„Wir investieren in GEO. Wir sehen das in keinem Report.”
Den Satz höre ich seit Monaten aus jedem zweiten Stakeholder-Meeting. Und er ist solange berechtigt, bis du aufhörst, mit einem Tool zu messen.
Single-Tool-Setups - egal ob RankScale, Profound oder Peec AI - zeigen dir, wo deine Marke in AI-Antworten auftaucht. Was sie dir nicht zeigen: ob daraus Geld wird.
Diese Lücke schließt die 4-Säulen-Methode. Alin Radulescu hat sie auf LinkedIn beschrieben, basierend auf Alexander Holls Modell. Sie kombiniert Visibility-Tracking mit Search Console, Analytics und einem Revenue-Anker - und liefert damit zum ersten Mal eine Messung, die im CFO-Gespräch standhält.
Warum Single-Tool-Setups beim Reporting versagen
Ein RankScale-Dashboard sagt dir: „Deine Marke erscheint in 18,3 % der relevanten ChatGPT-Antworten im DACH-Markt.” Das ist Visibility-Share.
Ein GSC-Report sagt dir: „Deine Impressionen sind 31 % gesunken.” Das ist klassisches SEO-Tracking.
Beide stimmen. Beide widersprechen sich vermeintlich. Beide reichen nicht.
Das Bordeaux-Cluster aus Alin Radulescus Post zeigt das exemplarisch. Ein Wein-Use-Case mit 18,3 % AI-Citation-Share, 31 % weniger klassische Impressionen - aber 87 % mehr Revenue pro Impression. Die ersten beiden Zahlen sehen aus wie ein Verlust. Die dritte sagt das Gegenteil.
Wer nur eine Säule trackt, kommt zur falschen Diagnose.
Die vier Säulen im Überblick
Die Methode strukturiert GEO-Messung wie eine ordentliche Bilanz. Vier separate Datenebenen, die zusammen ein Gesamtbild ergeben.
→ Säule 1: Project Data. Visibility-Tracking pro Engine, pro Markt, pro Query. RankScale, Peec AI oder Microsoft Clarity.
→ Säule 2: Search Console. Impressionen, Klicks, durchschnittliche Position aus klassischer Google-Suche. Inklusive AI Overviews.
→ Säule 3: GA4. Conversion-Tracking pro Traffic-Quelle - jetzt mit dediziertem AI-Assistant-Channel.
→ Säule 4: RPI (Revenue per Impression). Die Brücke zu Umsatz, normalisiert pro Sichtbarkeitsereignis.
Keine Säule für sich ist neu. Neu ist die explizite Kombination - und die Tatsache, dass Säule 3 seit Mai 2026 endlich sauber funktioniert.
Säule 1: Project Data - wo deine Marke in AI auftaucht
Hier startest du jedes GEO-Setup. Ohne Visibility-Daten kannst du keine der anderen drei Säulen sinnvoll interpretieren.
Ich nutze RankScale operativ in jedem Audit, den ich aktuell ausliefere. Das Setup dauert eine halbe Stunde: Brand-Profil anlegen, 30-80 Query-Cluster pro Markt definieren, Engines auswählen (ChatGPT, Perplexity, Gemini, Google AI Overviews), Refresh-Frequenz festlegen.
Was dir RankScale dann pro Tag liefert:
→ Citation Share pro Engine, pro Query → Brand-Mention-Rate - wo du im absoluten Häufigkeitsranking gegen deine Konkurrenz stehst → Sentiment pro Citation → Position innerhalb der AI-Antwort (Source-Liste oder eingebettet) → Decay-Trends über Zeit
Peec AI deckt einen ähnlichen Scope ab. Microsoft Clarity ergänzt seit einigen Wochen einen AI-Visibility-Layer speziell für Copilot- und Bing-Chat-Daten - relevant, wenn dein Markt B2B-lastig ist und Microsoft-Tools überdurchschnittlich genutzt werden.
Welches Tool: weniger wichtig. Dass du eines hast und es pro Markt und pro Sprache getrennt auswertest: kritisch.
