LLM Action Reports

Ab heute kann Waikay dir die Reports mit den bisher konkretesten Handlungsempfehlungen in einer Welt nach dem Aufkommen der LLMs liefern.

Als wir Waikay gestartet haben, haben wir beiläufig erwähnt, dass wir ein Patent angemeldet haben. Mit dem, was wir heute starten, verraten wir etwas mehr über das Patent, das Wie und das Warum. Aber zuerst … zeigen wir dir, was wir gebaut haben.

Die hitzige Debatte „AIO und GEO sind doch nur SEO“

Online wird viel darüber geredet, dass man für AI Overviews nicht optimieren könne, weil:

  • es nur Text vorhersagt oder
  • es Tokens statt Entitäten nutzt oder
  • es einfach dieselbe SEO ist oder
  • [Hier einen beliebigen Grund einsetzen.]

All das stimmt, hilft aber einer Branche nicht weiter, die riesig werden wird und die erreichen will, dass deine Marke von LLMs, einschließlich der AI Overviews von Google Gemini, richtig verstanden, genannt und zitiert wird. AI Overviews und LLMs liefern aber SEHR WOHL Zitationen. Es sind NICHT dieselben, aus denen die 10 blauen Links bestehen, und das heißt: Selbst wenn die Ausgabe ein Wahrscheinlichkeitsspiel ist, können wir mitspielen.

Es gibt ein gutes Argument dafür, dass die meisten LLMs ohnehin spontan Suchergebnisse nutzen und du deshalb mit normaler SEO gut fährst. Dieser Vogel-Strauß-Haltung stimme ich nicht zu. Wenn ein Nutzer eine Frage in ein LLM eingibt, zerlegt es als ERSTES in Tokens, wonach die Person fragt, und versucht dann, das Problem durchzudenken. In diesem Teil des Ablaufs hat das LLM noch keine Suchmaschine aufgerufen und verlässt sich auf seine Trainingsdaten. Also auf den gewaltigen Textkorpus, den das System gelesen hat, um scheinbar verstehen zu können, was du fragst. Das muss es tun, bevor es überhaupt eine Suche ausführen kann.

Das LLM nutzt die Ebene der Trainingsdaten (TD), um einen Plan zu formulieren, und greift dann auf die Suchergebnisse der Grounded-Ebene (GR) zurück, also der Live-Suche. Die Wahrscheinlichkeit, dass das LLM zu Ergebnis 1 statt zu Ergebnis 2 geht, können wir als SEOs auf beiden Ebenen zu beeinflussen versuchen (wobei die Grounded-Ebene einfacher ist).

Hier ein realistisches Beispiel zur Veranschaulichung:

Szenario: Ein Nutzer fragt das RAG-LLM: „Tell me about the recent changes in [brand’s] marketing strategy.“
Pfad 1: Fokus auf digitale MarketingmaßnahmenPfad 2: Fokus auf die gesamte Marktpositionierung und Produktstrategie
Erste Deutung und Formulierung der Suchanfrage: Auf Grundlage der Trainingsdaten und der spezifischen Aktivierungsmuster in den ersten Schichten könnte das LLM „marketing strategy“ so deuten, dass damit vor allem die digitalen Marketingmaßnahmen des Unternehmens gemeint sind. Es könnte eine Suchanfrage formulieren wie: “company name” recent digital marketing strategy changes oder “company name” new online advertising campaigns. Abruf: Diese Suchanfrage würde wahrscheinlich Dokumente aus der internen Wissensdatenbank des Unternehmens (oder aus dem externen Web, falls erlaubt) zu folgenden Themen liefern: neue Social-Media-Kampagnen, Aktualisierungen der Unternehmenswebsite oder der SEO-Strategie, Änderungen bei Ausgaben oder Plattformen für Online-Werbung, aktuelle E-Mail-Marketing-Maßnahmen. Generierung: Während die nachfolgenden Schichten des neuronalen Netzes aktiviert werden, würde das LLM die abgerufenen Informationen verarbeiten und eine Antwort erzeugen, die sich auf die digitalen Marketingaktivitäten des Unternehmens konzentriert. Die Antwort könnte Details zu neuen Social-Media-Inhalten, Neugestaltungen der Website oder Änderungen bei der Ausrichtung von Online-Anzeigen enthalten.Erste Deutung und Formulierung der Suchanfrage: Alternativ könnte das LLM „marketing strategy“ in einem weiteren Sinn deuten, der die gesamte Marktpositionierung des Unternehmens und die Art, wie es seine Produkte oder Leistungen verkauft, umfasst. Es könnte eine Suchanfrage formulieren wie: “company name” recent market positioning changes oder “company name” new product launch strategy. Abruf: Diese Suchanfrage würde wahrscheinlich andere Dokumente liefern, etwa: interne Strategiepapiere zu neuen Zielmärkten, Pressemitteilungen zu neuen Produktlinien oder Funktionen, Marktforschungsberichte, die die Richtung des Unternehmens beeinflussen, Mitteilungen der Geschäftsleitung zu Verschiebungen im Nutzenversprechen des Unternehmens. Generierung: Auf diesem Pfad würde das LLM die abgerufenen Informationen verarbeiten und eine Antwort erzeugen, die sich auf strategische Verschiebungen auf höherer Ebene konzentriert. Die Antwort könnte den Einstieg des Unternehmens in ein neues Kundensegment behandeln, die Einführung eines Flaggschiffprodukts oder eine Änderung der Kernbotschaften und der Markenidentität.  

Wie Trainingsdaten diese Pfade beeinflussen:

Die Trainingsdaten spielen eine entscheidende Rolle dabei, diese unterschiedlichen Deutungen zu prägen.

  • Enthalten die Trainingsdaten viele Beispiele, in denen „marketing strategy“ im Zusammenhang mit digitalen Kampagnen besprochen wird, könnte Pfad 1 wahrscheinlicher sein.
  • Enthalten die Trainingsdaten umgekehrt zahlreiche Fälle, in denen sich „marketing strategy“ auf die übergeordnete Geschäftsstrategie und Produktpositionierung bezieht, könnte Pfad 2 bevorzugt werden.
  • Die genaue Formulierung des Prompts und sogar frühere Interaktionen des Nutzers (falls das Modell ein Gedächtnis hat) könnten die ersten Schichten unmerklich in Richtung der einen oder der anderen Deutung lenken.

Im Kern:

Die ersten Schichten des LLMs wirken, beeinflusst von den Trainingsdaten, wie eine Art Filter oder Weiche. Je nach Eingabe aktivieren sie sich so, dass die Formulierung der einen Art von Suchanfrage gegenüber einer anderen begünstigt wird. Diese scheinbar kleine Entscheidung am Anfang des Prozesses setzt sich durch die nachfolgenden Schichten fort, führt dazu, dass ganz andere Informationen abgerufen werden, und ergibt am Ende zwei verschiedene, möglicherweise nicht zusammenhängende Antworten auf dieselbe Ausgangsfrage.

Das zeigt, wie komplex große Sprachmodelle sind und wie differenziert (und manchmal unvorhersehbar) sie sich verhalten können. Wie sie Informationen deuten und darauf reagieren, ist eine direkte Folge der riesigen Datenmengen, mit denen sie trainiert wurden.

Jetzt weißt du etwas mehr darüber, wie LLMs funktionieren … Was macht Waikay?

Als Erstes solltest du unserer Ansicht nach ALLES auf Fakten prüfen! Wir haben inzwischen unzählige Beispiele gesehen, in denen LLMs danebenliegen, und manche dieser Fehler sind ziemlich gravierend. Statistisch wahrscheinlicher werden diese Fehler aber, wenn die LLMs sie draußen im Netz so vorfinden oder wenn die Textvorhersage von einem Szenario ins andere kippt.

Die Trainingsdaten von ChatGPT enden offenbar im Juni 2024. Trotzdem stellt ChatGPT (falsche) Behauptungen über Waikay auf, das es bis letzten Monat gar nicht gab. Mit der Zeit wird ChatGPT gezwungen sein, seine Trainingsdaten zu erweitern.

