--- title: "So lässt sich E-E-A-T in GEO-Analysetools reproduzierbar bewerten" locale: de category: ai_data category_name: "KI-Daten" translation_status: reviewed license: cc_by author: "injoys" source_url: https://injoys.com/en/articles/geo-eeat-scoring-system-design published_at: 2026-08-26T15:49:11+09:00 --- # So lässt sich E-E-A-T in GEO-Analysetools reproduzierbar bewerten > E-E-A-T ist weder eine offizielle Bewertung von Google noch eine offengelegte Zitierformel generativer AI. In GEO-Analysetools sollte nicht das LLM die Bewertung willkürlich festlegen. Stattdessen sollten überprüfbare Signale aus demselben Web-Snapshot extrahiert und Bewertung sowie Konfidenz durch Code mit festgelegten Regeln und Versionen berechnet werden. ## Key Points - Damit dieselbe Eingabe zum selben Ergebnis führt, müssen die Versionen des Webseiten-Snapshots, der Bewertungsregeln, der Gewichtungen und der Datenquellen gemeinsam festgeschrieben werden. - Experience, Expertise, Authoritativeness und Trustworthiness müssen anhand unterschiedlicher Belege bewertet werden; insbesondere sind Selbstaussagen und externe Überprüfungen voneinander zu trennen. - Ein LLM eignet sich nicht als Instanz zur Berechnung der endgültigen Bewertung, sondern für die begrenzte Aufgabe, die extrahierten Belege und die vom Code berechneten Ergebnisse zu erläutern. - Die E-E-A-T-Bewertung und die Bewertung der Wahrscheinlichkeit von AI-Zitaten hängen zwar zusammen, sind aber nicht identisch und müssen daher in getrennten Modulen berechnet werden. - Es sollte nicht nur die Bewertung veröffentlicht werden, sondern auch die zugrunde liegenden URLs, extrahierten Sätze, Entscheidungsregeln, Angaben zu fehlenden Daten und die Konfidenz der Bewertung. GEO (Generative Engine Optimization) ist ein praktisches Konzept, mit dem analysiert und verbessert werden soll, wie wahrscheinlich Inhalte in Umgebungen mit generativer AI wie ChatGPT und Gemini gefunden und als Grundlage für Antworten verwendet werden. Allerdings haben Anbieter generativer AI-Dienste keine vollständige Formel für die Auswahl von Quellen veröffentlicht, und es gibt auch keinen einheitlichen, allgemein anerkannten GEO-Score. Googles E-E-A-T steht für Experience, Expertise, Authoritativeness und Trustworthiness, ist jedoch kein offizieller Zahlenwert, den Google für jede Webseite veröffentlicht. Daher muss eindeutig darauf hingewiesen werden, dass ein von einem Analysetool angezeigter „E-E-A-T-Score von 78“ keine Bewertung von Google ist, sondern eine vom jeweiligen Tool definierte Beobachtungskennzahl. ## Warum die Bewertung nicht direkt einem LLM überlassen werden sollte Wenn man eine gesamte Webseite in ein LLM eingibt und Erfahrung, Fachkompetenz, Autorität und Vertrauenswürdigkeit jeweils mit bis zu 100 Punkten bewerten lässt, kann man schnell einen Prototyp erstellen. Für ein produktiv eingesetztes Messsystem ergeben sich jedoch folgende Probleme. - Selbst bei denselben Inhalten und demselben Prompt können die Punktzahlen bei jeder Ausführung variieren. - Wenn das Modell oder der Anbieter wechselt, lassen sich die Ergebnisse nur schwer mit früheren Punktzahlen vergleichen. - Es kann zu Halluzinationen kommen, bei denen nicht auf der Seite vorhandene Berufserfahrung, Qualifikationen oder Reputation erschlossen werden. - Es ist schwierig zu prüfen, welche Sätze und Regeln die Punktzahl beeinflusst haben. - Selbstdarstellungen einer Website können ohne externe Überprüfung als Tatsachen übernommen werden. - Wenn lange Dokumente abgeschnitten werden oder sich die Extraktionsreihenfolge ändert, können sich auch die Bewertungsergebnisse ändern. Empfohlen wird folgende Struktur. ```text Website → Snapshot zu einem einzigen Zeitpunkt erfassen → Hauptinhalt, Metadaten, Entitäten und Behauptungen extrahieren → Mit externen Materialien abgleichen → Punktzahl anhand versionierter, unveränderlicher Regeln berechnen → Punktzahl, Belege und Konfidenz speichern → LLM erklärt die Ergebnisse in natürlicher Sprache ``` Das bedeutet nicht, dass überhaupt kein LLM verwendet