SEO Galaxy ist jetzt GetMentioned. Die Plattform bleibt dieselbe. Du willst eine Demo? Buch Dir hier einen Termin →
Eine Marke steht in der KI-Antwort, ein Quellenverweis fehlt. Vier verschiedene Fälle tragen denselben Namen, und nur drei davon betreffen Markensichtbarkeit. Was die Erhebungen messen und woran sich die Lücke schließen lässt.
David Hahn · 26.08.2026 · 30 Min. Lesezeit
Das Wichtigste in Kürze
Eine Ghost Citation ist ein Quellenverweis in einer KI-Antwort, zu dem der Markenname im Antworttext fehlt. Die Seite wird als Source Link geführt. Der Leser erfährt trotzdem nicht, von wem die Auskunft stammt.
Der Begriff beschreibt damit eine Lücke zwischen zwei Ereignissen, die in Berichten regelmäßig zu einer Zahl verrechnet werden. Eine Citation ist das eine Ereignis. Eine Erwähnung ist das andere.
Für eine Marke macht dieser Unterschied den ganzen Wert einer Nennung aus. Eine Erwähnung, die niemand einem Absender zuordnen kann, erreicht den Leser trotzdem. Nachverfolgen lässt sie sich nicht.
Dieser Beitrag ordnet die Zahlen ein, die es dazu gibt, trennt vier Fälle voneinander, die alle unter demselben Namen laufen, und zeigt, was daraus für die Messung von Markensichtbarkeit folgt. Er richtet sich an alle, die eine Zahl zur KI-Sichtbarkeit vorgelegt bekommen und wissen wollen, was sie zählt.
Eine Ghost Citation liegt vor, wenn ein KI-System eine Seite als Quelle verlinkt und den Namen der Marke dahinter im Antworttext auslässt. Die Marke liefert den Inhalt. Sichtbar wird sie dadurch nicht.
Für den Leser sieht die Antwort dann aus wie eine Auskunft ohne Absender. Er bekommt eine Aussage, darunter eine Reihe von Quellenlinks, und liest den Markennamen an keiner Stelle.
Der Begriff stammt aus der KI-Sichtbarkeit und ist jung. Er wurde 2026 geprägt und im selben Jahr zum ersten Mal quantifiziert.
Eine Citation ist ein anklickbarer Quellenverweis unterhalb oder innerhalb einer KI-Antwort. Sie zeigt auf eine Adresse. Sie sagt nichts darüber, ob ein Name im Text steht.
Eine Erwähnung ist der Markenname im Antworttext selbst. Sie steht in dem Absatz, den der Nutzer wirklich liest. Sie braucht keinen Link.
Beide Ereignisse können zusammen auftreten. Sie können auch einzeln auftreten. Genau diese Trennung geht verloren, sobald ein Bericht beide unter dem Wort Sichtbarkeit zusammenfasst.
Die beiden Ereignisse entstehen außerdem an verschiedenen Stellen des Antwortvorgangs. Die Citation entsteht bei der Auswahl der Quellen. Der Markenname entsteht beim Formulieren des Antworttexts.
Das erklärt, warum sich beide Werte unabhängig voneinander bewegen. Ein System kann eine Seite heranziehen und beim Schreiben auf jeden Eigennamen verzichten. Ein anderes System kann einen Namen aus dem Modellwissen setzen und dafür keine Quelle mitliefern.
Die bislang einzige Erhebung, die beide Ereignisse getrennt zählt, definiert sie knapp. Eine Citation liegt vor, wenn gilt: „The domain appeared as a source link in the response."
Für die Erwähnung lautet die Definition: „The brand name appeared in the AI answer."
Beide Sätze stehen in der Auswertung von Semrush und Kevin Indig vom 9. Juni 2026. Sie sind der Maßstab, an dem sich alle folgenden Zahlen messen lassen.
Semrush schreibt die Prägung Kevin Indig zu. Im Wortlaut heißt es dort: „Kevin Indig coined the term ghost citation to describe this gap."
Indig hat den Befund am 20. April 2026 unter dem Titel „The ghost citation problem" in seinem Newsletter Growth Memo veröffentlicht, gestützt auf denselben Datensatz. Der Volltext dort liegt hinter einer Bezahlschranke. Die Zahlen sind im Semrush-Beitrag offen zugänglich.
Damit ist die Urheberschaft für die KI-Sichtbarkeit belegt, allerdings durch den Datenpartner der Studie und nicht durch eine unabhängige Stelle. Wir führen sie hier so, wie sie dort steht.
In der Wissenschaft bezeichnet Ghost Citation etwas anderes. Dort geht es um eine Quellenangabe, hinter der keine existierende Arbeit steht. Der gängigere englische Ausdruck dafür ist Ghost Reference.
Beide Bedeutungen benutzen dasselbe Bild. Es steht etwas in der Quellenangabe, das im Ergebnis nichts trägt.
Sie meinen trotzdem verschiedene Dinge. In der KI-Sichtbarkeit fehlt der Name im Text. In der Wissenschaft fehlt die Arbeit hinter der Angabe.
Die Verwechslung fällt in der Recherche schnell auf. Eine Suche nach dem Begriff liefert Treffer aus der Marketingpresse und Treffer aus Fachzeitschriften nebeneinander. Beide benutzen dieselben zwei Wörter für zwei verschiedene Probleme.
Wir behandeln in diesem Beitrag vorrangig die Bedeutung aus der KI-Sichtbarkeit. Die wissenschaftliche Bedeutung bekommt einen eigenen Abschnitt, damit sie beim Lesen nicht danebenrutscht.
