Der AI Visibility Index von Advance Metrics zeigt, wer in den Antworten der grossen KI-Modelle auftaucht, wer nicht, und warum das für jede Hochschule zur Sichtbarkeitsfrage wird.
Immer mehr Maturandinnen und Maturanden, Eltern und Quereinsteiger stellen ihre Fragen zur Studienwahl nicht mehr zuerst einer Suchmaschine oder einem Hochschulranking, sondern direkt ChatGPT, Gemini oder Claude. Welche Universität beim Berufseinstieg am meisten bringt, wo die Betreuung am besten ist, welche Fachhochschule in einem gewissen Fach führt: Auf solche Fragen liefern die KI-Modelle heute eine kurze Antwort mit drei bis fünf konkreten Namen, und viele Nutzerinnen und Nutzer übernehmen diese Empfehlung, als allgemeingültige Wahrheit.
Genau dieses Ranking der Hochschulen haben wir bei Advance Metrics systematisch untersucht: Der AI Visibility Index 2026 ist unsere Studienreihe zur KI-Sichtbarkeit Schweizer Organisationen, in dieser Ausgabe mit Fokus auf die KI-Sichtbarkeit von Universitäten, Fachhochschulen und weiteren Hochschultypen.
KI-Sichtbarkeit bei der Studienwahl
Wir haben 25 Kategorien untersucht: fünf Hochschultypen, Universität, Eidgenössische Technische Hochschule (ETH/EPFL), Fachhochschule, Pädagogische Hochschule und Fernuniversität/Online-Hochschule, sowie zwanzig Fachrichtungen: Wirtschaft & Management, Recht/Jura, Sozial- & Politikwissenschaften, Internationale Beziehungen, Kommunikation & Medien, Informatik & Data Science, Ingenieurwissenschaften & Technik, Naturwissenschaften, Architektur & Bauingenieurwesen, Umwelt & Nachhaltigkeit, Medizin & Gesundheitswissenschaften, Pharmazie, Psychologie, Veterinärmedizin, Kunst & Design, Musik & Theater, Pädagogik & Bildungswissenschaften, Geisteswissenschaften, Sport & Sportwissenschaften sowie Hotel- & Tourismusmanagement.
- Kein klarer Sieger: Die Universität Zürich führt in 7 von 25 Kategorien, die ETH Zürich in 4. Die übrigen 14 Kategorien verteilen sich auf zehn weitere Hochschulen.
- Spezialisten schlagen die grossen Namen: Die Universität St. Gallen führt bei Wirtschaft & Management, die EHL beim Hotel- & Tourismusmanagement, die ZHdK bei Kunst & Design sowie Musik & Theater.
- ETH Zürich und EPFL liegen fast gleichauf: In den meisten technischen und naturwissenschaftlichen Kategorien trennen sie nur wenige Nennungen, bei den Naturwissenschaften steht es exakt 718 zu 718.
- Viele Namen bremsen die Sichtbarkeit: In den Rohdaten tauchten über 1’000 Schreibweisen für rund 120 Institutionen auf, auf Deutsch, Französisch, Italienisch und Englisch, mit Abkürzungen und Zusätzen.
Ergebnis: Welche Hochschule dominiert welche Fachrichtung?
Über die 25 untersuchten Kategorien hinweg zeigt sich eine klare Aufteilung nach Fachgebiet, nicht ein einzelner dominanter Name.
Bei den fünf Hochschultypen liegt die Universität Zürich mit 644 Nennungen knapp vor der ETH Zürich (631) und der EPFL (570). Bei den technischen Hochschulen selbst liegt die ETH Zürich mit 725 Nennungen nur hauchdünn vor der EPFL mit 717. Bei den Fachhochschulen liefern sich die Berner Fachhochschule (598) und die Fachhochschule Nordwestschweiz (594) ein ähnlich enges Rennen, vor der ZHAW (562). Bei den Pädagogischen Hochschulen führt die PH Zürich (659) knapp vor der PH Bern (647). Bei den Fernuniversitäten liegt die UniDistance Suisse mit 840 Nennungen klar vorne, vor der Fernfachhochschule Schweiz (426) und der Kalaidos Fachhochschule (422).
Die Ergebnisse sind eine Momentaufnahme über den Erhebungszeitraum, generative Modelle werden laufend aktualisiert, und mit ihnen können sich auch ihre Empfehlungen verändern. Die Studie deckt ausschliesslich den Schweizer Markt und deutschsprachige Anfragen ab.
