Die Infrastruktur hinter unserer GEO-Praxis. Tausende von Prompts täglich, über alle wichtigen LLMs hinweg, ohne einen einzigen Scraper im Blick behalten zu müssen.
TL;DR
- Airfleet hat eine eigene KI-Sichtbarkeitsüberwachung entwickelt, um zu sehen, wie Marken bei ChatGPT, Claude, Gemini und Perplexity erscheinen
- Fertige Tools konnten weder den gewünschten Umfang noch den Detailgrad erreichen, und unsere eigenen browserbasierten Scraper scheiterten wiederholt an CAPTCHAs, Modellwechseln und Interface-Änderungen.
- Wir betreiben den gesamten Betrieb jetzt auf Bright Data. Tausende von Prompts täglich, eine einheitliche API über alle LLMs hinweg, und das System hält stand, selbst wenn die KI-Plattformen ihre Interfaces ändern.
- Die Übereinstimmung war technisch und menschlich zugleich. Das Produkt skalierte schnell, und das echte Interesse eines Bright Data-Marketers an unserem Anwendungsfall verwandelte unsere Neugier in eine echte Partnerschaft.
- Es ist seitdem zur zentralen Infrastruktur für unsere SERP-Recherche, Content-Pipeline und Agent-Workflows geworden, darunter eine Cybersicherheitsstudie, die knapp eine Million Prompts umfasste.
Wir betreiben unsere KI-Sichtbarkeitsarbeit auf Bright Data, weil es funktioniert
Airfleet ist eine B2B-Agentur für Website-Entwicklung, Design und Services. Wir entwickeln und optimieren Websites, die Pipeline für B2B-Technologieunternehmen generieren, und ein wachsender Teil dieser Arbeit besteht darin zu verstehen, wie unsere Kunden in KI-Antworten und LLM-Tools erscheinen, nicht nur in der Suche.
Um das gut umzusetzen, betreiben wir eine eigene KI-Sichtbarkeitsüberwachung über die wichtigsten LLMs, darunter ChatGPT, Claude, Gemini und Perplexity. Wir beobachten, wie Marken zitiert werden, welche Quellen diese Antworten beeinflussen und was tatsächlich ein Ergebnis verändert. Die zugrundeliegende Engine ist Bright Data.
Wir erläutern noch, wie wir dazu kamen, ein eigenes Tool zu entwickeln. Aber das Fazit ist: Bright Data hat uns geholfen zu skalieren und die lästigen Datenlücken zu minimieren, die wir mit anderen GEO-Monitoring-Tools auf dem Markt hatten. Wir führen täglich Tausende von Prompts darüber aus und verbringen keine Zeit damit, das Tool am Laufen zu halten.
‘Wir sind kein Produktunternehmen. Wir entwickeln Produkte für die Agentur, damit wir Services liefern können. Wir haben keine Zeit zum Experimentieren oder um herauszufinden, warum etwas nicht funktioniert. Wir brauchen etwas, das einfach funktioniert.’ – Elad Hefetz, CEO von Airfleet
Was wir aufbauen wollten und wo es zuerst scheiterte
Wir starteten mit einem klaren Ziel. Wir wollten sehen, wie Marken in KI-Antworten im Maßstab einer gesamten Kategorie erscheinen, nicht anhand einer verfolgten Liste von dreißig oder hundert Prompts.
Wir haben uns zunächst die vorhandenen KI-Sichtbarkeits-Tools angesehen. Die meisten waren solide. Das Problem war die Obergrenze. Wenn man eine gesamte Branche verstehen will, braucht man Tausende von Prompts über viele Unternehmen, viele Unterthemen und viele Regionen hinweg, und die fertigen Tools konnten entweder nicht so weit skalieren oder berechneten pro Prompt für diesen Umfang. Also entschieden wir uns, unser eigenes zu entwickeln.
Da stießen wir auf das eigentliche Problem. Als wir begannen, Antworten über die offiziellen APIs abzurufen, stimmten die Antworten nicht mit dem überein, was ein echter Nutzer sieht.