Der Begriff ist unscharf, weil vier verschiedene Sachverhalte darunter laufen. Wer sie trennt, kann jeden einzeln messen und jeden einzeln bearbeiten.
Das ist die Ghost Citation im Sinne von Kevin Indig. Die eigene Seite steht als Source Link unter der Antwort. Der Markenname fehlt im Antworttext.
Der Nutzer kann die Quelle anklicken. In der Praxis tut er das selten. Die Marke bleibt für ihn eine Fußnote.
Das System hat den Inhalt der Seite verwendet. Es hat ihn nur ohne Absender wiedergegeben. Ein typischer Antwortsatz lautet dann sinngemäß, dass eine aktuelle Auswertung einen bestimmten Wert nenne.
Für die Messung ist dieser Fall der bequemste. Die eigene Domain steht in der Quellenliste und lässt sich dort abzählen.
Hier steht der Markenname im Antworttext. Ein Quellenverweis dazu fehlt.
Für die Wahrnehmung ist dieser Fall der bessere. Der Leser sieht den Namen und ordnet ihm die Aussage zu.
Für die Messung ist er der schwierigere. Es gibt keine Adresse, an der sich prüfen ließe, woher die Nennung stammt. Genau das ist die Lücke zwischen genannt werden und als Quelle geführt werden.
Dieser Fall entsteht auf zwei Wegen. Entweder stammt der Name aus dem Modellwissen, oder das System hat ihn aus einer abgerufenen Seite übernommen und die Seite nicht verlinkt.
An der Antwort selbst lassen sich die beiden Wege nicht unterscheiden. Der Test dafür braucht einen zweiten Durchlauf mit abgeschalteter Web Search.
In diesem Fall steht ein Link unter der Antwort, und die verlinkte Seite enthält die zugeschriebene Aussage nicht. Die Adresse funktioniert. Das Thema passt oft sogar.
Diese Lücke zwischen einer angegebenen Quelle und einer gedeckten Aussage lässt sich als Verification Gap beschreiben. Sie ist gemessen worden, und die Werte stehen weiter unten in diesem Beitrag.
Für eine Marke ist dieser Fall der unangenehmste. Die eigene Seite steht als Beleg unter einer Aussage, die dort nie stand.
Auffallen kann das jedem Leser, der dem Link folgt. Prüfen lässt es sich nur im Original.
Hier verweist die Angabe auf eine Arbeit, die es nicht gibt. Das ist die wissenschaftliche Bedeutung des Begriffs.
Autor, Titel, Jahr und Fundstelle sehen korrekt formatiert aus. Die Arbeit selbst existiert nicht. In Google Scholar liefert die Suche nach dem Titel keinen Treffer.
Ghost References entstehen, wenn ein Modell eine Quellenangabe erzeugt, die es nie gegeben hat. Das Format übernimmt es aus den Trainingsdaten, den Inhalt erfindet es dazu.
Dieser vierte Fall betrifft Marken nur mittelbar. Er zeigt aber, wie zuverlässig ein Modell mit Quellenangaben umgeht, wenn niemand nachprüft.
| Fall | Was in der Antwort steht | Was fehlt | Feld |
|---|---|---|---|
| Ghost Citation | Source Link auf die eigene Seite | der Brand Name im Antworttext | KI-Sichtbarkeit |
| Erwähnung ohne Citation | der Markenname im Antworttext | ein Quellenverweis dazu | KI-Sichtbarkeit |
| Verification Gap | Link und Aussage | die Deckung der Aussage durch die Quelle | KI-Antworten und Deep Research |
| Ghost Reference | eine formal korrekte Quellenangabe | die zitierte Arbeit selbst | Wissenschaft |
Zum ersten Fall gibt es zwei Erhebungen aus dem Jahr 2026. Sie kommen zu verschiedenen Zahlen, und der Grund dafür liegt im Nenner.
Die Erhebung erfasst 3.981 Brand Appearances zu 115 Prompts. Die Prompts liefen nach Angabe der Autoren „run across 14 countries". Abgefragt wurden vier AI Engines, nämlich ChatGPT, Google AI Overviews, Gemini und Google AI Mode.
Die Daten stammen aus dem AI Visibility Toolkit von Semrush. Veröffentlicht wurde der Beitrag am 9. Juni 2026, verfasst von Margarita Loktionova in Zusammenarbeit mit Kevin Indig und Growth Memo.
Der Datensatz ist klein. 115 Prompts sind eine überschaubare Frageliste, und der Erhebungszeitraum steht nicht dabei.
Die Prompts selbst sind ebenfalls nicht veröffentlicht. Damit lässt sich die Auswertung nicht nachrechnen und nicht mit einer eigenen Messung vergleichen.
Das ist kein Sonderfall dieser Studie. Kein geprüfter Anbieter von AI Tools zur Sichtbarkeitsmessung legt seine Frageliste offen.
Jede Brand Appearance fällt in genau einen von drei Zuständen. Die drei Anteile summieren sich auf hundert Prozent.
Daraus ergeben sich zwei Gesamtwerte. 74,9 Prozent aller Appearances enthalten eine Citation. 38,3 Prozent enthalten eine Erwähnung.
Die Überschrift des Semrush-Beitrags spricht von 62 Prozent der AI Citations. Die drei ausgewiesenen Anteile beziehen sich auf Appearances, weil sie sich zu hundert Prozent addieren.
Gerechnet auf die Citations allein fällt der Wert anders aus. 61,7 geteilt durch 74,9 ergibt rund 82 Prozent.
