Googles &num=100-Aus: So misst du AEO ohne SERP Rankings

Kurzüberblick\nNach dem Ende von &num=100 verlieren Positionsmessung und Impressionen an Aussagekraft. Für Answer Engine Optimization brauchst du Kennzahlen, die direkt an Quellen, Entitäten und tatsächlichen Antwortslots ansetzen. Dieses Playbook führt mit Citation Share und Answer Slot Coverage ein robustes KPI-Set ein und beschreibt eine Messpipeline von Logs bis Dashboard.\n\n## Kontext: Das Ende von &num=100\nMitte September 2025 hat Google den SERP-Parameter &num=100 abgeschaltet. Viele Rank-Tracker verloren damit eine stabile Abruflogik für Top-100-Ergebnisse. Gleichzeitig verfälschen AI Overviews, personalisierte Oberflächen und dynamische Layouts Position und Impression als Primärmetriken. Für Browser-getriebene Antworten lohnt ein Blick auf den Leitfaden Browser-AEO für Gemini.\n\n## Warum Position und Impression brechen\n- Position: AI-Antworten verdrängen klassische Listings und variieren nach Kontext, Gerät und Interaktionspfad. Eine einzelne Zahl bildet die Nutzerrealität kaum ab.\n- Impression: AI Overview kann Klicks und sichtbare Quellen erzeugen, ohne dass standardisierte Impression-Zählweisen dies zuverlässig erfassen. Layout-Shifts und Antwort-Expansions verzerren die Messung.\n- &num=100: Ohne den Parameter fehlt vielen Tools die deterministische Abfrage für Tiefe und Reihenfolge der Ergebnisse.\n\n## Das neue KPI-Set für AEO\n- Citation Share (CS) \n Definition: CS(T,P) = Zitationen deiner Domain innerhalb von AI-Antwortquellen für Topicset T im Zeitraum P geteilt durch alle Zitationen aller Domains für T in P. \n Nutzen: Misst die Quellenpräferenz der AI gegenüber deinem Content.\n\n- Answer Slot Coverage (ASC) \n Definition: ASC(T,P) = Intents mit mindestens einem Antwortslot-Zitat deiner Domain geteilt durch alle beobachteten Intents in T im Zeitraum P. \n Nutzen: Misst die Flächendeckung deiner Marke in AI-Antworten.\n\nOptionale Ergänzungen:\n- Answer Click Yield (ACY): AI-UI-Sessions auf deiner Site geteilt durch alle Non-Brand-organischen Sessions im Zeitraum. \n- Retrieval Share (RS): AI-Crawler-Hits auf Contentpfaden geteilt durch alle Bot-Hits der Such- und AI-Crawler-Klasse. \n- Evidence Quality Score (EQS): Punktzahl basierend auf strukturierten Belegen pro Seite, etwa Tabellen, Quellenangaben, Datasets und Schema-Dichte.\n\n## Signalquellen und Instrumentierung\n### 1) Server- und CDN-Logs\nPflichtfelder: timestamp, ip, user agent, http method, status, url path, referer, response bytes, cache status, country, device family. \nBeispielhafte AI-Crawler-Klassen: GoogleOther, Google Extended, Bingbot, BingPreview, PerplexityBot, GPTBot, Applebot, CCBot, AmazonBot, DuckAssist Bot. \nUI-Click-Indikatoren: echte Browser-UAs, Status 200 oder 304, sichtbare Referrer-Domains wie google.com, bing.com, copilot.microsoft.com, perplexity.ai, search.brave.com, arc.net, you.com, phind.com, duckduckgo.com, chat.openai.com. Trenne UI-Klicks strikt von Crawler-Hits.\n\n### 2) Clientseitige Telemetrie First Party\n- Referrer-Canonicalization: Schreibe document.referrer Domain und Pfad in ein First-Party-Feld und mappe auf eine kontrollierte Source-Taxonomie. \n- Client Hints: Logge optional Sec-CH-UA-Daten und Plattform via Consent-basiertem Event, um echte Geräte von Bots zu trennen. \n- Session-Survey-Panel optional: 1 Prozent Sampling mit der Frage Woher kamst du auf diese Seite, z. B. AI-Antwort in Google, klassische Google-Ergebnisse, Perplexity, Bing Copilot, Brave, ChatGPT, Andere. Dient als Trainingslabel für spätere Modellierung. \nFür Lizenz- und Bot-Strategien siehe das Playbook Cloudflare Content Signals Policy.