Als Zweites kannst du unserer Ansicht nach dafür sorgen, dass deine Inhalte eng zu deiner gewünschten geschäftlichen Absicht passen. Das kann die Chance erhöhen, dass du im richtigen Moment in den richtigen Pfad des LLMs aufgenommen wirst.

Wenn du in Waikay ein Projekt einrichtest, musst du auch zwei Wettbewerber angeben. Wir bauen einen Knowledge Graph der Themen auf, die auf deiner Website vorherrschen, und vergleichen ihn mit den Themen, die in den LLM-Antworten auf Abfragen zu deinen Wettbewerbern besprochen werden. So sehen wir Themenlücken. Das konnten wir nutzen, um dir einen aussagekräftigen SEO-Report zu liefern, der auf LLMs beruht statt auf klassischer Suche.

Das ist der Titel unserer Patentanmeldung

Zum Start hat Waikay bewertet, wie gut deine Marke und ihre Produkte in der Suche repräsentiert sind. Das SEO-Reporting, das wir jetzt veröffentlicht haben, bringt das auf die nächste Stufe.
Weil wir im Hintergrund einen Knowledge Graph der Website deiner Marke aufgebaut haben, können wir vergleichen, was das LLM in seinen Antworten SOWOHL über deine Marke ALS AUCH über deine zwei Wettbewerbermarken sagt. Die Abweichungen, die sich dabei zeigen, weisen auf wesentliche Lücken in deiner Darstellung hin. Sie zu schließen hilft deiner klassischen SEO UND erhöht die Wahrscheinlichkeit, dass deine Marke in dem Pfad vertreten ist, den das LLM wählt, um die Frage des Nutzers zu beantworten.

Ich hoffe, das ist verständlich … Ich habe meinen Geschäftspartner gefragt, ob ich ein paar Diagramme aus der Patentanmeldung zeigen darf. Er hat Nein gesagt.

So sieht der neue LLM-basierte Action Report aus

Hier ist einer, den wir für WISE.com erstellt haben, eine Bank neuen Typs, zum Thema Debitkarten. Urteile selbst …

Waikay Action Report für Wise.com

Leitplanken

Beim Lernen über LLMs, insbesondere über Verzerrungen und Halluzinationen, habe ich unter anderem von der Idee gelesen, ein anderes Modell als Leitplanke einzusetzen, das die Ausgabe eines Modells prüft. Während Fred also den Report oben perfektionierte, entwickelte er zusätzlich eine Prüfroutine mit ChatGPT 4o, um zu sehen, wie zutreffend die Empfehlungen unseres Modells waren.

Der Call-to-Action (eine klare Sache)

Natürlich hoffen wir, dass du bei Waikay vorbeischaust und dir selbst einen Report holst. Es gibt sie in allen Topic Reports (aber nicht im übergreifenden Brand Report, den du mit einem kostenlosen Konto bekommst). Das heißt, du kannst bis zu sieben davon im Monat bekommen, für nur $19.99. Nicht schlecht. Hol dir jetzt deinen Report.

Based in Bedfordshire, England, Dixon Jones isn't just an SEO expert – he is "The SEO" to many in the industry. With decades of experience navigating the ever-evolving landscape of search engines, Dixon brings a wealth of knowledge and a passion for helping businesses thrive online.

From the early days of the internet, Dixon has been at the forefront of search marketing, witnessing firsthand the shifts and innovations that have shaped modern SEO. His deep understanding of technical SEO, content strategy, and link building is unparalleled, and he has a proven track record of delivering tangible results for clients across diverse sectors.

At Waikay, Dixon brings his expertise directly to you. Whether you're looking to improve your website's visibility, drive organic traffic, or develop a comprehensive SEO strategy, Dixon's insights and practical approach will guide you towards sustainable success.

More than just an SEO consultant, Dixon is a thought leader and a respected voice within the SEO community. He's known for his clear communication, his ability to demystify complex concepts, and his unwavering commitment to ethical and effective SEO practices.