SXSW: G2-CMO Sydney Sloan und Hubspot-CMO Kipp Bodnar

Bei der Digitalkonferenz SXSW gibt es auch Diskussionen über den Marketing-Maschinenraum. In einer Session ging es um den Traffic-Rückgang auf Websites. Dabei kamen spannende Erkenntnisse zu Tage.

Es gibt Podiumsdiskussionen, bei denen man spürt, dass gerade eine Tür in die Zukunft aufgestoßen wird. Das Gespräch zwischen Hub

NotebookLM ist Googles KI-Recherche- und Notiz-Tool, mit dem du selbst komplexe Themen passend zusammenfassen lassen kannst; seit Sommer 2025 auch endlich in der App. Du kannst dir zum Beispiel eine Audio Overview – quasi einen Podcast – zu einem Thema erstellen lassen. Dafür gibt es seit Kurzem auch neue Modi wie Brief, Critique und Debate. Du kannst dir KI-Notizbücher erstellen und sogar auf Googles hochleistungsfähiges Visual-Modell Nano Banana zurückgreifen. Das ist besonders bei den Video Overviews relevant, die deine umfassenden Quellen oder Notizen in anschauliche Videos verwandeln können. Für diese Overviews gibt es jetzt ein großes Update, das kinoartige Erklärvideos verspricht, die Marketer und Medien für ihren Content einsetzen könnten.

Auch auf Deutsch:

Video Overviews bei Googles NotebookLM im Überblick

Cinematic Video Overviews bei NotebookLM: Zugriff, Funktion und ein Beispiel mit Geschichte

Schon Anfang März rollte Google die Cinematic Video Overviews für NotebooLM für alle Google AI Ultra Subscriber über 18 Jahren im Web und mobil aus. Die Funktion ist zunächst nur auf Englisch verfügbar; die Video Overviews gibt es bereits in diversen Sprachen, auch auf Deutsch. Inzwischen sollen sogar Pro User Zugriff auf das neue Feature haben, wie der auf Feature Updates ausgerichtete Publisher TestingCatalog auf Threads angibt.

Mit den Cinematic Video Overviews können Creator nicht nur Slides samt Erzählung im Hintergrund generieren, sondern immersive Videos mit einer Struktur, die an Dokumentationen erinnert. Dafür zeichnet die Kombination aus KI-Modellen wie Gemini 3, Nano Banana Pro und Veo 3 verantwortlich. Dabei agiert Googles KI Gemini wie ein Director, führt also im Hintergrund Regie und trifft hunderte Entscheidungen, um die Visuals strukturell und stilistisch in ein passendes Storytelling einzubetten.

[…] It determines the best narrative, visual style and format, and even refines its own work to ensure consistency,

erklärt Pete Aykroyd, Software Engineer für NotebookLM.

Wie das Ganze bei einem praktischen Beispiel aussehen kann, hat Googles Josh Woodward, VP für die Google Labs und die Gemini App, kürzlich auf X gezeigt. Seine Cinematic Video Overview von NotebookLM, die die Geschichte von Rom in rund fünf Minuten abbildet, kombiniert Karten, Visuals von relevanten Personen, Bilder aus der Geschichte, erklärende Grafiken, Büsten und eine Erzählstimme, die alles verbindet.

Just got this amazing @NotebookLM cinematic video on the history of Rome, loving it! pic.twitter.com/vFrRgUSPvh

— Josh Woodward (@joshwoodward) March 5, 2026

Sein Video ist nur ein Beispiel dafür, wie die neue Funktion in NotebookLM eingesetzt werden könnte. Sie kann beispielsweise bei der Lehre, bei der Erläuterung von Produkten oder Plänen und nicht zuletzt im Social Media Marketing Anwendung finden. Zentral ist dabei, die Integrität der Quellen zu beachten, auf deren Basis die Videos kreiert werden. Eine manuelle Prüfung bleibt vonnöten, ehe die Inhalte geteilt werden. Die Möglichkeiten, mithilfe von NotebookLM Content aufzubereiten, werden indes vielfältiger und können vielen Usern sowohl bei der Rezeption von Themen als auch bei der Kreation mit angemessenem Storytelling dienen.

---

Nano Banana für AI Mode, Lens und NotebookLM

Immer häufiger kursieren Auswertungen mit Titeln wie „Diese Medien werden am häufigsten von KI-Chatbots zitiert“. Die Botschaft klingt verlockend einfach. Doch wer genauer hinschaut, erkennt: Solche Rankings bilden keine belastbare Realität ab. 

