Attribution im Dunkeln: Ein Evidence Stack für KI-Suche aufbauen

Jeder CMO, der jemals vor einem Vorstand stand und ein siebenstelliges Performance-Budget auf Basis eines GA4-Dashboards verteidigt hat, steht jetzt vor einem Problem. Das Dashboard verdunkelt sich. Für Platform Leads und CTOs, die neben diesem CMO sitzen, verschiebt sich die Frage von „Was sagen die Daten?" zu „Welche Belege halten stand, wenn die Daten nicht mehr ankommen?" – und die Antwort gestaltet die nächsten 90 Tage in Bezug auf Tooling, Headcount und Anbieterauswahl neu.

Die Einordnung ist entscheidend, denn Measurement-Infrastruktur ist kein Marketingposten. Es ist eine Plattformentscheidung mit Konsequenzen für Recruiting, Compliance und Build-vs-Buy, die jede Kampagne, die das Gespräch ausgelöst hat, überdauern wird.

Was passiert ist

Am 1. Juni 2026 veröffentlichte der Enterprise-SEO-Berater Dan Taylor in MarTech ein Framework mit der These, dass zuverlässige Attribution für KI-Suche noch nicht existiert – und dass Marketing-Teams aufhören sollten, perfektes Tracking zu verfolgen, und stattdessen beginnen sollten, einen sogenannten Evidence Stack aufzubauen. Der Beitrag erscheint in einem Moment, in dem Datenschutzvorschriften, Cookie-Degradierung, fragmentierte User Journeys, KI-Suche und LLM-gesteuerte Discovery gemeinsam das Unified-Metric-Modell zerstört haben, auf das die meisten Growth-Teams trainiert wurden.

Die zentrale Beobachtung ist verhaltensbezogen. Wenn die Sichtbarkeit einer Marke in KI-Suchmaschinen zunimmt, klicken Nutzer selten auf einen trackbaren Link. Sie öffnen einen neuen Tab und tippen den Firmennamen direkt in Google ein – und entfernen dabei jedes Referral-Signal. Dark-Social-Kanäle tun dasselbe, da sie keinerlei Tracking-Token übertragen. Das Ergebnis: Bezahlte und organische Maßnahmen erzeugen messbare Verbesserungen bei den Geschäftsergebnissen, während Attribution-Plattformen Stille registrieren.

Taylors vorgeschlagene Antwort kombiniert Daten aus Google Analytics 4, Google Search Console und historischen Zeitreihenanalysen zu einem überlappenden Evidenz-Framework. Es beginnt mit einer zwei- bis vierwöchigen historischen Baseline aus einer ruhigen Marketingphase – frei von Saisonhochs, großen Produktlaunches oder aggressiven Rabattaktionen –, bei der bezahlte Medien entweder vollständig pausiert oder auf einem minimalen, gleichbleibenden Niveau gehalten werden. In diesem Zeitfenster werden durchschnittliches Tagesvolumen und normale Varianz für direkte Homepage-Sessions, organische Markensuchanfragen in der Google Search Console und unassistierte Conversion Rates erfasst. Die Launch-Daten der Kampagnen werden anschließend auf den Zeitstrahl gelegt, ein Attribution-Lag-Fenster wird festgelegt, und Zeitreihenvergleiche werden im Periodenvergleich sowie im Jahresvergleich durchgeführt. Ein Kampagnenlift, der die Baseline-Standardvarianz deutlich überschreitet, gilt als starkes statistisches Indiz für Marketing-Impact.

Technische Anatomie

Entfernt man die Marketingsprache, wird ein quasi-experimentelles Design beschrieben, das aus der Ökonometrie entlehnt und auf Consumer-grade-Analytics-Tools übertragen wurde. Die Baseline-Kalibrierung ist eine Kontrollperiode. Das Kampagnenfenster ist die Behandlungsphase. Die Jahresvergleichs-Überlagerung ist die Saisonkorrektur. All das ist nicht neu für jeden, der schon einmal ein Media-Mix-Modell gebaut hat – aber die Bedeutung des Frameworks liegt darin, dass es deterministische Attribution explizit zugunsten statistischer Inferenz aufgibt.

