Kostenlos und ohne Anmeldung · Inhaltlich verantwortlich: Kai Spriestersbach · Stand: 3. November 2026
Du kannst Prüflisten abhaken, Tabellen ausfüllen und die beiden Checks auswerten. Deine Eingaben werden nicht an uns gesendet und bleiben nur bis zum Neuladen dieser Seite erhalten. Um deine Einträge zu behalten, nutze vor dem Verlassen die Druckfunktion deines Browsers und wähle dort „Als PDF speichern“. Für die Teamarbeit gibt es zusätzlich die Excel-Vorlagen.
Inhalt und Sprungmarken
- 1.1 · Prozesslandkarte: Der Ablauf von SEO für KI-Suche
- 1.2 · Strategischer Readiness-Check
- 1.3 · Phase 1: Technische Bereitschaft herstellen
- 1.4 · Phase 2: Scope und Prompts definieren
- 1.5 · Phase 3: Sichtbarkeit und Wettbewerb messen
- 1.6 · Der AI Visibility Analyzer als Messsystem
- 1.7 · Phase 4: Grounding und Quellen verstehen
- 1.8 · Phase 5: Onpage-Optimierung
- 1.9 · Phase 6: Offpage-Optimierung
- 1.10 · Phase 7: Monitoring und Tracking
- 1.11 · Kennzahlen für die KI-Suche
- 1.12 · KI-Sichtbarkeits-Audit-Scorecard
- 1.13 · Tool-Demo-Checkliste
- 1.14 · 30/60/90-Tage-Roadmap entlang des Prozesses
- 1.15 · Branchenschnellchecks
- 1.16 · Agentic-Readiness-Kurzcheck
- 1.17 · Klärliste: Recht, Datenschutz und Trust
- Fazit
Dieses Online-Material ist das Arbeitsbuch zu SEO für KI-Suche. Es übersetzt den Prozess des Buchs in anwendbare Prüflisten, Scorecards und Arbeitsvorlagen und bündelt die Checklisten und Frameworks aus den Kapiteln in einer Form, in der du sie direkt im Team einsetzen kannst. Der Kern bleibt: Diese Disziplin ist kein Hack-Katalog, sondern ein strategischer Analyse- und Optimierungsprozess.
Im Markt werden dafür Begriffe wie GEO, Generative Engine Optimization, LLMO, AEO oder AI SEO verwendet. Dieses Buch spricht bewusst von SEO für KI-Suche, weil der Begriff beschreibt, worum es praktisch geht: Du baust Sichtbarkeit in KI-gestützten Such-, Antwort- und Empfehlungssystemen auf.
Nimm die folgenden Frameworks nicht als starre Zertifizierung. Sie helfen dir, ein Projekt sauber aufzusetzen, die richtigen Fragen zu stellen, technische und inhaltliche Grundlagen zu prüfen, Quellen zu analysieren, Maßnahmen abzuleiten und Fortschritt wiederholbar zu messen.
Vorsicht: Frage nicht einfach ein KI-System, wie du für KI-Systeme optimieren sollst, und übernimm die Antwort ungeprüft. Viele Empfehlungen in diesem Bereich sind veraltet, zu allgemein oder frei erfunden. Belastbare SEO-Arbeit für die KI-Suche beginnt mit Messung, Quellenanalyse und einer Priorisierung, die zum konkreten Projekt passt.
1.1 · Prozesslandkarte: Der Ablauf von SEO für KI-Suche
GEO funktioniert am besten als Kreislauf. Du startest nicht mit der Content-Produktion, sondern mit drei Fragen: Ist deine Marke technisch auffindbar? Für welche Fragen in der KI-Suche soll sie sichtbar sein? Und wie antworten KI-Systeme heute auf die relevanten Fragen?
| Phase | Leitfrage | Zentrale Artefakte | Ergebnis | Vertiefung im Buch |
|---|---|---|---|---|
| 1. Technische Bereitschaft herstellen | Können KI-Systeme und Suchsysteme deine relevanten Inhalte finden, crawlen, rendern, interpretieren und verwenden? | Crawl-Check, Robots-Prüfung, Indexierungsstatus, Rendering-Test, technische SEO-Liste | Technische Blockaden sind sichtbar und priorisiert. | Kapitel 2 und 9 |
| 2. Scope und Prompts definieren | Für welche Zielgruppen, Prompts, Märkte, Sprachen, Produkte und KI-Oberflächen willst du sichtbar sein? | Projekt-Scope, Prompt-Gruppen, Ziel-Oberflächen, Wettbewerberliste, Ziel-KPIs | Der Untersuchungsraum ist messbar abgegrenzt. | Kapitel 5 und 6 |
| 3. Sichtbarkeit und Wettbewerb messen | Wird deine Marke erwähnt, zitiert oder empfohlen – und wie stabil ist das im Vergleich zu Wettbewerbern? | Baseline, Prompt-Runs, Antwortdaten, Quellenliste, Wettbewerbsvergleich | Du erkennst, wo du sichtbar bist, wo du fehlst und wer dominiert. | Kapitel 7 |
| 4. Grounding und Quellen verstehen | Welche Quellen, Suchanfragen, Auswahlkriterien und Informationsmuster prägen die KI-Antworten? | Quellenlandkarte, Grounding-Hypothesen, zitierte Domains, Quellentypen, Kriterien-Audit | Du erkennst Quellenmuster und formulierst überprüfbare Erklärungen für die beobachteten Antworten. | Kapitel 4, 7 und 10 |
| 5. Onpage-Optimierung | Welche eigenen Inhalte müssen verbessert oder neu erstellt werden, damit sie als verwertbare Antwortquelle dienen? | Content-Briefings, Seitenpriorisierung, Antwortmodule, Vergleichstabellen, Belege | Deine Website liefert bessere, klarere und belegbarere Antworten. | Kapitel 8 |
| 6. Offpage-Optimierung | In welchen externen Quellen muss deine Marke vorkommen, damit KI-Systeme sie als relevante Entität erkennen? | Earned-Media-Plan, Quellen-Outreach, Review-Strategie, Partner- und Verzeichnisliste | Deine Marke erscheint in den Informationsräumen, aus denen KI-Systeme Antworten bauen. | Kapitel 10 |
| 7. Monitoring und Tracking | Verbessern sich Erwähnungen, Zitationen, Empfehlungen, Sentiment und Wettbewerbsposition über die Zeit? | Monitoring-Set, KPI-Dashboard, Rohdatenarchiv, Quartalsreview, Maßnahmenlog | Das Thema wird als lernender Prozess gesteuert. | Kapitel 7 und 13 |
Take-away: Die Reihenfolge ist entscheidend. Wer direkt mit Content startet, optimiert oft an den tatsächlichen Antwort- und Quellenmustern vorbei.
1.1.1 · Das Vier-Schichten-Modell als Orientierung
Die sieben Phasen beschreiben den Ablauf. Das Vier-Schichten-Modell zeigt dir, auf welcher Ebene eine Maßnahme wirkt.
| Schicht | Leitfrage | Typische Artefakte | Zuordnung im Prozess |
|---|---|---|---|
| 1 · Nutzerverhalten verstehen | Welche Aufgaben, Fragen, Einwände und Entscheidungssituationen formuliert deine Zielgruppe in KI-Systemen? | Prompt-Portfolio, Rollen, Entscheidungsphasen, Sales- und Support-Fragen, Jobs-to-be-done | Vor allem Phase 2 |
| 2 · KI-Suchsysteme verstehen | Wie entstehen Antworten, Zitationen und Empfehlungen? | Retrieval-Hypothesen, Grounding-Analyse, Suchpfade, Mentions, Citations, Antwortvarianten | Vor allem Phase 3 und 4 |
| 3 · Inhalte und Quellen gestalten | Welche eigenen und externen Quellen braucht das System, um dich zu verstehen, zu zitieren oder zu empfehlen? | Content-Briefings, Quellenlandkarte, Earned-Media-Plan, Entity Briefing, Produktdaten | Vor allem Phase 5 und 6 |
| 4 · Sichtbarkeit messen und Organisation lernfähig machen | Wie erkennst du Trends, ohne Scheingenauigkeit zu erzeugen? | Prompt-Sampling, Analyzer-Setup, Rohdatenexporte, Quartalsreview, Verantwortlichkeiten | Vor allem Phase 3 und 7 |
Pro-Tipp: Nutze die Prozesslandkarte für die Projektsteuerung und das Vier-Schichten-Modell für Diskussionen im Team. So vermeidest du, dass technische, inhaltliche, strategische und organisatorische Fragen durcheinanderlaufen.
1.2 · Strategischer Readiness-Check
Dieser Check ersetzt die Frage »Brauchen wir GEO?« durch eine bessere: Wie viel SEO für KI-Suche brauchen wir jetzt, und wo fangen wir an? Bewerte jede Dimension mit 0, 1 oder 2 Punkten.
Die Instrumente zur Standortbestimmung haben unterschiedliche Aufgaben. Der Readiness-Selbsttest im Buch unterstützt die Investitionsentscheidung, dieser Check bereitet den Projektstart vor, die Scorecard prüft den operativen Prozess und der Agentic-Readiness-Kurzcheck betrachtet die Agenten-Tauglichkeit.
| Instrument | Zweck | Fundstelle |
|---|---|---|
| Readiness-Selbsttest | Ersteinschätzung für Investition und Stakeholder-Gespräch | Kapitel 5, S. 131–133 |
| Strategischer Readiness-Check | Projektbezogene Prüfung vor dem Start | Abschnitt 1.2 dieses Arbeitsbuchs |
| KI-Readiness-Audit | Operative Standortbestimmung mit Branchenbezug | Kapitel 11, ab S. 324 |
| KI-Sichtbarkeits-Audit-Scorecard | Ausführliches Audit entlang der sieben Prozessphasen | Abschnitt 1.12 dieses Arbeitsbuchs |
| Agentic-Readiness-Kurzcheck | Daten, Aktionen und Grenzen für Agenten prüfen | Abschnitt 1.16 dieses Arbeitsbuchs; Kapitel 14 |
Bewerte die folgenden acht Dimensionen mit 0, 1 oder 2 Punkten und notiere einen Beleg. Maximal sind 16 Punkte möglich. Ein leeres Feld bedeutet „ungeprüft“, nicht null Punkte.
| Dimension | 0 Punkte | 1 Punkt | 2 Punkte | Eigene Punkte | Beleg oder offene Aufgabe |
|---|---|---|---|---|---|
| Technische Bereitschaft | Wichtige Inhalte sind technisch nicht zugänglich. | Die SEO-Basis funktioniert teilweise; Sperren oder Rendering sind ungeklärt. | Wichtige Inhalte sind erreichbar, indexierbar und als Text verfügbar. | ||
| Informationsbedarf der Zielgruppe | Kaum relevante Beratungs- oder Auswahlfragen erkennbar. | Einzelne relevante Entscheidungsfragen bekannt. | Recherche, Vergleich und Vertrauen prägen wichtige Entscheidungen. | ||
| Scope-Klarheit | Produkte, Märkte und Oberflächen sind nicht eingegrenzt. | Erste Zielbereiche sind festgelegt. | Scope, Wettbewerber und Erfolgskriterien sind dokumentiert. | ||
| Prompt-Relevanz | Nutzerfragen sind nicht erfasst. | Erste Prompts aus Such-, Vertriebs- oder Supportdaten. | Versioniertes Portfolio aus realen Fragen mit Kontext und Folgefragen. | ||
| Messfähigkeit | Keine nachvollziehbare Baseline. | Erste dokumentierte Tests vorhanden. | Wiederholbares Setup mit Rohantworten, Quellen und Review-Rhythmus. | ||
| Quellenlage | Externe Angaben fehlen oder widersprechen sich. | Einzelne passende Drittquellen vorhanden. | Relevante Drittquellen bestätigen die Marke konsistent. | ||
| Content-Antwortfähigkeit | Wichtige Fragen bleiben unbeantwortet oder unbelegt. | Einzelne Seiten liefern passende Antworten. | Kernthemen sind klar, belegbar und mit Grenzen beantwortet. | ||
| Organisation | Zuständigkeiten und Zusammenarbeit sind ungeklärt. | Einzelne Schnittstellen funktionieren. | Verantwortung, Reviews und Eskalation sind geregelt. |
Der Informationsbedarf ist eine Relevanzfrage: Ein niedriger Wert bedeutet nicht automatisch schlechte Arbeit. Prüfe zuerst, ob der Einsatz für deine Zielgruppe sinnvoll ist. Ein hoher Gesamtwert rechtfertigt kein großes Programm, wenn relevante Entscheidungsfragen fehlen.
1.2.1 · Auswertung
Die Punktbereiche sind eine Arbeitshilfe zur Priorisierung, keine empirisch validierte Reifeprüfung. Werte erst aus, wenn alle Dimensionen geprüft sind. Kritische technische, rechtliche oder Sicherheitsblockaden stehen unabhängig von der Summe ausdrücklich im Ergebnis und werden vor dem Start des betroffenen Vorhabens geklärt.
| Punkte | Interpretation | Priorität |
|---|---|---|
| 0–6 | Fundament zuerst. Eine große KI-Sichtbarkeitsinitiative wäre verfrüht. | Technische Basis, Indexierung, Content-Struktur, Datenqualität, Entitätsklarheit. |
| 7–11 | Ansatzpunkte für einen begrenzten Pilot. Prüfe die offenen Aufgaben und starte mit einem eingegrenzten Themen-Cluster und kontrollierter Messung. | 20 bis 30 Prompts je Kernthema, passende Oberflächen, dokumentierte Wiederholungen und erste Quellenanalyse. |
| 12–16 | Gute Ausgangslage für einen laufenden Prozess. Prüfe anhand der Einzelbefunde, welche Aufgaben dauerhaft organisiert werden können. | Analyzer-Setup, Earned Media, Onpage-Backlog, Monitoring, Quartalsreview. |
Pro-Tipp: Bewerte nicht das ganze Unternehmen pauschal. Mache den Check je Geschäftsbereich, Produktkategorie, Markt oder Themen-Cluster. Bei einem B2B-SaaS-Produkt können die Grundlagen für einen laufenden Prozess bestehen, während ein anderes noch technische Basisarbeit braucht.
1.3 · Phase 1: Technische Bereitschaft herstellen
In dieser Phase prüfst du, ob deine Inhalte überhaupt die Chance haben, von KI-Systemen gefunden, verstanden und verwendet zu werden. Technische Bereitschaft ist mehr als die klassische Crawlability, also die Frage, ob Suchroboter eine Seite abrufen können. Deine Inhalte müssen auch so verfügbar sein, dass Suchsysteme, Live-Abruf-Systeme, Retrieval-Prozesse (das Heraussuchen passender Quellen vor der Antwort) und KI-Oberflächen sie sinnvoll verarbeiten können.
