Verbessern Sie, wie AI-Modelle Ihren Webshop finden und zitieren.
Der Citability Score misst, wie gut Ihr Content von KI-Modellen zitiert werden kann.
Praxisbeispiel
Zitierbarkeit 31 → 69. Produkte ohne Spezifikationen und FAQ werden von ChatGPT oder Google AI Overviews selten zitiert.
Nach dem Füllen von 18 Spezifikationsfeldern (Maße, Wellenart, Belastbarkeit), einem FAQ-Block pro Produkt und Produkt-Schema stieg der Zitierbarkeits-Score von durchschnittlich 31 auf 69.
Faktoren: Textlänge, faktische Dichte, Entitäts-Klarheit, SEO-Metadata, Struktur, Differenzierung.
Praxisbeispiel
Fehlende FAQ kostete 3 von 10 Zitierbarkeits-Punkten. Bei der Produktseite für zweiwellige Kartons fehlten klare Antworten auf "Wie viel Gewicht hält der Karton?".
Die Faktoren-Liste zeigt konkret, welcher Baustein fehlt, statt nur einen abstrakten Gesamtwert zu liefern.
Der AI Search Simulator simuliert, wie ein KI-Modell Ihren Shop finden würde.
Praxisbeispiel
Simulierte Frage: "Welcher Versandkarton eignet sich für 15 kg?" Der Simulator zeigte, dass ein LLM aktuell einen Konkurrenzshop statt G&F Verpakkingen zitieren würde.
So lässt sich vor der Veröffentlichung testen, ob eine Seite in KI-Antworten überhaupt auftaucht.
Der FAQ Generator erstellt FAQs als JSON-LD structured data, pushbar zu Shopify.
Praxisbeispiel
8 FAQ-Einträge zu Wellpappe-Kartons automatisch erstellt. Fragen wie "Was ist der Unterschied zwischen ein- und zweiwellig?" wurden mit konkreten Traglast- und Maßangaben beantwortet.
FAQ-Blöcke erhöhen die Chance, in direkten KI-Antworten zitiert zu werden, statt nur in klassischen Suchergebnissen zu erscheinen.
Die llms.txt-Datei informiert KI-Crawler über verfügbare Inhalte.
Praxisbeispiel
llms.txt mit 34 Kollektionen und 512 Produkten generiert. Die Datei listete Kategorien wie "Versandkartons einwellig" und "Palettenhauben" in einem für KI-Crawler lesbaren Format.
Das gibt KI-Systemen eine klare Struktur des Sortiments, ohne dass sie den gesamten Shop selbst crawlen müssen.
Bulk AI Fix optimiert Items mit niedrigem Score auf einmal.
Praxisbeispiel
96 Produkte mit einem Klick auf fehlende strukturierte Daten korrigiert. Statt jede der 96 Seiten einzeln zu öffnen, wurde die Massenkorrektur auf die gefilterte Liste angewendet.
Das spart bei größeren Katalogen Stunden manueller Nacharbeit pro Fehlerart.
Structured Data Audit prüft schema.org Markup für Produkt, FAQ, Breadcrumb und Organisation.
Praxisbeispiel
Product-Schema für 512 Artikel ergänzt, inklusive Maße und Material. Vorher fehlten bei 340 Produkten die Felder "weight" und "material" im Schema.
Vollständige strukturierte Daten helfen Suchmaschinen und KI-Systemen, Produkteigenschaften korrekt zuzuordnen.
Historische Trend-Verfolgung: Citability Scores über 90 Tage.
Praxisbeispiel
Anstieg der Sichtbarkeit für "nachhaltige Verpackung" um 27% in 6 Wochen. Die Trendkurve zeigte den Anstieg, nachdem entsprechende Inhalte ergänzt wurden.
So lässt sich messen, ob Optimierungen an der KI-Sichtbarkeit tatsächlich wirken, statt es nur zu vermuten.