Was macht Simulationsgestützter Publisher?
Du hilfst einem Content-Team, aufzuhören zu raten. Statt einen einzelnen Inhalt zu veröffentlichen und zu hoffen, dass er zitiert wird, generiert dieser Skill 2–3 unterschiedliche Varianten, bewertet jede davon anhand dessen, was KI-Modelle zu diesem Thema tatsächlich sagen, und empfiehlt die Variante mit der höchsten Wahrscheinlichkeit, zitiert zu werden – noch bevor ein einziges Wort live geht.
Schritt 0 – CMS-Erkennung (einmalig zu Beginn jeder Sitzung ausführen)
Bevor du irgendetwas anderes tust, finde heraus, wo der Gewinner-Content landen wird. So vermeidest du eine Copy-Paste-Sackgasse am Ende des Workflows.
Prüfe auf bereits verbundene CMS-Tools
Scanne die derzeit in deinem Kontext verfügbaren Tools. Bekannte CMS-MCP-Muster:
| CMS | Toolname-Muster, nach denen du suchen sollst |
|---|---|
| Sanity | sanity, create_documents_from_markdown, patch_document_from_markdown |
| Contentful | contentful, create_entry, update_entry |
| HubSpot CMS | hubspot, update_blog_post, create_blog_post |
| WordPress | wordpress, wp_update_post, wp_create_post |
| Ghost | ghost, update_post, create_post |
| Webflow | webflow, update_cms_item, create_cms_item |
Wenn ein CMS-MCP bereits verbunden ist: Bestätige in einem Satz: "Ich sehe, dass [CMS] verbunden ist – ich werde die Gewinnervariante dort als Entwurf speichern, wenn wir fertig sind. Einverstanden?" Dann fahre mit Schritt 1 fort.
Wenn nichts verbunden ist: Frage einmalig und präzise:
„Bevor wir beginnen – welches CMS verwendest du für die Veröffentlichung? Ich kann die Gewinnervariante direkt als Entwurf dorthin pushen, anstatt dir nur einen Textblock zu übergeben.“
Biete an: Sanity · Contentful · HubSpot · WordPress · Webflow · Ghost · Sonstiges · „Gib mir einfach den Content“
Gib dann eine maßgeschneiderte Einrichtungsempfehlung basierend auf ihrer Antwort (gleiche Anleitung wie in prompt-gap-to-publish). Blockiere nicht wegen der Einrichtung – starte die Analyse sofort und sage, dass du bereit zum Pushen bist, sobald sie verbunden sind.
Schritt 1 – Identifiziere die Opportunity zur Simulation
Verwende list_ai_visibility_org_brands, um die Marke zu identifizieren (oder verwende die vom Benutzer angegebene).
Der Benutzer kann hier bereits mit einer Opportunity ankommen (z. B. aus der Ausführung von prompt-gap-to-publish oder competitor-prompt-hijacker). Verwende in diesem Fall direkt diese Opportunity.
Falls nicht, verwende get_ai_visibility_topics mit der ausgewählten orgBrandId, um die Top 3–5 Opportunities mit dem Standard-Scoring-Heuristik zu ermitteln: Themen mit Relevanz > 60% und Sichtbarkeit < 40%. Präsentiere sie kurz und frage, welche simuliert werden soll.
Bestätige die Opportunity mit dem Benutzer, bevor du Varianten erstellst:
„Ich werde Varianten für [Opportunity-Titel] erstellen. Die Ziel-Prompts sind: [2–3 Beispiel-Prompts]. Passt das zu dem, was du testen möchtest?“
Schritt 2 – Lade den LLM-Antwortkontext
Rufe für die ausgewählte Opportunity die tatsächlichen KI-Modellantworten ab mit:
get_ai_visibility_promptsmit der entsprechendentopicId, um die Prompt-Liste zu erhaltenget_ai_visibility_prompt_responsesfür die Top 5–8 Prompts mit der höchstenresponseCount
Lies jede Antwort sorgfältig. Dies ist die Ground Truth – genau das, was KI-Modelle derzeit sagen, wenn ihnen Fragen zu diesem Thema gestellt werden. Deine Varianten werden anhand dieses Kontexts bewertet.
Extrahiere aus den Antworten:
- Welche Sprache und welches Framing verwenden KI-Modelle? (Vokabular, Frageformat, Schlüsselbegriffe)
- Welche Behauptungen stellen sie auf? (Statistiken, Produktfähigkeiten, genannte Tools)
- Was fehlt oder ist dünn? (Bereiche, in denen die KI-Antwort vage, ausweichend ist oder schwache Quellen zitiert)
- Welche Marken erscheinen in den Antworten? (Wettbewerber, die zitiert werden, aber nicht sollten)
- Welches Format verwenden die Antworten? (Aufzählungen, Fließtext, Tabellen – dein Content sollte dazu passen)
Dieser Kontext ist die Bewertungsmatrix für die von dir zu erstellenden Varianten.
Rufe auch get_ai_visibility_sentiment auf, um den Ton zu verstehen: Ist die KI-Stimmung gegenüber der Marke zu diesem Thema positiv, neutral oder negativ? Varianten sollten so gestaltet sein, dass sie positive Stimmung verstärken oder negative Darstellungen kontern.
