•68 slides · ~45 min

SEO im Zeitalter von KI: Strategien für SEO, GEO, AIO und AEO

Von Suchmaschinen zu generativen Antwortsystemen – Paradigmenwechsel für Industrie und B2B-Mittelstand

#seo#geo#aio#aeo#rag#mcp#knowledge-graphs#enterprise-ai#social-media
GH
Loading presentation...
1. Oktober 2026

SEO im Zeitalter von KI

Strategien für SEO, GEO, AEO & AIO – Von Suchmaschinen zu generativen Antwortsystemen

Dr. Georg Hackenberg
Professor für Informatik & IndustriesystemeFH Oberösterreich · Campus Wels
https://hackenberg.tech
02 / 68

Agenda & Leitfaden

Gliederung des 60-Minuten-Vortrags in 6 didaktische Blöcke

1

Status Quo & Zero-Click

Vom statischen Web-Index zur generativen Antwortsynthese moderner Sprachmodelle.

2

Wie Antwortsysteme arbeiten

RAG, Embeddings, Wissensgraphen und empirische Studienmethodik und Limitationen.

3

Die 3-Säulen-Methodik

Schema.org-Modellierung, E-E-A-T und Information Gain Content Design im B2B.

4

Blick ins Web-Labor

Google Antigravity, AGENTS.md, MCP Server und automatisierte CI/CD Gatekeeper.

5

B2B Social Media & Vernetzung

Edelman-LinkedIn Thought Leadership, sameAs-Entitätsgraphen und Hub-and-Spoke.

6

Marktdaten & Fahrplan

Similarweb, Gartner, Opollo Benchmarks und der 90-Tage-Fahrplan zur KI-Sichtbarkeit.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
04 / 68

Das Zero-Click-Dilemma

Wenn Suchmaschinen den Klick auf Ihre Website überflüssig machen

Key Metric
59,7%

Zero‑Click‑Suchen in der EU

SparkToro & Datos 2024 : Nur 374 von 1.000 Suchen führen ins freie Web

Konsequenzen für Industrie & B2B

Geschäftsführung

„Wir optimieren nicht mehr für Klicks – wir optimieren für Zitation und unumstößliche Markennennung.“

  • Rückgang unqualifizierten Volumens

    Gartner prognostiziert einen Verlust von 25 Prozent des Suchvolumens bis 2026 durch KI-Chatbots.

  • Extrem hohe Konversionsrate der Zitierten

    Kunden, die nach einer synthetisierten KI-Antwort noch klicken, haben höchste Kauf- und Projektabsicht (High-Intent B2B).

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
05 / 68

Der klassische SERP-Index: Crawl, Index & Rank

Wie Google 25 Jahre funktionierte: Vom Web-Crawler über Inverted Index zu RankBrain

Technische schematische Darstellung der Google Crawl-, Index- und Ranking-Pipeline

Die 3 Phasen traditioneller Suchmaschinen

Dokumenten-Retrieval nach Brin & Page (1998)

Grundstein der klassischen Suchmaschine : Vom Web-Graph zur SERP.

  • 01. Crawling & Parsing

    Automatisierte Web-Crawler erfassen HTML über Hyperlink-Graphen ins Rohdaten-Archiv.

  • 02. Inverted Indexing

    Extrahierte Terme werden in riesigen invertierten Index-Matrizen katalogisiert.

  • 03. PageRank & RankBrain

    Linkautorität und Machine Learning berechnen die statische Rangfolge der zehn blauen Links.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
06 / 68

Das Begriffs-Quartett: SEO, AEO, GEO & AIO

Vier Optimierungsdisziplinen, ihre Zielsysteme und Erfolgsmetriken im Vergleich

Disziplin
Zielsystem
Kernmechanismus
Nutzerziel & Erfolgsmetrik

SEO

Search Engine Optimization
Google & Bing Web Search (10 blaue Links)
Keywords, Backlink-Autorität, PageSpeed & Core Web Vitals
Klick auf die eigene URL auf den Positionen 1 bis 10 der organischen Treffer.

AEO

Answer Engine Optimization
Google Featured Snippets, Voice Search (Siri, Alexa)
Q&A-Struktur, Tabellen, Schema.org FAQ-Markup
Direkte Beantwortung in Position Zero als Antwortbox über den organischen Links.

GEO

Generative Engine Optimization
ChatGPT Search, Perplexity AI, Claude Web Search
GraphRAG, Information Gain, Entitäten & Wissensgraphen
Nennung als führende Marke und Primärquelle in der synthetisierten KI-Antwort.

AIO

AI Overview Optimization
Google AI Overviews, Microsoft Copilot in Bing
Kombination aus Rank-Graph und LLM-Chunk-Retrieval
Sichtbare Verlinkung in KI-Snapshots oberhalb der organischen Suchergebnisse.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
07 / 68
Block 02 / 06 · Technologische Basis

Wie Antwortsysteme arbeiten

Vom statischen Web-Index zur generativen Antwortsynthese

„Warum scheitern klassische SEO-Tricks an semantischen Vektorräumen?“
Vom Keyword-Matching zur Wissens-Synthese: Das Zusammenspiel aus Retrieval Augmented Generation (RAG) und Wissensgraphen.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
08 / 68

Wie KI-Suchmaschinen arbeiten: RAG

Retrieval-Augmented Generation als Brücke zwischen Modell und aktuellem Web

1

Anfrage-Parsing

Nutzerfrage wird in semantische Absicht (Intent) und gesuchte Entitäten zerlegt.

Nutzerfrage wird in semantische Absicht (Intent) und {cue:hl-rag-parsing}gesuchte Entitäten{/cue} zerlegt.
2

Live-Web-Retrieval

Vektorsuche ruft nach dem RAG-Prinzip die Top-Text-Chunks aus dem aktuellen Index ab. Nur hochrelevante Absätze kommen weiter.

Vektorsuche ruft nach dem RAG-Prinzip <button type='button' data-open-reference='lewis-2020-rag' class='slide-citation-badge inline-flex items-center font-mono text-purple-400 light:text-purple-700 hover:text-purple-300 font-bold align-baseline px-1.5 py-0.5 rounded bg-purple-500/10 border border-purple-500/20 cursor-pointer transition-colors' title='Referenz ansehen: Lew20'>[Lew20]</button> die Top-{cue:hl-rag-retrieval}Text-Chunks{/cue} aus dem aktuellen Index ab. Nur hochrelevante Absätze kommen weiter.
3

Kontext-Injektion

Die gefundenen Chunks werden zusammen mit System-Instruktionen in das Context Window des LLMs injiziert.

Die gefundenen Chunks werden zusammen mit System-Instruktionen in das {cue:hl-rag-injection}Context Window{/cue} des LLMs injiziert.
4

LLM-Synthese

Das Modell erzeugt die finale Antwort mit Zitations-Chips basierend auf den injizierten Daten.

Das Modell erzeugt die finale Antwort mit {cue:hl-rag-synthesis}Zitations-Chips{/cue} basierend auf den injizierten Daten.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
09 / 68

Context Window: Lost in the Middle

Warum RAG Pflicht ist: Dramatischer Aufmerksamkeitsabfall in langen LLM-Kontexten

U-Kurve der Abrufgenauigkeit im LLM-Kontextfenster zur Illustration des Lost-in-the-Middle-Phänomens

Empirischer Aufmerksamkeitsverlauf

Empirischer U-Kurven-Leistungsabfall

TACL-Studie : Mittig platzierte Dokumente werden von LLMs systematisch übersehen.

  • Primacy-Effekt (Anfang des Fensters)

    Informationen zu Beginn werden mit bis zu neunzig Prozent Genauigkeit extrahiert.

  • Recency-Effekt (Ende des Fensters)

    Am Dokumentenende können Fakten durch den Recency-Effekt haften bleiben.

  • Lost-in-the-Middle-Tal (Mitte)

    Im mittleren Token-Bereich stürzt die Abrufpräzision auf unter dreißig Prozent ab.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
10 / 68

Semantische Suche & Embeddings

Von Zeichenketten zu Bedeutungen im hochdimensionalen Vektorraum

Der semantische Vektorraum

Passage B: Energieeffiziente Prozesswärme B2B

// Passage A: “Industrielle Wärmepumpe” [0.0214, -0.0531, 0.0892, 0.0117, -0.0438, …] // Passage B: “Energieeffiziente Prozesswärme B2B” [0.0209, -0.0518, 0.0874, 0.0125, -0.0421, …]

  • Bedeutung statt Buchstabengleichheit

    Synonyme und verwandte Konzepte besitzen im Vektorraum nahezu identische Vektor-Winkel.

  • Keyword-Stuffing wirkungslos

    Künstliche Keyword-Wiederholungen verzerren den Vektor und senken die semantische Relevanz.

Kosinus-Ähnlichkeit

cos(θ) = (A · B) / (||A|| ||B||)

Wertebereich: Von -1.0 (semantisches Gegenteil) über 0.0 (orthogonal und thematisch unabhängig) bis +1.0 (identische inhaltliche Bedeutung im hochdimensionalen Vektorraum unabhängig von der Wortwahl).

Top-K-Retrieval & Relevanz

RAG-Systeme berechnen die Distanz aller Dokument-Chunks zur Suchanfrage in Millisekunden und injizieren die Top-K Passagen mit den höchsten Kosinus-Werten als fundierte Faktenbasis direkt in das Context Window des Sprachmodells.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
11 / 68

Vektorräume & Kosinus-Ähnlichkeit

Bedeutungsnähe ohne Keyword-Match: Geometrische Distanz im multidimensionalen Latent Space

3D-Koordinatensystem zur Veranschaulichung von Vektoren und Kosinus-Ähnlichkeit im semantischen Raum

Mathematik der semantischen Suche

Kosinus-Ähnlichkeit: cos(θ) → 1

Sentence-BERT-Modellierung : Skalarprodukt normierter Einheitsvektoren.

  • 1536-dimensionale Räume

    Texte werden in hochdimensionale Zahlenvektoren übersetzt.

