Zwei Phasen reichen nicht: Warum GEO-Prompts die Customer Journey in drei Stufen abbilden müssen 

Wer die Sichtbarkeit einer Marke in ChatGPT, Perplexity oder Google AI Mode messen will, braucht ein Prompt-Set, das die Customer Journey in mindestens drei Phasen abbildet: Awareness, Consideration und Decision (im Performance-Marketing oft Acquisition oder Transactional genannt). Zwei Phasen sind zu wenig. Nicht, weil Marketingtheorie Vollständigkeit verlangt, sondern weil die gestrichene Mitte genau der Ort ist, an dem KI-Systeme heute Anbieter empfehlen, vergleichen und aussortieren. 

Die Debatte, die in jedem GEO-Audit irgendwann aufkommt 

Jedes GEO-Audit beginnt mit derselben Frage: Welche Prompts messen wir eigentlich? Anders als bei Keywords gibt es keine Suchvolumina, keine Rankings und keine stabilen Ergebnisse. Das Prompt-Set ist damit die wichtigste methodische Entscheidung des gesamten Audits, denn es legt fest, was später überhaupt sichtbar werden kann. 

In unserem Team gab es dazu kürzlich eine offene Diskussion. Der Vorschlag lautete, die Prompts nur noch zwei Phasen zuzuordnen: Awareness (informational) und Acquisition (transactional). Das Argument dafür ist ehrlich und nachvollziehbar. Die Trennschärfe zwischen den Phasen ist in der Praxis schwierig, und zwei Töpfe lassen sich schneller füllen als drei oder vier. Wer je versucht hat, hundert Prompts sauber einer Phase zuzuordnen, kennt die Grenzfälle. 

Das Gegenargument lautet: Einfacher und schneller muss trotzdem genauso gut sein. Und genau das ist bei zwei Phasen nicht der Fall. Dieser Artikel zeigt, warum die Suchintent-Forschung seit über 20 Jahren eine mittlere Stufe kennt, warum die Kaufverhaltensforschung sie als den entscheidenden Ort der Markenbildung beschreibt, und warum aktuelle Daten aus der KI-Suche beides bestätigen. Am Ende steht eine konkrete Zuordnungsregel, mit der sich das Trennschärfe-Problem praktisch lösen lässt. 

Was sagt die Suchintent-Forschung zur Zahl der Phasen? 

Die Suchintent-Forschung kennt seit 2002 drei Grundtypen und seit etwa 2015 in der Praxis vier. Eine Zweiteilung in informational und transactional hat es in dieser Literatur nie gegeben. 

Den Grundstein legte Andrei Broder, damals CTO von AltaVista, mit seiner Taxonomy of Web Search. Er zeigte, dass hinter einer Suchanfrage nicht nur ein Informationsbedürfnis steckt, sondern auch der Wunsch, eine bestimmte Seite zu erreichen (navigational) oder eine Handlung auszuführen (transactional). Jansen, Booth und Spink bauten darauf 2008 eine dreistufige hierarchische Klassifikation auf und fanden, dass über 80 Prozent aller Web-Queries informational sind, während navigational und transactional je rund 10 Prozent ausmachen. 

Die SEO-Praxis hat diese Taxonomie um eine vierte Kategorie ergänzt: Commercial Investigation. Semrush, Ahrefs und Sistrix klassifizieren Keywords heute durchgängig in informational, navigational, commercial und transactional. Der Grund ist empirisch. Zwischen „Was ist X“ und „X jetzt kaufen“ liegt ein großer Block an Anfragen, die Lösungswege, Kriterien und Anbieter vergleichen: „beste Methode für“, „X vs. Y“, „Erfahrungen mit“, „Anbieter für“. Diese Anfragen sind weder reine Wissensfragen noch Kaufabschlüsse. Sie sind der Moment, in dem eine Shortlist entsteht. 

