Dieser Artikel wurde aus dem Englischen übersetzt. [Zur englischen Originalversion wechseln Sie einfach die Sprache oben auf der Seite.]
Adaptiert aus Duane Forresters Essay auf Duane Forrester Decodes. Aurora erweitert seinen Rahmen für Marketing-Teams, die AI-Search-Visibility-Programme betreiben.
Wenn eine Marke aus ChatGPT verschwindet oder Anteil in Perplexity verliert, ist die Default-Marketing-Reaktion, mehr Content zu produzieren. Das ist eine Retrieval-Layer-Lösung, angewendet auf etwas, das zunehmend ein anderes Problem ist. Das Ergebnis ist verschwendetes Budget, verpasste Quartale und ein kriechendes Gefühl, dass die Arbeit nicht mehr mit den Ergebnissen verbunden ist.
Forresters Beitrag ist ein sauberes Drei-Schichten-Modell, wo AI-Visibility tatsächlich bricht. Jede Schicht versagt anders. Jede Schicht hat einen anderen Owner. Jede Schicht braucht eine andere Lösung.
Schicht 1: Retrieval
Hier ziehen AI-Systeme externen Content in eine Antwort. Retrieval-Augmented Generation, die Schicht, an der die meisten Teams schon arbeiten. Erfolg sieht hier wie klassische Search-Optimierung aus: crawlbarer, parsbarer, chunkfreundlicher Content. Strukturierte Überschriften, in sich geschlossene Antworten, Schema Markup, saubere technische Umsetzung. Die meisten Marketing-Teams haben Versionen dieser Arbeit in Bewegung.
Die strukturelle Grenze der Schicht ist das, was Microsoft Research das connect-the-dots-Versagen nannte: einfaches RAG ruft Chunks ab, kann aber nicht über Beziehungen zwischen ihnen räsonieren. Für Fragen, die Synthese über mehrere Quellen erfordern, bricht Retrieval allein zusammen, und das Modell füllt die Lücke mit selbstbewusst klingender Halluzination.
Die Frage, die diese Schicht beantwortet: Kann das Modell unseren Content überhaupt abrufen, und ist es der richtige Content für die Anfrage?
Schicht 2: Knowledge Graph (die Beziehungs-Schicht)
Die Knowledge-Graph-Schicht entscheidet, wie Ihre Marke als Entity repräsentiert wird: welche Kategorie Sie besetzen, mit welchen anderen Entities Sie verbunden sind, ob Sie als erkanntes Mitglied Ihrer Kategorie oder als ein verschwommener Kandidaten-String unter vielen behandelt werden. Googles Knowledge Graph, Microsofts Satori und der offene Graph, der auf Wikidata und schema.org gebaut ist, definieren dies gemeinsam.
Saubere, gut definierte Entities werden konsistent zitiert. Undifferenzierte Tokens, die quer durchs Web verstreut sind, werden gegen viele Kandidaten gematched und verlieren. Mehr Content zu produzieren tut fast nichts, wenn die Entity-Definition verschwommen bleibt. Die Lösung ist strukturell: Schema Markup auf Owned Properties, konsistente Benennung und Identifikatoren im offenen Web, Präsenz auf High-Trust-Knoten (Wikidata, Review-Plattformen) und die langsame Akkumulation von Markenerwähnungen in Kontexten, die der Graph als autoritativ behandelt.
Die Frage, die diese Schicht beantwortet: Sind wir eine saubere, verteidigbare Entity in unserer Kategorie, oder werden wir gegen zwölf Wettbewerber-Kandidaten gematched?
Schicht 3: Context Graph (governed Enterprise Retrieval)
Das ist die Schicht, die die meisten Vermarkter noch nicht benannt haben. Ein Context Graph hat dieselbe strukturelle Form wie ein Knowledge Graph – Entities, Beziehungen, typisierte Verbindungen – aber er ist anders verankert. Ein Knowledge Graph modelliert die Welt. Ein Context Graph modelliert die Daten, Entscheidungen, Richtlinien und operative Realität einer bestimmten Organisation. Die sauberste Rahmung: ein Knowledge Graph ist die Bibliothek; ein Context Graph ist das Betriebshandbuch, geschrieben von den Leuten, die den Ort leiten.