  • Synonymie ohne Keyword-Match

    B2B-Fachbegriffe weisen minimale Winkelabstände ohne Wortübereinstimmung auf.

  • Top-K Ähnlichkeitsfilter

    RAG-Systeme selektieren die semantisch treffendsten Textpassagen blitzschnell.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
12 / 68

Grenzen von Vektoren: Das Multi-Hop-Dilemma

Semantische Ähnlichkeit reicht nicht: Fragmentierte Chunks und fehlende Kausalitätslogik

Die Schwachstelle von Vektor-RAG

Reines Top-K-Retrieval erzeugt isolierte Chunks

Dokumente werden zerschnitten; Vektornähe unterscheidet weder Prädikate noch Verneinungen.

  • Kausalitäts- und Kontext-Blindheit

    Kooperation und gerichtliche Klage liegen im Vektorraum nah beieinander.

  • Isolierte Textfragmente

    Beim 500-Token-Chunking gehen wichtige Provenienz- und Kontextstrukturen verloren.

  • Statistische Unschärfe

    Marcus : Statistische Wahrscheinlichkeiten garantieren keine Logik.

Das Multi-Hop-Problem im B2B

Anfrage nach IEC-zertifizierten Komponenten

[Anfrage] → [Zulieferer X] —(liefert)—> [Komponente Y] —(Norm)—> [IEC 62109]

  • Relationale Schlussfolgerungskette

    Erfordert eine relationale Schlussfolgerungskette über mehrere Dokumente.

  • Vektorsuche scheitert an Kanten

    Vektorsuche kann relationale Kanten nicht prüfen und rät ins Blaue hinein.

  • Die Notwendigkeit von Graphen

    Pan et al. : Symbolische Wissensgraphen als verlässliches Fundament.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
13 / 68

Wissensgraphen & Entitäten

Warum unstrukturierte Vektoren versagen und Relationen im Wissensgraphen entscheiden

Semantisches Entitäten-Netzwerk

entwickelt →Standort in ↓zertifiziert nach ↓reguliert durch →⚡ MULTI-HOP REASONING🏢 ORGANIZATIONFronius Internationalschema:Organization • @id:#fronius⚡ PRODUCTSymo GEN24 Plusschema:Product • @id:#symo-gen24📍 LOCATIONPettenbach (OÖ)schema:Place • AT-4643📜 STANDARDVDE-AR-N 4105schema:DefinedTerm • Netznorm

Eindeutige Knoten und Relationen statt unstrukturierter Volltext-Schnipsel (Things, not strings )

Der Vorteil deterministischer Graphen

Tripel: Subjekt – Prädikat – Objekt

[Unternehmen X] —(produziert)—> [Produkt Y] —(Norm)—> [ISO 9001]
  • Keine Halluzinationen

    Relationen sind im Graphen eindeutig verankert. Das Modell muss Zusammenhänge nicht erraten.

  • Eindeutige URIs (@id)

    Verhindert Verwechslungen gleichnamiger Marken durch persistente Bezeichner.

  • Multi-Hop Reasoning

    Ermöglicht komplexe Schlussfolgerungen über Beziehungsebenen hinweg.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
14 / 68

Wikidata als globales Wissensfundament

Die Rolle freier Wissensgraphen: Von Community-Daten zum Ground-Truth-Anker für Sprachmodelle

Wikidata Datenmodell & Architektur

Vrandečić & Krötzsch (CACM 2014)

Wissenschaftliche Grundlegung des kollaborativen Wissensgraphen .

  • Q-IDs & P-IDs

    Über 110 Millionen weltweit eindeutige Entitäten-IDs (Q-IDs) und semantische Properties (P-IDs).

  • Sprachunabhängige Fakten

    Fakten werden als sprachunabhängige semantische Tripel gespeichert und global synchronisiert.

  • Offener SPARQL-Endpunkt

    Ermöglicht hochkomplexe semantische Graph-Abfragen über das gesamte vernetzte Weltwissen.

Rolle im generativen KI-Ökosystem

Zentraler Ground-Truth-Hub für LLMs

Wie ChatGPT, Gemini und Claude Fakten verifizieren und verankern.

  • Pre-Training & Wissens-Grounding

    Kuratiertes Trainingsfundament zur Vermeidung faktischer Halluzinationen bei Sprachmodellen.

  • Entity Disambiguation

    Verhindert Verwechslungen gleichnamiger B2B-Unternehmen und Fachtermini.

  • Kanonischer B2B-Anker

    Schema.org-Verknüpfung via sameAs auf die eigene Wikidata-Q-ID sichert unmissverständliche KI-Präsenz.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
15 / 68

Grounding: Schutzschild gegen Halluzinationen

Faktenverankerung in KI-Modellen: Wie Wissensgraphen und Primärquellen generative Drift stoppen

Architekturdiagramm zu AI Grounding als Schutzschild gegen Halluzinationen durch Kopplung an Knowledge Graphs

Säulen des Grounding

Faktenbindung statt stochastischer Intuition

NeurIPS-Grundlagenforschung : Grounding bindet generative Wahrscheinlichkeiten an überprüfbare Faktenknoten.

  • Wissensgraph-Verankerung

    Über semantische Kanten liefern strukturierte Wissensgraphen deterministische Relationen.

  • Zitierfähige Belegstellen

    Verifizierte Quellen ermöglichen es, dass Inline-Zitate jede Aussage nachprüfbar belegen.

  • Deflektion von Halluzinationen

    Faktentreue Filter stellen sicher, dass halluzinierte Falschbehauptungen vor der Ausgabe abgefangen werden.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
16 / 68

Hybrid Retrieval: Die neuro-symbolische Pipeline

Das Beste beider Welten: Wie Sprachgefühl und Faktenlogik in Antwortsystemen verschmelzen

1
Embedding <button type='button' data-open-reference='borgeaud-2022-retro' class='slide-citation-badge inline-flex items-center font-mono text-purple-400 light:text-purple-700 hover:text-purple-300 font-bold align-baseline px-1.5 py-0.5 rounded bg-purple-500/10 border border-purple-500/20 cursor-pointer transition-colors' title='Referenz ansehen: Bor22'>[Bor22]</button> der Suchanfrage: {cue:hl-pipe-step1}Synonyme und Suchabsichten flexibel erfassen und Textkandidaten filtern{/cue}.

Dense Vector Retrieval (Sprachverständnis)

Embedding der Suchanfrage: Synonyme und Suchabsichten flexibel erfassen und Textkandidaten filtern.

→
2
Deterministische Validierung im Graphen: {cue:hl-pipe-step2}Entitäten und Kanten im Wissensgraphen validieren und Halluzinationen filtern{/cue}.

Graph Traversal (Faktenprüfung)

Deterministische Validierung im Graphen: Entitäten und Kanten im Wissensgraphen validieren und Halluzinationen filtern.

→
3
GraphRAG-Fusion <button type='button' data-open-reference='edge-2024-graphrag' class='slide-citation-badge inline-flex items-center font-mono text-purple-400 light:text-purple-700 hover:text-purple-300 font-bold align-baseline px-1.5 py-0.5 rounded bg-purple-500/10 border border-purple-500/20 cursor-pointer transition-colors' title='Referenz ansehen: Edg24'>[Edg24]</button>: {cue:hl-pipe-step3}Geprüfte Faktenknoten und Primärquellen verschmelzen zur fehlerfreien B2B-Antwort{/cue}.

Generative Synthese beider Ströme

GraphRAG-Fusion : Geprüfte Faktenknoten und Primärquellen verschmelzen zur fehlerfreien B2B-Antwort.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
17 / 68

GraphRAG: Hierarchische Community Summaries

Microsoft Research: Wie Community Detection und Leiden-Clustering Vektoren schlagen

Architekturdiagramm zu Microsoft GraphRAG: Hierarchisches Clustering nach Leiden und Community Summaries

Architektur der Community Summaries

Local vs. Global Search im Enterprise

Microsoft Research : Vektoren finden Detailfakten, scheitern aber an globalen Leitfragen.

  • Hierarchisches Leiden-Clustering

    Wissensgraphen werden durch Algorithmen durch den Leiden-Algorithmus hierarchisch in dichte Wissensgemeinschaften zerlegt.

  • Vorberechnete Summaries

    Auf jeder Cluster-Ebene generiert ein LLM vorab eine vollständige semantische Zusammenfassung.

  • Globale Map-Reduce-Synthese

    Bei übergreifenden B2B-Anfragen liest das System nur diese Community Summaries statt zehntausender Text-Chunks.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
18 / 68

Empirische Validierung: Die 83% Win-Rate

Benchmarks (Edge et al. 2024): Klare Überlegenheit bei Vollständigkeit und Perspektivenvielfalt

Wissenschaftliche Benchmark-Ergebnisse

72–83 % Win-Rate vs. Vector-RAG

Edge et al. , Microsoft Research

  • Maximale Vollständigkeit

    Mit 83 % Win-Rate deckt GraphRAG alle relevanten Aspekte lückenlos ab.

  • Breite Perspektivenvielfalt

    Mit 82 % Win-Rate bricht Perspektivenvielfalt den Vektor-Tunnelblick.

  • Expertise & Relevanz

    Im Blindtest werden Antworten von Fachprüfern als fundierter bewertet.

Strategischer Mehrwert im B2B

Systemfragen statt Stichwortsuche

Fokus auf Normen & Systemarchitektur.

  • Komplette Systemvergleiche

    Im B2B-Einkauf liefert die KI komplette Systemübersichten ohne Lücken.

  • Strukturierte RFPs & Audits

    Damit können komplexe Ausschreibungen und Lieferketten gelöst werden.

  • Kosten & Systemgrenzen

    Dieser Qualitätsgewinn erfordert jedoch hohe Rechen- und Tokenbudgets!