Ein Hinweis zur Genauigkeit: Google selbst verwendet in seinen Quality Rater Guidelines die Hauptkategorien Know (mit der Unterkategorie Know Simple), Do, Website und Visit-in-person. Der Begriff Commercial Investigation stammt aus den SEO-Tools, nicht von Google. In der Sache beschreiben beide Systeme dasselbe: Es gibt eine Stufe zwischen Wissen und Handeln, und sie ist groß genug, um eine eigene Kategorie zu rechtfertigen. 

Für Prompt-Sets ist diese Taxonomie der richtige Maßstab, denn ein Prompt ist nichts anderes als eine in natürlicher Sprache ausformulierte Suchintention. Wer die Mitte streicht, weicht nicht von einer akademischen Konvention ab, sondern von dem Modell, das Suchverhalten seit zwei Jahrzehnten am besten beschreibt. 

Was sagt die Kaufverhaltensforschung: Wo entsteht die Markenpräferenz? 

Die Markenpräferenz entsteht in der Mitte der Journey, nicht am Ende. Das belegen drei Forschungslinien unabhängig voneinander. 

Google Messy Middle (2020). Googles Consumer-Insights-Team um Alistair Rennie und Jonny Protheroe hat mit Verhaltensökonomen untersucht, was zwischen dem ersten Auslöser und dem Kauf passiert. Das Ergebnis ist kein linearer Trichter, sondern eine Schleife. Nutzer wechseln zwischen zwei mentalen Modi: Exploration als erweiternde und Evaluation als reduzierende Aktivität, und sie durchlaufen diesen Zyklus so oft, bis sie entscheiden. Google nennt diesen Raum die Messy Middle und beschreibt ihn als den Ort, an dem Kunden gewonnen und verloren werden. Ein Zwei-Phasen-Modell streicht exakt diesen Raum. 

Bain Day 1 List (2022 und 2026). Für B2B-Entscheidungen zeigt Bain & Company seit Jahren dasselbe Muster. 80 bis 90 Prozent der Einkaufsprojekte starten mit einer Liste von Anbietern, die der Entscheider bereits im Kopf hat. Rund 90 Prozent kaufen am Ende bei einem Anbieter von dieser Day 1 List. Eine neue Studie von Bain und LinkedIn mit 750 Einkaufsverantwortlichen (Februar 2026) bestätigt die 90 Prozent und zeigt zusätzlich, dass verdeckte Entscheider im Buying Center die Hälfte des Einflusses auf diese Liste haben. Die Konsequenz formuliert Bain selbst: Wer nicht auf der Day 1 List steht, verliert, bevor der Kaufprozess überhaupt beginnt. Auf diese Liste kommt eine Marke aber nicht in der Transaktionsphase, sondern während der Recherche davor. 

Gartner und 6sense zur Eigenrecherche. Gartner hat für komplexe B2B-Käufe gezeigt, dass Einkaufsteams nur einen kleinen Teil ihrer Zeit mit Anbietern verbringen und den Großteil in eigenständiger Recherche. 6sense beziffert den Anteil der Journey, der vor dem ersten Anbieterkontakt abgeschlossen ist, auf rund 70 Prozent. Diese Recherche ist Consideration in Reinform, und sie verlagert sich zunehmend in KI-Systeme. 

Alle drei Forschungslinien sagen dasselbe: Wer erst in der Decision-Phase stattfindet, kommt statistisch zu spät. Ein Prompt-Set, das diese Phase nicht separat misst, kann die wichtigste Frage des Audits nicht beantworten: Wird unser Kunde schon während der Recherche genannt, bevor der Nutzer explizit nach Anbietern fragt? 

Warum nicht gleich AIDA oder die 5A nach Kotler? 

AIDA und die 5A sind Wirkungsmodelle, keine Intent-Modelle. Sie beschreiben, in welchem Zustand sich ein Mensch befindet und wie Kommunikation auf ihn wirkt. Ein Prompt-Set modelliert dagegen geäußerte Absicht, also das, was jemand in ein Eingabefeld tippt. Das ist ein anderer Gegenstand, und deshalb ist die Suchintent-Taxonomie der passendere Rahmen. 