Beide Zahlen beschreiben denselben Datensatz. Wer sie nebeneinanderlegt, sollte den Bezug mitschreiben. Statt „62 Prozent der Citations nennen die Marke nicht" ist die belegbare Fassung „61,7 Prozent aller Brand Appearances sind Citations ohne Markennennung".
In gut jedem achten Fall treffen beide Ereignisse zusammen. Nur dort sieht der Leser den Namen und findet zugleich die Adresse dahinter.
Diese 13,2 Prozent sind die einzige Klasse, in der eine Nennung zugleich sichtbar und nachverfolgbar ist. Alle anderen Appearances liefern eines von beidem.
Für die Praxis heißt das, dass eine Zahl aus einem Monitoring ohne diese Aufteilung wenig aussagt. Ein Anbieter, der 100 Appearances meldet, kann damit 100 Fußnoten meinen oder 100 Namensnennungen.
Am 29. Juli 2026 hat Search Engine Land eine zweite Auswertung veröffentlicht. Die Daten stammen von Writesonic und decken ein Fenster von 30 Tagen ab.
Der Umfang liegt bei rund 16 Millionen Brand Appearances über mehrere AI Engines. Das Ergebnis lautet dort: „Around 40% of AI citations didn't name the source brand in the generated answer."
Autoren sind Nikki Lam und Samanyou Garg. Der Beitrag legt offen, dass Garg Gründer und CEO von Writesonic ist.
Beide Erhebungen messen dasselbe Ereignis und kommen auf 61,7 gegen rund 40 Prozent. Drei Unterschiede erklären den Abstand.
Keine der beiden Zahlen ist dadurch falsch. Sie sind zwei Messungen an zwei Grundgesamtheiten. Ein Vergleich der Prozentwerte ohne diesen Hinweis führt in die Irre.
Ein vierter Unterschied lässt sich nicht auflösen. Die Semrush-Auswertung nennt keinen Erhebungszeitraum, die Writesonic-Daten decken 30 Tage ab. Ob beide dieselbe Phase der Systeme erfasst haben, ist damit offen.
Nicht so: „Zwischen 40 und 62 Prozent der KI-Zitate nennen die Marke nicht." Besser: „Zwei Erhebungen aus dem Jahr 2026 messen den Anteil an zwei verschiedenen Grundgesamtheiten und kommen auf 61,7 Prozent der Brand Appearances beziehungsweise rund 40 Prozent der Citations."
Der größte Befund beider Erhebungen liegt nicht im Mittelwert. Er liegt in der Spreizung zwischen den Systemen.
In der Semrush-Auswertung liegt die Citation-Rate von ChatGPT bei 87 Prozent. Die Erwähnungsrate liegt bei 20,7 Prozent.
Das System verlinkt also fast immer eine Quelle. Den Markennamen setzt es in gut jeder fünften Antwort in den Text.
Für eine Marke bedeutet das eine hohe Zahl an Fußnoten bei geringer Namenspräsenz. Wer nur Citations zählt, hält ChatGPT für den freundlichsten Kanal.
Wer stattdessen die Erwähnungsrate zählt, kommt zum umgekehrten Urteil. Beide Auswertungen stammen dann aus demselben Datensatz.
Die praktische Folge betrifft die Priorisierung. Ein Team, das ChatGPT als wichtigsten Kanal führt, sollte wissen, dass es dort vor allem als Quelle auftaucht und selten mit Namen.
Bei Gemini kehrt sich das Bild um. Die Erwähnungsrate liegt bei 83,7 Prozent, die Citation-Rate bei 21,4 Prozent.
Gemini setzt Brand Names damit rund viermal so oft in den Antworttext wie ChatGPT. Einen Quellenlink liefert es dabei in gut jedem fünften Fall.
Für eine Marke ist das der sichtbarere Kanal und der schlechter nachverfolgbare zugleich. Der Name steht im Text, die Adresse dahinter fehlt.
Wer Gemini in ein Monitoring aufnimmt, misst deshalb überwiegend Namen. Wer die Citation-Rate als Leitgröße führt, sieht Gemini als schwachen Kanal, obwohl dort die meisten Namen fallen.
Die beiden Systeme liegen damit an den entgegengesetzten Enden derselben Skala. Zwischen 20,7 und 83,7 Prozent Erwähnungsrate liegt der Faktor vier.
Google AI Overviews liegt zwischen beiden Polen und neigt nach Darstellung der Autoren zur Citation. Google AI Mode nennt Marken nach derselben Auswertung annähernd doppelt so oft wie ChatGPT.
Für die beiden Google-Oberflächen weist der Beitrag keine einzelnen Prozentwerte aus. Das ist eine Fehlanzeige und keine Auslassung unsererseits.
Wie die beiden Oberflächen ihre Quellen überhaupt auswählen, behandelt der Beitrag zu den AI Overviews im Bestand.
Writesonic weist für sieben Systeme aus, wie oft eine Citation ohne Markennamen bleibt. Perplexity liegt an der Spitze, Microsoft Copilot am unteren Ende.
| AI Engine | Anteil der Citations ohne Markennamen |
|---|---|
| Perplexity | 52 % |
| Google AI Mode | 49 % |
| Google AI Overviews | 41 % |
| ChatGPT | 37 % |
| Gemini | 25 % |
| Grok | 22 % |
| Microsoft Copilot | 19 % |
Die Rangfolge stützt den Befund aus der ersten Erhebung an einer Stelle. Gemini liegt in beiden Datensätzen deutlich besser als der Durchschnitt.
An einer anderen Stelle weichen die Reihen ab. ChatGPT kommt bei Writesonic auf 37 Prozent, während die Semrush-Werte auf einen weit höheren Anteil hindeuten. Der unterschiedliche Nenner erklärt einen Teil davon, den Rest erklärt keine der beiden Veröffentlichungen.