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
19 / 68

Limitationen von RAG & GraphRAG

Methodische Grenzen: Warum mehr Kontext Rechenkosten und Latenz explodieren lässt

GraphRAG-Flaschenhälse (Microsoft Research)

Massive Vorab-Indexierungskosten

Graph-Extraktion erfordert umfangreiche Vorab-LLM-Aufrufe zur Entitätserkennung.

  • Hoher Token-Aufwand

    Laut Edge et al. entsteht ein vielfach höherer Rechenaufwand als bei reinen Vektor-Embeddings.

  • Inferenzlatenz

    Hierarchische Community-Traversierung erzeugt spürbare Antwortverzögerungen im Vergleich zu Vektor-Top-K.

  • Wissensdichte erforderlich

    Entfaltet Stärken nur bei dichter, semantisch vernetzter Fachdokumentation.

Wann Basic RAG überlegen bleibt

Single-Hop & Punktuelle Faktenabfragen

Punktuelle Abfragen nach Spezifikationen sind mit Standard-Vektorsuche schneller und präziser.

  • Präzise Fakten-Lookups

    Klassisches RAG beantwortet isolierte Faktenfragen ohne Overhead.

  • Geringe Betriebskosten

    Senkt die Rechenkosten pro Suchanfrage um bis zu neunzig Prozent gegenüber Graphen.

  • Keine Über-Synthese

    Direkte Textpassagen schützen vor Halluzinationen durch Modell-Zwischenschritte.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
20 / 68

Das Ökosystem der Antwortsysteme

KI-Sucharchitekturen im Vergleich: Wie Google, Perplexity, ChatGPT und Claude Quellen wählen

Google Suche & AI Overviews

Hybrid-Index & Zitations-Chips

Google kombiniert klassischen RankBrain-SERP-Index mit LLM-Synthese . Hohe Gewichtung von PageSpeed, Core Web Vitals und verifizierten E-E-A-T-Signalen in prominenten Zitations-Chips.

Google Gemini Chats

Multimodales Web-Grounding

Direkter Zugriff auf den Web-Index über Google Search: Echtzeit-Grounding mit multimodaler Verarbeitung von Texten, Tabellen und PDF-Datenblättern ohne statische Token-Grenzen.

Perplexity AI

Transparente Quellen-Engine

Live-Websuche mit maximaler Zitationsdichte: Bevorzugt primäre Fachdokumentationen, Foren und Datenblätter. Listet Belege als interaktive Fußnoten mit direkter Link-Verknüpfung.

ChatGPT Search & Claude

Konversationelle Synthese

ChatGPT nutzt Bing-Index und Publisher-Feeds für kontextuelle Empfehlungen im Dialog, während Claude auf tiefgehende Dokumentenanalysen und Code-Verständnis spezialisiert ist.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
21 / 68

Die empirische Benchmark-Studie (KDD 2024)

Wissenschaftlicher Nachweis: Wie sich die Zitationswahrscheinlichkeit in Sprachmodellen steigern lässt

Key Metric
+41%

Maximale Zitationssteigerung in LLMs

Studie : ACM SIGKDD 2024 (Princeton, Georgia Tech, Allen AI) über 10.000 Queries

Effektivität von Optimierungs-Methoden (KDD Table 1)

Fachzitate (Quotation Addition)
+40.9 %
Statistiken (Statistics Addition)
+30.6 %
Quellenbelege (Cite Sources)
+27.5 %
Keyword Stuffing (Klassisches SEO)
-8.3 %

Methodischer Befund (GEO-Bench): Über 10.000 reale Suchanfragen hinweg bevorzugen generative Sprachmodelle nachweisbar Inhalte mit hoher Faktendichte, konkreten Messwerten und verifizierbaren Primärquellen, während klassische SEO-Manipulationen wie Keyword-Wiederholungen durch die Relevanzfilter moderner RAG-Systeme systematisch abgestraft werden.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
22 / 68

KDD 2024: Studiendesign & Limitationen

Kritische Würdigung der GEO-bench: Versuchsaufbau, Metriken und Gültigkeitsgrenzen

Das GEO-bench Versuchsdesign

10.000 Test-Queries über 25 Domänen

Aggarwal et al. evaluierten neun Datensätze mit der exponentiell gewichteten Zitationsmetrik Imp_pwc.

  • 2-Stufen-RAG Testbed

    Kombination aus Google Top-5 Retrieval mit GPT-3.5 Synthese.

  • In-the-Wild Validierung

    Zusätzliche Tests auf Perplexity.ai bestätigen Zitationsgewinne im realen Web.

  • Rang-5 SERP-Hebel

    Websites auf Position 5 steigern ihre Sichtbarkeit durch Belege um 115 Prozent.

Methodische Limitationen & Transfergrenzen

Keine Manipulation des Web-Rankings

GEO optimiert On-Page-Inhalte – Seiten müssen bereits in den Top-Suchergebnissen gecrawlt werden.

  • Statischer SERP-Kontext

    Untersuchung basierte auf statischen Momentaufnahmen ohne Live-Ranking-Änderung.

  • Sättigungs-Effekt

    Flächendeckende GEO-Optimierung führt zu Sättigung und abnehmendem Grenznutzen.

  • Prompt-Sensitivität

    Unterschiedliche Prompt-Formulierungen verändern die relative Stärke einzelner Heuristiken.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
23 / 68
Block 03 / 06 · Praxis-Methodik

Die Drei-Säulen-Methodik

Vom theoretischen Verständnis zur maschinenlesbaren Autorität

„Wie machen wir eigene Industrie-Expertise für Maschinen unübersehbar und zitierfähig?“
Vom Verstehen zur praktischen Exzellenz: Das Zusammenspiel aus Schema.org-Entitäten, E-E-A-T und Information Gain Content Design.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
24 / 68

Die Drei-Säulen-Methodik für GEO

Das ganzheitliche Framework für nachhaltige Sichtbarkeit in KI-Modellen

1
{cue:hl-pillar-schema}Schema.org @graph Architektur{/cue}, JSON-LD, standardisiertes semantisches HTML5 und eindeutige Entitäten-URIs.

Säule 1: Struktur

Schema.org @graph Architektur, JSON-LD, standardisiertes semantisches HTML5 und eindeutige Entitäten-URIs.

→
2
{cue:hl-pillar-infogain}Information Gain Scores{/cue} maximieren, BLUF-Informationsarchitektur, dichte Vergleichstabellen und proprietäre Messdaten.

Säule 2: Content

Information Gain Scores maximieren, BLUF-Informationsarchitektur, dichte Vergleichstabellen und proprietäre Messdaten.

→
3
{cue:hl-pillar-eeat}E-E-A-T-Signale{/cue}, Co-Citations, Autorenvalidierung via ORCID / Wikidata und institutionelle akademische Verankerung.

Säule 3: Autorität

E-E-A-T-Signale, Co-Citations, Autorenvalidierung via ORCID / Wikidata und institutionelle akademische Verankerung.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
25 / 68

Deep-Dive: Schema.org im Detail

Die verbindliche Lingua Franca zwischen Unternehmenswebsite und KI-Webcrawlern

Die 5 B2B-Kern-Entitätstypen

  • Organization

    Rechtlicher Name, Logo, sameAs zu Wikidata und LinkedIn, Standorte.

  • Person

    Geschäftsführung und Lead-Ingenieure mit ORCID und Patenten.

  • Product

    Industrieprodukte mit GTIN, MPN und ISO-Zertifikaten.

  • TechArticle & FAQPage

    Direkte Frage-Antwort-Paare mit autoritativem Verfasser .

Das @id-Prinzip: Eindeutige URIs

// Canonical Entity URIs

Eindeutige URIs verknüpfen Entitäten global: https://firma.at/#organization, https://firma.at/team/dr-mueller/#author und https://firma.at/produkte/serie-x/#product.

  • Keine redundante Doppel-Definition

    Entitäten werden einmal deklariert und via URI referenziert.

  • Global eindeutiger Wissensgraph

    Sprachmodelle fusionieren alle Aussagen unter derselben ID.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
26 / 68

JSON-LD: Entitäts-Fundament

Disambiguierung von Marke und Urheber über eindeutige URI-Identifier im @graph

schema-entities.jsonld
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://hackenberg.tech/#organization",
      "name": "Dr. Georg Hackenberg Consulting",
      "url": "https://hackenberg.tech",
      "sameAs": [
        "https://www.linkedin.com/in/georghackenberg/",
        "https://orcid.org/0000-0003-3913-4148"
      ]
    },
    {
      "@type": "Person",
      "@id": "https://hackenberg.tech/#georg",
      "name": "Dr. Georg Hackenberg",
      "jobTitle": "Professor für Informatik",
      "worksFor": { 
        "@id": "https://www.fh-ooe.at/#organization" 
      },
      "sameAs": "https://orcid.org/0000-0003-3913-4148"
    }
  ]
}

Entitäten & Autorität

Eindeutige Entitätsverankerung

Disambiguierung von Marke und Urheber über globale Linked-Data-Register als maschinenlesbarer Schutz vor Modell-Halluzinationen.

  • Globale URIs (@id)

    Vergibt für Marke und Person eindeutige, webweit referenzierbare Identifier zur zweifelsfreien Knotenverknüpfung im Knowledge Graph.

  • sameAs-Verknüpfung

    Verbindet lokale Entitäten direkt mit ORCID, Wikidata und LinkedIn-Profilen als extern verifizierbare Vertrauensanker.

  • Institutionelle Provenienz

    Verknüpft Personen über worksFor unmissverständlich mit der Primärorganisation und sichert den fachlichen Autoritätsnachweis.

Dieses maschinenlesbare Entitätsnetz bildet das Rückgrat für verlässliches Grounding in generativen Suchsystemen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
27 / 68

JSON-LD: Content-Graph

Verknüpfung von Fachartikeln, Urhebern und Themen ohne Datenredundanz für KI-Crawler

schema-article.jsonld
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "TechArticle",
      "@id": "https://hackenberg.tech/posts/geo/#article",
      "headline": "Generative Engine Optimization",
      "inLanguage": "de-AT",
      "author": { 
        "@id": "https://hackenberg.tech/#georg" 
      },
      "publisher": { 
        "@id": "https://hackenberg.tech/#organization" 
      },
      "about": [
        { "@type": "Thing", "name": "Künstliche Intelligenz" }
      ]
    }
  ]
}

Relationale Ingestion

0-Redundanz im Wissensgraphen

Statt Metadaten zu kopieren, verlinkt der Artikel per URI-Pointer auf bestehende Knoten.

