Einleitung
Die Diskussion um die Optimierung für Suchergebnisse in LLM (Large Language Models) nimmt Fahrt auf. Marketing-Tools entwickeln sich stetig weiter, und es scheint, dass viele in der SEO-Welt überlegen, welche Metriken tatsächlich relevant sind und wie diese für Geschäftsziele nutzbar gemacht werden können. Doch wie funktioniert das Tracking von LLM-Sichtbarkeit wirklich, und können die existierenden Tools mit den neuen Herausforderungen Schritt halten?
Unterschiedliche Perspektiven auf LLM-Tools
Joe Hall stellt auf LinkedIn die Frage, wie effektiv Tools sein können, die die Sichtbarkeit von LLMs verfolgen. LLM-Ergebnisse sind flexibel und kontextabhängig, was bedeutet, dass sie nicht mit den statischen Suchergebnissen herkömmlicher Suchmaschinen vergleichbar sind. Er hinterfragt außerdem, wie diese Daten sinnvoll mit Geschäftsstrategien verbunden werden können:
„Ich verstehe nicht, wie diese Systeme funktionieren sollen. LLM-Antworten ändern sich stark in Abhängigkeit vom Kontext. Selbst wenn man sie verfolgen könnte, wie bringt man diese Leistung mit Geschäftszielen in Verbindung?“
Joshua Levenson fügt hinzu, dass viele Marketer versuchen, neue Technologien mit veralteten Methoden zu messen. Ihrer Meinung nach liegt hier ein großer Denkfehler in der Herangehensweise vor.
Was sind mögliche Lösungsansätze?
Lily Ray beschreibt, wie Entitäten, die von LLMs genutzt werden, analysiert werden können, um Rückschlüsse zu ziehen. Man kann beispielsweise die durchschnittlichen Entitäten und Schlüsselthemen aus den Antworten der Modelle verfolgen, um daraus Maßnahmen abzuleiten.
„Es ist nicht perfekt, aber es ist ein Anfang. Diese Daten können Optimierungsempfehlungen geben, aber es ist nicht so einfach wie nur Keywords in Titel-Tags hinzuzufügen.“
Tools für LLM-Optimierung
Es gibt inzwischen spezialisierte Tools wie Waikay, das auf die Analyse von Entitäten und Themen spezialisiert ist und eine Lücke zwischen Daten und Handlungsempfehlungen schließt. Ebenso beschreibt Ryan Jones sein Tool SERPRecon, das bestehende LLM-Antworten und ihre grundlegenden Themen analysiert. Dabei wird aber betont, dass sich LLM-basierte Optimierungen maßgeblich von herkömmlichen Strategien unterscheiden.
„Mit APIs überwachen wir Antworten und extrahieren Entitäten und Themen. Der Fokus liegt nicht auf exakten Formulierungen, sondern auf den angesprochenen Themen und Zielgruppen, die häufig erwähnt werden.“
Widersprüchliche Ansichten zu Stabilität im Vergleich zu traditionellen Suchergebnissen
Ein weiterer Diskussionspunkt ist die Stabilität der Ergebnisse bei LLM-Suchanfragen. Während traditionelle Suchergebnisse Unterschiede in der Absicht widerspiegeln, betonten einige Expert:innen jedoch, dass LLMs eine gewisse Stabilität in Bezug auf die Nennung von Quellen und Marken beibehalten.
„Mit LLMs ist es einfacher zu verstehen, welche Quellen herangezogen werden. Auch wenn sich die genauen Formulierungen ändern, bleibt die Wahrscheinlichkeit statisch, dass eine Marke oder eine Quelle häufiger erwähnt wird,“ erklärt Billy Peery.
Fazit und Mitnahme
Die Entwicklung und Wahrnehmung von LLM-Tools nimmt zu, und es wird immer deutlicher, dass diese unterschiedliche Vorteile bieten können. Während einige kritischer gegenüber der Anwendbarkeit dieser Werkzeuge stehen, betonen andere, dass sie nützlich sein können, um Marken- und Themenbekanntheit zu analysieren und zu steigern. Letztlich zeigt diese Diskussion, dass es in der SEO-Welt keinen Einheitsansatz mehr gibt und neue Technologien zur Anpassung und Innovation führen.
Bildnachweis: Shutterstock/TierneyMJ
