Methodik des AI Placement Quality Score

Was der AI Placement Quality Score misst

Der AI Placement Quality Score (PQS) beantwortet eine einfache Frage: Wie wahrscheinlich ist es, dass ein KI-Assistent eine konkrete Markenerwähnung auf einer konkreten Seite als Zitat aufgreift?

Während der AI Placement Value Score (AIPVS) den Gesamtwert eines Publishers für eine Platzierung bewertet — die gesamte Domain als Einheit betrachtet — zoomt der PQS auf eine einzelne Platzierung auf einer einzelnen Seite. Ein Tier-1-Publisher ist nur wertvoll, wenn Ihre Erwähnung tatsächlich gut innerhalb des Artikels positioniert ist.

Der PQS wird auf einer Skala von 0–100 ausgedrückt. Wenn er mit dem AIPVS eines Publishers kombiniert wird, beantwortet der resultierende Total Placement Value beide Fragen gleichzeitig: "Ist diese Domain es wert?" und "Ist diese Platzierung gut positioniert?"

Wie KI-Systeme tatsächlich Zitate auswählen

Der PQS ist gegen drei gut dokumentierte strukturelle Verzerrungen kalibriert, wie große Sprachmodelle Zitate extrahieren.

Dokumentposition ist entscheidend

Eine Studie von Kevin Indig mit 1,2 Millionen ChatGPT-Antworten und 18.012 verifizierten Zitaten ergab, dass 44,2 % der Zitate aus den ersten 30 % eines Dokuments stammen. Unabhängige Analysen der Open-Source-Architektur GPT-OSS-20B haben gezeigt, warum: Die ersten ~50 Tokens einer Seite bestimmen, welchen Expertenpfad der Inhalt durchläuft, und diese Weichenstellung ist bis zur fünften Attention-Schicht faktisch festgelegt.

Inhalte werden in festen Chunks verarbeitet

KI-Systeme verarbeiten Dokumente in festen Token-Fenstern — typischerweise 128 Tokens. Wenn eine Markenerwähnung vollständig in einem kohärenten Chunk enthalten ist, lässt sie sich leicht als Zitat extrahieren. Da unser Chunking nur ein Näherungswert ist, bewerten wir für jede Erwähnung den enthaltenden Chunk plus die vorangehenden und nachfolgenden Chunks (den "Halo").

Sentiment um die Erwähnung ist folgenschwer

Forschung zeigt, dass stark zitierte Inhalte um einen Subjektivitäts-Score von etwa 0,47 schwanken — analytisch-journalistische Prosa. Negatives Sentiment ist besonders konsequent: Eine vernichtende Kritik auf einer autoritativen Seite kann die KI-Repräsentation einer Marke aktiv beschädigen. Aus diesem Grund wirkt Sentiment im PQS als asymmetrischer Multiplikator — eine stark negative Erwähnung kann den Score nahe Null kollabieren lassen, während eine stark positive Erwähnung bei 1,3× gedeckelt ist.

Die fünf Faktoren

Der PQS ist eine gewichtete Kombination aus fünf Faktoren, jeder normalisiert auf einen 0–1-Teilscore.

Dokumentposition (Gewichtung 30 %)

Wo die Markenerwähnung im Dokument sitzt, als Anteil an der Gesamtzahl der Tokens.

Chunk-Einschluss (Gewichtung 20 %)

Eine "Halo"-Prüfung um den enthaltenden 128-Token-Chunk. Voller Einschluss (1,00) wenn der enthaltende Chunk selbstenthalten ist und mindestens ein Nachbar ebenfalls. Teilweise (0,70) wenn der enthaltende Chunk selbstenthalten ist, der Halo als Ganzes aber nicht. Fragmentiert (0,40) wenn der enthaltende Chunk fragmentiert ist oder die Erwähnung die äußere Grenze streift.

Platzierungstyp (Gewichtung 20 %)

Wie die Marke im Artikel vorkommt — klassifiziert per KI-Modell. Ein eigener Artikel (1,00) wird anders bewertet als eine beiläufige Erwähnung (0,40) oder ein Sidebar-Block (0,30).

Redaktionelle Kontrolle (Gewichtung 15 % — nur im prospektiven Modus)

Volle Autorenschaft (1,00), Zusammenarbeit (0,85), Zitat mit Kontext (0,70), Erwähnung ohne Input (0,50), unvorhersehbar (0,35).

Redaktionelle Kontrolle wird im retrospektiven Modus nicht bewertet. Die Entscheidung ist bereits getroffen, und die 0,15-Gewichtung wird proportional auf die anderen vier Signale umverteilt.

Link-Attribut (Gewichtung 15 %)

Das rel-Attribut eines Links, der auf die Domain der Marke zeigt — aus dem rohen HTML erkannt. dofollow (1,00), nofollow (0,60), sponsored (0,50), ugc (0,40), kein Link (0,30). Wenn mehrere Links existieren, gewinnt der höchste Score.

Sentiment-Multiplikator (0,0–1,3×)

Ein Claude-Haiku-Modell analysiert den Drei-Chunk-Halo um die Markenerwähnung und gibt einen Polaritäts-Score zurück, der auf eine von fünf Kategorien gemappt wird:

Die Asymmetrie ist bewusst — das Abwärtsrisiko einer schädlichen Erwähnung ist deutlich größer als das Aufwärtspotenzial einer glühenden Empfehlung.

Kombination mit AIPVS: Total Placement Value

Total Placement Value = AIPVS × (PQS / 100)

Dieser einzelne Wert beantwortet die kombinierte Frage: Ist diese Domain es wert und ist diese Platzierung gut positioniert?

Schlüsselbotschafts-Pull-Through (informativ)

Für Properties mit konfigurierten Schlüsselbotschaften führen retrospektive Platzierungen zusätzlich eine semantische Ähnlichkeitsprüfung durch. Dies ist rein informativ — es beeinflusst den PQS-Score nicht.