  • Relationale Verknüpfung

    Autor und Publisher werden über `@id`-Referenzen ohne Datenredundanz angebunden .

  • 0-Halluzinationen für LLMs

    GPTBot und Perplexity extrahieren Urheberschaft und Provenienz als harte Fakten.

  • Semantisches Themennetz

    Das `about`-Feld bindet Inhalte strukturiert in den globalen Themenkontext ein.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
28 / 68

E-E-A-T & Autorenautorität

Warum Sprachmodelle anonyme Artikel abwerten und verifizierte Experten bevorzugen

Autoren-Validierung nach E-E-A-T

Praktische Projekterfahrung
E · Experience
Patente & Publikationen
E · Expertise
Fachzitate & Gremien
A · Authority
Verifizierte Profile & Peers
T · Trust

Modell-Verhalten & Glaubwürdigkeit

Google E-E-A-T definiert zentrale Vertrauenssignale – in Sprachmodellen führt die explizite Ausweisung verifizierter Fachautoren zu klarer Bevorzugung gegenüber generischem KI-Spam bei der Quellenwahl.

B2B Best-Practice Autorenprofil

  • Dedizierte Autoren-URL

    Eigene Profilseite für jeden Fachautor (z. B. `/team/dr-schmidt/`).

  • sameAs-Verknüpfung

    Direkte Links auf ORCID, Scholar und LinkedIn sowie externe Register und offizielle Fachgremien im JSON-LD.

B2B-Differenzierung

Echte Autorenprofile schaffen den entscheidenden Vertrauensanker im B2B: Nachweisbare Industrieprojekte und Normengremien sichern langfristig die Zitierfähigkeit und hohe Entitäts-Autorität in generativen Sprachmodellen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
29 / 68

E-E-A-T: Experience (Praxiserfahrung)

Reale Felddaten: Warum KI-Modelle Primärdaten gegenüber synthetischer Theorie bevorzugen

Ingenieur an einem industriellen Prüfstand mit realen Messreihen und Telemetriedaten

First-Hand Experience im Industrie-Einsatz

10.000h Dauertests statt Stock-Grafiken

Google Helpful Content Richtlinien : Reale First-Hand Experience filtert synthetischen KI-Spam zuverlässig aus.

  • 10.000h Dauertest-Messreihen

    Veröffentlichung von unverfälschten Messreihen und Ausfallwahrscheinlichkeiten aus realen Belastungsproben.

  • Werkstatt- und Montagefotos

    Dokumentation von realen Baugruppen und Werkzeugen aus der Werkstatt statt austauschbarer Stock-Grafiken.

  • Praxis-Fehleranalysen

    Nachweisbarer Erkenntnisgewinn durch konkrete Fehleranalysen und Grenzwert-Erfahrungen aus dem Industriealltag.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
30 / 68

E-E-A-T: Expertise (Fachkompetenz)

Mathematische Tiefe: Wie namentliche Experten, Patente und Berechnungen Zitationen sichern

Leitende Ingenieurin analysiert FEA-Spannungssimulationen und mathematische Patentformeln

Wissenschaftliche Tiefe & Urheberschaft

Namentliche Fachexperten und formale Berechnungen

Google Qualitätsstandards : Nachweisbare Qualifikation und formale Modellierung erzeugen maximale Zitationswahrscheinlichkeit.

  • Namentliche Lead-Ingenieure

    Detaillierte Autorenprofile mit akademischem Hintergrund und Fachschwerpunkten.

  • Patente & FEA-Modelle

    Transparente Dokumentation von patentierten Verfahren und Berechnungsmodellen.

  • Konkrete Berechnungsformeln

    Veröffentlichung von belastbaren Auslegungsformeln für Traglasten und thermische Belastungen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
31 / 68

E-E-A-T: Authoritativeness (Autorität)

Peer-Anerkennung: Wie Gremienarbeit, Keynotes und Fachzitate die Marken-Autorität stärken

Wissenschaftliche Peer-Validierung und Fachbeitrag in Normungsgremien

Externe Validierung & Fachöffentlichkeit

Anerkennung durch Gremien und Branchennetzwerke

Google Quality Rater Guidelines : Autorität wird von Suchmaschinen über Co-Zitationen und externe Fachgremien validiert.

  • Keynotes & Fachtagungen

    Dokumentation von Keynote-Vorträgen auf Industrie- und Hochschulkongressen.

  • Gremienarbeit & Richtlinien

    Nachweisbarer Einsatz durch aktive Gremienarbeit in VDI- und Normungsausschüssen.

  • Fachmedien-Zitate & Ko-Zitationen

    Erwähnungen durch unabhängige Fachmedien-Zitate und universitäre Forschungskooperationen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
32 / 68

E-E-A-T: Trustworthiness (Vertrauenswürdigkeit)

Datenintegrität: Das E-E-A-T-Fundament durch ISO-Audits, Prüfzeugnisse und offene Grenzwerte

Koordinatenmessmaschine im Messraum mit holografischem ISO 9001 Prüfsiegel und Prüfmatrix

Geprüfte Datenintegrität & Nachprüfbarkeit

Höchste Relevanz im Google Quality Framework

Google Quality Framework : Trust ist der zentrale Dreh- und Angelpunkt – ohne verifizierte Integrität greifen Abwertungsfilter.

  • ISO-Zertifikate & Audits

    Direkte Bereitstellung von offiziellen ISO-Zertifikaten und akkreditierten Prüfberichten.

  • Präzise Toleranzangaben

    Publikation von exakten Toleranzgrenzen und Werkstoffspezifikationen ohne Werbefloskeln.

  • Transparente Prüfmethodik

    Dokumentation von offenen Messmethoden mit transparentem Revisionsverlauf.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
33 / 68

Information Gain & Content-Design

Google Patent US 11,720,613 B2 & BLUF: Warum Primärdaten nach vorne gehören

Klassischer SEO-Fülltext (Abstrafung)

„In der heutigen modernen Welt wird Energieeffizienz für Unternehmen immer wichtiger. Viele fragen sich daher, was eine Industriepumpe ist… In diesem Beitrag beleuchten wir ausführlich…“

  • Floskelhafte Einleitung

    Liefert keine neue Information für das Retrieval-Modell.

  • Versteckte Kennzahlen

    Wichtigste Daten werden erst am Seitenende versteckt.

  • Irrelevante Chunks

    Chunker extrahiert wertlose Füllsätze ins Kontextfenster.

BLUF-Prinzip: Bottom Line Up Front

Direktantwort (45 Wörter): Magnetkupplungspumpen der Serie X erreichen bei 2.900 U/min einen Wirkungsgrad von 84,2 % und sparen gegenüber herkömmlichen Stopfbuchspumpen bis zu 14,8 kWh pro Betriebstag ein. Sie sind nach ATEX Zone 1 zertifiziert.

  • Antwort in den ersten 50 Wörtern

    Dient als idealer Zitationsblock für Perplexity und Gemini direkt am Dokumentanfang für die automatisierte Extraktion in RAG-Systemen.

  • Proprietäre Messwerte

    Sichert hohen Information Gain durch exklusive Primärdaten .

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
34 / 68

Das BLUF-Prinzip im Content-Design

Bottom Line Up Front: Die umgekehrte Pyramide für perfekte maschinenlesbare Extraktion

Umgekehrte Informationspyramide nach dem BLUF-Prinzip für maschinenlesbare Inhaltsaufbereitung

Aufbau eines KI-optimierten Fachartikels

Erste 45 Wörter entscheiden über Zitation

Information Gain Optimierung : Schnelle semantische Treffer im ersten Chunk.

  • 1. Bottom Line (Kernantwort)

    Die gesuchte Spezifikation liefert der erste Satz als präzise Kernantwort.

  • 2. Spezifikations-Tabelle

    Wichtige Kennzahlen folgen in einer strukturierten Markdown-Tabelle.

  • 3. Kontext & Methodik

    Erst danach liefern Hintergründe und Methodik das Fundament für LLM-Begründungen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
35 / 68

BLUF in der Praxis: A/B-Vergleich im B2B

Fluff vs. Information Gain: Wie strukturierte Antworten RAG-Chunker und Zitate sichern

Vorher: Werblicher Floskeltext

45 Wörter ohne eine einzige Kennzahl

„In der heutigen dynamischen Welt des Maschinenbaus stehen Konstrukteure vor großen Herausforderungen. Als führender Partner entwickeln wir maßgeschneiderte, zukunftssichere Antriebslösungen…“

  • Null Information Gain

    Ausschließlich austauschbare Worthülsen über zukunftssichere Lösungen ohne überprüfbaren Faktengehalt oder technische Parameter.

  • Hohe semantische Entropie

    Unkonkrete Werbesprache, deren hohe Entropie im Rauschen des Embedding-Raums untergeht und beim Retrieval verworfen wird.

Nachher: BLUF-Direktantwort & Tabelle

Antwort im 1. Satz + strukturierte Tabelle

„Planetengetriebe PG-40: 120 Nm, < 3 arcmin, η = 97 %.“

ParameterWertNorm / Bedingung
Nenndrehmoment120 NmDauerbetrieb (S1)
Verdrehspiel< 3 arcminStandard
Wirkungsgrad97 %Volllast (3000 min⁻¹)
  • Sofortiger Information Gain

    Liefert dem Retrieval-Modell exakte Kennzahlen innerhalb der ersten 25 Token.

