Brand-Tracking in Claude selbst bauen: was wirklich fehlt

Der Trend, ehrlich angeschaut

Auf LinkedIn häufen sich Posts wie "Ich hab in Claude ein Live-SEO-Dashboard gebaut und Semrush gekündigt — 100 Euro im Monat statt Jahresabo." Klingt gut. Ist auch nicht komplett falsch. Für die richtige Person kann ein selbstgebautes Tracking-Setup funktionieren.

Wir schreiben diesen Artikel nicht, um DIY-Ansätze schlechtzureden. Wir schreiben ihn, damit du eine ehrliche Entscheidung treffen kannst — bevor du 80 Stunden in ein Setup steckst, das du in sechs Monaten wieder ausmistest.

Was DIY tatsächlich liefert

Ein Claude-API-Setup mit ein paar Custom-Prompts kann:

• Ad-hoc-Fragen beantworten. "Wird meine Marke aktuell von ChatGPT erwähnt?" Ein einzelner LLM-Call, ein einzelnes Ergebnis.
• Spielerisches Experimentieren. Wenn du das KI-Sichtbarkeits-Thema erstmal verstehen willst, ohne Commitment.
• Sehr kleine Use-Cases. Solo-Founder, eine Marke, eine Webseite, ein Modell, kein Zeitverlauf.

Das ist legitim. Wenn du genau das brauchst — bau es selbst. Nimm dir eine Stunde, lies das Anthropic-API-Tutorial, schreib drei Prompts. Du brauchst Quott nicht für etwas, das du in einer Stunde selbst lösen kannst.

Wo DIY zerbricht

Das Problem fängt an, sobald du mehr willst als ein einzelnes Snapshot-Bild.

1. Cross-Plattform-Analyse über alle wichtigen KI-Modelle

KI-Sichtbarkeit ist nicht "ChatGPT erwähnt mich". Es ist: ChatGPT, Claude, Gemini, Perplexity, Grok und Mistral antworten alle unterschiedlich. Ein Steuerberater, der in ChatGPT auf Platz zwei steht, kann bei Perplexity überhaupt nicht auftauchen — weil Perplexity primär aus Quellen wie comparis.ch und vergleichsportalen zitiert, ChatGPT eher aus Wikipedia und News-Sites.

DIY bedeutet: sechs eigene API-Verträge, sechs Authentifizierungen, sechs unterschiedliche Output-Formate, sechs Rate-Limit-Strategien. Eine Antwort von Perplexity sieht anders aus als von Claude. Quellen-Extraktion funktioniert pro Modell unterschiedlich. Wer das produktiv betreibt, lebt mit ständigen Updates: OpenAI ändert die Response-Struktur, Google rollt Gemini 2.6 aus, ein neuer Provider taucht auf.

2. Persistenz und Zeitverlauf

Eine Claude-Konversation hat keinen State. Du kannst Claude heute fragen "Wie steht meine Marke?" und morgen wieder. Aber die Antwort von heute existiert morgen nicht mehr — außer du speicherst sie selbst. In einer Datenbank, die du selbst betreibst, mit einem Schema, das du selbst entwirfst, mit Backups, die du selbst sicherstellst.

Erst diese Persistenz erlaubt die wirklich wertvollen Auswertungen:

• Trend über 90 Tage: bewegt sich meine Sichtbarkeit nach oben oder unten?
• Wettbewerbsvergleich über 6 Monate: zieht jemand an mir vorbei?
• Saisonalität: wann brauche ich besonders Sichtbarkeit, wann reicht weniger?
• Korrelation: hat meine Pressemitteilung von letzter Woche etwas bewegt?

Ohne Datenbank, ohne Zeitreihen-Aggregation und ohne historisches Sample bleibst du bei "wie ist es gerade". Das hilft niemandem, der seine Marke ernsthaft positioniert.

3. Mehrere Stichproben pro Modell für stabile Werte

KI-Modelle sind nicht deterministisch. Stell dieselbe Frage drei Mal — du bekommst drei leicht unterschiedliche Antworten. Mal wirst du erwähnt, mal nicht. Wer einmal pro Tag eine Stichprobe nimmt, misst nicht Sichtbarkeit, sondern Zufall.

Eine ernsthafte Engine macht pro Prompt mehrere Stichproben (z.B. 2 bei Starter, 3 bei Pro und Business) und mittelt. Dazu kommt eine geglättete Score-Berechnung über die letzten drei Läufe. Das filtert das Rauschen heraus — du siehst nur Bewegungen, die real sind.

