QI-GEO: Query-Implied Generative Engine Optimization

Empirischer Kontext DACH: Die AI-Readiness-Studie zeigt Agent-Ready Ø 25/100 — QI-GEO greift erst, wenn Extraktion und Entity-Struktur überhaupt greifen. Grundlage bleibt GEO & AI-Sichtbarkeit.

Was verschiebt sich vom Keyword-Ranking zur generativen Zitierung?

Generative Search Engines (GSEs) wie Perplexity, ChatGPT Search und Gemini liefern keine bloße Linkliste mehr, sondern synthetisieren Fließtextantworten. Digitale Sichtbarkeit bemisst sich dann an Auswahl und expliziter Zitation — nicht an Position 1 der klassischen SERP.

Klassisches SEO allein reicht nicht: Keyword-Matching und isolierte Backlink-Metriken verlieren Gewicht, wenn Retriever über latente Vektoren und Wissensgraphen abrufen. GEO verschiebt das Ziel auf Nennung in der Antwort. QI-GEO geht einen Schritt weiter: Es verzichtet bewusst auf die Prognose der Abfragedistribution P(D) und optimiert die Dokumenttopologie selbst.

SEO vs. explizites GEO vs. QI-GEO

Formell lautet das Optimierungsziel im generativen Umfeld:

max_M E_{q ~ P(D)} [ v(M(D), q) − v(D, q) ]

wobei v(D, q) die Sichtbarkeit von Dokument D für Query q misst und M das Optimierungsmodell ist. Explizites GEO approximiert P(D) über Sampling q̂ ~ P̂(D) — mit hoher Varianz, sobald echte Nutzerfragen abweichen. QI-GEO entkoppelt davon: Entitäten und Relationen begrenzen den stützbaren Intent Space; Lücken schließen senkt Var_{q ~ P(D)}(Δv) über Unseen Queries.

Wie ist die QI-GEO-Architektur aufgebaut?

QI-GEO ist strikt dokumentenzentriert. Ein Text ist kein Token-Strom, sondern Ausschnitt eines semantischen Wissensgraphen. Expansion über externe Wissensquellen deckt Informationslücken auf, deren Schließung die Relevanz für generative Motoren erhöht — komplementär zum Knowledge Graph von Modern Stack.

Pipeline-Überblick

1. Coreference Resolution & Triplet Mining — Pronomina auflösen; (Subject, Relation, Object) via REBEL / Qwen2.5 extrahieren.
2. Knowledge Graph Construction & 1-Hop Expansion — Triplets erden (Neo4j / SurrealDB); 1-Hop-Nachbarn; Navigations-/Metadatenkanten filtern.
3. Coverage Mapping & Gap Discovery — Expandierten Graph mit Quelltext abgleichen; fehlende Entitäts-Beziehungs-Paare markieren.
4. Konvergenz-Scoring & Ranking — S_struct berechnen; Top-K-Lücken für verankerte Revisions-Edits selektieren.

1. Coreference & Triplet Mining

Anaphorische Auflösung hält Relationen über Satzgrenzen. Anschließend transformiert ein Relation-Extraction-Modell (bevorzugt Babelscape/rebel-large wegen standardisiertem Vokabular) Fließtext in Triplets.

Beispiel: Aus „DokiTab ist ein Cloud-EMR. Es unterstützt Schema.org-Standards.“ werden (DokiTab, IS_A, Cloud-EMR) und (DokiTab, SUPPORTS, Schema.org-Standards).

2. Graph-Erdung & 1-Hop Expansion

Triplets landen in einer lokalen Graphstruktur. Pro Entity folgt eine strikt 1-Hop-Expansion; Fokus auf definitorische, kausale und funktionale Kanten — nicht auf Menü- oder Navigationspfade. Das entspricht dem Prinzip, das auch Entity-SEO und Knowledge-Graph-Definition fordern: klare, maschinenadressierbare Relationen statt Rauschen.

3. Coverage Map & Informational Gaps

Eine Coverage Map indiziert bereits explizit genannte Entitäts-Beziehungs-Paare. Expandierte Tripel außerhalb der Matrix sind Gap-Kandidaten: semantisch nah am Hauptthema, im Text aber fehlend.

4. Scoring-Formel S_struct

S_struct = conv(g, d) × w_facet(g) × c_src(e)

• conv(g, d) — Anzahl unabhängiger Quell-Entitäten e ∈ E_d, die über Relationsgruppe g auf denselben 1-Hop-Zielknoten n verweisen. Hohe Konvergenz = mehrere Abschnitte deuten implizit auf dasselbe fehlende Konzept.
• w_facet(g) — Facettengewicht; definitorisch/kausal/erklärend → nahe 1,0; Metadaten/Navigation → abgewertet.
• c_src(e) — normalisierte Erwähnungshäufigkeit der Quell-Entität: count(e,d) / max count(e′,d).

Nur Top-K-Kandidaten werden editiert — das begrenzt Drift und erklärt das niedrige Downside Risk.

Wie implementierst du QI-GEO Schritt für Schritt?

Im Gegensatz zu Ad-hoc-Umschreibungen bewahrt dieser Pfad die narrative Grundstruktur und verdichtet nur die Informationsdichte — analog zu Answer-first und Direct Answers im Hub.

Schritt 1 — Relationales Dokumenten-Mining

1. Quelltext durch Coreference-Resolution schicken; Pronomen durch eindeutige Nomina ersetzen.
2. Bereinigten Text mit Sequenz-zu-Sequenz-RE (REBEL) in Triplets wandeln.