  • Strukturierte Extraktion

    Direkte Übernahme der Tabelle in KI-Antworten.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
36 / 68
Block 04 / 06 · Web-Labor & Live-Demo

Blick ins Web-Labor

Architektur, Tooling und automatisierte Qualitätskontrolle

„Die Gretchenfrage: Braucht der Mittelstand dafür ein 20-köpfiges Entwicklerteam?“
Die Antwort aus unserer Forschung: Agentic Workflows, das Model Context Protocol (MCP) und automatisierte CI/CD-Gates genügen.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
37 / 68

Vom CMS zu Agentic Web Publishing

Web-Labor (hackenberg.tech): Google Antigravity als primäres Designer- und Editor-Werkzeug

Klassisches CMS (WordPress / TYPO3)

Schwerfällige Monolithen & Plugin-Ballast

Redakteure tippen in WYSIWYG-Editoren; Datenbanken erzeugen überladenen DOM-Code und Sicherheitslücken.

  • DOM-Bloat & Code-Ballast

    Verschachtelte Strukturen und Plugins erzeugen überladenen DOM-Code und Sicherheitslücken.

  • Datenbank-Latenz

    Dynamisches Rendern bremst KI-Crawler durch langsame Server-Response-Times aus.

  • Hohe Wartungskosten

    Agenturabhängigkeit für jedes Schema-Update und Plugin-Sicherheits-Patch.

Agentic Web Publishing (hackenberg.tech)

Erfahrungsbericht aus meinem Web-Labor

Kein CMS: Ich instruiere Google Antigravity per natürlichem Sprach-Prompt als primäres Editor- und Architekturentool.

  • Git-Native Bearbeitung

    Der Agent schreibt reines semantisches Astro-HTML, MDX und JSON-LD direkt im Git.

  • Radikale Prozessgeschwindigkeit

    Artikel, Folien und Schemas entstehen in Minuten statt monatelangen Agentur-Sprints.

  • Globale Edge-Performance

    Statische HTML-Auslieferung garantiert blitzschnelle Ladezeiten unter 100 ms für Crawler.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
38 / 68

Repository-Architektur & System-Prompts

Wie `AGENTS.md` als verbindliche Leitplanke für autonome Coding-Agenten fungiert

System-Prompt Leitplanken (AGENTS.md)

Deterministischer Agenten-Kodex

Google Antigravity folgt einem strikt versionierten Regelwerk im Repository.

  • Anti-Halluzinations-Gate

    Der Agent darf keine Fakten oder Zahlen ohne explizite Primärquellen erfinden.

  • 5-Punkte-Checkliste

    Jedes Dokument muss barrierefreie Cues und 100 % Zitationsparität aufweisen.

  • Plattform-Disziplin

    Vermeidung von Linux-Bash-Syntax, saubere PowerShell-Kommandos und strikte TypeScript-Typisierung.

Co-Location & Asset-Organisation

Alles an einem Ort (Co-Location)

Texte, Daten, Audio-Cues und Zitationen liegen direkt im Content-Verzeichnis neben dem Code.

  • 100 % Versioniert im Git

    Jede Text- und Code-Änderung ist per Commit-Historie auditierbar und revertierbar.

  • Keine CMS-Sicherheitslücken

    Vollständiger Verzicht auf angreifbare SQL-Datenbanken und dynamische Server-Schwachstellen.

  • Compile-Time Determinismus

    Inhalte werden im Build-Schritt deterministisch zu statischen Seiten transformiert.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
39 / 68

Das Model Context Protocol (MCP)

Werkzeuge für den Agenten: Der Unified Analytics MCP Server im praktischen Einsatz

3-Schichten-Architektur von MCP

Google Antigravity / Claude / Gemini

↓ JSON-RPC 2.0 Interface ↓

Standardisierte Tool Discovery & Security

↓ Tool Execution ↓

Lighthouse / Filesystem / Git / Search Console

Unser Unified Analytics MCP Server

  • Tool: get_page_audit

    Führt GSC-Suchdaten und Plausible-Engagement in einem konsolidierten Audit zusammen und korreliert organische Klickraten direkt mit realer Lesezeit und Scroll-Tiefe.

  • Tool: find_seo_opportunities

    Identifiziert Striking-Distance-Keywords auf den Rängen 4 bis 15 zur gezielten Nachoptimierung von Snippets, Überschriften und semantischer Entitätsdichte im Fachartikel.

  • Tool: evaluate_aio_extractability

    Prüft Zitierfähigkeit in generativen Overviews vor dem Release anhand von BLUF-Struktur, Faktendichte und JSON-LD-Parität.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
40 / 68

Live-Demo: Agentisches Audit & Dev-Studio

Vom Prompt in Google Antigravity zum Audit-Bericht und visuellen Analytics-Overlays im Browser

Live-Demo Prompt (Kopierbar)

Prompt für Google Antigravity

„Führe ein SEO- und AIO-Audit für /posts/2026_08_11_seo_geo_aeo_aio_optimierung/ durch: Analysiere Verweildauer und Scroll-Funnel per get_page_audit, evaluiere AIO-Zitierbarkeit und BLUF-Muster per evaluate_aio_extractability und erstelle einen kompakten Bericht mit priorisierten Maßnahmen.“

Praxis-Tipp für den Live-Einsatz: Diesen strukturierten Prompt direkt in Google Antigravity einfügen – der Agent orchestriert selbstständig alle MCP-Tool-Aufrufe, verknüpft die Telemetriedaten und generiert in Sekunden den fertigen Maßnahmenplan.

Workflow der Live-Demonstration

  • 01. Unified Analytics MCP

    Agent ruft über den Unified Analytics MCP get_page_audit und evaluate_aio_extractability auf.

  • 02. Priorisierter Audit-Bericht

    Antigravity liefert einen priorisierten Audit-Bericht mit Scroll-Funnel und AIO-Score.

  • 03. Dev-Studio-Shell

    Wechsel in die Dev-Studio-Shell im lokalen Browser zur visuellen Seitenanalyse.

  • 04. Analytics-Overlays

    Live-Inspektion der visuellen Overlays für Scroll-Tiefe und Leser-Retention direkt auf der gerenderten Artikel-Oberfläche.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
41 / 68

Crawler-Budget & Bot-Barrieren

Die Ökonomie der Indexierung: Warum Latenzen und Timeouts Ihre Inhalte für KI-Bots unsichtbar machen

Infrastruktur-Pipeline zur Allokation von Crawler-Budget und Timeouts für KI-Web-Crawler

Budget-Faktoren für KI-Bots

Strikte Rechenzeit- und Verbindungs-Limits

Google Search Central : Crawl-Kapazität sinkt bei langsamen Serverantworten drastisch ab.

  • High-Throughput-Pfad (LCP ≤ 2,5 s)

    Geringe Latenzen sichern, dass blitzschnelle statische HTML-Seiten hunderte Dokumente indexierbar machen.

  • Latenz-Verlust (Hohe Serverlast)

    Überlastete Backends führen dazu, dass hohe Serverlatenzen das Crawl-Rate-Limit drastisch drosseln.

  • Timeout-Barriere (Budget Exhausted)

    Wird das Limit erreicht, führt die Timeout-Barriere zu unvollständiger Indexierung der Domain.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
42 / 68

Core Web Vitals: Der KI-Crawler-Filter

LCP, INP & CLS: Warum Millisekunden über die Aufnahme in den RAG-Index entscheiden

Performance-Dashboard zur Visualisierung der Core Web Vitals LCP, INP und CLS für KI-Crawler

Harte Grenzwerte für KI-Crawler

Aggressive HTTP-Timeouts von KI-Crawlern

Google Web Vitals : Crawler von GPTBot und Perplexity brechen nach 2–3s ab.

  • LCP ≤ 2,5 s (Largest Contentful Paint)

    Ein LCP unter zweieinhalb Sekunden sichert sofortige Extraktion des Hauptinhalts.

  • INP ≤ 200 ms (Interaction to Next Paint)

    Ein INP unter zweihundert Millisekunden verhindert Script-Blockaden bei Interaktionen.

  • CLS ≤ 0,1 (Cumulative Layout Shift)

    Ein CLS unter null Komma eins garantiert visuelle Stabilität ohne Layout-Ruckler.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
43 / 68

Automatisierte Qualitätsaudits (Lighthouse MCP)

Warum perfekte 100er-Scores die Eintrittskarte für KI-Crawler sind

Lighthouse Core Scores

Perfekte 100/100 Scores minimieren Crawling-Abbrüche

Wenn eine Seite Ladezeitverzögerungen aufweist, brechen KI-Crawler den Render-Prozess vorzeitig ab.

Performance (LCP < 0.8s, FCP 0.4s)
100 / 100
Accessibility (Kontraste & ARIA)
100 / 100
Best Practices (HTTPS & CSP)
100 / 100
SEO (Metadaten & Canonical)
100 / 100

Pre-Commit CI/CD Gatekeeper

audit-runner.sh
$ npx lighthouse-mcp audit http://localhost:4321
✓ Performance: 100/100 (Speed Index: 0.6s)
✓ Accessibility: 100/100 (ARIA attributes valid)
✓ Best Practices: 100/100 (No deprecated APIs)
✓ SEO: 100/100 (Valid JSON-LD & meta title)
✓ All Quality Gates Passed. Proceeding to Edge Deploy.

Automatisierte Freigabe

Erst wenn das lokale Audit via MCP-Protokoll fehlerfrei durchläuft, gibt die Pre-Commit-Pipeline das Edge-Deployment frei.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
44 / 68

Datenschutzkonforme Telemetrie (Plausible)

100 % DSGVO-Konformität ohne Cookie-Banner – mit semantischer Verweildauer- und Intent-Messung

Semantische Telemetrie (telemetry.ts)

2.0s Dwell-Threshold via IntersectionObserver

window.setTimeout(…, 2000) bei ≥ 50 % Viewport-Sichtbarkeit

  • Echte Lesezeit statt Bounce-Raten

    IntersectionObserver filtert flüchtige Bounces heraus und erfasst nur verweilende Fachleser.

  • Interaktions-Tracking

    Automatisierte Erfassung von Klick- und Dwell-Raten für Inhaltskarten im Viewport.