Mit einem manuellen Setup wirst du diese Sample-Mittelung selten implementieren. Die Folge: dein DIY-Dashboard zeigt jeden Tag eine andere Zahl, ohne dass sich an deiner Marke wirklich etwas geändert hat. Das ist keine Beobachtung, das ist Lärm.

4. Persona-basierte Anfragen

Eine generische Frage wie "beste CRM-Software für KMU" liefert sehr andere Ergebnisse als "Welche CRM-Software empfiehlst du einem 5-Personen-Beratungsteam, das hauptsächlich mit Outlook und LinkedIn arbeitet". Die Persona-Tiefe ist der Unterschied zwischen einem akzeptablen Tool und einem echten Insight-Lieferanten.

Persona-basierte Prompts brauchen:

• Strukturierte Personas (Name, Demografie, Pain-Points, Buying-Trigger)
• Persona-gekoppelte Prompt-Generierung, die diese Faktoren wirklich einbaut
• Variation der Persona-Brille pro Lauf, damit nicht jedes Mal derselbe Wortlaut

Das geht in einem DIY-Setup, aber es ist genau die Art Arbeit, die nach drei Wochen liegen bleibt.

5. Sentiment-Analyse mit Brand-Disambiguation

Wenn deine Marke "Apple" heißt, wirst du in jedem zweiten KI-Output erwähnt — aber selten meinst du. Eine echte Engine erkennt das. Sie nutzt Wortgrenzen, Negationen ("nicht empfehlenswert"), prüft excluded-Names ("Frucht", "Steve Jobs") und filtert Sätze, die offenkundig eine andere Bedeutung haben.

In DIY-Skripten passiert das selten. Da heißt es: "Mention enthält Apple → positiver Treffer". Das verzerrt den Score massiv und führt zu Entscheidungen auf Basis falscher Daten.

6. Quellen-Analyse

KI-Modelle zitieren nicht aus dem Nichts. Sie ziehen Antworten aus Wikipedia, Branchen-Portalen, Reddit-Threads, Vergleichs-Seiten und tausenden anderen Quellen. Wer wissen will, warum ein Wettbewerber besser sichtbar ist, muss die Quellen extrahieren, normalisieren und aggregieren.

Eine ernsthafte Auswertung zeigt:

• Welche externen Quellen werden für deine Branche überhaupt zitiert?
• In welchen davon kommt deine Marke vor, in welchen nicht?
• Welche Quellen-Domains haben die höchste Zitate-Frequenz?
• Welche Wettbewerber sind in genau den Quellen präsent, die dir fehlen?

Das ist der Schritt von Diagnose zu Handlung: du weißt nicht nur dass du fehlst, sondern wo genau du auftauchen musst.

7. Wettbewerber-Mention-Gap und Empfehlungs-Lücken

Sichtbarkeit ist ein Nullsummenspiel. Wenn der Wettbewerber in einer Antwort steht und du nicht, hat er dich aktiv verdrängt. Eine echte Engine macht aus diesen Mention-Gaps eine sortierte Liste mit Aktion: pro Lücke ein konkreter Outreach-Pitch, ein Content-Brief, eine Strategie.

DIY liefert dir die Mention-Liste, wenn du selbst die Prompts schreibst. Den Brief zur Lückenschließung mit Headline-Vorschlägen, Outline, Persona-Anrede, SEO-Keywords — den schreibst du selbst, jede Lücke einzeln, jeden Monat neu.

8. Engage-Plattformen — wo deine Marke off-platform aktiv werden sollte

Wo werden Antworten überhaupt geformt? In Foren, Subreddits, YouTube-Kommentaren, branchenspezifischen Communities. Eine echte Analyse identifiziert pro Branche und Region die relevantesten Off-Platform-Hebel — DACH-spezifisch idealo, gutefrage, kununu, mobile.de, holidaycheck, international YouTube, Reddit, Instagram — und priorisiert sie nach Opportunity-Score.

Diese Aggregation ist Datenarbeit, die ein DIY-Tool nicht leistet. Sie braucht das Sample über viele Kunden, nicht über eine einzelne Marke.

9. Perception-Heatmap

Mit welchen Attributen wird deine Marke verknüpft? "Premium", "günstig", "innovativ", "etabliert", "nachhaltig", "service-stark", "modern"? Und wie steht deine Konkurrenz auf den gleichen Attributen?

