Die verfügbaren Daten zur CTR von AI Overviews zeigen in dieselbe grobe Richtung: KI-Zusammenfassungen können Klicks auf klassische Suchergebnisse verringern. Sie begründen aber keinen universellen Prozentsatz. Ahrefs schätzt ein modelliertes kontrafaktisches Szenario für gerankte Ergebnisse, Seer verfolgt Marken- und Suchanfragekohorten über die Zeit, Pew beobachtet Verhalten in einem US-Panel. Jedes Ergebnis muss mit seinem Nenner und seiner Methode gelesen werden. Für die eigene Website ist eine gematchte Kohorte aussagekräftiger als der Durchschnitt von Studienüberschriften.
Das ist keine akademische Spitzfindigkeit. Ein Wert kann innerhalb einer Studie zutreffen und dennoch ungeeignet für eine Traffic-Prognose, eine Managementfolie oder eine Content-Entscheidung sein. Wer drei verwandte Beobachtungen mittelt, erzeugt eine scheinbar genaue Zahl ohne ein Studienmodell, das diese Zahl tragen würde.
Was die drei Studien tatsächlich aussagen können
Nicht der Prozentwert, sondern die Vergleichseinheit steht am Anfang. Die Studien berühren dasselbe Thema, stellen aber unterschiedliche Fragen.
| Quelle | Gemessene Größe | Berichtete Beobachtung | Belastbare Lesart | Wichtige Grenze |
|---|---|---|---|---|
| Ahrefs | Beobachtungsmodell mit 300.000 Keywords für Position 1 | 1,6 % CTR in der AI-Overview-Kohorte gegenüber 3,7 % modelliert ohne AI Overview, von Ahrefs als 58 % niedriger beschrieben | Modellierter Unterschied zwischen Kohorten auf Position 1 | Keine randomisierte Intervention |
| Seer | Longitudinale Daten von 53 Marken und Millionen Suchanfragen | Zunächst deutliche CTR-Lücke, später teilweise Erholung; zitierte und nicht zitierte Marken unterschieden sich | Zeitverlauf von Marken- und Suchanfragekohorten | SERPs und Query-Mix änderten sich im Beobachtungszeitraum |
| Pew Research Center | Nachgebildete Google-Besuche in einem US-Navigationspanel | Traditionelle Ergebnisse wurden bei 8 % der Besuche mit Zusammenfassung und 15 % ohne Zusammenfassung geklickt; Zusammenfassungszitate bei 1 % | Beobachtetes Verhalten bei vorhandener Zusammenfassung | Keine nach Position normalisierte CTR |
Gerade weil die Zeilen nicht austauschbar sind, ergänzen sie sich. Ahrefs kommt einer rangbezogenen kontrafaktischen Frage am nächsten: Wie unterscheidet sich die geschätzte CTR von Position-1-Kohorten mit AI Overview von einer modellierten Vergleichsgruppe ohne AI Overview? Seer hilft bei der Frage, wie sich ein Bestand von Kundenmarken und Queries über die Zeit verändert hat. Pew zeigt, was Menschen in beobachteten Besuchen mit oder ohne Zusammenfassung getan haben.
Keine dieser Methoden beweist, dass jede Seite auf Position 1, jede Marke, jedes Land, jedes Gerät oder jede Suchintention denselben Effekt erlebt. Das Auftreten eines AI Overview ist nicht zufällig. Auch Seiten, Suchanfragen und Menschen in den jeweiligen Datensätzen sind es nicht. Diese Einschränkung gehört zum Ergebnis und darf nicht bei der Präsentation verschwinden.
Ahrefs: ein modellierter Vergleich für Position 1
Ahrefs nutzte ein Beobachtungsmodell mit 300.000 Keywords. Es schätzte für die AI-Overview-Kohorte auf Position 1 eine CTR von 1,6 %, gegenüber 3,7 % in einem modellierten Szenario ohne AI Overview. Ahrefs bezeichnete das als 58 % niedriger. Entscheidend ist das Wort „modelliert“. Es handelt sich nicht um ein Vorher-Nachher-Experiment, in dem identische Suchergebnisse zufällig mit einem AI Overview versehen wurden.