‘Wir haben schnell gemerkt, dass eine Abfrage von ChatGPT über eine API eine ganz andere Antwort liefert als ein Prompt im Web. Es gibt eine Schicht über dem Modell, die die Antwortweise verändert. Gleiches gilt für Gemini, Claude und den Rest.’ – Elad Hefetz, CEO von Airfleet
Wenn die API-Antwort nicht die Antwort ist, die Ihr Käufer sieht, sind es die falschen Daten. Also taten wir das Naheliegende und begannen, echte Browser zu steuern, um wie ein Mensch zu agieren und die echte Antwort zu erfassen. Und genau da brach es zusammen.
CAPTCHAs. Breakpoints. Neue Modell-Releases. Interface-Änderungen. Jedes davon konnte einen Scraper zum Absturz bringen, und eine Flotte von Browser-Automatisierungen über alle LLMs hinweg am Leben zu halten, wurde zu einem Vollzeitjob, den wir nicht wollten. Wir probierten zunächst eine günstigere Alternative, um diese Last zu tragen. Sie hielt nicht so stand, wie wir es brauchten.
Warum wir uns für Bright Data entschieden haben
Zwei Dinge waren bei der Auswahl entscheidend, und es waren dieselben zwei Dinge, die uns zuvor Probleme bereitet hatten: Skalierung und Stabilität.
Bright Data löste beides schnell. Die Implementierung war einfach, und die API war über alle LLMs hinweg einheitlich, sodass ein Aufrufmuster ChatGPT, Claude, Gemini und Perplexity abdeckte, anstatt für jedes eine separate Integration zu benötigen. Einmal zum Laufen gebracht, blieb es am Laufen.
‘Selbst wenn ChatGPT sein Interface ändert, funktioniert es weiterhin. Wir müssen keine Fallback-Mechanismen für den Fall entwickeln, dass ein Scraper abbricht. Wir nutzen es einfach.’ – Elad Hefetz, CEO von Airfleet
Es gab einen Vorteil, den wir nicht eingeplant hatten. Neben den Antworten erhielten wir Metadaten, von denen wir nicht dachten, dass wir sie aus einer Browser-Session überhaupt extrahieren könnten.
‘Wir erhalten die finalen Suchanfragen und die Quellen, die ChatGPT zur Erstellung seiner Antwort verwendet hat. Das sind die Informationen, gegen die wir tatsächlich optimieren.’ – Elad Hefetz, CEO von Airfleet
Die Übereinstimmung war nicht nur technischer Natur. Elad kam über den kostenlosen Tarif, um zu testen, ob der Ansatz überhaupt funktionieren würde, eher neugierig als überzeugt, wie die meisten frühen Evaluierungen beginnen. Dann meldete sich ein Marketer bei Bright Data. Er hatte bemerkt, dass Elad gestartet und dann pausiert hatte, schickte Credits zum erneuten Ausprobieren, erklärte ihm, wie andere Unternehmen das Produkt nutzen, und fragte aufrichtig, was er erreichen wollte.
‘Er zeigte echtes Interesse an dem, was wir aufbauten, und das hat meine Sicht auf Bright Data als Unternehmen grundlegend verändert.’ – Elad Hefetz, CEO von Airfleet
Dieses Gespräch war der eigentliche Beginn der Partnerschaft, aufgebaut rund um unseren Anwendungsfall und nicht um einen Vertrag.
Bright Data wurde zur zentralen Infrastruktur, nicht nur zum Scraper
Wir haben Bright Data eingeführt, um eine Sache zu automatisieren: browserbasiertes Prompting für ChatGPT. Es blieb nicht dabei.
Sobald wir eine zuverlässige Browser-Schicht für KI hatten, setzten wir sie überall dort ein, wo diese Schicht fehlte. Wir verwenden sie, um Google-Suchergebnisseiten in unserer SEO-Arbeit zu lesen. Wir nutzen sie als Browser hinter unseren KI-Agenten, damit die Agenten das offene Web erreichen können, ohne blockiert zu werden.