werden sollte. Es kann für die Klassifizierung von Sätzen, die Extraktion potenzieller Behauptungen und die Suche nach Namensvarianten eingesetzt werden. Die Ergebnisse müssen jedoch mit Belegen aus dem Originaltext verknüpft und zwischengespeichert werden. Wenn die abschließende arithmetische Berechnung sowie Obergrenzen und Abzugsregeln vom Code übernommen werden, erhöht dies die Reproduzierbarkeit und Prüfbarkeit. ## Zunächst zu definierende Bewertungsobjekte und Geltungsbereiche Vor der Berechnung einer Punktzahl muss festgelegt werden, was bewertet wird. Signale für die gesamte Website, die Organisation, den Autor und einzelne Dokumente sind nicht gegeneinander austauschbar. | Bewertungseinheit | Zentrale Frage | Typische Belege | |---|---|---| | Dokument | Sind die Behauptungen und der Entstehungsprozess dieses Artikels vertrauenswürdig? | Hauptinhalt, Zitate, Veröffentlichungsdatum, Änderungsdatum, Versuchsdaten | | Autor | Lassen sich Erfahrung oder Fachkompetenz für dieses Thema nachweisen? | Autorenseite, Qualifikationen, Berufserfahrung, Forschungs- und Publikationshistorie | | Organisation | Ist der Herausgeber identifizierbar und gibt es klare Verantwortlichkeiten? | Unternehmensvorstellung, Kontaktdaten, redaktionelle Richtlinien, Organization-Daten | | Domain | Wird sie extern als Quelle für das betreffende Thema anerkannt? | Zitate unabhängiger Institutionen, relevante Backlinks, journalistische und wissenschaftliche Quellen | | Technische Oberfläche | Können Crawler die Inhalte und Quelleninformationen lesen? | Statuscode, robots-Richtlinien, canonical, HTML, strukturierte Daten | Auch das Thema muss klassifiziert werden. Für Bereiche wie Medizin, Finanzen und Recht, in denen falsche Informationen großen Schaden verursachen können, sind andere Nachweise für Fachkompetenz und Vertrauenswürdigkeit erforderlich als für persönliche Erfahrungsberichte zu einem Hobby. Werden auf alle Bereiche dieselben festen Gewichtungen angewandt, verliert die Punktzahl an Aussagekraft. ## So wird ein einheitlicher Web-Snapshot erfasst Der Analyzer sollte einen einmal gespeicherten Snapshot gemeinsam verwenden. Wenn der Hauptinhalt um 10 Uhr, JSON-LD um 10:05 Uhr und die Autorenseite um 10:10 Uhr jeweils erneut abgerufen werden, können unterschiedliche Änderungsstände vermischt werden. Nach Möglichkeit sollten im Snapshot folgende Elemente gespeichert werden. - Endgültige URL, Weiterleitungspfad, HTTP-Statuscode und Antwort-Header - Ursprüngliches HTML und bei Bedarf gerendertes HTML - Extrahierter Hauptinhalt, Titel, Beschreibung, canonical und Sprachinformationen - Autor, Veröffentlichungsdatum, Änderungsdatum und veröffentlichende Organisation - Interne und externe Links sowie Ankertexte - Strukturierte Daten wie JSON-LD und Microdata - robots-Anweisungen und zugehörige, über die sitemap ermittelte URLs - Erfassungszeitpunkt, Crawler-Version und Inhalts-Hash Bei der Untersuchung mehrerer Seiten sollte man sich nicht ausschließlich auf die Startseite verlassen. Mithilfe von sitemap.xml und internen Links werden Kandidaten wie About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy und Terms bis zu einer begrenzten Tiefe durchsucht. Seiten mit personenbezogenen Daten oder Zugriffsbeschränkungen dürfen nicht ohne Weiteres erfasst werden. Auch robots-Richtlinien, Nutzungsbedingungen und geltendes Recht sind zu prüfen. ## Trennung von Onsite- und Offsite-Belegen Onsite-Daten sind Informationen, die von der jeweiligen Website selbst veröffentlicht wurden. Dazu gehören Autorenprofile, Produktbeschreibungen, Kundenfallstudien, redaktionelle Richtlinien, Kontaktdaten sowie strukturierte Person- und Organization-Daten. Offsite-Daten zeigen, wie unabhängige externe Quellen einen Autor oder eine Organisation bestätigen. Dazu zählen Materialien von Behörden und öffentlichen Einrichtungen, akademischen Institutionen und Berufsverbänden, vertrauenswürdige Medien, Brancheninformationen, externe Profile sowie relevante Backlinks und Zitate. Beide Arten von Belegen müssen bei der