AI-Overview-Click-Through-Rate messbar machen

1. Warum AI Overviews die klassische CTR-Messung verzerren

Die Search Console zählt eine Impression, sobald eine URL irgendwo auf der Ergebnisseite theoretisch sichtbar war, unabhängig davon, ob die Nutzerin oder der Nutzer tatsächlich bis dorthin gescrollt hat. Erscheint oberhalb der organischen Treffer ein AI Overview, das die Frage bereits ausreichend beantwortet, sinkt die tatsächliche Klickwahrscheinlichkeit auf die darunterliegenden Snippets erheblich, während die Impression trotzdem ganz normal gezählt wird. Das Ergebnis ist eine CTR-Kennzahl, die für dieselbe Position plötzlich niedriger ausfällt, obwohl sich an der eigentlichen Platzierung nichts geändert hat.

Erschwerend kommt hinzu, dass Google in den offiziellen Search-Console-Daten aktuell keine eigene Kennzeichnung dafür liefert, bei welchen Impressionen tatsächlich ein AI Overview eingeblendet wurde. Man sieht also den Rückgang in der Kennzahl, aber nicht direkt die Ursache. Wer diese Lücke ignoriert, interpretiert einen CTR-Rückgang schnell fälschlich als Rankingproblem oder als Snippet-Schwäche und optimiert dann am eigentlichen Problem vorbei, obwohl die Position stabil geblieben ist.

2. Was die Search Console misst und was sie bewusst nicht zeigt

Wichtig für die Einordnung ist, dass ein Klick auf einen Link innerhalb eines AI Overviews selbst, sofern die eigene Domain dort zitiert wird, in aktuellen Search-Console-Daten in der Regel nicht sauber von einem klassischen organischen Klick unterschieden werden kann. Beide Klickarten landen faktisch im selben Topf, obwohl sie aus völlig unterschiedlichen Nutzerkontexten stammen: einmal aus einem klassischen Snippet mit Titel und Description, einmal aus einer KI-generierten Zusammenfassung mit ganz anderem Umfeldtext.

Diese fehlende Trennung bedeutet konkret, dass zwei Websites mit identischer CTR-Zahl in der Search Console völlig unterschiedliche Nutzerreisen hinter sich haben können. Für belastbare Aussagen reicht die Search Console allein deshalb nicht mehr aus, sie liefert bestenfalls ein aggregiertes Signal, das ohne zusätzlichen Kontext leicht fehlinterpretiert wird. Genau deshalb braucht es die im Folgenden beschriebenen Behelfslösungen, die zumindest eine Näherung an die Realität ermöglichen.

3. Behelfslösung 1: Zeitraum-Vergleich vor und nach der AI-Overview-Einblendung

Die robusteste verfügbare Behelfslösung ist der direkte Vergleich der CTR-Werte einer Query oder Seite vor und nach dem ersten dokumentierten Auftauchen eines AI Overviews für genau diese Suchanfrage. Voraussetzung ist ein sauberes internes Log darüber, wann eine bestimmte Query erstmals mit AI Overview beobachtet wurde, etwa durch manuelle Stichproben oder ein Rank-Tracking-Tool mit SERP-Feature-Erkennung. Anschließend lässt sich in der Search-Console-API die CTR für exakt diese Query in zwei Zeitfenstern gegenüberstellen, bei ansonsten stabiler Position.

Diese Methode ist keine perfekte Kausalitätsmessung, weil auch andere Faktoren wie Saisonalität oder algorithmische Updates gleichzeitig wirken können. Sie liefert aber, gerade bei größeren Query-Stichproben mit ähnlichem Muster, ein deutlich belastbareres Bild als eine einzelne CTR-Momentaufnahme. In der Praxis empfiehlt sich ein rollierender Vier-Wochen-Vergleich, um kurzfristige Schwankungen auszugleichen.

