--- title: "QI-GEO — Query-Implied Generative Engine Optimization" title_en: "QI-GEO — Query-Implied Generative Engine Optimization" description: "Technischer Leitfaden zu Query-Implied GEO: Intent aus der Dokumentstruktur ableiten, Wissenslücken schließen und Zitationsdichte in generativen Suchmaschinen maximieren — ohne explizite Ziel-Queries." description_en: "Technical guide to Query-Implied GEO: infer intent from document structure, close knowledge gaps and maximize citation density in generative search — without explicit target queries." summary_en: "Technical guide to Query-Implied GEO: infer intent from document structure, close knowledge gaps and maximize citation density in generative search — without explicit target queries." direct_answer_en: "QI-GEO (Query-Implied Generative Engine Optimization) improves citation in generative search engines by mining entity–relation triplets from a document, expanding a 1-hop knowledge graph, ranking informational gaps via structural convergence scoring, and applying anchored local edits. On GEO-Bench / ExtendedGEOBench it raised PAWC by up to 15.9% and subjective impression by up to 17.6%, with downside risk ≤ 0.011 (Ramakrishna & Andreopoulos, arXiv:2609.27845)." url: "https://modern-stack.de/themen/qi-geo" type: "topic" kind: "concept" language: de-DE updated_at: "2026-10-06T08:00:00+00:00" --- # QI-GEO — Query-Implied Generative Engine Optimization ## English Abstract Technical guide to Query-Implied GEO: infer intent from document structure, close knowledge gaps and maximize citation density in generative search — without explicit target queries. ## Quick Answer (EN) QI-GEO (Query-Implied Generative Engine Optimization) improves citation in generative search engines by mining entity–relation triplets from a document, expanding a 1-hop knowledge graph, ranking informational gaps via structural convergence scoring, and applying anchored local edits. On GEO-Bench / ExtendedGEOBench it raised PAWC by up to 15.9% and subjective impression by up to 17.6%, with downside risk ≤ 0.011 (Ramakrishna & Andreopoulos, arXiv:2609.27845). ## Key Takeaways (EN) - Classic SEO ranks SERP links; explicit GEO optimizes for known/synthetic queries; QI-GEO optimizes the latent intent space implied by the document. - Pipeline: coreference → triplet mining (REBEL) → 1-hop graph expansion → coverage gaps → S_struct ranking → anchored EditSpecifications. - S_struct = conv(g,d) × w_facet(g) × c_src(e) prioritizes gaps supported by multiple central entities. - Benchmarks: Cited Rate +8.3–10.5%, PAWC +12.6–15.9%, G-Eval +17%, Win-Tie Rate 70–81%, DR ≤ 0.011. - Enterprise stack: JSON-LD, hybrid vector+graph retrieval (RRF k=60), SurrealDB/Neo4j knowledge graphs — aligned with Modern Stack GEO modules. ## English Summary Query-Implied GEO derives user intent from document topology instead of sampling query distributions. After coreference resolution and REBEL-style triplet extraction, entities are grounded in a knowledge graph and expanded one hop; missing but convergent relations become anchored edits scored by S_struct. Fixed-retrieval experiments on GEO-Bench and ExtendedGEOBench show higher citation coverage, PAWC and LLM-judge scores with low downside risk. Practically this maps to Modern Stack Knowledge Graph pages, JSON-LD, SurrealDB-backed entity graphs and hybrid GraphRAG retrieval. ## Quick Answer **QI-GEO** (Query-Implied Generative Engine Optimization) maximiert die Zitationsdichte in generativen Suchmaschinen, indem es den latenten Intent Space direkt aus der semantischen Dokumentstruktur ableitet — nicht aus Keyword-Listen oder synthetischen Prompts. Pipeline: Triplet Mining → Graph-Expansion → Lücken-Ranking → verankerte Edits. Belegt u. a. mit PAWC-Gewinnen bis **+15,9 %** und Downside Risk **≤ 0,011** (Ramakrishna & Andreopoulos, [arXiv:2609.27845](https://arxiv.org/abs/2609.27845)). > Zitierfähigkeit entsteht, wenn Definition, Struktur und klare nächste Schritte zusammenkommen. > Steve Baka ## Key Takeaways - SEO rankt SERP-Links; explizites GEO optimiert bekannte/synthetische Queries; QI-GEO verdichtet den dokumentimpliziten Intent Space. - Kernmechanik: Coreference → REBEL-Triplets → 1-Hop-Expansion → Coverage Gaps → `S_struct` → Anchored Edits. - `S_struct = conv(g,d) × w_facet(g) × c_src(e)` priorisiert Lücken mit hoher Konvergenz zentraler Entitäten. - Benchmarks: Cited Rate +8,3–10,5 %, PAWC +12,6–15,9 %, G-Eval ~+17 %, Win-Tie 70–81 %. - Praxis bei Modern Stack: [Knowledge Graph](/themen/knowledge-graph), [JSON-LD](/glossar/json-ld), [SurrealDB](/glossar/surrealdb), Hybrid [RAG](/glossar/rag)/GraphRAG. Empirischer Kontext DACH: Die [AI-Readiness-Studie](/themen/ai-readiness-dienstleister-studie) zeigt Agent-Ready Ø 25/100 — QI-GEO greift erst, wenn Extraktion und Entity-Struktur überhaupt greifen. Grundlage bleibt [GEO & AI-Sichtbarkeit](/themen/geo-ai-sichtbarkeit). ## Was verschiebt sich vom Keyword-Ranking zur generativen Zitierung? Generative Search Engines (GSEs) wie [Perplexity](/glossar/perplexity), [ChatGPT](/glossar/chatgpt) Search