Bewertung getrennt behandelt werden. - Eigenwerbung wie „branchenführend“ ist kein unabhängiger Beleg für Authority. - Auch externe Artikel besitzen nur geringe Unabhängigkeit, wenn sie eine Pressemitteilung unverändert übernehmen. - Wurde derselbe Artikel unter verschiedenen URLs vervielfältigt, darf die Zahl der Quellen nicht mehrfach gezählt werden. - Entitäten müssen geprüft werden, damit Leistungen anderer Personen oder Organisationen mit demselben Namen nicht fälschlich zugeordnet werden. - sameAs-Links sind Hinweise zur Verknüpfung potenzieller Entitäten, garantieren aber nicht automatisch, dass die angegebene Laufbahn der Wahrheit entspricht. ## Experience: Direkte Erfahrung in Belege umwandeln Experience bewertet die direkte Erfahrung eines Autors, der ein Produkt verwendet, einen Ort besucht, ein Verfahren durchgeführt oder einen Versuch betrieben hat. Sie ist von Expertise getrennt. Ein Käufer, der einen Laptop über lange Zeit genutzt hat, kann über umfangreiche praktische Erfahrung verfügen, ohne Experte für Batterietechnik zu sein. ### Zu erkennende Signale - Aussagen über direkte Nutzung, Kauf, Besuch, Installation, Betrieb oder Vergleich - Nutzungsdauer, Zahl der Tests, Stichprobengröße, Umgebung und Geräte - Durchführungsschritte, Fehlschläge, Einschränkungen und Ausnahmen - Selbst aufgenommene Bilder, Protokolle, Rohdaten und Reproduktionsverfahren - Ergebnisse vor und nach der Messung sowie die Messmethode Eine hohe Punktzahl allein aufgrund eines Satzes wie „Ich habe es selbst ausprobiert“ wäre leicht manipulierbar. Auch konkrete Zahlen beweisen für sich genommen keine Tatsachen. Als stärkerer Beleg sollten sie erst gelten, wenn Messmethode, Zeitraum, Rohdaten und Kontext miteinander übereinstimmen. Die Experience-Punktzahl kann wie folgt abgestuft werden. | Stufe | Beispiel | Verarbeitungsprinzip | |---|---|---| | Schwach | Es gibt lediglich die Behauptung, etwas verwendet zu haben | Niedrige Basispunktzahl | | Mittel | Zeitraum, Umgebung und Verfahren sind konkret angegeben | Zusätzliche Punkte für Konkretheit | | Stark | Rohdaten, Fotos, Protokolle und Vergleichskriterien werden bereitgestellt | Zusätzliche Punkte für Überprüfbarkeit | | Verifiziert | Stimmt mit unabhängigen Daten oder einem Reproduktionstest überein | Gewichtung für Kreuzvalidierung anwenden | ## Expertise: Überprüfbare Fachkompetenz bewerten Expertise bewertet, ob das Wissen und die Fähigkeiten vorhanden sind, um das betreffende Thema korrekt zu behandeln. Die bloße Bezeichnung „Experte“ neben einem Namen reicht nicht aus. Folgende Punkte kommen für die Analyse infrage. - Relevante Position, Zugehörigkeit, Tätigkeitsbereich und Dauer der Berufserfahrung - Abschlüsse, anerkannte Qualifikationen, Lizenzen und ausstellende Institutionen - Relevante Forschung, wissenschaftliche Arbeiten, Bücher, Lehrveranstaltungen und Projekte - Tatsächliche, mit dem Thema verbundene Berufserfahrung - Genauigkeit, Umfang, Grenzen und Quellen fachlicher Erklärungen - Fachliche Prüfer und Prüfdatum Wenn als Autor Werte wie `admin`, `administrator`, `관리자`, `운영자`, `운영팀`, `editor` angegeben sind, darf daraus keine konkrete Person abgeleitet werden. Auch bei vorhandenen strukturierten Person-Daten ist zu prüfen, ob sie mit den auf der Seite sichtbaren Autoreninformationen übereinstimmen. Die Fachkompetenz muss die thematische Eignung berücksichtigen. Eine Anwaltszulassung kann für juristische Inhalte ein starkes Signal sein, belegt jedoch nicht automatisch Fachkompetenz für sämtliche medizinischen oder technischen Themen. In Bereichen, in denen Qualifikationen überprüft werden müssen, sollte der Verifizierungsgrad erhöht werden, wenn eine Verbindung zur ausstellenden Institution oder zu offiziellen Abfragedaten hergestellt werden kann. ## Authoritativeness: Externe Anerkennung und Übereinstimmung von Entitäten Authoritativeness bewertet, in welchem Maß eine Person, Organisation oder Website zu einem bestimmten Thema extern anerkannt wird. Wichtiger als die bloße Anzahl der Erwähnungen sind Qualität, Themenrelevanz, Unabhängigkeit und Vielfalt der Quellen. Ein Analyzer für Autorität kann folgendermaßen vorgehen. 