#### Was MMPs gelöst haben
Mobile Measurement Partners haben ein reales Marktproblem gelöst: Wenn ein Nutzer eine App installiert, braucht der Werbetreibende eine unabhängige Instanz, die Kanal, Kampagne und Creative zuordnet. AppsFlyer, Adjust, Branch und Singular wurden wichtig, weil mobile Attribution komplizierter ist als Web-Tracking. IDFA-Verlust, SKAN, Deep Links, App-Store-Wechsel und In-App-Events verlangen ein spezialisiertes System.
Diese Rolle ist nicht überholt. App-Install-Attribution braucht weiterhin MMPs. Der Bruch entsteht an einer anderen Stelle: Der Ursprung der Nachfrage verlagert sich. Nutzer entdecken Marken zunehmend in KI-Antworten, bevor sie eine Anzeige sehen oder einen Suchbegriff eingeben.
#### Was KI verändert
Der klassische Pfad lautete: Anzeige, Klick, Landingpage, App Store, Install, In-App-Event. MMPs messen genau diesen Pfad. Der neue Pfad beginnt früher: KI-Antwort oder KI-Zitat, Markenwahrnehmung, eigenständige Suche, Website, App Store, Install.
Wenn ein Nutzer ChatGPT nach einer Handelsplattform, einem FinTech-Anbieter oder einer SaaS-Lösung fragt und eine Marke genannt wird, entsteht Nachfrage. Drei Tage später sucht derselbe Nutzer die Marke bei Google, klickt auf eine Anzeige und installiert die App. Im MMP erscheint das als Brand-Search-Install. Die KI-Empfehlung, die die Suche ausgelöst hat, bleibt unsichtbar.
#### Die Größe des blinden Flecks
Der blinde Fleck besteht aus mehreren Schichten. KI-Crawler und Agenten erzeugen serverseitige Requests, die kein JavaScript ausführen und daher in GA4 kaum erscheinen. Referrer können bei KI-Plattformen, mobilen WebViews oder Privacy-Einstellungen verloren gehen. Web-to-App-Journeys reißen ab, sobald ein Nutzer von der Website in den App Store wechselt. Zero-Click-Zitate erzeugen Markenwahrnehmung ohne messbaren Klick.
Das Ergebnis ist ein systematischer Bias. KI wird unterschätzt, Brand Search und Direct werden überschätzt, und die Investition in GEO wirkt im Reporting schwächer, als sie tatsächlich ist. Für CFOs entsteht eine unbequeme Situation: Es gibt Budget für AI Visibility, aber keinen sauberen Kanalblick auf den Output.
#### Warum MMPs das nicht allein lösen
MMPs sind nicht das Problem. Sie sind für ein anderes Datenmodell gebaut. Ihr Kern ist der Pfad von Ad Touchpoint zu Install und In-App-Event. KI-Antworten haben keine Click-ID, keine Campaign-ID und keinen Ad-Network-Log. Zudem liegt die Erkennung von KI-Antworten, Maschinenzugriffen und Zero-Click-Wirkung in einem anderen technischen Bereich.
#### Der richtige Weg
Der Markt braucht keinen Ersatz für MMPs. Er braucht einen AI Measurement Partner. CitationGraph misst KI-Discovery, webseitige Evidenz, Custom Outcomes und Signale, die an bestehende MMP- und BI-Systeme übergeben werden können. Das Prinzip ist bewusst konservativ: MMP bleibt das System of Record für App Installs und In-App-Events. CitationGraph ergänzt die KI-Quellschicht davor.
Ebene | Fähigkeit | MMP-Status |
|---|---|---|
Sichtbarkeit in KI-Antworten | Marken-Zitationen und Share of Voice in KI-Plattformen beobachten | Vollständiger blinder Fleck |
KI-Crawler-Aktivität | KI-Agenten erkennen und serverseitige Requests analysieren | Vollständiger blinder Fleck |
KI-Quellbesuche | AI Referrals erkennen und Quellmarker erhalten | GA4 teilweise, MMP nicht |
Web-to-App-Signalbrücke | KI-Quellsignale in MMP-kompatible Formate übergeben | MMP kann sie nutzen, braucht aber vorgelagerte Signale |
Kausale Validierung | Geo Lift, Holdout und Incrementality prüfen | Vollständiger blinder Fleck |
Für Performance-Teams ist diese Trennung entscheidend. Wenn ein Nutzer zuerst in einer KI-Antwort eine Marke sieht, später per Brand Search kommt und anschließend in der App konvertiert, darf dieser Pfad nicht als normales Brand-Search-Wachstum missverstanden werden. Sonst wird das Budget in den sichtbaren letzten Kanal verschoben, während die Quelle der Nachfrage unsichtbar bleibt.
Ein AI Measurement Partner muss deshalb drei Sprachen sprechen: die Sprache der KI-Sichtbarkeit, die Sprache der Web-Evidenz und die Sprache der MMP-Übergabe. Er muss nicht behaupten, jede Bestellung mathematisch perfekt zu erklären. Aber er muss genug Belege liefern, damit Growth, Finance und BI sehen, wo KI Nachfrage erzeugt, wo sie nur Aufmerksamkeit erzeugt und wo sie tatsächlich in app-seitige Outcomes übergeht.
Praktisch beginnt das meist mit einem getrennten Reporting-Layer: KI-Antworten und Zitate, serverseitige Agent-Requests, menschliche AI Referrals, Web-to-App-Handoffs und nachgelagerte App-Events. Erst wenn diese Ebenen getrennt vorliegen, kann ein Team entscheiden, welche Signale an das MMP gehen und welche besser in BI, Experimentdesign oder Content-Priorisierung bleiben.
Diese Ordnung verhindert, dass ein sichtbarer letzter Klick die eigentliche Nachfragequelle verdeckt.
#### Kernargument
Der blinde Fleck der MMPs ist kein Produktfehler. KI hat den Startpunkt der Akquisekette verschoben. Marken brauchen eine unabhängige KI-Messschicht, die neben MMPs arbeitet.
FAQ
Q1: Reicht Web-Attribution eines MMP aus?
A: Nein. Sie verbessert werbliche Web-Conversion-Messung, erfasst aber KI-Antworten, KI-Crawler und Zero-Click-Wirkung nicht vollständig.
Q2: Warum reicht GA4 nicht?
A: GA4 sieht nur einen Teil menschlicher Klicks mit Referrer. Maschinenzugriffe, verlorene Referrer und Web-to-App-Brüche bleiben weitgehend unsichtbar.
Q3: Ersetzt CitationGraph das MMP?
A: Nein. CitationGraph ergänzt die vorgelagerte KI-Quelle und übergibt Signale, ohne die Install-Attribution des MMP zu ersetzen.