Glossar

Generative Engine Optimization ist die Optimierung der Darstellung, Auffindbarkeit und Zitierung einer Marke in KI-generierten Antworten.

Sie umfasst Content-Qualität, Entitätsklarheit, Quellenkonsistenz und technische Zugänglichkeit. Zu den heute relevanten Engines gehören ChatGPT, Perplexity, Gemini und Claude – und jede liest das Web auf unterschiedliche Weise.

Answer Engine Optimization ist die umfassendere Praxis, Content und technische Signale so aufzubereiten, dass antwortbasierte Systeme eine Marke klarer abrufen und interpretieren können.

AEO deckt strukturierte Daten, Entitätsklarheit, Content-Tiefe und Quellensignale ab. AEO und GEO sind sich überschneidende Branchenbegriffe; AEO wird oft weiter gefasst, während sich GEO meist auf generative KI-Systeme konzentriert.

Citation Share ist der prozentuale Anteil überwachter KI-Antworten in einem definierten Suchanfragen-Set, die eine Marke oder deren eigene Quellen zitieren.

Er ist eine der eindeutigeren Möglichkeiten, die Sichtbarkeit in der KI-gestützten Suche zu messen, wenn auch nicht die einzige. Er unterscheidet sich vom Mention Share, welcher misst, wie oft eine Marke lediglich erwähnt wird.

Topical Authority beschreibt die wahrgenommene Tiefe, Konsistenz und Glaubwürdigkeit einer Quelle in einem bestimmten Themenbereich.

Entsteht durch fachliche Tiefe und kontinuierliche Abdeckung, nicht durch reines Volumen. Sie ist einer der Schlüsselfaktoren dafür, ob Antwortmaschinen eine Quelle zitieren.

Entitätsklarheit (Entity Clarity) ist die Präzision, mit der eine Marke, Organisation oder ein Konzept in allen von einem KI-System lesbaren Quellen definiert und konsistent dargestellt wird.

Inkonsistente Benennungen oder Beschreibungen können die maschinelle Interpretation weniger verlässlich machen.

Strukturierte Daten sind maschinenlesbares Markup – typischerweise JSON-LD nach dem Schema.org-Vokabular –, das Systemen hilft, Seiteninhalte und Entitäten expliziter zu interpretieren.

Sie garantieren keine Aufnahme in KI-generierte Antworten oder Suchfunktionen, verringern jedoch Unklarheiten darüber, was eine Seite bedeutet und welche Entität sie beschreibt.

Gesteuerte Autonomie (Governed Autonomy) bezeichnet eine KI-Ausführung, die sich innerhalb expliziter Berechtigungen, Prüfregeln und von Menschen kontrollierter Grenzen bewegt.

Was sie von gewöhnlicher Automatisierung unterscheidet, ist die Begrenztheit: Das System agiert innerhalb der ihm erteilten Befugnisse und kann diese Grenzen nicht eigenständig überschreiten. Die Governance bleibt auf jeder Ebene aktiv.

Erarbeitete Autonomie ist das Prinzip, dass die Befugnisse eines KI-Systems nur in dem Maße wachsen, wie seine Vorschläge kontinuierlich den Entscheidungen menschlicher Reviewer entsprechen. Jeder Schritt ist explizit, messbar und reversibel.

SwiftXEO erweitert KI-Befugnisse auf Basis echter Review-Historien statt über pauschale Schalter. Autonomie wird anhand einer transparenten Datenbasis gewährt und bei Abweichungen wieder eingeschränkt.

Die Reviewer-Übereinstimmungsrate ist der Anteil der qualifizierten, von der KI vorgeschlagenen Korrekturen, die mit den Entscheidungen menschlicher Reviewer übereinstimmen.

Sie wird kontinuierlich aus realen Review-Aktivitäten gemessen und ist auf dem Workspace-Dashboard sichtbar. Sie ist ein zentraler Faktor dafür, wie sich die Autonomie im Laufe der Zeit erweitert.

Der Trust Index ist eine kombinierte Kennzahl aus der Review-Historie, mit der bestimmt wird, welche Aktionen für eine geringere Beaufsichtigung infrage kommen.

Er steigt mit nachgewiesener Übereinstimmung zwischen KI-Vorschlägen und menschlichen Entscheidungen und fällt, wenn Vorschläge ihr Ziel verfehlen. Er spiegelt die Historie einer spezifischen Organisation wider und ist kein vom Anbieter zugewiesener Wert.

Eine Lernschleife ist ein qualitätsgeprüfter Zyklus: Das System analysiert ein Ergebnis, leitet ein Learning ab und übernimmt dieses erst, wenn ein menschlicher Reviewer es freigibt.

