SEO, GEO, AIO, AIDI oder doch was ganz anderes?

Dass Künstliche Intelligenz längst kein Nischenthema mehr und aus der heutigen Arbeits- und Freizeitwelt wohl kaum noch wegzudenken ist, braucht man an dieser Stelle wohl nicht mehr erwähnen. Neben problematischen Entwicklungen wie AI Slop auf Social Media Kanälen wie YouTube gibt es aber auch durchaus sinnvolle Applikationen. Gerade vor Weihnachten sind viele potenzielle Käufer*innen auf der Suche nach dem idealen Geschenk für die Liebsten. KI-unterstützte Suche kann hier einen wesentlichen Betrag dazu liefern, das Gesuchte auch zu finden. Denn KI-Suche fokussiert auf die Beantwortung konkreter Fragen und nicht wie traditionelle Suchmaschinenergebnisse, auf die Anzeige von gerankten Website-Links, die die Nutzer*innen erst selbständig durchsuchen müssen. Aber ist das ein Trend, der gekommen ist zu bleiben? Ja! Um technologische Innovationen zu bewerten kann man das Technology Acceptance Modell (TAM) von Davies heranziehen (Venkatesh & Bala, 2008) . Dieses Modell postuliert, dass es im Wesentlichen 2 Faktoren gibt, die die Nutzungsabsicht beeinflussen. Die wahrgenommene Nützlichkeit einer KI-Suche dürfte dabei recht hoch sein – ich muss nicht mehr eine Anzahl an Websites durchsuchen, sondern bekomme eine präzise Antwort auf meine Frage geliefert. Und auch einfach zu verwenden wäre eine KI-Suche, besonders da sich KI-Tools bereits in anderen Lebensbereichen großer Beliebtheit erfreuen. Was für Nutzer*innen von Suchmaschinen also entscheidende Vorteile bringt, stellt Marketer vor gewisse Probleme.

Die babylonische Termverwirrung

Gemeinsam mit KI-Suche kommt eine erkleckliche Anzahl neuer Termini: Generative Engine Optimisation (GEO), Answer Engine Optimisation (AEO), AI Optimisation (AIO), AI Search Optimisation (AISO), Large Language Model Optimisation (LLMO) oder AI Data Interface (AIDI). Wenn man sich diese Begriffe etwas näher ansieht, so erkennt man schnell, dass sie im Wesentlichen das Gleiche bezeichnen: Die Suchmaschine fokussiert auf die Beantwortung von Fragen der Nutzer*innen, die dafür notwendigen Informationen holt das KI-Tool von den einzelnen Websites. Damit dies möglichst problemlos funktioniert, sollten die Websites so optimiert sein, dass die KI-Suchmaschine die interessanten Daten möglichst einfach extrahieren und miteinander logisch verknüpfen kann. Interessanterweise sind die dazu notwendigen technischen Grundlagen seit vielen Jahren als „strukturierte Daten“ bekannt und werden in Form von Microdata (HTML5-Standard siehe https://html.spec.whatwg.org/multipage/microdata.html) bzw. JSON-LD bereits eingesetzt, hauptsächlich zur Erstellung sogenannter „Rich Snippets“ (siehe dazu https://developers.google.com/search/docs/appearance/structured-data/search-gallery?hl=de). Doch wie funktioniert das in der Praxis?

Application in the Wild

Als Beispiel wird hier die Website eines bekannten Hotels verwendet, welches die Vokabularien von Schema.org verwendet, um Informationen zu den einzelnen Zimmern maschinen-analysierbar auszuzeichnen. Davon bemerkt der menschliche Besucher nichts, wie man am unten stehenden Beispiel sieht:

Der von Maschinen wie dem Browser oder Suchmaschinen interpretierte Code enthält hier jedoch nähere Beschreibungen zur betrachteten Suite wie die Verfügbarkeit eines 24-Stunden-Concierge-Services, einer Minibar oder einer Terrasse mit Stadtblick. All dies sind Dinge, die für potenzielle Käufer*innen durchaus interessant sind und auch Gegenstand der Suche sein könnte.

Durch die Verfügbarkeit dieser Informationen in einer maschinen-analysierbaren Form ist es einer KI-Suchmaschine nun möglich, eine Frage nach Produktdetails zu beantworten, ohne diese aus dem Text der Website abschätzen zu müssen.

Doch woher weiß man als Website Admin, welche Inhalte man wie auszeichnen kann? Diese Infos findet man auf der Seite Schema.org (siehe https://schema.org/Suite zum im Beispiel verwendeten Format) welche von Branchengrößen wie Microsoft oder Google betrieben wird. Hier können Unternehmen die für die eigenen Produkte oder Dienstleistungen sinnvollen Formate finden.

Quellen:

Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, Volume 39 (Number 2).

Neil Patel Youtube Channel: https://www.youtube.com/@neilpatel