AEO & GEO Technische Spezifikation (Engineering-Referenz 2026)
RAG-Vektorabruf-Schwellenwerte, 256-Token-Chunk-Grenzen, Entitäts-Rausch-Physik und Schema.org-Grapharchitekturen.
Generative Suchmaschinen crawlen keine Links und berechnen keinen PageRank. Wenn ein B2B-Käufer ChatGPT, Perplexity, Claude oder Gemini nach einem Anbietervergleich fragt, führt die Engine eine mehrstufige RAG-Pipeline aus: Sie fragt einen Vektorindex ab, berechnet die Kosinusähnlichkeit über 256-Token-Fenster, bewertet Passagen mit Cross-Encodern neu und extrahiert faktische Tripel. Wenn Ihr DOM 800 ms zum Hydrieren benötigt oder Ihre Antwort unter 300 Wörtern Einleitungstext begraben ist, wird Ihre Marke vor der Synthesephase verworfen. Hier ist die technische Spezifikation aller 15 AEO-Grundelemente.
Answer Engine Optimization (AEO) ist die technische Disziplin zur Strukturierung von HTML-Seiten, JSON-LD-Knowledge-Graphen und Serverantworten für eine deterministische Extraktion durch RAG-Pipelines von LLMs. Während traditionelles SEO die Klickrate (CTR) auf 10 blauen Links optimiert, maximiert AEO die Entitätsbindung, hohe Kosinusähnlichkeit (>0.82) und die Erwähnung in klickfreien KI-Antworten.
Die 15 Kern-Architekturprimitive von AEO & GEO
01RAG (Retrieval-Augmented Generation) Pipeline
Kern-Abruf-StackDreistufige Architektur (Dichter Bi-Encoder-Abruf → Cross-Encoder-Reranking → LLM-Generierung). Wenn Ihre Kernaussage nicht in einem atomaren Block von 150–200 Wörtern unter einer semantischen Überschrift formuliert ist, schließt der Reranker sie aus dem Kontextfenster aus.
02Kosinusähnlichkeit & Vektoreinbettungen
SuchmathematikSkalarproduktmaß zwischen dem Abfragevektor und dem Textblockvektor im mehrdimensionalen Raum (1536 oder 3072 Dimensionen). Produktionssuchsysteme wenden strenge Schwellenwerte an (>0.82); Chunks darunter werden verworfen.
03Entitäts-zu-Rausch-Verhältnis (ENR)
Faktische DichteVerhältnis von verifizierten Entitäten (Marken, Spezifikationen, Metriken) zu Füllwörtern. KI-Parser kürzen textlastige Absätze; AnswerShaper maximiert den ENR durch dichte deklarative Aussagen.
04Information Gain Score (Patent US10726079B1)
Ranking-GewichtungGoogles patentierter Algorithmus, der den neuen Informationsbeitrag eines Dokuments im Vergleich zum bereits indexierten Konsens berechnet. Paraphrasierte Artikel erhalten einen Score von Null; proprietäre Benchmarks erhalten maximale Gewichtung.
05Synthetischer Share of Voice (SOV)
Primäre KennzahlStatistischer Prozentsatz (0 bis 100%) von Abfragen, bei denen ein LLM eine Marke über eine Testmatrix von 1.000 synthetischen Buyer Personas empfiehlt. Ersetzt traditionelle SERP-Positionen 1–10.
06Fan-Out-Unterabfragen
AbfragedekompositionWenn ein Nutzer eine übergeordnete kommerzielle Frage stellt, zerlegen SearchGPT und Perplexity diese in 3–5 gezielte technische Unterabfragen (Preise, API-Limits, Nutzerbewertungen). Atomare Glossarseiten fangen diese Abfragen direkt ab.
07Grounding & Zitationsanker
HalluzinationsabwehrExplizite Textspannen in abgerufenen Dokumenten, die von generativen Modellen zur Faktenprüfung verwendet werden. Behauptungen ohne überprüfbare Zitate werden unterdrückt.
08KI-Inception-Radar (UGC-Signale Reddit/G2)
Konsens-MiningKontinuierliche Überwachung von Reddit-, Quora-, GitHub- und G2-Diskussionen. Generative Modelle messen authentischem menschlichem Konsens ein hohes Vertrauen bei.