Die Engine ist nicht die einzige Größe. Die Semrush-Auswertung weist drei weitere aus, die den Anteil der Erwähnungen deutlich bewegen.
Die Auswertung nennt für kurze Fragen ein Vielfaches der Erwähnungen langer Fragen. Das ist der größte Einzeleffekt im Datensatz.
Eine kurze Frage lässt dem System wenig Kontext. Es antwortet mit Namen, weil Namen die knappste Form einer Empfehlung sind.
Eine lange Frage liefert Kontext mit. Das System antwortet erklärend und stützt die Erklärung mit Links.
Bei informationalen Fragen liegt die Citation-Rate bei 89,3 Prozent und die Erwähnungsrate bei 18 Prozent. Bei vergleichenden Fragen steigt die Erwähnungsrate auf 43,3 Prozent.
Bei How-to-Fragen liegt sie bei 42,8 Prozent. Bei kommerziellen Fragen liegt die Erwähnungsrate bei 35,6 Prozent und die Citation-Rate bei 84,4 Prozent.
| Fragetyp | Citation-Rate | Erwähnungsrate |
|---|---|---|
| informational | 89,3 % | 18 % |
| vergleichend | nicht ausgewiesen | 43,3 % |
| How-to | nicht ausgewiesen | 42,8 % |
| kommerziell | 84,4 % | 35,6 % |
Daraus folgt eine praktische Konsequenz für jede Promptliste. Wer nur informationale Fragen abfragt, misst einen Bereich mit systematisch niedriger Erwähnungsrate.
Die Erwähnungsrate schwankt zwischen den 14 Ländern der Erhebung erheblich. Indien und Schweden liegen bei rund 50 Prozent.
Kanada liegt bei 44 Prozent und Großbritannien bei 41 Prozent. Italien, Brasilien und die Niederlande liegen zwischen 18 und 22 Prozent.
Der Abstand zwischen dem oberen und dem unteren Ende beträgt damit mehr als das Doppelte. Ein Zielwert aus einem Markt taugt für einen anderen Markt nicht.
| Markt | Erwähnungsrate |
|---|---|
| Indien | rund 50 % |
| Schweden | rund 50 % |
| Kanada | 44 % |
| Großbritannien | 41 % |
| Italien | 18 bis 22 % |
| Brasilien | 18 bis 22 % |
| Niederlande | 18 bis 22 % |
Die Auswertung nennt für diese Spreizung keine Erklärung. Denkbar sind Unterschiede in der Sprache, in der Menge verfügbarer Quellen und in der Zusammensetzung der Prompts je Markt.
Für die eigene Messung folgt daraus eine schlichte Regel. Der Markt gehört als Feld in die Auswertung, und Werte aus verschiedenen Märkten werden nicht gemittelt.
Deutschland taucht in der veröffentlichten Länderliste nicht auf. Österreich und die Schweiz ebenfalls nicht.
Damit gibt es zum Ghost-Citation-Anteil im deutschsprachigen Raum keine Erhebung mit offengelegter Methodik. Das ist der Stand am 26. August 2026.
Wer für den deutschen Markt eine Zahl braucht, misst sie selbst. Wie ein solcher Messaufbau aussieht, steht im Beitrag zum Prompt Tracking.
Der dritte Fall ist der unauffälligste. Eine Antwort nennt eine Quelle, der Link funktioniert, und die verlinkte Seite sagt etwas anderes.
Eine Arbeit mit dem Titel „Cited but Not Verified" hat genau das gemessen. Sie ist am 7. Mai 2026 erschienen und prüft die Quellenzuordnung in Reports von Deep Research Agents.
Die Autoren beschreiben den Ausgangspunkt so: „Large language models (LLMs) power deep research agents that synthesize information from hundreds of web sources into cited reports, yet these citations cannot be reliably verified."
Geprüft wurden 14 Modelle aus geschlossener und offener Entwicklung. Bewertet wurde jede einzelne Citation gegen den abgerufenen Inhalt der verlinkten Seite.
Der Aufbau unterscheidet sich damit von den üblichen Faktenprüfungen. Übliche Prüfungen bewerten eine Aussage für sich. Diese Untersuchung ruft die verlinkte Seite ab und hält die Aussage daneben.
Damit misst sie genau den Fall, um den es hier geht. Eine Citation steht da, und die Frage lautet, ob sie trägt.
Die Untersuchung bewertet jede Citation in drei Dimensionen. Die Ergebnisse fallen je Dimension weit auseinander.
| Dimension | Was geprüft wird | Ergebnis der stärksten Modelle |
|---|---|---|
| Link Works | ob die Adresse erreichbar ist | über 94 % |
| Relevant Content | ob die Quelle zum Thema passt | über 80 % |
| Fact Check | ob die Quelle die Aussage deckt | 39 bis 77 % |
Die ersten beiden Werte sind hoch. Der dritte ist es nicht.
Das Muster ist bemerkenswert, weil es genau die Prüfung unterläuft, die ein Leser üblicherweise vornimmt. Er klickt den Link an, sieht eine passende Seite und liest nicht weiter.
Die Arbeit hat zusätzlich untersucht, was mit der Genauigkeit passiert, wenn ein Agent tiefer recherchiert. Gemessen wurde eine Steigerung der Tool Calls von 2 auf 150.
Die Fact-Check-Genauigkeit fällt dabei über zwei Frontier-Modelle hinweg um rund 42 Prozent. Die Autoren fassen das so zusammen, dass mehr Retrieval keine genaueren Citations erzeugt.