1. Standardentitäten für Organisationsname, Autorenname, Domain und Marke erstellen. 2. Bestätigte Aliasnamen wie frühere Namen, englische Namen und Abkürzungen verknüpfen. 3. Ermitteln, ob es sich in externen Dokumenten um dieselbe Entität handelt. 4. Unabhängigkeit, Qualität, Themenrelevanz und Aktualität der Quelle bewerten. 5. Wiederveröffentlichungen von Pressemitteilungen und Duplikate desselben Dokuments gruppieren. 6. Unterscheiden, ob ein Zitat oder eine Erwähnung positive Anerkennung, eine bloße Auflistung oder Kritik darstellt. Wenn bei der Analyse koreanischsprachiger Websites ausschließlich Wikipedia, Wikidata, Reddit und englischsprachige Medien verwendet werden, kann die Autorität koreanischer Institutionen und Unternehmen unterschätzt werden. Abhängig vom Bewertungsmarkt müssen Behörden und öffentliche Einrichtungen, öffentliche Daten, wissenschaftliche Datenbanken, Berufsverbände, führende Medien und Fachmedien der Industrie in das Quellenregister aufgenommen werden. Umgekehrt darf aus der Sichtbarkeit in einem Portal eines bestimmten Landes nicht ohne Weiteres auf weltweite Autorität geschlossen werden. Im Quellenregister sollten Rechtsraum, Herausgeber, Themenbereich, Unabhängigkeit, Status als Originalquelle, Aktualisierungszyklus und Zugangsbedingungen dokumentiert werden. Auch wenn länderspezifische Quellen hinzugefügt werden, müssen die Bewertungsregeln und Auswahlkriterien offengelegt werden. ## Trustworthiness: Die umfassendste und wichtigste Sicherheitsdimension Trustworthiness stützt die übrigen drei Elemente. Selbst bei direkter Erfahrung und vorhandenen Qualifikationen kann die Gesamtbewertung gedeckelt werden, wenn falsche Behauptungen, verschwiegene Interessenkonflikte oder manipulierte Quellen festgestellt werden. Im Vertrauenswürdigkeitsmodul sind folgende Punkte zu prüfen. ### Herausgeber und Verantwortlichkeit - Sind die betreibende Organisation und der Autor eindeutig angegeben? - Sind Kontaktmöglichkeiten und Kundendienstinformationen auf tatsächlichen Seiten vorhanden? - Sind redaktionelle, Prüfungs- und Korrekturrichtlinien einsehbar? - Werden Werbung, Sponsoring, Partnerschaften und Interessenkonflikte voneinander abgegrenzt? ### Behauptungen und Belege - Sind zentrale Tatsachen mit Originalquellen oder angemessenen Belegen verknüpft? - Entsprechen Zitate und Statistiken der Aussageabsicht des Originals? - Stimmen Veröffentlichungs- und Änderungsdatum mit tatsächlichen Inhaltsänderungen überein? - Sind Tatsachen, Meinungen und werbliche Aussagen klar voneinander getrennt? - Werden Unsicherheiten, Geltungsbereich, Ausnahmen und Grenzen offengelegt? ### Transaktionen und Sicherheit - Werden Datenschutzrichtlinie und Nutzungsbedingungen passend zur Art des Dienstes bereitgestellt? - Sind Zahlungs-, Erstattungs- und Lieferbedingungen auf Websites, auf denen sie erforderlich sind, eindeutig? - Bestehen keine technischen Risiken wie fehlendes HTTPS, bösartige Weiterleitungen oder ungültige Zertifikate? - Werden bei Gesundheits-, Finanz- und Rechtsinformationen keine gefährlichen Pauschalaussagen oder Garantien verwendet? Allein das Vorhandensein von HTTPS oder einer Datenschutzrichtlinie macht Inhalte nicht korrekt. Dabei handelt es sich um grundlegende Sicherheitssignale; die Vertrauenswürdigkeit einzelner Behauptungen muss separat verifiziert werden. ## Strukturierte Daten und Entitätsprüfung Strukturierte Person- und Organization-Daten stellen Namen, Zugehörigkeit, Position, offizielle URL und Beziehungen zu externen Profilen in maschinenlesbarer Form bereit. Auch author, publisher, datePublished und dateModified von Article sind nützlich, um die Quellenstruktur eines Dokuments auszudrücken. Schema-Markup muss jedoch nach folgenden Grundsätzen bewertet werden. - Prüfen, ob die strukturierten Daten mit dem sichtbaren Inhalt übereinstimmen. - Qualifikationen, Auszeichnungen oder Reputation nicht allein aufgrund ihres Vorhandenseins als