# Search-Console-API: CTR für eine Suchanfrage in zwei Zeitfenstern abrufen
# (vereinfachtes Beispiel, echte Requests brauchen OAuth-Token)

curl -s -X POST \
  -H "Authorization: Bearer $GSC_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "startDate": "2026-05-01",
    "endDate": "2026-05-28",
    "dimensions": ["query"],
    "dimensionFilterGroups": [{
      "filters": [{"dimension": "query", "operator": "equals", "expression": "waschmaschine testsieger 2026"}]
    }]
  }' \
  "https://searchconsole.googleapis.com/webmasters/v3/sites/https%3A%2F%2Fshop.example.com%2F/searchAnalytics/query" \
  > vorher.json

# Gleicher Aufruf mit startDate/endDate im Zeitraum NACH beobachteter AI-Overview-Einblendung
# Anschließend CTR-Werte aus beiden JSON-Dateien gegenüberstellen

4. Behelfslösung 2: Rank-Tracking-Tools mit AI-Overview-Erkennung

Mehrere kommerzielle Rank-Tracking-Anbieter erkennen inzwischen automatisiert, ob für eine getrackte Suchanfrage ein AI Overview eingeblendet wird, und speichern diese Information als zusätzliches SERP-Feature-Flag neben der klassischen Position. Damit lässt sich die eigene Query-Liste systematisch danach segmentieren, welche Anfragen von AI Overviews betroffen sind, und die CTR-Entwicklung dieser Gruppe gezielt gegen eine vergleichbare Kontrollgruppe ohne AI Overview stellen.

Wichtig ist bei der Tool-Auswahl, dass die AI-Overview-Erkennung tatsächlich für den relevanten Markt und die relevante Sprache funktioniert, denn die Einblendungsrate unterscheidet sich stark zwischen Ländern und Branchen. Ein Werkzeug, das nur für den US-Markt zuverlässig erkennt, liefert für den deutschen E-Commerce-Bereich oft unvollständige oder verzögerte Daten. Ein wöchentlicher Abgleich zwischen Tool-Daten und eigenen Stichproben schafft hier zusätzliche Sicherheit.

5. Impression-CTR-Kurven als Diagnosewerkzeug nutzen

Eine dritte, oft unterschätzte Methode ist die Analyse der Impression-CTR-Kurve über die Zeit statt einzelner Wochenwerte. Bleibt die Anzahl der Impressionen für eine Query stabil, während die CTR über mehrere Wochen kontinuierlich sinkt, ohne dass sich die durchschnittliche Position in der Search Console verschlechtert, ist das ein starkes Indiz für ein neu hinzugekommenes SERP-Feature wie ein AI Overview, das Klicks abzieht, ohne die Position zu verändern.

Dieses Muster lässt sich pro Query-Cluster automatisiert prüfen, indem man wöchentliche CTR- und Positionswerte aus der Search-Console-API exportiert und beide Kurven gegenüberstellt. Ein deutliches Auseinanderlaufen von stabiler Position und fallender CTR bei gleichzeitig stabilen Impressionen ist ein zuverlässigeres Frühwarnsignal als ein einzelner CTR-Rückgang, der genauso gut durch andere Ursachen wie ein verändertes Snippet ausgelöst worden sein könnte.

6. Queries nach AI-Overview-Wahrscheinlichkeit segmentieren

Nicht jede Suchanfrage triggert gleich häufig ein AI Overview. Informationale Fragen mit klarem Antwortcharakter, etwa Vergleichs- oder Definitionsfragen, lösen deutlich häufiger ein AI Overview aus als transaktionale Produktsuchen mit klarer Kaufabsicht. Eine sinnvolle Vorarbeit ist deshalb, die eigene Query-Liste grob nach linguistischem Muster zu klassifizieren, etwa Fragewörter, Vergleichsformulierungen und Ratgeber-Muster als hohe Wahrscheinlichkeit, konkrete Produktnamen und Modellnummern als niedrige Wahrscheinlichkeit.

Diese Segmentierung erlaubt eine gezieltere Ressourcenverteilung bei der Analyse: Für Queries mit hoher AI-Overview-Wahrscheinlichkeit lohnt sich der aufwendigere Zeitraum-Vergleich aus Abschnitt drei, während bei eindeutig transaktionalen Queries die klassische Search-Console-Auswertung meist weiterhin ausreichend belastbar bleibt, weil AI Overviews dort seltener und mit geringerer Prominenz erscheinen.