Ein zweiter Nebenbefund gehört dazu. Weniger als die Hälfte der Open-Source-Modelle brachte im One-Shot überhaupt einen Report mit Citations zustande. Im Original heißt es, dass „fewer than half of open-source models successfully generate cited reports in a one-shot setting".
Gemessen wurden Reports von Deep Research Agents. Das sind lange, mehrstufig recherchierte Texte.
Eine normale Antwort in ChatGPT, Perplexity oder einem AI Overview ist etwas anderes. Für diese kurzen Antworten liegt keine vergleichbare Auswertung mit offengelegter Methodik vor.
Die Größenordnung lässt sich damit nicht eins zu eins übertragen. Die Richtung des Befunds bleibt trotzdem brauchbar. Eine genannte Quelle ist noch keine geprüfte Quelle.
Die zweite Bedeutung gehört in einen anderen Zusammenhang. Sie bezeichnet eine Quellenangabe, hinter der keine existierende Arbeit steht.
Wer den Begriff im Feld der KI-Sichtbarkeit benutzt, sollte die zweite Bedeutung kennen. Sie taucht in jeder Recherche zum Thema mit auf.
Eine Arbeit mit dem Namen GhostCite hat den Umfang des Problems gemessen. Der Untertitel lautet „A Large-Scale Analysis of Citation Validity in the Age of Large Language Models". Sie erschien am 6. Februar 2026 und wurde am 14. Mai 2026 überarbeitet.
Im ersten Teil haben die Autoren 13 Large Language Models eine Aufgabe zur Citation-Erzeugung lösen lassen. Alle 13 Modelle erfanden Quellen.
Im Original steht dazu: „First, we benchmark 13 LLMs on citation generation task in various research domains, finding that all models hallucinate citations at rate from 14.23% to 94.93%."
Die Halluzinationsrate reicht damit von 14,23 bis 94,93 Prozent. Die Spanne zwischen dem besten und dem schlechtesten Modell beträgt fast das Siebenfache.
Ein Mittelwert über alle Modelle wäre an dieser Stelle sinnlos. Die Wahl des Modells bestimmt das Ergebnis stärker als jede andere Größe im Versuchsaufbau.
Im zweiten Teil haben die Autoren 2,2 Millionen Citations aus 56.381 Papers geprüft. Die Papers stammen von Konferenzen aus Artificial Intelligence, Machine Learning und IT-Sicherheit, darunter NeurIPS, aus den Jahren 2020 bis 2025.
1,07 Prozent der Papers enthalten mindestens eine ungültige Citation. Für 2025 weist die Arbeit dabei einen Anstieg von 80,9 Prozent aus.
Der absolute Anteil ist klein. Die Bewegung innerhalb eines Jahres ist es nicht.
Im dritten Teil haben die Autoren 97 Forscher befragt. 87,2 Prozent gaben an, AI Tools in ihrer Arbeit einzusetzen.
76,7 Prozent der Reviewer prüfen die Quellenangaben eingereichter Arbeiten nach eigener Auskunft nicht gründlich. 74,5 Prozent halten Peer Review für ungeeignet, um Citation Errors zu finden. 41,5 Prozent übernehmen BibTeX-Einträge ohne Prüfung.
Das Fazit der Arbeit lautet im Original: „Based on these findings, we argue that ghost citations represent a systemic threat to academic integrity."
Diese Selbstauskünfte sind kein direkter Messwert. Sie beschreiben, was Befragte über ihr eigenes Verhalten angeben, und liegen damit auf einer anderen Belegstufe als die 2,2 Millionen geprüften Citations.
Interessant sind sie trotzdem, weil sie den Mechanismus erklären. Eine erfundene Quellenangabe bleibt so lange im Umlauf, wie niemand sie öffnet.
Eine erfundene Angabe sieht korrekt aus. Autor, Titel, Zeitschrift und Jahr stehen an ihrem Platz, und das Format stimmt.
Die Prüfung führt deshalb über die Existenz. In Google Scholar liefert die Suche nach dem exakten Titel entweder einen Treffer oder keinen. Zu jedem Treffer steht dort außerdem die Angabe „Cited by" mit der Zahl der Zitierungen.
Derselbe Griff funktioniert bei einer Citation in einer KI-Antwort. Die verlinkte Seite öffnen und die zitierte Passage im Original suchen.
Beide Bedeutungen beschreiben ein Loch in einer Quellenangabe. Der Ort des Lochs ist ein anderer.
Bei der Ghost Citation in der KI-Sichtbarkeit ist die Quelle echt und der Name fehlt. Beim Ghost Reference in der Wissenschaft fehlt die Quelle.
Für eine Marke ist der erste Fall der praktisch bedeutsame. Er betrifft jede Antwort, in der die eigene Seite als Beleg dient.
Bis hierhin ging es um Zahlen. Jetzt geht es darum, was sie für die eigene Sichtbarkeit heißen.
Eine KI-Antwort ersetzt für viele Nutzer den ersten Blick auf eine Ergebnisliste. Was in diesem Absatz steht, prägt das Bild.
Steht dort kein Name, entsteht kein Bild. Die Aussage wirkt, die Marke dahinter nicht.
Der Nutzer erinnert nach der Antwort ein Argument. Er erinnert keinen Anbieter.
Das trifft besonders die Phase, in der ein Interessent die Anbieter noch nicht kennt. Er stellt eine ungebrandete Frage, bekommt eine Antwort und übernimmt daraus eine Liste von Namen. Wer in dieser Liste fehlt, kommt in der weiteren Recherche kaum noch vor.
Der Effekt lässt sich an der eigenen Kategorie nachstellen. Die typische Einstiegsfrage der eigenen Zielgruppe an ein System stellen und zählen, welche Namen im Text stehen.