und [Gemini](/glossar/gemini) liefern keine bloße Linkliste mehr, sondern synthetisieren Fließtextantworten. Digitale Sichtbarkeit bemisst sich dann an Auswahl und expliziter [Zitation](/glossar/zitation) — nicht an Position 1 der klassischen SERP. Klassisches [SEO](/glossar/geo) allein reicht nicht: Keyword-Matching und isolierte Backlink-Metriken verlieren Gewicht, wenn Retriever über latente Vektoren und Wissensgraphen abrufen. [GEO](/glossar/geo) verschiebt das Ziel auf Nennung in der Antwort. **QI-GEO** geht einen Schritt weiter: Es verzichtet bewusst auf die Prognose der Abfragedistribution `P(D)` und optimiert die Dokumenttopologie selbst. ### SEO vs. explizites GEO vs. QI-GEO | Evaluierungsdimension | Klassisches SEO | Explizites GEO (z. B. RAID, IF-GEO) | Query-Implied GEO (QI-GEO) | | --- | --- | --- | --- | | Primäres Ziel | Top-Positionen in SERP-Linklisten | Maximierung der Zitationsrate | Maximierung von Zitationsdichte & Prominenz (PAWC) über ungesehene Abfragen | | Intent-Quelle | Keyword-Datenbanken & Suchvolumen | Explizite oder synthetische Query-Phrasen | Latenter Intent Space aus der Dokumentstruktur | | Abfragestatus | Bekannte Queries | Approximierte Query-Cluster | Unseen Queries `P(D)` | | Mechanismus | Token-Density, Metadaten, Linkbuilding | Instruction Fusion & rollenbasierte Umschreibung | Triplet Mining, Graph-Expansion, Gap Discovery, Anchored Edits | | Risikoprofil | SERP-Layout-Änderungen, Keyword-Drift | Überoptimierung auf Prompt-Cluster | Asymmetrisch niedriges Downside Risk (DR ≤ 0,011) | Formell lautet das Optimierungsziel im generativen Umfeld: `max_M E_{q ~ P(D)} [ v(M(D), q) − v(D, q) ]` wobei `v(D, q)` die Sichtbarkeit von Dokument `D` für Query `q` misst und `M` das Optimierungsmodell ist. Explizites GEO approximiert `P(D)` über Sampling `q̂ ~ P̂(D)` — mit hoher Varianz, sobald echte Nutzerfragen abweichen. QI-GEO entkoppelt davon: Entitäten und Relationen begrenzen den stützbaren Intent Space; Lücken schließen senkt `Var_{q ~ P(D)}(Δv)` über Unseen Queries. ## Wie ist die QI-GEO-Architektur aufgebaut? QI-GEO ist strikt dokumentenzentriert. Ein Text ist kein Token-Strom, sondern Ausschnitt eines semantischen Wissensgraphen. Expansion über externe Wissensquellen deckt Informationslücken auf, deren Schließung die Relevanz für generative Motoren erhöht — komplementär zum [Knowledge Graph](/themen/knowledge-graph) von Modern Stack. ### Pipeline-Überblick 1. **Coreference Resolution & Triplet Mining** — Pronomina auflösen; `(Subject, Relation, Object)` via REBEL / Qwen2.5 extrahieren. 2. **Knowledge Graph Construction & 1-Hop Expansion** — Triplets erden (Neo4j / [SurrealDB](/glossar/surrealdb)); 1-Hop-Nachbarn; Navigations-/Metadatenkanten filtern. 3. **Coverage Mapping & Gap Discovery** — Expandierten Graph mit Quelltext abgleichen; fehlende Entitäts-Beziehungs-Paare markieren. 4. **Konvergenz-Scoring & Ranking** — `S_struct` berechnen; Top-K-Lücken für verankerte Revisions-Edits selektieren. ### 1. Coreference & Triplet Mining Anaphorische Auflösung hält Relationen über Satzgrenzen. Anschließend transformiert ein Relation-Extraction-Modell (bevorzugt Babelscape/rebel-large wegen standardisiertem Vokabular) Fließtext in Triplets. Beispiel: Aus „DokiTab ist ein Cloud-EMR. Es unterstützt Schema.org-Standards.“ werden `(DokiTab, IS_A, Cloud-EMR)` und `(DokiTab, SUPPORTS, Schema.org-Standards)`. ### 2. Graph-Erdung & 1-Hop Expansion Triplets landen in einer lokalen Graphstruktur. Pro Entity folgt eine strikt 1-Hop-Expansion; Fokus auf definitorische, kausale und funktionale Kanten — nicht auf Menü- oder Navigationspfade. Das entspricht dem Prinzip, das auch [Entity-SEO](/glossar/entity-seo) und [Knowledge-Graph-Definition](/glossar/knowledge-graph-definition) fordern: klare, maschinenadressierbare Relationen statt Rauschen. ### 3. Coverage Map & Informational Gaps Eine Coverage Map indiziert bereits explizit genannte Entitäts-Beziehungs-Paare. Expandierte Tripel außerhalb der Matrix sind Gap-Kandidaten: semantisch nah am Hauptthema, im Text aber fehlend. ### 4. Scoring-Formel `S_struct` `S_struct = conv(g, d) × w_facet(g) × c_src(e)` - **`conv(g, d)`** — Anzahl unabhängiger Quell-Entitäten `e ∈ E_d`, die über Relationsgruppe `g` auf denselben 1-Hop-Zielknoten `n` verweisen. Hohe Konvergenz = mehrere Abschnitte deuten implizit auf dasselbe fehlende Konzept. - **`w_facet(g)`** — Facettengewicht; definitorisch/kausal/erklärend → nahe 1,0; Metadaten/Navigation → abgewertet. - **`c_src(e)`** — normalisierte Erwähnungshäufigkeit der Quell-Entität: `count(e,d) / max count(e′,d)`. Nur Top-K-Kandidaten werden editiert — das begrenzt Drift und erklärt das niedrige Downside Risk. ## Wie implementierst du QI-GEO Schritt für Schritt? Im Gegensatz zu Ad-hoc-Umschreibungen bewahrt dieser Pfad die narrative Grundstruktur und verdichtet nur die Informationsdichte — analog zu Answer-first und [Direct Answers](/glossar/direct-answer) im Hub. ### Schritt 1 — Relationales Dokumenten-Mining 1. Quelltext durch Coreference-Resolution schicken; Pronomen durch eindeutige Nomina ersetzen. 