Das macht die Schätzung nicht wertlos. Es gibt ihr die richtige Reichweite: eine begrenzte Antwort über Kohorten auf Position 1. Irreführend wird sie erst, wenn sie stillschweigend auf alle organischen Positionen oder eine gesamte Domain ausgeweitet wird.
Eine Rechenhilfe verdeutlicht den Unterschied, ohne eine Website-Prognose vorzutäuschen. Hätte eine Position-1-Kohorte unter den Bedingungen der Studie 10.000 Impressionen, entsprächen 3,7 % 370 Klicks und 1,6 % 160 Klicks. Das sind 210 Klicks Unterschied je 10.000 Impressionen. Die Rechnung verwendet die veröffentlichten Raten und ist keine Aussage über den Traffic einer konkreten Website. Sie belegt auch nicht, dass allein die Zusammenfassung die 210 Klicks verursacht hat, denn die Kohorten sind beobachtet und modelliert.
Der Ahrefs-Wert passt daher zu einer modellierten Rang-1-Kohorte. Er taugt nicht als pauschaler Traffic-Abschlag für eine Domain. Ein Domain-Durchschnitt vermischt Positionen, Länder, Geräte, Intentionen, Marken, SERP-Features und Veränderungen der Nachfrage. Das ist eine andere Messgröße.
Seer: ein Signal aus longitudinalen Markenkohorten
Seer veröffentlichte longitudinale Daten zu 53 Marken und Millionen Suchanfragen. Das Ergebnis war keine einheitliche, dauerhafte CTR-Senkung. Die Studie fand zunächst eine starke Lücke und später eine teilweise Erholung. Außerdem unterschieden sich zitierte von nicht zitierten Marken.
Dieser Ansatz liefert etwas, das der Ahrefs-Vergleich nicht liefern kann. Eine Zeitreihe zeigt, dass die Beziehung nicht zwingend stabil bleibt. Sie macht Beobachtungszeitraum, eine sich verändernde Oberfläche und die Zugehörigkeit zur Gruppe zitierter Marken sichtbar. Sie kann aber keine einzelne Ursache isolieren, weil sich die SERPs und der Query-Mix während der Datenerhebung änderten.
Auch die Unterscheidung zwischen zitiert und nicht zitiert verlangt Zurückhaltung. Sie ist ein beobachteter Unterschied in diesem longitudinalen Datensatz, kein Beweis dafür, dass das Erhalten eines Zitats auf einer anderen Website denselben CTR-Effekt auslöst. Ein Zitat kann wichtige Sichtbarkeit bedeuten, ohne ein Besuch zu werden. Pews Beobachtung, dass auf Links in der Zusammenfassung bei 1 % der Besuche mit Zusammenfassung geklickt wurde, erinnert daran, dass Zitatgewinn und Klickgewinn getrennte Messgrößen sind.
Im Reporting sollte die Zeitdimension von Seer erhalten bleiben. Eine Kurve mit früher Lücke und später teilweiser Erholung darf nicht auf einen zeitlosen Prozentwert verkürzt werden. Wenn sich die Frage auf Veränderungen nach mehreren Releases oder Oberflächenänderungen bezieht, sind eine dokumentierte Zeitreihe und stabile Query-Kohorten nützlicher als ein einzelner Benchmark.
Pew: beobachtetes Verhalten, keine positionsnormalisierte CTR
Pew Research Center beobachtete Verhalten eines US-Panels bei nachgebildeten Google-Besuchen. Nutzer klickten bei 8 % der Besuche mit KI-Zusammenfassung auf ein traditionelles Suchergebnis und bei 15 % der Besuche ohne Zusammenfassung. Auf einen Link in der Zusammenfassung klickten sie bei 1 % der Besuche.
Die Einheit ist hier der Besuch, nicht eine Impression auf Position 1 und nicht ein nach Position normalisiertes organisches CTR-Modell. Diese Studie hilft, eine naheliegende, aber schwache Erzählung zu bremsen: Ein Zitat erzeugt nicht automatisch einen gleichwertigen Klickpfad. Die 1 % sind eine Beobachtung von Klicks auf Zusammenfassungslinks in diesem Panel, keine Prognose für jedes Zitat, jede Suchanfrage oder jeden Publisher.
