- Prompt Research ist die systematische Identifikation der Anfragen, bei denen ein KI-System ein Unternehmen nennen sollte, und die Analyse, ob es das tut.
- Datenquellen für die Prompt-Recherche: Google Search Console, Bing Webmaster Tools, Customer-Support-Logs, Autocomplete, People Also Ask und die KI-Systeme selbst.
- Prompts werden nach Typ (anforderungsbasiert, vergleichend, entscheidungsnah) und Buyer-Journey-Phase klassifiziert.
- Fan-Out-Queries sind die versteckte Dimension: KI-Systeme zerlegen Anfragen intern in Teilfragen. Wer dort fehlt, fehlt auch in der Gesamtantwort.
- Monitoring funktioniert nur mit Baseline: Dieselben Prompts, regelmäßig abgerufen, dokumentiert und verglichen.
Was ist Prompt Research und warum ist es der Ausgangspunkt für GEO?
Prompt Research ist die systematische Identifikation aller Anfragen, bei denen ein KI-System ein Unternehmen, ein Produkt oder eine Kategorie nennen könnte. Es geht nicht um Suchvolumen, sondern um Relevanz: Welche Fragen stellen Nutzer an ChatGPT Search oder Google AI Overviews und taucht das eigene Angebot in den Antworten auf?
Ohne diese Analyse arbeitet GEO im Dunkeln. Eine Maßnahme, die nicht auf einem klaren Bild der aktuellen Sichtbarkeit basiert, kann das richtige Problem treffen oder völlig daneben liegen.
Keyword-Recherche fragt: Wonach suchen Nutzer, und wie oft? Prompt Research fragt: Welche Fragen stellen Nutzer an KI-Systeme und wie antwortet das System dabei auf ein konkretes Unternehmen oder Produkt? Suchvolumen spielt keine Rolle. Entscheidend ist, ob und wie das System antwortet.
Woher kommen die Prompts? Die wichtigsten Datenquellen
Gute Prompt-Listen entstehen nicht am Schreibtisch. Sie werden aus mehreren Quellen zusammengeführt, die echte Nutzerfragen abbilden.
| Quelle | Was sie liefert | Besonderheit |
|---|---|---|
| Google Search Console | Suchanfragen, die zu eigenen Seiten führen, viele davon frageartig formuliert | Zeigt, was Nutzer jetzt suchen, nicht was sie fragen werden |
| Bing Webmaster Tools | Ergänzende Suchanfragen; Bing-Nutzer stellen häufiger vollständige Fragen als Google-Nutzer | Überschneidung mit ChatGPT-Nutzern wahrscheinlich höher |
| Customer Support & Sales | Wiederkehrende Fragen aus Chat, E-Mail, Telefon und Verkaufsgesprächen | Hochwertigste Quelle: echte Sprache echter Nutzer |
| People Also Ask & Autocomplete | Strukturierte Folgefragen aus Google-SERPs zu relevanten Begriffen | Guter Einstieg für neue Themenbereiche |
| KI-Systeme selbst | Follow-up-Vorschläge und verwandte Fragen aus ChatGPT, Gemini, Copilot | Zeigt, wie das System selbst Themen strukturiert |
| Wettbewerbsanalyse | Prompts, bei denen Wettbewerber bereits sichtbar sind, das eigene Unternehmen aber fehlt | Identifiziert konkrete Sichtbarkeitslücken gegenüber dem Markt |
Wie werden Prompts klassifiziert und strukturiert?
Gesammelte Prompts werden in zwei Dimensionen eingeordnet: nach Prompt-Typ und nach Buyer-Journey-Phase. Beides zusammen ergibt eine priorisierbare Matrix. Entscheidungsnahe Prompts verdienen mehr Aufmerksamkeit als allgemeine Bewusstseinsanfragen, auch wenn letztere häufiger vorkommen.
| Prompt-Typ | Typische Nutzerfrage | Was entscheidet über Nennung? | GEO-Hebel |
|---|---|---|---|
| Anforderungsbasiert | „Welche Agentur ist geeignet für GEO?" · „Welches Gravel Bike eignet sich für Schottertouren?" | Attributklarheit: Passt das Entitätsprofil zu den genannten Anforderungen? | Entitäts-Setup, spezifischer Produkt- und Leistungs-Content |
| Vergleich & Problembasiert | „Unterschied Gravel Bike vs. Rennrad" · „Wir erscheinen nicht in ChatGPT – was tun?" | Thematische Autorität und Zitierfähigkeit zu konkreten Lösungen | Ratgeber-Content, Vergleichsseiten, Drittquellen-Präsenz |
| Entscheidungsnah | „Soll ich bei [Shop] kaufen?" · „Erfahrungen mit [Agentur]?" | Reputation, Trust-Signale, qualifizierte Drittquellen | Bewertungen, Fallstudien, redaktionelle Erwähnungen |
Wer in entscheidungsnahen Prompts fehlt, verliert den Nutzer genau dann, wenn er kaufbereit ist. Nicht am Anfang der Recherche.
Was sind Fan-Out-Queries und warum verändern sie die Analyse?
KI-Systeme wie ChatGPT Search zerlegen komplexe Nutzeranfragen intern in mehrere Teilfragen, bevor sie eine Antwort zusammensetzen. Diese internen Teilfragen heißen Fan-Out-Queries. Wer in der übergeordneten Anfrage sichtbar sein will, muss in mehreren Teilfragen als relevante Quelle auftauchen.
