Kostenloses Tool zur Analyse von KI Fanout-Anfragen und Suchen

Verstehen Sie, was die LLMs suchen – und präsentieren Sie Ihren Inhalt ihnen

KI-Abfrage-Fanout-Erkennung

Wenn ein Benutzer ein LLM nach einer Frage stellt, führt das Modell oft eine Reihe von Websuchen durch, bevor es eine Antwort generiert. Archytas AISpy zeigt diese Abfragen für jede Ihrer verfolgten Aufforderungen – und gibt Ihnen einen direkten Überblick über die Suchbegriffe, die bestimmen, was jedes Modell über Ihr Thema sagt.

Kartierung von KI-Abfrage-Fanout-Quellen und Zitierungen

Zeigen Sie die URLs auf, die LLMs für jede Abfrage-Fanout zitieren. Sehen Sie, welche Domains für Ihren Themenbereich konsistent vertrauenswürdig sind, wer über mehrere Modelle hinweg zitiert wird, und verstehen Sie die Wettbewerbslandschaft um Ihr Publikum.

Erkennung von KI-Inhaltslücken

Abfrage-Fanouts sind eine Karte von dem, was KI für notwendig hält, um auf die Frage des Benutzers zu antworten. Nutzen Sie die Fanout-Abfrage-Kartierung, um Ihre eigene Content-Strategie zu informieren, und identifizieren Sie die spezifischen Fragen und Themen, die Ihr Inhalt ansprechen muss, um diese Zitierung zu verdienen.

Archytas AISpy in Aktion

KI-Fanout-Abfrage-Analyse und -Überwachung auf Mac, PC und Linux

Fanout-Abfrage-Übersicht

Leiten Sie die Content-Erstellung, indem Sie überprüfen, welche Websuchen jedes LLM im Hintergrund durchführt.

Bestimmen Sie, wer Zitierungen von Fanout-Abfragen verdient

Für jede Suchabfrage, die das LLM ausführt, sehen Sie, welche Domains in den Ergebnissen erscheinen und für die Antwort verwendet werden.

Cross-LLM-Fanout-Vergleich

Vergleichen Sie die Zitierungen von ChatGPT über OpenAIs Modelle und vergleichen Sie mit anderen Anbietern.

Häufig gestellte Fragen

Was ist eine "Web Fanout Query" in KI?

Wenn ein LLM mit Webzugriff (wie ChatGPT oder Gemini) einen Prompt erhält, generiert es oft einen Satz von Websuchbegriffen, bevor es seine Antwort zusammenstellt. Dies sind die Web-Fanout-Abfragen – die Interpretation des Modells darüber, was es nachschlagen muss, um gut zu antworten. Das Kartieren dieser Abfragen zeigt Ihnen die Suchbegriffe, die KI-generierten Inhalt in Ihrem Themenbereich tatsächlich vorantreiben, damit Sie geeignete Inhalte erstellen können.

Warum eine Web-Fanout-Suchabfrage verfolgen?

LLMs stellen diese Anfragen aus einem Grund – sie denken, dass sie auf das Bedürfnis des Benutzers eingehen. Durch den Vergleich Ihres eigenen Inhalts mit diesen Abfragen können Sie Lücken in Ihrem eigenen Content-Erlebnis aufdecken. Und durch das Messen, wer sonst für diese Fanout-Abfragen sichtbar ist, können Sie potenzielle Social-, PR- und Influencer-Outreach-Pläne identifizieren, die die Botschaft, die Sie möchten, dass KI aufnimmt, weiter verstärken.

Produzieren alle LLMs Fanout-Anfragen?

Nicht alle, und nicht immer. Modelle mit aktivierter Websuche (wie Perplexity, das immer sucht, oder ChatGPT mit aktiviertem Browsing) produzieren konsistent Fanout-Anfragen. Modelle wie Claude können abhängig von der Version und davon, ob Webzugriff aktiviert ist, suchen oder nicht. Archytas AISpy erfasst Fanout-Anfragen, wo sie verfügbar sind, und kennzeichnet das Modell und die Konfiguration, wenn sie nicht vorhanden sind.

Wie unterscheidet sich dies von traditioneller Keyword-Recherche?

Traditionelle Keyword-Recherche sagt Ihnen, was Benutzer in Suchmaschinen eingeben. Fanout-Abfrage-Kartierung sagt Ihnen, welche Anfragen KI-Modelle in deren Namen im Web suchen. Es gibt Ähnlichkeiten, aber LLMs formulieren Fragen oft um, bevor sie suchen, verwenden spezifischere oder technischere Formulierungen und ziehen aus einer anderen Reihe von Inhaltstypen, die die organischen Suchergebnisse nicht vorschlagen würden.

Kann ich Fanout-Abfragedaten nutzen, um meine Content-Strategie zu informieren?

Genau dafür ist es entworfen. Wenn Sie sehen können, dass LLMs eine bestimmte Abfrage ausführen, wenn jemand nach Ihrem Bereich fragt – und Ihr Inhalt diese Abfrage nicht adressiert – haben Sie eine klare Lücke zu füllen. Es ist Keyword-Recherche für das KI-Zeitalter: die Abfragen, die Zitierungsentscheidungen tatsächlich vorantreiben.

Wie oft sollte ich die Fanout-Abfrage-Analyse erneut durchführen?

Das hängt von Ihrem Ziel ab. Bei der Content-Strategie können Modellaktualisierungen die Typen von Abfragen, die KI stellt, erheblich beeinflussen, daher lohnt sich eine regelmäßige Aktualisierung der Analyse für neue Modelle. Bei ausgehenderen Strategien ändert sich die Landschaft häufiger, je nach den traditionellen Suchergebnissen.

Was genau sind Fanout-Abfragen und warum sollte ich mich dafür interessieren?

Eine frühe Schwäche von LLMs war ihr Schnittstellen-Datum – sie waren sich von allem nicht bewusst, das nach dem Trainingsdatum stattgefunden hat. Um dies zu beheben, durchsuchen LLMs jetzt oft das Web wie ein Benutzer, um aktuelle Informationen zusammenzustellen, die sie in ihre Antwort einbeziehen. AISpy verfolgt, wo diese „Fanout-Suchen" stattfinden, welche Abfragen sie gesucht haben und wer in der Antwort zitiert wurde.

Führen alle LLMs Fanout-Abfragen durch, oder nur einige?

Nur einige, und es variiert nicht nur je nach LLM, sondern je nach individuellem Modell und der Art von Konto, das der Benutzer hat. Ein zahlender Abonnement-Benutzer löst eher Fanout-Suchen aus als ein kostenloser, nicht angemeldeter Benutzer. Es kostet KI-Unternehmen mehr Geld, Fanout-Abfragen durchzuführen und mit aktuellen Daten zu antworten, daher kalibrieren sie ständig, wann sie Suchen auslösen sollten. Ein Anwendungsfall für AISpy ist die Verfolgung, wo und wann sie Suchen im Laufe der Zeit in Ihrem Bereich auslösen, damit Sie Trends sehen können.

Kann ich Fanout-Abfragedaten in meinen traditionellen SEO-Tools und Workflows verwenden?

Ja. Fanout-Abfragen unterscheiden sich tendenziell davon, wie Benutzer suchen – das Laden in Ihr SEO-Rank-Tracker der Wahl ist eine großartige Möglichkeit zu messen, wo Ihre Website in der Konkurrenz um eine Zitierung steht.