Diese Dokumentation beschreibt die technische Architektur und die Methodik, mit der Waikay arbeitet.

1Architektur des LLM Interrogation System

Technische Basis

Waikay baut auf der bestehenden Technologie von InLinks auf:

  • Knowledge Graph mit 100 Millionen Entitäten und 10 Milliarden Beziehungen in 17 Sprachen
  • Eigener Algorithmus für Named Entity Recognition (NER) mit 5-mal besserer Leistung als Google NLP
  • Teilgerichtete Graphstruktur mit semantischen Beziehungen in eine Richtung
  • Tägliche Synchronisierung mit Wikipedia, DBpedia und dem Google Knowledge Graph
  • Automatische Prüf- und Filterprozesse für die Datenqualität
InLinks knowledge graph technology
Knowledge-Graph-Technologie von InLinks

Anpassung des Knowledge Graph für das KI-Monitoring

Waikay nutzt dieselbe Knowledge-Graph-Technologie wie InLinks, betreibt sie aber in mehreren Instanzen:

Primary Knowledge Graph

Bildet die analysierte Website oder Marke ab.

LLM Knowledge Graphs

Nutzen dieselbe Technologie, um abzubilden, wie jedes einzelne LLM die Marke wahrnimmt (ChatGPT, Gemini, Claude, Perplexity).

Mit diesem Ansatz aus mehreren Knowledge Graphs lassen sich Lücken zwischen der tatsächlichen Marke und der Wahrnehmung einzelner Modelle genau bestimmen.

2Methodik der Abfrage mehrerer Modelle

Abgefragte KI-Modelle

Waikay fragt vier KI-Modelle gleichzeitig ab:

ChatGPT

OpenAI

Gemini

Google

Claude

Anthropic

Sonar / Perplexity

Perplexity AI

Brand visibility across AI models
Marken-Sichtbarkeit

Dual Query Strategy

Für Gemini führt das System per Prompt Engineering zwei getrennte Abfragen aus:

  1. Explicit Query beschränkt die Antworten ausschließlich auf die Trainingsdaten
  2. Grounded Search Query erlaubt eine Websuche in Echtzeit (Live-Suche)

Bei den anderen Modellen kommt R.A.G. zum Einsatz.

3Methodik der vergleichenden Analyse

Bidirektionale Analyse von Marken und Themen

Waikay befragt LLMs in zwei Richtungen. Der Ansatz geht auf Forschung dazu zurück, wie Sprachmodelle Marken mit Themen verknüpfen:

  1. Von der Marke zu den Entitäten: Welche Entitäten und Themen verknüpfen LLMs mit deiner Marke?
  2. Von der Entität zu den Marken: Welche Marken verknüpfen LLMs mit bestimmten Themen?

Diese doppelte Abfrage liefert umfassende Daten zu semantischen Verknüpfungen und erlaubt eine gründliche Analyse, wo eine Marke im KI-Umfeld steht. Die Daten fließen direkt in die Topic Reports und ergeben dort für jede Marke den AI Understanding Score und die Klassifizierung der Lücken.

Der Ansatz ist inspiriert von Dan Petrovics Forschung zur bidirektionalen Analyse von Markenverknüpfungen in den Netzen von Sprachmodellen.

Analyse in drei Teilen

Waikay analysiert systematisch:

  • die eigene Website oder Marke
  • zwei ausgewählte Websites von Wettbewerbern
  • die Antworten zu allen drei Entitäten im Vergleich

4Informationsextraktion und Klassifizierung von Lücken

Was eine Aussage (Fact) ist

Eine Aussage ist ein vollständiger Aussagesatz, mit dem LLMs eine Marke beschreiben, wenn sie mit Prompts zur Marke und ihrer Branche befragt werden. Anhand dieser Aussagen lässt sich erkennen, welche Informationen in der KI-Darstellung einer Marke stimmen, falsch sind oder fehlen. Jede Aussage lässt sich auf Quellen zurückführen, um sie direkt zu korrigieren oder Websites Dritter zu optimieren.