  • KI-Referrer Segmentierung

    Erfasst Referral-Traffic aus Antwortsystemen.

DSGVO-Exzellenz ohne Reibung

  • Keine Cookies, kein Fingerprinting

    Vollständig konform mit DSGVO, ePrivacy und TTDSG – ganz ohne lästiges Consent-Banner, sodass der erste Eindruck auf der Landingpage ungestört bleibt.

  • Unter 1 KB Ladezeit

    Verhindert Performance-Einbußen durch ultraleichten Skript-Footprint unter 1 KB und schützt damit nachhaltig Core Web Vitals sowie das Crawl-Budget technischer Dokumentationen.

  • 100 % Datenqualität

    Erzielt vollständige Messgenauigkeit ohne Opt-Out-Verluste, während klassische Cookie-Tracking-Suiten im europäischen B2B-Umfeld oft über 40 % aller Sitzungen verlieren.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
45 / 68
Block 05 / 06 · B2B-Vernetzung

B2B Social Media & Vernetzung

Autorenautorität im vernetzten Wissensgraphen

„Warum ist LinkedIn für KI-Antwortsysteme das wichtigste externe Verifikationsnetzwerk?“
Thought Leadership als Entitätsanker: Wie sameAs-Verknüpfungen im Hub-and-Spoke-Modell Marken und Köpfe autorisieren.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
46 / 68

B2B Social Media & Thought Leadership

Edelman-Studie: Warum Fachautorität auf LinkedIn Kaufentscheidungen und KI-Modelle steuert

Empirische Befunde (Edelman & LinkedIn 2024)

3.500 befragte B2B-Entscheider weltweit

Die Edelman-LinkedIn-Studie beweist: Fachbeiträge von Experten wiegen schwerer als Marketingmaterial.

  • 75 % Nachfrage-Impuls

    Drei Viertel der B2B-Käufer recherchieren neue Anbieter nach starkem Thought Leadership.

  • 73 % Glaubwürdigkeit

    Entscheider bewerten Kompetenz wesentlich glaubwürdiger über Fachbeiträge von Ingenieuren.

  • 60 % Preisbereitschaft

    Sechzig Prozent der Entscheider zahlen nachweislich einen Preisaufschlag für klare Thought Leader.

Social Signals als Treibstoff für KI-Modelle

Echtzeit-Validierung für Wissensgraphen

Antwortsysteme wie Perplexity und Gemini nutzen Social Signals als Echtzeit-Validierung für Marken- und Personenreputation.

  • Entitäts-Verstärkung im Modell

    Persönliche Profile von Experten stärken die thematische Autorität des Unternehmens im LLM.

  • Kürzere Vertriebszyklen

    Social Thought Leadership verkürzt Vertriebszyklen vor dem ersten persönlichen Kontakt.

  • 54 % C-Level Konsum

    Über die Hälfte der Führungskräfte verbringt wöchentlich über eine Stunde mit LinkedIn-Fachinhalten.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
47 / 68

Corporate Influencing & Employee Advocacy

Hinge & Edelman: Warum Fachexperten als Markenbotschafter das Unternehmenswachstum treiben

Empirie & Vertrauenskapital

Hinge Research Institute & Edelman Trust Barometer

Studien mit über 1.000 B2B-Käufern und weltweiten Entscheidern : High-Growth-Unternehmen haben zu 75 % mehr Visible Experts.

  • 64 % Neugeschäftsimpuls

    Studie belegt: Persönliche Fachpräsenz führt direkt zu neuen Ausschreibungsgewinnen.

  • Höchste Glaubwürdigkeit

    Edelman-Befund: Technical Experts genießen weit mehr Vertrauen als CEOs oder PR-Teams.

  • Der Halo-Effekt

    Die persönliche Reputation strahlt direkt und dauerhaft auf die Unternehmensmarke ab.

4 B2B-Organisationsmodelle

Passende Modelle für jeden Reifegrad & Zeiteinsatz

Weg vom starren PR-Maulkorb – hin zu agilen, ressourcenschonenden Enabler-Strukturen.

  • 1. Kuratierung & Diskurs

    Fachstudien teilen mit 2–3 Sätzen Einordnung.

  • 2. Enablement & Coaching

    Befähigung der Experten zum Fachpublizieren.

  • 3. Tandem & Co-Kreation

    15-Min.-Audio-Interview für die Redaktion.

  • 4. Modulare Content-Library

    Geprüfte Datenblöcke und Charts als Baukasten.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
48 / 68

Modell 1: Kuratierung & Diskurs

Schnelle Fachautorität: Branchenstudien und Normen mit 2–3 Sätzen Praxiseinordnung veredeln

Ingenieur an digitaler Workstation beim Kommentieren einer technischen Norm

Curation & Insight im Detail

Minimaler Zeiteinsatz – maximale Glaubwürdigkeit

Keine leeren Marketing-Worthülsen: Das Kuratieren und Schärfen von Primärdaten senkt die Zeithürde auf 15 Minuten pro Woche.

  • Primärdaten als Hebel

    Fachexperten müssen keine langen Essays schreiben, sondern teilen Normen, Whitepaper oder Studien.

  • Praxis-Filter (So what?)

    Der unschätzbare Mehrwert liegt in 2–3 Sätzen Praxiseinordnung: Was bedeutet das konkret für Anlagenbetreiber?

  • Grounding-Signale für KIs

    Fachkommentare und Zitate liefern hochwertige semantische Kookkurrenzen für Perplexity und LLMs.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
49 / 68

Modell 2: Enablement & Coaching

Befähigung statt Vorgabe: Wie Marketing Mitarbeiter zu eigenständigen Fachautoren entwickelt

Enablement-Workshop im Konferenzraum mit interaktivem Whiteboard

Empowerment & Coaching im Detail

Vom PR-Gatekeeper zum internen Coach

Authentizität lässt sich nicht vorschreiben: Marketing befähigt Fachexperten durch Methoden, Feedback und Algorithmen-Wissen.

  • Kompakte Praxis-Workshops

    Ingenieure lernen Profiloptimierung, Algorithmen-Dynamik und hook-starke Beitragsarchitekturen.

  • Redaktionelles Sparring

    Marketing fungiert als vertrauensvoller Sparringspartner für Headlines, Struktur und Visuals vor dem Posten.

  • 100 % Echte Stimme

    Keine PR-Floskeln: Die unverfälschte Fachsprache der Ingenieure erzeugt maximales Vertrauen im Markt.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
50 / 68

Modell 3: Tandem & Co-Kreation

Tech + MarCom auf Augenhöhe: 15-Minuten-Audio-Interviews als Hebel für Lead-Ingenieure und C-Level

Tandem-Interview zwischen Chefingenieur und Marketingstrategin mit Diktiergerät

Tech-MarCom-Tandem im Detail

Maximale Tiefe bei 15 Minuten Zeitbudget

Kein Schreibdruck für den Experten: Das 15-minütige Audio-Debriefing extrahiert tiefes Fachwissen ohne Reibungsverluste.

  • 15-Minuten-Debriefing

    Marketing stellt 3 präzise Leitfragen zum jüngsten Projekt-Meilenstein oder Kundenproblem via Audio-Aufnahme.

  • Redaktionelle Kaskade

    Kommunikatoren transkribieren und kaskadieren die Kernaussagen in 3–4 hook-starke Fachbeiträge und Karussells.

  • Fachliche Souveränität

    Der Experte kontrolliert alle technischen Fakten und Formeln vor der Freigabe – 100 % inhaltliche Kontrolle.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
51 / 68

Modell 4: Modulare Content-Library

Wissensbaukasten für das Team: Geprüfte Datenblöcke, Charts und Visuals zur flexiblen Selbstbedienung

Modulare digitale Content-Werkbank mit leuchtenden Wissensbausteinen

Modularer Asset-Baukasten im Detail

Konsistente Fakten – individuelle Ausgestaltung

Kein Neuerfinden des Rades: Fachexperten nutzen vorbereitete, geprüfte Medienbausteine und fokussieren sich auf den Fachkommentar.

  • Zentraler Wissens-Pool

    Marketing kuratiert freigegebene CAD-Renderings, Prüfstandskurven, Zitate und Benchmark-Zahlen im Intranet.

  • Modulare Selbstbedienung

    Ingenieure greifen flexibel auf relevante Bausteine zu und kombinieren sie mit ihrer aktuellen Kundenpraxis.

  • Fakten- und Markentreue

    Geprüfte Kennzahlen schützen vor Falschangaben und garantieren konsistente Signale für LLM-Trainingsdaten.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
52 / 68

Unlinked Brand Mentions & Implied Links

Autorität ohne Klicklink: Wie Text-Kookkurrenzen Entitätsvertrauen in LLMs aufbauen

Vergleichsdiagramm zwischen klassischen Hyperlinks und semantischen Implied Links über Unlinked Brand Mentions

Vom Hyperlink zur semantischen Kookkurrenz

Google-Patent US10417240B2: Implied Links

Panda & Roop : Unverlinkte Erwähnungen fließen als Referenzsignal in das Entitätsranking ein.

  • Embedding-Anreicherung (Vektorraum)

    Verteilte Fachpublikationen bewirken, dass Erwähnungen in Branchenberichten den Vektor der Markenentität aufladen.

  • Semantischer Kontext & Sentiment

    Qualitativer Kontext sorgt dafür, dass positiver Sentiment-Kontext die thematische Markenassoziation stärkt.

  • Share-of-Model-Wirkung in LLM-Antworten

    In der generativen Synthese führt dies dazu, dass LLMs bevorzugt Entitäten mit hoher Kookkurrenz-Dichte zitieren.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
53 / 68

Plattform-Bias & Konsens-Validierung

Authoritas-Studie: Warum Perplexity und SearchGPT LinkedIn und Foren als Anker nutzen

The Citation Gap (Authoritas & BrightEdge)

Warum Platz 1 bei Google nicht mehr reicht

Authoritas : Bis zu 80 % der von LLMs zitierten Quellen stammen nicht aus den organischen Top-3-Suchergebnissen.

