Konzepte
Eigene Denkmodelle und methodische Ansätze zur Analyse und Gestaltung von Sichtbarkeit in klassischen und KI-basierten Suchsystemen.
ARTS SEO-Formel
Die klassische Unterscheidung in Onpage und Offpage ist nicht mehr ausreichend, um die Mechanik moderner Suchsysteme zu beschreiben. SEO braucht eine strukturierte, nutzerorientierte Logik, die das „Warum" vor das „Was" stellt.
Die ARTS SEO-Formel strukturiert die Analyse anhand von vier Leitfragen:
Accessible
Ist die URL technisch erreichbar?
Relevant
Ist die thematische Relevanz eindeutig erkennbar?
Technically Important
Ist die Seite technisch und strukturell messbar wichtig?
Satisfactory
Erfüllt die Seite die Erwartungen der Nutzer?
Daraus ergeben sich konkrete Vorteile für die strategische Arbeit:
- Strukturierte Analyse anhand klarer Leitfragen
- Fokus auf Suchintention und Nutzerzufriedenheit
- Zeitgemäße Gewichtung von Links
- Reduktion rein technischer Fehlinterpretationen
- Vereinfachte strategische Priorisierung
Publikation
Die ARTS SEO Formula – Das neue SEO-Framework
Website Boosting, Ausgabe 92 – Coverstory
Prompt Decoding
Prompt Decoding wurde von Hanns Kronenberg entwickelt, basiert auf Millionen echter Prompts und ist exklusiv durch Rankscale lizenziert.
Die methodische Grundlage bilden modellinterne Simulationen bei ChatGPT und Gemini. Sichtbar werden repräsentative Cluster, Frames und Antwortpfade. Die Ergebnisse sind reproduzierbar, datenschutzkonform und basieren nicht auf personenbezogenen Daten.
In der OpenAI/Harvard-Studie „Who People Use ChatGPT" (September 2025) wurden zentrale Nutzungscluster teilweise wortgleich und in vergleichbaren Häufigkeiten reproduziert, die bereits im April 2025 durch Prompt Decoding identifiziert worden waren. Dies unterstreicht die methodische Aussagekraft.
ChatGPT und Gemini liefern konsistente Cluster-Strukturen. Dadurch entsteht eine robuste, systemübergreifende Perspektive auf Nutzerverhalten.
Prompt Decoding wurde auf dem G50 Summit 2025 vor der internationalen SEO-Fachcommunity vorgestellt und ausgezeichnet.
Publikation
Vom Keyword zum Prompt: Warum SEO-Experten die Blackbox der KI verstehen müssen
Website Boosting, Ausgabe 95 – Coverstory
Semantische Resonanzanalyse
Die Semantische Resonanzanalyse untersucht, wie stark eine Marke oder ein Thema im Modellwissen von KI-Systemen verankert ist. Im Unterschied zu klassischer Sichtbarkeitsmessung geht es nicht um Rankings, sondern um die Wahrscheinlichkeit, in einer generierten Antwort genannt zu werden.
Grundlage sind systematische Prompt-Serien, die Antwortmuster über verschiedene Modelle hinweg vergleichbar machen. Daraus lassen sich Stärken, Lücken und Verschiebungen in der KI-Wahrnehmung einer Marke ableiten.
Die Methode verbindet qualitative Analyse mit quantitativer Reproduzierbarkeit und liefert eine belastbare Grundlage für strategische Entscheidungen im Bereich AI Search.
On-Model / Off-Model SEO
On-Model SEO beschreibt Maßnahmen, die direkt auf die Repräsentation im Modellwissen von KI-Systemen einzahlen. Off-Model SEO umfasst klassische Optimierung, die zwar in Suchmaschinen wirkt, aber nicht zwingend in generativen Antworten sichtbar wird.
Die Unterscheidung hilft, Ressourcen gezielter einzusetzen: Welche Maßnahmen wirken in beiden Welten? Welche nur in einer? Und wo entsteht durch die Verschiebung zu AI Search ein blinder Fleck?
Das Modell schafft Klarheit für Teams, die SEO und GEO parallel steuern müssen, ohne Budgets zu verdoppeln.
Die Konzepte stehen nicht isoliert, sondern sind Teil einer konsistenten Perspektive auf die Transformation von Such- und Antwortsystemen. Ziel ist strategische Entscheidbarkeit im Übergang von Ranking-Logik zu Antwort-Logik.