KI-Citation-Rankings bedienen das Bedürfnis nach Orientierung in einem komplexen, sich schnell verändernden Feld. Doch sie vermitteln eine Scheinsicherheit, die strategisch in die Irre führen kann. Die Variabilität von KI-Systemen, die Intransparenz der Trainingsdaten und die hohe Veränderungsdynamik machen jede generische Rangliste zu einer fragilen Momentaufnahme. Erfahre, warum das so ist und was stattdessen sinnvoll wäre.

Einige Analysen und Rankings wie diese stehen in GEO-Kreisen zur Diskussion (Anmerkung der Redaktion).

Welche Quellen zitieren AI Overviews, ChatGPT und Co.?

70.000 LLM-Antworten analysiert

Warum KI-Citation-Rankings nicht belastbar sind

Jedes Ranking, das die Zitationshäufigkeit von Medien in KI-Systemen misst, basiert auf einem definierten Set an Prompts. Das klingt zunächst nach einer nachvollziehbaren Methode. Das Problem: Andere Prompts führen zu anderen Quellen. Bereits kleine Veränderungen in der Formulierung einer Anfrage können dazu führen, dass ein KI-System völlig unterschiedliche Medien als Quelle heranzieht. Mehr noch: Selbst identische Prompts liefern bei wiederholter Eingabe nicht zwingend dieselben Ergebnisse. KI-Modelle wie ChatGPT, Gemini, Claude oder Perplexity arbeiten mit stochastischen Verfahren – das heißt, ihre Antworten unterliegen einer natürlichen Varianz. Wer heute eine Anfrage stellt und morgen dieselbe Anfrage wiederholt, kann unterschiedliche Quellen zurückbekommen.

Hinzu kommt, dass unterschiedliche KI-Systeme grundsätzlich unterschiedlich zitieren. ChatGPT greift auf andere Datengrundlagen zurück als Perplexity, das stärker auf Echtzeit-Websuche setzt. Gemini wiederum ist eng mit der Google-Infrastruktur verknüpft. Eine Auswertung, die sich auf ein einzelnes System beschränkt, sagt wenig über die KI-Sichtbarkeit insgesamt aus. Ein weiterer oft übersehener Faktor: Personalisierung. Je nach Account-Status, Standort und bisherigem Nutzungsverhalten können KI-Systeme unterschiedliche Quellen priorisieren. Auch das macht jede vermeintlich objektive Rangliste zu einem Produkt sehr spezifischer Rahmenbedingungen.

Die Blackbox-Trainingsdaten: Häufig zitiert heißt nicht strategisch relevant

KI-Systeme basieren auf Trainingsdaten, deren genaue Zusammensetzung nicht öffentlich dokumentiert ist. Es ist davon auszugehen, dass bestimmte Medienhäuser und Plattformen in diesen Datensätzen stärker repräsentiert sind als andere, sei es durch Lizenzvereinbarungen oder durch die schiere Menge an verfügbarem Content. Diese Trainingsdaten beeinflussen, welches Wissen ein Modell grundsätzlich „gelernt“ hat.

Davon zu unterscheiden sind die sogenannten Grounding-Quellen: Wenn ein KI-System eine konkrete Antwort generiert, greift es häufig in Echtzeit auf externe Quellen zu, etwa über Websuchen oder angebundene Datenbanken. Welche Quellen dabei herangezogen und zitiert werden, hängt nicht allein von den Trainingsdaten ab, sondern von Faktoren wie der Suchanfrage, dem thematischen Kontext und der Verfügbarkeit aktueller Inhalte.

Wenn ein Medium in KI-Antworten häufig als Quelle auftaucht, kann das also unterschiedliche Gründe haben: eine starke Präsenz in den Trainingsdaten, eine hohe Auffindbarkeit als Grounding-Quelle oder beides. Das sagt jedoch wenig darüber aus, ob dieses Medium für eine bestimmte Marke, ein bestimmtes Thema oder eine bestimmte Zielgruppe strategisch relevant ist.

Für Kommunikations- und Marketing-Verantwortliche bedeutet das: Eine hohe Zitationsrate eines Mediums in einem generischen Ranking liefert keinen belastbaren Hinweis darauf, ob eine Platzierung dort die eigene KI-Sichtbarkeit tatsächlich verbessert. Entscheidend ist vielmehr, welche Grounding-Quellen die KI-Systeme im konkreten thematischen Kontext heranziehen, und das variiert erheblich.

