Astra dominiert neuen AEO-Tracker, Anthropic bevorzugt breitere Recherche

Latent Space hat einen neuen Frontier AEO Tracker gestartet, der aufzeichnet, wie Top-KI-Modelle Tools und Dienste in 161 Kategorien empfehlen. Die Methodik umfasste Milliarden von Token und 6 Prompt-Variationen in 7 verschiedenen Modellen mit aktiver Websuche. Das Ziel ist es, Gründern und Entwicklern harte Daten darüber zu liefern, wie ihre Produkte in den Augen der generativen KI abschneiden, wenn Nutzer nach Empfehlungen in Bereichen fragen, die von Coding-Agenten bis hin zu Gehaltsabrechnungssoftware reichen.

Weniger Quellen führen zu höherer Durchsetzungskraft

Während die Modelle von Anthropic dazu neigen, mehr Quellen zu durchsuchen (Fable mit einem Median von 15 Quellen, Opus 11), bevorzugen Astra-Modelle Effizienz und verlassen sich auf weniger Quellen (Astra-Median 5, Sol 9). Der Test zeigt, dass Astra viel durchsetzungsfähiger und weniger anfällig dafür ist, seine Antwort zu ändern, wenn der Prompt leicht modifiziert wird. Für Unternehmen bedeutet dies, dass die AEO-Optimierung bei selbstbewussteren Modellen noch wichtiger ist, da zufällige Antwortvariationen abnehmen.

Starke Voreingenommenheit bei Entwicklertools

Der Tracker enthüllte interessante weiche Voreingenommenheiten. In der Kategorie Coding-Agenten bevorzugen beispielsweise Fable und Opus logischerweise Claude Code, Sol und Astra empfehlen Codex, Grok tendiert zu Cursor und SWE-1.7 hebt Devin hervor. Andererseits zeigten die GPT-Modelle von OpenAI eine lobenswerte Neutralität und empfahlen manchmal Claude selbst. Von 161 Kategorien haben 28 einen klaren und universellen Favoriten bei allen Modellen, während der Rest ein hart umkämpftes Schlachtfeld für AEO bleibt.

Wer keine formatierten Inhalte liest verliert

Die Analyse bestätigte, dass Modelle Inhalte tatsächlich basierend auf ihrer Struktur bewerten und konsumieren. Praktiken wie die Markdown-Inhaltsaushandlung, die von Diensten wie Ora oder Vercel gemessen werden, haben echte Auswirkungen. Wenn Modelle Ihre Website aufgrund von Fehlern oder schlechter Formatierung technisch nicht lesen können, werden sie Sie logischerweise nicht zitieren oder empfehlen, was ein klares Signal für die technische Wartung von Unternehmensblogs und Dokumentationen gibt.

Verlust der Vielfalt bei Empfehlungen

Zu selbstbewusste Modelle können die Vielfalt der Werkzeuge einschränken, über die Nutzer lernen. Wenn Startups nicht unter den am häufigsten empfohlenen Optionen in diesen sehr durchsetzungsfähigen Systemen landen, werden sie von einem ständig wachsenden Anteil an Datenverkehr und potenziellen Kunden abgeschnitten.

Liliths Urteil

Der KI beizubringen, deinen Namen zu sagen, ist jetzt wertvoller als der Kauf von AdWords. Wer nicht für Maschinen optimiert, hört auf, für Menschen zu existieren.