Jev: Sprachverständnis für den GEO-Autopiloten

Wenn Sprachverständnis zur normalen Rechenoperation wird, verändert sich auch GEO. Dann geht es nicht mehr nur darum, mit KI Texte zu schreiben. Software kann Quellen, Markennennungen und Inhaltslücken gezielt einordnen und daraus den nächsten sinnvollen Arbeitsschritt ableiten. Genau an solchen Funktionen arbeiten wir im GEO Tool: an einem Autopiloten, der Optimierung einfacher macht und die Freigabe beim Menschen lässt.

Wir haben uns daran gewöhnt, Sprachmodelle wie teure Spezialisten zu behandeln. Man ruft sie an wenigen Stellen auf und wartet auf eine ausführliche Antwort. Diese Gewohnheit prägt unsere Software stärker, als uns bewusst ist. Oft brauchen wir nämlich gar keinen Absatz Text, sondern ein Urteil: relevant oder irrelevant, Kategorie A oder B, prüfen oder weiterarbeiten.

Jev von TypeSafe: Fragen stellen, strukturierte Entscheidungen erhalten

TypeSafe beschreibt Jev als „System One“-Modell: einen Baustein für schnelle, begrenzte Entscheidungen innerhalb von Software. Die Eingabe besteht aus einem Zustand, etwa einem Text mit Kontext, und typisierten Fragen. Zurück kommen Werte, die der Code direkt weiterverarbeiten kann. Das Prinzip erläutert die Einführung von TypeSafe.

Die Dokumentation der Entscheidungsbausteine unterscheidet drei Typen:

• Choice: eine Option aus einer festgelegten Liste auswählen, beispielsweise den Typ einer Quelle.
• Score: einen Sachverhalt entlang beschriebener Stufen bewerten.
• Noul: eine Ja-Nein-Frage mit einer Wahrscheinlichkeit zwischen 0 und 1 beantworten.

Choice und Score liefern zusätzlich einen Konfidenzwert. Dieser kann helfen, unsichere Fälle einer gründlicheren Prüfung zuzuführen. Er ersetzt jedoch keine Qualitätsmessung am eigenen Anwendungsfall. Ein gültiger Datentyp schützt vor Formatfehlern, nicht vor einem falschen Urteil.

Laut TypeSafe werden die Fragen einer Anfrage parallel und unabhängig gegen denselben Zustand ausgewertet. Weitere Fragen sollen die Antwortzeit deshalb nur wenig erhöhen. Das ist eine Herstellerangabe. Ob der Vorteil im eigenen System ankommt, muss ein Test einschließlich Netzwerk, Wiederholungen und Fehlerfällen zeigen.

Komplexe Urteile zerlegen, im Code zusammensetzen

Mich interessiert vor allem das Designprinzip dahinter. Die pauschale Frage „Ist dieser Inhalt gut?“ ist schwer zu prüfen. Viel greifbarer sind einzelne Fragen: Beantwortet der Absatz die konkrete Kundenfrage? Gibt es einen Beleg? Passt die Quelle zum Thema? Fehlt eine wichtige Einschränkung?

Diese Urteile lassen sich getrennt auswerten. Welche davon für den nächsten Schritt entscheidend sind, legt unsere Software fest. Ändert sich die Priorität, ändern wir die Gewichtung oder die Regel. Die eigentliche Entscheidungslogik bleibt nachvollziehbar und testbar.

Das Modell muss dabei nicht alles übernehmen. Einen HTTP-Status oder ein vorhandenes Schema-Feld prüft normaler Code zuverlässig. Ein Sprachurteil lohnt sich dort, wo Bedeutung und Kontext zählen. Und wenn eine spätere Frage erst durch eine frühere Antwort möglich wird, braucht es einen weiteren Schritt statt vermeintlicher Unabhängigkeit. Die API-Referenz beschreibt das technische Format.

Was wir damit im GEO Tool bereits machen

Im GEO Tool haben wir Jev für die Einordnung zitierter Quellen angebunden. Dabei geht es beispielsweise um die Unterscheidung zwischen einer Anbieter-Website, einem Verzeichnis, einer Community und einer unabhängigen redaktionellen Quelle. Ein hilfreicher Artikel auf einem Unternehmensblog wird dadurch nicht automatisch zum unabhängigen Pressebeleg.

Das ist für GEO relevant: Zehn Erwähnungen auf eigenen oder kontrollierten Profilen bedeuten etwas anderes als zehn unabhängige Berichte. Eine brauchbare Auswertung muss diese Unterschiede sichtbar machen. Bei unzureichender Sicherheit bleibt eine Quelle nicht eingeordnet; eine erzwungene Kategorie würde nur Genauigkeit vortäuschen.