Der zweite Fall dreht das Problem um. Der Name steht im Text, und eine Adresse dazu fehlt.
Für die Wahrnehmung ist das der bessere Ausgang. Für die Auswertung fehlt der Anknüpfungspunkt.
Ohne Quellenlink lässt sich nicht bestimmen, welche Seite im Web die Nennung getragen hat. Damit fehlt die Rückmeldung darüber, welche Platzierung gewirkt hat.
Eine Citation liefert eine Adresse und damit einen Anhaltspunkt. Eine Erwähnung ohne Citation liefert keinen.
In der Praxis sehen wir deshalb regelmäßig zwei Reports nebeneinander, die für dieselbe Marke verschiedene Bilder zeichnen. Der eine zählt Fußnoten, der andere Namen.
Nach unserer Erfahrung lohnt es sich, beide Zahlen von Anfang an getrennt zu führen. Sie reagieren auf verschiedene Arbeit, und sie entwickeln sich verschieden schnell.
Wer die Trennung erst nachträglich einzieht, verliert die Vergleichbarkeit der eigenen Zeitreihe. Alte Durchläufe lassen sich nicht rückwirkend auseinanderziehen, weil die Antworttexte selten archiviert werden.
Die Einordnung der Erwähnung als eigenständige Größe behandelt der Beitrag zu den AI Mentions. Dort steht auch, welche Felder sich neben der reinen Nennung zu erfassen lohnen.
Wir sehen regelmäßig Reports, die Citations und Erwähnungen zu einer Zahl verrechnen. Beide gehören nebeneinander, weil sie zwei verschiedene Fragen über dieselbe Marke beantworten.
Die Messung ist unaufwendig, sobald die Felder feststehen. Aufwendig wird sie nur, wenn jemand nachträglich zwei Größen auseinanderziehen muss, die zusammen erfasst wurden.
Für jede Antwort eines Systems werden die folgenden Angaben festgehalten. Das ist die Mindestmenge, um Citation und Erwähnung später trennen zu können.
Das letzte Feld kostet den meisten Aufwand. Es lohnt sich als Stichprobe, nicht für jede Antwort.
Die ersten sechs Felder lassen sich automatisiert füllen. Das siebte verlangt, dass jemand die verlinkte Seite öffnet und die Passage sucht.
Eine Stichprobe von zehn Antworten je Monat reicht aus, um eine Größenordnung zu bekommen. Fällt dabei auf, dass eine Aussage der eigenen Seite zugeschrieben wird, die dort nicht steht, gehört das in die Auswertung.
Die Citation-Rate ist der Anteil der Antworten, in denen die eigene Domain als Quelle erscheint. Die Erwähnungsrate ist der Anteil der Antworten, in denen der Markenname im Text steht.
Beide Werte gehören in dieselbe Tabelle und in getrennte Spalten. Eine dritte Spalte hält fest, in wie vielen Antworten beides zusammen auftritt.
Nicht so: „Sichtbarkeit in KI-Antworten 34 Prozent." Besser: „Zum Beispiel Citation-Rate 28 Prozent, Erwähnungsrate 12 Prozent, beides zusammen 6 Prozent, gemessen über 40 Prompts in vier Durchläufen."
Ein einzelner Durchlauf trägt keine Aussage. Dieselbe Frage bekommt auch im selben Moment verschiedene Antworten.
Die Streuung ist bei diesen Systemen groß genug, um kleine Veränderungen vollständig zu überdecken. Wie viele Durchläufe nötig sind und welche Streuung normal ist, behandelt der Beitrag zum Prompt Tracking.
Für die Ghost-Citation-Rate gilt dasselbe wie für jede andere Kennzahl aus diesen Systemen. Sie trägt als Zeitreihe bei gleichbleibendem Aufbau.
Zwei Anbieter können für dieselbe Marke am selben Tag verschiedene Prozentwerte ausweisen. Der Grund liegt in der Frageliste und in der Auswahl der Systeme.
Kein geprüfter Anbieter veröffentlicht sein Prompt-Set. Damit ist keine Zahl zwischen zwei Anbietern vergleichbar.
Die ausführliche Einordnung dieser Nicht-Vergleichbarkeit steht im Beitrag zum Share of Model.
Eine Messung sagt, wie oft etwas vorkommt. Sie sagt nicht, warum.
Ob eine Nennung aus dem Modellwissen stammt oder aus einer Web Search zur Laufzeit, ist an der Antwort nicht ablesbar. Der Test dafür steht im Beitrag zur LLM Visibility.
An dieser Herkunft hängt die Dauer jeder Maßnahme. Eine Lücke im Abruf lässt sich in Tagen bearbeiten, eine Lücke im Modellwissen nicht.
Auf die Training Data eines Modells hat niemand von außen direkten Zugriff. Sie ändert sich erst mit dem nächsten Trainingslauf, und der findet in Abständen von Monaten statt.
Die Citation-Rate hängt an der eigenen Website. Die Erwähnungsrate hängt daran, was andere Seiten über die Marke schreiben. Das sind zwei verschiedene Baustellen.
Eine Seite, aus der sich einzelne Aussagen sauber entnehmen lassen, wird häufiger als Quelle herangezogen. Dazu gehören eine klare Definition, datierte Eckdaten und eine eindeutige Zuordnung der Marke zu ihrer Kategorie.
Semrush leitet aus der eigenen Auswertung einen Abschnitt unter der Überschrift „How to close the citation gap" ab. Die dortige Empfehlung lautet, Marken- und Produktnennungen im eigenen Content deutlicher zu setzen, wenn eine Seite zwar zitiert, die Marke aber nicht genannt wird.
