Prefer ist eine Plattform zur Optimierung für Antwortmaschinen, die Markensentiment, Prompts und Zitationen in KI-Modellen überwacht und priorisierte Maßnahmen sowie automatisierte Agenten zur Steigerung von KI-Empfehlungen bereitstellt.
Funktion und offizielle Positionierung des Produkts
Prefer ist eine Softwareplattform zur Answer Engine Optimization (AEO) und Generative Engine Optimization (GEO), die erforscht und nachverfolgt, wie Marken in KI-Assistenten dargestellt werden. Die Plattform überwacht Sichtbarkeit, Sentiment und den Share of Voice in generativen Antwortsystemen wie ChatGPT, Claude, Perplexity und Google AI Overviews.
Zusätzlich zur Verfolgung der Prompt-Leistung und externer Zitationsquellen bietet Prefer ein Action Center, das technische und redaktionelle Aufgaben nach ihrem potenziellen Sichtbarkeitseinfluss einstuft. Autonome Content-Agenten unterstützen bei der Erstellung von Briefings, Beitragsentwürfen, Schema-Markup und Optimierungen der Website-Konfiguration, um identifizierte Sichtbarkeitslücken zu schließen.
Durch offizielle Quellen belegte Anwendungsfälle
Markenerwähnungen, Sentiment-Scores und Zitationshäufigkeiten über mehrere KI-Chat-Oberflächen und Suchmaschinen hinweg verfolgen.
Markenempfehlungen bei zentralen Branchenabfragen mit Konkurrenzprodukten vergleichen, um ungenutzte Zitationschancen zu finden.
Gezielte Vergleichsseiten, strukturierte FAQ-Blöcke und Markup erstellen, um Abfragen abzudecken, bei denen die Marke bislang fehlt.
Einschränkungen in der robots.txt erkennen und beheben, die Such-Crawler wie GPTBot, ClaudeBot und PerplexityBot blockieren.
Der dokumentierte Ablauf, sofern verfügbar
Die bestehende Markenpräsenz, Zitationsquellen und das Sentiment in generativen Engines für relevante Käufer-Prompts analysieren.
Die Warteschlange im Action Center nach Empfehlungen mit hoher Hebelwirkung durchsuchen, etwa technische Anpassungen, Schemas oder neue Inhalte.
Automatisierte Agenten nutzen, um Zitationen zu recherchieren, antwortorientierte Artikel zu verfassen, FAQs zu generieren und Daten strukturiert aufzubereiten.
Aktualisierungen an das Content-Management-System übertragen und Veränderungen bei Crawler-Besuchen, Zitationsanteilen und Prompt-Rankings verfolgen.
Prefer bündelt Optimierungsaufgaben in einem zentralen Action Center. Anstelle generischer Suchempfehlungen basiert jede vorgeschlagene Maßnahme auf Zitationsdaten und wird anhand ihres voraussichtlichen Einflusses auf die Prompt-Sichtbarkeit bewertet. Die Bandbreite reicht von der Anpassung der robots.txt zur Zulassung spezifischer Crawler-Bots bis hin zur Einbindung strukturierter FAQPage- oder HowTo-Schemas.
Die Plattform kombiniert diese Diagnoseergebnisse mit autonomen Agenten, die Generierungs- und Optimierungsaufgaben übernehmen. Die Agenten führen Zitationsrecherchen über Antwortmaschinen hinweg durch und erstellen strukturierte Entwürfe, Vergleichsseiten sowie llms.txt-Dateien. Diese Inhalte können anschließend geprüft und direkt in angebundene Content-Management-Systeme übertragen werden.
Prüfungen mit eigenen Inhalten und Arbeitsabläufen
Welche Quellen wann geprüft wurden
Antworten auf Basis des quellengeprüften Produkteintrags
Prefer ist eine Plattform zur Optimierung für Antwortmaschinen, die analysiert, wie KI-Assistenten Marken beschreiben. Sie erfasst Käuferanfragen, dokumentiert zitierte Quellen, misst die Sichtbarkeit und generiert Content-Updates, um KI-Empfehlungen gezielt zu fördern.
Prefer erfasst Markenpräsenz, Sentiment und Zitationen auf führenden KI-Plattformen, darunter ChatGPT, Gemini, Claude, Perplexity und Google AI Overviews.
Prefer Agents sind automatisierte Content-Agenten, die Zitationen in Antwortmaschinen analysieren und anhand vorgefertigter Vorlagen KI-optimierte Seiten, FAQs und strukturierte Daten generieren.
Die Plattform bewertet die Leistung anhand von Kennzahlen wie KI-Sichtbarkeitswerten, Share of Voice, Zitationsanteilen, Sentiment-Bewertungen und dem Umfang der Crawler-Besuche.
Prefer identifiziert technische Crawling-Hürden wie blockierte KI-Bots in robots.txt-Dateien, deckt fehlendes Schema-Markup auf und generiert llms.txt-Dateien.