Die Mechanik basiert auf drei Signalquellen, die zusammenwirken. Die Google Search Console wird gefiltert, um Impressions und Klicks für zentrale Markenbegriffe zu isolieren – einschließlich häufiger Schreibfehler und spezifischer Produktnamen –, was das Verhalten „Ich habe Ihre Marke in einer KI-Zusammenfassung gesehen und sie in Google eingegeben" erfasst. GA4 liefert direkte Sessions auf primären Einstiegsseiten sowie Returning-User-Kohorten-Analysen, um zu ermitteln, ob eine Kampagne neue, kaufbereite Besucher generiert hat. Die historische Zeitreihe liefert das Varianzenband, das einem Team ermöglicht, echten Lift von zufälligem Rauschen zu unterscheiden.

Das belastbare Signal entsteht durch gleichzeitige Anstiege. Ein Anstieg der Markensuche allein könnte durch eine Erwähnung durch einen Wettbewerber verursacht sein. Ein Anstieg des direkten Traffics allein könnte auf eine Pressemitteilung zurückgehen. Ein Anstieg des Returning-User-Engagements allein könnte Lifecycle-Marketing sein. Alle drei steigen gleichzeitig innerhalb eines chronologisch verankerten Kampagnenfensters, während nicht markenbezogene Kategorieanfragen flach bleiben – das ist das statistische Argument.

Aus Plattformperspektive ist das ein als Marketingproblem verkleidetes Data-Engineering-Problem. GSC, GA4 und einen Kampagnenkalender zu einem abfragbaren Längsschnittdatensatz zusammenzuführen, ist trivial. Dies mit ausreichender Rigorosität zu tun, um einer CFO-Befragung standzuhalten – mit versionierten Baselines, dokumentierten Ausschlussfenstern und reproduzierbaren Varianzberechnungen –, ist es nicht. Es erfordert eine kleine Analytics-Engineering-Funktion, die die meisten Series-B-Marketing-Organisationen nicht haben und die die meisten Agenturen ohne ein Retainer, das die Kosten für eine interne Entwicklung annähert, nicht bereitstellen werden. Der weitere Kontext – einschließlich Googles eigener Privacy Sandbox-Arbeit zu Attribution Reporting – deutet darauf hin, dass die Branche auf aggregierte, modellierte Signale als permanenten Standard zusteuert, nicht als vorübergehende Lösung.

Wer den Schaden trägt

Die am stärksten exponierte Kategorie ist Performance-first-DTC und jede Branche, die ihr Wachstum auf Last-Click-ROAS aufgebaut hat. iGaming-Affiliates, Fintech-Akquise-Teams mit Paid Social und Ad-Tech-Intermediäre, die pixelbasierte Optimierung verkaufen, befinden sich alle im Wirkungsbereich. Affiliate-Netzwerke sind besonders gefährdet, weil ihr gesamtes Geschäftsmodell einen nachverfolgbaren Referral-Pfad voraussetzt – und eine KI-Suchmaschine, die eine Vergleichsseite zusammenfasst, ohne den Klick weiterzuleiten, das Provisionsmodell zerstört.

Crypto- und DeFi-Marketingteams stehen vor einer verstärkten Version desselben Problems. Ihre Zielgruppe lebt bereits in Dark Social, Telegram, Discord und X-DMs – und legt jetzt KI-gesteuerte Discovery obenauf. Diese Teams operieren seit Jahren ohne saubere Attribution, was bedeutet, dass sie Intuition, aber selten Rigorosität besitzen. Das CFO-Gespräch wird schwieriger, wenn die einzige Verteidigung „vertrau mir" lautet.

Der General Counsel jedes Consumer-Fintech sollte diese Woche den Head of Platform fragen, ob der Measurement Stack des Teams neue Datenschutzverpflichtungen schafft, während er versucht, verlorene Signale zu kompensieren. Das Zusammenführen von Marken-Query-Daten, Returning-User-Kohorten und Conversion-Fenstern kann stillschweigend die Art von Profiling recreieren, die Regulatoren fünf Jahre lang abgebaut haben – und ein CFO auf der Jagd nach Measurement-Verteidigbarkeit ist nicht die richtige Person, um diese Entscheidung allein zu treffen.