SwiftXEO nutzt vier Schleifen: Content-Learnings wandeln Review-Korrekturen in feste Regeln um. Erfolgsmuster sichern datenbasiert funktionierende Ansätze. Strategische Learnings tragen Richtungsentscheidungen in die Planung. Geteilte Plattform-Muster nutzen anonymisierte Erkenntnisse übergreifend. Alle vier münden in derselben menschlichen Freigabe.

Das Learning-Freigabe-Gate ist der menschliche Überprüfungsschritt, den jede vorgeschlagene Erkenntnis passieren muss, bevor sie künftige Arbeiten beeinflussen kann.

Beobachtung erfolgt automatisch; Lernen nicht. Jede Lektion wird als ausstehender Vorschlag erfasst, und ein Reviewer gibt sie entweder als aktive Richtlinie frei oder lehnt sie ab, woraufhin sie in die inaktive Historie eingeht. Abgelehnte Lektionen bleiben im Entscheidungsprotokoll erhalten, fließen jedoch niemals in zukünftiges Verhalten ein. Nichts genehmigt sich selbst.

Strategisches Gedächtnis (Strategic Memory) ist das überprüfte organisatorische Protokoll von Entscheidungen, Nachweisen, Ergebnissen und genehmigten Lektionen, das über einzelne Sitzungen und Personen hinweg bestehen bleibt.

Ohne Gedächtnis ist dies nur ein Prozess. Mit Gedächtnis baut jede Iteration auf den validierten Erkenntnissen der vorherigen auf.

Organisationale Amnesie bezeichnet den schleichenden Verlust von Entscheidungskontext. Begründungen, Belege und Resultate verteilen sich über Tools und Personen, anstatt zentral gesichert zu werden.

Eine Entscheidung vom Januar ist im Juli oft vergessen. Eine gescheiterte Kampagne hinterlässt keine Dokumentation über das Warum. Dies ist der Normalzustand bei unverbundenen Einzellösungen.

Das Propose-Only-Prinzip besagt, dass angebundene externe Systeme Kontext und Vorschläge einreichen, diese jedoch niemals selbst freigeben, aktivieren oder veröffentlichen können.

Es existieren bewusst keine Berechtigungen zur automatischen Freigabe über APIs oder MCP-Tools. Diese Schutzgrenze ist fest in der Systemarchitektur verankert.

Die Vertrauensleiter (Trust Ladder) ist das Autorisierungsmodell, das externes Material durchläuft, bevor es eine Entscheidung beeinflussen kann: nicht vertrauenswürdig extern, überprüfte Nachweise und genehmigter Kontext.

Jedes Element startet auf der untersten Stufe. Aufstieg ist eine menschliche Entscheidung, und jede Stufe ändert, wofür das Material autorisiert ist. Die Befugnis wird nach Klasse gewährt und niemals aus dem Inhalt abgeleitet.

Ein Growth Operating System verbindet Markterfassung, strategische Entscheidungen, Ausführung, Ergebnisse und organisatorisches Lernen in einem kontinuierlichen Betriebsablauf.

SwiftXEO nutzt „Sense → Reason → Execute → Remember“ als diesen Ablauf. SwiftXEO ist ein Growth Operating System.

Strategische DNA – in SwiftXEO als Business-DNA abgebildet – ist die freigegebene Dokumentation von Tonalität, Positionierung, Zielgruppe und Vokabular Ihrer Marke. Sie dient als feste Referenz für Empfehlungen, Inhalte, Ziele und Reviews.

Sie wird aus Ihrer Webpräsenz extrahiert und von einer Person geprüft und freigegeben. Danach bildet sie den Referenzpunkt im Workspace: Entwürfe werden auf Tonalität, Vorschläge auf Strategie und Aussagen auf Belege geprüft.

Ein Reality Check ist ein qualitativer Vergleich zwischen der genehmigten Positionierung und beobachtbaren öffentlichen sowie Markt-Signalen.

Wird nach dem DNA-Scan ausgeführt. Aufgedeckte Diskrepanzen zur Marktwahrnehmung fließen direkt in die Agenda des Strategic Advisors ein – für praxisnahe Empfehlungen statt generischer Ratschläge.

Ein Evidence Stack ist die Gesamtheit aller Quellen hinter einer Erkenntnis oder Empfehlung – jeweils mit Herkunftsnachweis und Erfassungszeitpunkt dokumentiert.

Er stellt sicher, dass jede Aussage auf ihre Datenquelle und ihr Erfassungsdatum zurückgeführt werden kann, statt auf ungeprüften Annahmen zu basieren.

Jedes unterstützte Signal enthält Informationen darüber, woher es stammt, wann es erfasst wurde und wie aktuell es ist.

So wird Aktualität objektiv prüfbar und es wird verhindert, dass veraltete Daten unbemerkt als Entscheidungsgrundlage dienen.