Das zeigt sich an den vorderen Stufen. AIDA trennt Attention und Interest. Wer aber eine Suchmaschine oder ein KI-System befragt, hat bereits Aufmerksamkeit und Interesse. Beide Stufen fallen beim Suchen zu einer zusammen: Awareness im Sinne von „ich will verstehen, was mein Problem ist“. Die Verdichtung der vorderen Phasen ist also theoretisch sauber begründbar. Das Problem des Zwei-Phasen-Modells liegt nicht vorn, sondern in der Mitte, wo AIDA mit Desire und die 5A mit Ask genau die Stufe vorsehen, die gestrichen wurde. 

Die fünfte Stufe der 5A, Advocate, und die Loyalty-Phase vieler Journey-Modelle existieren auch in der KI-Suche. Prompts wie „Wie kündige ich bei X“ oder „Wie nutze ich Produkt Y richtig“ sind reale Nutzung. Für ein Audit, das Neukundengewinnung misst, ist diese Phase aber ein eigenes Modul und nicht Teil des Kernsets. Dazu später mehr. 

Die saubere Herleitung lautet also: AIDA und 5A liefern die Logik, dass eine Journey mehrere Stufen hat. Broder und die Suchintent-Forschung liefern die Stufen, die sich in Suchanfragen tatsächlich beobachten lassen. Beide Linien treffen sich bei drei Phasen für die Akquise: Awareness, Consideration, Decision. 

Was machen LLMs in der Mitte des Funnels? Die Daten aus 2025 und 2026 

KI-Systeme haben die Consideration-Phase übernommen. In der klassischen Google-Suche musste sich der Nutzer in dieser Phase durch zehn blaue Links klicken, Tabellen bauen und Kriterien selbst abgleichen. ChatGPT, Perplexity und Google AI Mode nehmen ihm genau diese kognitive Arbeit ab. Vier Datenpunkte zeigen das. 

1. Awareness-Prompts enden meist ohne Klick und ohne Markennennung. Bain & Company hat Anfang 2025 gemessen, dass rund 60 Prozent der Suchanfragen ohne Klick auf eine Zielseite enden und 80 Prozent der Nutzer bei mindestens 40 Prozent ihrer Suchen auf KI-Zusammenfassungen vertrauen. Bei reinen Wissensfragen („Was ist der Unterschied zwischen Brownout und Burnout“) nennt die KI kaum Dienstleister oder Marken im Antworttext. Wer im Audit nur Awareness und Acquisition prüft, misst in Phase eins also Prompts, bei denen systembedingt kaum Markennennungen möglich sind. 

2. KI-Antworten dominieren genau die Evaluierungsprompts. Peec AI hat im April 2026 500.000 Business-Prompts analysiert. Google AI Overviews erschienen bei 86,7 Prozent aller Anfragen mit Kauf- oder Evaluierungsabsicht, nach 56,9 Prozent im April 2025. Bei Decision-Stage-Prompts lag der Wert mit 88,5 Prozent noch höher. Mit der Prompt-Länge steigt die Abdeckung: von 64,6 Prozent bei Zwei-Wort-Anfragen auf rund 89 Prozent bei Prompts mit 11 bis 15 Wörtern. Solche langen, beratenden Prompts sind fast ausnahmslos Consideration. Wichtig zur Einordnung: Der Datensatz ist auf kommerzielle Anfragen fokussiert, der Wert gilt also nicht für die gesamte Google-Suche, sondern genau für den Bereich, der für Marketer zählt. In der EU lag die Quote bei 76 Prozent. 