Momentaufnahme statt Benchmark: Warum sich KI-Rankings schnell überholen

KI-Systeme entwickeln sich in einem Tempo weiter, das statische Rankings innerhalb weniger Wochen obsolet machen kann. Die Anbieter:innen optimieren kontinuierlich ihre Algorithmen, passen die Quellengewichtung an und implementieren neue Mechanismen zur Spam-Erkennung. Ein konkretes Beispiel: Seit Februar 2026 liefern die Bing Webmaster Tools erstmals Daten zu KI-generierten Suchergebnissen. Das neue AI Performance Dashboard zeigt, wie häufig Inhalte einer Website in KI-generierten Antworten als Quelle zitiert werden – und zwar über Microsoft Copilot, KI-generierte Zusammenfassungen in Bing und ausgewählte Partner:innen-Integrationen hinweg. Damit ist Microsoft aktuell das einzige Großunternehmen, welches überhaupt strukturierte Performance-Daten bereitstellt.

Google liefert bislang keinerlei vergleichbare Daten zur Sichtbarkeit in KI-generierten Antworten, und auch ChatGPT als derzeit größtes KI-System bietet Marken keine Möglichkeit, ihre Zitationshäufigkeit oder Sichtbarkeit systematisch auszuwerten. Das zeigt, wie fragmentiert die Datenlage aktuell ist und wie wenig eine einzelne Momentaufnahme über langfristige Entwicklungen aussagt. Darüber hinaus reagieren KI-Systeme zunehmend auf Manipulationsversuche. Strategien, die heute zu einer hohen Zitationsrate führen, können morgen durch algorithmische Anpassungen wirkungslos werden. Wer seine Strategie auf ein statisches Ranking aufbaut, riskiert, einem flüchtigen Zustand hinterherzulaufen.

Was stattdessen sinnvoll ist: KI-Sichtbarkeit strategisch und individuell messen

Statt sich an generischen Medienlisten zu orientieren, sollten Kommunikations- und Marketing-Verantwortliche einen individuellen Ansatz verfolgen. Die folgenden vier Maßnahmen bieten hierfür eine belastbarere Grundlage:

1. Sichtbarkeit im eigenen Themen-Cluster priorisieren

Die entscheidende Frage lautet nicht: „Welches Medium wird am häufigsten zitiert?“ Sondern: „Welche Quellen zitieren KI-Systeme, wenn es um mein Thema geht?“ Dieser Perspektivwechsel ist fundamental. Denn die Quellen, die in einem generischen Ranking oben stehen, müssen nicht dieselben sein, die im Kontext deiner Branche oder deiner Expertise relevant sind.

2. Individuelles Prompt Monitoring aufsetzen

Definiere Prompts, die für dein Unternehmen, deine Marke und dein Themenfeld tatsächlich relevant sind, und nutze spezialisierte Monitoring Tools, um deren Ergebnisse systematisch und automatisiert über verschiedene KI-Systeme hinweg zu tracken. Lösungen wie etwa Peec AI ermöglichen es, Zitationsquellen, Markenerwähnungen und Sichtbarkeitsentwicklungen kontinuierlich zu erfassen, ohne jede Abfrage manuell durchführen zu müssen. So entsteht ein realistisches, datengestütztes Bild der eigenen KI-Sichtbarkeit – jenseits generischer Rankings. 

3. Marken- und themenspezifische Tests durchführen

Prüfe gezielt, ob und wie deine Marke in KI-Antworten auftaucht. Das umfasst sowohl direkte Markenerwähnungen als auch die Frage, welche Quellen im eigenen Themencluster dominieren. Solche Tests sollten systematisch und wiederholt durchgeführt werden, um Veränderungen über Zeit sichtbar zu machen.

4. Systemübergreifend analysieren

Beschränke dich nicht auf ein einzelnes KI-System. ChatGPT, Gemini, Claude und Perplexity gewichten Quellen unterschiedlich. Eine systemübergreifende Analyse gibt dir ein vollständigeres Bild und schützt vor Fehlschlüssen, die aus der Betrachtung eines einzigen Systems resultieren.

Weniger Rankings, mehr Relevanz

Wer KI-Sichtbarkeit ernst nimmt, sollte statt auf Rankings auf individuelles Monitoring, systematische Tests und eine themenspezifische Analyse setzen. Denn am Ende zählt nicht, welches Medium generell am häufigsten in KI-Antworten auftaucht, sondern welche Quellen ein KI-System im konkreten Kontext tatsächlich heranzieht und zitiert. Die entscheidende Frage lautet: Ist deine Marke in genau den Quellen sichtbar, die KI-Systeme als Grounding für die Themen und Fragen deiner Zielgruppe nutzen?