Eine Perception-Heatmap extrahiert diese Attribute aus den KI-Antworten und scort sie über deine Marke und alle Wettbewerber. Ergebnis: eine ehrliche Selbst-Reflexion, wo du tatsächlich Stärken hast und wo nicht.

Das selber zu bauen heißt: ein LLM-Prompt-System, das Attribute aus Free-Text-Antworten extrahiert, normalisiert, dedupliziert und gegen Wettbewerber scort. Plus die Visualisierung. Plus die Persistenz über Zeit, damit du siehst wie sich Perception verändert. In einem Wochenend-Projekt nicht zu schaffen.

10. Branchen-Benchmarks aus echtem Datensample

Was bedeutet eigentlich "guter Score"? 60? 75? 90? Ohne Vergleichswert ist deine Zahl bedeutungslos.

Ein Tool, das viele Kunden hat, kann pro Branche ein Aggregat berechnen: der Schnitt im Bereich Steuerberatung ist 58, im Bereich Tech-Consulting 72, im Bereich Modelabel 45. Mit diesen Vergleichswerten weißt du, ob deine 65 stark oder schwach ist.

DIY hat dieses Sample nicht. Du siehst nur deinen eigenen Wert — relativ zu nichts.

11. Content-Briefs für Empfehlungs-Lücken

Wenn die KI für deine Branche bestimmte Quellen zitiert, dich aber nicht erwähnt: dann brauchst du Content auf genau diesen Quellen oder Content, der so gut ist, dass KI-Modelle ihn als neue Quelle aufnehmen. Ein Brief mit:

• Headline-Vorschlägen
• Persona-Anrede
• Outline mit H2-Strukturen
• FAQs für long-tail-Sichtbarkeit
• SEO-Keywords
• Outreach-Pitch wenn es eine externe Quelle ist

Pro Lücke ein Brief, fertig zum Weitergeben an deinen Texter oder Outreach-Manager. Das selber zu bauen geht — aber jeden Brief manuell anzustoßen frisst Stunden, jede Woche aufs Neue.

12. KI-Profil-Generation mit Schema.org und llms.txt

Damit KI-Modelle dich besser einordnen können, brauchen sie strukturierte Daten auf deiner Website. Schema.org JSON-LD im Header. Top-Chunk im Markdown. llms.txt-Datei auf der Domain. Embed-Code für die Veröffentlichung.

Eine echte Engine generiert das alles automatisch nach jeder Optimierung. Mit DIY müsstest du das selbst schreiben, selbst hosten, selbst aktualisieren. Bei jeder Profil-Änderung. Bei jeder Branchen-Aktualisierung.

13. Goal-driven Kampagnen mit priorisierten Aktionen

Sichtbarkeit verbessern heißt nicht: täglich zehn Tipps abarbeiten. Es heißt: ein klares Ziel setzen ("Sichtbarkeit im Thema X um 20 Punkte heben"), dann eine Kampagne mit 4-6 konkreten Aktionen bekommen, sortiert nach Wirkung × Aufwand.

Ein DIY-Setup wirft dir nach jedem LLM-Lauf eine ungefilterte Action-Liste aus. Welche zuerst? Welche ignorieren? Du entscheidest selbst, jedes Mal neu, ohne Sortier-Hilfe.

14. Bot-Crawl-Tracking und Agent-Analytics

Wenn ChatGPT, Claude oder Perplexity deine Website crawlen, hinterlassen ihre Bots eine Spur. Wer die Spur trackt, sieht: welche Pages werden gecrawlt, wann zuletzt, mit welchem Status-Code, ob robots.txt + llms.txt sauber bedient werden.

Das ist ein eigenes Logging-System, das mit deinem Hosting integriert sein muss (Vercel Log Drain, Cloudflare Worker, WordPress Plugin). Selber bauen: realistisch ein paar Tage Setup, plus Wartung.

15. Team-Funktion, Audit-Log, Rollen

Sobald mehr als eine Person an deinem Account arbeitet, brauchst du:

• Mehrere Logins mit Rollen
• Geteilten Zugriff auf das gleiche Profil
• Audit-Log wer wann was geändert hat
• Row-Level-Security in der Datenbank
• Eingeladene Mitglieder, die Token-basiert akzeptieren

Das ist keine LLM-Aufgabe. Das ist Software-Engineering im klassischen Sinn. Mit DIY läuft es einzelaccount-only, was für Solo-Founder OK ist, aber für Marken-Teams nicht.