Schritt 2 — Wissensexpansion & Coverage Map

1. Triplets in Graph laden; 1-Hop-Expansion je Entity.
2. Universelle Metadatenkanten streichen; funktionale Pfade behalten (z. B. REQUIRES_STEP, RESOLVED_BY, HAS_FUNCTION).
3. Matrix expliziter Entitäts-Beziehungs-Paare bauen; Rest = Gap-Kandidaten.

Schritt 3 — Ranking

1. conv(g, d) je Kandidat berechnen.
2. S_struct anwenden; Duplikate/Paraphrasen filtern.
3. Top-K für Revision freigeben.

Schritt 4 — Anchored Targeted Edits

Pro Lücke eine EditSpecification:

{
  "anchor": "DokiTab bietet eine cloudbasierte EMR-Architektur für medizinische Einrichtungen.",
  "suggestion": {
    "subject": "DokiTab",
    "relation": "INTEGRATES_WITH",
    "object": "Schema.org MedicalClinic JSON-LD"
  },
  "necessity_score": 0.875
}

Ein Instruction-Tuned LLM (z. B. Qwen2.5-7B-Instruct) fügt die Ergänzung als Neben- oder Einzelsatz am Anchor an — ohne Umstrukturierung des Kontexts.

Schritt 5 — Schema & Hybrid Retrieval

1. Optimierten Text mit strukturierten Daten / JSON-LD anreichern (z. B. LocalBusiness inkl. PostalAddress und E.164-Telefon) — immer aligned mit sichtbarem Content, siehe Strukturierte Daten für GEO.
2. Hybrid indizieren: Vektordatenbank (z. B. ChromaDB + BAAI/bge-m3) plus Graph (SurrealDB / Neo4j). Fusion via Reciprocal Rank Fusion:

RRF(d) = Σ_{r ∈ R} 1 / (k + r(d))

mit Rang r(d) pro Retrieval-Liste und Glättung k = 60 (Cormack et al., 2009). Konsens über Vektor- und Graph-Pfad wird belohnt — dasselbe Hybrid-Muster, das GraphRAG-Setups für Grounding nutzen.

Welche empirischen Ergebnisse liefert QI-GEO?

Evaluierung auf GEO-Bench und ExtendedGEOBench im Fixed-Retrieval-Setting, um Retriever-Noise zu isolieren und den reinen Effekt der Inhaltsoptimierung zu messen (Ramakrishna & Andreopoulos, 2026).

Benchmark-Synthese

PAWC (Position-Adjusted Word Count) gewichtet zitierte Wörter nach Position in der Antwort — früher und dichter = höher. Das ist die Kernmetrik seit dem Princeton-GEO-Paper (Aggarwal et al., KDD 2024).

Citation Flips & Stabilität

• Single Query: +123 Gains / −55 Losses → Netto +68 (≈ 2,2× mehr Gewinne).
• Multi-Query ×5: +616 / −323 → Netto +293 (≈ 1,9×).
• Win-Tie Rate: ~70 % objektiv, ~81 % subjektiv.
• Downside Risk: DR = 0,011 (Single) bzw. 0,0097 (Multi) — vernachlässigbar, weil Edits lokal bleiben.

Multi-Query-Robustheit (ExtendedGEOBench)

• 66,0 % der optimierten Dokumente mit durchgängig positivem Ø-Gewinn über alle 5 Paraphrasen.
• 73,7 % verbessert oder gleich auf ≥ 3/5 Formulierungen.
• 87,5 % mit konkretem Gewinn auf mindestens einer Umformulierung (Best-Case Query Gain BCP = +0,2070).
• Erfolgsfall-Ø (+0,1634) > Verlustfall-Ø (−0,0629) um mehr als das Doppelte.

Damit ist QI-GEO robuster gegen Paraphrasen als reine Prompt-Overfitting-Strategien — relevant für ChatGPT-, Perplexity- und Google-AI-Mode-Sichtbarkeit.

Welche Roadmap gilt für Enterprise-Content?

QI-GEO ersetzt weder Stack noch Crawlability. Es verdichtet vorhandene Evidenz, sobald Extrahierbarkeit und Entity-Klarheit stehen — typischer Einstieg: Webseite-Modernisierung, dann Knowledge Graph.

Action Plan

• Triplet-Extraktion in der Publish-Pipeline — REBEL/äquivalent wandelt Fließtext in S-R-O-Triplets vor dem Go-Live.
• Domänenspezifischen Graph betreiben — 1-Hop-Gap-Checks vor Veröffentlichung (SurrealDB oder Neo4j).
• Anchored Edit-Pipeline — LLM-Erweiterungen nur als EditSpecification (Anchor + Necessity Score), keine Volltext-Rewrite-Loops.
• JSON-LD erzwingen — validiertes Schema.org Markup, content-aligned (Strukturierte Daten für GEO).
• Hybrid Retrieval + Zitations-Audit — Vektor + Graph via RRF (k=60); Monitoring der Citations in Perplexity, ChatGPT Search, Gemini; Agenten-Discovery über llms.txt.

Wer Architektur und Chunk-Qualität zuerst klären muss: Next.js vs WordPress in der KI-Suche und Webarchitektur im KI-Zeitalter. Parent-Hub: GEO & AI-Sichtbarkeit.