2. Bereinigten Text mit Sequenz-zu-Sequenz-RE (REBEL) in Triplets wandeln. ### Schritt 2 — Wissensexpansion & Coverage Map 1. Triplets in Graph laden; 1-Hop-Expansion je Entity. 2. Universelle Metadatenkanten streichen; funktionale Pfade behalten (z. B. `REQUIRES_STEP`, `RESOLVED_BY`, `HAS_FUNCTION`). 3. Matrix expliziter Entitäts-Beziehungs-Paare bauen; Rest = Gap-Kandidaten. ### Schritt 3 — Ranking 1. `conv(g, d)` je Kandidat berechnen. 2. `S_struct` anwenden; Duplikate/Paraphrasen filtern. 3. Top-K für Revision freigeben. ### Schritt 4 — Anchored Targeted Edits Pro Lücke eine `EditSpecification`: ```json { "anchor": "DokiTab bietet eine cloudbasierte EMR-Architektur für medizinische Einrichtungen.", "suggestion": { "subject": "DokiTab", "relation": "INTEGRATES_WITH", "object": "Schema.org MedicalClinic JSON-LD" }, "necessity_score": 0.875 } ``` Ein Instruction-Tuned LLM (z. B. Qwen2.5-7B-Instruct) fügt die Ergänzung als Neben- oder Einzelsatz **am Anchor** an — ohne Umstrukturierung des Kontexts. ### Schritt 5 — Schema & Hybrid Retrieval 1. Optimierten Text mit [strukturierten Daten](/glossar/structured-data) / [JSON-LD](/glossar/json-ld) anreichern (z. B. `LocalBusiness` inkl. `PostalAddress` und E.164-Telefon) — immer aligned mit sichtbarem Content, siehe [Strukturierte Daten für GEO](/themen/structured-data-geo). 2. Hybrid indizieren: Vektordatenbank (z. B. ChromaDB + BAAI/bge-m3) **plus** Graph ([SurrealDB](/glossar/surrealdb) / Neo4j). Fusion via Reciprocal Rank Fusion: `RRF(d) = Σ_{r ∈ R} 1 / (k + r(d))` mit Rang `r(d)` pro Retrieval-Liste und Glättung `k = 60` (Cormack et al., 2009). Konsens über Vektor- und Graph-Pfad wird belohnt — dasselbe Hybrid-Muster, das GraphRAG-Setups für [Grounding](/glossar/grounding) nutzen. ## Welche empirischen Ergebnisse liefert QI-GEO? Evaluierung auf **GEO-Bench** und **ExtendedGEOBench** im Fixed-Retrieval-Setting, um Retriever-Noise zu isolieren und den reinen Effekt der Inhaltsoptimierung zu messen (Ramakrishna & Andreopoulos, 2026). ### Benchmark-Synthese | Dimension | Metrik | Original | QI-GEO | Relatives Wachstum | | --- | --- | --- | --- | --- | | Zitationsabdeckung | Cited Rate (Single) | 0,657 | 0,726 | **+10,5 %** | | Zitationsabdeckung | Cited Rate (Multi ×5) | 0,713 | 0,772 | **+8,3 %** | | Objektive Sichtbarkeit | PAWC (Single) | 0,2137 | 0,2407 | **+12,6 %** | | Objektive Sichtbarkeit | PAWC (Multi) | 0,2038 | 0,2363 | **+15,9 %** | | Subjektiver Impression | G-Eval (Single) | 2,332 | 2,743 | **+17,6 %** | | Subjektiver Impression | G-Eval (Multi) | 2,137 | 2,503 | **+17,1 %** | PAWC (Position-Adjusted Word Count) gewichtet zitierte Wörter nach Position in der Antwort — früher und dichter = höher. Das ist die Kernmetrik seit dem Princeton-[GEO](/glossar/geo)-Paper (Aggarwal et al., KDD 2024). ### Citation Flips & Stabilität - **Single Query:** +123 Gains / −55 Losses → Netto **+68** (≈ 2,2× mehr Gewinne). - **Multi-Query ×5:** +616 / −323 → Netto **+293** (≈ 1,9×). - **Win-Tie Rate:** ~70 % objektiv, ~81 % subjektiv. - **Downside Risk:** DR = 0,011 (Single) bzw. 0,0097 (Multi) — vernachlässigbar, weil Edits lokal bleiben. ### Multi-Query-Robustheit (ExtendedGEOBench) - **66,0 %** der optimierten Dokumente mit durchgängig positivem Ø-Gewinn über alle 5 Paraphrasen. - **73,7 %** verbessert oder gleich auf ≥ 3/5 Formulierungen. - **87,5 %** mit konkretem Gewinn auf mindestens einer Umformulierung (Best-Case Query Gain BCP = +0,2070). - Erfolgsfall-Ø (+0,1634) > Verlustfall-Ø (−0,0629) um mehr als das Doppelte. Damit ist QI-GEO robuster gegen Paraphrasen als reine Prompt-Overfitting-Strategien — relevant für [ChatGPT-](/themen/chatgpt-sichtbarkeit), [Perplexity-](/themen/perplexity-sichtbarkeit) und [Google-AI-Mode](/themen/google-ai-mode)-Sichtbarkeit. ## Welche Roadmap gilt für Enterprise-Content? QI-GEO ersetzt weder Stack noch Crawlability. Es verdichtet vorhandene Evidenz, sobald [Extrahierbarkeit](/glossar/extrahierbarkeit) und Entity-Klarheit stehen — typischer Einstieg: [Webseite-Modernisierung](/themen/website-modernisierung), dann [Knowledge Graph](/themen/knowledge-graph). ### Action Plan - [ ] **Triplet-Extraktion in der Publish-Pipeline** — REBEL/äquivalent wandelt Fließtext in S-R-O-Triplets vor dem Go-Live. - [ ] **Domänenspezifischen Graph betreiben** — 1-Hop-Gap-Checks vor Veröffentlichung ([SurrealDB](/glossar/surrealdb) oder Neo4j). - [ ] **Anchored Edit-Pipeline** — LLM-Erweiterungen nur als EditSpecification (Anchor + Necessity Score), keine Volltext-Rewrite-Loops. - [ ] **JSON-LD erzwingen** — validiertes Schema.org Markup, content-aligned ([Strukturierte Daten für GEO](/themen/structured-data-geo)). - [ ] **Hybrid Retrieval + Zitations-Audit** — Vektor + Graph via RRF (`k=60`); Monitoring der Citations in Perplexity, ChatGPT Search, Gemini; Agenten-Discovery über [llms.txt](/themen/llms-txt-agenten). Wer Architektur und Chunk-Qualität zuerst klären muss: [Next.js vs WordPress in der KI-Suche](/themen/nextjs-vs-wordpress-geo) und [Webarchitektur im KI-Zeitalter](/themen/webarchitektur-ki-zeitalter). Parent-Hub: [GEO & AI-Sichtbarkeit](/themen/geo-ai-sichtbarkeit). ## Quellen - [Query Implied Generative Engine Optimization (Ramakrishna & Andreopoulos)](https://arxiv.org/abs/2609.27845) — arXiv; Primärpaper zu QI-GEO, GEO-Bench/ExtendedGEOBench-Ergebnissen und S_struct-Pipeline. - [GEO: Generative Engine Optimization (Aggarwal et al.)](https://arxiv.org/abs/2311.09735) — arXiv / KDD 2024; Ursprungspaper zu GEO, PAWC und Visibility-Lifts. - [GEO & AI-Sichtbarkeit](https://modern-stack.de/themen/geo-ai-sichtbarkeit) — Modern Stack; Parent-Pillar für GEO/AIO/AEO im Modern-Stack-Knowledge-Hub. - [Knowledge Graph](https://modern-stack.de/themen/knowledge-graph) — Modern Stack; Produktmodul für thematische Entity-Seiten und Zitationsflächen. - [AI-Readiness-Studie Dienstleister-Webseiten](https://modern-stack.de/studie) — Modern Stack; Empirische Primärstudie zu Agent-Ready-Lage in DE. ## FAQ ### Was ist QI-GEO — und wie unterscheidet es sich von klassischem GEO? QI-GEO (Query-Implied Generative Engine Optimization) leitet den latenten Intent Space direkt aus Entitäten und Relationen im Dokument ab, statt Inhalte auf explizite oder synthetische Zielabfragen zu optimieren. Ziel ist höhere Zitationsdichte und Prominenz (PAWC) auch bei ungesehenen Queries. ### Welche Pipeline-Schritte braucht QI-GEO? Coreference Resolution, Triplet Mining (z. B. REBEL), Graph-Erdung mit 1-Hop-Expansion, Coverage Mapping, Scoring über S_struct und verankerte lokale Edits (EditSpecification mit Anchor und Necessity Score). ### Welche Benchmark-Gewinne sind belegt? Laut Ramakrishna & Andreopoulos (arXiv:2609.27845) auf GEO-Bench / ExtendedGEOBench: Cited Rate bis +10,5 %, PAWC bis +15,9 %, G-Eval bis +17,6 %, Win-Tie Rate 70–81 %, Downside Risk ≤ 0,011. ### Warum ist Downside Risk bei QI-GEO niedrig? Weil Änderungen punktuell am Anchor bleiben und die narrative Kernstruktur nicht umgeschrieben wird. Verlorene Zitationen bleiben asymmetrisch seltener als Gewinne (ca. 1,9–2,2× mehr Gains als Losses). ### Wie setzt Modern Stack QI-GEO-Prinzipien um? Über extrahierbare Themen-Entities, Knowledge-Graph-Seiten, JSON-LD, SurrealDB-backed Relationen, Answer-first-Blöcke und Hybrid Retrieval — siehe Knowledge Graph und GEO & AI-Sichtbarkeit. ## Related - [GEO & AI-Sichtbarkeit](https://modern-stack.de/themen/geo-ai-sichtbarkeit) - [Knowledge Graph](https://modern-stack.de/themen/knowledge-graph) - [Strukturierte Daten für GEO](https://modern-stack.de/themen/structured-data-geo) - [Next.js vs WordPress in der KI-Suche](https://modern-stack.de/themen/nextjs-vs-wordpress-geo) - [QI-GEO](https://modern-stack.de/glossar/qi-geo-definition) - [llms.txt für Agenten](https://modern-stack.de/themen/llms-txt-agenten) - [AIO & AI Overviews](https://modern-stack.de/themen/aio-ai-overviews) - [AEO & Answer Engines](https://modern-stack.de/themen/aeo-answer-engines) - [Entity-SEO](https://modern-stack.de/glossar/entity-seo) - [Sichtbarkeit in ChatGPT](https://modern-stack.de/themen/chatgpt-sichtbarkeit) - [Knowledge Graph (Begriff)](https://modern-stack.de/glossar/knowledge-graph-definition) - [ChatGPT](https://modern-stack.de/glossar/chatgpt) - [Perplexity](https://modern-stack.de/glossar/perplexity) - [Gemini](https://modern-stack.de/glossar/gemini) - [Zero-Click](https://modern-stack.de/glossar/zero-click) - [Sichtbarkeit in Perplexity](https://modern-stack.de/themen/perplexity-sichtbarkeit) - [Entity](https://modern-stack.de/glossar/entity) - [Google AI Mode](https://modern-stack.de/themen/google-ai-mode) - [Extrahierbarkeit](https://modern-stack.de/glossar/extrahierbarkeit) - [FAQ-Struktur](https://modern-stack.de/glossar/faq-struktur) - [Modern Stack](https://modern-stack.de/themen/modern-stack) - [Webseite-Modernisierung](https://modern-stack.de/themen/website-modernisierung) - [Grounding](https://modern-stack.de/glossar/grounding) - [Webarchitektur im KI-Zeitalter — vom CMS-Monolithen zum reaktiven Full-Stack](https://modern-stack.de/themen/webarchitektur-ki-zeitalter) - [AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf](https://modern-stack.de/themen/ai-readiness-dienstleister-studie) - [SurrealDB](https://modern-stack.de/glossar/surrealdb) - [GEO](https://modern-stack.de/glossar/geo) - [RAG](https://modern-stack.de/glossar/rag) - [JSON-LD](https://modern-stack.de/glossar/json-ld) - [Strukturierte Daten](https://modern-stack.de/glossar/structured-data) - [Direct Answer](https://modern-stack.de/glossar/direct-answer) - [Zitation](https://modern-stack.de/glossar/zitation) ## Inline Entity Mentions - [[entity:knowledge-graph]] → https://modern-stack.de/themen/knowledge-graph - [[entity:json-ld]] → https://modern-stack.de/themen/json-ld - [[entity:surrealdb]] → https://modern-stack.de/themen/surrealdb - [[entity:rag]] → https://modern-stack.de/themen/rag - [[entity:ai-readiness-dienstleister-studie]] → https://modern-stack.de/themen/ai-readiness-dienstleister-studie - [[entity:geo-ai-sichtbarkeit]] → https://modern-stack.de/themen/geo-ai-sichtbarkeit - [[entity:perplexity]] → https://modern-stack.de/themen/perplexity - [[entity:chatgpt]] → https://modern-stack.de/themen/chatgpt - [[entity:gemini]] → https://modern-stack.de/themen/gemini - [[entity:zitation]] → https://modern-stack.de/themen/zitation - [[entity:geo]] → https://modern-stack.de/themen/geo - [[entity:entity-seo]] → https://modern-stack.de/themen/entity-seo - [[entity:knowledge-graph-definition]] → https://modern-stack.de/themen/knowledge-graph-definition - [[entity:direct-answer]] → https://modern-stack.de/themen/direct-answer - [[entity:structured-data]] → https://modern-stack.de/themen/structured-data - [[entity:structured-data-geo]] → https://modern-stack.de/themen/structured-data-geo - [[entity:grounding]] → https://modern-stack.de/themen/grounding - [[entity:chatgpt-sichtbarkeit]] → https://modern-stack.de/themen/chatgpt-sichtbarkeit - [[entity:perplexity-sichtbarkeit]] → https://modern-stack.de/themen/perplexity-sichtbarkeit - [[entity:google-ai-mode]] → https://modern-stack.de/themen/google-ai-mode - [[entity:extrahierbarkeit]] → https://modern-stack.de/themen/extrahierbarkeit - [[entity:website-modernisierung]] → https://modern-stack.de/themen/website-modernisierung - [[entity:llms-txt-agenten]] → https://modern-stack.de/themen/llms-txt-agenten - [[entity:nextjs-vs-wordpress-geo]] → https://modern-stack.de/themen/nextjs-vs-wordpress-geo - [[entity:webarchitektur-ki-zeitalter]] → https://modern-stack.de/themen/webarchitektur-ki-zeitalter ## Strukturierte Daten ```json { "@context": "https://schema.org", "@graph": [ { "@type": "WebSite", "@id": "https://modern-stack.de/#website", "url": "https://modern-stack.de", "name": "Modern Stack", "description": "Wir modernisieren bestehende Unternehmenswebseiten — schneller, klarer und besser lesbar für Suche und KI. Inhalte bleiben. Ab 500 €.", "publisher": { "@id": "https://modern-stack.de/#organization" }, "inLanguage": "de-DE" }, { "@type": [ "Organization", "ProfessionalService" ], "@id": "https://modern-stack.de/#organization", "name": "Modern Stack", "legalName": "Modern Stack", "url": "https://modern-stack.de", "logo": "https://modern-stack.de/brand/logo.png", "email": "info@modern-stack.de", "telephone": "+4915225317285", "sameAs": [ "https://stevebaka.de", "https://www.linkedin.com/in/steve-baka/", "https://www.mallorca-expats.de" ], "foundingLocation": { "@type": "Place", "name": "Bad Schönborn, Deutschland" }, "address": { "@type": "PostalAddress", "streetAddress": "Glöckelsberg 13/2", "postalCode": "76669", "addressLocality": "Bad Schönborn", "addressRegion": "Baden-Württemberg", "addressCountry": "DE" }, "geo": { "@type": "GeoCoordinates", "latitude": 49.22167, "longitude": 8.65734 }, "areaServed": [ { "@type": "Place", "name": "Bad Schönborn", "url": "https://modern-stack.de/regionen/bad-schoenborn" }, { "@type": "Place", "name": "Mingolsheim", "alternateName": "Bad Mingolsheim", "url": "https://modern-stack.de/regionen/mingolsheim" }, { "@type": "Place", "name": "Langenbrücken", "alternateName": "Bad Langenbrücken", "url": "https://modern-stack.de/regionen/langenbruecken" }, { "@type": "Country", "name": "DE" }, { "@type": "Country", "name": "AT" }, { "@type": "Country", "name": "CH" } ], "knowsAbout": [ "Webseite-Modernisierung", "WordPress-Migration", "Generative Engine Optimization", "Lokale Sichtbarkeit Bad Schönborn" ], "founder": { "@id": "https://modern-stack.de/#person" } }, { "@type": "Person", "@id": "https://modern-stack.de/#person", "name": "Steve Baka", "jobTitle": "Gründer, Modern Stack", "url": "https://stevebaka.de", "email": "info@modern-stack.de", "telephone": "+4915225317285", "sameAs": [ "https://stevebaka.de", "https://www.linkedin.com/in/steve-baka/", "https://www.mallorca-expats.de", "https://geo-seo-aio.de" ], "worksFor": { "@id": "https://modern-stack.de/#organization" }, "knowsAbout": [ "Webseite-Modernisierung", "Generative Engine Optimization", "AI Search", "WordPress Migration", "Knowledge Graph", "Lokale Sichtbarkeit D-A-CH" ] }, { "@type": "WebPage", "@id": "https://modern-stack.de/themen/qi-geo#webpage", "url": "https://modern-stack.de/themen/qi-geo", "name": "QI-GEO: Query-Implied Generative Engine Optimization | Modern Stack", "description": "QI-GEO-Leitfaden: Intent aus Dokumentstruktur ableiten, Triplet Mining, Graph-Expansion, Lücken-Scoring und verankerte Edits — mit Benchmarks zu PAWC und Zitationsstabilität.", "isPartOf": { "@id": "https://modern-stack.de/#website" }, "about": { "@id": "https://modern-stack.de/themen/qi-geo#main" }, "breadcrumb": { "@id": "https://modern-stack.de/themen/qi-geo#breadcrumb" }, "dateModified": "2026-10-06T08:00:00+00:00", "inLanguage": "de-DE" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/qi-geo#main", "name": "QI-GEO: Query-Implied Generative Engine Optimization", "headline": "QI-GEO: Query-Implied Generative Engine Optimization", "alternateName": "QI-GEO — Query-Implied Generative Engine Optimization", "description": "Technischer Leitfaden zu Query-Implied