Säule 2: Search Console - der klassische SEO-Layer, jetzt mit AI Overviews
GSC bleibt deine Grundlage, auch wenn jeder dritte LinkedIn-Post das anders behauptet.
97 % der AI Overviews zitieren mindestens eine Quelle aus den organischen Top-20. Wenn du in GSC nicht mehr siehst, was Google dir zuspielt - Impressionen, durchschnittliche Position, CTR - fliegst du blind, auch im AI-Layer.
Worauf du speziell für GEO achten solltest:
→ AI-Overviews-Filter. GSC trennt seit einigen Monaten Impressionen aus AI Overviews. Das ist nicht perfekt, aber besser als nichts.
→ Query-Level-Trends statt Aggregate. Eine Query mit -50 % Impressionen, aber +20 % Klicks bedeutet etwas anderes als eine mit -50 % Impressionen UND -50 % Klicks. Aggregate verstecken die Story.
→ Page-Level-Citation-Hinweise. Wenn eine Page in der GSC plötzlich an Impressionen verliert, aber dein RankScale-Tracking gleichzeitig zeigt, dass sie in AI-Antworten häufiger zitiert wird - Hinweis auf Zero-Click-AI-Absorption.
GSC zeigt dir, was Google sieht. RankScale zeigt dir, was die AI-Engines daraus machen. Erst der Vergleich liefert die Diagnose.
Säule 3: GA4 AI Assistant Channel - der Game Changer von Mai 2026
Hier kommt die strukturell wichtigste Veränderung des Jahres im GEO-Reporting.
Google hat am 13. Mai 2026 eine dedizierte AI-Assistant-Channel-Category in Google Analytics 4 ausgerollt. Traffic von ChatGPT, Gemini und Claude wird seitdem automatisch klassifiziert. Vorher landeten diese Nutzer in „Direct” oder „Referral” - und ließen sich nicht sauber trennen.
Was sich damit für die GEO-Diagnose ändert: erstmals kannst du Conversion-Rate pro AI-Channel direkt mit Organic Search vergleichen.
Konkrete Konfiguration:
→ Default Channel Group prüfen - die AI-Assistant-Kategorie erscheint automatisch, sobald die Property in der Rolloutwelle ist. → Conversion-Events definieren, falls noch nicht vorhanden - pro relevanter Customer Journey. → Custom Explorations: AI-Assistant-Channel × Landing Page × Conversion Rate.
Zwei Limitations, die du kennen solltest:
→ Die Klassifizierung funktioniert nur, wenn der Referrer-String erhalten bleibt. Native iOS/Android-Chatbot-Apps strippen ihn oft - diese Sessions fallen in „Direct” zurück. Mobile-lastige Audiences werden unterklassifiziert.
→ GA4 zeigt dir nur Traffic, der bei dir landet. Citations ohne Klick (AI-Antwort hat die Frage komplett beantwortet, kein Outbound) bleiben unsichtbar.
Trotzdem: die jahrelange Black Box ist offen. Wer GEO-Budget intern rechtfertigen muss, hat jetzt zum ersten Mal die Conversion-Daten dafür.
Säule 4: RPI - die Brücke zum Umsatz
Hier wird aus Tracking eine Geschäftszahl.
Revenue per Impression (RPI) ist Umsatz geteilt durch Sichtbarkeitsereignisse. Klassisch in SEA seit Jahren etabliert. In GEO der entscheidende Hebel, weil AI-Antworten oft mit weniger Klicks zu höherwertigen Conversions führen.
Die Berechnung sieht in der Praxis so aus:
→ AI-Channel-Revenue aus GA4 (jetzt dank Säule 3 sauber attribuierbar) → AI-Channel-Sessions als Trafficvolumen → Citation-Volume aus RankScale (Säule 1) als Sichtbarkeits-Proxy für den Zero-Click-Anteil
Dividiere Revenue durch Citation-Events. Das gibt dir einen RPI pro Engine, pro Markt, pro Query-Cluster.