Auch die 8 % und 15 % lassen sich nicht in einen Verlust der CTR auf Position 1 umrechnen. Ob eine Zusammenfassung vorhanden ist, beschreibt nur einen Teil des Besuchskontexts. Ergebnisposition, Suchformulierung, Nutzerbedarf, Gerät und Oberfläche spielen ebenfalls eine Rolle. Ein Prozentwert ohne Einheit wirkt transportabel, ist es aber meist nicht.
Ein Entscheidungsrahmen für die richtige Evidenz
Wählen Sie die Studie nach der Entscheidung aus und benennen Sie, was sie offenlässt.
| Zu klärende Entscheidung | Passendste Evidenz | Daneben festhalten | Nicht behaupten |
|---|---|---|---|
| Ob sich die Chance auf Position 1 mit AI Overview verändern kann | Ahrefs | Positionsband, modellierte Kohorte, 1,6 % und 3,7 %, Stichprobe von 300.000 Keywords | Einen kausalen Verlust für alle Rankings |
| Ob sich eine Markenkohorte über die Zeit verändert hat | Seer | Beobachtungsfenster, Zitatstatus, stabile Query-Definition, Releases und SERP-Änderungen | Dass allein ein Zitat Erholung oder Rückgang verursacht hat |
| Ob Zusammenfassungen beobachtetes Klickverhalten verändern können | Pew | US-Panel, Besuch als Einheit, 8 %, 15 % und 1 % | Eine eigene positionsspezifische CTR-Prognose |
| Ob eine Seite geändert werden soll | Eigene gematchte Kohorte | Seite, Query, Rang, Gerät, Land, Exposition, Datum, Klicks und Impressionen | Dass ein externer Durchschnitt die Maßnahme beweist |
Die erste Maßnahme ist keine Serienüberarbeitung. Zuerst braucht es eine Baseline. Erfassen Sie vor einer Inhaltsänderung einen vergleichbaren Zeitraum und definieren Sie Seiten und Query-Klassen, die später verglichen werden. Ohne diesen Bezugspunkt bleibt nach einer Änderung nur eine interessante Geschichte, aber kein Test.
Eine gematchte Kohorte statt eines universellen Abschlags aufbauen
Legen Sie Kohorten an, die eine monatliche Prüfung überstehen. Jede Zeile sollte kanonische URL, wichtigste Query oder Query-Klasse, Positionsband, Land, Gerät, Zeitraum und beobachtete AI-Overview-Exposition enthalten. Ist die Exposition nicht bekannt, bleibt sie „unbekannt“, statt aus einer Traffic-Veränderung abgeleitet zu werden.
Berichten Sie anschließend Raten und absolute Werte gemeinsam. Die CTR lautet:
CTR = Klicks / Impressionen × 100
Ein fiktives internes Beispiel: Eine gematchte Kohorte erhält in einem Zeitraum 4.000 Impressionen und 120 Klicks, also 3 % CTR. Im gleich definierten Folgezeitraum sind es 5.000 Impressionen und 125 Klicks. Die CTR sinkt auf 2,5 %, während die absoluten Klicks um fünf steigen. Keine dieser Beobachtungen genügt, um das Ergebnis als negativ zu bewerten. Nachfrage, Positionsverteilung, Query-Mix, Land, Gerät und Exposition zur Oberfläche können sich verändert haben. Erst das gemeinsame Protokoll mit bekannten Änderungen schafft eine belastbare Lesart.
Für jeden Vergleich hilft ein kurzes Evidenzprotokoll:
- Quell-URL, Prüftag, Beobachtungsfenster, Stichprobe und Einheit jeder externen Studie sichern.
- Kanonische URLs und eine dauerhafte Definition der Query-Klasse für die eigene Kohorte speichern.
- Mindestens nach Positionsband, Land und Gerät trennen, bevor eine Summe als Trend gilt.
- Impressionen, Klicks, CTR und absolute Klicks zusammen festhalten.
- Releases, Weiterleitungen, Tracking-Änderungen und große Änderungen im Query-Mix in demselben Zeitraum notieren.
- Zitatstatus von Klickdaten trennen. Ein Zitat ist nicht automatisch ein Besuch.
Das verspricht keine Attribution, die die Daten nicht liefern. Es schafft eine wiederholbare Grundlage für die Frage, ob eine Content-Änderung einen Test verdient, obwohl Unsicherheit bleibt.