Zusätzlich ist eine zuschaltbare Schattenbewertung für Markennennungen implementiert. Sie beurteilt Nennung, Position und Tonalität parallel zur bestehenden Erkennung. Dieser Vergleich überschreibt deren Ergebnis nicht. Er hilft dabei, Abweichungen zu untersuchen, bevor daraus eine Änderung der regulären Auswertung wird.

Stand am 22. September 2026: Quellen-Einordnung und Schattenbewertung sind konkrete technische Bausteine. Die folgenden Anwendungen beschreiben unsere Entwicklungsrichtung für den GEO-Autopiloten; sie sind keine Zusage, dass jede davon bereits allgemein verfügbar ist.

Autopilot für GEO: weniger Sortierarbeit, bessere nächste Schritte

Wir bauen solche Funktionen aktuell weiter in unser GEO Tool ein, damit Unternehmen ihre KI-Sichtbarkeit einfacher und gezielter optimieren können. Der geplante Nutzen liegt in der Verbindung von Messung, Einordnung und Umsetzung. Drei Beispiele zeigen, woran wir diese Weiterentwicklung ausrichten:

1. Relevante Lücken erkennen. Eine Kundenfrage mit der vorhandenen Seite abgleichen: Fehlt die Antwort tatsächlich, oder steht sie nur an einer schwer auffindbaren Stelle?
2. Maßnahmen begründet priorisieren. Themenrelevanz, Beleglage und Umsetzungsaufwand getrennt bewerten. So lässt sich erklären, weshalb ein Textvorschlag vor einem anderen bearbeitet werden sollte.
3. Entwürfe vor der Übergabe prüfen. Kontrollieren, ob ein Vorschlag die freigegebene Aufgabe erfüllt und unbelegte Aussagen enthält. Unsichere Fälle müssen zur Prüfung zurück.

Der Ablauf dahinter bleibt verständlich: messen, eine passende Maßnahme vorschlagen, den freigegebenen Text für das jeweilige System vorbereiten und nach der Veröffentlichung erneut messen. Live geht nichts ohne Freigabe. Welche Entwurfswege verfügbar oder noch in Erprobung sind, zeigen unsere CMS-Integrationen.

Ein Entscheidungsmodell allein verbessert keine Platzierung in KI-Antworten. Es kann die Arbeit an geeigneten Maßnahmen unterstützen. Ob eine Änderung tatsächlich mit mehr Sichtbarkeit einhergeht, muss die anschließende Messung zeigen. Website-Bereitschaft, Markennennung und Wirkung einer Maßnahme bleiben unterschiedliche Dinge; mehr dazu in unserer Methodik.

Ambitioniert entwickeln, nüchtern messen

Wenn viele kleine Sprachurteile in das Zeitbudget einer normalen Interaktion passen, werden neue Abläufe interessant. Statt nur Stichproben zu prüfen, könnte ein System wesentlich mehr Ereignisse einordnen. Statt grober Kategorien wären mehrere konkrete Dimensionen möglich. Ob das wirtschaftlich und verlässlich funktioniert, entscheidet aber der eigene Datensatz.

Für einen belastbaren Versuch würde ich vier Punkte festlegen:

• Referenzfälle: echte Beispiele mit menschlich geprüften Antworten, einschließlich schwieriger Grenzfälle.
• Einfachere Alternativen: Regeln, Caching, Embeddings oder klassische Klassifikatoren als Vergleich.
• Messgrößen: Fehlentscheidungen, Bearbeitungszeit einschließlich langsamer Ausreißer, Gesamtkosten und Anteil unklarer Fälle.
• Abbruchkriterien: vorher bestimmen, wann der Nutzen nicht reicht und welcher bestehende Ablauf dann greift.

Zur Erkundung solcher Möglichkeiten gibt es auch Jevify, einen unabhängigen Community-Skill für Coding-Agenten. Er ist kein offizielles TypeSafe-Produkt. Solche Werkzeuge können helfen, geeignete Stellen in einer Codebasis und konkrete Fragen zu finden. Herstellerbehauptungen, eigene Messungen und Ideen für neue Funktionen sollten dabei klar getrennt bleiben.

Willst du dein GEO auf Autopilot optimieren?

Genau daran arbeiten wir: weniger manuelles Sortieren, verständlichere Empfehlungen und ein kürzerer Weg vom Befund zum freigegebenen Entwurf. Wenn du die Entwicklung früh ausprobieren möchtest, trag dich in die Warteliste für den GEO-Autopiloten ein. Für einen ersten Blick auf deine Website kannst du schon jetzt den kostenlosen GEO-Check nutzen.

Von Gorden Wuebbe. Aus dem LinkedIn-Beitrag vom 22. September 2026 für den GEO-Tool-Blog überarbeitet und um den aktuellen Entwicklungsstand ergänzt. Die technischen Quellen sind an den jeweiligen Aussagen verlinkt; dieser Artikel enthält keinen eigenen vergleichenden Performance-Benchmark von Jev.