3. Vergleichsinhalte werden überproportional zitiert, aber die Formate verschieben sich. Peec AIs Citation-Benchmarks aus über einer Million Zitationen zeigen, dass auf ChatGPT 52 Prozent aller Listicles eine hohe Zitationsrate erreichen, obwohl sie weniger als ein Fünftel der zitierten URLs ausmachen. Das ist das Signal: Die KI sucht aktiv nach Vergleichs- und Bewertungsinhalten, wenn Nutzer Optionen abwägen. Gleichzeitig zeigt dieselbe Quelle, dass die Formate nicht stabil sind. Nach dem Update auf GPT-5.6 Anfang August 2026 (Peec AI, Vorher-Nachher-Vergleich derselben Prompts) fiel der Anteil der Listicles an ChatGPTs Zitationen von 15,8 auf 7,8 Prozent, Vergleichsseiten von 9,1 auf 6,2 Prozent, während Produktseiten zulegten. Die Lehre daraus ist nicht, dass Consideration unwichtig wird, sondern dass sie sich von generischen Listen zu belastbaren Einzelantworten verschiebt. Wer die Phase nicht separat misst, sieht solche Verschiebungen nicht. 

4. KI-Traffic konvertiert besser, weil die Beratung schon stattgefunden hat. Adobe Digital Insights misst seit Oktober 2024 den Traffic von KI-Systemen auf US-Retail-Seiten. Im März 2026 konvertierten KI-Besucher 42 Prozent besser als Nicht-KI-Traffic, ein Jahr zuvor noch 38 Prozent schlechter. Im Mai 2026 lag der Vorsprung bei 54 Prozent, mit 53 Prozent längerer Verweildauer und 23 Prozent mehr Seiten pro Besuch. Adobes eigene Erklärung: Diese Besucher haben ihre Recherche bereits im Chat erledigt und kommen vorqualifiziert. Die gesamte Consideration-Phase hat im Dialog mit der KI stattgefunden. Zur Einordnung gehört, dass KI-Referrals noch einen kleinen Anteil am Gesamttraffic haben. Ihre Qualität ist aber ein direkter Beleg dafür, was in der Mitte passiert. 

Praxisbeispiel: Ein Geschäftsführer am Niederrhein fragt ChatGPT 

Ein Zwei-Phasen-Modell scheitert an einem realen Dialog in drei Schritten. Nehmen wir einen Geschäftsführer eines mittelständischen Unternehmens am Niederrhein, der merkt, dass die Motivation in seiner Belegschaft kippt. Sein Weg durch die KI-Suche sieht typischerweise so aus. 

Schritt 1, Awareness. Er fragt: „Was ist der Unterschied zwischen Brownout und Burnout, und welche Symptome zeigen Mitarbeiter?“ Die KI liefert eine arbeitsmedizinische Definition, Symptomlisten und vielleicht einen Hinweis auf Führungsverhalten. Sie nennt keine Beratung am Niederrhein. Der Visibility-Score eines Beratungsunternehmens liegt hier bei den Markennennungen fast immer bei null, bestenfalls taucht eine Ratgeberseite als Quelle auf. 

Schritt 2, Consideration. Er fragt weiter: „Welche Maßnahmen helfen im Mittelstand effektiv gegen Brownout und innere Kündigung? Lohnt sich eine externe Organisationsberatung oder eher internes Führungskräfte-Coaching?“ Jetzt berät die KI. Sie stellt Methoden gegenüber, nennt Auswahlkriterien für Berater, verweist auf Frameworks und zitiert Beratungsgesellschaften, die zu genau dieser Methodik Fallstudien oder Whitepaper veröffentlicht haben. Die KI nennt Marken hier beiläufig als Beispiele, Studienurheber oder Methodenpioniere. Hier fällt die Vorentscheidung für die Art der Lösung, und hier entsteht im Kopf des Nutzers die Day 1 List, noch bevor er nach Anbietern fragt. 