Tatsache bestätigen. - Prüfen, ob Identifikatoren und Beziehungen zwischen Person, Organization und Article konsistent sind. - Prüfen, ob das Ziel von sameAs tatsächlich ein offizielles Profil ist. - Syntaxfehler von fehlenden Pflicht- und empfohlenen Eigenschaften unterscheiden. - Eine übermäßige oder irrelevante Verwendung von Schema-Typen nicht positiv bewerten. Strukturierte Daten sind eine Darstellungsebene, die Verständnis und Extraktion erleichtert. Sie garantieren weder ein hohes Suchmaschinen-Ranking noch Zitate durch generative AI. ## Entwicklung einer reproduzierbaren Bewertungsformel Wenn jedes Signal nur als „vorhanden“ oder „nicht vorhanden“ behandelt wird, bleiben Qualitätsunterschiede unberücksichtigt. Werden die Werte wie folgt getrennt, lassen sich die Belege leichter nachverfolgen. - `presence`: Vorhandensein oder Erfüllungsgrad des Signals - `verification`: Grad der unabhängigen Verifizierung - `relevance`: Relevanz für das bewertete Thema - `source_quality`: Qualität und Unabhängigkeit der Belegquelle - `freshness`: Gültigkeit von Signalen, bei denen Aktualität erforderlich ist - `weight`: versioniert verwaltete Bedeutung des Signals Eine Beispielformel lautet wie folgt. ```text Signalbeitrag = weight × presence × verification × relevance × source_quality × freshness Dimensionspunktzahl = 100 × Summe der Beiträge ÷ Summe der anwendbaren weight-Werte ``` Diese Formel ist ein Entwurfsbeispiel und keine offizielle E-E-A-T-Berechnungsformel. Jeder Koeffizient kann auf einen Wert zwischen 0 und 1 normalisiert werden. Nur logisch nicht anwendbare Elemente werden als `N/A` ausgeschlossen. Ein Zustand, in dem erforderliche Belege nicht gefunden wurden, wird von 0 Punkten unterschieden und als `missing` gespeichert. ### Konfidenz getrennt von der Punktzahl anzeigen Auch ein Ergebnis von 78 Punkten ist wenig verlässlich, wenn die Hälfte der erforderlichen Seiten nicht erfasst werden konnte. Daher müssen die Bewertungskonfidenz oder die Belegabdeckung separat berechnet werden. ```text Bewertungskonfidenz = Erfassungsabdeckung × Entitätsübereinstimmung × Anteil verifizierbarer Belege ``` Auf der Ergebnisseite müssen mindestens folgende Angaben gemeinsam angezeigt werden. - Punktzahl je Dimension und Gesamtpunktzahl - Bewertungskonfidenz - Status bestätigt, unbestätigt, widersprüchlich oder nicht anwendbar - Beleg-URL und Auszug aus dem Originaltext - Erfassungszeitpunkt und Snapshot-Hash - Version der Regeln, Gewichtungen und des Quellenregisters ## GEO-Gesamtpunktzahl und E-E-A-T trennen Ein hohes E-E-A-T bedeutet nicht zwangsläufig, dass Inhalte in AI-Antworten zitiert werden. Antwortsysteme können auch die Eignung für die Frage, die Extrahierbarkeit der Informationen, Aktualität, Crawlbarkeit und das Dokumentformat berücksichtigen. Die konkrete Auswahlmethode unterscheidet sich je nach Dienst. Bei einem GEO-Tool sollten folgende Module voneinander getrennt werden. | Modul | Analysegegenstand | |---|---| | Inhaltsbezogenes E-E-A-T | Erfahrung, Fachkompetenz, externe Autorität, Vertrauenswürdigkeit | | Bereitschaft für AI-Zitate | Eigenständig verständliche Sätze, Eignung für Fragen, Verknüpfung mit Belegen, Zusammenfassbarkeit | | Markenautorität | Unabhängige Anerkennung durch externe Institutionen und Entitätsübereinstimmung | | Technische Zugänglichkeit | Crawling, Statuscode, canonical, Rendering, Zugriff auf den Hauptinhalt | | Schema-Qualität | Syntax, Übereinstimmung mit angezeigten Inhalten, Entitätsbeziehungen | Eine mögliche Zusammensetzung wäre beispielsweise: Bereitschaft für AI-Zitate 30 %, Markenautorität 20 %, inhaltsbezogenes E-E-A-T 20 %, technische Zugänglichkeit 20 % und Schema 10 %. Diese Verteilung ist lediglich ein Beispiel für eine Produktrichtlinie. Die tatsächlichen Gewichtungen müssen anhand themenspezifischer Validierungsdaten angepasst und mit einer Version versehen werden. Bei der Bereitschaft für AI-Zitate dürfen kurze Sätze nicht grundsätzlich bevorzugt werden. Bewertet werden sollte, ob die zentrale Behauptung eigenständig