1.3.1 · Technische Mindestprüfung
| Prüffeld | Leitfrage | Typische Hinweise auf Probleme | Ergebnis |
|---|---|---|---|
| Crawlbarkeit | Können Suchmaschinen und relevante Abruf-Crawler wichtige Seiten erreichen? | Blockaden in robots.txt, WAF, CDN, fehlerhafte Statuscodes, inkonsistente Weiterleitungen | Blockadenliste mit Priorität |
| Indexierbarkeit | Sind wichtige Seiten indexierbar und in Suchsystemen auffindbar? | noindex, falsche Canonicals, dünne Seiten, fehlerhafte Sitemaps | Indexierungs- und Sitemap-Check |
| Rendering | Sind zentrale Inhalte ohne instabile Frontend-Logik sichtbar? | Inhalte nur nach JavaScript, Tabs ohne HTML-Inhalt, dynamische Module, Client-seitige Routen | Rendering-Risikoliste |
| Maschinenlesbarkeit | Sind Produkte, Leistungen, Preise, Autorität, Zielgruppen und Belege klar extrahierbar? | Informationen in Bildern, PDFs ohne HTML-Alternative, unklare Tabellen, versteckte Inhalte | Liste nicht-extrahierbarer Informationen |
| Informationsarchitektur | Finden Crawler und Nutzer:innen wichtige Seiten über interne Links? | Wichtige Seiten nur über Suche, Filter oder Kampagnenlinks erreichbar | Interne-Linking-Backlog |
| Strukturierte Daten | Unterstützen Markup und sichtbarer Text dieselben Aussagen? | Markup widerspricht sichtbarem Inhalt, veraltete Produktdaten, fehlende Autor:innenangaben | Markup-Korrekturen |
| Aktualitätssignale | Ist erkennbar, wann Inhalte geprüft oder aktualisiert wurden? | Keine Datumsangabe, veraltete Preise, alte Screenshots, nicht gepflegte Autor:innenprofile | Aktualisierungsplan |
| Lokalisierung | Sind Sprache, Markt, Region und Währung eindeutig? | Falsche hreflang-Signale, gemischte Sprache, unklare Länderbezüge | Internationalisierungs-Check |
Vorsicht: Erlaube oder blockiere KI-Crawler nicht pauschal. Training-Crawler, Such- und Zitations-Crawler und Live-Abruf-Bots erfüllen unterschiedliche Zwecke und verdienen unterschiedliche Entscheidungen (siehe Abschnitt „Wie KI-Systeme an deine Inhalte kommen“ (Kapitel 9, ab S. 280)). Die Entscheidung, was erlaubt oder blockiert wird, gehört nicht allein ins SEO-Team, sondern auch zu IT, Recht und Geschäftsführung.
1.3.2 · Checkliste für technische Bereitschaft
- Wichtige Seiten sind crawlbar, indexierbar und über interne Links erreichbar.
- Zentrale Inhalte stehen möglichst im initialen HTML zur Verfügung, etwa durch serverseitiges Rendering oder statische Ausgabe. Prüfe den tatsächlichen Abrufweg: Klassische Suchcrawler, direkte Abrufe und Browser-Agenten unterscheiden sich bei JavaScript.
- Robots.txt, Meta-Robots, Canonicals, Sitemaps, Statuscodes und Weiterleitungen sind geprüft.
- CDN, Firewall und WAF blockieren keine bewusst gewünschten Such- oder Live-Abruf-Crawler.
- Server-Logs werden regelmäßig auf KI-Crawler-Aktivität und 403-Blockaden ausgewertet.
- Produkt-, Leistungs-, Preis-, Verfügbarkeits- und Policy-Daten sind konsistent und maschinenlesbar.
- Autor:innen, Organisation, Marke, Produkte und Kategorien sind eindeutig benannt; passende
sameAs-Verknüpfungen zu offiziellen Profilen oder anderen Identitätsbelegen unterstützen die Zuordnung (siehe Abschnitt „Strukturierte Daten“ (Kapitel 9, ab S. 296)). - Strukturierte Daten werden serverseitig ausgegeben – und widersprechen dem sichtbaren Text nicht. Es gilt: sichtbarer Text vor Schema.
- Tabellen, Listen, Definitionen und Vergleiche sind nicht nur visuell, sondern auch textlich verwertbar.
- Wichtige PDFs, Bilder oder Videos haben verwertbare HTML-Zusammenfassungen oder Transkripte.
- Antwortzeiten sind stabil niedrig: Miss die Time to First Byte und untersuche langsame Antworten sowie Abbrüche getrennt. Ein allgemeingültiger TTFB-Grenzwert für KI-Zitationen lässt sich daraus nicht ableiten (siehe Abschnitt „Rendering und Performance“ (Kapitel 9, ab S. 301)).
- Aktualitätskritische Inhalte (Preise, Verfügbarkeiten, News) werden über IndexNow oder vergleichbare Wege aktiv an Suchsysteme gemeldet.
- Tracking- und Consent-Logik verhindert nicht, dass öffentliche Inhalte abrufbar bleiben.
Vorsicht: Eine
llms.txtist keine Voraussetzung für Googles KI-Suchfunktionen und ersetzt weder Crawlbarkeit noch gute Inhalte. Eine kompakte Anleitung kann für einen konkreten Agenten-Workflow nützlich sein; prüfe diesen Nutzen getrennt von Sichtbarkeitsversprechen (Kapitel 9, ab S. 293).
1.3.3 · Ergebnisvorlage: Technische Blockaden
Trage beobachtete Fehler mit Abrufweg und Prüfnachweis ein. Eine vermutete Auswirkung auf Sichtbarkeit bleibt eine Hypothese, bis du sie überprüft hast.
| Priorität | URL oder Bereich | System und Abrufweg | Beobachteter Fehler | Vermutete Auswirkung | Nachweis | Verantwortlich | Nächster Schritt und Prüftermin |
|---|---|---|---|---|---|---|---|
1.3.4 · Entscheidungshilfe: robots.txt-Strategien
Kapitel 9, ab S. 287, erläutert die Möglichkeiten und Grenzen der Crawler-Steuerung. Entscheide nach Zweck und Anbieter: Training, Suchindex, Quellenabruf und Agentenaktion sind unterschiedliche Nutzungssituationen.
| Strategie | Entscheidung | Passender Kontext | Grenze und Folge |
|---|---|---|---|
| Breiten Zugriff erlauben | Gewünschte Such-, Trainings- und Abrufsysteme zulassen. | Öffentliche Inhalte sollen breit gefunden und genutzt werden. | Zugriff ermöglicht Nutzung, garantiert aber weder Training noch Zitation. |
| Selektiv steuern | Regeln nach Bot und Zweck festlegen, etwa Training einschränken und Suche zulassen. | Unterschiedliche Sichtbarkeits-, Schutz- oder Lizenzinteressen. | Anbieterregeln und Mehrzweck-Bots prüfen; hoher Pflegebedarf. |
| Zugriff technisch beschränken | Gewählte Abrufe durch Authentifizierung, Server- oder CDN-Regeln verhindern. | Geschützte Inhalte oder begrenzte Berechtigungen. | Kann gewünschte Auffindbarkeit verringern; Kopien und frühere Indexeinträge verschwinden dadurch nicht automatisch. |
- Öffentliche und geschützte Inhalte sind unterschieden.
- Gewünschte und unerwünschte Nutzungszwecke sind mit IT, Recht und Geschäftsführung festgelegt.
- Aktuelle Anbieter-Dokumentationen, User-Agents und geeignete Verfahren zur Bot-Prüfung sind dokumentiert.
- Regeln in
robots.txt, Hosting, Firewall, WAF und CDN passen zusammen. - Tatsächliche Abrufe wurden überprüft; eine konfiguriert wirkende Regel allein ist noch kein Nachweis.
- Die Regeln werden mindestens quartalsweise und nach relevanten Anbieteränderungen geprüft.
robots.txt regelt kooperatives Crawling; sie ist keine Zugriffssicherung. Ein technischer Abrufblock und ein rechtlicher Nutzungsvorbehalt sind unterschiedliche Instrumente. Der Standard beschreibt diese Abgrenzung ausdrücklich (RFC 93091).
Entscheidungsprotokoll: Zweck / betroffene URLs / gewählte Bot-Regeln / Begründung / Verantwortung / Prüfdatum / Ergebnis des Abruf-Tests.
1.4 · Phase 2: Scope und Prompts definieren
Die Optimierung für KI-Suche beginnt nicht mit der Frage »Was müssen wir optimieren?«. Die bessere Startfrage lautet: Für welche Nutzerfragen, Märkte und Oberflächen in der KI-Suche wollen wir sichtbar sein?
Ein klar abgegrenzter Scope, also der definierte Untersuchungsraum, verhindert, dass du ein allgemeines KI-Sichtbarkeitsprojekt baust, das zwar groß wirkt, aber keine geschäftliche Entscheidung unterstützt.
1.4.1 · Scope-Canvas
| Feld | Leitfrage | Eintrag |
|---|---|---|
| Geschäftsziel | Welche Entscheidung soll durch bessere KI-Sichtbarkeit beeinflusst werden? | Leads, Verkäufe, Buchungen, Vertrauen, Markenpräferenz, Bewerbungen, Support-Entlastung |
| Produkt oder Themen-Cluster | Für welchen Bereich messen und optimieren wir zuerst? | Produktkategorie, Service, Beratungsfeld, Marktsegment |
| Zielgruppe | Wer stellt die Fragen? | Rolle, Branche, Wissensstand, Kaufphase, Region |
| KI-Oberflächen | Wo soll Sichtbarkeit entstehen? | Chatbots, KI-Suchmaschinen, klassische Suchergebnisse mit KI-Antworten, vertikale Assistenten |
| Sprache und Markt | In welcher Sprache und welchem Land werden Prompts getestet? | Deutsch / DACH, Englisch / USA, lokal, international |
| Wettbewerber | Welche Marken, Produkte oder Alternativen sollen im Vergleich beobachtet werden? | direkte Wettbewerber, Substitute, Marktplätze, Vergleichsportale |
| Prompt-Gruppen | Welche Intents bilden den Markt ab? | Information, Vergleich, Empfehlung, Kaufberatung, Risiko, lokal, Follow-up |
| Erfolgskriterien | Woran erkennen wir Fortschritt? | Mention Share, Citation Share, Recommendation Share, Sentiment, Stabilität, Traffic, Leads |
1.4.2 · Prompt-Portfolio-Framework
Ein Prompt-Portfolio ist keine Sammlung zufälliger Fragen, sondern ein strategisches Modell deines Marktes. Die Auswahl der Prompts entscheidet, welche Realität du am Ende misst.
| Baustein | Leitfrage | Beispiel |
|---|---|---|
| Rolle | Wer fragt? | Geschäftsführung, IT-Leitung, Einkauf, Endkund:in, Student:in |
| Situation | In welcher Entscheidungslage befindet sich die Person? | erste Orientierung, Vergleich, Anbieterwahl, Risikoabsicherung, Umsetzung |
| Aufgabe | Was soll die KI leisten? | erklären, vergleichen, priorisieren, empfehlen, zusammenfassen, planen, handeln |
| Kriterien | Nach welchen Kriterien wird ausgewählt oder eliminiert? | Preis, DSGVO, Integration, Erfahrung, Lieferzeit, Verfügbarkeit, Zertifizierung |
| Kontext | Welche Einschränkungen machen die Frage individuell? | Branche, Unternehmensgröße, Budget, Region, technisches Setup, Vorwissen |
| Folgefrage | Was fragt die Person als Nächstes? | »Welche Anbieter passen dazu?«, »Was kostet das?«, »Welche Risiken gibt es?« |
| Erwartete Entitäten | Welche Marken, Produkte, Kategorien oder Personen müssten auftauchen? | eigene Marke, Wettbewerber, Produktkategorie, Standards, Autor:innen |
| Quellenhypothese | Welche Quellen könnten die Antwort prägen? | eigene Website, Vergleichsportal, Fachmedium, Review-Plattform, Forum, Studie |
1.4.3 · Quellen für die Prompt-Recherche
| Quelle | Was du daraus ableitest | Typische Frage |
|---|---|---|
| SEO-Keywords | Themen, Suchintents, Nachfragecluster | Welche Informationsbedürfnisse stecken hinter bestehenden Rankings? |
| Sales-Calls | Auswahlkriterien, Einwände, Wettbewerbervergleiche | Welche Fragen stellen Interessent:innen kurz vor der Entscheidung? |
| Support-Anfragen | Probleme, Risiken, Missverständnisse, Fachsprache | Welche Formulierungen nutzen echte Kund:innen? |
| Interne Suche | konkrete Informationslücken auf der Website | Was finden Nutzer:innen nicht schnell genug? |
| Kund:inneninterviews | natürliche Sprache und Entscheidungskontext | Wie würden Kund:innen eine KI um Hilfe bitten? |
| Customer Journey | Reihenfolge aus Erstinformation, Vergleich, Validierung und Handlung | Welche Folgefragen entstehen nach der ersten Antwort? |
| Wettbewerbsanalyse | Alternativen und Vergleichskriterien | Welche Anbieter werden als passende Lösung wahrgenommen? |
1.4.4 · Minimum-Prompt-Set für den Einstieg
Beginne mit 20 bis 30 realistischen Prompts je priorisiertem Thema. Sammle sie aus Search Console, Vertrieb, Support und Gesprächen mit Kundinnen und Kunden. Verteile sie über drei bis fünf Themen-Cluster, wenn du den Untersuchungsraum erweiterst. Eine größere Zahl allein macht das Set nicht repräsentativ.
| Prompt-Typ | Prüffrage für das Portfolio |
|---|---|
| Information | Werden wichtige Begriffe und Probleme erklärt? |
| Vergleich | Werden Alternativen, Auswahlkriterien und Ausschlüsse sichtbar? |
| Entscheidung | Werden Kauf, Anfrage, Buchung oder Anbieterwahl vorbereitet? |
| Einwand und Risiko | Werden Kosten, Grenzen, Fehler und Vorbehalte erfasst? |
| Markt und Region | Sind Sprache, Standort, Verfügbarkeit und Zielmarkt berücksichtigt? |
| Folgefrage | Sind zwei bis drei plausible weitere Gesprächsschritte dokumentiert? |
Halte für jede Messwelle den Wortlaut und die Zusammensetzung konstant. Änderungen am Portfolio bekommen eine neue Version; vergleiche die bisherigen Prompts als gemeinsamen Kern weiter. Entferne keine wichtigen Fragen, nur weil deine Marke dort schlecht abschneidet.