{
  "query": "waschmaschine testsieger 2026",
  "cluster": "vergleich_informational",
  "ai_overview_wahrscheinlichkeit": "hoch",
  "letzte_beobachtung": "2026-08-02",
  "empfohlene_messmethode": "zeitraum_vergleich"
}
{
  "query": "bosch wan28123 kaufen",
  "cluster": "produkt_transaktional",
  "ai_overview_wahrscheinlichkeit": "niedrig",
  "letzte_beobachtung": null,
  "empfohlene_messmethode": "klassische_gsc_auswertung"
}

7. Brand- und Non-Brand-Queries getrennt betrachten

Markenbezogene Suchanfragen verhalten sich bei AI Overviews spürbar anders als generische Non-Brand-Queries. Wer explizit nach einem Markennamen oder einer konkreten Produktbezeichnung sucht, hat meist bereits eine klare Zielseite im Kopf und klickt tendenziell trotzdem durch, selbst wenn ein AI Overview erscheint. Bei generischen, informationalen Queries dagegen wird die eigene Domain im AI Overview oft nur als eine von mehreren zitierten Quellen genannt, was die Klickwahrscheinlichkeit auf die eigentliche Seite spürbar stärker senkt.

Für die Messung bedeutet das: Eine gemeinsame CTR-Kennzahl über Brand- und Non-Brand-Queries hinweg verwässert das Bild erheblich. Getrennte Auswertungen zeigen häufig, dass der CTR-Rückgang fast ausschließlich bei Non-Brand-Queries auftritt, während Brand-Traffic weitgehend stabil bleibt. Diese Trennung sollte deshalb ein fester Bestandteil jedes AI-Overview-Reportings sein, statt sie in einer aggregierten Gesamtzahl zu verstecken.

8. Wo die aktuelle Messbarkeit an echte Grenzen stößt

Trotz aller Behelfslösungen bleibt eine zentrale Lücke bestehen: Ohne eine offizielle, granulare Kennzeichnung durch Google lässt sich niemals mit letzter Sicherheit sagen, ob ein einzelner Klick tatsächlich aus einem AI Overview stammt oder aus dem klassischen organischen Ergebnis darunter. Alle beschriebenen Methoden liefern Näherungen und statistische Indizien auf Aggregatsebene, keine harte Einzelklick-Zuordnung. Wer intern reportet, sollte diese Unschärfe explizit benennen, statt Behelfszahlen als exakte Messung zu verkaufen.

Hinzu kommt, dass sich die Einblendungslogik von AI Overviews selbst laufend ändert, sowohl bei der Trigger-Häufigkeit als auch bei der Frage, welche Quellen zitiert werden. Eine Messmethode, die heute belastbare Ergebnisse liefert, kann nach der nächsten Google-Anpassung bereits wieder ungenauer werden. Realistische Erwartungssteuerung gegenüber Stakeholdern ist deshalb ein ebenso wichtiger Teil der Arbeit wie die eigentliche Datenanalyse.

9. Praktischer Monats-Workflow für Magento-Shops

Für den laufenden Betrieb hat sich ein monatlicher Workflow bewährt, der die beschriebenen Methoden kombiniert, ohne einen unrealistischen Analyseaufwand zu erzeugen. Am Anfang steht die Aktualisierung der Query-Segmentierung nach AI-Overview-Wahrscheinlichkeit, gefolgt vom Export der aktuellen Search-Console-Daten getrennt nach Brand und Non-Brand. Für die Top-Queries mit hoher AI-Overview-Wahrscheinlichkeit folgt der Zeitraum-Vergleich, ergänzt um die Impression-CTR-Kurven-Prüfung für auffällige Ausreißer.

Für Magento-Shops mit vielen Kategorie- und Ratgeberseiten lohnt sich zusätzlich eine grobe Priorisierung nach Umsatzrelevanz der jeweiligen Landingpage, damit der begrenzte Analyseaufwand zuerst dort investiert wird, wo ein CTR-Rückgang tatsächlich spürbaren Umsatz kostet. Ein einfaches Ampel-System, grün für stabile CTR, gelb für beobachtete Abweichung ohne klare Ursache, rot für bestätigten AI-Overview-Effekt mit Handlungsbedarf, macht die Ergebnisse auch für Stakeholder ohne tiefes SEO-Detailwissen schnell verständlich.

10. Zusammenfassung

11. FAQ: AI-Overview-CTR: Das Wichtigste auf einen Blick