verständlich ist, Belege und Bedingungen in unmittelbarer Nähe stehen und die Struktur aus Tabellen, Listen und Überschriften die Bedeutung bewahrt. Verborgener Text, wiederholte Formulierungen oder massenhaft erzeugte Seiten ohne Belege, mit denen Suchmaschinen oder AI getäuscht werden sollen, sind als Abzug oder Risikosignal zu behandeln. ## Struktur zur Verhinderung der Fehlerfortpflanzung zwischen Modulen Wenn jeder Analyzer die Schlussfolgerungen eines anderen Analyzers direkt als Eingabe übernimmt, können sich frühe Fehler verstärken. Gemeinsam genutzt werden sollten nicht die Schlussfolgerungen, sondern der ursprüngliche Snapshot und normalisierte Belege. ```text Snapshot Store ├─ Content / Claim Analyzer ├─ Author / Expertise Analyzer ├─ Entity / Authority Analyzer ├─ Trust Analyzer ├─ Technical Analyzer └─ Schema Analyzer ↓ Evidence Store → Deterministic Scorer → Explanation LLM ``` Jeder Bewertungsdatensatz sollte `claim_id`, `evidence_id`, die Position im Originaltext, die Bewertungsregel und die Modulversion enthalten. Dem LLM werden nur das berechnete JSON und die zugelassenen Belegsätze übergeben. Zusätzlich wird vorgegeben, dass keine neuen Qualifikationen oder externen Reputationsinformationen ergänzt werden dürfen. ## Häufig übersehene Probleme: Unsicherheit und gegnerische Manipulation Viele GEO-Analysen konzentrieren sich auf die Erkennung von Signalen, berücksichtigen aber nicht ausreichend, dass Websites versuchen können, den Analyzer zu täuschen. Dieses Problem muss als separate Qualitäts- und Sicherheitsebene behandelt werden. - Berufserfahrung und Schlüsselwörter können wiederholt in unsichtbare Bereiche eingefügt werden. - Gefälschte Autoren und strukturierte Person-Daten können erstellt werden. - Dieselbe Pressemitteilung kann auf mehreren Domains verbreitet werden, um die Zahl externer Erwähnungen künstlich zu erhöhen. - Nicht existierende Studien, Qualifikationen oder Zahlen können zitiert werden. - Nur das Änderungsdatum kann aktualisiert werden, damit alte Artikel wie aktuelle Inhalte erscheinen. - Das System kann dazu verleitet werden, die Autorität von Namensvettern oder ähnlichen Marken falsch zuzuordnen. Zu den Gegenmaßnahmen gehören der Vergleich sichtbarer Inhalte mit dem Markup, die Gruppierung nach Originalquelle, die Überprüfung von Qualifikationen bei der ausstellenden Stelle, die Hash-basierte Erkennung von Inhaltsänderungen, die gegenseitige Prüfung von Entitätseigenschaften und die Erkennung ungewöhnlicher Linkmuster. Werden schwerwiegende Widersprüche festgestellt, ist es sicherer, statt eines einfachen Punktabzugs eine Obergrenze für die Gesamtpunktzahl oder den Status „manuelle Prüfung“ anzuwenden. ## So wird das Bewertungsmodell validiert Auch eine deterministische Bewertungsformel ist nicht automatisch valide. Folgende Prüfungen sind erforderlich. 1. **Wiederholbarkeitstest:** Prüfen, ob derselbe Snapshot mit derselben Version bitgenau dasselbe Ergebnis erzeugt. 2. **Experten-Referenzsatz:** Von Fachleuten unabhängig markierte Belege mit den Systemergebnissen vergleichen. 3. **Übereinstimmung der Bewertenden:** Elemente ermitteln, bei denen selbst menschliche Bewertende schwer zu einer Einigung gelangen, und die Regeln entsprechend anpassen. 4. **Störungstest:** Prüfen, ob sich das Ergebnis in die erwartete Richtung verändert, wenn Autorenname, Datum, Schema oder Beleglinks entfernt werden. 5. **Manipulationsresistenztest:** Prüfen, ob verborgene Formulierungen, gefälschte Profile und duplizierte Pressemitteilungen die Punktzahl nicht übermäßig erhöhen. 6. **Test auf regionale Verzerrung:** Messen, ob Entitäten gleicher Qualität je nach Sprache oder Land systematisch benachteiligt werden. 