N-Gramm: eine zusammenhängende Folge von n Wörtern, Zeichen oder Tokens.
In der Suche helfen N-Gramme bei Phrasen und Tippfehlern. Sie erfassen Vorkommen, keine Bedeutung. Deshalb kombiniert Hybrid Search sie mit Embeddings.
Grounding: Ein Sprachmodell verankert seine Antwort in externen, prüfbaren Quellen, abgerufen zur Laufzeit.
Die Kehrseite: Fehler in den Quellen übernimmt es unverändert. Veraltete Seiten landen direkt in der Antwort.
Google will ein gemeinsames robots.txt-Signal gegen KI-Training unterstützen (IETF AIPREF).
Wer damit widerspricht und Google-Extended nicht nennt, wird wie ein Disallow für Google-Extended behandelt. Geplant für 2027, Syntax noch offen.
AI-Search zitiert nur Quellen, die sie sicher einer Entität zuordnen kann.
Drei Signale dafür: überall derselbe Name, Schema mit fester @id und sameAs, externe Profile, die deine Angaben bestätigen. Widersprüche schwächen das Profil.
about = das Thema eines Artikels. mentions = was er nur erwähnt.
Diese Trennung sagt Maschinen, welche Entität im Mittelpunkt steht. Bei meinen Überarbeitungen ist sie ein fester Schritt. Markup als Klarstellung, nicht als Trick. #EntitySEO
Google fragt, ob du Seiten nur ein neues Datum gibst, damit sie frisch wirken.
Frische zählt trotzdem: Laut Ahrefs (17 Mio. Zitate) sind Seiten, die KI-Assistenten zitieren, im Schnitt 25,7 % frischer als Google-Treffer. Also aktualisieren, aber am Inhalt.
Fünf alte Artikel in zwei Tagen neu gefasst. Meine Arbeit: eine Gliederung freigeben, einen Tausch freigeben.
Dazwischen schreibt die KI Text, Grafiken, interne Links und about/mentions. Ein Prüftool gleicht jeden Link ab. Live geht nichts ohne mein Go.
Alte Blogartikel mit Infografiken aufwerten, ohne jeden einzeln anzufassen:
1. Drei bis fünf Artikel aus einem Themenfeld wählen
2. Die KI Grafiken vorschlagen lassen, großzügig streichen
3. Jede Grafik in der Vorschau prüfen, auch am Handy
4. Jeden Artikel einzeln freigeben
Google kann in „Über dieses Bild“ anzeigen, ob ein Bild mit KI erzeugt wurde. Die Angabe kommt aus den IPTC- und C2PA-Metadaten der Datei.
Wer KI-Bilder im Blog nutzt, sollte also wissen, was in diesen Metadaten steht.
Der Alt-Text einer Infografik sagt, was sie aussagt, nicht wie sie aussieht.
Also nicht „Grafik mit drei Kästen“, sondern „Überarbeitete Seiten wuchsen um 28 %, ähnliche ohne Überarbeitung um 9 %“. Google nennt das Alt-Attribut das wichtigste Bildattribut für die Suche.
Infografiken für meine Blogartikel lasse ich die KI als SVG-Code schreiben, nicht im Bildgenerator malen.
Der Vorteil: Jeder Buchstabe stimmt, die Begriffe kommen aus dem Artikel, und eine Korrektur ist eine geänderte Zeile statt eines neuen Prompts.
Ich werte alte Blogartikel mit Infografiken auf. Für fünf Artikel hat die KI 15 Grafiken vorgeschlagen, behalten habe ich 10.
Das Kriterium: Eine Grafik bleibt nur, wenn sie etwas erklärt, was der Text nicht schon klar sagt.
Alte Blogartikel mit neuen Grafiken aufwerten und dann das Datum hochsetzen? Vorsicht.
Google fragt in seinen Leitlinien ausdrücklich, ob du das Datum nur änderst, damit eine Seite frisch wirkt. Ein neues Datum lohnt sich nur, wenn die Grafik wirklich Neues erklärt.
Seiten mit geänderten Bildern legten bei Google im Schnitt um 14 % zu. Das zeigt Raptive an 103.000 überarbeiteten Seiten.
Ich habe deshalb fünf alte Blogartikel auf einmal mit zehn Infografiken ergänzt. Die KI schlägt vor, ich streiche und gebe frei.
97 % aller llms.txt-Dateien ruft niemand ab. Ahrefs hat die Logs von 137.000 Domains ausgewertet: Die meisten Abrufe kamen von SEO-Tools, nur rund 1,1 % von KI-Bots. Und Google nutzt die Datei nicht.
Mein Fazit: anlegen, zehn Minuten, abhaken.
#GenerativeSEO
Wie werden Marken und Personen in AI-Antworten korrekt zitiert?
Erfahre, warum eine Grounding Page als maschinenlesbarer Entitätsanker dient, Ambiguitäten löst und als Schnittstelle für RAG-Systeme fungiert.
🔗 https://t.co/xOGwishz92
#EntitySEO#RAG#AIsearch#SchemaMarkup
Reverse Prompting: Rückwärts vom Output zum Prompt.
Statt zu fragen "Welcher Prompt erzeugt diese Ausgabe?", analysieren wir: "Diese Ausgabe existiert — welche Anweisung führt LLMs zuverlässig zu genau diesem Ergebnis?"