GEO: Intent aus der Dokumentstruktur ableiten, Wissenslücken schließen und Zitationsdichte in generativen Suchmaschinen maximieren — ohne explizite Ziel-Queries.", "abstract": [ { "@value": "Technischer Leitfaden zu Query-Implied GEO: Intent aus der Dokumentstruktur ableiten, Wissenslücken schließen und Zitationsdichte in generativen Suchmaschinen maximieren — ohne explizite Ziel-Queries.", "@language": "de" }, { "@value": "Technical guide to Query-Implied GEO: infer intent from document structure, close knowledge gaps and maximize citation density in generative search — without explicit target queries.", "@language": "en" } ], "url": "https://modern-stack.de/themen/qi-geo", "inLanguage": [ "de-DE", "en" ], "datePublished": "2026-10-06T08:00:00+00:00", "dateModified": "2026-10-06T08:00:00+00:00", "author": { "@id": "https://modern-stack.de/#person" }, "publisher": { "@id": "https://modern-stack.de/#organization" }, "mainEntityOfPage": { "@id": "https://modern-stack.de/themen/qi-geo#webpage" }, "speakable": { "@type": "SpeakableSpecification", "cssSelector": [ ".gb-direct-answer", ".gb-faq-answer" ] }, "encoding": { "@type": "MediaObject", "encodingFormat": "text/markdown", "name": "English direct answer", "text": "QI-GEO (Query-Implied Generative Engine Optimization) improves citation in generative search engines by mining entity–relation triplets from a document, expanding a 1-hop knowledge graph, ranking informational gaps via structural convergence scoring, and applying anchored local edits. On GEO-Bench / ExtendedGEOBench it raised PAWC by up to 15.9% and subjective impression by up to 17.6%, with downside risk ≤ 0.011 (Ramakrishna & Andreopoulos, arXiv:2609.27845)." }, "citation": [ "https://arxiv.org/abs/2609.27845", "https://arxiv.org/abs/2311.09735", "https://modern-stack.de/themen/geo-ai-sichtbarkeit", "https://modern-stack.de/themen/knowledge-graph", "https://modern-stack.de/studie" ], "mentions": [ { "@type": "Thing", "@id": "https://modern-stack.de/themen/geo-ai-sichtbarkeit#main", "name": "GEO & AI-Sichtbarkeit", "alternateName": "GEO and AI visibility", "url": "https://modern-stack.de/themen/geo-ai-sichtbarkeit" }, { "@type": "Service", "@id": "https://modern-stack.de/themen/knowledge-graph#main", "name": "Knowledge Graph", "alternateName": "Knowledge graph", "url": "https://modern-stack.de/themen/knowledge-graph" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/structured-data-geo#main", "name": "Strukturierte Daten für GEO", "alternateName": "Structured data for GEO", "url": "https://modern-stack.de/themen/structured-data-geo" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/nextjs-vs-wordpress-geo#main", "name": "Next.js vs WordPress in der KI-Suche", "alternateName": "Next.js vs WordPress for AI Search (GEO/AIO)", "url": "https://modern-stack.de/themen/nextjs-vs-wordpress-geo" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/qi-geo-definition#main", "name": "QI-GEO", "alternateName": "Query-Implied Generative Engine Optimization", "url": "https://modern-stack.de/glossar/qi-geo-definition" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/llms-txt-agenten#main", "name": "llms.txt für Agenten", "alternateName": "llms.txt for agents", "url": "https://modern-stack.de/themen/llms-txt-agenten" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/aio-ai-overviews#main", "name": "AIO & AI Overviews", "alternateName": "AIO and AI Overviews", "url": "https://modern-stack.de/themen/aio-ai-overviews" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/aeo-answer-engines#main", "name": "AEO & Answer Engines", "alternateName": "AEO and answer engines", "url": "https://modern-stack.de/themen/aeo-answer-engines" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/entity-seo#main", "name": "Entity-SEO", "alternateName": "Entity SEO", "url": "https://modern-stack.de/glossar/entity-seo" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/chatgpt-sichtbarkeit#main", "name": "Sichtbarkeit in ChatGPT", "alternateName": "Visibility in ChatGPT", "url": "https://modern-stack.de/themen/chatgpt-sichtbarkeit" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/knowledge-graph-definition#main", "name": "Knowledge Graph (Begriff)", "alternateName": "Knowledge graph (term)", "url": "https://modern-stack.de/glossar/knowledge-graph-definition" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/chatgpt#main", "name": "ChatGPT", "alternateName": "ChatGPT", "url": "https://modern-stack.de/glossar/chatgpt" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/perplexity#main", "name": "Perplexity", "alternateName": "Perplexity", "url": "https://modern-stack.de/glossar/perplexity" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/gemini#main", "name": "Gemini", "alternateName": "Gemini", "url": "https://modern-stack.de/glossar/gemini" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/zero-click#main", "name": "Zero-Click", "alternateName": "Zero-click search", "url": "https://modern-stack.de/glossar/zero-click" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/perplexity-sichtbarkeit#main", "name": "Sichtbarkeit