Enterprise-Infrastrukturanbieter, die Attribution-Plattformen verkaufen, haben ein anderes Problem. Wenn sich der Praktikerkonsens in Richtung Evidence Stacks und statistischer Inferenz verschiebt, kollabiert das Wertversprechen eines deterministischen MTA-Tools. Zu erwarten sind Konsolidierung, Repositionierung in Richtung „Incrementality Measurement" und eine Welle von Akquisitionsaktivitäten, da die größeren Marketing-Clouds die verbleibenden Point Solutions absorbieren. Teams, die sich aktuell mitten in einer Beschaffung für einen mehrjährigen Attribution-Vertrag befinden, sollten pausieren und fragen, was sie eigentlich kaufen.

Playbook für Performance Marketing

Der umsetzbare Schritt dieser Woche ist, die Baseline zu etablieren, bevor man sie braucht. Wählen Sie ein zwei- bis vierwöchiges Fenster in der jüngeren Vergangenheit, das ruhig war, dokumentieren Sie die Varianzbänder für direkte Sessions, markenbezogene GSC-Impressions und unassistierte Conversion Rates, und speichern Sie dies als Referenz-Asset. Nachträglich kalibrierte Baselines lassen sich leicht anfechten. Baselines, die vor dem Kampagnenstart in einem datierten Artefakt festgehalten wurden, nicht.

Als Nächstes sollten Sie den Kampagnenkalender als strukturierte Daten instrumentieren – nicht als Notion-Seite. Launch-Daten, Regionen, Creative-Varianten und Budgetebenen müssen an einem Ort gespeichert sein, gegen den eine Zeitreihenabfrage joinen kann. Das ist ein einwöchiges Engineering-Projekt, das die meisten Teams immer wieder aufschieben, weil kein einzelner Stakeholder dafür zuständig ist.

Drittens: Bauen Sie jetzt die Marken-Query-Taxonomie in der Google Search Console auf. Kernmarkenbegriffe, häufige Schreibfehler und spezifische Produktnamen benötigen einen gespeicherten Filter, keinen Ad-hoc-Export jedes Mal, wenn jemand eine Frage stellt. Dieselbe Disziplin gilt für die Conversion-seitige Instrumentierung, die über die Meta Marketing API und Google Ads läuft, wo serverseitiges Event Forwarding zunehmend zum Mindeststandard wird – nicht zur Kür.

Schließlich: Rahmen Sie das Vorstandsgespräch neu. Hören Sie auf, Attribution-Präzision zu versprechen, die Sie nicht liefern können. Beginnen Sie, Richtungsvertrauen auf Basis eines Evidence Stacks zu versprechen, und definieren Sie im Voraus, welcher Lift-Schwellenwert als Erfolg gilt. Die Unit-Economics-Frage – wer bezahlt für diese Measurement-Funktion und wann – lässt sich leichter beantworten, wenn die Alternative darin besteht, ein Budget mit Bauchgefühl zu verteidigen.

Wichtigste Erkenntnisse

• Zuverlässige Attribution für KI-Suche existiert noch nicht; Platform Leads sollten Tooling und Headcount für eine mehrjährige Phase statistischer Inferenz statt deterministischem Tracking planen.
• Eine zwei- bis vierwöchige saubere Baseline, die vor dem Kampagnenstart erfasst wird, ist das einzelne nützlichste Artefakt, das eine Marketing-Organisation in diesem Quartal erstellen kann.
• Gleichzeitiger Lift bei markenbezogenen GSC-Anfragen, direkten GA4-Sessions und Returning-User-Kohorten während eines Kampagnenfensters – bei flacher Kategoriebasis – ist das belastbare Signal.
• Anbieterverträge auf Basis deterministischer MTA sind deprizierende Assets; Teams mitten in einer Beschaffung sollten die Laufzeit neu verhandeln oder sich auf Incrementality-fokussierte Anbieter verlagern.
• Teams, die Measurement-Infrastruktur evaluieren, sollten jetzt fragen, ob sie ein Dashboard kaufen oder eine Evidence-Generation-Funktion aufbauen – denn beides erfordert unterschiedliche Organigramme.