Schritt 3, Decision. Er fragt: „Welche Unternehmensberatungen am Niederrhein sind auf innere Kündigung, Brownout-Prävention und Führungskräfteentwicklung spezialisiert?“ Die KI generiert eine lokale Auswahl von drei bis fünf Anbietern mit Positionierung und Kontaktweg, gespeist aus Leistungsseiten, Branchenverzeichnissen, Bewertungsportalen und PR. Das ist in LLMs das Äquivalent zum Transactional Intent: Niemand kauft eine Beratung im Chat, aber der Nutzer fordert die finale Anbieterliste zur Kontaktaufnahme an. 

Im Zwei-Phasen-Modell landet Schritt 2 entweder bei Awareness, wo er die Nullwerte der Definitionsfragen verwässert, oder bei Acquisition, wo er mit lokalen Anbieterfragen vermischt wird, die ganz andere Quellen und ganz andere Maßnahmen brauchen. In beiden Fällen prüft das Audit nicht, ob die Website des Kunden für die KI als methodische Autorität sichtbar ist. Genau das ist aber die Frage, die über die Shortlist entscheidet. 

Auffällig ist: Das Zwei-Phasen-Modell führt den Prompt „Wer berät Unternehmen am Niederrhein bei innerer Kündigung“ als Beispiel für Acquisition. Das ist für LLMs sogar korrekt, denn echte Transaktionsprompts („buche“, „bestelle“) sind dort selten und die Anbieterliste ist der letzte Schritt im Chat. Das Problem liegt woanders: Zwischen der Wissensfrage aus Schritt 1 und dieser Anbieterfrage aus Schritt 3 hat das Zwei-Phasen-Modell keinen Platz für Schritt 2. Genau dort, bei „Beratung oder Coaching, und worauf achte ich“, entscheidet sich aber, welche Marken dem Nutzer bei der Anbieterfrage überhaupt noch einfallen. 

Wie löst man das Trennschärfe-Problem zwischen den Phasen? 

Die Unschärfe zwischen den Phasen ist real, aber die Lösung ist nicht weniger Phasen, sondern eine operationale Zuordnungsregel. Mit zwei Phasen hat man nicht weniger Grenzfälle. Man hat eine Grenze statt zwei, und diese eine Grenze läuft mitten durch den wichtigsten Prompt-Cluster. 

Bewährt hat sich die Frage nach dem erwarteten Antworttyp. Nicht: In welcher Phase ist der Nutzer? Sondern: Was soll die KI ihm liefern? 

Mit dieser Regel lassen sich etwa 90 Prozent aller Prompts in Sekunden zuordnen. Der Rest bekommt eine Primärphase, und das reicht. Entscheidend ist nicht, dass jede Zuordnung unanfechtbar ist, sondern dass sie konsistent erfolgt und dass das Segment am Ende eine Aussage erlaubt, aus der eine Maßnahme folgt. 

Zwei Konventionen aus der Tracking-Praxis gehören dazu. Erstens: Branded-Prompts, also solche mit dem Markennamen des Kunden, werden separat geführt. Sobald die Marke im Prompt steht, ist die Sichtbarkeit fast garantiert, und sie würde die Kategorie-Werte verzerren. Zweitens: Es gibt keinen kombinierten Sichtbarkeitswert über alle Phasen. Wer 50 breite Awareness-Prompts und zehn Decision-Prompts in eine Zahl mischt, sieht nicht mehr, was nahe am Kauf passiert. 

Wie sieht ein sauberes Prompt-Set für ein GEO-Audit aus? 

Ein belastbares Prompt-Set ist eine Matrix aus drei Phasen und den Leistungen des Kunden, mit Branded-Prompts als separatem Block. Die Markt-Praxis konvergiert auf dieses Modell: SE Ranking, Semrush, Search Atlas und die Onboarding-Defaults mehrerer Tracking-Tools arbeiten mit Awareness, Consideration und Decision, und Peec AI setzt in der Prompt-Discovery standardmäßig auf eine Verteilung von 25, 50 und 25 Prozent über informational, commercial und transactional. 

Der eigentliche Gewinn der drei Phasen liegt in der Auswertung. Jede Phase liefert eine andere Diagnose und eine andere Maßnahme. 