Prüfe den Einstieg zunächst manuell in zwei bis drei relevanten Systemen. Für ein breiteres Monitoring wählst du die Oberflächen deiner Zielgruppe, häufig drei bis fünf. Plane im Sinn der Buchmethodik zunächst mindestens fünf Läufe je Prompt und Oberfläche ein und prüfe anschließend, wie stark Antworten und Quellen noch schwanken. Wiederholungen zeigen Streuung, ersetzen aber weder ein passendes Prompt-Set noch die Kontrolle von Personalisierung und Abrufweg.
Methodenstand 3. November 2026: Plane Prompt-Breite und Wiederholungen nach deiner Untersuchungsfrage. Für die Abdeckung eines Marktes oder Themas brauchst du unterschiedliche, begründet ausgewählte Fragen. Wiederholte identische Abrufe helfen, Streuung und Veränderungen im festen Set zu untersuchen. Die fünf Läufe bleiben eine praktische Einstiegsregel für diese Prüfung, keine statistische Mindestzahl mit garantierter Genauigkeit. Bei begrenztem Budget prüfst du vor zusätzlichen Wiederholungen, ob wichtige Themen, Intents oder Zielgruppen noch fehlen.
Eine SISTRIX-Analyse vom 28.10.20262 findet in den eigenen Messreihen einen starken Nutzen breiterer Prompt-Sets. Ihr Referenzpool und ihre Fehlerspannen sind nicht automatisch auf dein Projekt übertragbar. Ein selbst gewähltes Set misst zunächst dieses Set; für eine Aussage über den gesamten Markt musst du Auswahl und Gewichtung gesondert begründen. Forschung zu Markenempfehlungen3 untersucht sowohl wiederholte Antworten als auch veränderte Nutzerbedürfnisse – beide können die beobachteten Marken und Ränge verändern.
Pro-Tipp: Nutze zwei bis vier Hero-Prompts je Cluster in knapper, konversationeller und entscheidungsnaher Form als Ergänzung. Formulierungsvarianten und identische Wiederholungen erfüllen unterschiedliche Zwecke; werte sie getrennt aus (Kapitel 6, ab S. 157; Kapitel 7, ab S. 221).
1.4.5 · Brand-Nähe: Prompt-Klassen für die Messung
Neben dem Intent entscheidet die Markennähe eines Prompts darüber, was du eigentlich misst. Mische diese Klassen nie in einer Kennzahl (siehe Abschnitt „Prompt-Klassen niemals mischen“ (Kapitel 7, ab S. 209)).
| Prompt-Klasse | Beispiel | Was sie misst |
|---|---|---|
| Generische Problem-Prompts (Non-Brand) | »Wie organisiere ich Kundenkontakte in einem kleinen Team?« | Sichtbarkeit bei einer Problemfrage, ohne eine Produktkategorie oder Marke vorzugeben. |
| Kategoriennahe Prompts (Soft-Brand) | »Welche CRM-Werkzeuge eignen sich für kleine B2B-Teams?« | Präsenz bei einer markennahen Kategoriefrage, ohne eine konkrete Marke zu nennen. |
| Branded Prompts | »Anbieter A oder Anbieter B – was passt besser?« | Direkte Vergleiche und Markenwahrnehmung. |
| Bedenken-Prompts | »Ist Anbieter A DSGVO-konform?« | Narrative, Einwände und Risiken rund um die Marke. |
Pro-Tipp: Teste deine wichtigsten Prompt-Gruppen zusätzlich auf Englisch. Englische Quellen können auch deutsche Antworten prägen. Eine zusätzliche englische Stichprobe hilft, solche Unterschiede zu untersuchen (siehe Abschnitt „Die Sprachbrücke“ (Kapitel 6, ab S. 175)).
Vorsicht: Ein einzelner Prompt ist noch keine Nachfrage, ein Prompt-Set ist eine Stichprobe. Berichte deshalb nie »KI-Sichtbarkeit = 37 Prozent«, ohne zu erklären, welches Prompt-Set, welche Systeme, welche Wiederholungen und welche Messmethode dahinterstehen.
1.4.6 · Prompt-Dokumentationsvorlage
| Feld | Eintrag |
|---|---|
| Prompt-ID | CRM-B2B-COMP-001 |
| Prompt | »Vergleiche HubSpot, Salesforce und Pipedrive für ein B2B-SaaS-Unternehmen mit 50 Mitarbeitenden.« |
| Prompt-Gruppe | Vergleich / Anbieterrecherche |
| Rolle | Marketing-Leitung |
| Phase | Evaluation |
| Sprache und Markt | Deutsch / DACH |
| Ziel der Antwort | Vergleich und Vorauswahl |
| Erwartete Entitäten | eigene Marke, 3 Wettbewerber, relevante Integrationen |
| Erwartete Quellen | eigene Vergleichsseite, Fachmedien, Review-Plattformen, Kundencases |
| Ziel-Oberflächen | Chatbot, KI-Suchmaschine, Suchoberfläche mit KI-Antwort |
| Testumgebung | Plattform, Modell, Sprache, Land, Login-Status, Datum, Gerät |
| Wiederholungen | Anzahl Runs pro Oberfläche |
| Ergebnisfelder | Mention, Citation, Recommendation, Sentiment, Wettbewerber, Quellen, Fehler, Antworttyp |
| Nächster Schritt | Content-Lücke, PR-Ziel, technische Prüfung, Produktdatenproblem oder keine Aktion |
Take-away: Ohne ein zum Untersuchungsziel passendes Prompt-Set gibt es keine belastbare Analyse. Dein Prompt-Portfolio ist der Messrahmen für das gesamte Projekt.
1.5 · Phase 3: Sichtbarkeit und Wettbewerb messen
Sobald Scope, Ziel-Oberflächen und Prompt-Gruppen stehen, misst du die Sichtbarkeit. Es geht nicht nur darum, ob deine Marke einmal auftaucht. Entscheidend ist, wie stabil sie über Prompts, Oberflächen und Wiederholungen hinweg erwähnt, zitiert oder empfohlen wird.
1.5.1 · Zwei Sichtbarkeiten, zwei Messmodi
Bevor du misst, lege fest, was du misst. Abschnitt „Zwei Arten von Sichtbarkeit“ (Kapitel 7, ab S. 194) unterscheidet zwei Arten von Sichtbarkeit, die unterschiedliche Messmodi brauchen:
| Parametrische Sichtbarkeit | Dynamische Sichtbarkeit | |
|---|---|---|
| Was sie misst | Was das Modell über deine Marke »weiß« – ohne Web-Suche | Was Nutzer:innen sehen, wenn das System live recherchiert |
| Messmodus | Punktuelles Audit, etwa alle zwei bis drei Monate oder nach Modell-Updates | Laufendes Monitoring über ein kleineres, geschäftsrelevantes Prompt-Set |
| Veränderung | Kann durch Modellwechsel, Einstellungen und Antwortstreuung variieren. | Kann zusätzlich durch aktuelle Quellen, Suchpfade und Oberflächen variieren. |
| Wichtigste Hebel | PR, Markenarbeit, Entitätsklarheit, Wikipedia/Wikidata | Technisches SEO, Struktur, zitierfähige Inhalte, Aktualität |
1.5.2 · Drei Layer, drei Messpunkte
Sichtbarkeit entsteht in einer Pipeline. Miss an allen drei Stufen, damit du Probleme der richtigen Ursache zuordnest (siehe Abschnitt „Drei-Ebenen-Tracking“ (Kapitel 7, ab S. 198)):
| Layer | Was du beobachtest | Typische Datenquelle |
|---|---|---|
| Crawl-Layer | Rufen KI-Bots deine Inhalte überhaupt ab? Welche Bot-Typen, wie oft? | Server-Logfiles |
| Retrieval-Layer | Wird bei relevanten Prompts eine Web-Suche ausgelöst – und tauchen deine Inhalte in den Teilanfragen auf? | Testläufe, Fan-out-Analysen |
| Answer-Layer | Wirst du in der Antwort erwähnt, zitiert oder empfohlen – und in welchem Kontext? | Prompt-Runs, Monitoring-Tools |
1.5.3 · Messmatrix
Die einfache Formel lautet:
Ein Messpunkt ist eine dokumentierte Kombination aus Prompt, Oberfläche, Umgebung, Wiederholung und Zeitpunkt.
| Element | Warum es wichtig ist | Beispiel |
|---|---|---|
| Prompt | Definiert den Nutzerintent. | »Welche CRM-Systeme eignen sich für ein B2B-SaaS-Unternehmen?« |
| Oberfläche | KI-Systeme suchen, zitieren und empfehlen unterschiedlich. | Chatbot, KI-Suche, Suchergebnis mit KI-Antwort |
| Wiederholung | Antworten sind nicht deterministisch. | zunächst mindestens fünf Läufe je Prompt und Oberfläche; Streuung prüfen |
| Zeitpunkt | Antworten verändern sich durch Modell-, Index- und Quellenänderungen. | Datum, Uhrzeit, Messwelle |
| Testumgebung | Login, Sprache, Standort und Personalisierung können Ergebnisse beeinflussen. | anonym / eingeloggter Account, Deutsch / Englisch, Deutschland / USA |
1.5.4 · Was gemessen wird
| Messfeld | Leitfrage | Typischer Wert |
|---|---|---|
| Mention | Wird die Marke, das Produkt oder eine relevante Entität erwähnt? | ja / nein / unklar |
| Citation | Wird die eigene Domain oder eine relevante Drittquelle zitiert? | URL, Domain, Quellentyp |
| Recommendation | Wird die Marke aktiv empfohlen oder als passende Lösung genannt? | empfohlen / gelistet / nicht empfohlen |
| Position im Antwortset | Wo erscheint die Marke in Listen, Tabellen oder Empfehlungen? | Rang, Abschnitt, Prominenz |
| Sentiment | Wie ist die Tonalität der Erwähnung? | positiv / neutral / kritisch |
| Stance | Welche Auswahlhaltung nimmt das System ein? | empfehlend / listend / neutral / abratend |
| Wettbewerber | Welche Alternativen werden genannt oder bevorzugt? | Markenliste, Gewinner, Verlierer |
| Quellenmix | Welche Domains und Quellentypen prägen die Antwort? | Owned, Earned, Community, Reviews, Datenbanken |
| Fehler | Enthält die Antwort falsche, veraltete oder riskante Aussagen? | Faktfehler, veraltete Preise, falsche Verfügbarkeit |
Erwähnung, Zitierung und Empfehlung sind getrennte Größen. Eine Erwähnung ohne Zitat kann ein Anlass sein, die Quellenrolle eigener Inhalte zu prüfen. Ein Zitat ohne Empfehlung kann auf fehlende Auswahlargumente hinweisen; bei reinen Informationsfragen ist eine Empfehlung aber oft gar nicht zu erwarten. Prüfe den Intent und die Quellen, bevor du daraus eine Maßnahme ableitest (Kapitel 7, S. 200–214).
1.5.5 · Sichtbarkeitsdiagnose
Nutze diese Fragen, bevor du Maßnahmen ableitest:
- Wird die eigene Marke überhaupt genannt?
- Wird sie als Anbieter empfohlen oder nur neutral erwähnt?
- Wird die eigene Website zitiert oder nur eine Drittquelle?
- Welche Wettbewerber erscheinen häufiger, prominenter oder positiver?
- Welche Domains dominieren die Antwort?
- Welche Quellentypen werden bevorzugt: Fachmedien, Vergleichsportale, Foren, Reviews, Studien, Shops, Datenbanken?
- Sind Antworten über mehrere Runs stabil oder stark volatil?
- Tauchen wiederkehrende falsche Aussagen, Lücken oder veraltete Informationen auf?
- Gibt es Prompt-Gruppen, in denen die Marke stark ist, und andere, in denen sie fehlt?
- Unterscheiden sich KI-Oberflächen deutlich voneinander?
Pro-Tipp: Bewerte Sichtbarkeit nie nur auf Gesamtmarkenebene. Segmentiere nach Prompt-Gruppe, KI-Oberfläche, Sprache, Markt und Wettbewerbsset. Genau dort entstehen die handlungsrelevanten Muster.
1.5.6 · Run-Log-Vorlage
Speichere die Rohantworten unter einer eindeutigen Run-ID. Die Tabelle beschreibt das Ergebnis; die Rohdaten bleiben der Nachweis.
| Run-ID | Datum und Uhrzeit | Prompt-ID und Version | Oberfläche, Modell, Modus | Markt, Sprache, Login und Memory | Lauf und Turn | Suche ausgelöst | Marke erwähnt | Eigene Domain zitiert | Empfehlung und Stance | Sentiment | Quellen und Wettbewerber | Rohantwort und Fehlernotiz |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
Nicht sichtbare Modellnamen oder Suchvorgänge kennzeichnest du als „nicht erkennbar“. Ein fehlender Nachweis ist kein bestätigtes Nein.
Ergänze im Messprotokoll den Laufzweck (regelmäßiges Tracking oder gezielte Einzelanalyse), den Auswertungsstand und die Version der Analyse- und Klassifikationsregeln. Halte fest, ob ein optionaler Aussagen-Quellen-Abgleich nicht beauftragt, noch offen, fehlgeschlagen oder erfolgreich durchgeführt wurde. Eine fertig abgerufene Antwort ist nicht automatisch vollständig analysiert.
Take-away: Die Baseline beschreibt Sichtbarkeit unter dokumentierten Bedingungen. Sie ist keine Vollerhebung der Antworten aller echten Nutzerinnen und Nutzer.
1.6 · Der AI Visibility Analyzer als Messsystem
Einzelne Screenshots reichen für GEO nicht aus. Du brauchst ein Messsystem, das Antworten, Quellen, Entitäten, Wettbewerber und Veränderungen wiederholbar erfasst. Diese Rolle übernimmt ein geeignetes Analysewerkzeug oder ein nachvollziehbarer interner Messprozess. „AI Visibility Analyzer“ bezeichnet hier diese methodische Funktion; daraus ergibt sich keine zusätzliche Software-Beigabe zum Buch.
Der Analyzer ist kein reines Dashboard. Er führt Projekt- und Prompt-Daten zu auswertbaren Sichtbarkeits- und Quellenkennzahlen zusammen.