16. DSGVO-Compliance und AVV

Wer KI-Sichtbarkeit für Kunden trackt — als Marketing-Agentur, als interne Brand-Abteilung, die Kunden-Daten verarbeitet, als Berater — braucht einen rechtsverbindlichen Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO. Mit Standard-Vertragsklauseln für jeden Drittland-Datenfluss. Mit dokumentiertem Subprozessor-Management. Mit TOMs nach Art. 32.

Mit DIY bist du selbst Auftragsverarbeiter — gegenüber niemandem. Außer du verarbeitest Kundendaten. Dann brauchst du den ganzen Stack: AVV-Vorlage, Datenschutzerklärung, Cookie-Consent, Audit-Log, technische und organisatorische Maßnahmen. Realistisch ein paar tausend Euro Anwaltsaufwand und Wochen Implementierungs-Zeit.

17. Eingebauter KI-Agent mit Tool-Aufrufen

Eine echte Engine hat einen Agenten, der über alle gespeicherten Daten reden kann. Frag "Was sollte ich diese Woche zuerst angehen?" und der Agent liest deinen Score, deine Quellen, deine Wettbewerber, dein Perception-Profil — und antwortet mit einem konkreten Plan, nicht mit Allgemein-Geschwafel.

Das ist nicht einfach "Claude über deine Daten reden lassen". Das ist eine MCP-Server-Infrastruktur, mehrere Read-Only-Tools, sauberes Routing zwischen leichtem Default-Modell und Haiku-Fallback bei komplexen Anfragen, Rate-Limits, Konversations-Persistenz.

Die Mathematik hinter den 100 Euro

Der LinkedIn-Post nennt 100 Euro pro Monat. Lass uns das aufschlüsseln:

• Claude-API: bei 50.000 Calls und realistischer Token-Verteilung etwa 30-60 Euro
• Externe Suchdaten-API (SerpAPI, DataForSEO oder ähnlich): 30-150 Euro je nach Volumen
• Hosting (eigene DB für Persistenz, sonst gehst du beim Browser-Refresh leer aus): 10-25 Euro
• Plus deine Zeit für Wartung, Modell-Updates, Bug-Fixing — schwer zu beziffern, aber 2-5 Stunden pro Monat sind realistisch

Realität sind eher 150-250 Euro plus dein Stundensatz mal fünf. Quott Pro liegt bei 74 Euro pro Monat im Jahresabo. Quott Business bei 149 Euro pro Monat — alles inklusive, ohne Zeitaufwand für Wartung.

Wann DIY trotzdem die richtige Wahl ist

Wir wollen ehrlich bleiben. Es gibt Situationen, in denen DIY sinnvoll ist:

• Du bist Solo-Founder mit Tech-Background, hast einen sehr begrenzten Use-Case und willst nichts ausgeben
• Du baust ein Lern-Projekt und willst die LLM-API verstehen
• Du hast keine Compliance-Anforderungen, keine Kunden, kein Team
• Du brauchst nichts darüber hinaus als ein "ist meine Marke heute in ChatGPT" — kein Trend, keine Quellen, keine Aktion

In diesen Fällen ist DIY perfekt. Nimm dir die LinkedIn-Anleitung, bau es, sei zufrieden.

Wann Quott die richtige Wahl ist

• Du hast keine Lust auf Tech-Setup. Du willst eine URL eingeben und dein Dashboard sehen.
• Du brauchst Persistenz über Monate, nicht nur Snapshots.
• Du willst Aktionen, nicht nur Diagnosen.
• Du hast Kunden, die einen AVV brauchen oder ein Team, das gemeinsam arbeitet.
• Du willst nicht jeden Monat warten ob OpenAI eine Response-Struktur ändert und dein Skript bricht.
• Du willst auf Branchen-Benchmarks zugreifen können — Vergleichswerte, die nur entstehen, wenn ein Tool viele Kunden hat.
• Du willst Engage-Plattformen, Perception-Heatmaps, Content-Briefs, Empfehlungs-Lücken, Goal-driven Kampagnen — Funktionen, die in einem Wochenend-Projekt nicht entstehen können.

Zusammenfassung in einem Satz

DIY-Tracking ist ein gutes Snapshot-Werkzeug für einzelne Fragen. Sobald du Sichtbarkeit als kontinuierlichen Prozess verstehst — mit Zeitverlauf, Vergleichswerten und konkreter Handlungsanleitung — wird das selbstgebaute Setup zur Bürde. Genau dort beginnt Quott.