Schwach in Awareness? Dem Kunden fehlen Glossare, Studien, Definitionen und Grundlagen-Content. Das Ziel in dieser Phase sind Source Citations, nicht Markennennungen. 

Schwach in Consideration? Dem Kunden fehlen Methodenvergleiche, Case Studies, Checklisten, Entscheidungshilfen und Lösungs-Frameworks. Das Ziel sind Brand Mentions im Beratungskontext, also die Nennung als kompetenter Lösungsanbieter, bevor nach Anbietern gefragt wird. Hier entscheidet sich, ob der Kunde auf die Day 1 List kommt. 

Schwach in Decision? Dem Kunden fehlen klare Leistungsseiten, lokale Entitätssignale, strukturierte Daten, Kundenbewertungen und Erwähnungen in externen Verzeichnissen. Das Ziel sind direkte Empfehlungen. 

Diese Matrix ist der Grund, warum das Argument „zwei Phasen sind schneller“ ein Trugschluss ist. Die Zeitersparnis beim Erstellen wird in der Auswertung mehrfach bezahlt, weil Methodenfragen und Anbieterfragen im selben Topf landen und die Empfehlung an den Kunden unscharf wird. Ein Audit, das nicht sagen kann, ob die Schwäche im Content oder in den Entitätssignalen liegt, hat seinen Zweck verfehlt. 

Braucht ein GEO-Audit auch eine Loyalty-Phase? 

Für ein Akquise-Audit nicht, für Kunden mit Abo- oder Wiederkaufsgeschäft als optionales viertes Modul. Post-Purchase-Prompts sind reale KI-Nutzung: „Wie richte ich Produkt X ein“, „Wie kündige ich bei Y“, „Ist das Upgrade von Z sinnvoll“. Sie beeinflussen Churn, Support-Kosten und Weiterempfehlung. 

Sie gehören aber nicht in das Kernset, weil sie eine andere Frage beantworten. Das Akquise-Audit fragt, ob neue Kunden die Marke finden. Das Loyalty-Modul fragt, ob bestehende Kunden korrekt und freundlich über die Marke informiert werden. Beide Fragen sind legitim, aber sie brauchen unterschiedliche Prompts, unterschiedliche Benchmarks und meist unterschiedliche Ansprechpartner beim Kunden. 

Wichtig ist, diese Scope-Entscheidung im Audit zu benennen, statt die Phase stillschweigend wegzulassen. Ein Satz genügt: Dieses Audit misst die drei Phasen der Neukundengewinnung; Post-Purchase-Prompts können als eigenes Modul ergänzt werden. 

Häufige Fragen zu Prompts entlang der Customer Journey 

Wie viele Phasen braucht ein Prompt-Set für GEO? Drei für die Neukundengewinnung: Awareness, Consideration und Decision. Das entspricht der Suchintent-Forschung seit Broder (2002), der Vier-Teilung der SEO-Tools (ohne die navigationale Kategorie, die in LLMs kaum vorkommt) und der Messy-Middle-Logik von Google. Eine vierte Phase für Bestandskunden ist optional. 

Warum reichen zwei Phasen nicht? Weil die gestrichene mittlere Phase der Ort ist, an dem KI-Systeme Anbieter vergleichen und Shortlists bilden. Bei reinen Wissensfragen nennt die KI kaum Marken, bei echten Transaktionsprompts findet die Handlung außerhalb des Chats statt. Die Markenpräferenz entsteht dazwischen. 

Wie ordne ich einen Prompt einer Phase zu? Über den erwarteten Antworttyp. Erwartet der Nutzer eine Erklärung, ist es Awareness. Erwartet er eine Liste, einen Vergleich oder Kriterien, ist es Consideration. Erwartet er einen konkreten Anbieter oder eine Handlung, ist es Decision. 