1.6.1 · Input des Analyzer-Prozesses
| Input | Beschreibung |
|---|---|
| Projekt | Marke, Domain, Produkte, Märkte, Sprachen, Geschäftsziele |
| Entitäten | Markenname, Produktnamen, Autor:innen, Kategorien, Synonyme, Schreibweisen |
| Wettbewerber | direkte Wettbewerber, Alternativen, Marktplätze, Vergleichsportale, Substitute |
| Prompt-Gruppen | Informations-, Vergleichs-, Empfehlungs-, Kauf-, Risiko-, lokale und Follow-up-Prompts |
| Ziel-Oberflächen | relevante Chatbots, KI-Suchmaschinen und Suchoberflächen mit KI-Antworten |
| Wiederholungen | Anzahl der Runs pro Prompt und Oberfläche |
| Analyseumfang | Regelmäßiges Sichtbarkeits-Tracking oder vertiefte Analyse; Aussagen-Quellen-Abgleich bei Bedarf gesondert beauftragen |
| Quellenregeln | Welche Domains, Quellentypen und Crawlerdaten werden angereichert? |
| Klassifikationsregeln | Definitionen und Versionen der Seiten-, Inhaltsformat- und Domaintypen sowie Regeln für Entitäten und Aussagen |
| KPI-Set | Mention Share, Citation Share, Recommendation Share, Entity-Win-Rate, Sentiment, Stabilität |
1.6.2 · Die sechs Schritte des Analyzers
Das folgende Raster beschreibt einen möglichen vertieften Analyseprozess. Quellen-Crawling, Textzerlegung, LLM-Klassifikation und semantisches Matching sind optionale Vertiefungen; ein kleiner Pilot kann mit Rohantworten, sichtbaren Links und manueller Prüfung beginnen.
| Schritt | Zweck | Ergebnis |
|---|---|---|
| 1 · Setup | Projekt, Domains, Marken, Wettbewerber, Prompt-Gruppen, Oberflächen und Messlogik definieren. | Versionierter Messrahmen |
| 2 · Scrape oder Abruf | Prompts über definierte KI-Oberflächen mehrfach abfragen. | Rohantworten, Zeitstempel, Testumgebung, sichtbare Quellen |
| 3 · Quellen anreichern | Zitierte oder erkannte URLs abrufen, normalisieren und nach dokumentierten Kategorien einordnen; für eine Vertiefung in Textabschnitte zerlegen. | Quellenkorpus mit URL, Domain, Quellentyp, Text, Datum, Metadaten und Klassifikationsversion |
| 4 · LLM-Analyse | Entitäten und Aussagen mit Belegauszügen aus der Antwort erfassen, Haltung und Antwortform nach definierten Regeln einordnen und Ausgaben prüfen. | Strukturierte Antwortobjekte mit Originalformulierungen, Belegen und nachvollziehbarem Prüfstatus |
| 5 · Matching bei Bedarf | Aussagen semantisch mit Textabschnitten des untersuchten Quellenkorpus abgleichen. | Ähnlichkeitstreffer als Hinweise auf mögliche Quellenbezüge |
| 6 · Reports & Export | Sichtbarkeit, Zitationen, Empfehlungen, Quellen und Wettbewerber auswerten. | Reports, Rohdatenexporte, Maßnahmenlisten, Management-Zusammenfassung |
Tracking und Vertiefung haben unterschiedliche Aufgaben. Ein regelmäßiger Lauf kann Markenpräsenz, sichtbare Zitationen, Quellen und Veränderungen auswerten, während der semantische Aussagen-Quellen-Abgleich erst bei einer konkreten Analysefrage hinzukommt. Dokumentiere den Umfang je Lauf. „Nicht durchgeführt“ ist ein eigener Zustand und bedeutet nicht, dass für sämtliche Aussagen eine Quelle fehlt.
Automatische Extraktion braucht Belege und Qualitätskontrolle. Ein als Beleg gespeicherter Auszug muss im analysierten Antworttext vorkommen; bei Aussagen muss auch die Originalformulierung nachvollziehbar sein. Prüfe Ausgaben auf zulässige Felder und Werte und halte verworfene Einträge sowie fehlgeschlagene Analyseschritte sichtbar. Ein formal gültiges Ergebnis oder ein vorhandenes Zitat bestätigt noch nicht die sachliche Richtigkeit der Aussage. Automatisch vergebene Themenlabels beschreiben zunächst den Inhalt; ein Trend entsteht daraus erst durch eine definierte Aggregation.
Kategorien sind Teil der Messmethode. Halte Seiten-, Inhaltsformat- und Domaintypen in verständlichen, versionierten Listen fest. Bewahre die Bedeutung älterer Labels und speichere die für eine Klassifikation verwendete Version. Neue oder geänderte Kategorien können Zeitvergleiche beeinflussen; ein unverändertes Prompt-Set allein garantiert keine vergleichbare Auswertung.
Vorsicht: Ein Ähnlichkeitstreffer beweist weder, dass eine Quelle tatsächlich abgerufen wurde, noch dass sie eine Aussage sachlich bestätigt. Ein fehlender Treffer belegt umgekehrt keinen Faktenfehler; er hängt auch vom Quellenkorpus, den verfügbaren Texten und der Abgleichmethode ab. Sachliche Prüfung und Quellenbezug bleiben getrennte Aufgaben.
1.6.3 · Qualitätscheck für Analyzer-Daten
- Prompts sind versioniert und nach Gruppen, Rollen, Märkten und Phasen dokumentiert.
- Runs werden mehrfach pro Prompt und Oberfläche durchgeführt.
- Rohantworten bleiben gespeichert und exportierbar.
- Zitierte Quellen werden mit URL, Domain, Quellentyp, Datum und Abrufzeitpunkt gespeichert.
- Quelleninhalte werden bei vertiefter Quellenanalyse nachvollziehbar normalisiert; Abruf- und Verarbeitungsfehler bleiben sichtbar.
- Klassifikationslisten haben definierte Bedeutungen und Versionen; freie Themenlabels werden von festen Kategorien unterschieden.
- Extraktionen besitzen nachvollziehbare Belegauszüge; verworfene Einträge und Analysefehler werden mitgeführt.
- Mentions, Citations, Recommendations und Sentiment werden getrennt klassifiziert.
- Kennzahlen und Tool-Felder haben dokumentierte Bezugsgrößen: Eine positive Haltung ist keine eigene Empfehlungsquote, ein Extraktionsrang nicht automatisch eine Listenposition.
- Wettbewerber werden mit Varianten, Schreibweisen und Produktnamen erkannt.
- Analysegrenzen wie gekürzte Texte oder eine begrenzte Zahl extrahierter Entitäten werden bei der Interpretation berücksichtigt.
- Laufzweck und Abgleichstatus sind dokumentiert; nicht beauftragte, offene und fehlgeschlagene Prüfungen werden von Ergebnissen unterschieden.
- Nicht-Determinismus wird durch Wiederholungen und Stabilitätskennzahlen berücksichtigt.
- Methodikänderungen an Prompts, Analysemodellen, Kategorien und Berechnung werden dokumentiert und vor Zeitvergleichen geprüft.
- Reports zeigen Rohdaten und Begründungen, nicht nur verdichtete Scores.
1.6.4 · Analyzer-Output: Vom Report zur Maßnahme
| Befund | Mögliche Ursache | Maßnahme |
|---|---|---|
| Marke wird selten erwähnt. | Prompts passen nicht zu vorhandenen Quellen, Entität ist extern schwach, Wettbewerber dominieren. | Prompt-Gruppe prüfen, Entitätsseiten stärken, Drittquellen priorisieren. |
| Eigene Domain wird selten zitiert. | Inhalte sind nicht crawlbar, nicht direkt genug, nicht belegbar oder nicht die bevorzugte Quellenart. | technische Prüfung, Content-Überarbeitung, bessere Antwortmodule. |
| Wettbewerber wird häufiger empfohlen. | Wettbewerber ist in Vergleichsquellen präsenter oder wird mit besseren Kriterien beschrieben. | Vergleichsinhalte, Reviews, PR, Partnerseiten, Cases ausbauen. |
| Antwort nennt falsche Fakten. | Veraltete Drittquellen, inkonsistente Produktdaten oder schwache Entitätsklarheit. | Daten bereinigen, autoritative Quelle schaffen, externe Profile aktualisieren. |
| Sichtbarkeit schwankt stark. | Prompt ist breit, Oberfläche volatil, Quellenlage uneindeutig. | Prompt-Gruppe differenzieren, mehr Runs, Quellenmuster genauer analysieren. |
Take-away: Der Analyzer beantwortet nicht nur »Wie sichtbar sind wir?«, sondern vor allem: Welche Muster sehen wir, welche Erklärungen sind plausibel und was prüfen wir als Nächstes?
1.7 · Phase 4: Grounding und Quellen verstehen
Nach der Sichtbarkeitsmessung folgt die wichtigste strategische Analyse: Auf welchen Quellen basieren die KI-Antworten?
Grounding bedeutet hier, dass KI-Antworten nicht nur aus dem Modellwissen entstehen, sondern häufig durch zusätzliche Quellen, Suchprozesse, Retrieval-Systeme oder Drittkontexte geprägt werden. Diese Quellen entscheiden mit, welche Marken erwähnt, welche Inhalte zitiert und welche Empfehlungen ausgesprochen werden.
1.7.1 · Quellenstrategie-Matrix
| Quellentyp | Wofür wichtig | Typische Maßnahmen | Messpunkt |
|---|---|---|---|
| Owned Media | Eigene Position, Produktdetails, Definitionen, Daten, Preise, FAQs | Pillar Pages, Vergleichsseiten, Produktdaten, Hilfecenter, Studien, Cases | Wird die eigene Domain zitiert oder als Autorität genutzt? |
| Earned Media | unabhängige Bestätigung, Autorität, Vertrauen | Fachmedien, Gastbeiträge, Studien, Expertenzitate, Awards, Interviews | Welche Drittquellen werden zitiert oder wirken als Bestätigung? |
| Community & Reviews | Erfahrung, Reputation, reale Sprache | Foren, Communities, YouTube, Review-Plattformen, Branchenportale | Welche Erfahrungen, Einwände und Bewertungen werden übernommen? |
| Partner & Affiliate | Produktplatzierung in fremden Entscheidungsumgebungen | Partnerseiten, Vergleichsportale, Branchenlisten, Marktplätze | Taucht die Marke in Empfehlungssets auf? |
| Datenbanken & Knowledge Bases | Entitätsklarheit und Faktenkonsistenz | Branchendatenbanken, Register, Produktfeeds, Unternehmensprofile | Sind Kernfakten konsistent und maschinenlesbar? |
| Offizielle Dokumente | Vertrauen, Compliance, rechtliche oder fachliche Sicherheit | Richtlinien, Normen, Whitepaper, Dokumentationen, öffentliche Daten | Welche offiziellen Quellen prägen die Antwort? |
| Agentic Surfaces | Handlungsfähigkeit, Shopping, Buchung, Verfügbarkeit | Merchant Center, Produktfeeds, APIs, Buchungssysteme, Schnittstellen | Kann ein Agent korrekt vergleichen, auswählen oder handeln? |
Take-away: Deine Website ist der Anker. Deine Quellenlandschaft entscheidet, ob KI-Systeme dir glauben.
1.7.2 · Grounding-Fragen
- Welche Quellen werden wiederholt zitiert?
- Welche Domains erscheinen über mehrere KI-Oberflächen hinweg?
- Welche Quellen beeinflussen Antworten, obwohl sie nicht immer sichtbar zitiert werden?
- Welche Quellentypen dominieren je Prompt-Gruppe?
- Welche Inhalte sorgen dafür, dass eine Marke empfohlen wird?
- Welche Formulierungen, Belege, Vergleiche oder Entitäten tauchen regelmäßig auf?
- Welche Suchanfragen könnte das System intern oder über eine Suchmaschine ausgelöst haben?
- Welche Drittquellen stellen Wettbewerber besser, vollständiger oder vertrauenswürdiger dar?
- Welche Quellen enthalten veraltete oder falsche Informationen über die eigene Marke?
- Welche Quellen fehlen, obwohl sie aus Nutzersicht relevant wären?
1.7.3 · Grounding-Hypothesen-Vorlage
| Prompt-Gruppe | Dominierende Quellen | Wiederkehrende Aussagen | Mögliche Lücke | Hypothese | Maßnahme |
|---|---|---|---|---|---|
| Vergleich | Vergleichsportal, Fachmedium, Review-Seite | Wettbewerber B wird als einfacher Einstieg genannt. | Eigene Vergleichsseite fehlt oder ist zu werblich. | KI-Systeme bevorzugen neutrale Kriterienlisten. | Eigene Vergleichsseite mit Kriterien, Grenzen und Belegen erstellen. |
| Risiko | Forum, Support-Artikel, alte Review-Seite | Falscher Hinweis auf fehlende DSGVO-Funktion. | Veraltete Drittquelle dominiert. | Externe Information wurde nicht korrigiert. | Autoritative Datenschutzseite schaffen, Drittprofil aktualisieren. |
1.7.4 · Quellenpriorisierung
Nicht jede Quelle verdient denselben Aufwand. Priorisiere externe Quellen nach ihrer Wirkung und nach der Frage, wie gut du sie beeinflussen kannst.
| Kriterium | Leitfrage | Bewertung |
|---|---|---|
| Zitationshäufigkeit | Wird die Quelle wiederholt sichtbar zitiert? | hoch / mittel / niedrig |
| Möglicher Einfluss auf Empfehlungen | Gibt es Belege oder eine plausible Hypothese, dass die Quelle Auswahlentscheidungen beeinflusst? | hoch / mittel / niedrig |
| Quellenautorität | Wird die Quelle von mehreren Oberflächen oder Prompt-Gruppen genutzt? | hoch / mittel / niedrig |
| Entitätsrelevanz | Enthält die Quelle deine Marke, Produkte, Kategorie oder Wettbewerber? | hoch / mittel / niedrig |
| Aktualisierbarkeit | Kannst du die Information direkt oder indirekt beeinflussen? | hoch / mittel / niedrig |
| Risiko | Enthält die Quelle falsche, kritische oder veraltete Aussagen? | hoch / mittel / niedrig |
Pro-Tipp: Beginne nicht mit den größten Medien, sondern mit den Quellen, die KI-Systeme bereits für deine Prompt-Gruppen nutzen. Prüfe anschließend Entscheidungsrelevanz, Evidenz und erreichbare Veränderung; häufige Zitierung allein begründet keine hohe Priorität.