Diese Arbeit wirkt auf die Citation-Rate zuverlässiger als auf die Erwähnungsrate. Ein System, das den Namen im Antworttext auslässt, tut das nach eigener Textlogik.
Die Erwähnungsrate reagiert auf das, was außerhalb der eigenen Domain über die Marke steht. Ein System, das eine Antwort aus mehreren Quellen zusammensetzt, findet für einen Markennamen umso mehr Anhaltspunkte, je mehr unabhängige Seiten denselben Namen im selben Zusammenhang führen.
Genau solche Belege entstehen durch Brand Mentions und Digital PR auf passenden Publisher-Seiten. Ein Fachbeitrag, der die Marke im Fließtext nennt, liefert dem System einen Namen im Text und keine bloße Adresse.
Eine Marke, die in einem Fachmedium, in einer Studie und in einem Interview mit demselben Schwerpunkt vorkommt, liefert drei unabhängige Belege für dieselbe Zuordnung. Das ist genau die Art von Grundlage, aus der ein System einen Namen in einen Antworttext übernimmt.
Der Zusammenhang zwischen Erwähnungen im Web und Nennungen in KI-Antworten ist korreliert und nicht kausal belegt. Ein kontrolliertes Experiment, das eine zusätzlich platzierte Erwähnung einer zusätzlichen KI-Nennung zuordnet, gibt es bislang nicht. Wer an dieser Stelle eine Garantie verspricht, hat den Beleg dafür nicht.
Eine redaktionelle Platzierung erzeugt zwei Dinge zugleich. Sie setzt den Markennamen in einen Text, und sie stellt eine abrufbare Seite ins Web, die diesen Namen mit einer Aussage verbindet.
Für den Retrieval-Weg zählt dabei die abrufbare Seite. Für den Antworttext zählt, dass der Name dort ausgeschrieben steht.
Nicht so: „Erwähnung des Kunden im Autorenprofil unter dem Beitrag." Besser: „Der Markenname steht im Fließtext des Beitrags, in einem Satz, der eine überprüfbare Angabe über das Unternehmen enthält."
Ein Beispiel für einen solchen Satz aus einem Fachbeitrag lautet: „Der Anbieter GetMentioned führt nach eigenen Angaben Publisher in mehreren Sprachen und weist den Preis je Platzierung vor der Buchung aus." Der Name steht darin, und der Satz enthält eine Angabe, die sich prüfen lässt.
Eine solche Formulierung ist für ein System leichter zu übernehmen als eine Aufzählung von Anbieternamen ohne Zusatz. Sie verbindet den Namen mit einer Eigenschaft.
Die Antwort selbst lässt sich nicht buchen. Diese Systeme arbeiten probabilistisch, und dieselbe Frage kann in zwei Durchläufen zwei verschiedene Antworten liefern.
Ob ein System einen Namen in den Antworttext setzt, entscheidet es je Antwort neu. Kein Anbieter kann das zusagen.
Was sich beschaffen lässt, ist die Grundlage. Also Seiten, auf denen der Name in einem passenden Zusammenhang steht.
GetMentioned ist eine Linkbuilding-Agentur mit eigenem Placement-Marktplatz. Full Service im Linkaufbau, kein Full-Service-SEO.
Unsere Leistung setzt an der zweiten Baustelle an, also an dem, was außerhalb der eigenen Domain über eine Marke steht. Das Tracking einzelner Antworten in Answer Engines gehört nicht zu unserem Produkt.
Nicht jede Platzierung trägt einen Markennamen in einen Text. Diese Merkmale prüfen wir vor der Buchung.
Der GetMentioned Score führt Preis, SEO-Daten und Qualitätssignale je Publisher zusammen. Er ersetzt die inhaltliche Prüfung des Themenfits nicht.
Im Marktplatz stehen Publisher mit SEO-Daten, Themenzuordnung und Preis nebeneinander. Der Preis, den du im Marktplatz siehst, ist der Preis, den du zahlst.
MentionIQ wertet Website, Wettbewerber und wichtige Keywords aus und schlägt daraus passende Linkquellen vor. Damit lässt sich die Auswahl auf Publisher eingrenzen, die im eigenen Themenumfeld ohnehin sichtbar sind.
Wer die Umsetzung abgeben will, kann sie als betreutes Mandat vergeben. Dann übernehmen wir Analyse, Publisher-Auswahl, Text, Abstimmung, Veröffentlichung und Monitoring für dich.
Der Text ist dabei die Stelle, an der über die Nennung entschieden wird. Wir stimmen ihn so ab, dass der Markenname im Fließtext steht und dort mit einer Aussage verbunden ist.
Nach unserer Erfahrung ist das der Punkt, an dem viele Kampagnen Wirkung verschenken. Der Link sitzt sauber, und der Name taucht im Text an keiner Stelle auf.
Arbeit an der Kundenwebsite gehört nicht zum Gewerk. Seitenstruktur, technisches SEO und Ladezeit bleiben beim Kunden oder bei seiner SEO-Betreuung.
SEO-Texte schreiben und liefern wir, auch für die eigenen Seiten des Kunden. Online stellt der Kunde sie dort selbst.
Auch die Messung der eigenen KI-Sichtbarkeit gehört nicht dazu. Dafür gibt es eigene Anbieter, etwa Peec.ai oder Rankscale.
Zum Ghost-Citation-Problem kursieren vier Sätze, die sich mit den vorliegenden Daten nicht halten lassen. Zu jedem steht hier die belegbare Fassung.