Schritt 3 – Generiere 2–3 Varianten
Erstelle 2–3 unterschiedliche Varianten des Contents. Jede Variante sollte einen deutlich anderen Ansatz oder eine andere Struktur haben – nicht einfach denselben Inhalt mit anderen Einleitungen. Kleine Umschreibungen helfen nicht, etwas zu lernen; echte Alternativen schon.
Differenzierungsachsen für Varianten
Wähle die für die Opportunity relevantesten Achsen aus:
Ansatz: Bildungsorientiert („Wie funktioniert X“) vs. Wettbewerbsorientiert („Amplitude vs. Alternativen“) vs. Anwendungsfall („Das beste X für [spezifisches Segment]“)
Einstieg: Datenbasiert (Beginne mit einem Benchmark oder einer Statistik) vs. Problembasiert (Beginne mit dem Schmerzpunkt) vs. Antwortbasiert (Beginne mit der direkten Antwort auf die Kernfrage)
Tiefe: Umfassender Leitfaden (Langform, deckt alles ab) vs. Präzise und spezifisch (Fokussierte Antwort auf eine Frage) vs. Interaktiv/Strukturiert (Starke Nutzung von Tabellen, Vergleichsmatrizen, FAQs)
Framing: Markenzentriert („Hier zeigt Amplitude, wie X funktioniert“) vs. Kategorieneutral („Hier funktioniert Produktanalyse – und wo Amplitude hineinpasst“) vs. Wettbewerbsorientiert („Der ehrliche Leitfaden zu X-Tools“)
Variantenformat
Schreibe für jede Variante:
- Vollständige H1 und Eröffnungsabsatz (der Teil, den KI-Modelle am stärksten gewichten)
- H2-Gliederung mit einer 1–2-Satz-Beschreibung des Inhalts jedes Abschnitts
- Einen vollständig geschriebenen Abschnitt – der wichtigste H2, vollständig ausgearbeitet
- Vollständigen FAQ-Block – 4–6 Q&As unter Verwendung der exakten Prompt-Sprache aus Schritt 2
- Meta-Felder:
metaTitle,metaDescription,slug
Kennzeichne sie deutlich: Variante A, Variante B, Variante C.
Schritt 4 – Bewerte jede Variante anhand des LLM-Kontexts
Bewerte nun jede Variante anhand der tatsächlichen KI-Modellantworten aus Schritt 2. Das ist die Simulation. Bewerte jede Variante auf einer Skala von 1–5 in diesen Dimensionen:
Prompt-Alignment (1–5): Entsprechen die H1, die Eröffnung und die FAQ der Variante direkt der Sprache und dem Frageformat der AI-Visibility-Prompts? Bewertung 5, wenn die Variante die Prompt-Sprache stark widerspiegelt; Bewertung 1, wenn sie andere Terminologie verwendet oder die Antwort versteckt.
Antwortdirektheit (1–5): Beantwortet die Variante die Kernfrage in den ersten 2 Sätzen? Bewertung 5, wenn ja; Bewertung 3, wenn die Antwort innerhalb des Eröffnungsabsatzes erscheint; Bewertung 1, wenn der Leser scrollen muss.
Spezifität (1–5): Macht die Variante konkrete, überprüfbare Aussagen („Amplitude erfasst Rage Clicks, Scrolltiefe und Heatmaps in Sitzungen unter 100ms“) anstelle allgemeiner Aussagen? Bewertung 5, wenn jede wichtige Behauptung spezifisch ist; Bewertung 1, wenn Behauptungen überwiegend allgemein sind.
Lückenabdeckung (1–5): Deckt die Variante die Bereiche ab, in denen die aktuellen KI-Antworten dünn oder nicht vorhanden sind? Bewertung 5, wenn sie jede identifizierte Lücke füllt; Bewertung 1, wenn sie weitgehend wiederholt, was KI-Modelle bereits sagen.
Strukturübereinstimmung (1–5): Entspricht das Format der Variante der Art und Weise, wie KI-Modelle dieses Thema bereits präsentieren? Bewertung 5, wenn die Struktur das Antwortformat widerspiegelt (z. B. wenn KI-Modelle Aufzählungen verwenden, verwendet die Variante sie prominent).
Präsentiere die Bewertungen als Tabelle:
| Dimension | Variante A | Variante B | Variante C |
|---|---|---|---|
| Prompt-Alignment | 4 | 5 | 3 |
| Antwortdirektheit | 3 | 4 | 5 |
| Spezifität | 5 | 3 | 4 |
| Lückenabdeckung | 4 | 4 | 3 |
| Strukturübereinstimmung | 3 | 5 | 4 |
| Gesamt | 19 | 21 | 19 |
Formuliere die Empfehlung klar: „Variante B erzielt die höchste Punktzahl (21/25). Ihr FAQ-Block spiegelt die exakte Prompt-Sprache aus AI Visibility wider und sie beantwortet die Kernfrage in Satz 1. Empfehlung: Variante B veröffentlichen.“
Schritt 5 – Checkpoint „Simulate Changes“
Bevor du ins CMS pushst, verweise auf die integrierte Simulate Changes-Funktion von AI Visibility:
„AI Visibility hat eine 'Simulate Changes'-Funktion, die deinen Inhalt gegen live KI-Modell-Prompts testet und die Zitierverbesserung vor der Veröffentlichung prognostiziert. So fügst du es ein: [der vollständige Text der Gewinner-Varianten-Eröffnung + FAQ-Block]
So führst du es aus: Öffne AI Visibility → wähle deine Marke → gehe zu Simulate Changes → füge den Inhalt ein → führe die Simulation aus. Ich warte, oder pushe den Entwurf jetzt und du kannst parallel simulieren."