7. **Ergebniskalibrierung:** Werden tatsächliche Beobachtungsdaten zu Zitaten verwendet, sind Frage, Zeitpunkt, Modell und Position gemeinsam zu dokumentieren. Zitierergebnisse generativer AI können sich je nach Formulierung der Frage und Aktualisierung des Dienstes verändern. Daher sollten tatsächliche Zitierraten nicht als absolute Wahrheit, sondern als externe Validierungskennzahl mit eindeutig angegebenem Zeitpunkt behandelt werden. ## In Betriebsergebnisse aufzunehmende Datenspezifikation Damit Menschen und andere Systeme die Ergebnisse erneut überprüfen können, kann folgende Struktur bereitgestellt werden. ```json { "snapshot_id": "sha256:...", "collected_at": "ISO-8601 timestamp", "scoring_version": "eeat-1.3.0", "scope": "document", "topic_class": "software-review", "scores": { "experience": 72, "expertise": 61, "authoritativeness": 54, "trustworthiness": 80 }, "confidence": 0.74, "evidence": [ { "dimension": "experience", "status": "verified", "source_url": "https://example.invalid/page", "rule_id": "EXP-METHOD-02" } ], "missing": ["independent_author_profile"] } ``` Die obige URL ist eine ungültige Beispielzeichenfolge, die lediglich die Datenstruktur veranschaulicht. In tatsächlichen Ergebnissen müssen die erfassten Beleg-URLs und die Positionen im Originaltext eingetragen werden. Besteht kein Recht zur erneuten Veröffentlichung des gesamten Originaltexts, sollten nur kurze Belege im erforderlichen Umfang sowie Hash- und Positionsinformationen gespeichert werden. ## Implementierungscheckliste - Bewertungseinheiten in Dokument, Autor, Organisation und Domain unterteilen. - Allen Analyzern einen Snapshot desselben Zeitpunkts bereitstellen. - Eigenbehauptungen und unabhängige externe Verifizierung trennen. - Experience und Expertise als separate Dimensionen berechnen. - Länderspezifische und sprachspezifische Quellenregister für Authority verwalten. - Die Übereinstimmung strukturierter Daten mit sichtbaren Inhalten prüfen. - Fehlende, widersprüchliche und nicht anwendbare Daten als unterschiedliche Zustände speichern. - Punktzahl und Bewertungskonfidenz gemeinsam veröffentlichen. - Bei Änderungen an Gewichtungen und Regeln die Version erhöhen. - Verhindern, dass LLM-Erklärungen Tatsachen außerhalb der Belege ergänzen. - Verfahren zur Manipulationserkennung und manuellen Prüfung einrichten. - Bei der Beobachtung tatsächlicher AI-Zitierergebnisse Modell, Frage und Zeitpunkt dokumentieren. Entscheidend ist, E-E-A-T nicht zu einer einzigen vagen Eindruckspunktzahl zu verdichten. Überprüfbare Belege, angewandte Regeln, Unsicherheiten und die Herkunftskette der Quellen müssen gemeinsam bereitgestellt werden, damit die Ergebnisse einer GEO-Analyse als Daten für operative Entscheidungen und langfristige Vergleiche nutzbar sind. ## FAQ ### Ist der E-E-A-T-Score eine offizielle Kennzahl von Google? Nein. Google beschreibt E-E-A-T als ein Konzept zum Verständnis der Inhaltsqualität, veröffentlicht jedoch keine offiziellen Scores für einzelne Webseiten. Der E-E-A-T-Score eines Analysetools ist eine eigene Kennzahl, die auf den von diesem Tool definierten Signalen, Gewichtungen und dem jeweiligen Datenumfang basiert. ### Kann man die Bewertung direkt einem LLM überlassen, wenn dessen Temperature auf 0 gesetzt wird? Dadurch lassen sich Schwankungen reduzieren, eine vollständige Reproduzierbarkeit und Faktentreue werden jedoch nicht garantiert. Die Modellversion, die Kürzung der Eingabe und die Systemeinstellungen können variieren, und es besteht zudem das Risiko, dass Fakten erschlossen werden, die nicht auf der Seite stehen. Daher ist es sicherer, die endgültige Berechnung mit Code durchzuführen, dessen Version festgelegt ist. ### Warum sollten Experience und Expertise getrennt bewertet werden? Experience bezeichnet die Erfahrung, etwas selbst genutzt, besucht, getestet oder betrieben zu haben, während Expertise das entsprechende Wissen, die Berufserfahrung, Qualifikationen und Forschungskompetenz bezeichnet. Ein Rezensent mit umfangreicher praktischer Nutzungserfahrung ist nicht zwangsläufig ein technischer Experte, und auch jemand mit einer fachlichen Qualifikation muss das betreffende Produkt nicht selbst genutzt haben. ### Kann der Experience-Score erhöht werden, wenn der Autor angibt, etwas selbst genutzt zu haben? Eine bloße Selbstauskunft sollte nur als schwaches Signal behandelt werden. Eine höhere Gewichtung