In den technischen und naturwissenschaftlichen Fachrichtungen dominieren praktisch durchgehend ETH Zürich und EPFL, abwechselnd: EPFL führt bei Informatik & Data Science (613 gegenüber 608) und bei Ingenieurwissenschaften & Technik (626 gegenüber 623), ETH Zürich liegt bei Architektur & Bauingenieurwesen (622 gegenüber 614) und bei Umwelt & Nachhaltigkeit (604 gegenüber 565) vorne, bei den Naturwissenschaften steht es exakt 718 zu 718.
Bei Wirtschaft & Management führt die Universität St. Gallen deutlich (741 Nennungen, vor Universität Zürich mit 589). Bei Recht/Jura (728) und Kommunikation & Medien (579) liegt die Universität Zürich vorne. Bei Internationalen Beziehungen (738) und, mit denkbar knappem Vorsprung, auch bei Sozial- & Politikwissenschaften (686 gegenüber 682 für Universität Zürich) führt die Universität Genf, zusammen mit dem auf Genf spezialisierten Graduate Institute (698) bei Internationalen Beziehungen, ein starkes Duo für die Calvinstadt.
In den medizinnahen Fächern wechselt sich die Führung ab: Universität Zürich bei Medizin & Gesundheitswissenschaften (688) und bei Psychologie (734), Universität Basel bei Pharmazie (705, hauchdünn vor der ETH Zürich mit 703), Universität Bern bei Veterinärmedizin (682, knapp vor Universität Zürich mit 681, angesichts der gemeinsamen Vetsuisse-Fakultät beider Universitäten wenig überraschend).
Bei Kunst & Design (704) und bei Musik & Theater (682) führt die Zürcher Hochschule der Künste, vor der ECAL in Lausanne respektive der Hochschule der Künste Bern. Bei Pädagogik & Bildungswissenschaften (553) und bei Geisteswissenschaften (647) liegt die Universität Zürich vorne. Beim Hotel- & Tourismusmanagement dominiert die EHL Hospitality Business School klar (720 Nennungen, fast doppelt so viele wie die zweitplatzierte Swiss Hotel Management School mit 385).
Diese Aufteilung nach Fachgebiet ist plausibel, mit einer wichtigen Einschränkung: Umfassende Volluniversitäten wie Zürich, Bern oder Basel sind in praktisch jeder Fachrichtung überhaupt eine mögliche Antwort, während spezialisierte Institutionen wie die ETH Zürich, die EPFL oder die EHL nur in ihren eigenen Fachgebieten mitzählen können. Wer sich glaubwürdig auf ein Fachgebiet spezialisiert hat, wird für genau dieses Fachgebiet auch von der KI erkannt, unabhängig von der Grösse der Institution insgesamt oder der Breite ihres Fächerangebots.
Deep Dive: ETH Zürich gegen EPFL
Der aufschlussreichste Einzelbefund der gesamten Studie betrifft eine bemerkenswerte Konstanz. In allen sieben Kategorien, in denen beide Institutionen eine plausible Antwort sind, liegen ETH Zürich und EPFL fast immer innerhalb einer einstelligen bis niedrigen zweistelligen Prozentmarge auseinander.
Summiert über diese sieben Kategorien steht es 4’531 Nennungen für die ETH Zürich gegenüber 4’423 für die EPFL, ein Vorsprung von gerade einmal 108 Nennungen oder 1.2%. Und dieser Vorsprung ist keineswegs einheitlich: Bei Informatik & Data Science und bei Ingenieurwissenschaften & Technik liegt tatsächlich die EPFL vorne, nicht die ETH Zürich, obwohl Letztere international oft als die bekanntere Marke gilt.
Am deutlichsten zeigt sich die Parität bei den Naturwissenschaften: Hier stehen beide Institutionen bei exakt 718 Nennungen, aufgeschlüsselt nach Modell sogar identisch (ChatGPT 238:238, Gemini 240:240, Claude 240:240). Die beiden Eidgenössischen Technischen Hochschulen werden von den Modellen also nicht gegeneinander, sondern praktisch immer als Paar abgerufen.
Alle drei Modelle favorisieren in der Summe knapp die ETH Zürich (ChatGPT 1’492 zu 1’484, Gemini 1’557 zu 1’536, Claude 1’482 zu 1’403), aber die Abstände sind überall klein genug, dass eine einzelne weitere Erhebungsrunde das Bild bereits drehen könnte.
Wie funktionieren KI-Modelle?
Die beobachteten Muster lassen sich am ehesten mit der Funktionsweise der Modelle selbst erklären. KI-Modelle lernen aus öffentlich verfügbaren Texten: Hochschul-Websites, Medienberichten, Rankings, Fachpublikationen, Alumni-Netzwerken. Wer dort über Jahre hinweg präsent war, erscheint auch in den generierten Antworten häufiger, weil die Institution schlicht öfter und konsistenter im Trainingsmaterial vorkam.
