AI Answer Gap

Finden Sie die Prompts, bei denen die Marke in AI-Antworten zitiert werden sollte, es aber nicht wird, benennen Sie, wem jede Antwort stattdessen gehört, und ranken Sie die Lücken nach AI-Suchvolumen — damit das Content-Team zuerst die größten, am ehesten gewinnbaren Misses angreift. Das ist die Brücke von „wir sind in AI nicht sichtbar" zu einem konkreten, sequenzierten Content-Backlog.

Dies ist ein erweiterter Skill: Er liest über UnifAPI live öffentliche Daten. Eine „Lücke" ist nie eine Vermutung — sie ist eine echte unzitierte AI-Antwort mit einem benannten Eigentümer, gewichtet nach echter AI-Suchnachfrage.

Nutzen Sie UnifAPI für Live-Belege

Dies ist ein erweiterter Skill: Er liest über UnifAPI live öffentliche Daten — eine „Lücke" ist nie eine Vermutung, sondern eine echte unzitierte AI-Antwort mit einem benannten Eigentümer, gewichtet nach echter AI-Suchnachfrage. Nutzen Sie den unifapi-Skill, um sich zu verbinden (OAuth MCP), und entdecken Sie dann diese GEO-Operationen. Alle sind POST; halten Sie engine (google / chatgpt), location und language über den gesamten Durchlauf konstant.

• Die Lücke finden — geo/serp (query = Kandidaten-Prompt, target = Markendomain, view: "full"). Eine Lücke existiert nur, wenn eine Antwort gerendert wird, die Marke keine zitierte Referenz ist (is_target false) und die Antwort jemand anderen zitiert. Erfassen Sie die zitierten Domains als Eigentümer.
• Abwesenheit in großem Umfang bestätigen — geo/mentions/search (target = Marke + Wettbewerber-Array) bestätigt, dass die Marke über den LLM-Mentions-Index hinweg wirklich abwesend ist, nicht nur bei einem Abruf unzitiert.
• Lücken nach Nachfrage ranken — der primäre Sortierschlüssel — geo/keywords/search-volume liefert die generative AI-Nachfrage pro Prompt. Das treibt das Ranking; rufen Sie es für das gesamte Kandidaten-Set zuerst ab und verwerfen Sie Prompts mit nahezu null, bevor Sie für SERP-Aufrufe ausgeben.
• Wem jede Antwort gehört — geo/mentions/top-pages und geo/mentions/top-domains ranken die exakten Seiten und Domains, die für das Set Zitationen gewinnen, sodass das Backlog sagt, welchen Content man schlagen muss, nicht nur dass eine Lücke existiert.
• Welcher Wettbewerber am meisten besitzt — geo/mentions/cross-aggregated-metrics vergleicht Anteile über beschriftete Gruppen (Marke vs. jeder benannte Wettbewerber), sodass Sie wissen, ob ein Rivale die Lücken dominiert (greifen Sie ihn direkt an) oder ob sie über viele Drittanbieter verstreut sind (ein Präsenzproblem).
• Quick-Win-Quervergleich — seo/serp (target = Marke). Wo die Marke organisch bereits rankt, aber nicht zitiert wird, ist der Fix Extrahierbarkeit, kein neuer Content — taggen Sie diese als quick.

UnifAPI liest ausschließlich öffentliche Daten. Behalten Sie jeden billing-Block für die Kostenzeile.

Workflow

(Lesen Sie zuerst .agents/product-marketing.md / .claude/product-marketing.md, falls vorhanden — sie enthält die Kategorie, Anwendungsfälle und das Wettbewerber-Set, aus denen die Kandidaten-Prompts stammen.)

1. Das Kandidaten-Set bauen. Gehen Sie von der Kategorie der Marke, den Anwendungsfällen und den Wettbewerbernamen aus; generieren Sie Prompts, für die die Marke ein legitimes Recht hat, zitiert zu werden. Verwenden Sie das Prompt-Set und die diagnostizierten Misses aus einem ai-visibility-audit-Durchlauf wieder, falls vorhanden, statt sie neu zu generieren.
2. Zuerst die Nachfrage bepreisen. Führen Sie geo/keywords/search-volume über alle Kandidaten aus und verwerfen Sie Prompts mit nahezu null Nachfrage, bevor Sie für SERP-Aufrufe pro Prompt ausgeben.
3. Jede Lücke bestätigen. Für jeden überlebenden Kandidaten geo/serp (target = Marke) + geo/mentions/search. Behalten Sie nur Prompts, bei denen eine Antwort existiert, die Marke abwesend ist und die Marke sie glaubwürdig beantworten könnte (kein Backlog für Lücken, die das Produkt nicht zu Recht besitzen kann).
4. Eigentümer und Angle identifizieren. Erfassen Sie die zitierte Domain (geo/mentions/top-pages / geo/mentions/top-domains) und führen Sie geo/mentions/cross-aggregated-metrics aus, um zu sehen, welcher Wettbewerber die meisten Lücken besitzt. Klassifizieren Sie, was jede Quelle gewinnen lässt, gegen die drei Säulen — Struktur (Extrahierbarkeit), Autorität (Präsenzsignale) oder Drittanbieter-Präsenz. Der vollständige Entscheidungsbaum und die von Princeton gemessenen Autoritätshebel finden sich in ai-visibility-audit/references/geo-methodology.md (im benachbarten Audit-Ordner).
5. Bewerten und sequenzieren. Wenden Sie die untenstehende Gap-Priority-Rubrik an: Das AI-Suchvolumen ist das Rückgrat, die Gewinnbarkeit justiert es, und ein quick/net-new-Tag legt den Build-Pfad fest. Geben Sie das gerankte Backlog aus.