1.7.5 · Eliminations-Check: die sechs Wettbewerbsdimensionen
Das Eliminationsmodell aus Kapitel 4 hilft, Ausschlusskriterien zu erkennen: Wer ein wichtiges Kriterium nicht erfüllt oder widersprüchlich darstellt, kann aus einer Vorauswahl fallen. Nutze das Modell zur Diagnose; es ist keine vollständige Beschreibung jeder internen KI-Entscheidung. Prüfe deine Marke deshalb entlang der sechs Wettbewerbsdimensionen – nicht auf Spitzenleistung in einer, sondern auf Schwellenwerte in allen.
| Dimension | Leitfrage | Typische Belege und Quellen |
|---|---|---|
| Experience Integrity | Funktionieren Website, Produkt und Service zuverlässig? | Ladezeiten, Usability, funktionierende Kernprozesse |
| Physical Availability | Ist die Marke dort präsent, wo Entscheidungen fallen? | Website, Marktplätze, Verzeichnisse, strukturierte Daten, Reviews |
| Mental Availability | Kommt die Marke in relevanten Entscheidungssituationen in den Sinn? | Brand Search, Kategorie-Assoziationen, Bekanntheit |
| Distinctiveness | Ist die Marke eindeutig wiedererkennbar und verwechslungsfrei? | Name, Visuals, Sprache, konsistente Entitätssignale |
| Reputation | Welche Erzählung entsteht über die Marke? | Reviews, Fachmedien, Foren, Communities, Sentiment |
| Commercial Proof | Gibt es echte Marktnachweise? | Nachfrage, Referenzen, Wiederkauf, Empfehlungen |
Kriterien-Audit (90 Minuten): Setzt SEO, Content, PR, Produkt und Sales an einen Tisch, zieht bei rechtlichen Fragen Recht hinzu und dokumentiert 20–30 echte Entscheidungsfragen aus Sales-Gesprächen, Support-Anfragen und euren Daten. Prüft dann je Frage: Welche Kriterien wendet ein KI-System vermutlich an – und wo fehlen euch Belege?
Lückenliste: Übersetzt das Ergebnis in eine Tabelle aus fünf bis acht Kriterien (Zeilen) und den relevanten Quellen (Spalten): eigene Website, Vergleichsportale, Reviews, Fachartikel, Foren.
| Kriterium und zugehörige Dimension | Eigene Website mit Beleg | Vergleichsportale mit Beleg | Reviews mit Beleg | Fachartikel mit Beleg | Foren mit Beleg | Lücke und nächste Prüfung |
|---|---|---|---|---|---|---|
Ergänze bis zu acht entscheidungsrelevante Kriterien. Verwende je Zelle „belegt“, „fehlt“, „veraltet“, „widersprüchlich“ oder „ungeprüft“ und hinterlege die konkrete Fundstelle. Die sechs Dimensionen ordnen die Prüfung; die Kriterien wählst du aus dem tatsächlichen Entscheidungskontext.
Take-away: Eine Quellenlücke ist ein konkreter Prüfauftrag. Entscheidend ist, ob die richtigen Aussagen belastbar und konsistent belegt sind.
1.8 · Phase 5: Onpage-Optimierung
Erst nach technischer Prüfung, Scope-Definition, Sichtbarkeitsmessung und Quellenanalyse beginnt die eigentliche Arbeit am Inhalt. Die Leitfrage lautet: Was unterscheidet Inhalte, die KI-Systeme verwenden oder zitieren, von Inhalten, die sie ignorieren?
Der Rahmen dafür ist das Mastermodell aus Abschnitt „Der gemeinsame Rahmen“ (Kapitel 8, ab S. 248) – fünf Schritte vom Thema zur zitierfähigen Quelle: Thema und Entscheidung verstehen, Quellenlandschaft analysieren, Content-Lücke bestimmen, zitierfähige Bausteine schreiben, externe Validierung aufbauen. Die ersten beiden Schritte hast du in den Phasen 2 bis 4 bereits erledigt; die folgenden Werkzeuge helfen dir bei den Schritten drei und vier.
1.8.1 · Entscheidung: bestehende Seite optimieren oder neue Seite erstellen?
| Situation | Bestehende Seite optimieren | Neue Seite erstellen |
|---|---|---|
| Passender Intent existiert | Ja, wenn die Seite schon zur Prompt-Gruppe passt, aber unklar, unvollständig oder schwer extrahierbar ist. | Nein, sonst entsteht Kannibalisierung. |
| Wichtige Prompt-Gruppe fehlt | Nein, wenn keine bestehende Seite die Nutzerfrage glaubwürdig beantworten kann. | Ja, wenn ein eigener Intent, eine eigene Entscheidungsphase oder ein eigenes Vergleichsbedürfnis vorliegt. |
| Quellen werden zitiert, eigene Seite nicht | Ja, wenn die eigene Seite fachlich mithalten kann, aber schlechter strukturiert ist. | Nur, wenn eine neue Quellenart gebraucht wird, etwa Studie, Datenübersicht oder Vergleichsseite. |
| Wettbewerber werden empfohlen | Ja, wenn eigene Argumente und Belege fehlen. | Ja, wenn ein neuer Use Case, eine Alternative- oder Wettbewerbsseite nötig ist. |
| Falsche Aussagen über Marke | Ja, wenn die Website keine klare autoritative Aussage liefert. | Ja, wenn eine eigene Fakten-, Sicherheits-, Preis- oder Policy-Seite fehlt. |
1.8.2 · Themenarchitektur: der Topical-Authority-Bauplan
Themenautorität entsteht nicht durch einzelne Artikel, sondern durch ein Netz aus Seitentypen, die sich gegenseitig stützen (siehe Abschnitt „Topical Authority“ (Kapitel 8, ab S. 255)). Prüfe je Themen-Cluster, ob alle sechs Bausteine existieren:
| Baustein | Funktion | Status |
|---|---|---|
| Überblicksseite (Pillar) | Definitionen, Entscheidungslogik, Orientierung im Thema | vorhanden / fehlt |
| Vergleichsseiten | Alternativen, Kriterien, Vor- und Nachteile | vorhanden / fehlt |
| Anwendungsfälle | Konkrete Situationen, Zielgruppen, Branchen | vorhanden / fehlt |
| Belegseiten | Daten, Studien, Methodik, Benchmarks | vorhanden / fehlt |
| Einwandseiten | Risiken, Grenzen, typische Fehler | vorhanden / fehlt |
| Aktualisierungslog | Sichtbare Pflege: Was wurde wann geprüft oder geändert? | vorhanden / fehlt |
1.8.3 · Briefing-Vorlage: der C-F-P-O-Check
Bevor du einen Inhalt schreibst oder überarbeitest, beantworte die vier C-F-P-O-Fragen aus Abschnitt „Antwortlogik statt Textlogik“ (Kapitel 8, ab S. 258). Sie ersetzen das klassische Keyword-Briefing durch eine Antwortlogik:
| Element | Leitfrage | Eintrag im Briefing |
|---|---|---|
| Context | In welcher Situation stellen Nutzer:innen diese Frage – vor, während oder nach einer Entscheidung? | Rolle, Entscheidungsphase, Vorwissen |
| Format | Welches Format beantwortet die Frage am besten? | Definition, Vergleich, Checkliste, Schrittfolge, Tabelle |
| Proof | Welche Belege braucht die Kernaussage, damit sie glaubwürdig und zitierfähig ist? | Daten, Studien, Cases, Erfahrungswerte |
| Outcome | Welche Handlung oder Entscheidung soll nach der Antwort möglich sein? | nächster Schritt, Entscheidungshilfe, Werkzeug |
1.8.4 · Pre-Publish-Check für KI-verwertbare Inhalte
Geh diese Fragen durch, bevor du wichtige Inhalte veröffentlichst oder überarbeitest.
- Klare Antwort: Beantwortet der erste relevante Absatz die Leitfrage direkt?
- Kontext: Wird klar, für wen und in welcher Situation die Aussage gilt?
- Beleg: Gibt es Daten, Beispiele, Quellen, Erfahrung oder nachvollziehbare Gründe, die die Aussage stützen?
- Einschränkung: Werden Grenzen, Ausnahmen, Voraussetzungen oder Risiken benannt?
- Vergleichbarkeit: Können KI-Systeme Kriterien, Vor- und Nachteile extrahieren?
- Entität: Sind Marke, Produkt, Autor:in, Organisation und Kategorie eindeutig benannt?
- Struktur: Sind Überschriften, Tabellen, Listen und Absätze logisch aufgebaut?
- Extrahierbarkeit: Sind wichtige Aussagen im sichtbaren Text vorhanden, nicht nur in Bildern, Videos oder Skripten?
- Aktualität: Ist erkennbar, wann der Inhalt geprüft oder aktualisiert wurde?
- Quellenanschluss: Gibt es interne und externe Verweise auf belastbare Quellen?
- Nächste Handlung: Wird klar, was Nutzer:innen nach der Antwort tun sollen?
- Fehlerprävention: Werden häufige Missverständnisse aktiv korrigiert?
Pro-Tipp: Lies nur die Zwischenüberschriften und die ersten zwei Sätze jedes Abschnitts. Wenn daraus bereits eine belastbare Kurzantwort entsteht, ist der Text gut für Menschen und KI-Systeme strukturiert.
1.8.5 · Antwortmodul-Framework
Ein gutes Antwortmodul ist ein Abschnitt, den ein Mensch schnell versteht und ein KI-System zuverlässig verarbeiten kann. Sein Kern ist das Absatzmuster aus Abschnitt „Zusammenfassen und vom Allgemeinen ins Spezielle“ (Kapitel 8, ab S. 267): Aussage, Kontext, Beleg, Einschränkung. Das vollständige Modul ergänzt zwei Elemente, die aus einer Information eine Entscheidungshilfe machen:
| Element | Funktion | Beispielhafte Form |
|---|---|---|
| Direkte Antwort | beantwortet die Frage ohne Umweg | »Für kleine B2B-Teams eignet sich Lösung A vor allem dann, wenn …« |
| Kontext | grenzt ein, für wen die Aussage gilt | »Das gilt besonders für Unternehmen mit …« |
| Kriterien | macht Entscheidungen vergleichbar | Preis, Integrationen, Datenschutz, Support, Skalierung |
| Beleg | erhöht Vertrauen und Zitierfähigkeit | Fallstudie, Datenpunkt, Test, Expert:innenaussage, Quelle |
| Einschränkung | verhindert Übertreibung und Fehlzitierung | »Nicht geeignet ist die Lösung, wenn …« |
| Nächster Schritt | führt vom Wissen zur Handlung | Vergleich lesen, Demo buchen, Checkliste nutzen, Daten prüfen |
1.8.6 · Quick-Win-Audit für bestehende Inhalte
Bevor du neue Inhalte produzierst, hole das Maximum aus dem Bestand. Stelle deinen wichtigsten bestehenden Seiten die neun Prüffragen aus Abschnitt „Bestehende Inhalte zuerst“ (Kapitel 8, ab S. 269):
- Entscheidungsfrage: Beantwortet die Seite eine echte Frage, die Nutzer:innen in einer Entscheidungssituation stellen?
- Eigenständigkeit: Welche Absätze sind ohne den Seitenkontext unverständlich? Quellen werden oft ausschnittsweise verarbeitet; zugleich kann die verlinkte Quelle eine ganze Seite sein.
- Kriterien: Wo fehlen klare Definitionen und Auswahlmaßstäbe?
- Belege: Welche Aussagen brauchen Daten, Quellen oder Beispiele?
- Grenzen: Wo klingt der Text absoluter, als es berechtigt ist?
- Entitätsklarheit: Sind Produkt, Unternehmen, Kategorie, Zielgruppe, Standort und Autor:innen konsistent benannt?
- Struktur: Tragen Zwischenüberschriften, Tabellen, Listen und Zusammenfassungen die Aussage?
- Aktualität: Ist ein Aktualisierungsdatum erkennbar – besonders bei Preisen, Tools, Studien und Regeln?
- Technik: Ist die Seite crawl- und indexierbar, ohne dass Inhalte in Skripten oder Tabs verschwinden?
Pro-Tipp: Bewerte jede Seite nach Aufwand und Wirkung. Seiten, die bereits zu einer wichtigen Prompt-Gruppe passen und nur an zwei oder drei Prüffragen scheitern, sind deine schnellsten Hebel.
1.8.7 · Content-Backlog-Vorlage
Trenne den beobachteten Befund von deiner Erklärung. Die Evidenzstufe bezieht sich auf die konkrete Annahme hinter der Maßnahme; ein belegter Sichtbarkeitsrückgang beweist noch nicht, was ihn verursacht hat.
| Evidenzstufe | Bedeutung |
|---|---|
| belegt | Die konkrete Aussage ist durch einen nachvollziehbaren Nachweis gestützt. Notiere, ob der Nachweis eine Beobachtung oder einen kausalen Effekt betrifft. |
| plausibel | Befunde und Mechanismus passen zur Erklärung; andere Ursachen sind noch nicht ausreichend ausgeschlossen. |
| Vermutung | Die Erklärung ist eine noch zu prüfende Arbeitshypothese. |
| ID und Priorität | Prompt-Gruppe und URL | Beobachteter Befund | Hypothese und Evidenzstufe | Beleg oder Belegbedarf | Maßnahme | Verantwortung und Status | Zielkennzahl und Prüftermin |
|---|---|---|---|---|---|---|---|
Take-away: Maßnahmen sollen bessere Antworten auf reale Entscheidungsfragen ermöglichen. Halte die Sicherheit deiner Annahmen so sichtbar wie die geplante Änderung.
1.9 · Phase 6: Offpage-Optimierung
Ein häufiger Denkfehler: Sichtbarkeit nur über die eigene Website herstellen zu wollen. Für stabile KI-Empfehlungen reicht das oft nicht. Deine Marke muss auch außerhalb der eigenen Domain präsent sein, damit KI-Systeme sie wiedererkennen, einordnen und mit bestimmten Themen, Kategorien oder Lösungen verbinden.
Der Einstieg folgt dem Earned-Media-Workflow aus Abschnitt „Quellenlandschaft und Einflussmöglichkeiten verstehen“ (Kapitel 10, ab S. 312) – fünf Schritte, die du direkt aus deinen Messdaten ableiten kannst:
- Prompts definieren: die realistischen Prompts deiner priorisierten Themen (aus Phase 2 bereits vorhanden).
