Was messbar ist, was nicht — und was wir nicht versprechen.

Was ist AI Recommendation Engineering?

AI Recommendation Engineering ist die systematische Arbeit daran, dass ein Unternehmen bei kaufnahen Buyer Prompts in den Antworten generativer KI-Systeme vorkommt. Es besteht aus drei Teilen: messen, bei welchen Fragen ein Unternehmen heute berücksichtigt wird; die im Web verfügbare Evidenz dort verbessern, wo sie fehlt oder unklar ist; und anschließend erneut messen, ob sich etwas verändert hat.

Ist das dasselbe wie SEO?

Nein, auch wenn es Überschneidungen gibt. Klassisches SEO optimiert auf Positionen in einer Ergebnisliste zu einem Keyword. Hier geht es um die Frage, ob ein Unternehmen in einer generierten Antwort als möglicher Anbieter genannt wird. Es gibt keine feste Ergebnisliste, keine stabile Position und keine Klickmessung. Technisch saubere, crawlbare Inhalte sind trotzdem eine Voraussetzung - insofern ist gutes SEO notwendig, aber nicht ausreichend.

Ist das GEO - Generative Engine Optimization?

Generative Engine Optimization ist der gängigste Sammelbegriff für dieses Feld, und ja, unsere Arbeit fällt darunter. Wir verwenden bevorzugt den Begriff Recommendation Visibility, weil er präziser beschreibt, worum es geht: nicht um Sichtbarkeit im Allgemeinen, sondern um Berücksichtigung bei einer konkreten Kaufentscheidung.

Können Sie garantieren, dass ChatGPT unser Unternehmen empfiehlt?

Nein. Wer das zusagt, beschreibt das System falsch. Generative Modelle antworten nicht deterministisch, ihre Antworten hängen von Formulierung, Kontext, Modellversion und Websuche ab, und Anbieter ändern ihre Systeme ohne Vorankündigung. Was wir zusagen: eine wiederholbare Messung, eine offengelegte Methodik und gezielte Arbeit an der öffentlich verfügbaren Evidenz.

Welche KI-Systeme werden gemessen?

Aktuell ChatGPT (OpenAI), Gemini (Google) und Claude (Anthropic), jeweils mit aktivierter Websuche. Weitere Systeme sind möglich, sobald ein verlässlicher, wiederholbarer Zugriff besteht. Die Auswahl wird im Bericht immer mit Modellversion und Messzeitpunkt dokumentiert.

Wie werden die Prompts ausgewählt?

Wir starten bei der Kaufsituation, nicht beim Keyword. Ausgangspunkt sind die Fragen, die ein Einkäufer, IT-Leiter oder Geschäftsführer kurz vor einer Anbieterentscheidung tatsächlich stellen würde. Daraus entsteht ein Set aus kaufnahen Prompts mit klarer Anbieterintention. Der Markenname des Auftraggebers kommt in diesen Prompts nicht vor - sonst würde die Messung sich selbst das Ergebnis vorgeben.

Warum werden Prompts mehrfach ausgeführt?

Weil eine einzelne Antwort kein Messwert ist. Dieselbe Frage kann in mehreren Durchläufen unterschiedliche Anbieter hervorbringen. Erst über mehrere isolierte Wiederholungen wird sichtbar, welche Nennungen stabil sind und welche Zufall waren. Aus dieser Streuung ergibt sich die Run Consistency.

Wie lange dauert es, bis sich etwas verändert?

Das können wir seriös nicht pauschal beantworten - und wir werden es auch nicht tun, solange wir dazu keine eigenen belastbaren Daten haben. Bekannt ist, dass Veränderungen an öffentlich zugänglichen Inhalten überhaupt erst wirken können, nachdem sie gecrawlt und indexiert wurden. Genau deshalb bauen wir das Verfahren gerade als kontrolliertes Experiment auf und messen die Zeiträume selbst, statt Zahlen zu behaupten.

Muss ein Modell dafür neu trainiert werden?

Nein. Ein großer Teil kaufnaher Antworten entsteht heute nicht allein aus dem Trainingswissen, sondern aus einer Websuche, die zur Laufzeit ausgeführt wird. Was zu diesem Zeitpunkt im Web auffindbar, verständlich und zuordenbar ist, kann in die Antwort einfließen - ohne dass ein Modell dafür neu trainiert werden muss. Trainingswissen spielt zusätzlich eine Rolle, ist aber von außen nicht direkt beeinflussbar.

Welche Rolle spielen Websuche und Citations?

Eine sehr große. Wenn ein System bei einer Buyer Prompt die Websuche nutzt, zeigt es meist die herangezogenen Quellen an. Diese Quellen sind der eigentliche Hebel: Sie machen sichtbar, welche fremden Domains eine Buyer Prompt faktisch mitentscheiden - Fachverzeichnisse, Vergleichsportale, Fachmedien, Verbandsseiten. Genau dort setzt die Source Opportunity Map an.

Arbeiten Sie auch mit Unternehmen, die für einen Intent gar nicht geeignet sind?

Nein. Wir optimieren nicht darauf, ein unpassendes Produkt künstlich empfehlen zu lassen. Das wäre weder für den Kunden noch für den Anfragenden ein gutes Ergebnis und es hält erfahrungsgemäß auch nicht. Unser Ansatz ist umgekehrt: einen vorhandenen Product-Market-Fit im Web so klar und nachprüfbar dokumentieren, dass er auffindbar wird.

Was ist der Unterschied zwischen beobachteten und angenommenen Wettbewerbern?

Angenommene Wettbewerber sind die Unternehmen, die ein Kunde selbst als Konkurrenz benennt. Beobachtete Wettbewerber sind die Unternehmen, die von den KI-Systemen bei den gemessenen Fragen tatsächlich vorgeschlagen werden. Diese beiden Mengen decken sich in der Praxis oft nur teilweise. Für die Messung zählt ausschließlich die beobachtete Menge.

Ausführlicher wird es in der Methodik und in den Research Notes. Wenn Ihre Frage hier fehlt, stellen Sie sie gern direkt — wir nehmen sie dann auf.