Das Bordeaux-Beispiel aus Alin Radulescus Post macht die Aussagekraft sichtbar: -31 % Impressionen (Säule 2), 18,3 % Citation-Share (Säule 1), +87 % RPI. Diagnose: Die Marke verliert klassisches Suchvolumen - aber die AI-Sichtbarkeit zieht hochqualifizierte Wein-Käufer an, die pro Impression deutlich mehr Umsatz generieren. Ein klarer Net-Win, der ohne Säule 4 aussehen würde wie ein Verlust.
Praxis-Beispiel: das Bordeaux-Cluster im 4-Säulen-Read
Übersetzen wir das Beispiel in einen kompletten Reporting-Read.
Säule 1 (RankScale): Marke X erscheint in 18,3 % der ChatGPT-Antworten zu „bester Bordeaux 2020” im DACH-Markt. Sentiment positiv. Position meist in der oberen Source-Liste.
Säule 2 (GSC): Klassische Impressionen für dieselbe Query-Cluster im selben Zeitraum: -31 % gegenüber Vorquartal. Klicks: -22 %. Position: leicht gesunken, aber stabil im Top-10.
Säule 3 (GA4): AI-Assistant-Channel-Traffic für die zugehörige Landing-Page: +156 % gegenüber Vormonat (Channel war vor Mai nicht trennbar). Conversion-Rate: 4,7 % gegenüber 1,9 % aus Organic Search.
Säule 4 (RPI): Umsatz pro Citation-Event = +87 % gegenüber dem reinen Organic-RPI.
Diagnose: Klassisches Suchvolumen erodiert (Säule 2). AI-Sichtbarkeit fängt das auf und verbessert die Conversion-Qualität (Säulen 1, 3, 4). Strategische Konsequenz: weniger Budget in generische Top-of-Funnel-Listicles, mehr in vertikale, citation-fähige Comparison-Pages.
Diese Diagnose ist mit einer Säule allein unmöglich. Mit allen vier wird sie offensichtlich.
Der internationale Spezialfall: pro Markt, pro Sprache separat
Hier wird das Modell anspruchsvoll. Und hier scheitern fast alle Setups, die ich in der Praxis sehe.
RPI variiert massiv zwischen Märkten. Eine deutsche Conversion in einem Premium-B2B-Segment hat einen anderen Wert als eine französische in der gleichen Vertikale. Aggregierte RPI-Zahlen verstecken die Marktwahrheit.
Konkret heißt das:
→ Säule 1 pro Markt. RankScale-Setup pro Sprache, eigene Query-Cluster pro Land. Nicht US-Queries übersetzen - landesspezifisch recherchieren.
→ Säule 2 pro Locale. GSC-Property pro hreflang-Variante separat auswerten. Aggregate verschleiern, welche Sprachversion welche AI-Aufmerksamkeit zieht.
→ Säule 3 pro Geo-Filter. GA4-Custom-Dimension für Sprache und Land. AI-Assistant-Channel × Geo = die einzige saubere Read pro Markt.
→ Säule 4 pro Markt. RPI als Markt-Benchmark, nicht als globaler Durchschnitt. DACH-RPI gegen FR-RPI direkt vergleichen - dort liegt die Budget-Allokations-Entscheidung.
In meinen Multi-Markt-Audits ist das die Stelle mit dem höchsten ROI. Ein B2B-SaaS-Kunde hatte über sechs Märkte aggregiert einen mittleren RPI. Die getrennte Auswertung zeigte: DACH liefert 3× den Schnitt, UK liefert 0,4×. Budget-Reallokation in einer Woche - ohne die Methode war das nicht sichtbar.
Reporting-Tiers: wer welche Säule wann sieht
Patrick Schmid von Rankscale hat dazu eine saubere Pyramide veröffentlicht - die ich in meinen Klienten-Setups direkt umsetze.
→ C-Suite, monatlich, 1 Slide. Eine Säule: RPI-Trend pro Markt. Plus ein Satz Narrativ und der konkrete Ask.