- Quellen sammeln: Welche Quellen nennen und zitieren KI-Systeme bei diesen Prompts?
- Clustern: Nach Typ sortieren – Medien, Foren, Datenbanken, Videos, Wettbewerber-Inhalte, eigene Domain.
- Priorisieren: Welche dieser Quellen sind für dich realistisch erreichbar?
- Bespielen: Inhalte, Daten und Expertenbeiträge gezielt für diese Quellen entwickeln.
1.9.1 · Offpage-Hebel
| Hebel | Wann wichtig? | Typische Maßnahmen | Ziel |
|---|---|---|---|
| Platzierung in zitierten Inhalten | KI-Systeme zitieren wiederholt bestimmte Drittquellen. | Outreach, Aktualisierung, Expert:innenbeitrag, Produktprofil, Datenzulieferung | In bereits wirksamen Quellen vorkommen. |
| Erschließung weiterer Quellen | Quellenlage ist dünn oder einseitig. | PR, Studien, Gastbeiträge, Branchenlisten, Partnerseiten | Neue glaubwürdige Bestätigung schaffen. |
| Review- und Community-Arbeit | Erfahrungen prägen Antworten und Einwände. | Review-Management, Community-Monitoring, Support-Content, Einwandkommunikation | Reale Sprache und Reputation verbessern. |
| Entitätskonsistenz | Marke wird falsch, uneinheitlich oder gar nicht erkannt. | Profile, Datenbanken, Verzeichnisse, Autorenprofile, Produktfeeds | Kernfakten angleichen. |
| Partner- und Plattformpräsenz | KI-Systeme nutzen Marktplätze, Vergleichsportale oder Partnerseiten. | Partnerseiten, Integrationsseiten, Marktplatzprofile, Affiliate-Inhalte | In Entscheidungsumgebungen erscheinen. |
| Daten- und Studienarbeit | Antworten bevorzugen belastbare Daten. | eigene Studien, Benchmarks, Reports, Datenkooperationen | zitierfähige Informationswerte schaffen. |
1.9.2 · Offpage-Priorisierung
Bewerte jede mögliche Maßnahme nach erwarteter Wirkung, Sicherheit der Annahme und Aufwand. Eine häufig zitierte Quelle ist ein Prüfauftrag, noch keine automatische Priorität (Kapitel 10, S. 319–320).
| Prüffeld | Leitfrage | Eintrag |
|---|---|---|
| Entscheidungsrelevanz | Welche konkrete Auswahlfrage oder falsche Aussage betrifft die Quelle? | |
| Erwartete Wirkung | Was könnte sich für die Zielgruppe und ihre Entscheidung verbessern? | |
| Sicherheit | Was ist beobachtet, was kausal belegt und was noch Vermutung? | |
| Handlungsmöglichkeit | Ist eine fachlich passende und faire Änderung realistisch erreichbar? | |
| Aufwand | Welche Arbeit, Abstimmung und laufende Pflege entstehen? | |
| Risiko | Welche Reputations-, Datenschutz-, Rechts- oder Abhängigkeitsrisiken bestehen? | |
| Entscheidung | Umsetzen, weiter prüfen oder zurückstellen – mit Begründung? |
Ziehe passende Fachbeiträge, Datenkorrekturen, verlässliche Produktinformationen und echte Erfahrungen pauschalem Platzierungseinkauf vor. Eine gebuchte Präsenz, eine redaktionelle Erwähnung und ein bestätigter KI-Effekt sind verschiedene Ergebnisse.
1.9.3 · Externe-Quellen-Backlog
Erfasse die Quelle und den konkreten Anlass. Die Priorität folgt aus Abschnitt 1.9.2. Belege später getrennt, ob eine Quellenänderung bestätigt wurde und ob sich die untersuchten KI-Antworten verändert haben.
| ID und Priorität | Quelle, URL und Typ | Prompt- oder Kriterienbezug | Befund und Nachweis | Maßnahme und Evidenzstufe | Verantwortung | Arbeitsstatus | Prüftermin | Bestätigte Quellenänderung | Nachtest und beobachtete Wirkung |
|---|---|---|---|---|---|---|---|---|---|
Arbeitsstatus: geplant / Kontakt oder Aufnahme angefragt / Daten geliefert / Änderung bestätigt / abgelehnt / zurückgestellt. „Änderung bestätigt“ verlangt einen Nachweis, etwa eine geprüfte URL mit Datum. Der Nachtest beschreibt anschließend die KI-Antworten; er ist nicht schon durch den Arbeitsstatus erledigt.
1.10 · Phase 7: Monitoring und Tracking
SEO für KI-Suche ist kein einmaliges Projekt. KI-Oberflächen, Antwortlogiken, Quellen, Modelle und Nutzerverhalten verändern sich laufend. Deshalb musst du Sichtbarkeit regelmäßig messen und in Maßnahmen übersetzen.
1.10.1 · Monitoring-Rhythmus
| Rhythmus | Aufgabe | Ergebnis |
|---|---|---|
| Wöchentlich | Einzelne neue Antworten, Quellen oder Fehler prüfen. | Frühe Signale, Auffälligkeiten, Maßnahmenideen |
| Monatlich | Kern-Prompt-Set erneut messen und mit Vorperiode vergleichen. | Trendanalyse nach Prompt-Gruppe und Oberfläche |
| Quartalsweise | Scope, Prompt-Portfolio, Wettbewerber, Quellen und KPIs überprüfen. | Strategische Priorisierung für das nächste Quartal |
| Anlassbezogen | Nach Launch, Rebranding, Produktänderung, Preisänderung, PR-Kampagne oder größeren Modell-/Suchänderungen messen. | Wirkung oder Risiko konkreter Veränderungen |
1.10.2 · Monitoring-Checkliste
- Wird die eigene Marke häufiger genannt als zuvor?
- Steigt der Anteil der Antworten, in denen die eigene Domain zitiert wird?
- Verbessert sich die Position gegenüber Wettbewerbern?
- Verändert sich das Sentiment?
- Tauchen neue Quellen oder Quellentypen auf?
- Verlieren bisher wichtige Quellen an Bedeutung?
- Werden neue Prompt-Muster relevant?
- Gibt es neue falsche oder riskante Aussagen?
- Verändert sich Chatbot- oder KI-Suchtraffic in Analytics?
- Nennen Leads, Bewerber:innen oder Kund:innen KI-Tools als Kontaktpunkt?
1.10.3 · Tracking über Webanalyse und Sales-Prozess
KI-Sichtbarkeit zeigt sich nicht immer sauber als Referrer, also als erkennbare Verweisquelle in der Webanalyse. Manche KI-Oberflächen senden solche Verweise, andere nicht. Deshalb solltest du quantitative und qualitative Signale kombinieren.
| Signal | Nutzen | Einschränkung |
|---|---|---|
| Referrer-Traffic von KI-Oberflächen | zeigt direkte Besuche aus KI-Systemen, in der Webanalyse als eigener KI-Kanal auswertbar | nicht vollständig; Apps und Agenten senden oft keinen Referrer |
| Offizielle KI-Berichte der Suchanbieter | Dedizierte Search-Console-Berichte zeigen KI-Impressionen, Bing Webmaster Tools und Clarity Zitationsdaten für ihre jeweils unterstützten Oberflächen. Die Tool-Übersicht erläutert Umfang und Datenarten. | Keine plattformübergreifende Vollerhebung; Impression, Zitation, Klick und Empfehlung unterscheiden. |
| Logfile-Analyse auf KI-Bots | zeigt, welche Crawler und Live-Abruf-Bots Inhalte tatsächlich abrufen | Abruf ist noch keine Sichtbarkeit |
| Landingpages nach KI-Nähe | zeigt, welche Inhalte nach KI-Antworten besucht werden | Attribution bleibt unsicher |
| Brand Search | kann indirekte Nachfrage nach KI-Erwähnungen sichtbar machen | viele andere Einflussfaktoren |
| Lead-Formular-Frage (Self-Reported Attribution) | erfasst Selbstauskunft wie »über ChatGPT gefunden« | Nutzer:innen erinnern sich nicht immer genau |
| Sales- und Support-Notizen | zeigen Sprache, Einwände und KI-beeinflusste Fragen | qualitative Daten, nicht repräsentativ |
| Prompt-Monitoring | zeigt Sichtbarkeit unabhängig vom Website-Klick | misst Stichprobe, nicht gesamte Nachfrage |
Pro-Tipp: Ergänze Lead- und Sales-Formulare um eine offene Frage wie: »Wie bist du auf uns aufmerksam geworden?« Eine zusätzliche Auswahloption »KI-Tool / Chatbot« kann helfen, frühe Muster sichtbar zu machen.
1.10.4 · Maßnahmenlog
Dieses Log führt Content-, Technik-, Daten- und Quellenarbeit zusammen. Verknüpfe einen Eintrag mit dem Content-Backlog oder dem Externe-Quellen-Backlog, statt dieselbe Aufgabe mehrfach zu führen.
| ID, Datum und Phase | Befund und Beleg | Maßnahme | Hypothese und Evidenzstufe | Zielkennzahl und Baseline | Verantwortung | Arbeitsstatus und Umsetzungstermin | Bestätigung der Änderung | Prüftermin und Nachtestergebnis |
|---|---|---|---|---|---|---|---|---|
Verwende für Quellenarbeit die Status aus Abschnitt 1.9.3. Bei eigenen Änderungen trennst du „geplant“, „umgesetzt“ und „technisch geprüft“. Eine bestätigte Änderung ist ein Arbeitsergebnis, eine spätere Messveränderung zunächst eine Beobachtung. Dokumentiere Modell-, Prompt- und Oberflächenänderungen, bevor du einen kausalen Erfolg behauptest.
1.10.5 · Markenmonitoring und Korrekturroutine
Prüfe im festen Rhythmus die für deine Zielgruppe relevanten Systeme und ergänze anlassbezogene Tests bei Produktänderungen, Beschwerden oder auffälligen Antworten. Ein quartalsweiser Markentest mit diesen Fragen ist ein sinnvoller Ausgangspunkt:
- „Was ist [Marke]?“
- „Wofür ist [Marke] bekannt?“
- „Mit wem konkurriert [Marke]?“
Findest du eine falsche oder riskante Aussage, arbeite die Routine aus Kapitel 12, S. 375–377, ab:
- Dokumentieren: System, Modell soweit erkennbar, Prompt, Datum, Umgebung, Rohantwort und sichtbare Quellen sichern.
- Ursache prüfen: Veraltete eigene Seite, Drittprofil, Bewertungen, Presse, Forum oder keine erkennbare Quelle? Eine ähnliche Formulierung ist ein Hinweis, kein Beweis des tatsächlichen Abrufwegs.
- Kanonisch korrigieren: Die offizielle eigene Seite mit der richtigen, überprüfbaren Aussage aktualisieren.
- Verteilung nachziehen: Eigene und beeinflussbare Drittprofile, Partnerseiten, alte PDFs, Social-Bios und Presse-Kits abgleichen. Angefragte und bestätigte Änderungen getrennt dokumentieren.
- Neuindexierung anstoßen: Geeignete Suchanbieter-Werkzeuge oder IndexNow verwenden, soweit verfügbar. Dadurch ist eine Korrektur der KI-Antwort nicht garantiert.
- Nachtesten: Nach vier und acht Wochen sowie bei akuten Risiken früher mit demselben Prompt und vergleichbarer Umgebung prüfen. Rohantworten und Quellen erneut sichern.
- Gegebenenfalls eskalieren: Bei fortbestehenden oder gravierenden Fehlern die benannte Fachverantwortung, Kommunikation, Datenschutz oder Recht einbeziehen. Öffentliche Richtigstellung und rechtliche Schritte werden dort entschieden.
| Fall-ID | Fehler und richtige Aussage | System, Prompt, Umgebung und Datum | Sichtbare Quelle und Ursachenhypothese | Korrektur und Verantwortung | Status der Quellenänderung | Nachtest 1 | Nachtest 2 | Eskalationsgrund und zuständige Stelle |
|---|---|---|---|---|---|---|---|---|
Hinterlege für sensible Fälle einen Eskalationsweg mit Kontakt, Dringlichkeitskriterium und Entscheidungskompetenz. Personenbezogene oder vertrauliche Daten gehören nur in dafür geeignete Systeme und an berechtigte Personen.
1.11 · Kennzahlen für die KI-Suche
Klassische SEO-Kennzahlen wie Rankings, Impressionen und organische Klicks bleiben wichtig. Für die KI-Suche reichen sie aber nicht. Du brauchst zusätzlich Kennzahlen, die Antworten, Erwähnungen, Zitationen, Empfehlungen, Quellen und Stabilität erfassen.
