KI-Suchanfragen, die Ihr LLM Mitten in der Antwort Abfeuert

Das neue Keyword-Research lebt im Modell

Klassisches Keyword-Research beginnt damit, was Menschen in eine Suchbox tippen. KI-Suche hat eine neue Schicht darüber produziert: wenn ein User ChatGPT, Claude oder Gemini eine natürliche Frage stellt, feuert das Modell oft seine eigenen Web-Suchen mitten in der Antwort ab, um die Antwort zu grounden. Diese internen Queries sind in Google Search Console nicht sichtbar. Sie erreichen Ihre klassischen Analytics nie. Aber sie sind das hochwertigste Kaufintent-Signal heute, weil sie von einem Modell generiert wurden, das die User-Intent bereits verstanden und in die Query übersetzt hat, die am wahrscheinlichsten eine nützliche Antwort liefert.

Der User sagte "lohnt sich Profound für ein kleines SaaS". ChatGPT übersetzte das zu "Profound vs Lumos vs Peec AI" und ging Grounding suchen. Die übersetzte Query ist die, auf der Sie auffindbar sein müssen. Auf die User-facing Query optimieren ist die alte SEO-Oberfläche. Auf die übersetzte optimieren ist die neue.

Was Sie in Lumos sehen

Die Vorschau oben ist ein Snapshot der Queries, die ChatGPT und Claude diese Woche mitten in der Antwort für Prompts über Lumos und GEO abfeuerten. Bei Anmeldung läuft dieselbe Erfassung auf Ihrer Prompt-Bibliothek.

• User-Prompt → übersetzte Query. Jede Zeile paart die ursprüngliche natürliche Frage mit der Web-Query, die die KI für Grounding abfeuerte. Beide Seiten zählen — Sie müssen wissen, was User sagen und was die KI übersetzt.
• Frequenz und Intent-Score. Queries, die sich über mehrere User-Prompts wiederholen, haben mehr Signal. Eine einmal abgefeuerte Query ist Rauschen; eine über 14 User-Prompts abgefeuerte ist ein fixes Asset Ihrer Kategorie.
• Zurückgegebene Quellseiten. Lumos erfasst die tatsächlichen URLs, die jede Query zurückgab, damit Sie sehen, worauf die KI groundet.
• Engine-Aufschlüsselung. ChatGPT und Claude feuern unterschiedliche Queries für denselben User-Prompt ab, weil ihre Tool-Use-Prompts und Grounding-Strategien sich unterscheiden.

Wie Lumos die Queries erfasst

Die Mitten-in-der-Antwort-Query ist das Artefakt des Modell-Tool-Use. Lumos lässt Ihre Prompt-Bibliothek durch jede große Engine mit Tool-Use aktiviert laufen und erfasst:

1. Den natürlichen Prompt des Users.
2. Die Mitten-in-der-Antwort-Web-Queries, die das Modell abfeuerte (manchmal eine, oft drei bis fünf).
3. Die für jede Query zurückgegebenen URLs.
4. Wie die finale Antwort diese URLs zitierte oder paraphrasierte.
5. Modell- und Engine-Version, damit Sie Woche für Woche vergleichen.

Das rohe Query-Log wird neben Ihren normalen Scan-Daten gespeichert. Sie können filtern, suchen, exportieren. Die Aggregations-Schicht dedupliziert und rangiert nach Frequenz × Intent-Score.

Wie Sie die erfassten Queries nutzen

Bauen Sie Content, der die übersetzte Form matched. Die KI sucht Exact-Match-Titel wie "Profound vs Lumos vs Peec AI". Wenn Ihr Content "Warum wir Lumos gebaut haben" heißt, wird die KI ihn für diese Query nicht hervorbringen, egal wie gut der Content ist. Lumos paart jede erfasste Query mit einem Citability-Vorschlag — meist ein Seitentitel und Heading-Set, das matchen würde.

Lassen Sie die Queries selbst in Google laufen. Google rangiert die Seiten, auf denen KI-Engines stark grounden, immer noch. Öffnen Sie die Top 5 in einem Inkognito-Tab und lesen Sie, was zurückgegeben wird. Diese Seiten sind Ihre echte Konkurrenz für KI-Sichtbarkeit — oft sehr verschieden von den Seiten, die für die User-facing-Version der Query ranken.

Nutzen Sie die Queries als Wettbewerbsradar. Wenn die KI ständig "X vs Y" abfeuert und Sie nicht in der Liste sind, sind Sie an diesem Entscheidungsmoment unsichtbar. Die richtige Antwort ist das Publishen einer "X vs Lumos"- oder "Y vs Lumos"-Seite, die die KI aufnimmt. Die erfasste Query-Liste sagt Ihnen genau, welche Vergleiche zu bauen sind.

Achten Sie auf neue auftauchende Queries. Wenn ChatGPT beginnt, eine Query abzufeuern, die es im letzten Monat nicht abfeuerte, hat sich etwas in der Kategorie verschoben — ein neues Produkt gelauncht, ein neuer Vendor erschienen, eine neue Pricing-Frage entstanden. Setzen Sie eine Lumos-Alert auf neue Mitten-in-der-Antwort-Queries, um diese Shifts in Tagen zu fangen.

Häufige Fehler beim Lesen von Mitten-in-der-Antwort-Queries

Sie mit Autocomplete-Vorschlägen verwechseln. Google-Autocomplete ist, was Menschen tippen könnten. Mitten-in-der-Antwort-Queries sind, was die KI tatsächlich abfeuert. Oberflächlich ähnlich, aber sehr verschiedene Signale — Autocomplete ist breit, Mid-Answer ist scharf.

Nur für die häufigsten Queries optimieren. Die Top-3 bekommen Aufmerksamkeit. Der Long-Tail — Queries, die jeweils nur wenige Male abgefeuert wurden, aber sich summieren — repräsentiert oft spezifische Buyer-Use-Cases, die eigenen Content wert sind.

Queries einer Engine isoliert lesen. ChatGPT, Claude und Gemini feuern für denselben User-Intent unterschiedliche Queries ab. Eine Query, die in ChatGPT laut und in Gemini still ist, lohnt es trotzdem, Content dafür zu bauen, aber Sie müssen sie nach der Engine gewichten, die Ihre Käufer nutzen.

Das Query-Log als unbearbeiteten Content-Brief behandeln. Erfasste Queries sind rohes Modell-Output. Manche sind Gold, manche Rauschen. Als Inspiration für den Content-Backlog nutzen, nicht als fertigen Brief.

Nächste Schritte

• Tracker auf Ihrer Marke laufen lassen: anmelden, Prompt-Bibliothek importieren, Queries in Minuten erfassen.
• Mit Zitationsanalyse paaren: AI Citation Source Tracker.
• Lesen Sie die Strategie: How to appear in ChatGPT.