GEO-Plattform: Sichtbarkeitsüberwachung in 9 KI mit Claude

Aufbau einer GEO-Plattform zur Optimierung der Markensichtbarkeit in generativer KI mit Claude Code

Ein Entwickler hat eine umfassende GEO-Plattform (Generative Engine Optimization) aufgebaut, um die Markensichtbarkeit in den Antworten von 9 KI-Modellen zu analysieren und zu verbessern. Das System sammelt täglich Daten, verarbeitet LLM-Antworten, berechnet Wettbewerbsmetriken und generiert Empfehlungen. Die gesamte Entwicklung erfolgte über Claude-Code-Sessions unter Verwendung von Agent Team und MCP-Tools.

Die Plattform automatisiert die Überwachung der Markensichtbarkeit, identifiziert Lücken im Vergleich zu Wettbewerbern und erstellt wöchentliche Berichte mit Veränderungsdynamiken. Die Kosten für 4 Monate Entwicklung mit dem Max-Plan für Claude betrugen 800 US-Dollar, plus API-Kosten von 128 US-Dollar und 4800 Rubel für YandexGPT.

Entwicklungs-Pipeline mit Claude Code

Die Entwicklung folgt einem Zyklus: RESEARCH → PLAN → IMPLEMENT → MANUAL REVIEW → CODE REVIEW. Die Hauptsession umfasst mehrere parallele Claude-Code-Tabs. Bei Problemen kehrt die Iteration zur Implementierung zurück.

Agent Team ersetzte die manuelle Orchestrierung von Sub-Agents. Beispielsweise testet ein QA-Agent, ein UI-Fixer korrigiert, und sie iterieren, bis akzeptable Ergebnisse erreicht sind.

Wichtige MCP-Tools für den Infrastrukturzugriff:

• Supabase MCP: Migrationen, Datenverarbeitung, Überprüfung von KI-Modellantworten.
• Trigger.dev MCP: Starten von Hintergrundaufgaben, Überprüfung des Abschlusses.
• Next.js DevTools MCP: Updates auf Next.js 16.
• Exa MCP: Suche nach Dokumentation und Standards.
• Sentry MCP: Behebung echter Fehler.

HAUPTSESSION (mehrere Tabs)
    │
    ▼
RESEARCH ──► PLAN ──► IMPLEMENT ──► MANUAL REVIEW ──► CODE REVIEW
                          ▲              ▼                 │
                          └──── Probleme gefunden ◄─────────┘

Ökosystem-Architektur

                      Nutzer
                      ┌────┴────┐
                      │         │
               ┌──────▼──────┐  ┌──────▼──────┐
               │  Dashboard  │  │  Telegram   │
               │  Next.js 16 │  │  Bot grammY │
               └──┬──────┬───┘  └──────┬──────┘
                  │      │             │
      Task-Start │  ┌───▼─────────────▼───┐
                  │  │  Self-hosted        │
                  │  │  Supabase           │
                  │  └───▲─────────▲───────┘
                  │      │         │
            ┌─────▼──────┴──┐ ┌───┴──────────────┐
            │  Trigger.dev  ├─► Mastra           │
            │  Hintergrund- │ │ Berichte + Briefs +│
            │  tasks        │ │ Artikelgenerierung│
            └──────┬────────┘ └──────────────────┘
                   │
          ┌────────▼─────────────┐
          │  9 KI-Anbieter       │
          │  ChatGPT · Claude ·  │
          │  Gemini · Grok ·     │
          │  Perplexity ·        │
          │  DeepSeek ·          │
          │  Google AI Mode ·    │
          │  Google AI Overview ·│
          │  YandexGPT           │
          └──────────────────────┘

Frontend auf Next.js 16 mit shadcn, Metrikenberechnung via PostgreSQL-Funktionen mit Supabase SDK, Caching mit TanStack Query. Deployment über Dokploy mit GitHub.

Überwachungs- und Datenverarbeitungs-Pipeline

Während des Onboardings werden Cluster (4–6 thematische Sets) und Prompts (4–7 pro Cluster) generiert. Täglich sendet Trigger.dev Prompts an 9 Anbieter und verarbeitet Antworten.

Anbieterspezifika:

• DeepSeek: Keine Web-Search-API.
• Google AI Mode/Overview: Nur Scraping.
• Google AI Overview: Antwortet möglicherweise nicht.

Die Antwortverarbeitung umfasst LLM-Nachbearbeitung: Extraktion von Marken, Sentiment (positiv/neutral/negativ), Empfehlung, Position, Linkpräsenz. Der GEO-Score (0–100) aggregiert Punkte.

Wichtige GEO-Metriken

• Antwortabdeckung: % der Antworten, die die Marke erwähnen.
• Share of Voice (SoV): Markenerwähnungen / (Markenerwähnungen + Wettbewerber) × 100.
• Domain-Zitierung: % der Antworten mit der Domain der Marke.
• Share of Citation: SoV für Domains.

Visualisierung: Abdeckungsdiagramme, Sichtbarkeitstrichter, Top-Wettbewerber nach SoV, Head-to-Head-Vergleiche, Wettbewerbslücken, Quellenanalyse.

Kosten pro Antwortverarbeitung: 0,0016 US-Dollar, YandexGPT — 5₽/Aufruf.

Dashboard-Bereiche

• Wettbewerbsintelligenz: Top nach SoV, Head-to-Head.
• Wettbewerbslücken: Prompts, bei denen die Marke zurückfällt.
• Quellen: Tabs mit Zitierquellendaten.

Das Command Center generiert Empfehlungen basierend auf Lücken und bewertet die Auswirkung.

Wichtige Erkenntnisse:

• Die GEO-Plattform überwacht 9 KI-Anbieter und berechnet SoV und andere Metriken für Marken.
• Entwicklung mit Claude Code, Agent Team und MCP reduzierte die Kosten auf 800 US-Dollar über 4 Monate.
• Tägliche Pipeline: Prompt-Generierung, Scraping/API, LLM-Antwortverarbeitung.
• Metriken auf PostgreSQL, Frontend Next.js 16 + shadcn, Cache TanStack Query.
• Empfehlungen und Berichte automatisiert via Mastra.

— Editorial Team