  • Facts-per-Token Dichte

    Antwortsysteme selektieren hochgradig strukturierte, fakten- und datendichte Textbausteine statt Fließtext.

  • Quellen-Diversifikation

    BrightEdge : Perplexity und Gemini streuen Zitate über Fachnetzwerke, Foren und Portale.

  • Entitäts-Konsistenz

    Nur wenn Aussagen über mehrere unabhängige Plattformen hinweg konsistent sind, greift die Halluzinations-Schranke.

Social Web als Konsens-Filter

Menschliche Interaktion als Grounding-Filter

Reine Marketingtexte erzeugen Misstrauen – Community-Diskurs liefert Validierung.

  • Peer-Review im Live-Web

    LinkedIn-Kommentare und Fachforen liefern Echtzeit-Signale über Fachkonsens und praktische Anwendbarkeit.

  • Grounding-Wahrscheinlichkeit

    Aussagen mit aktiver Fachdiskussion erhalten bei RAG-Retrievals ein signifikant höheres Vertrauens-Gewicht.

  • Echtzeit-Web-Scraping

    Perplexity und SearchGPT crawlen soziale Fachdiskussionen sekündlich für tagesaktuelle Verifikationen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
54 / 68

Multimodales RAG & Video-Dominanz

BrightEdge-Analyse: Warum YouTube mit 29,5 % die mit Abstand meistzitierte Quelle in AI Overviews ist

YouTube als KI-Quelle #1 (BrightEdge)

29,5 % aller Google AI Overviews zitieren YouTube

BrightEdge Research : YouTube ist die mit weitem Abstand meistzitierte Einzeldomain im generativen Suchraum.

  • 200x Plattform-Monopol

    In KI-Antworten wird YouTube 200-mal häufiger referenziert als Vimeo, TikTok oder LinkedIn-Video zusammen.

  • +35,6 % bei How-to-Queries

    Besonders starkes Wachstum: Generative Engines ziehen Videoinhalte bevorzugt für Problemlösungen heran.

  • Multimodale Synthese

    Gemini und GPT-4o fassen gesprochene Erklärungen direkt im Text der KI-Antwort zusammen.

Der unbesetzte B2B-Burggraben

Vom Imagefilm zum didaktischen Visual Explainer

95 % des Mittelstands lassen YouTube brachliegen – Ihre Chance auf KI-Monopole.

  • Fehlinvestition Imagefilm

    Marketing-Werbefilme bieten null Information Gain und werden von KI-Systemen komplett ignoriert.

  • Didaktische Visual Explainers

    Erklärungen von CAD-Modellen, Prüfstandsabläufen und Software-Workflows liefern unersetzliche Fakten.

  • Wettbewerbsfreie Zone

    Weil kaum ein Mitbewerber technische Erklärvideos baut, besetzen frühe Akteure die Video-Citations dauerhaft.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
55 / 68

Strukturierte Video-Architektur für LLMs

Transkripte, Video Chapters & Schema.org: Wie KIs exakte 20-Sekunden-Segmente als Antwort zitieren

Wie KIs Videos verarbeiten

Transkripte als Text-Schnittstelle

Multimodale LLMs operieren auf Token-Ebene: Audio-Transkripte sind das Fundament.

  • Key Moments & Deep Linking

    Zeitstempel teilen Videos in diskrete semantische Sinneinheiten auf.

  • Präzises 20-Sekunden-Snippet

    KIs springen direkt zur relevanten Sekundenmarke statt zum Gesamtvideo.

  • Kognitive Entlastung

    Käufer erhalten die exakte Erklärung des Ingenieurs sofort ohne Wartezeit.

Technischer Implementierungs-Stack

Schema.org Clip-Architektur

Kein Zufall: Strukturierte VideoObject-Daten machen Videos für RAG-Pipelines maschinenlesbar.

  • Schema.org VideoObject

    Deklaration und Einbettung von VideoObject mit hasPart-Clips, startOffset und endOffset im JSON-LD direkt im Seiten-Header.

  • Bereinigtes Transkript

    Einbindung von bereinigten Volltranskripten als Text-Property direkt im DOM.

  • Bidirektionale Graph-Verbindung

    Verknüpfung von YouTube-Video-IDs mit passenden Artikeln der eigenen Domain.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
56 / 68

Praxis-Fallstudie: Mein Omnichannel-Ökosystem

Thought Leadership, Video-Explainer und Open Source als lebender E-E-A-T-Beweis

Omnichannel-Ökosystem: LinkedIn Thought Leadership, YouTube Visual Explainers und GitHub Open Source rund um hackenberg.tech

Das Dreigespann im Detail

Vom Marketing-Monolog zum technischen Beweis

Keine anonyme Corporate-Präsenz, sondern ein synergetischer Verbund aus Expertise, Code und Reichweite .

  • LinkedIn: B2B Thought Leadership

    17.500+ Follower und C-Level-Reichweite für Architektur-Diskurse und Industriekooperationen.

  • YouTube: Didaktische Tiefe

    46 Videos mit Visual Explainers zu Algorithmen und Simulationen als multimodales Signal.

  • GitHub: Radikale Transparenz

    48 Repositories mit 142 Sternen (Flaggschiff CADdrive: 31 Sterne) als nachprüfbarer Proof of Work.

  • Kanonischer Website-Anker

    Rückbindung aller Kanäle an hackenberg.tech, im Wissensgraph über sameAs zu einer Entität verschmolzen.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
57 / 68

Vernetzte Omnichannel-Architektur & Tools

Hub-and-Spoke-Prinzip: Website als Faktenanker und Social Media als Reichweitenverstärker

Hub-and-Spoke & Graph-Integration

Zwei-Wege-Synchronisation & Entitätsgraphen

Die Website als kanonische Single Source of Truth – Social Media als Distributionskanal.

  • Kanonischer Fakten-Hub

    Detaillierte Fachartikel, Spezifikationen und Messungen leben exklusiv auf der eigenen Domain.

  • Schema.org sameAs-Graph

    Unternehmensprofile auf LinkedIn, YouTube und Branchenportalen werden über sameAs-URIs bidirektional verknüpft.

  • Content-Recycling Kaskade

    Umfassender Primärcontent zerlegt Fachwissen in LinkedIn-Karussells und Zitate.

Etablierter B2B-Tool-Stack

Etablierter B2B-Tool-Stack

Best Practices und Software für professionelle Industrie-Kommunikation.

  • Buffer & Sprout Social

    Plattformübergreifendes Scheduling und zentrales Kampagnen-Management für Industrieunternehmen.

  • Shield Analytics

    Detailliertes Tracking von Mitarbeiter-Reichweiten und Corporate Influencing Metriken.

  • Taplio & KI-Assistenten

    Unterstützung bei der Kernbotschaften-Aufbereitung aus technischen Primärstudien.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
58 / 68
Block 06 / 06 · Marktdaten & Umsetzung

Marktdaten, ROI & 90-Tage-Fahrplan

Vom Business Case zur operativen Umsetzung

„Rechnet sich das – und was bedeutet die Transformation konkret für Ihr Budget?“
Von Markttrends zur Umsetzung: Enterprise-Architektur, Closed-Loop-Marketing und der 90-Tage-Fahrplan für den Mittelstand.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
59 / 68

Marktverschiebung: Das fragmentierte KI-Ökosystem

Traffic-Verteilung 2026: 9,5 Milliarden monatliche Besuche auf generativen Plattformen

Generative KI-Marktanteile (2026)

Similarweb Research Report (2026)

Globale Traffic-Analyse von 9,5 Milliarden monatlichen KI-Besuchen .

OpenAI (ChatGPT)
53 %
Google (Gemini App)
27 %
Anthropic Claude (+319% YoY)
10 %
Perplexity AI (>1,2 Mrd./M.)
8 %

B2B-Implikationen für die Industrie

Ende des reinen Google-Monopols

B2B-Entscheider konsultieren mehrere Modelle parallel zur Lieferantenauswahl.

  • Multi-Platform-Discovery

    Technische Einkäufer starten ihre Recherche in ChatGPT und Perplexity.

  • Claude als Engineering-Liebling

    Führend für Code- und Systemanalysen.

  • Gefahr des Monokanal-Fokus

    Nur Google verliert 50 % der KI-Käufer.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
60 / 68

B2B-Einkaufsverhalten im Zeitalter von GenAI

Gartner & Opollo Studien 2026: Rep-free Recherche, KI-Shortlists & 14,2% Conversion-Benchmark

Gartner B2B Buyer Survey (2026)

Gartner-Studie (645 B2B-Käufer)

Wandel der Beschaffung durch KI .

  • 45 % erstellen KI-Shortlists

    Fast jeder zweite Einkäufer erstellt initiale Shortlists via Sprachmodelle.

  • 67 % Rep-Free Vorab-Recherche

    Zwei Drittel bevorzugen vorab eine vollständig vertriebsfreie Recherche.

  • 69 % Sales-Validierung

    Vertriebsexperten validieren gezielt die von der KI generierten Empfehlungen.

Opollo AI Conversion Benchmark (2026)

Opollo Research (312 B2B-Unternehmen)

Konversionsdaten von KI-Referrals .

  • 14,2 % vs. 2,8 % Conversion

    KI-Referrals konvertieren mit 14,2 Prozent fünfmal stärker als Google-Suche.

  • Vorqualifizierter Kauf-Intent

    Käufer haben vorab bereits präzise Spezifikationen durch die KI erhalten.

  • Klasse statt Masse

    Weniger Gesamtklicks, aber drastisch höherwertige Vertriebskontakte und RFPs.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
61 / 68

Share of Model (SoM) als neue Leitwährung

Vom Share of Voice zum relativen Anteil in generativen Kaufberatungen

Definition & Berechnungsformel

Share of Model (SoM) Formel

M = Antworten mit Marken-Nennung | P = Gesamte Test-Prompts
SOM=MP\text{SOM} = \frac{M}{P}
  • Systematisches Prompt-Testing

    Prüfung über standardisierte industriespezifische Kaufberatungs-Prompts in Modell-Panels.