Wie viele Prompts sollte ein GEO-Audit messen? 15 bis 20 Prompts je untersuchter Kernleistung und Markt, verteilt auf die drei Phasen mit Schwerpunkt auf Consideration, plus ein separater Block mit Branded-Prompts. Für ein Unternehmen mit mehreren Leistungen ergibt das 50 bis 150 Prompts. Weniger bildet die Streuung der KI-Antworten nicht ab. 

Ist AIDA für Prompts die falsche Theorie? AIDA ist ein Wirkungsmodell und beschreibt Zustände von Menschen. Prompts sind geäußerte Absicht. Deshalb ist die Suchintent-Taxonomie der passende Rahmen. Beide Modelle führen aber zum selben Ergebnis: Es gibt eine Stufe zwischen Wissen und Handeln, und sie ist die wichtigste. 

Was ist der Unterschied zwischen Commercial und Transactional Intent in LLMs? Commercial Intent fragt nach Optionen, Kriterien und Vergleichen („Lohnt sich externe Beratung oder internes Coaching“). Transactional Intent fragt nach einem konkreten Anbieter oder einer Handlung („Welche Beratung am Niederrhein“). In LLMs ist der kommerzielle Anteil deutlich größer als der transaktionale. 

Fazit: Einfacher muss genauso gut sein 

Die Reduktion auf zwei Phasen spart beim Erstellen des Prompt-Sets vielleicht eine Stunde. Sie kostet dafür die Fähigkeit, die wichtigste Frage des Audits zu beantworten: Wird die Marke von KI-Systemen schon genannt, während Nutzer Lösungswege vergleichen, also bevor sie nach Anbietern fragen? 

Drei Phasen sind kein akademischer Luxus. Sie sind das Modell, das die Suchintent-Forschung seit 2002 beschreibt, das Google mit der Messy Middle empirisch untermauert hat, das Bain mit der Day 1 List für B2B belegt und das die aktuellen Daten von Peec AI und Adobe für die KI-Suche bestätigen. Das Trennschärfe-Problem löst eine einfache Zuordnungsregel über den erwarteten Antworttyp. Die Auswertung je Phase liefert dem Kunden eine Diagnose, aus der konkrete Maßnahmen folgen. 

Wer GEO ernst nimmt, misst dort, wo Entscheidungen fallen. Und die fallen in der Mitte. 

Quellen 

• Broder, A. (2002): A Taxonomy of Web Search, SIGIR Forum 36(2) 

• Jansen, B. J., Booth, D. L., Spink, A. (2008): Determining the informational, navigational, and transactional intent of Web queries, Information Processing & Management 

• Google, Rennie, A., Protheroe, J. (2020): Decoding Decisions: Navigating purchase behavior and decision making 

• Bain & Company (2026): Raising the Odds on a Deal: How Likelihood to Buy Rewires B2B Growth 

• Bain & Company (2025): Goodbye Clicks, Hello AI: Zero-Click Search Redefines Marketing 

• Peec AI (2026): AI Overviews is the most undertracked AI search: 500,000 prompts show why 

• Peec AI (2026): What Does a Good Citation Rate Look Like? Benchmarks From Over 1 Million AI Citations 

• Search Engine Journal (2026): Google AI Overview Data Looks Different For Commercial Queries 

• Digital Commerce 360 (2026): Adobe: AI-referred traffic to retail sites doubles in a year 

• SE Ranking (2026): How to find and choose the right prompts to track for AI search visibility 

• Semrush (2026): How to decide which AI search prompts to track 

• Search Engine Land (2026): How to map AI search prompts to every stage of the sales funnel 

• Kotler, P., Kartajaya, H., Setiawan, I. (2017): Marketing 4.0. Moving from Traditional to Digital, Wiley (5A-Modell) 

• Gartner: The B2B Buying Journey (Anteil der Zeit, die Einkaufsgruppen mit Anbietern verbringen) 

• 6sense: Buyer Experience Report (Anteil der Journey vor dem ersten Anbieterkontakt)