Was den Context Graph unterscheidet, ist, dass Governance im Graph lebt. Richtlinien, Berechtigungen, Gültigkeitsfenster und Autorisierungsregeln sind Knoten, die der Graph selbst abfragt, keine externe Dokumentation, die an den Rändern angewendet wird. Das Ergebnis ist governed Retrieval: Abfragen geben Informationen zurück, die bereits durch aktuelle Autorisierung und Anwendbarkeit gefiltert sind.
Das ging von unsichtbarer Infrastruktur zu Enterprise-Procurement-Vokabular, als Google bei Google Cloud Next '26 den Knowledge Catalog einführte – ein einheitlicher, dynamischer Context Graph eines Kundengeschäfts, der Enterprise-Agents in den eigenen Daten des Kunden verankert. Gartner prognostiziert, dass 40 % der Enterprise-Anwendungen bis Ende 2026 task-spezifische KI-Agents enthalten werden, von weniger als 5 % im Jahr 2025. Diese Agents – die Procurement, Wettbewerbsintelligenz, Vendor-Evaluierung handhaben – werden nicht aus dem offenen Web über Ihre Marke räsonieren. Sie werden über Sie aus dem Context Graph ihres Unternehmens räsonieren.
Die Frage, die diese Schicht beantwortet: Wenn ein Agent in einem Kundenunternehmen über unsere Marke räsoniert, was findet er, und ist die Version, die er findet, die Version, mit der wir wollen würden, dass er handelt?
Wo Aurora spielt
Die drei Schichten brauchen jede unterschiedliche Belege, und Aurora ist strukturiert, jede der Reihe nach zu liefern.
Retrieval-Schicht. Aurora läuft geplante Prompts gegen ChatGPT, Perplexity, Gemini, Google AI Mode, Google AI Overviews, Copilot und Claude, erfasst die Rohantworten und extrahiert Zitate und Markenerwähnungen. Das sagt Ihnen, ob die Retrieval-Schicht Sie findet – pro Prompt, pro Engine, pro Wettbewerber.
Knowledge-Graph-Schicht. Auroras Source Intelligence rollt zusammen, welche Domains die Engines in Ihrer Kategorie als autoritativ behandeln, und enthüllt die Drittpartei-Flächen, die Entity-Definitionen speisen. Brand-Visibility-Scoring fängt die paraphrasierten Erwähnungen und Aliase, die reines Citation Tracking verfehlt – die Oberfläche, auf der Entity-Verstärkung passiert.
Context-Graph-Schicht. Diese Schicht ist Upstream und schwerer direkt zu messen, weil sie in Kundenunternehmen lebt. Der Hebel ist, im Context Graph in sauberem Zustand anzukommen: konsistente Kategoriepositionierung, verlässliche strukturierte Daten, robuste Drittpartei-Signale. Auroras Wettbewerber- und Source-Intelligence-Sichten zeigen, wo Ihre Marke über Owned und Earned Media fragmentiert ist, was die Upstream-Ursache einer mehrdeutigen Repräsentation Downstream ist.
Hören Sie auf, die falsche Schicht zu lösen
Die meisten Teams konzentrieren sich auf Retrieval-Layer-Optimierung, während sie bei Knowledge-Graph-Arbeit Boden verlieren und in Context-Graph-Gesprächen abwesend bleiben. Die Teams, die 2026 gewinnen, sind die, die herausfinden, wie sie über alle drei Verantwortungszonen hinweg operieren, statt ihre Arbeit nur auf einer zu perfektionieren.
Die Diagnose kommt zuerst. Die Lösung folgt der Diagnose. Mehr Content ist manchmal die richtige Antwort. Es ist selten die Antwort, wenn das zugrundeliegende Problem verschwommene Entity-Definition oder Governed-Retrieval-Unsichtbarkeit ist.
