dann trauen?

Die Antwort: Es braucht keine perfekte Konsistenz auf Ebene der einzelnen Antwort, sondern nur Mustersignale für:

1. Markennennungen und Citations über Themen hinweg
2. Marktvergleiche mit dem Wettbewerb
3. Markensentiment

Lässt sich das mit täglichem oder wöchentlichem Tracking über AI Mode, Perplexity und ChatGPT erreichen, reicht das für Audits (zusätzlicher Zugriff auf Logfiles und GA4/Adobe-Referral-Tracking macht sie noch besser).

SISTRIX liefert Marketing-Teams folgende Auswertungen:

Quellen

Die Ansicht „Quellen“ zeigt genau, welche Seiten eines Kunden von LLMs referenziert werden und für welche Antworten, zusammen mit allen Citations von Wettbewerbern oder anderen Quellen.

Nennungen

Über die Funktion „Wettbewerb“ wird problemlos sichtbar, wie oft eine Marke von AI-Plattformen empfohlen wird.

Marktanteil im Wettbewerb

Klare Visualisierungen über Sichtbarkeit, Nennungen und Citations hinweg, dargestellt über Grafiken und Tabellen zum Sichtbarkeitsindex.

Markensentiment

Eine Ein-Klick-Analyse zeigt die Schwächen und Stärken der eigenen Marke und ausgewählter Wettbewerber. Sentiments lassen sich auf einzelne Prompts & Citations zurückführen.

AI-Antworten

AI-Antworten der ausgewählten Chatbots werden archiviert und sind Teil der Daten aus dem Prompt Tracking. Ein Vergleich mit den selbst gesehenen Antworten lohnt sich wegen der inhärenten Personalisierung und Zufälligkeit allerdings kaum.

Tags

Die Kategorisierung einzelner Prompts in Tags vermeidet die Falle, sich in Antwort-für-Antwort-Prüfungen zu verlieren. Die zentralen Sichtbarkeitsmetriken für Tags können die Strategie lenken (einsehbar unter „Prompts“).

All diese Daten bilden eine ideale Grundlage, um die Performance von Kunden zu messen und Empfehlungen zu erstellen, wie sich diese über neue Content-Produktion, Outreach und Affiliates/Partnerschaften verbessern lässt. Dazu mehr im nächsten Abschnitt.

Wie wir SISTRIX-Funktionen für Audits nutzen

So holen wir sofort strategischen Nutzen aus SISTRIX heraus:

Das Quellen-Panel als Tool für die Content-Gap-Analyse

Der erste Schritt ist ein Filter der Quellen-Ansicht nach den Wettbewerberdomains der eigenen Seite. Die Seiten, die dann erscheinen, halten LLMs für autoritativ genug, um sie zu zitieren. Das zeigt, was bei der Konkurrenz funktioniert. Markenfilter verfeinern das weiter. Der Abgleich mit dem eigenen Bestand liefert eine ganze Reihe von Content-Lücken zum Bearbeiten:

Stark gewichtete Listicle- und „Best of“-Seiten identifizieren

Ein Filter der Quellen findet „Best of“- und Vergleichsseiten von Drittanbietern mit hohem Citation-Gewicht. Diese Seiten sind für einen überproportionalen Anteil an Markennennungen in AI-Antworten verantwortlich. Forschung der University of Toronto hat ergeben, dass AI-Engines autoritative Drittquellen etwa fünfmal häufiger zitieren als die eigenen Seiten einer Marke.

Eine Platzierung der eigenen Seite auf diesen Seiten ist oft die GEO-Maßnahme mit der größten Hebelwirkung für Anzahl und Qualität der Markennennungen:

Aus Markensentiment-Daten eine Content- und PR-Strategie machen

Ist das Sentiment gemischt oder negativ, wird daraus ein PR-Thema. Die Zuordnung von Bewertungen oder Publikationen zu den AI-Antworten lässt sich nachvollziehen und per Outreach in eine bessere Beziehung oder eine Reaktion auf veraltete Kommentare überführen.

Aus Content-Sicht lässt sich Negativität abfedern, indem eine Marke das eigene Narrativ steuert. Seer Interactive hat das perfekt gemacht und eine negative Mitarbeiterbewertung, die eine hohe Fluktuation anführte, mit eigener Forschung zur Mitarbeiterbindung ausgehebelt.