in Perplexity", "alternateName": "Visibility in Perplexity", "url": "https://modern-stack.de/themen/perplexity-sichtbarkeit" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/entity#main", "name": "Entity", "alternateName": "Entity", "url": "https://modern-stack.de/glossar/entity" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/google-ai-mode#main", "name": "Google AI Mode", "alternateName": "Google AI Mode", "url": "https://modern-stack.de/themen/google-ai-mode" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/extrahierbarkeit#main", "name": "Extrahierbarkeit", "alternateName": "Extractability", "url": "https://modern-stack.de/glossar/extrahierbarkeit" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/faq-struktur#main", "name": "FAQ-Struktur", "alternateName": "FAQ structure", "url": "https://modern-stack.de/glossar/faq-struktur" }, { "@type": "Organization", "@id": "https://modern-stack.de/themen/modern-stack#main", "name": "Modern Stack", "alternateName": "Modern Stack", "url": "https://modern-stack.de/themen/modern-stack" }, { "@type": "Thing", "@id": "https://modern-stack.de/themen/website-modernisierung#main", "name": "Webseite-Modernisierung", "alternateName": "Website modernization", "url": "https://modern-stack.de/themen/website-modernisierung" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/grounding#main", "name": "Grounding", "alternateName": "Grounding", "url": "https://modern-stack.de/glossar/grounding" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/webarchitektur-ki-zeitalter#main", "name": "Webarchitektur im KI-Zeitalter — vom CMS-Monolithen zum reaktiven Full-Stack", "alternateName": "Web architecture in the AI era — from CMS monoliths to reactive full-stack", "url": "https://modern-stack.de/themen/webarchitektur-ki-zeitalter" }, { "@type": "Article", "@id": "https://modern-stack.de/themen/ai-readiness-dienstleister-studie#main", "name": "AI-Readiness deutscher Dienstleister-Webseiten — Studie, Zahlen und Handlungsbedarf", "alternateName": "AI readiness of German service-business websites — study, numbers and action", "url": "https://modern-stack.de/themen/ai-readiness-dienstleister-studie" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/surrealdb#main", "name": "SurrealDB", "alternateName": "SurrealDB", "url": "https://modern-stack.de/glossar/surrealdb" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/geo#main", "name": "GEO", "alternateName": "Generative Engine Optimization", "url": "https://modern-stack.de/glossar/geo" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/rag#main", "name": "RAG", "alternateName": "Retrieval-Augmented Generation", "url": "https://modern-stack.de/glossar/rag" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/json-ld#main", "name": "JSON-LD", "alternateName": "JSON-LD", "url": "https://modern-stack.de/glossar/json-ld" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/structured-data#main", "name": "Strukturierte Daten", "alternateName": "Structured data", "url": "https://modern-stack.de/glossar/structured-data" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/direct-answer#main", "name": "Direct Answer", "alternateName": "Direct answer", "url": "https://modern-stack.de/glossar/direct-answer" }, { "@type": "DefinedTerm", "@id": "https://modern-stack.de/glossar/zitation#main", "name": "Zitation", "alternateName": "Citation", "url": "https://modern-stack.de/glossar/zitation" } ], "hasOfferCatalog": { "@type": "OfferCatalog", "name": "Verwandte Leistungen", "itemListElement": [ { "@type": "ListItem", "position": 1, "item": { "@type": "Service", "@id": "https://modern-stack.de/themen/geo-ai-sichtbarkeit#main", "name": "GEO & AI-Sichtbarkeit", "url": "https://modern-stack.de/themen/geo-ai-sichtbarkeit", "provider": { "@id": "https://modern-stack.de/#organization" } } }, { "@type": "ListItem", "position": 2, "item": { "@type": "Service", "@id": "https://modern-stack.de/themen/knowledge-graph#main", "name": "Knowledge Graph", "url": "https://modern-stack.de/themen/knowledge-graph", "provider": { "@id": "https://modern-stack.de/#organization" } } }, { "@type": "ListItem", "position": 3, "item": { "@type": "Service", "@id": "https://modern-stack.de/themen/website-modernisierung#main", "name": "Webseite-Modernisierung", "url": "https://modern-stack.de/themen/website-modernisierung", "provider": { "@id": "https://modern-stack.de/#organization" } } } ] }, "isPartOf": { "@id": "https://modern-stack.de/themen/geo-ai-sichtbarkeit#main" }, "about": "Generative Engine Optimization" }, { "@type": "BreadcrumbList", "@id": "https://modern-stack.de/themen/qi-geo#breadcrumb", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "Startseite", "item": "https://modern-stack.de/" }, { "@type": "ListItem", "position": 2, "name": "Themen", "item": "https://modern-stack.de/themen" }, { "@type": "ListItem", "position": 3, "name": "GEO & AI-Sichtbarkeit", "item": "https://modern-stack.de/themen/geo-ai-sichtbarkeit" }, { "@type": "ListItem", "position": 