‘Menschen nehmen an, dass jede KI mit dem Internet verbunden ist. Das stimmt nicht. Wenn Sie möchten, dass ein Agent echte Web-Recherche betreibt, müssen Sie eine Browser-Schicht dafür entwickeln. Das ist schwer zu bauen, und Bright Data stellt sie einfach bereit.’ – Elad Hefetz, CEO von Airfleet
Diese Schicht speist jetzt direkt unsere Content-Pipeline. Wenn die Pipeline ein Thema recherchiert, prüft, was rankt, Subreddits überwacht, um zu sehen, worüber eine Kategorie tatsächlich spricht, Signale aus öffentlicher LinkedIn-Aktivität zieht oder die Website eines Wettbewerbers scrapt, um zu sehen, was sich geändert hat, erledigt Bright Data das Abrufen im Hintergrund. Wenn unsere KI diese Quellen selbst ansteuern würde, würde sie blockiert werden. Bright Data sitzt zwischen der KI und dem Internet und öffnet das Web wieder für sie.
Eine Cybersicherheitsstudie, die wir auf keine andere Weise hätten durchführen können
Das deutlichste Beispiel ist ein Forschungsprojekt im Bereich Cybersicherheit. Wir wollten verstehen, was KI-Antworten über den gesamten Funnel hinweg tatsächlich beeinflusst, von breiten Top-of-Funnel-Fragen bis hin zu Bottom-of-Funnel-Prompts in der Kaufentscheidungsphase. Das erfordert ein Volumen, das kein fertiges Tool liefern konnte.
Wir nutzten Bright Data, um die Überwachung in dem für die Studie erforderlichen Umfang durchzuführen: mehr als 371.000 KI-Antworten, über 21 Cybersicherheitsunternehmen und mehr als 5.000 Drittanbieter-Quellen, wiederholt über Zeit und über ChatGPT, Gemini und Perplexity hinweg. Dann analysierten wir, was die KI in jeder Phase zitierte. Einige Erkenntnisse stachen hervor:
- Bewertungsplattformen sind der stärkste Hebel. G2, Peerspot, Capterra, Software Advice und TrustRadius zeigten den höchsten Anstieg bei Markenerwähnungen in den Überlegungs- und Entscheidungsphasen, oft Dutzende von Prozentpunkten über dem Phasen-Basiswert. Wenn KI eine davon zitiert, nennt sie in der Regel eine bestimmte Marke dazu.
- Reddit ist die meistzitierte Quelle in jeder Funnel-Phase. KI stützt sich bei der Entscheidung, welche Marken sie hervorhebt, mehr auf echte Nutzerdiskussionen als auf fast alles andere.
- Wikipedia verdient seine Zitierungen für Definitionen, nicht für Empfehlungen. Es erscheint bei Bildungsanfragen, aber sein Einfluss auf Markenerwähnungen wird negativ, sobald Prompts kommerzieller werden.
- Der obere Trichterbereich ist dünnes Terrain. Mit einer Basiserwähnungsrate von 7,9% taucht bei breiten Awareness-Prompts selten eine spezifische Marke auf, was sie zum falschen Ort macht, um zu messen, ob man gewinnt.
Keine dieser Schlussfolgerungen entsteht durch das Überfliegen einer Handvoll Prompts. Sie entstehen durch das Ausführen der Kategorie im großen Maßstab, was genau das ist, was Bright Data ermöglicht hat.
Wohin wir Bright Data als nächstes führen
Die KI-Sichtbarkeitsüberwachung ist jetzt ein fester Bestandteil unserer Arbeitsweise, keine einmalige Studie, und Bright Data ist die Schicht, auf der wir den Rest aufbauen. Da immer mehr Traffic im Web von Menschen zu Agenten und Crawlern verlagert wird, wird die Fähigkeit, das Web so zu sehen, wie diese Systeme es sehen, und in deren Volumen, nur noch zentraler für das, was wir tun. Wir planen, das, was wir überwachen und darüber automatisieren, weiter auszubauen.