1.11.1 · KPI-Übersicht
Die vier Reporting-Schichten aus Kapitel 7, S. 205–209, bleiben getrennt. Sentiment beschreibt die Tonalität; Stance beschreibt die Auswahlhaltung. Weder ein Quellenlink noch ein positiver Ton beweist eine Empfehlung.
| Schicht | Kennzahl | Definition und Grenze |
|---|---|---|
| Sichtbarkeit | Brand Mention Rate, auch Mention Share | Anteil gültiger Antworten mit mindestens einer Nennung der Marke. Prompt-Klassen getrennt berichten. |
| Sichtbarkeit | Brand Share of Voice | Anteil eigener Markennennungen an allen Markennennungen im vorab definierten Wettbewerbsset. Zählweise von Wiederholungen dokumentieren. |
| Sichtbarkeit | Recommendation Share | Anteil gültiger Antworten, in denen die Marke ausdrücklich als passende Option empfohlen wird. Ein bloßer Listeneintrag reicht nicht. |
| Quellenlage | Citation Share | Anteil gültiger Antworten mit sichtbarem Link auf die eigene Domain. Kein Klick-, Ranking- oder Empfehlungsnachweis. |
| Quellenlage | Quellenabdeckung | Anteil der untersuchten Drittquellen, in denen die eigene Marke vorkommt; Auswahl und Umfang des Quellenpools angeben. |
| Quellenlage | Source Diversity | Zahl und Art der unterschiedlichen Quellen im untersuchten Set. Vielfalt allein sagt nichts über deren Qualität. |
| Quellenlage | Freshness Delta | Zeit zwischen dokumentierter Inhaltsänderung und erster danach beobachteter Zitation. Das Beobachtungsintervall begrenzt die Genauigkeit; Kausalität bleibt zu prüfen. |
| Antwortqualität | Sentiment | Tonalität einer Erwähnung im Kontext: positiv, neutral oder kritisch. |
| Antwortqualität | Stance | Auswahlhaltung: empfehlend, listend, neutral oder abratend. |
| Antwortqualität | Brand Accuracy Rate | Anteil sachlich geprüfter Marken-Antworten ohne festgestellten Markenfehler. Ungeprüfte Antworten nicht als korrekt mitzählen. |
| Antwortqualität | Stabilität | Streuung eines vorher definierten Ergebnisses über identische Wiederholungen und über Messwellen. |
| Antwortqualität | Multi-Turn Stability | Verlauf der Sichtbarkeit über vorab definierte Folgefragen. Nach Turns ausweisen, statt den Gesprächsverlauf in einem unklaren Durchschnitt zu verstecken. |
| Geschäftswirkung | Assisted Impact | KI-bezogene Leads, Anfragen und Abschlüsse aus erkennbaren Besuchen, Selbstauskunft oder dokumentiertem Vertriebsfeedback. Keine vollständige Attribution. |
1.11.2 · Einfache Formeln
| Kennzahl | Zähler | Nenner |
|---|---|---|
| Brand Mention Rate | Antworten mit mindestens einer eigenen Markennennung | Alle gültigen Antworten desselben Messsegments |
| Brand Share of Voice | Eigene Markennennungen nach dokumentierter Zählregel | Alle Markennennungen im definierten Wettbewerbsset nach derselben Zählregel |
| Recommendation Share | Antworten mit ausdrücklicher Empfehlung der eigenen Marke | Alle gültigen Antworten desselben Messsegments |
| Citation Share | Antworten mit sichtbarem Link auf die eigene Domain | Alle gültigen Antworten desselben Messsegments |
| Quellenabdeckung | Untersuchte Drittquellen mit eigener Marke | Alle untersuchten Drittquellen des definierten Pools |
| Brand Accuracy Rate | Geprüfte Marken-Antworten ohne festgestellten Markenfehler | Alle sachlich geprüften Marken-Antworten |
Multipliziere die Quotienten für die Darstellung als Prozentwert mit 100. Ist der Nenner null, ist der Wert nicht berechenbar, nicht null Prozent. Fehlgeschlagene Erhebungen und ungeprüfte Klassifikationen führst du zusätzlich mit Zahl und Anteil auf.
Ein bewusst konstruiertes Rechenbeispiel: Die eigene Marke kommt in 40 von 100 Antworten vor; die Brand Mention Rate beträgt 40 Prozent. Zählt man in denselben Antworten insgesamt 500 Markennennungen und davon 45 eigene, beträgt der Brand Share of Voice 9 Prozent. Die beiden Werte haben unterschiedliche Nenner.
Berichte Streuung als Rate und Zahl pro Wiederholungsblock. Ein optionaler Übereinstimmungswert kann den Anteil der häufigsten vorher festgelegten Ergebniskategorie innerhalb eines Blocks angeben; benenne diese Zählregel ausdrücklich. Ein errechnetes Konfidenzintervall benötigt zusätzliche statistische Annahmen und ist nicht schon durch fünf Wiederholungen gerechtfertigt.
Anbieterkennzahlen mit gleichem Namen können andere Nenner verwenden. Beispielsweise ist Microsofts querybezogener Citation Share nicht automatisch die hier verwendete antwortbezogene Quote. Übernimm solche Werte mit Anbietername und Definition, statt sie direkt zu vermischen.
Für den Quellenvergleich unterscheide zwei Kennzahlen ausdrücklich: Die antwortbezogene Zitationsquote – in diesem Arbeitsbuch „Citation Share“ genannt – teilt die Zahl gültiger Antworten mit eigenem Link durch die Zahl gültiger Antworten. Der zitationsbezogene Anteil eigener Links teilt dagegen die Zahl eigener Zitationen durch sämtliche Zitationen im Messsegment. Beide Größen können sinnvoll sein, beantworten aber unterschiedliche Fragen. Dokumentiere bei der zweiten Größe auch, welche Domains oder Zielseiten als eigene Inhalte zählen und wie wiederholte Links gezählt werden; fehlt jede Zitation, ist dieser Anteil nicht berechenbar.
Prüfe außerdem die Bedeutung exportierter Analysefelder. Eine allgemeine Kennzeichnung „Antwort enthält eine Empfehlung“ weist noch keine Empfehlung der eigenen Marke nach. Eine positive Haltung, ein vom Extraktionsmodell vergebener Rang und ein Confidence-Wert sind ebenfalls keine Ersatzwerte für eine explizite Markenempfehlung, eine beobachtete Listenposition oder eine statistisch geprüfte Wahrscheinlichkeit.
Vorsicht: Jede Kennzahl braucht Prompt-Version, Prompt-Klasse, Oberfläche, Sprache, Markt, Messzeitraum, Wiederholungen und Klassifikationsregel. Für das geplante Abrufvolumen nutze die Formel in Abschnitt 7 der Tool-Übersicht.
1.12 · KI-Sichtbarkeits-Audit-Scorecard
Diese Scorecard bewertet eine Domain, ein Themen-Cluster oder ein Produktprogramm entlang des gesamten Prozesses. Maximal erreichst du 100 Punkte. Die Gewichtung ist eine Arbeitshilfe, keine validierte Vorhersage von KI-Sichtbarkeit. Bewerte jedes Kriterium nach derselben Regel und dokumentiere einen Beleg:
| Erfüllungsstand | Bewertung |
|---|---|
| Nicht erfüllt | 0 Punkte |
| Teilweise erfüllt | Die Hälfte der jeweiligen Maximalpunktzahl: 1 von 2, 1,5 von 3 oder 2 von 4 Punkten |
| Vollständig erfüllt | Die volle jeweilige Maximalpunktzahl |
| Ungeprüft oder Beleglage ungeklärt | Feld offen lassen; keine Punkte vergeben |
Lege vor dem Audit für den gewählten Untersuchungsbereich fest, woran du eine vollständige oder teilweise Erfüllung erkennst. Notiere bei teilweiser Erfüllung auch, welcher Teil noch fehlt. Bilde erst bei vollständiger Prüfung aller Kriterien eine Gesamtsumme; halbe Punkte bleiben erhalten und werden nicht gerundet. Kritische technische, rechtliche oder Sicherheitsblockaden stehen unabhängig von der Summe ausdrücklich im Ergebnis und lassen sich nicht durch andere Punkte ausgleichen.
1.12.1 · Dimension 1: Technische Bereitschaft (15 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Wichtige Seiten sind crawlbar, indexierbar und intern auffindbar. | 3 | |||
| Relevante Inhalte stehen im sichtbaren HTML oder stabil renderbar zur Verfügung. | 3 | |||
| Robots.txt, Meta-Robots, Canonicals, Sitemaps, Statuscodes und Weiterleitungen sind sauber. | 3 | |||
| Crawler-Klassen werden bewusst unterschieden und organisatorisch verantwortet. | 3 | |||
| Produkt-, Preis-, Leistungs-, Verfügbarkeits- oder Policy-Daten sind maschinenlesbar und aktuell. | 3 |
1.12.2 · Dimension 2: Scope und Prompt-Abdeckung (15 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Zielgruppen, Rollen und Entscheidungssituationen sind dokumentiert. | 3 | |||
| Produkte, Märkte, Sprachen, Ziel-Oberflächen und Wettbewerber sind abgegrenzt. | 3 | |||
| Es gibt ein versioniertes, geschäftlich begründetes Prompt-Set mit 20 bis 30 realistischen Prompts je priorisiertem Thema. | 3 | |||
| Prompts decken Informations-, Vergleichs-, Transaktions-, Risiko- und Follow-up-Situationen ab. | 3 | |||
| Prompt-Ergebnisse werden in Content-, PR-, Technik- oder Produktmaßnahmen übersetzt. | 3 |
1.12.3 · Dimension 3: Messung und Analyzer-Transparenz (20 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Es gibt eine Baseline aus wiederholbaren Prompts, Oberflächen, Zeitpunkten und mehreren Runs. | 4 | |||
| Rohantworten, URLs, Quellen, Zeitstempel, Testumgebungen und Scores werden gespeichert. | 4 | |||
| Mentions, Citations, Recommendations, Sentiment, Stance und Wettbewerber werden getrennt gemessen. | 4 | |||
| Schwankungen durch Modell, Login-Status, Sprache, Standort und Personalisierung werden dokumentiert. | 4 | |||
| Methodikänderungen sind nachvollziehbar, damit Zeitvergleiche belastbar bleiben. | 4 |
1.12.4 · Dimension 4: Grounding und Quellenverständnis (15 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Zitierte und wiederkehrend genutzte Quellen werden nach Quellentyp ausgewertet. | 3 | |||
| Dominierende Domains, Autoritäten und Quellenmuster sind je Prompt-Gruppe bekannt. | 3 | |||
| Quellen, die Wettbewerber stützen, werden gesondert analysiert. | 3 | |||
| Falsche, veraltete oder widersprüchliche Drittinformationen werden regelmäßig identifiziert. | 3 | |||
| Grounding-Hypothesen werden in Onpage- oder Offpage-Maßnahmen übersetzt. | 3 |
1.12.5 · Dimension 5: Antwortfähigkeit der eigenen Inhalte (15 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Zentrale Abschnitte beantworten konkrete Fragen direkt und verständlich. | 3 | |||
| Kernaussagen enthalten Kontext, Beleg und sinnvolle Einschränkung. | 3 | |||
| Inhalte sind in eigenständig verständliche Antwortmodule gegliedert. | 3 | |||
| Tabellen, Listen, Definitionen, Vergleiche und Beispiele sind im sichtbaren Text vorhanden. | 3 | |||
| Aktualisierungsdatum, Autor:in und fachliche Verantwortlichkeit sind klar erkennbar. | 3 |
1.12.6 · Dimension 6: Offpage-Quellenpräsenz (10 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Relevante Fachquellen, Vergleichsseiten, Reviews, Partnerseiten oder Verzeichnisse bestätigen die Marke. | 2 | |||
| Die Marke erscheint in Quellen, die KI-Systeme bereits für wichtige Prompt-Gruppen nutzen. | 2 | |||
| Wettbewerberlücken in Drittquellen werden aktiv bearbeitet. | 2 | |||
| Bewertungen, Fallstudien, Referenzen oder unabhängige Nachweise sind auffindbar. | 2 | |||
| Kernfakten über Marke, Produkte und Organisation sind in externen Profilen konsistent. | 2 |
1.12.7 · Dimension 7: Monitoring und Organisation (10 Punkte)
| Check | Maximalpunkte | Eigene Punkte | Beleg und Prüftermin | Nächste Maßnahme |
|---|---|---|---|---|
| Es gibt einen festen Monitoring-Rhythmus für Kernprompts, Quellen und Wettbewerber. | 2 | |||
| Ergebnisse werden als Trends und Hypothesen berichtet, nicht als absolute Wahrheit. | 2 | |||
| SEO, Content, PR, IT, Produkt, Sales, Support und Recht haben klare Verantwortlichkeiten. | 2 | |||
| Maßnahmen werden in einem gemeinsamen Log dokumentiert und reviewed. | 2 | |||
| Chatbot-Traffic, Lead-Selbstauskunft und qualitative Sales-/Support-Signale werden ergänzend beobachtet. | 2 |
1.12.8 · Auswertung
Die Schwellenwerte strukturieren die Projektbesprechung. Ein Gesamtwert allein ersetzt weder die Relevanzprüfung aus Kapitel 5 noch die Prüfung einzelner Blockaden.
| Punkte | Bedeutung | Empfehlung |
|---|---|---|
| 0–40 | Grundlagen priorisieren. Prüfe die schwächsten Dimensionen und bearbeite die wichtigsten Lücken zuerst. | Vor einer großen Tool-Investition SEO-Fundament, Content-Struktur, Entitätsklarheit und Quellenlage anhand der Einzelbefunde verbessern. |
| Über 40 bis 70 | Ansatzpunkte für einen begrenzten Pilot. Prüfe besonders die offenen Aufgaben in Messung, Quellenstrategie und Content-Antwortfähigkeit. | Einen 90-Tage-Pilot mit einem Themen-Cluster, klarer Baseline, Quellenanalyse und priorisiertem Maßnahmenlog planen; kritische Blockaden vorher klären. |
| Über 70 bis 100 | Gute Ausgangslage für einen laufenden Prozess. Prüfe anhand der Einzelbefunde, welche Aufgaben dauerhaft organisiert werden können. | Messsystem, Quartalsreview, Earned Media, Content-Backlog und Monitoring passend zum Bedarf dauerhaft organisieren. |
Take-away: Die Scorecard ist keine Punktesammelübung. Sie zeigt, welche Phase im Prozess gerade der größte Engpass ist.
1.13 · Tool-Demo-Checkliste
Diese Fragen gehören in jede Tool-Demo und jeden Einkaufstermin für ein KI-Sichtbarkeits-Tool. Sie sind die Kurzfassung für den Termin selbst – die ausführliche Kauf- und Demo-Checkliste findest du in der Online-Tool-Übersicht.
- Wer definiert die Prompts – du, das Tool oder eine Mischung?
- Kannst du Prompt-Sets versionieren, gruppieren und als Rohprompts exportieren?
- Welche Plattformen, Länder, Sprachen, Geräte, Login-Zustände und Personalisierungsgrade werden gemessen?
- Läuft die Messung über API, Browser, Scraping, Paneldaten oder echte First-Party-Daten?
- Wie oft wird derselbe Prompt abgefragt, und wie wird Nicht-Determinismus berücksichtigt?
- Werden Mentions, Citations, Recommendations, Sentiment, Wettbewerber und Quellen getrennt klassifiziert?
- Kannst du Rohantworten, URLs, Quellen, Zeitstempel, Testumgebung und Scores exportieren?
- Wird sichtbar, welche Drittquellen besonders häufig zitiert oder wahrscheinlich genutzt werden?
- Werden Quellen gecrawlt, normalisiert, in Chunks zerlegt und mit Antwortaussagen abgeglichen?
- Erklärt das Tool, wie Matching, Sentiment und Entity-Erkennung funktionieren?
- Unterstützt das Tool konkrete Maßnahmen für Content, Technik, PR, Reviews, Shopping oder nur Reporting?
- Kannst du Wettbewerber, Markenvarianten, Produktnamen und Synonyme manuell pflegen?
- Gibt es eine Historie von Methodik-, Modell-, Plattform- oder Klassifikationsänderungen?
- Kannst du Berichte nach Prompt-Gruppe, Oberfläche, Markt, Sprache und Quellentyp segmentieren?
