In KI-Antworten vorkommen, nicht nur bei Google ranken
Sprachassistenten empfahlen den Wettbewerb, und niemand konnte sagen wie oft. Erst messen, dann den Rauschpegel bestimmen, dann die Texte umbauen.
41 auf 4 %
Textposition der ersten Produktnennung
gemessen, nicht geschätzt
Vorher
Vermutungen
Nachher
belastbare Messung
Das Problem
Sprachassistenten empfahlen regelmäßig Produkte des Wettbewerbs, und niemand im Team konnte sagen, wie oft das passiert oder woran es liegt.
Was ich gebaut habe
Eine Messung, die neutrale Fragen von solchen trennt, in denen die Marke schon vorkommt. Nur die neutralen sagen die Wahrheit, und dort lag der ehrliche Anteil bei 25,4 Prozent statt bei den angenehmeren 33,9 Prozent. Zusätzlich habe ich den wöchentlichen Rauschpegel bestimmt, damit das Team aufhört, auf Schwankungen zu reagieren, die keine Bewegung sind. Erst danach wurden die Artikel selbst umgebaut.
Wie es im Einzelnen läuft
Der Unterschied zwischen neutralen und vorgeprägten Fragen ist der ganze Kern. Fragt man ein Sprachmodell nach einer Marke, nennt es die Marke. Das fühlt sich gut an und misst nichts. Erst die neutrale Frage nach der Produktkategorie zeigt, ob man überhaupt vorkommt.
Der Rauschpegel liegt bei etwa eineinhalb Prozentpunkten pro Woche. Ohne diese Zahl deutet jedes Team jede Bewegung als Erfolg oder Rückschlag.
Beim Umbau der Artikel ging es nicht um Schlüsselwörter, sondern um Reihenfolge und Beantwortbarkeit. Eine klare Antwort früh im Text lässt sich zitieren, eine Markengeschichte über zwei Drittel der Seite nicht.
Das Ergebnis
Die erste Produktnennung wanderte von 41 Prozent der Textlänge auf 4 Prozent, also dorthin, wo eine KI-Antwort sie tatsächlich aufnimmt. Dazu eine Auswertung, die man in einer Sitzung vertreten kann.
Was ich daraus mitnehme
Die schmeichelhafte Zahl schadet dem Projekt. Wer mit 33,9 Prozent in die Sitzung geht, verliert die Glaubwürdigkeit in dem Moment, in dem jemand die Methode hinterfragt.
Eingesetzt
- Auswertung neutraler Abfragen
- Adobe Experience Manager
- Inhaltsumbau