\n\n### 3) Strukturierte GEO-Signale Graph Entity Optimierung\nZiel: Maschinenlesbare Verknüpfung deiner Marke, Produkte, Autoren und Belege. \nMaßnahmen:\n- schema.org-Typen: Organization, Brand, Product, Article, WebPage, FAQPage, HowTo je nach Content. \n- @id-Strategie: Stabile Entity-IDs pro Marke, Produkt, Autor und wichtiger Seite, einheitlich im gesamten Auftritt. \n- about und mentions: Explizite Entitätsbezüge zu Themen, Normdaten und Produkttypen. \n- sameAs: Autoritative Profile und Datenquellen angeben. \n- Evidence-Blöcke: Abschnitte zu Quellen, Datenstand, Messmethodik mit Markup CreativeWork, Dataset, Citation. \n- Named Anchors: Abschnitt-IDs, z. B. facts, specs, methods, damit AI-UIs auf präzise Fragmente verlinken können. \nTaktiken für AI-Feeds und Morning Cards findest du im Beitrag Pulse AEO Morning Cards.\n\n## Source-Taxonomie für AI-Traffic\n- google ai overview \n- google web organic \n- bing copilot \n- bing web organic \n- perplexity ui \n- perplexity bot \n- brave summarizer \n- arc search \n- chatgpt ui \n- other llm ui\n\nRegelbeispiele:\n- Referrer enthält perplexity.ai und Browser-UA dann perplexity ui, enthält PerplexityBot dann perplexity bot. \n- Referrer copilot.microsoft.com oder bing.com mit Copilot-Pfad dann bing copilot. \n- Referrer google.com wird zunächst als google web unknown geführt und via Panel-Label plus Mustererkennung in google ai overview oder google web organic aufgeteilt.\n\n## Messpipeline in fünf Schritten\n1. Intent-Inventar bauen: 50 bis 500 repräsentative Intents pro Cluster definieren. Quellen: interne Suche, CRM-Fragen, Support-Tickets. \n2. Antwortflächen erfassen Shadow Index: Täglich per Headless-Browser abfragen, AO-Präsenz erkennen und alle im Antwortblock genannten Quellen extrahieren. Gleiches für Copilot, Perplexity, Brave. Country und Language strikt parametrisieren. Rate-Limits und Nutzungsbedingungen respektieren. \n3. Zitationen normalisieren: Domains kanonisieren, Redirects auflösen, Parameter strippen. Marken-Aliasse mappen. \n4. Sessions zuordnen: Server-Logs und Client-Events in ein Warehouse führen und nach Taxonomie labeln. Panel-Antworten dienen als Ground Truth für ein einfaches Zuordnungsmodell, speziell zur Trennung google ai overview vs. google web organic. \n5. KPIs berechnen und monitoren: CS und ASC täglich je Cluster, ACY und RS wöchentlich. Anomalien hervorheben.\n\n## Formeln kompakt\n- CS(T,P) = citations_brand(T,P) geteilt durch citations_all(T,P) \n- ASC(T,P) = intents_with_brand_cited(T,P) geteilt durch intents_observed(T,P) \n- ACY(P) = sessions_from_ai_ui(P) geteilt durch non_brand_organic_sessions(P) \n- RS(P) = ai_crawler_hits(P) geteilt durch total_crawler_hits_search_ai_class(P)\n\n## Beispielrechnung Skizze\n- Zitationszählung aus Shadow Index: Für jedes Topic T und Tag d Liste der Domains aus Antwortblöcken sammeln, Counts pro Domain aggregieren. Domain-Count deiner Marke durch Summe aller Counts teilen. \n- Sessions-Klassifikation: Jeder Session eine Source aus der Taxonomie zuweisen. Für google web unknown ein logistisches Modell mit Features referrer Pfad, Landing-Typ, Scrolltiefe, Verweildauer, Panel-Label sofern vorhanden. Ziel ist die Aufteilung in google ai overview vs. google web organic mit bekannter Unsicherheit.\n\n## Dashboard-Aufbau\n- Kachel 1: ASC nach Cluster letzte 14 Tage \n- Kachel 2: CS nach Cluster, Top-10-Domains im Vergleich \n- Kachel 3: ACY nach Quelle im Zeitverlauf \n- Kachel 4: RS AI-Crawler-Hits nach Verzeichnissen \n- Drilldowns pro Intent: Antwortquellen, Zitationsfragmente sowie passende Content-Bausteine der eigenen Seite.