Korrektes Beispiel„Nissan Motor Company ist ein multinationaler japanischer Automobilhersteller mit Sitz in Yokohama, Japan.“
Falsches Beispiel„InLinks wurde von Semrush übernommen“ (Quelle: YouTube-Kommentare, inzwischen korrigiert).
Fact tracking interface
Aussagen prüfen

Automatische Klassifizierung von Lücken

Über die Analyse der Aussagen lassen sich Lücken erkennen: Abweichungen zwischen der Wahrnehmung der KI und der Wirklichkeit des Unternehmens. Solche Lücken zeigen sich als fehlende, falsche oder unzureichende Aussagen. Die automatische Einordnung folgt einer vertraulichen Hierarchie von Entitätstypen, die in den LLM-Antworten fehlen. Die Schwellenwerte ergeben sich direkt aus den Abweichungen zwischen dem Knowledge Graph der Marke und den LLM Knowledge Graphs.

Das System ordnet erkannte Lücken so ein:

  • Critical Topic Gaps (kritische Lücken)
  • Significant Topic Gaps (wichtige Lücken)
  • Moderate Topic Gaps (mittlere Lücken)

5Infrastruktur und Leistung

Systemarchitektur

Verwaltung paralleler API-Aufrufe

Das System nutzt eine Microservices-Architektur, um gleichzeitige Abfragen bei verschiedenen LLMs zu steuern. Weitere Details zur Infrastruktur bleiben vertraulich, da ein Patent angemeldet ist.Patent angemeldet

Keine Rate Limits

Das System stößt bei den Abfragen der KI-Modelle auf keine Rate Limits. So kann die Analyse ohne Unterbrechung laufen.

Einstellbare Analyseintervalle

Geplante Analysen

Täglich, wöchentlich oder monatlich

Analysen auf Abruf

Manuell gestartet, wenn du sie brauchst

6Scoring-Algorithmen und Kennzahlen

AI Understanding Score

Der AI Understanding Score ist das wichtigste Ergebnis der Topic Reports. Er misst, wie gut ein KI-Modell eine bestimmte Marke oder ein Thema versteht und darstellt. Dafür baut Waikay vergleichbare Knowledge Graphs auf, einen für die Marke und je einen für die Wahrnehmung jedes KI-Modells, und berechnet dann Übereinstimmungswerte mit NLP-Metriken auf dem Graphen mit 100 Millionen Entitäten. Der eigene Algorithmus nutzt kontextabhängige Begriffsklärung, um 10 Milliarden semantische Beziehungen zu analysieren. Die vollständige Methodik bleibt vertraulich, da ein Patent angemeldet ist.Patent angemeldet

Der Score löst direkt die automatische Klassifizierung der Lücken aus und speist das Modul für die Action Plans.

AI Share of Voice

AI Share of Voice ist ein Ergebnis des Prompt Tracking. Die Antworten auf kaufbezogene Prompts werden über alle KI-Modelle hinweg laufend erfasst. Waikay erkennt in jeder Antwort alle genannten Marken und ordnet sie mithilfe des Knowledge Graph der Entitäten ihren Dachmarken zu. Aus den zusammengeführten Nennungen berechnet Waikay anschließend den Share-of-Voice-Wert in Prozent.

Die Formel nutzt einen offenen Nenner, der sich direkt aus den KI-Antworten ergibt:

AI Share of Voice = Nennungen der Marke / alle normalisierten Markennennungen in den Antworten

Weil sich das Wettbewerbsumfeld aus dem ergibt, was die KI tatsächlich sagt, und nicht aus einer von Hand festgelegten Liste, gibt es bei der Analyse der Wettbewerber keine künstliche Obergrenze. Marken, die neu in KI-Antworten auftauchen, werden automatisch erfasst. Mehr zur Methodik findest du unter Was ist AI Share of Voice.

AI Topical Presence Score

AI Topical Presence ist das dritte Ergebnis des Prompt Tracking. Aus den Antworten auf kaufbezogene Prompts wird für jede Marke ein AI Topical Presence Score berechnet. Er verbindet drei normalisierte Komponenten (Depth, Breadth, Concentration, also Tiefe, Breite und Konzentration) in einer gewichteten additiven Formel: TP = ( α × DepthNorm + β × BreadthNorm − γ × Concentration ) × 100. Der Wert ist relativ zum Markt und wird an der Marke mit dem höchsten Wert im Wettbewerbsumfeld normalisiert.