Bei Hochschulen zeigt sich dabei ein Mechanismus besonders deutlich: Wenn eine Institution unter mehreren Namen gleichzeitig kursiert, etwa einer deutschen und einer französischen Bezeichnung plus Abkürzung, verteilt sich ihre Sichtbarkeit in den Trainingsdaten der Modelle auf mehrere, scheinbar unterschiedliche Einträge. Die Modelle selbst erkennen diese Varianten nicht zuverlässig als dieselbe Institution.Für unsere Auswertung liessen sich über 1’000 solcher Varianten auf rund 120 tatsächliche Institutionen zurückführen, aber ein KI-Modell, das in Echtzeit antwortet, leistet diese Zusammenführung nicht. Es greift auf die Namensform zurück, die in seinen Trainingsdaten am häufigsten vorkam, und das kann von Anfrage zu Anfrage variieren.
Die drei Modelle ziehen dabei auch nicht immer dieselben Schlüsse aus derselben digitalen Spur. Bei der Universität Basel etwa zeigt sich in der Kategorie Universität ein deutlicher Unterschied: ChatGPT nennt sie 168 Mal, Claude 170 Mal, Gemini dagegen nur 15 Mal. Wer hier «objektiv am sichtbarsten» ist, hängt also stark davon ab, welches Modell man fragt.
Wie Hochschulen ihre KI-Sichtbarkeit bei der Studienwahl steigern können
Ohne einen Blick hinter die Kulissen einer konkreten Website lassen sich keine seriösen, institutionsspezifischen Empfehlungen abgeben. Was wir aber teilen können, sind die allgemeinen Prinzipien, die die KI-Sichtbarkeit einer Hochschule nachweislich beeinflussen.
Best Practices für KI-Sichtbarkeit
- Auf einen konsistenten Namen setzen. Wie unsere Datenbereinigung zeigt, kann eine Institution, die ihren vollen Namen, ihre Abkürzung und ihre Übersetzungen in andere Landessprachen uneinheitlich verwendet, ihre eigene Sichtbarkeit künstlich auf mehrere «Identitäten» aufsplitten.
- Inhalte für KI-Modelle auffindbar machen. Können die Modelle sämtliche Seiten überhaupt finden? Oder liegen relevante Inhalte hinter JavaScript versteckt und bleiben damit unsichtbar?
- Inhalte für KI-Modelle strukturieren. Generative Modelle verarbeiten Inhalte in einzelnen Abschnitten («Chunks»). Jeder Abschnitt sollte auch für sich allein verständlich sein, nicht nur im Kontext der ganzen Seite.
- Fachbereiche einzeln sichtbar machen. Wer in einer bestimmten Fachrichtung führend sein will, sollte diese auch inhaltlich eigenständig abbilden, nicht nur als Unterseite der allgemeinen Institutionsseite.
- Plattformübergreifend konsistent und auffindbar sein. Eine einzelne Webseite reicht nicht mehr aus. KI-Modelle ziehen ihre Empfehlungen aus einem breiteren Ökosystem an Quellen und Kanälen.
Empfohlene nächste Schritte
- AI Visibility Audit: eine Bestandsaufnahme, für welche Fachrichtungen eine Hochschule bei den relevanten KI-Modellen bereits sichtbar ist, und wo nicht.
- GEO Tech Check: eine technische Prüfung, ob strukturelle Hürden KI-Modelle daran hindern, eine Institution überhaupt zu finden und einzuordnen.
- Namenskonsistenz-Check: eine gezielte Prüfung, unter wie vielen unterschiedlichen Namensformen eine Institution in den Trainingsdaten der Modelle kursiert.
- Eine holistische, plattformübergreifende Content-Strategie, die über die eigene Website hinausdenkt.
Fazit
Der AI Visibility Index 2026 zeigt: Auch im Hochschulbereich ist KI-Sichtbarkeit heute schon messbar und alles andere als stabil über verschiedene Modelle hinweg, aber mit einer Besonderheit gegenüber früheren Ausgaben dieser Studienreihe. Statt eines einzelnen dominanten Namens zeigt sich ein differenziertes, grösstenteils plausibles Bild, in dem spezialisierte Institutionen in ihren Fachgebieten regelmässig die grossen Namen überholen. Die grösste, bislang kaum sichtbare Hürde ist nicht mangelnde Qualität oder Reputation, sondern etwas Banaleres: eine uneinheitliche eigene Namensführung, die die eigene Sichtbarkeit in den Trainingsdaten der Modelle unbeabsichtigt aufsplittet. Für alle Hochschulen gilt: Wer heute versteht, wie KI-Modelle über die eigene Institution sprechen, und wie konsistent sie das tun, ist besser vorbereitet auf eine Zukunft, in der diese Modelle einen wachsenden Teil der Studienwahl mitgestalten.