→ Marketing Lead, bi-weekly, 2-3 Metriken. Säule 1 (Citation-Share-Trend) plus Säule 4 (RPI pro Markt) plus Sprint-Actions.
→ Practitioner, weekly, granular. Alle vier Säulen, pro Engine, pro Markt, pro Query - inklusive Wettbewerbsvergleich und konkreter Action-Items.
Der häufigste Fehler in der Beratungspraxis: Practitioner bekommen den C-Suite-Report und sollen daraus operative Entscheidungen ableiten. Geht nicht. C-Suite bekommt den Practitioner-Dump und ertrinkt. Auch keine gute Idee.
Was du diese Woche konkret tun kannst
Drei Schritte, jeder etwa eine Stunde Aufwand.
Schritt 1: Prüfe deine GA4-Property auf den neuen AI-Assistant-Channel. Default Channel Group → Channel Reports → AI Assistant erscheint ab Mai 2026 automatisch. Wenn nicht, gib der Rolloutwelle noch ein paar Tage.
Schritt 2: Setze ein Visibility-Tracking pro Markt auf. Wenn du noch keines hast, ist RankScale der schnellste Einstieg - 30 Minuten Konfiguration, danach läuft es täglich.
Schritt 3: Definiere für deinen wichtigsten Markt ein RPI-Baseline-Read aus den letzten 30 Tagen. Revenue geteilt durch AI-Citation-Volume. Das ist deine Vergleichszahl für die nächsten Quartale.
Die 4-Säulen-Methode ist keine Theorie. Sie ist das Setup, das im CFO-Gespräch standhält.
Häufige Fragen zur 4-Säulen-Methode für GEO-Messung
Warum reicht ein einzelnes GEO-Tool wie RankScale nicht aus?
Einzelne Tools zeigen Visibility, aber keinen Revenue-Bezug. Du siehst, wo deine Marke in AI-Antworten erscheint - nicht, ob das Geld bringt. Die 4-Säulen-Methode kombiniert Visibility-Tracking (Säule 1) mit Search Console, GA4 und einem Revenue-Anker (RPI), um Wirkung und Wert messbar zu machen.
Was ändert der neue GA4-AI-Assistant-Channel für die GEO-Diagnose?
Erstmals lässt sich Traffic aus ChatGPT, Gemini und Claude sauber von Direct- und Referral-Traffic trennen. Damit wird Conversion-Tracking pro AI-Channel möglich - die jahrelange Black Box bei der GEO-ROI-Frage schließt sich. Limitation: native Chatbot-Apps strippen oft den Referrer, mobile Sessions werden unterklassifiziert.
Was ist Revenue per Impression (RPI) und warum ist es für GEO so wichtig?
RPI ist Umsatz geteilt durch Sichtbarkeitsereignisse. In GEO entscheidend, weil AI-Antworten oft weniger Klicks, aber höhere Conversion-Qualität bringen. Eine Marke kann klassische Impressionen verlieren und gleichzeitig 87 % mehr Revenue pro Impression generieren - wie das Bordeaux-Beispiel zeigt. Ohne RPI sieht dieser Net-Win aus wie ein Verlust.
Funktioniert die 4-Säulen-Methode auch für internationale Setups mit mehreren Märkten?
Ja, aber nur mit strikter Markt- und Sprachtrennung in allen vier Säulen. Aggregierte RPI-Zahlen über Märkte hinweg verschleiern, welche Sprachversion Wert generiert und welche Budget verbrennt. Pro hreflang-Variante eigene Query-Cluster, eigene GSC-Property, eigener GA4-Geo-Filter, eigener RPI-Benchmark.
Welche Reporting-Frequenz passt für welche Stakeholder-Ebene?
C-Suite bekommt monatlich eine Slide mit RPI-Trend pro Markt plus Narrativ und Ask. Marketing Lead sieht bi-weekly Säule 1 und Säule 4 plus Sprint-Actions. Practitioner brauchen weekly alle vier Säulen, pro Engine und Markt aufgeschlüsselt - inklusive Action-Items und Wettbewerbsvergleich. Eine Tier bekommt nie den Report einer anderen.