Beispiel: „Welches Gravel Bike kaufe ich als Einsteiger unter 1.500 Euro?" zerfällt intern in: Was ist ein Gravel Bike? Welche Marken bieten Einsteiger-Modelle an? Welche Gravel Bikes kosten unter 1.500 Euro? Welche werden von Testern empfohlen? Nur wer in mehreren dieser Teilantworten als Quelle vorkommt, landet in der Gesamtantwort.
Im Prompt Research werden Fan-Out-Queries durch gezielte Einzelabfragen der vermuteten Teilfragen identifiziert und mit der Gesamtantwort abgeglichen. So wird sichtbar, auf welcher Ebene eine Sichtbarkeitslücke besteht und wo Content- oder Entitätsarbeit ansetzt.
Wie baut man ein Prompt Monitoring auf?
Prompt Monitoring ist die regelmäßige, strukturierte Wiederholung der Prompt-Abfragen über Zeit. Es macht GEO messbar: nicht als Bauchgefühl, sondern als dokumentierte Veränderung gegenüber einer Baseline.
Alle definierten Prompts werden einmalig vollständig abgerufen und die Antworten nach festem Schema dokumentiert: Nennung, Position, Attribute, Quellen, Wettbewerber, Confidence-Signal. Diese Baseline ist der Referenzpunkt für alle späteren Messungen.
KI-Systeme aktualisieren ihre Antworten laufend. Sinnvoll sind monatliche Abfragen eines Kern-Prompt-Sets und quartalsweise vollständige Durchläufe. Nach größeren Inhalts- oder Entitätsänderungen wird zusätzlich ad hoc gemessen.
KI-Systeme antworten nicht deterministisch. Derselbe Prompt kann verschiedene Antworten erzeugen. Deshalb wird jeder Prompt mehrfach abgerufen. Ein Unternehmen, das in 9 von 10 Abfragen erscheint, ist stabiler positioniert als eines, das nur in 4 auftaucht.
Jede Runde wird mit der Baseline verglichen: Neue Nennungen, verlorene Positionen, veränderte Attributzuschreibungen. Veränderungen werden kausal eingeordnet: auf eigene Maßnahmen oder externe Faktoren (neue Wettbewerber, Systemupdates).
Was wird in jeder Antwort ausgewertet?
Jede KI-Antwort auf einen Monitoring-Prompt wird nach sechs Dimensionen dokumentiert. Das Schema bleibt über alle Abfragen identisch, damit Vergleiche valide sind.
- Nennung: Wird das Unternehmen / Produkt erwähnt? (Ja / Nein / indirekt)
- Position: Erster Platz, Mittelfeld oder Randnennung?
- Attribute: Welche Eigenschaften schreibt das System zu? (Spezialisierung, Zielgruppe, Qualität, Preisniveau)
- Quellen: Welche URLs zitiert das System, eigene oder Drittquellen?
- Wettbewerber: Wer erscheint in derselben Antwort?
- Confidence: „X ist bekannt für…" vs. „X könnte geeignet sein für…"
Die häufigste Überraschung im Prompt Research: Unternehmen sind in KI-Antworten sichtbar, aber mit falschen Attributen. Das System kennt sie, ordnet sie aber falsch ein. Das ist kein Nennungsproblem, das ist ein Entitätsproblem.
Wie sieht das in der Praxis aus? Zwei Beispiele
Prompt-Sets sehen je nach Kontext sehr unterschiedlich aus. Hier zwei Beispiele: eine GEO-Agentur und ein Online-Shop für Gravel Bikes.
- Welche GEO-Agenturen gibt es in Deutschland?
- Wer ist Hanna Driever?
- Was macht experics digital?
- Welche Agentur hat Erfahrung mit Generative Engine Optimization für B2B?
- Wie optimiert man eine Website für ChatGPT Search?
- Was kostet eine GEO-Analyse?
- Unterschied zwischen SEO und GEO – welche Agentur kann beides?
- Soll ich experics digital für GEO beauftragen?
- Welche Gravel Bikes sind für Einsteiger geeignet?
- Gravel Bike kaufen Empfehlung unter 1.500 Euro
- Unterschied Gravel Bike und Rennrad – was passt für Schottertouren?
- Bester Online-Shop für Gravel Bikes in Deutschland
- Welches Gravel Bike eignet sich für Touren in den Alpen?
- Gibt es Alternativen zu Canyon Gravel Bikes?
- Welche Gravel-Bike-Marken werden von Testern empfohlen?
- Wo kaufe ich ein Gravel Bike mit gutem Service?
Warum reichen AI-Visibility-Tools allein nicht aus?
AI-Visibility-Tools tracken automatisiert, wie oft und wo eine Marke in KI-Antworten erscheint. Das ist für laufendes Monitoring nützlich und skalierbar. Sie ersetzen aber nicht die qualitative Analyse des Frameworks.
Tools messen das Was: Häufigkeit und Präsenz. Das Framework analysiert das Warum: Welche Entitätssignale fehlen? In welchen Teilfragen ist die Quelle nicht präsent? Warum beschreibt das System ein Unternehmen mit falschen Attributen? Diese Fragen brauchen einen strukturierten Prozess, keinen Dashboard-Screenshot.
In der Praxis kombinieren wir beides: das Framework für initiale Diagnosen und tiefere Analysen nach Maßnahmen, Monitoring-Tools für die kontinuierliche Beobachtung dazwischen.