  • Unlinked Brand Mentions

    Jede Nennung ohne Hyperlink festigt die Gewichtung im Modell und erhöht Empfehlungen.

Wettbewerbs-Benchmark (B2B Beispiel)

Ihr Unternehmen (GEO-optimiert)
42 %
Wettbewerber A (Klassisch)
24 %
Wettbewerber B (Wenig Content)
18 %
Nicht erwähnt / Sonstige
16 %

Winner-Takes-Most-Dynamik: Anders als klassische Suchergebnisseiten mit zehn blauen Links nennen generative Kaufberatungen meist nur zwei bis drei favorisierte Anbieter – wer durch saubere GEO-Strukturierung die höchste Fakten-, Quellen- und Entitätsdichte im Fachkorpus liefert, dominiert die KI-Antwortsynthese überproportional.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
62 / 68

Der Tool-Markt: Spezial-GEO vs. Enterprise-Suiten

Entscheidungsmatrix zwischen GEO-Startups und etablierten SEO-Suiten

Spezialisierte GEO-Pioniere

Otterly.ai / AthenaHQ / Peec AI

Spezialisiert auf tägliches Prompt-Tracking über ChatGPT, Perplexity & Gemini.

  • Share of Model Metriken

    Tägliche automatisierte Auswertung von Kaufberatungs-Prompts in Modell-Panels.

  • Citation Gap Analysis

    Deckt exakt auf, bei welchen Fragen Konkurrenten zitiert werden.

  • Kostenfaktor

    Hohe monatliche SaaS-Abogebühren bei noch fragmentiertem Tool-Markt.

Etablierte Enterprise-Suiten

Semrush AI Solutions / Ahrefs Brand Graph

Verknüpfen klassisches Keyword- und Backlink-Crawling mit generativen SERP-Snapshots.

  • Google AI Overview Tracking

    Erkennt sofort, welche Suchergebnisse von KI-Boxen dominiert werden.

  • Unlinked Brand Mention Graph

    Erfasst und bewertet Unlinked Brand Mentions und Markenzitate im Netz.

  • All-in-One Plattform

    Nahtlose Einbettung in einem etablierten Gesamtsystem ohne Tool-Bruch.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
63 / 68

Architektur für den Mittelstand (OÖ Fokus)

Die Zwei-Geschwindigkeiten-Architektur: SAP behalten und Astro-Edge vorschalten

1
Bestehende Unternehmenssysteme {cue:hl-arch-record}bleiben unangetastet{/cue}: TYPO3, WordPress, Pimcore oder SAP ERP.

System of Record (Backend)

Bestehende Unternehmenssysteme bleiben unangetastet: TYPO3, WordPress, Pimcore oder SAP ERP.

→
2
Schlanke Headless API aggregiert Produkte und Normen. Generiert automatisch den {cue:hl-arch-graph}Schema.org @graph{/cue}.

Semantischer Graph-Layer

Schlanke Headless API aggregiert Produkte und Normen. Generiert automatisch den Schema.org @graph.

→
3
Hochoptimierte Auslieferung an CDN-Knoten mit {cue:hl-arch-edge}Ladezeiten unter 300 Millisekunden{/cue} für KI-Crawler.

Astro Edge Layer (Frontend)

Hochoptimierte Auslieferung an CDN-Knoten mit Ladezeiten unter 300 Millisekunden für KI-Crawler.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
64 / 68

Marketing Automation & Closed-Loop GEO

Der geschlossene Regelkreis: Vom KI-Zitationsverlust über autonome Agenten ins CRM

1

Monitoring Alert

Tool registriert Zitationsverlust bei Schlüssel-Prompt in ChatGPT oder Perplexity.

Tool registriert {cue:hl-loop-zitation}Zitationsverlust{/cue} bei Schlüssel-Prompt in ChatGPT oder Perplexity.
2

Agenten-Refactoring

KI-Agent analysiert Quellcode, ergänzt Spezifikationen und schärft den BLUF-Antwortblock.

KI-Agent analysiert Quellcode, ergänzt Spezifikationen und schärft den {cue:hl-loop-bluf}BLUF-Antwortblock{/cue}.
3

Experten-Freigabe

Fachexperte prüft den Git-Pull-Request via Human-in-the-Loop Sicherheit.

Fachexperte prüft den Git-Pull-Request via {cue:hl-loop-hitl}Human-in-the-Loop{/cue} Sicherheit.
4

CRM Lead Attribution

Neuer Lead trifft im CRM mit Zitations-Referrer ein und schließt den Regelkreis.

Neuer Lead trifft im {cue:hl-loop-crm}CRM mit Zitations-Referrer{/cue} ein und schließt den Regelkreis.
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
65 / 68

Empirische Studien & Branchenergebnisse

Messbare Zitationsmuster: Was Authoritas und Bain & Company für Entscheider nachweisen

Authoritas SERP-Studie (2024)

Zitationsmuster in Google AI Overviews

Analyse von Tausenden generativer SERP-Abfragen .

  • Entkopplung von Rang 1

    Über 62 Prozent der zitierten Quellen stammen nicht aus den Top-3-Suchtreffern.

  • Dominanz strukturierter Daten

    Modelle bevorzugen maschinenlesbare Produktdatenblätter und FAQs gegenüber Fließtext.

  • Nischen-Spezialisierung

    Fachspezifische Anbieter erzielen signifikante Zitationsgewinne gegenüber Generalisten.

Bain & Company Marktanalyse (2025)

The New Middleman & Funnel-Kollaps

Wie KI-Agenten Marketing und Vertrieb verändern .

  • 80 % Zero-Click Penetration

    Achtzig Prozent der Nutzer nutzen KI-Zusammenfassungen für mindestens 40 % der Suchen.

  • 15–25 % Traffic-Rückgang

    Klassischer Website-Traffic sinkt um 15 bis 25 Prozent bei Standard-Suchanfragen.

  • Kollaps des Trichters

    Recherche, Vergleich und Shortlist verschmelzen in einer einzigen KI-Interaktion.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
66 / 68

Strategische Key Takeaways

Die drei goldenen Leitregeln für Geschäftsführer, Marketingleiter und Architekten

1
Bauen Sie {cue:hl-takeaway-graphen}Wissensgraphen statt Keyword-Friedhöfe{/cue}. Eindeutige Schema.org-URIs verankern Ihre Produkte im Modellwissen.

Vom Keyword zur Entität

Bauen Sie Wissensgraphen statt Keyword-Friedhöfe. Eindeutige Schema.org-URIs verankern Ihre Produkte im Modellwissen.

→
2
Automatisieren Sie die Qualitätssicherung mit {cue:hl-takeaway-agenten}MCP-Dev-Agenten{/cue}. Keine fehlerhaften Seiten mehr auf dem Edge-Server.

Agenten als Gatekeeper

Automatisieren Sie die Qualitätssicherung mit MCP-Dev-Agenten. Keine fehlerhaften Seiten mehr auf dem Edge-Server.

→
3
Liefern Sie {cue:hl-takeaway-primaer}proprietäre Primärdaten und Messungen{/cue}. Nur einzigartiges, verifiziertes Wissen wird von LLMs zitiert.

Information Gain erzeugen

Liefern Sie proprietäre Primärdaten und Messungen. Nur einzigartiges, verifiziertes Wissen wird von LLMs zitiert.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
67 / 68

Der 90-Tage-Fahrplan für Unternehmen

In drei aufeinander aufbauenden Phasen zur zukunftssicheren GEO-Architektur im Mittelstand

1
{cue:hl-phase-baseline}Share of Model mit 50 Kern-Prompts{/cue} ermitteln. Schema.org-Validierung durchführen. Wettbewerber-Zitationen erfassen.

Tage 1–30: Audit & Baseline

Share of Model mit 50 Kern-Prompts ermitteln. Schema.org-Validierung durchführen. Wettbewerber-Zitationen erfassen.

→
2
Autorenprofile mit Wikidata/ORCID verknüpfen. Top-10-Produktseiten nach dem {cue:hl-phase-bluf}BLUF-Prinzip überarbeiten{/cue}. MCP-Dev-Agenten testen.

Tage 31–60: Struktur & Content

Autorenprofile mit Wikidata/ORCID verknüpfen. Top-10-Produktseiten nach dem BLUF-Prinzip überarbeiten. MCP-Dev-Agenten testen.

→
3
{cue:hl-phase-edge}Zwei-Geschwindigkeiten-Edge-Layer{/cue} aufsetzen. Zitations-Monitoring etablieren und CRM-Lead-Attribution automatisieren.

Tage 61–90: Scale & Closed-Loop

Zwei-Geschwindigkeiten-Edge-Layer aufsetzen. Zitations-Monitoring etablieren und CRM-Lead-Attribution automatisieren.

Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
68 / 68

Synthese & Weiterführende Ressourcen

Die Kernfragen für maschinenlesbare Sichtbarkeit und Wissensgraphen

Zentrale Leitfragen zur Umsetzung

  • Klick-Rückgang

    Spüren Sie in Ihrem Unternehmen bereits den Rückgang von organischem Klick-Traffic durch KI-Overviews?

  • Agenten & Governance

    Welche Governance-Anforderungen bestehen beim Einsatz lokaler autonomer Entwickler-Agenten?

  • Zuständigkeit im Betrieb

    Wer übernimmt im Betrieb künftig die Verantwortung für semantische Wissensgraphen?

Kontakt & Ressourcen

Dr. rer. nat. Georg Hackenberg

Professor für Informatik und Industriesysteme

FH Oberösterreich · Campus Wels

Web:hackenberg.techLinkedIn:linkedin.com/in/georghackenbergGitHub:github.com/ghackenbergORCID:0000-0003-3913-4148
Dr. Georg Hackenberg•FH OÖ Campus Wels
https://hackenberg.tech
0:00
0:00
1/68