- Gibt es einen Rohdatenexport, der auch ohne Tool-Dashboard nutzbar bleibt?
Vorsicht: Ein schönes Dashboard kann eine schlechte Stichprobe verbergen. Kaufe kein Tool, dessen Prompt-, Quellen- und Klassifikationslogik du nicht erklären kannst.
Pro-Tipp: Ermittle zuerst die Zahl tatsächlich geplanter Antwortabrufe je Zeitraum. Die Formel und der Kostenvergleich in Abschnitt 7 der Tool-Übersicht trennen Abrufe, Abrechnungseinheiten und eigenen Entwicklungsaufwand.
1.14 · 30/60/90-Tage-Roadmap entlang des Prozesses
Diese Roadmap ordnet die Arbeit nach den sieben Prozessphasen und vertieft sie über 90 Tage. Die persönliche 30-Tage-Roadmap im Schlusskapitel (S. 467–469), die organisatorische Startsequenz (S. 397–398) und der Business-Case-Pilot (S. 129–130) betrachten denselben Einstieg aus anderen Perspektiven.
| Zeitraum | Fokus | Prozessphasen | Erwartetes Arbeitsergebnis |
|---|---|---|---|
| Tag 1–30 | Technischen Zugang, Scope und Baseline klären. | 1–3 | Blockadenliste, Scope, 20 bis 30 Prompts je priorisiertem Thema, dokumentierte Oberflächen und Wiederholungen, erste Quellen- und Wettbewerbskarte. |
| Tag 31–60 | Quellen verstehen und gezielte Änderungen umsetzen. | 4–6 | Quellenlandkarte, überprüfbare Hypothesen, Kriterien-Audit, priorisierte eigene Inhalte und externe Quellen; wenige konkret ausgewählte Maßnahmen. |
| Tag 61–90 | Vergleichsmessung und Entscheidung vorbereiten. | 7 und erneute Messung ab 3 | Nachtest mit gleichem Panel, dokumentierte Umgebungsänderungen, Arbeitsergebnisse und Messbefunde getrennt; Entscheidung über Fortsetzung, Anpassung oder Stopp. |
Kritische technische Blockaden behebst du vor der belastbaren Baseline. Werden sie erst während der ersten Messung entdeckt, wiederhole die betroffenen Abrufe nach dem Fix und kennzeichne den Vergleich entsprechend.
1.14.1 · Minimaler Wochenrhythmus
- Montag: Ein neues Prompt-Ergebnis oder eine auffällige Quelle prüfen.
- Mittwoch: Eine konkrete Content-, PR-, Technik- oder Datenmaßnahme ableiten.
- Freitag: Ergebnis im gemeinsamen Log dokumentieren: Was haben wir gelernt, was testen wir als Nächstes?
1.14.2 · Rollenmodell
| Rolle | Verantwortung |
|---|---|
| SEO | Scope, Prompt-Portfolio, technische Prüfung, Sichtbarkeitsanalyse, KPI-Interpretation |
| Content | Antwortmodule, Content-Briefings, Überarbeitung bestehender Seiten, neue Inhalte |
| PR / Kommunikation | Earned Media, Fachquellen, Expert:innenbeiträge, Korrekturen in Drittquellen |
| IT / Webentwicklung | Crawling, Rendering, Markup, Performance, Schnittstellen, Datenqualität |
| Produkt | Produktinformationen, Preise, Verfügbarkeit, Feature- und Roadmap-Klarheit |
| Sales / Support | echte Nutzerfragen, Einwände, Wettbewerbsvergleiche, Lead-Selbstauskunft |
| Recht / Compliance | Crawler-Entscheidungen, Aussagenprüfung, regulierte Inhalte, Datenschutz, Risiken |
| Management | Priorisierung, Ressourcen, Erfolgskriterien, Quartalsentscheidungen |
Take-away: Die Organisation lernt nicht durch Dashboards. Sie lernt durch wiederholbare Beobachtung, kleine Experimente und saubere Dokumentation.
1.15 · Branchenschnellchecks
Die Prinzipien sind überall gleich, die Prioritäten nicht. Diese Schnellchecks übersetzen den Prozess in branchentypische Schwerpunkte – die ausführliche Einordnung mit Praxisbeispielen findest du in Kapitel 11.
1.15.1 · E-Commerce
- Produktdaten, Preise, Varianten und Verfügbarkeiten sind im sichtbaren HTML und in Feeds konsistent.
- Kaufkriterien wie Größe, Material, Kompatibilität, Lieferzeit, Rückgabe und Garantie sind vergleichbar formuliert.
- Produktseiten beantworten transaktionsnahe Prompts direkt: »welches Produkt passt zu …«, »Alternative zu …«, »beste Option für …«.
- Reviews und externe Produkttests werden beobachtet und nicht nur als Shop-Trust-Signal behandelt.
- Merchant Center, Produktfeeds, Marktplätze und relevante Commerce-Schnittstellen sind organisatorisch verantwortet.
- Agentische Szenarien wie »vergleiche und kaufe« werden mit klaren Preis-, Verfügbarkeits- und Policy-Daten vorbereitet.
1.15.2 · B2B und SaaS
- Integrationen, Zielgruppen, Use Cases, Sicherheits- und Datenschutzinformationen sind klar auffindbar.
- Vergleichsinhalte beantworten echte Auswahlfragen und nennen Kriterien transparent.
- Case Studies enthalten konkrete, belegbare Ergebnisse statt generischer Erfolgsversprechen.
- Fachmedien, Branchenverzeichnisse, Analysten- und Review-Plattformen sind Teil der Quellenstrategie.
- Sales- und Support-Fragen fließen quartalsweise in das Prompt-Portfolio ein.
- Einwandprompts zu Kosten, Implementierung, Risiko, Migration und Datenschutz werden regelmäßig geprüft.
1.15.3 · Dienstleistungen und Beratung
- Leistungen, Spezialisierung, Zielgruppen und ausdrückliche Leistungsgrenzen sind klar beschrieben – auch was ihr nicht anbietet.
- Referenzen und Fallbeispiele enthalten nachvollziehbare Ausgangslage, Vorgehen und Ergebnis statt vager Versprechen.
- Expertise ist an Personen gebunden sichtbar: Profile, Qualifikationen, Veröffentlichungen, Vorträge.
- Name, Adresse und Kontaktdaten sind über Website, Profile und Verzeichnisse konsistent.
- Typische Auswahl- und Einwandfragen (»Was kostet …«, »Woran erkenne ich eine gute …«) werden direkt beantwortet.
- Erwähnungen in Fachmedien, Branchenverzeichnissen und Empfehlungsplattformen werden aktiv aufgebaut und gepflegt.
1.15.4 · Lokale Unternehmen
- Google Business Profile, Website, Verzeichnisse und Bewertungsplattformen zeigen konsistente Stammdaten.
- Öffnungszeiten, Leistungen, Preise, Einzugsgebiet und Besonderheiten sind auf der Website direkt lesbar.
- Bewertungen werden aktiv beantwortet und auf wiederkehrende Entscheidungsfragen ausgewertet.
- Lokale Medien, Stadtportale, Vereine oder Branchenlisten bestätigen die reale Präsenz.
- Sprach-, Karten- und »in meiner Nähe«-Anfragen werden als eigene Nutzungssituation mitgedacht.
- Regionale Prompts werden nicht mit allgemeinen Prompts vermischt.
1.15.5 · Publisher und Medien
- Inhalte sind eindeutig datiert, aktualisiert und mit Autor:innenprofilen verknüpft.
- Paywall- und Lizenzlogik ist technisch sauber umgesetzt, nicht nur visuell versteckt.
- Zentrale Fakten sind zitierfähig, aber nicht ohne Kontext missverständlich.
- Themenautorität entsteht durch Cluster, Dossiers, Daten, Erklärstücke und fortlaufende Aktualisierung.
- Provenance, Content Credentials und Kennzeichnung von KI-Anteilen sind organisatorisch geklärt.
- Zero-Click-Effekte werden nicht nur als Trafficverlust, sondern auch als Quellen- und Markenwirkung gemessen.
1.15.6 · Medizinische, rechtliche und fachlich sensible Informationsportale
- Autor:innen, fachliche Prüfung, Aktualisierungsdatum und Verantwortlichkeit sind klar sichtbar.
- Inhalte trennen Erklärung, Empfehlung, Risiko, Einschränkung und Handlungsaufforderung sauber.
- Fachliche Quellen und Leitlinien werden nachvollziehbar eingebunden.
- Veraltete Informationen werden aktiv überprüft und sichtbar aktualisiert.
- KI-Antworten werden auf gefährliche Verkürzungen, fehlende Warnhinweise und falsche Schlussfolgerungen geprüft.
- Recht, Compliance oder Fachverantwortliche sind in Freigabe und Monitoring eingebunden.
1.15.7 · Internationale Marken
- Marken-, Produkt- und Unternehmensdaten sind über Märkte und Sprachen hinweg konsistent.
- Lokale Websites, Verzeichnisse, Presseprofile und Wissensdatenbanken widersprechen sich nicht.
- Prompt-Sets werden je Sprache und Markt separat gebaut, nicht nur übersetzt.
- Wettbewerber werden je Markt gesondert definiert.
- Preis-, Verfügbarkeits-, Rechts- und Supportinformationen sind lokal korrekt.
- Internationale PR und lokale Quellenstrategie werden miteinander abgestimmt.
1.16 · Agentic-Readiness-Kurzcheck
Dieser Check prüft gezielt die Agenten-Tauglichkeit. Er ergänzt den strategischen Readiness-Check und das operative Audit; ein gutes Ergebnis dort beantwortet noch nicht, welche Aktionen ein Agent ausführen darf. Grundlage ist der sechsschichtige Agentic-Readiness-Stack in Kapitel 14, S. 419–420.
| Schicht | Leitfrage | Status | Beleg und offene Aufgabe | Verantwortung |
|---|---|---|---|---|
| Daten | Sind Produkt-, Preis-, Standort-, Verfügbarkeits- und Policy-Daten korrekt, aktuell und eindeutig? | |||
| Darstellung | Können Menschen und Maschinen die Information als Text, Tabelle und zugängliche Bedienoberfläche erfassen? | |||
| Schnittstellen | Können relevante Aktionen über Feeds, APIs oder Buchungslogik sicher angestoßen werden? | |||
| Regeln | Welche Aktionen sind mit welchen Limits, Zustimmungsstufen und Storno-Regeln erlaubt? | |||
| Identität | Wer handelt in wessen Auftrag; wie sind Authentifizierung, Rollen und Rechte geregelt? | |||
| Monitoring | Werden Fehler, ungewöhnliche Zugriffe, Transaktionen und Beschwerden erkannt? |
Überführe den Fünf-Schritte-Check von S. 431 in konkrete Aufgaben:
- Daten-Audit: Die 20 wichtigsten Produkt-, Leistungs- oder Standortseiten auf Widersprüche prüfen.
- Quellenabgleich: Website, Merchant Center, Business Profile, Bing Places und vorhandene Feeds gegen die verantwortete Datenquelle abgleichen.
- Aktioneninventur: Vergleichen, anfragen, buchen, kaufen und stornieren getrennt erfassen. Zulässige und unzulässige Aktionen festlegen.
- Zustimmungsgrenzen: Beträge, Kategorien und Sonderfälle benennen, die menschliche Bestätigung erfordern.
- Monitoring und Eskalation: Logs, Fehlermeldungen und einen zuständigen Eskalationsweg einrichten.
| Aktion | Erlaubt oder ausgeschlossen | Datenquelle und Schnittstelle | Identität und Rechte | Limit und Bestätigung | Serverseitige Prüfung | Logging, Rückabwicklung und Eskalation |
|---|---|---|---|---|---|---|
Priorisiere wie auf S. 428–431: erst Daten, klare Policies und Zugänglichkeit; danach passende Feeds, Logging und Eskalation. Neue Protokolle oder eigene Agenten erprobst du bei konkretem Nutzen. Kritische Aktionen brauchen festgelegte Bestätigung, serverseitige Validierung und Protokollierung (S. 432).
1.17 · Klärliste: Recht, Datenschutz und Trust
Diese Punkte klärst du am besten früh – vor dem Einsatz neuer Werkzeuge und Funktionen (Kapitel 12, ab S. 361):
- Crawler- und Lizenzstrategie: Ist entschieden und dokumentiert, welche KI-Crawler erlaubt sind – und ob Lizenzierung oder Opt-out für euch in Frage kommt?
- Paywall- und Schutztechnik: Greifen Zugriffsschranken serverseitig und nicht nur visuell?
- Datenschutz: Sind die drei Ebenen getrennt geprüft – Training durch Dritte, Nutzung von KI-Tools im Team, eigene KI-Funktionen? Ist dokumentiert, welche personenbezogenen Daten in KI-Workflows fließen?
- Haftung: Gibt es einen Prozess für falsche KI-Aussagen über die Marke (siehe Abschnitt 1.10.5) – und eine Absicherung, wenn KI im eigenen Beratungs- oder Serviceprozess antwortet?
- Kennzeichnung: Sind die Transparenzpflichten des AI Act geprüft, ist ein KI-Inventar vorhanden und die jeweils einschlägige Rolle und eine mögliche Rollenänderung durch eigene Anpassungen geklärt?
- Provenance: Sind Content Credentials beziehungsweise C2PA-Signale in der Bild- und Videopipeline berücksichtigt und Bearbeitungsketten dokumentiert?
- Verantwortlichkeit: Ist klar, wer im Unternehmen diese Fragen besitzt – Recht, Datenschutz, Kommunikation oder Geschäftsführung?
Fazit
Checklisten sind nur dann nützlich, wenn sie eine Strategie ermöglichen. Dieses Arbeitsbuch führt technische Bereitschaft, Scope und Prompt-Portfolio, Messung, Analyzer-Logik, Grounding und Eliminations-Check, Onpage-Optimierung, Offpage-Quellenpräsenz, Monitoring und Markenschutz sowie Organisation zu einem wiederholbaren Prozess zusammen.
Der wichtigste Gedanke bleibt: SEO für KI-Suche ist kein Ratespiel. Du misst, wie KI-Systeme tatsächlich antworten. Du untersuchst sichtbare Quellen und Auswahlmuster und kennzeichnest die Grenzen deiner Beobachtung. Du verbesserst eigene Inhalte und externe Quellenräume. Und du wiederholst diesen Kreislauf regelmäßig, um Veränderungen nachvollziehbar zu prüfen und sinnvolle Entscheidungen zu treffen.