Topical Presence und Share of Voice werden gemeinsam in einer Quadranten-Grafik dargestellt, mit SOV auf der einen und Topical Presence auf der anderen Achse. Das zeigt eine Dimension, die SOV allein nicht zeigen kann: Eine Marke kann häufig in KI-Antworten auftauchen (hohe SOV), ohne dass sie bei einer breiten Palette relevanter Themen in der Tiefe besprochen wird (niedrige Topical Presence). Der Quadrant macht diesen Unterschied sichtbar: Eine Marke mit hoher SOV und niedriger Topical Presence taucht oft, aber oberflächlich auf. Eine Marke mit hoher Topical Presence und niedrigerer SOV hat starke Verknüpfungen mit Themen aufgebaut, aber noch keine Reichweite erreicht. Jeder Quadrant verlangt eine andere strategische Antwort.

Quadrant map plotting brands by AI Share of Voice and AI Topical Presence score
Marken nach AI Share of Voice und AI Topical Presence

Verlauf der Werte

Der AI Understanding Score (aus den Topic Reports) und die drei Werte aus dem Prompt Tracking (AI Visibility, AI Share of Voice, AI Topical Presence) werden pro Modell über die Zeit verfolgt, mit Latest Score, Average Score und Score History. Weil jedes Ergebnis genau einem Modell und einem Abrufzeitpunkt zugeordnet ist, lassen sich Marken für jeden beliebigen Zeitraum miteinander vergleichen.

7Ergebnisse und technische Funktionen

Automatisch erstellte Action Plans

Von der Lücke zur Empfehlung

Das System analysiert die erkannten Lücken und erstellt daraus automatisch strukturierte Maßnahmenpläne, geordnet nach Priorität und Wirkung. Diese GEO Action Plans machen aus Analysedaten konkrete Schritte für die Optimierung deiner Inhalte.

Rückverfolgung der Quellen

Vollständige Zuordnung der URLs

  • Vollständige Erfassung der Quellen für alle URLs, die jedes LLM für seine Antworten nutzt
  • Einordnung nach Häufigkeit (wie oft eine Quelle genutzt wird)
  • Aufschlüsselung nach Modell (z. B. 9 Zitationen insgesamt: 4 von ChatGPT, 2 von Perplexity, 1 von Claude, 1 von Gemini)
  • Nach Domains gegliedert mit genauen URLs

Prüfung im Detail

Umgang mit Halluzinationen

Ob eine Aussage halluziniert ist, kann nur beurteilen, wer das Geschäft des Kunden kennt. Dafür braucht es Fachleute, die die betreffende Marke sowie ihre Produkte und Dienstleistungen genau kennen. Das System stellt dafür in der Prüfansicht alles bereit, was es braucht (Quellen, Kontext, Verlauf). Die endgültige Entscheidung bleibt bewusst beim Menschen.

Prüfung Aussage für Aussage

Jede erfasste Aussage lässt sich:

CHECK

als korrekt bestätigen

FLAG

als falsch melden und zur Prüfung vormerken

DELETE

aus der Analyse entfernen

Fortschritt im Blick: Die Oberfläche zeigt, wie viele Aussagen schon geprüft sind (z. B. 2/77 Aussagen bearbeitet).

8Navigationsarchitektur

Aufbau in Modulen

Die Oberfläche von Waikay gliedert sich in fünf Module:

  • Topic Reports: Analyse nach Themen. Zeigt, wie stark KI-Modelle eine Marke mit jedem kaufrelevanten Thema ihres Markts verknüpfen. Liefert den AI Understanding Score und erkennt Lücken der Stufen Critical, Significant und Moderate.
  • Prompt Tracking: verfolgt, ob und wie oft eine Marke in KI-Antworten auf bestimmte Anfragen auftaucht, über alle verfolgten Modelle hinweg. Liefert die Werte für AI Share of Voice und AI Topical Presence.
  • Facts: erfasst und prüft einzelne Aussagen, die KI-Modelle über eine Marke treffen. Jede Aussage ist auf ihre Quellen zurückgeführt und lässt sich bestätigen, melden oder löschen.
  • Sources: zeigt jede URL, die ein KI-Modell in Antworten zur Marke zitiert, eingeordnet nach Häufigkeit und aufgeschlüsselt nach Modell.
  • Action Plans: erstellt automatisch priorisierte Empfehlungen für GEO- und AIO-Inhalte, abgeleitet aus der Analyse der Lücken in den Topic Reports und Facts.