Ungenauigkeiten bei Markenbegriffen und Halluzinationen aufzeigen

Beschreiben AI-Citations einen Kunden ungenau, ergibt sich daraus eine weitere Outreach-Chance. Marken ändern ständig Angebot, Preise und USPs, und das heißt nicht, dass andere diese Änderungen sofort übernehmen. So ist das Internet voll von veralteten Informationen, die LLMs für das Narrativ einer Marke verwenden.

Wie wir Claude über die MCP-Anbindung von SISTRIX prompten

Dieses Thema verdient zu Recht einen eigenen Abschnitt. Wie jedes gute SaaS-Unternehmen hat SISTRIX intensiv an MCP-Funktionen gearbeitet. Damit lassen sich Performance-Daten in Claude und ChatGPT verbinden, auswerten, analysieren und visualisieren.

Screaming Frog bevorzugt Claude. Seit dem kürzlichen Launch experimentieren wir damit, das AI-Tracking von SISTRIX über das MCP anzubinden.

Mehr Details zur Einrichtung gibt es hier.

Einmal konfiguriert, lässt sich das Tracking im Dialog abfragen, mit Rückfragen vertiefen und in formatierten Ausgaben ausspielen, ganz ohne die SISTRIX-Oberfläche. Noch leistungsfähiger wird es mit einem zusätzlich verbundenen Screaming Frog MCP, das wertvolle technische Daten und Performance-Daten in den Vergleich bringt.

Ein paar Beispiele für die Art von Claude-Prompts, die dadurch möglich werden:

Visualisiere einen Übersichtsreport für [Projekt] über AI-Sichtbarkeit, Nennungen und Citations im Vergleich zum Kernwettbewerb.

Claude stellt die Daten zusammen, schreibt eine erläuternde Einordnung und erzeugt eine strukturierte Zusammenfassung, die direkt in Stakeholder-Meetings einfließen kann:

Visualisiere, welche Quellen in [Tag]-Prompts für [Projekt] am häufigsten zitiert werden, und was haben sie strukturell gemeinsam?

Claude ruft die Quellen-Daten gefiltert nach den Conversion-Prompt-Tags ab, führt eine Content-Musteranalyse durch und liefert Beobachtungen zu Content-Format, -Tiefe und -Struktur, die mit der Citation-Häufigkeit korrelieren.

Erstelle eine Prompt-Gap-Analyse, indem du SISTRIX abfragst, um alle Quellen für [Wettbewerber] in [Projekt] zu identifizieren, und gleiche mit Screaming Frog ab, ob [deine Seite] ähnliche Seitentypen hat.

Claude stellt die Daten zusammen und erzeugt eine strukturierte Zusammenfassung neuer Seitenchancen. Mit etwas Vorarbeit zu den eigenen Briefing-Templates lässt sich Claude sogar dazu bringen, Briefings für diese Chancen zu erstellen.

Das Auflisten von SISTRIX-Projekt-IDs hat sich als einfachster Weg erwiesen, um Konsistenz bei den Abfragen über das MCP sicherzustellen.

Natürlich versteht es sich von selbst, dass diese Arbeit niemals einen erfahrenen SEO-Profi ersetzen sollte.

Fazit: SISTRIX AI Visibility ist eine der leistungsfähigsten Plattformen am Markt

Die Teams, die am meisten aus AI-Visibility-Trackern herausholen, sind nicht die mit den meisten Prompts, den meisten Credits oder dem neuesten Feature-Gimmick. Es sind die, die sorgfältig darüber nachgedacht haben, was sie messen und warum.

Das heißt, eine Prompt-Strategie aufzubauen, die echtes AI-Suchverhalten widerspiegelt, statt umfunktionierter Keyword-Listen. Es heißt, Credits auf die Prompts und Kunden zu verteilen, bei denen AI-Sichtbarkeit tatsächlich ein kommerzieller Hebel ist. Es heißt, ein Echtzeit-Prompt-Tracking zu nutzen, um historische Muster über Markennennungen, Citations und Sentiment aufzuzeigen. Und dann all diese Ergebnisse zu nutzen, um strategisch über neuen Content, PR und Outreach zu entscheiden.

GEO steckt noch in den Anfängen, aber Tools wie SISTRIX erlauben es Teams, auf professionell verantwortungsvolle Weise zu experimentieren, zu reporten und zu auditieren.

SISTRIX liefert das Rohmaterial. Es liegt dann an den SEOs, es gut zu nutzen.