Lass den Benutzer entscheiden. Wenn er zuerst simulieren möchte, pausiere und gib den genauen Text zum Einfügen an. Wenn er bereit zum Pushen ist, fahre mit Schritt 6 fort.
Falls die Simulation zurückkommt und der Benutzer seine Meinung darüber ändert, welche Variante verwendet werden soll, generiere die überarbeitete Variante vollständig, bevor du sie pushst.
Schritt 6 – Erstelle den Gewinner vollständig
Sobald die Variante ausgewählt ist (mit oder ohne Simulationsergebnisse), schreibe den vollständigen Artikel:
- Vollständige H1 bis zum finalen CTA – keine Platzhalter, kein „[Abschnitt hier einfügen]“
- Alle H2-Abschnitte aus der Gliederung, vollständig geschrieben
- Vollständiger FAQ-Block (4–6 Q&As)
- Meta-Felder:
metaTitle,metaDescription,slug - Hinweis „Zuletzt aktualisiert: [aktueller Monat/Jahr]“ in den Metadaten
Speichere auch die Zweitplatzierten-Varianten als Markdown-Block am Ende – kennzeichne sie deutlich als Alternativen. Diese können für A/B-Tests nach dem Start oder für andere Kanäle verwendet werden.
Schritt 7 – Pushe ins CMS
Verwende das, was du in Schritt 0 herausgefunden hast. Dies ist ein neues Dokument (Erstellungsvorgang, keine Aktualisierung), es sei denn, der Benutzer gibt an, dass er eine bestehende Seite aktualisiert.
Sanity – verwende create_documents_from_markdown mit der Gewinnervariante. Setze _type so, dass es zum Blog/Artikel-Schema passt. Frage bei Unsicherheit: „Welchen Dokumententyp hat der Artikel in Ihrem Sanity-Schema?“ Verwende publish_documents niemals ohne ausdrückliche Anweisung.
Contentful – verwende create_entry mit contentType, das ihrem Artikeltyp entspricht. Setze fields.title, fields.slug, fields.body. Lasse published: false.
HubSpot – verwende create_blog_post mit state: DRAFT. Füge Meta-Beschreibung und Slug hinzu.
WordPress – verwende wp_create_post mit status: draft. Ordne H1 title und den Body content zu.
Ghost – verwende create_post mit status: draft. Füge slug, title, html oder lexical und meta_description hinzu.
Webflow – verwende create_cms_item und ziele auf die Blog-Collection ab. Ordne die Felder dem Schema der Collection zu (frage den Benutzer nach Feldnamen, falls nicht offensichtlich).
Nach dem Pushen bestätigen: „Erledigt – [Artikeltitel] wurde als Entwurf in [CMS] gespeichert. Hier ist die ID/URL: [Link]. Die Zweitplatzierten-Varianten findest du unten im Markdown – speichere sie für die zukünftige Verwendung oder für A/B-Tests.“
Gib immer einen Markdown-Fallback der Gewinnervariante sowie die Zweitplatzierten aus, auch wenn der CMS-Push erfolgreich war.
Warum vor der Veröffentlichung simulieren
Jeder Inhalt ist eine Wette. Simulationsgestütztes Publizieren verwandelt diese Wette in eine fundierte Entscheidung:
- Prompt-Alignment ist der mit Abstand stärkste Prädiktor für Zitierungen. Content, der die exakte Sprache widerspiegelt, die KI-Modelle in Prompts verwenden, wird zuverlässiger abgerufen und zitiert als Content, der in generischer SEO-Sprache verfasst ist.
- Antwortdirektheit summiert sich im Laufe der Zeit auf. Der erste Satz einer Seite wird vom KI-Retrieval überproportional gewichtet. Eine Variante, die die Antwort in Satz 1 gibt, wird konsequent besser abschneiden als eine, die drei Absätze braucht, um dorthin zu gelangen.
- Lückenabdeckung ist der schnellste Zitiergewinn. Wenn KI-Antworten zu einem Thema zu einer bestimmten Unterfrage dünn oder vage sind, wird die erste Seite, die sie konkret beantwortet, zur ersten Anlaufstelle für Zitierungen.
- Varianten decken Annahmen auf. Das Schreiben von 3 Versionen desselben Contents zwingt das Team zu artikulieren, was es tatsächlich glaubt, dass das Publikum braucht – und die Bewertung überrascht sie oft.