Typischer Ablauf

  1. Topic Reports : Analysiere deine Marke und bis zu zwei Wettbewerber, um die AI Understanding Scores als Ausgangslage festzuhalten und thematische Lücken zu erkennen
  2. Prompt Tracking : Lege Anfragen an, um über die Zeit zu verfolgen, wie oft deine Marke auftaucht, und um Share of Voice und Topical Presence zu messen
  3. Facts : Prüfe die Aussagen der KI über deine Marke, bestätige, was stimmt, und melde Fehler zur Korrektur
  4. Sources : Finde heraus, welche Domains die KI-Modelle zitieren, und setz bei der Ansprache dieser Quellen die richtigen Prioritäten
  5. Action Plans : Erhalte automatisch erstellte Empfehlungen für Inhalte auf Basis der erkannten Lücken und setz sie um

10Technische Spezifikationen

Datenformate

Import und Export

  • CSV-Format für Tabellendaten
  • JSON-Format für komplexe Strukturen
  • Anbindung an Looker Studio (in Entwicklung)

APIs in Entwicklung

Derzeit entstehen APIs für:

  • Action Plans
  • Topic Reports
  • Prompt Tracking

Möglichkeiten und Grenzen

Ohne Mengenbegrenzung

  • Analysierte Themen: unbegrenzt
  • Analyseintervall: einstellbar (täglich / wöchentlich / monatlich / manuell)

Verarbeitungszeit und Vergleichswerte

~1 min
Topic Reports und Action Plans
~30s
Prompt Tracking
5x
bessere Erkennung von Entitäten als Google NLP (Durchschnitt)
>99%
Präzision bei der Extraktion von Aussagen

Tests mit über 1 Million Webseiten zeigen bei der Erkennung von Entitäten im Durchschnitt eine 5-mal bessere Leistung als Google NLP, mit Unterschieden je Branche (Faktor 4 bei Immobilien und Tourismus, Faktor 12 bei Haushaltsgeräten und Werkzeugen).

Unterstützte Sprachen

Das System unterstützt 47 Sprachen in Hunderten von Ländern. Die Leistung ist für muttersprachliches Englisch und Französisch optimiert. Dank der einheitlichen Architektur lässt sich das System in allen unterstützten Sprachen einsetzen.

Prüfung der Präzision

Die Präzision bei der Extraktion von Aussagen liegt über 99%. Geprüft wurde das in internen Analysen mit eigenen Vergleichswerkzeugen.

11Positionierung im Wettbewerb

Was die Technologie unterscheidet

Funktionen ohne Gegenstück im Markt

Waikay bietet mehrere Funktionen, für die es im Markt kein Gegenstück gibt:

Topic Reports / AI Understanding Score Strukturierte Analyse nach Themen, die direkt die Trainingsdaten der KI abfragt und einen eigenen Übereinstimmungswert zwischen der tatsächlichen Marke und ihrer Wahrnehmung durch die KI berechnet.
AI Topical Presence Score Ein zusammengesetzter Wert von 0 bis 100. Er misst Tiefe, Breite und Konzentration der Verknüpfungen zwischen Marke und Themen in KI-Antworten auf kaufbezogene Fragen. Ohne Gegenstück im Markt.
GEO/AIO Action Plans Automatisch erstellte, priorisierte Empfehlungen für Inhalte, direkt abgeleitet aus der Analyse der Lücken. Ohne Gegenstück im Markt.
Modul Facts Prüfung im Detail auf Ebene einzelner Aussagen, mit Rückverfolgung der Quellen für jedes KI-Modell.
Modul Sources Lückenlose Rückverfolgung der Zitationen bis auf die einzelne URL für jedes KI-Modell, eingeordnet nach Häufigkeit.

Was das Prompt Tracking unterscheidet

Das Prompt Tracking von Waikay ist für kaufbezogene Prompts gebaut und liefert drei getrennte Ergebnisse: AI Visibility (wie oft eine Marke über die LLMs hinweg genannt wird), AI Share of Voice (Nennungen der Marke in Prozent aller Markennennungen, mit einem offenen Nenner aus den KI-Antworten statt einer von Hand festgelegten Liste von Wettbewerbern) und AI Topical Presence (ein gewichteter Wert aus Tiefe, Breite und Konzentration der Themenabdeckung). Für diese Kombination aus drei Kennzahlen in einem einzigen Prompt-Tracking-Modul und einer unbegrenzten Wettbewerbsanalyse gibt es im Markt kein Gegenstück.