sollte erfolgen, wenn zugleich konkrete und überprüfbare Belege vorliegen, etwa Angaben zu Zeitraum, Umgebung, Vorgehensweise und Messmethoden sowie Rohdaten oder selbst erstellte Materialien. ### Ist die Authority niedrig, wenn es keine Wikipedia- oder Presseartikel gibt? Nicht unbedingt. Je nach Land und Branche unterscheiden sich die relevanten externen Quellen. Unabhängige Quellen, die zur jeweiligen Region und zum jeweiligen Fachgebiet passen, etwa Behörden und öffentliche Einrichtungen, wissenschaftliche Einrichtungen, Fachverbände und Branchenmedien, sollten gemeinsam bewertet werden. Wiederveröffentlichte Pressemitteilungen müssen dabei dedupliziert werden. ### Steigt der GEO-Score, wenn viel Schema-Markup eingefügt wird? Wichtiger als die Menge des Schema-Markups sind dessen Genauigkeit und die Übereinstimmung mit den sichtbaren Inhalten. Strukturierte Daten helfen dabei, Entitäten und Dokumentbeziehungen zu verstehen, garantieren jedoch weder die Sichtbarkeit in der Suche noch Zitate durch AI. Falsches oder irrelevantes Markup kann zudem ein Vertrauensrisiko darstellen. ### Wird man bei einem hohen E-E-A-T-Score zwangsläufig von ChatGPT oder Gemini zitiert? Nein. Die Verfahren zur Quellenauswahl der einzelnen Dienste sind nicht vollständig offengelegt, und verschiedene Faktoren wie die Eignung für die Fragestellung, Aktualität, Zugänglichkeit und Darstellungsstruktur können Einfluss darauf haben. E-E-A-T und die Bereitschaft für AI-Zitate können miteinander zusammenhängen, sollten jedoch als separate Scores verwaltet werden. ### Kann bei gleichen Scores davon ausgegangen werden, dass auch die Analyseergebnisse dieselbe Qualität haben? Nein. Ein Score von 80, bei dem ausreichend viele Seiten erfasst wurden, hat eine andere Bedeutung als ein Score von 80, bei dem die Hälfte der Daten fehlt. Zusammen mit dem Score sollte die Zuverlässigkeit der Bewertung ausgewiesen werden, die die Erfassungsabdeckung, die Übereinstimmung der Entitäten und den Anteil verifizierter Belege berücksichtigt. ### Wie sollten die Gewichtungen des GEO-Scores festgelegt werden? Die anfänglichen Gewichtungen sollten als ausdrückliche Produktrichtlinie festgelegt, jedoch anhand eines Experten-Referenzdatensatzes, von Störtests, Tests zur Manipulationsresistenz und realen Beobachtungsdaten kalibriert werden. Für Bereiche mit unterschiedlichen Themenrisiken und Nutzerabsichten, etwa Medizin, Finanzen und Produktrezensionen, sind unterschiedliche Profile erforderlich. ### Für welche Aufgaben eignet sich ein LLM in einem GEO-Analysesystem? Es kann zur Extraktion potenzieller Aussagen, zur Klassifizierung von Sätzen, zur Suche nach Namensvarianten und zur natürlichsprachlichen Erklärung der vom Code berechneten Ergebnisse eingesetzt werden. Allerdings sollten alle Ergebnisse mit Belegen im Originaltext verknüpft werden, während die endgültige Berechnung des Scores sowie die Regeln für Obergrenzen und Abzüge vorzugsweise von deterministischem Code übernommen werden. ## Sources - [Hilfreiche, zuverlässige und nutzerorientierte Inhalte erstellen](https://developers.google.com/search/docs/fundamentals/creating-helpful-content) - [KI-Funktionen und Ihre Website](https://developers.google.com/search/docs/appearance/ai-features) - [Einführung in das Markup für strukturierte Daten in der Google-Suche](https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data) - [Mehr über Sitemaps erfahren](https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview) - [Schema.org Person](https://schema.org/Person) - [Schema.org Organization](https://schema.org/Organization) - [PROV-O: Die PROV-Ontologie](https://www.w3.org/TR/prov-o/) - [GEO: Optimierung für generative Suchmaschinen](https://arxiv.org/abs/2311.09735) ## Images ![Frau bedient ein großes Touchscreen-Analyse-Dashboard in einem Büro](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp) ![Flussdiagramm: Webseitendaten laufen über einen sicheren Server und vier Module zu Bewertungs-Dashboards](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp)