Wer GEO verstehen will, muss RAG bauen können
KI-Assistenten mit Websuche arbeiten nach demselben Prinzip wie ein Unternehmens-Chatbot: Sie rufen Dokumente ab, zerlegen sie in Abschnitte und formulieren daraus eine Antwort. Wer solche Systeme selbst baut, weiß, welche Inhalte gefunden und zitiert werden – und welche nicht. Dieses Wissen fließt direkt in die GEO-Arbeit.
Was ich konkret mache
RAG-Systeme auf Unternehmensdaten
Chatbots und interne Assistenten, die auf Handbüchern, Produktdaten, Wissensdatenbanken oder Intranet-Inhalten antworten – mit Quellenangabe. Schwerpunkte: Datenaufbereitung, Chunking-Strategie, Retrieval-Qualität und Evaluation.
KI-Agenten & Prozessautomatisierung
Agenten, die mehrstufige Aufgaben erledigen: Recherche, Klassifizierung, Content-Vorbereitung, Reporting. Umgesetzt mit n8n und den APIs der großen Modelle, eingebunden in bestehende Systeme.
Prompt-Sets & GEO-Tracking
Eine feste Liste realistischer Kundenfragen wird regelmäßig in ChatGPT, Gemini, Perplexity und Claude gestellt. Gemessen wird, ob Ihre Marke genannt wird, welche Quellen die Modelle nutzen und wie sich das nach Maßnahmen verändert (Share of Model).
Typische Ergebnisse
- Ein interner Assistent, der Fragen von Mitarbeitenden mit Verweis auf das passende Dokument beantwortet.
- Automatisierte Workflows, die manuelle Routinearbeit im Marketing ersetzen.
- Ein GEO-Dashboard mit Erwähnungen, Quellen und Wettbewerbsvergleich über mehrere KI-Assistenten.
Datenschutz und Datenhoheit werden von Anfang an mitgeplant: Auswahl der Modelle, Hosting und Zugriffsrechte richten sich nach Ihren Anforderungen.