4, "name": "QI-GEO — Query-Implied Generative Engine Optimization", "item": "https://modern-stack.de/themen/qi-geo" } ] }, { "@type": "FAQPage", "@id": "https://modern-stack.de/themen/qi-geo#faq", "mainEntity": [ { "@type": "Question", "name": "Was ist QI-GEO — und wie unterscheidet es sich von klassischem GEO?", "acceptedAnswer": { "@type": "Answer", "text": "QI-GEO (Query-Implied Generative Engine Optimization) leitet den latenten Intent Space direkt aus Entitäten und Relationen im Dokument ab, statt Inhalte auf explizite oder synthetische Zielabfragen zu optimieren. Ziel ist höhere Zitationsdichte und Prominenz (PAWC) auch bei ungesehenen Queries." } }, { "@type": "Question", "name": "Welche Pipeline-Schritte braucht QI-GEO?", "acceptedAnswer": { "@type": "Answer", "text": "Coreference Resolution, Triplet Mining (z. B. REBEL), Graph-Erdung mit 1-Hop-Expansion, Coverage Mapping, Scoring über S_struct und verankerte lokale Edits (EditSpecification mit Anchor und Necessity Score)." } }, { "@type": "Question", "name": "Welche Benchmark-Gewinne sind belegt?", "acceptedAnswer": { "@type": "Answer", "text": "Laut Ramakrishna & Andreopoulos (arXiv:2609.27845) auf GEO-Bench / ExtendedGEOBench: Cited Rate bis +10,5 %, PAWC bis +15,9 %, G-Eval bis +17,6 %, Win-Tie Rate 70–81 %, Downside Risk ≤ 0,011." } }, { "@type": "Question", "name": "Warum ist Downside Risk bei QI-GEO niedrig?", "acceptedAnswer": { "@type": "Answer", "text": "Weil Änderungen punktuell am Anchor bleiben und die narrative Kernstruktur nicht umgeschrieben wird. Verlorene Zitationen bleiben asymmetrisch seltener als Gewinne (ca. 1,9–2,2× mehr Gains als Losses)." } }, { "@type": "Question", "name": "Wie setzt Modern Stack QI-GEO-Prinzipien um?", "acceptedAnswer": { "@type": "Answer", "text": "Über extrahierbare Themen-Entities, Knowledge-Graph-Seiten, JSON-LD, SurrealDB-backed Relationen, Answer-first-Blöcke und Hybrid Retrieval — siehe Knowledge Graph und GEO & AI-Sichtbarkeit." } } ] }, { "@type": "Service", "@id": "https://modern-stack.de/themen/geo-ai-sichtbarkeit#main", "name": "GEO & AI-Sichtbarkeit", "alternateName": "GEO and AI visibility", "url": "https://modern-stack.de/themen/geo-ai-sichtbarkeit", "description": "Warum moderne Webseiten für Google und KI-Systeme strukturiert sein müssen — und wie Modern Stack die technische Grundlage für GEO, AIO und Zitation in generativen Antworten schafft.", "provider": { "@id": "https://modern-stack.de/#organization" }, "areaServed": [ { "@type": "Place", "name": "Bad Schönborn", "url": "https://modern-stack.de/regionen/bad-schoenborn" }, { "@type": "Place", "name": "Mingolsheim", "alternateName": "Bad Mingolsheim", "url": "https://modern-stack.de/regionen/mingolsheim" }, { "@type": "Place", "name": "Langenbrücken", "alternateName": "Bad Langenbrücken", "url": "https://modern-stack.de/regionen/langenbruecken" }, { "@type": "Country", "name": "DE" }, { "@type": "Country", "name": "AT" }, { "@type": "Country", "name": "CH" } ] }, { "@type": "Service", "@id": "https://modern-stack.de/themen/knowledge-graph#main", "name": "Knowledge Graph", "alternateName": "Knowledge graph", "url": "https://modern-stack.de/themen/knowledge-graph", "description": "Thematische Seiten rund um Leistungen, Fragen und Fachgebiete — damit Sie zu Branchenthemen gefunden und in KI-Antworten zitiert werden, nicht nur zum Firmennamen. Zusatzmodul 500 €.", "provider": { "@id": "https://modern-stack.de/#organization" }, "areaServed": [ { "@type": "Place", "name": "Bad Schönborn", "url": "https://modern-stack.de/regionen/bad-schoenborn" }, { "@type": "Place", "name": "Mingolsheim", "alternateName": "Bad Mingolsheim", "url": "https://modern-stack.de/regionen/mingolsheim" }, { "@type": "Place", "name": "Langenbrücken", "alternateName": "Bad Langenbrücken", "url": "https://modern-stack.de/regionen/langenbruecken" }, { "@type": "Country", "name": "DE" }, { "@type": "Country", "name": "AT" }, { "@type": "Country", "name": "CH" } ] }, { "@type": "Service", "@id": "https://modern-stack.de/themen/website-modernisierung#main", "name": "Webseite-Modernisierung", "alternateName": "Website modernization", "url": "https://modern-stack.de/themen/website-modernisierung", "description": "Was Webseite-Modernisierung bei Modern Stack bedeutet: bestehende WordPress- und Baukasten-Webseiten auf einen modernen Web-Stack bringen — Inhalte behalten, Technik erneuern, bereit für Google und KI-Suche.", "provider": { "@id": "https://modern-stack.de/#organization" }, "areaServed": [ { "@type": "Place", "name": "Bad Schönborn", "url": "https://modern-stack.de/regionen/bad-schoenborn" }, { "@type": "Place", "name": "Mingolsheim", "alternateName": "Bad Mingolsheim", "url": "https://modern-stack.de/regionen/mingolsheim" }, { "@type": "Place", "name": "Langenbrücken", "alternateName": "Bad Langenbrücken", "url": "https://modern-stack.de/regionen/langenbruecken" }, { "@type": "Country", "name": "DE" }, { "@type": "Country", "name": "AT" }, { "@type": "Country", "name": "CH" } ] } ] } ```