Gap-Priority-Scoring

Jede bestätigte Lücke erhält einen Gap-Priority-Score. Das AI-Suchvolumen ist der dominante Faktor; Gewinnbarkeit und Aufwand modulieren ihn.

GapPriority = (Volume×0.55 + Winnability×0.30 + RightToWin×0.15) × 10   (0–100)

Taggen Sie dann den Build-Pfad:

• quick — Marke rankt organisch bereits (seo/serp) oder wird namentlich genannt, aber nicht zitiert: Struktur/Extrahierbarkeit beheben, keine neue Seite. Diese überspringen die Warteschlange unabhängig vom Score, weil der Aufwand gering ist.
• net-new — keine Seite oder keine organische Präsenz: vollständiger Content-Build.
• third-party — Eigentümer ist eine Listicle-/Bewertungs-/Reddit-Oberfläche, auf der die Marke nicht vertreten ist: Outreach/Platzierung, kein On-Site-Content.

Output

Führen Sie mit den Quick-Wins an (günstig), dann das volumengerankte Net-New-Backlog.

Lassen Sie auf die Tabelle Folgendes folgen:

• Quick-Wins-Block — die quick-Zeilen nach oben gezogen, mit dem einen strukturellen Fix, den jede braucht (einen FAQ-Block, eine Vergleichstabelle, eine Definitionsüberschrift hinzufügen).
• Pro Lücke: der zu schlagende Gewinner-Angle (Struktur / Autorität / Präsenz) als Aktion umformuliert — bei Autorität den spezifischen Hebel benennen (Statistiken, Zitate oder Zitationen hinzufügen).
• Beleg: jede Lücke zitiert auf die geo/serp-Antwort, die sie zeigt, mit dem Durchlaufdatum.
• Kosten: Von UnifAPI erfasste Credits oder beste Schätzung.

Durchgearbeitetes Beispiel

Marke acme.dev, US/Englisch, 18 Kandidaten-Prompts aus einem vorherigen Audit. geo/keywords/search-volume verwirft 4 Prompts mit nahezu null. geo/serp bestätigt 11 echte Lücken; geo/mentions/cross-aggregated-metrics zeigt, dass competitorB 6 davon besitzt (ein einzelner schlagbarer Rivale, keine verstreuten Drittanbieter). „wie man [Problem]" (2,7k AI-Vol) gehört den Docs von competitorB, aber seo/serp zeigt, dass Acme organisch #6 rankt und lediglich unzitiert ist → Säule Struktur, getaggt quick, Priorität (9×0,55 + 9×0,30 + 10×0,15) × 10 = 88 → #1. „beste [Kategorie] für Startups" (1,9k) ist ein g2-Listicle, auf dem Acme nicht steht → third-party, geringere Gewinnbarkeit, Priorität 71.

Leitplanken

• Schreibgeschützt: Es identifiziert und priorisiert Lücken. Es schreibt keinen Content, bearbeitet die Website nicht und postet nirgends — es übergibt das gerankte Backlog an den eigenen Assistenten des Operators und das Content-Team.
• AI-Antworten sind nicht-deterministisch und variieren je nach Sitzung und Zeit. Eine bestätigte Lücke ist ein datierter Snapshot; prüfen Sie erneut, bevor Sie einen großen Content-Build zusagen.
• Nehmen Sie nur Lücken ins Backlog, für die die Marke ein glaubwürdiges Recht zu gewinnen hat (der Right-to-Win-Faktor existiert, um diese herauszufiltern) — füllen Sie die Liste nicht mit Prompts auf, die das Produkt nicht ehrlich beantworten kann.
• AI-Suchvolumen ist eine Schätzung aus öffentlichen Daten — präsentieren Sie Spannen und versprechen Sie nie, dass das Füllen einer Lücke eine Zitation garantiert.
• Halten Sie die Unterscheidung zwischen zitiert und namentlich genannt: Eine namentliche Erwähnung ist ein quick-Extrahierbarkeitsgewinn, keine geschlossene Lücke.

Verwandte Skills

• ai-visibility-audit: das vorgelagerte Diagnostikum, das die von diesem Skill priorisierten Misses aufdeckt und erklärt. Seine references/geo-methodology.md liefert den Drei-Säulen-Entscheidungsbaum für Miss-Ursachen und die in Schritt 4 verwendeten Princeton-Autoritätshebel.
• llm-mention-tracking: nach dem Ausliefern von Content erneut ausführen, um zu bestätigen, dass sich Lücken über die Zeit schließen
• unifapi: der gemeinsame Daten-Skill (MCP verbinden, die GEO/SEO-Operationen entdecken, die dieser Skill liest)