Die Erklärung testen, bevor sie veröffentlicht wird
Versuchen Sie zuerst, den Befund zu widerlegen. Hat eine AI-Overview-exponierte Kohorte eine niedrigere CTR, prüfen Sie die durchschnittliche Position. Prüfen Sie danach, ob der Anteil informationaler Queries, der Mobile-Anteil, die Länderverteilung, Periodenlänge oder Saisonalität verschoben sind. Schon eine dieser Abweichungen kann einen scheinbaren CTR-Effekt erzeugen.
Vergleichen Sie danach eine Kontrollkohorte mit ähnlicher Position, Intention, Land und Gerät, aber ohne beobachtete AI-Overview-Exposition. Das bleibt Beobachtung und kein randomisierter Test. Der Nutzen ist diagnostisch: Bewegen sich beide Kohorten ähnlich, wird die AI-Overview-Erklärung schwächer. Bewegt sich nur die exponierte Kohorte, ist die Beobachtung spezifischer, doch die übrigen Prüfungen bleiben nötig.
Unbekannte Exposition, unvollständige Beobachtungen und Methodenwechsel sollten nicht entfernt werden, nur damit eine Folie eindeutiger wirkt. Die richtige Entscheidung kann „beobachten“ statt „umschreiben“ sein. Das ist handlungsfähig, wenn die Daten Nachfrage, Ranking und Oberflächeneffekt noch nicht voneinander trennen.
Wo SEOryon einzuordnen ist
SEOryon kann die Evidenz zu AI-Overviews-CTR-Studien vom Monitoring in eine kontrollierte Content-Entscheidung überführen. Seine Rolle ist operativ: Recherche, kanonische Entscheidung, kontrollierte Content-Aktion, Veröffentlichung und spätere Messung. Dabei soll es den bestehenden Eigentümer sichtbar machen, eine Kollision verhindern, nur freigegebene Inhalte veröffentlichen und den Messpfad bewahren. Es macht aus einer unsicheren Beobachtungsstudie keine Gewissheit.
Testen Sie SEOryon auf Ihrer eigenen Website mit einem kontrollierten Themencluster, bevor Sie Automatisierung ausweiten. Der passende Test ist ein abgegrenzter Workflow mit dokumentierter Baseline, nicht das Versprechen, dass eine externe CTR-Studie Ihr Ergebnis vorhersagt.
Häufige Fragen
Kann ich die Prozentwerte von Ahrefs, Seer und Pew mitteln?
Nein. Die Einheiten und Methoden sind verschieden: Beobachtungsmodell für Position 1, longitudinale Kohorten von Kundenmarken und beobachtete Besuche eines US-Panels. Ein arithmetischer Mittelwert würde weder eine Population noch eine belastbare erwartete CTR beschreiben.
Garantiert ein Zitat in einem AI Overview einen Klick?
Nein. Seer stellte in seinem Datensatz Unterschiede zwischen zitierten und nicht zitierten Marken fest, während Pew Klicks auf Zusammenfassungszitate bei 1 % der Besuche mit Zusammenfassung beobachtete. Das spricht dafür, Zitatstatus zu messen, nicht dafür, einen Besuch oder Ranking-Effekt zu garantieren, zumal nur ein Teil der in AI Overviews zitierten Seiten in Googles Top 10 rankt.
Was sollte ein Publisher zuerst messen?
Beginnen Sie mit einer datierten, gematchten Kohorte: kanonische URLs, Query-Klasse, Positionsband, Land, Gerät, Impressionen, Klicks, CTR und beobachtete AI-Overview-Exposition. Veröffentlichungen und Änderungen der Messung gehören in dasselbe Protokoll, damit eine spätere Veränderung eingeordnet werden kann.
Quellen und Evidenzhinweise
- Ahrefs: AI-Overview-Zitate und Überschneidung mit Googles Top 10
- Seer Interactive: AIO-Auswirkung auf die Google-CTR, Update 2026
- Pew Research Center: Navigationsverhalten bei KI-Zusammenfassungen
Die zitierten Daten sind beobachtend und nutzen unterschiedliche Stichproben, Einheiten und Zeitfenster. Jeder Prozentwert ist ein abgegrenzter Befund, kein universeller kausaler Effekt.