\n\n## Playbook 30 60 90 Tage\n### 0 bis 30 Tage Grundlagen\n- Logging härten: Server- und CDN-Logs mit Bot-Klassifizierung. Referrer-Canonicalization aktivieren. Shadow-Index-MVP für 100 Kernintents je wichtigem Markt starten. \n- GEO-Basis: Schema-IDs, about und mentions sowie Evidence-Abschnitt auf 20 Prozent der Top-Seiten ausrollen. \n- Dashboard v1: ASC und CS für Kernintents, RS siteweit.\n\n### 31 bis 60 Tage Hebel\n- Content-Packaging Quick Wins: TLDR-Box, Fact-Table, Key-Specs, zitierfähige Sätze mit klaren Zahlen und Datumsangaben. Named Anchors für Abschnitte. \n- Shadow Index erweitern: 300 bis 500 Intents, zusätzliche Oberflächen wie Brave und Arc. \n- Panel-Sampling 1 Prozent aktivieren und erstes Zuordnungsmodell für google ai overview trainieren.\n\n### 61 bis 90 Tage Skalierung\n- Redaktions-Workflow: EQS als Abnahmekriterium. Jede neue Seite braucht eine Mindestanzahl evidenzierter Fakten und strukturierter Belege. \n- Bot-Policy verfeinern: Bestimmte Verzeichnisse für GPTBot und PerplexityBot erlauben, sensible Bereiche ausschließen. RS-Veränderungen monitoren. \n- Experimente: Titles, Tabellen, FAQ-Blöcke, Datenaktualität. Metrikziel: CS plus 5 Punkte in zwei Clustern, ASC plus 10 Punkte siteweit.\n\n## Taktische Maßnahmen für höhere Zitationswahrscheinlichkeit\n- Faktendichte erhöhen: Zahlen, Datumsangaben, definierte Begriffe. Klar formatierte Tabellen und Checklisten. \n- Belegkette sichtbar machen: Quellennennungen, Datasets, Methodenabschnitt. Einheitliche Terminologie in H1, Intro und Tabellenüberschriften. \n- Fragmentierbarkeit verbessern: Kurze Abschnitte mit präzisen Überschriften, eindeutige Anchors, konsistente ID-Strategie. \n- Entitätsklarheit steigern: sameAs und about pflegen, Konflikte entfernen, Namensvarianten abgleichen. \n- Frische signalisieren: lastmod konsistent pflegen, Aktualisierungsvermerk im sichtbaren Text, Änderungslog bei wichtigen Seiten.\n\n## Attribution und Reporting\n- Unsicherheit offenlegen: Bei der Aufteilung google ai overview vs. google web organic immer Konfidenzbänder angeben. \n- Trend vor Absolutwert: AEO-KPIs sind relativ und clusterbezogen belastbarer als globale Summen. \n- Marktsegmentierung: Sprache und Land sind eigene Messräume und dürfen nicht gemischt werden.\n\n## Compliance und Qualität\n- Robots und Terms respektieren: Headless-Abrufe drosseln und Frequency-Limits setzen. Kein Cloaking. Gleichbehandlung von Bots und Nutzern inhaltlich. \n- Privacy by Design: Nur pseudonyme Telemetrie, Panel freiwillig und minimal, klare Opt-out-Wege.\n\n## FAQ kurz\n- Was ist GEO: Hier gemeint ist Graph Entity Optimierung, also strukturierte Signale, die Entitäten, Beziehungen und Belege maschinenlesbar machen, nicht Geolocation. \n- Brauche ich noch GSC: Ja, für Trends und Query-Raum, aber nicht als alleinige AEO-Erfolgsmetrik. \n- Wettbewerbsvergleich: Über CS und ASC auf Basis des Shadow Index, ergänzt um öffentliche AI-Oberflächen, die Quellen anzeigen.\n\n## Checkliste zum Mitnehmen\n- Logs und Referrer sauber erfassen und AI-Taxonomie anwenden. \n- Shadow Index für deine Intents betreiben und täglich auswerten. \n- CS und ASC als Leit-KPIs berichten, ACY und RS als Unterstützer. \n- GEO-Signale ausrollen und Evidence-Qualität messbar machen. \n- 30 60 90 Plan umsetzen und Experimente priorisieren.\n\n## Kurzfazit\nNach dem Ende von &num=100 brauchst du Metriken, die direkt an Antwortquellen und Entitäten ansetzen. Mit Citation Share und Answer Slot Coverage, einer soliden Log- und GEO-Grundlage sowie einem disziplinierten Shadow Index lässt sich AI-Sichtbarkeit wieder belastbar messen und auf Traffic-Ziele ausrichten.