Produkt 02 · AI Recommendation Engineering
Die Evidenz aufbauen, die für eine Berücksichtigung fehlt.
AI Recommendation Engineering baut die Web-Evidenz auf, die ein KI-System braucht, um ein Unternehmen einem konkreten Buyer Intent zuzuordnen — First-Party-Inhalte, Entitätsklarheit, technische Auffindbarkeit und legitime externe Belege.
Vorab: Eine Empfehlung durch ein KI-System lässt sich nicht garantieren — von niemandem. Wir arbeiten an den Voraussetzungen dafür und machen jede Veränderung messbar.
Grundgedanke
Wir machen vorhandene Eignung auffindbar. Nicht mehr.
Der häufigste Befund aus einer Messung ist nicht, dass ein Unternehmen schlecht wäre. Es ist, dass ein System es keinem konkreten Bedarf zuordnen kann, weil im Web nirgends steht, was das Unternehmen für wen genau leistet. Diese Lücke ist schließbar — und sie zu schließen ist etwas anderes, als ein unpassendes Angebot nach vorne zu drücken.
- Was wir tun
- Einen vorhandenen Product-Market-Fit im Web so dokumentieren, dass er maschinell gefunden, verstanden und einem Bedarf zugeordnet werden kann.
- Was wir nicht tun
- Ein Angebot für Intents sichtbar machen, für die es nicht geeignet ist. Das ist weder für Ihren Interessenten noch für Sie ein gutes Ergebnis, und es überlebt den ersten Erstkontakt selten.
- Wie priorisiert wird
- Über eine einfache Logik: geringe aktuelle Sichtbarkeit, hohe fachliche Eignung, hohe kaufliche Relevanz. Nur wo alle drei zutreffen, wird gearbeitet.
Arbeitsfelder
Sechs Ebenen, in dieser Reihenfolge.
Die Reihenfolge ist nicht beliebig. Externe Belege wirken erst, wenn die eigene Domain die Aussage überhaupt stützt — und technische Auffindbarkeit ist Voraussetzung für alles andere.
01
First-Party Evidence
Das Fundament, und der Teil, den Sie vollständig kontrollieren. Was Ihr Unternehmen leistet, für wen, in welcher Region, in welcher Größenordnung und mit welchen Nachweisen, muss auf Ihrer eigenen Domain in Textform stehen — nicht im Vertriebsdeck, nicht im PDF, nicht hinter einem Formular.
- Leistungsseiten, die die Leistung beschreiben statt die Haltung
- explizite Angaben zu Zielgruppe, Unternehmensgröße und Region
- Nachweise, Zertifizierungen und Partnerstatus als lesbarer Text
- eine ehrliche Abgrenzung: wofür Sie nicht der Richtige sind
02
Entity Clarity
Ein System muss erkennen können, dass es sich bei allen Erwähnungen um dasselbe Unternehmen handelt und wofür dieses Unternehmen steht. Uneinheitliche Firmierungen, wechselnde Schreibweisen und widersprüchliche Angaben über verschiedene Quellen hinweg sind ein häufiger und gut behebbarer Grund für Unsichtbarkeit.
- einheitliche Firmierung und Schreibweise über alle Quellen
- konsistente Adress-, Kontakt- und Rechtsformangaben
- strukturierte Daten, die ausschließlich Sichtbares abbilden
- eine eindeutige Kategoriezuordnung statt vieler Halbzugehörigkeiten
03
Buyer Intent Content
Aus dem Audit ist bekannt, bei welchen Fragen Sie fehlen. Für die Intents, die kaufnah und fachlich passend sind, entstehen Inhalte, die diese Frage direkt beantworten — in der Sprache des Einkäufers, nicht in der des Marketings.
