LLMO (Large Language Model Optimization)

Diese Seite gibt es auch auf Englisch.

LLMO (Large Language Model Optimization) bezeichnet die Arbeit daran, wie große Sprachmodelle, etwa die hinter ChatGPT und Gemini, eine Marke beschreiben und empfehlen. Das geschieht, indem man genaue und einheitliche Informationen veröffentlicht, sowohl in den Daten, aus denen Modelle lernen, als auch auf den Seiten, die sie beim Antworten abrufen.

Was ist LLMO?

LLMO behandelt das Sprachmodell selbst als Optimierungsziel. Ein Modell beantwortet eine Frage zu einer Marke aus zwei Quellen: aus dem, was es im Training aufgenommen hat und was Monate oder Jahre alt sein kann, und aus dem, was es im Moment der Antwort aus dem Live-Web abruft. LLMO setzt an beiden an. Die Trainingsseite ist langsam und indirekt: Sorgen Sie dafür, dass Ihre eigenen Seiten, Verzeichniseinträge, Bewertungsprofile und Presseberichte dieselben aktuellen Fakten nennen, damit die nächste Modellversion ein genaues Bild lernt. Die Retrieval-Seite ist schneller: Geben Sie Engines, die das Web durchsuchen, für jede Frage Ihrer Käufer eine klare, zitierfähige Seite.

In der Praxis ähnelt die Arbeit eher Entity-Pflege als Keyword-Arbeit: ein einheitlicher Name und eine einheitliche Beschreibung für das Unternehmen und jedes Produkt, Fakten klar formuliert statt nur angedeutet, und dieselben Fakten bestätigt durch Drittquellen, denen ein Modell vermutlich vertraut. Wie stark eine einzelne Quelle ein Modell beeinflusst, ist von außen selten zu erkennen. Deshalb wird LLMO an seinem Ergebnis gemessen: daran, was die Engines tatsächlich über Sie sagen.

Beispiel

Ein Unternehmen bemerkt, dass ein KI-Assistent es mit einem Produktnamen beschreibt, den es vor zwei Jahren aufgegeben hat. Es veröffentlicht auf der eigenen Website eine klare, aktuelle Beschreibung seiner Produkte und bittet die Verzeichnisse und Bewertungsportale, die es erwähnen, ihre Einträge zu aktualisieren. Engines, die Live-Seiten abrufen, übernehmen den neuen Namen, sobald sie diese Seiten erneut crawlen; Engines, die aus Trainingsdaten antworten, ziehen erst nach, wenn ihr Modell aktualisiert wird.

LLMO vs. GEO vs. AEO

Die drei Begriffe beschreiben dieselbe Arbeit aus verschiedenen Blickwinkeln, und die meisten Teams verwenden sie austauschbar. Der Unterschied liegt darin, was jeder Begriff in den Vordergrund stellt.

Wenn Sie eine Faustregel wollen: Sagen Sie AEO, wenn Sie das Ergebnis meinen, GEO, wenn Sie die Systeme meinen, und LLMO, wenn es um das Verständnis geht, das das Modell selbst von Ihrer Marke hat. Den ausführlicheren Vergleich finden Sie unter GEO vs. AEO vs. LLMO.

Warum das wichtig ist

Manche Antworten stützen sich vor allem auf das, was ein Modell im Training gelernt hat, und das kann Ihren aktuellen Produkten und Ihrer Positionierung hinterherhinken. Andere stützen sich auf Live-Retrieval. Einheitliche, genaue Informationen auf Ihrer Website und bei den Drittquellen, die Sie erwähnen, helfen in beiden Fällen, und sie sind der einzige Teil des Bildes, das ein Modell von Ihnen hat, den Sie selbst steuern.

So geht Stellarcast damit um

Stellarcast misst das Ergebnis, auf das LLMO hinarbeitet: ob jede verfolgte KI-Engine Ihre Marke für die Fragen Ihrer Käufer nennt und zitiert, je Markt, mit einem P25-P75-Bereich, und welcher Wettbewerber genannt wurde, wenn Sie es nicht waren. So bekommt LLMO-Arbeit ein Vorher und ein Nachher.

Verwandte Begriffe

• Generative Engine Optimization (GEO)
• Answer Engine Optimization (AEO)
• Markenerwähnungen ohne Link
• llms.txt
• GEO vs. AEO vs. LLMO: das Begriffswirrwarr der KI-Suche erklärt