Die Daten zeigen das Gegenteil einer festen Kopplung. ChatGPT liefert 87 Prozent Citations und 20,7 Prozent Erwähnungen.
Ein Anstieg der Citations kann die Erwähnungsrate unverändert lassen. Die belegbare Fassung lautet „Citations und Erwähnungen entwickeln sich in den geprüften Systemen unabhängig voneinander, und beide gehören getrennt ausgewiesen".
25,1 Prozent aller Brand Appearances in der Semrush-Auswertung sind Erwähnungen ohne Citation. Für den Leser ist genau das der Fall, in dem er den Namen sieht.
Die belegbare Fassung lautet „Eine Erwähnung ohne Link erreicht den Leser, liefert der Auswertung aber keine Adresse, an der sich ihre Herkunft prüfen ließe".
Zwei Erhebungen aus demselben Jahr kommen auf 61,7 und auf rund 40 Prozent. Die Werte je System reichen von 19 bis 52 Prozent.
Die belegbare Fassung lautet „Die Ghost-Citation-Rate hängt an der Engine, am Fragetyp, am Markt und am gewählten Nenner, und ein einzelner Prozentwert ohne diese vier Angaben ist nicht auslegbar".
Die Untersuchung zu Deep Research Agents weist eine Link-Erreichbarkeit über 94 Prozent aus und eine Fact-Check-Genauigkeit von 39 bis 77 Prozent. Ein funktionierender Link sagt damit wenig über die Deckung der Aussage.
Die belegbare Fassung lautet „Ein Quellenlink belegt die Erreichbarkeit einer Seite, und ob die Seite die zugeschriebene Aussage enthält, zeigt erst eine Stichprobe im Original".
Das Ghost-Citation-Problem ist im Kern ein Messproblem. Eine Citation und eine Erwähnung sind zwei Ereignisse, und in den geprüften Systemen treten sie meistens einzeln auf.
Wer beides zu einer Zahl verrechnet, verliert die Information, an der jede Maßnahme hängt. Ein Bericht mit getrennter Citation-Rate und Erwähnungsrate sagt in einer Zeile mehr als ein Sichtbarkeitswert in Prozent.
Die Citation-Rate reagiert auf die eigene Website. Die Erwähnungsrate reagiert auf das, was andere Seiten über die Marke schreiben. In der Praxis sehen wir die zweite Lücke häufiger, und sie ist die unbequemere, weil sie sich im eigenen Content-Management-System nicht schließen lässt.
Eine Ghost Citation ist ein Quellenverweis in einer KI-Antwort, zu dem der Markenname im Antworttext fehlt. Die Seite erscheint als Source Link, der Leser liest den Namen dahinter nicht.
Semrush schreibt die Prägung Kevin Indig zu, im Wortlaut „Kevin Indig coined the term ghost citation to describe this gap". Die gemeinsame Auswertung erschien am 20. April 2026 bei Growth Memo und am 9. Juni 2026 bei Semrush.
In der Auswertung von Semrush und Kevin Indig sind 61,7 Prozent aller Brand Appearances Citations ohne Markennennung. Eine zweite Erhebung von Writesonic über rund 16 Millionen Brand Appearances kommt auf rund 40 Prozent der Citations.
Eine Citation ist ein anklickbarer Quellenlink in oder unter der Antwort. Eine Erwähnung ist der Markenname im Antworttext. Nur 13,2 Prozent der geprüften Appearances enthalten beides.
Von den vier geprüften Systemen nennt Gemini Marken am häufigsten, mit einer Erwähnungsrate von 83,7 Prozent bei einer Citation-Rate von 21,4 Prozent. ChatGPT liegt umgekehrt bei 87 Prozent Citations und 20,7 Prozent Erwähnungen.
Dort bezeichnet der Begriff eine Quellenangabe ohne existierende Arbeit dahinter, häufiger Ghost Reference genannt. Eine Untersuchung vom Februar 2026 misst dafür bei 13 Large Language Models Halluzinationsraten von 14,23 bis 94,93 Prozent.
Nein. Deutschland taucht in der veröffentlichten Länderliste der Erhebung nicht auf, Österreich und die Schweiz ebenfalls nicht. Wer für den deutschsprachigen Raum eine Zahl braucht, misst sie mit einer eigenen Promptliste.
Über den Autor
Geschäftsführer GetMentioned
David baut seit 2016 Linkaufbau- und Digital-PR-Prozesse, erst als Agentur unter SEO Galaxy, heute als Plattform mit GetMentioned. Er hat eigene Projekte von null auf siebenstelligen Monats-Traffic skaliert und tausende Kampagnen für Kunden umgesetzt. Hier schreibt er über das, was in der Praxis wirkt, und über das, was nur Budget kostet.
Vergleiche Publisher, SEO-Daten und Preise an einem Ort und buche passende Placements direkt.
Share of Model misst den Anteil einer Marke an allen Markennennungen in KI-Antworten. Warum die Formel unstrittig ist, der Nenner aber nicht, und weshalb zwei Anbieter am selben Tag verschiedene Werte für dieselbe Marke ausweisen können.
23.08.2026 · 10 Min. Lesezeit
Eine Marke erscheint aus dem Modellgewicht oder aus einer Websuche zur Laufzeit. Ein Test von einer halben Stunde trennt beides, und daran hängt, ob die Arbeit Tage oder Monate dauert.
16.08.2026 · 12 Min. Lesezeit
Dieselbe Frage liefert im selben Moment verschiedene Antworten. Wie ein Messaufbau aussieht, der das aushält, und warum die Zahlen zweier Tools nicht vergleichbar sind.
15.08.2026 · 14 Min. Lesezeit