- Seiten je konkretem Anwendungsfall statt einer Sammelseite
- Vergleichs- und Abgrenzungsinhalte gegenüber benachbarten Kategorien
- FAQ-Inhalte, die reale Rückfragen aus dem Vertrieb aufnehmen
- Case Studies — ausschließlich mit echten, freigegebenen Kundenprojekten
04
Crawlability & technische Auffindbarkeit
Nichts von alledem wirkt, wenn es nicht abrufbar ist. Inhalte, die erst durch JavaScript entstehen, hinter Consent-Bannern liegen oder per robots.txt gesperrt sind, existieren für die Belegkette einer generierten Antwort schlicht nicht.
- serverseitig gerenderte, ohne JavaScript lesbare Inhalte
- saubere interne Verlinkung und eindeutige Canonicals
- korrekte robots.txt inklusive der KI-spezifischen Crawler
- stabile URLs, keine wichtigen Aussagen ausschließlich in Bildern oder PDFs
05
Source Acquisition & Third-Party Evidence
Der letzte Schritt, und bewusst der letzte. Aus der Quellenauswertung des Audits ist bekannt, welche fremden Domains bei Ihren Intents wiederholt herangezogen werden. Dort Präsenz aufzubauen ist Arbeit an genau den Belegen, die die Antwort mitentscheiden.
- reguläre Einträge in fachlich relevanten Verzeichnissen
- Partner- und Herstellerlistungen, die real bestehen
- fachlich begründete Beiträge und Interviews in Fachmedien
- Mitgliedschaften und Referenzen, die tatsächlich existieren
06
Re-Testing
Dieselben Prompts, dasselbe Verfahren, dieselbe Anzahl Durchläufe. Ohne identische Wiederholung ist ein Vorher-Nachher-Vergleich wertlos. Und weil zwischen Veröffentlichung, Crawling und möglicher Wirkung Zeit vergeht, wird der Nachmesszeitpunkt vorher festgelegt — nicht dann, wenn das Ergebnis günstig aussieht.
- identisches Prompt-Set und identische Run-Anzahl
- vorab definierter Messzeitpunkt
- Dokumentation von Modellversion und Messdatum
- explizite Bewertung, ob eine Veränderung außerhalb der üblichen Streuung liegt
Reihenfolge
Innen zuerst. Dann außen.
Der häufigste Fehler ist, sofort mit externer Sichtbarkeit anzufangen. Das wirkt selten, weil eine fremde Erwähnung nur trägt, wenn die eigene Domain die Aussage belegt. Deshalb arbeiten wir in zwei klar getrennten Phasen — und messen zwischen beiden.
Phase 1 · Eigene Domain
Was fehlt, damit Ihr Angebot überhaupt zuordenbar ist?
Aus der Messung ist bekannt, bei welchen Fragen Sie fehlen. Für die passenden davon entstehen Inhalte, Belege und Strukturen auf Ihrer eigenen Domain — Leistung, Zielgruppe, Region, Nachweise, Abgrenzung. Das ist der Teil, den Sie vollständig kontrollieren, und er ist die Voraussetzung für alles Weitere.
Phase 2 · Fremde Quellen
Wo holen die Antworten ihre Belege her?
Die Quellenauswertung zeigt, welche fremden Domains bei Ihren Buyer Prompts wiederholt herangezogen werden — Fachverzeichnisse, Vergleichsseiten, Fachmedien, Partnerlisten. Dort präsent zu werden ist Arbeit an genau den Belegen, die die Antwort mitentscheiden. Wir führen diese Arbeit transparent und mit erkennbarer Urheberschaft durch.
Zwischen beiden Phasen wird gemessen. Das kostet Zeit, ist aber der einzige Weg, hinterher zu wissen, welcher der beiden Schritte etwas bewirkt hat.
Optimierung beginnt nie ohne Messung.
Wir starten kein Engineering ohne eine erhobene Ausgangslage. Andernfalls lässt sich später nicht sagen, ob eine Veränderung auf die Arbeit zurückgeht oder auf das übliche Rauschen generativer Systeme.