09llms.txt Protokoll
Crawler-StandardStandardisiertes Manifest im Stammverzeichnis (/llms.txt), das einen sauberen Markdown-Index für KI-Bots (GPTBot, ClaudeBot, PerplexityBot) bereitstellt und JS/CSS-Overhead umgeht.
10Topischer Autoritätsvektor
Semantisches ClusteringMehrdimensionale Einbettung einer gesamten Domain. Isolierte Artikel ranken nicht; Autorität erfordert eine vollständige Abdeckung verknüpft in einem semantischen Mesh.
11Semantische Tripel (Subjekt-Prädikat-Objekt)
Knowledge-Graph-PrimitiveEindeutige deklarative Aussagen (z.B. [AnswerShaper] → [führt aus] → [256-Token RAG Chunking]). Reduziert Inferenzfehler von Wissensgraphen-Parsern auf Null.
12DOM-Hydratisierungs-Latenzstrafe
JS-AltlastenIndexierungsverlust durch clientseitige Rendering-Skripte (CSR). Da KI-Bots strikte Budgets (<300ms) zuweisen, garantiert SSR-Rendering 100%ige Erfassung.
13Schema.org @graph Architektur
Strukturierte DatenEinheitliches JSON-LD-Format, das Organization, SoftwareApplication, Product und FAQPage über explizite @id-URIs verknüpft.
14256-Token RAG Chunk-Grenze
Chunk-EngineeringStandardfenstergröße für Vektoreinbettungen (150–200 Wörter). Abschnitte unter H2/H3 als eigenständige Einheiten verhindern Datenabschneidungen.
15Sentiment Defender & Markenschutz
ReputationsschutzAutomatische Überwachung generativer Suchergebnisse zur Erkennung negativer Halluzinationen mit automatischer Bereitstellung autoritativer Gegennarrative.
Technischer Vergleich: AEO vs Klassisches SEO
| Architekturvektor | Answer Engine Optimization (AEO) | Klassisches SEO (2015-2023) |
|---|---|---|
| Zielindex | Hochdimensionale Vektoreinbettungen & RAG-Reranker | PageRank-Linkgraphen & invertierter Keyword-Index |
| Primäres Ziel | Share of Voice (SOV) & Direkte KI-Zitate | Position in den 10 blauen Links (SERP) & CTR |
| Inhaltsphysik | Atomare 256-Token-Blöcke, hoher ENR, deklarative Tripel | 3.000-Wörter-Skyscraper-Artikel mit Keyword-Stuffing |
| Autoritätsnachweis | Schema.org @id Graphen, UGC-Konsens, Information Gain | Domain Authority (DA) & Dofollow-Backlinkmenge |
Schema.org @graph Produktionsimplementierung
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Organization",
"@id": "https://www.answershaper.com/#organization",
"name": "AnswerShaper",
"url": "https://www.answershaper.com",
"logo": "https://www.answershaper.com/logo.png",
"knowsAbout": [
"Answer Engine Optimization",
"Generative Engine Optimization",
"RAG Vector Retrieval",
"Entity-to-Noise Ratio Optimization",
"llms.txt Standard"
]
},
{
"@type": "SoftwareApplication",
"@id": "https://www.answershaper.com/#software",
"name": "AnswerShaper AEO Platform",
"applicationCategory": "BusinessApplication",
"operatingSystem": "All",
"offers": {
"@type": "Offer",
"price": "0",
"priceCurrency": "USD"
}
}
]
}Related Documentation & Guides
All ArticlesAEO Technical Auditor: Vollständiges 256-Token Vector Chunking & Entity Density Handbuch
Die Schritt-für-Schritt-Anleitung zur Analyse des 256-Token-RAG-Chunkings, der Entitätsdichte und der Festlegung der 10 KI-Extraktionsdimensionen.
Smart Remediation: Automatisierte Code-, Syntax- und Entity-Rewriting-Engine
Verwandeln Sie fehlgeschlagene technische Audits in produktionstaugliche HTML-Tags, deklarative Mikroantworten und validierte JSON-LD-Skripte.
Citation Sniper: Rekonstruieren Sie KI-Zitate von Mitbewerbern und gewinnen Sie Platz 1
Überwachen Sie kommerzielle Aufforderungen auf ChatGPT, Claude und Perplexity, um zu erkennen, wann Konkurrenten zitiert werden, und setzen Sie chirurgische Gegenartikel ein.