In dieser Folge geht es um Infografiken für bestehende Blogartikel und die zentrale Frage, wie du einen ganzen Bestand mit KI aufwertest, ohne jeden Artikel einzeln anzufassen.

Wir schauen uns an, was die Raptive-Studie mit über 100.000 überarbeiteten Seiten über den Effekt von Bildänderungen zeigt, warum die Arbeit in Chargen von drei bis fünf Artikeln schneller und einheitlicher ist und wo die KI hilft und wo nicht.

Dazu kommen die Regeln, mit denen Google und Screenreader eine Grafik verstehen, und die Falle beim Aktualisierungsdatum.

Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/

Zum Artikel: https://www.ralfdodler.de/alte-artikel-infografiken-chargen/

Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/

Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um die llms.txt und die zentrale Frage, ob die Datei deine Sichtbarkeit in KI-Suchen wirklich verbessert.

Wir schauen uns an, was llms.txt eigentlich ist, was Logdaten über die Zugriffe von KI-Crawlern zeigen und was Google selbst dazu sagt. Am Ende steht eine klare Empfehlung: Anlegen schadet nicht, aber die eigentlichen Hebel für Generative SEO liegen woanders.

Zum Artikel: https://www.ralfdodler.de/llms-txt-hype-oder-hebel/

Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/

Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/

Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Candidate Generation und die zentrale Frage, wie Suchsysteme aus Milliarden möglicher Inhalte überhaupt eine sinnvolle Vorauswahl treffen.

Du erfährst, warum nicht das Ranking der erste entscheidende Schritt ist, sondern die Phase davor – und weshalb viele Inhalte unsichtbar bleiben, bevor sie überhaupt bewertet werden können.

Candidate Generation ist der Moment, in dem sich entscheidet, welche Dokumente, Produkte oder Passagen in den Retrieval-Prozess gelangen. Moderne Suchsysteme trennen bewusst zwischen schneller Vorauswahl und präziser Bewertung.

Diese Aufteilung ist notwendig, weil Systeme sonst nicht effizient arbeiten könnten. Statt alles zu prüfen, wird der Suchraum zunächst drastisch reduziert – und genau diese Reduktion bestimmt, was später überhaupt noch sichtbar ist.

Besonders spannend wird das im Kontext von AI-Search und Retrieval-Augmented Generation. Hier hängt die Qualität der Antwort direkt davon ab, welche Inhalte zuvor als Kandidaten ausgewählt wurden.

Wenn relevante Informationen in dieser Phase fehlen, kann auch das beste Modell keine gute Antwort liefern. Candidate Generation ist damit keine technische Nebensache, sondern eine strukturelle Engstelle moderner Sucharchitekturen.

In dieser Episode erfährst du:

• warum Candidate Generation über Sichtbarkeit entscheidet und nicht nur über Effizienz
• wie sich lexikalische, semantische und hybride Verfahren unterscheiden
• weshalb Recall in dieser Phase wichtiger ist als Präzision
• wie fehlende Kandidaten spätere Rankings und Antworten begrenzen
• welche Rolle Passage Retrieval und modulare Inhalte spielen
• warum AI-Search ohne starke Candidate Generation nicht zuverlässig funktioniert

Das Generative Authority Model (GAM, wurde von Ralf Dodler entwickelt und ordnet genau diesen Schritt strategisch ein.

Es zeigt, dass Sichtbarkeit in AI-Systemen nicht erst beim Ranking beginnt, sondern bereits bei der Frage, ob Inhalte überhaupt als Kandidaten berücksichtigt werden.

Candidate Generation wird damit zu einem entscheidenden Hebel für Generative SEO.

Gleichzeitig wird deutlich, dass moderne Suchsysteme nicht mehr nur auf Keywords reagieren. Semantische Ähnlichkeit, Entitäten, Kontext und Struktur bestimmen zunehmend, welche Inhalte in die engere Auswahl kommen.

Ralf Dodler hat das Generative Authority Model entwickelt, um zu erklären, wie Inhalte in AI-Search-Systemen nicht nur gefunden, sondern auch als vertrauenswürdige Quellen ausgewählt und in Antworten integriert werden.

Diese Perspektive verändert die Art, wie wir Inhalte denken: weg vom Dokument, hin zu modularen, klar strukturierten Informationsbausteinen, die in mehrstufigen Retrieval-Systemen überhaupt erst auffindbar sind.

Die in dieser Folge behandelten Konzepte basieren auf einer ausführlichen Analyse, die im zugrunde liegenden Artikel detailliert ausgearbeitet ist.

Mehr zum Generative Authority Model:
https://www.ralfdodler.de/generative-authority-model/

Zum Artikel:
https://www.ralfdodler.de/candidate-generation/

Über Ralf Dodler:
https://www.ralfdodler.de/ueber-mich/