Prompt Engineering und SEO: Der Einfluss

Ein Prompt ist alles, was das Modell sieht, bevor es antwortet: die Anweisung, Hintergrundinformationen, Beispiele und Regeln zum Format. Prompt Engineering bedeutet, diesen Input gezielt zu gestalten. OpenAI, Anthropic und Google veröffentlichen alle Leitfäden zum Prompting, und sie sind sich in den Grundlagen einig: Seien Sie spezifisch, geben Sie Kontext, zeigen Sie Beispiele, fordern Sie ein klares Ausgabeformat und unterteilen Sie komplexe Aufgaben in Schritte.

Es ist weniger mysteriös, als der Name vermuten lässt. Ein guter Prompt liest sich wie ein gutes Briefing für einen freien Autor. Ein schlechter liest sich wie ein Notizzettel mit der Aufschrift „Schreib mal was über SEO“.

Die meisten SEO-Teams nutzen heute KI für bestimmte Aufgaben. Der Qualitätsunterschied zwischen den Teams ergibt sich weitgehend aus ihren Prompts und den Daten, die sie einspeisen.

Schwache Prompts führen zu schwachen Ergebnissen. „Schreibe einen 1.000-Wörter-Artikel über Laufschuhe“ liefert einen generischen Text, der nur wiederholt, was bereits rankt, und keinen Mehrwert bietet. Die Richtlinien von Google sind klar: Die Nutzung von KI verstößt nicht gegen ihre Richtlinien, aber Inhalte, die hauptsächlich zur Manipulation von Rankings erstellt wurden, einschließlich massenhaft erstellter Inhalte mit geringem Wert, schon.

Ein stärkerer Prompt für dieselbe Aufgabe enthält die Zielanfrage, die Suchintention, das Niveau des Lesers, Quellen oder Expertennotizen, eine geforderte Struktur, zu vermeidende Wörter und die Aufforderung, unsichere Aussagen zu kennzeichnen. Das Ergebnis ist immer noch ein Entwurf, aber einer, der es wert ist, bearbeitet zu werden.

Prompts, die für SEO-Aufgaben gut funktionieren

• Keyword-Clustering: Geben Sie eine Liste von Keywords mit Suchvolumina an und bitten Sie das Modell, diese nach Intention zu gruppieren und eine Hauptseite pro Gruppe vorzuschlagen.
• Briefing-Erstellung: Geben Sie die Überschriften der Top-Rankings-URLs an und bitten Sie um ein Briefing, das Lücken schließt, anstatt nur das zu kopieren, was sie bereits teilen.
• Meta-Beschreibungen: Geben Sie die ersten Absätze der Seite an und bitten Sie um drei Optionen unter 155 Zeichen, die den Hauptbegriff einmal enthalten.
• Interne Verlinkung: Geben Sie den Text einer Seite und eine Liste Ihrer URLs mit Titeln an und fragen Sie, welche Links natürlich passen und wo.
• Audit-Zusammenfassungen: Fügen Sie einen Crawl-Export ein und bitten Sie um eine nach voraussichtlicher Auswirkung geordnete Liste von Problemen, inklusive Belegen für jedes.

Zuverlässigkeit ist wichtiger als Cleverness. Ein Prompt, der einmal funktioniert und am nächsten Tag versagt, ist für ein Team nicht nützlich. Ein paar Gewohnheiten helfen:

• Verwenden Sie Vorlagen mit festen Abschnitten: Rolle, Aufgabe, Kontext, Regeln, Ausgabeformat.
• Stellen Sie echte Daten bereit, anstatt das Modell zu bitten, sich daran zu erinnern; Modelle kennen Ihre Rankings oder Ihren Traffic nicht.
• Fordern Sie eine strukturierte Ausgabe an, wie eine Tabelle oder JSON, wenn die Ergebnisse in einen weiteren Schritt einfließen.
• Fügen Sie ein oder zwei Beispiele für eine gute Ausgabe hinzu.
• Sagen Sie dem Modell, was es tun soll, wenn es unsicher ist, zum Beispiel „unbekannt“ zu schreiben, anstatt zu raten.
• Testen Sie die Vorlage an mehreren Eingaben, bevor Sie sie mit dem Team teilen.

Bewahren Sie Vorlagen in einem gemeinsamen Dokument oder einer Prompt-Bibliothek mit Versionshinweisen auf, damit sich Verbesserungen im Team verbreiten.

Die zweite Änderung findet außerhalb Ihres Teams statt. Menschen stellen KI-Systemen zunehmend vollständige Fragen, anstatt kurze Keywords einzugeben. Google berichtet, dass Anfragen im KI-Modus tendenziell länger und konversationeller sind als klassische Suchanfragen. ChatGPT-Suche, Perplexity und Gemini erhalten ähnliche Anfragen.

Diese Prompts enthalten oft Kontext und Einschränkungen: „Ich betreibe eine kleine Bäckerei in Izmir, was ist der günstigste Weg, um Google Ads mit einem Budget von 200 Dollar pro Monat zu starten?“ Eine KI-Antwortmaschine zerlegt dies in Unterfragen, sucht nach jeder und stellt eine Antwort aus mehreren Quellen zusammen. Google nennt eine Version dieser Anfrage Fan-out.

Für Content hat dies drei Konsequenzen. Seiten, die eine spezifische Unterfrage klar beantworten, sind leichter zu zitieren als breite Seiten, die alles vage abdecken. Kontext ist wichtig, daher kann Content, der eine bestimmte Zielgruppe, einen Ort oder ein Budgetniveau anspricht, mehr dieser detaillierten Prompts abdecken. Und eine klare Struktur mit Frage-Überschriften und direkten Antworten erleichtert die Extraktion.

Teilweise. Sie können KI-Prompts nicht so sehen, wie Sie Keyword-Volumina sehen; die meisten Plattformen teilen diese Daten nicht. Aber Sie können sie annähern.

Sammeln Sie echte Fragen aus Verkaufsgesprächen, Support-Tickets, Website-Suchprotokollen und den „Nutzer fragen auch“-Boxen bei Google. Erweitern Sie Ihre Keyword-Liste um die Einschränkungen, die Menschen hinzufügen: Budget, Ort, Unternehmensgröße, Erfahrungsniveau. Prüfen Sie dann Ihren Content: Gibt es eine Seite, die jede wichtige Frage direkt in den ersten Zeilen beantwortet?

Einige Tools verfolgen jetzt Markenerwähnungen in KI-Antworten für Sätze von Test-Prompts. Betrachten Sie deren Ergebnisse als Stichproben, da KI-Antworten zwischen Durchläufen und Nutzern variieren.