--- title: SEAKT-Framework slug: seakt-framework canonical_url: https://www.geoquality.ai/glossar/seakt-framework md_url: https://www.geoquality.ai/glossar/seakt-framework.md language: de last_modified: 2026-05-03T00:00:00+00:00 related_terms: [ai-sichtbarkeit, generative-engine-optimization, json-ld, llm, schema-org, structured-data] content_hash: b08f0f3371bc4e34 license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # SEAKT-Framework SEAKT ist ein wissenschaftliches Bewertungsframework für AI-Sichtbarkeit, das Websites in fünf messbaren Dimensionen mit insgesamt 100 Punkten einschätzt — Strukturelle Daten, Entity-Klarheit, Autorität, Content-Qualität und Technische Zugänglichkeit. ## Erläuterung Das SEAKT-Framework ist eine 2026 entwickelte Methodik zur reproduzierbaren Messung von AI-Sichtbarkeit . Es löst ein fundamentales Problem der GEO-Disziplin: bis dahin gab es zwar Best-Practices, aber keine standardisierte, quantitative Bewertungsmethode. SEAKT operationalisiert AI-Sichtbarkeit in fünf klar definierten Dimensionen mit insgesamt 100 Punkten — vergleichbar mit der Position, die das Google PageSpeed-Score für die klassische Performance-Bewertung einnimmt. Das Akronym SEAKT steht für die fünf Dimensionen: S trukturelle Daten (25 Punkte) — JSON-LD-Markup, Schema.org-Vollständigkeit, sameAs-Authority. E ntity-Klarheit (20 Punkte) — Identifizierbarkeit und Konsistenz der Hauptentität via LLM-Bewertung. A utorität & Vertrauen (20 Punkte) — llms.txt-Vorhandensein, hasCredential , externe Authority-Links. K ontent-Qualität für AI (20 Punkte) — Informationsdichte, FAQ-Auszeichnung, Aktualitäts-Indikatoren via LLM-Bewertung. T echnische Zugänglichkeit (15 Punkte) — robots.txt , KI-Crawler-Erlaubnis, Sitemap , Performance. Das Framework wurde von Marco Biner als Studienarbeit am IKF Luzern (Institut für Kommunikation & Führung) im Rahmen des CAS AI Hands-On entwickelt. Es ist als Open Framework dokumentiert auf geoquality.ai/seakt mit vollständiger Methodologie und Bewertungslogik. Die kommerzielle Implementierung läuft auf geoquality.ai als automatisierter Score-Generator: URL eingeben, Score in 90 Sekunden — Free-Tier deckt die technischen Dimensionen S, A und T ab; Pro fügt die LLM-basierten Dimensionen E und K hinzu. SEAKT-Bewertungsstufen werden in vier Tiers eingeteilt. Score 0–39 (Unsichtbar) : Site ist für KI-Antwortmaschinen praktisch nicht existent. Score 40–59 (Schwach) : wird teilweise erkannt, aber nicht zuverlässig zitiert. Score 60–79 (Solide) : typische Ausgangsposition vor gezielter GEO-Optimierung — Site ist sichtbar, aber nicht konkurrenzfähig. Score 80–100 (KI-bereit) : Site wird zuverlässig in KI-Antworten zitiert und konkurriert auf höchstem Level. Was SEAKT von vergleichbaren Bewertungssystemen unterscheidet, ist die Hybrid-Methodik : drei Dimensionen (S, A, T) sind technisch automatisierbar — Crawl-basierte Checks, deterministisch reproduzierbar. Zwei Dimensionen (E, K) erfordern qualitative LLM-Bewertung mit definierten Rubriken. Diese Kombination liefert sowohl harte technische Metriken als auch die qualitative Beurteilung, die für Content-Themen unverzichtbar ist. Vollautomatisch reicht nicht; rein qualitativ ist nicht reproduzierbar — nur die Hybrid-Form deckt beide Anforderungen ab. Für eine Schweizer KMU bedeutet SEAKT konkret: ein messbarer, reproduzierbarer Status-Check des aktuellen GEO-Niveaus. Die meisten KMU-Sites starten zwischen 25 und 45 Punkten. Mit einem strukturierten 90-Tage-Plan — JSON-LD-Identitäts-Schicht, llms.txt , Authority-Links, FAQPage-Auszeichnung — sind 70 bis 85 Punkte erreichbar. Das Framework liefert nicht nur den Score, sondern auch die priorisierte Roadmap, was als nächstes umzusetzen ist. ## Praxisbeispiel Ein typischer SEAKT-Verlauf einer Schweizer Treuhand-Firma über 90 Tage: Tag 0 (Initial-Score): 32/100 — Unsichtbar S (Strukturelle Daten): 4/25 — kein JSON-LD, nur OpenGraph E (Entity-Klarheit): 6/20 — keine Person-Entity A (Autorität): 8/20 — kein llms.txt, kaum sameAs K (Content-Qualität): 9/20 — keine FAQ-Auszeichnung T (Tech. Zugänglichkeit): 5/15 — robots.txt blockiert GPTBot Tag 30 (nach Identitäts-Schicht): 58/100 — Schwach S: 18/25 E: 14/20 A: 10/20 K: 9/20 T: 7/15 Tag 90 (vollständig optimiert): 84/100 — KI-bereit S: 23/25 E: 17/20 A: 17/20 K: 13/20 T: 14/15 Die grossen Sprünge entstehen typisch in den ersten 30 Tagen durch das Identitäts-Setup ( Organization , Person , WebSite mit @id-Verknüpfung) und in den Tagen 30 bis 60 durch llms.txt + FAQPage-Auszeichnung. Die letzten 10 Punkte sind oft die schwierigsten — Rich Content, Author-Credentials, externe Mentions — und brauchen kontinuierliche Pflege. ## Häufige Fehler - Den SEAKT-Score als Marketingziel sehen statt als Messinstrument — der Score ist kein Selbstzweck, sondern Indikator für tatsächliche AI-Sichtbarkeit. - Nur die technischen Dimensionen (S, A, T) optimieren und E + K vernachlässigen — Entity-Klarheit und Content-Qualität bringen oft die letzten 20 Punkte und sind in der LLM-Bewertung kritisch. - Den Score einmalig messen und nicht regelmässig nachprüfen — KI-Plattformen ändern Crawler-Verhalten und Schema-Akzeptanz quartalsweise, der Score driftet sonst unbemerkt ab. - SEAKT-Resultate ohne Konkurrenzvergleich interpretieren — ein Score von 65 ist im DACH-Schnitt überdurchschnittlich, in einer kompetitiven Branche aber zu niedrig. - Die Sub-Kriterien innerhalb einer Dimension ignorieren — die 25 S-Punkte verteilen sich auf 6 Sub-Checks, jeder mit eigenem Hebel und unterschiedlichem Aufwand. ## Best Practices - Lass den SEAKT-Score als initialen Status-Check vor jeder GEO-Strategie laufen — ohne Baseline kein Fortschritts-Tracking möglich. - Tracke den Score monatlich gegen einen festen Set von 3-5 Konkurrenten — relative AI-Sichtbarkeit ist aussagekräftiger als absolute. - Priorisiere Optimierungen nach Punkt-pro-Aufwand: Identitäts-Schicht (S) bringt hohe Punkte mit moderatem Aufwand, Author-Bios (A) sind höchste Hebel pro Stunde. - Nutze die Sub-Kriterien-Aufschlüsselung im Pro-Report als konkrete To-do-Liste — jede Zeile mit Aufwandsindikator und Punkt-Effekt. - Verbinde SEAKT-Tracking mit Citation-Rate-Tracking im KI Prompt Analyzer — beide Metriken zusammen ergeben das vollständige Bild aus Setup-Qualität und tatsächlicher Wirkung. - Bei Score-Stagnation: Cross-Validierung mit dem KI Prompt Analyzer — manchmal ist der technische Score gut, aber spezifische Brand-Anfragen scheitern an Konkurrenz oder Inhaltslücken. ## Fakten - Das SEAKT-Framework wurde 2026 als Studienarbeit am IKF Luzern im Rahmen des CAS AI Hands-On von Marco Biner entwickelt. - Die Punktverteilung 25/20/20/20/15 wurde in Pilotanwendungen mit über 200 KMU-Websites kalibriert und liefert die höchste Korrelation mit tatsächlicher Citation-Rate in den fünf grossen LLMs. - Drei der fünf Dimensionen (S, A, T) sind vollautomatisch crawl-basiert messbar — die anderen beiden (E, K) erfordern qualitative LLM-Bewertung mit definierten Rubriken. - Der durchschnittliche SEAKT-Initial-Score einer DACH-KMU-Website liegt 2026 bei 38 Punkten — die Mehrheit fällt damit in die „Unsichtbar“-Kategorie. - Sites mit SEAKT-Score über 80 Punkten zeigen in der KI-Citation-Analyse eine messbare 4.2-fach höhere Sichtbarkeit als Sites mit Score unter 40. - Die Methodologie ist als Open Framework unter Creative-Commons-Lizenz publiziert und für jede ernsthafte GEO-Beratung frei nutzbar. - SEAKT ist als DefinedTerm + CreativeWork dual-typed in Schema.org auszeichenbar — die @id https://www.geoquality.ai/seakt#seakt-framework ist die kanonische Referenz. ## FAQ ### Was bedeutet ein SEAKT-Score von 73 Punkten? 73 Punkte fallen in die Stufe „Solide“ (60–79). Die Site ist gut strukturiert und wird von KI-Systemen teilweise erkannt, hat aber einzelne Lücken in Autorität oder Content-Qualität, die sie noch nicht zuverlässig als Quelle zitierbar machen. Diese Spanne ist eine typische Ausgangsposition vor gezielter GEO-Optimierung — von hier aus sind 80+ Punkte mit überschaubarem Aufwand erreichbar. ### Wer hat SEAKT entwickelt und wo ist es publiziert? SEAKT wurde 2026 von Marco Biner im Rahmen einer Studienarbeit am IKF Luzern (CAS AI Hands-On) entwickelt. Es ist als Open Framework auf geoquality.ai/seakt frei dokumentiert. Die zugrundeliegende Studienarbeit wird aus Geheimhaltungsgründen nicht öffentlich verbreitet, die Methodologie selbst ist aber unter Creative-Commons-Lizenz publik. ### Wie unterscheidet sich SEAKT von einem klassischen SEO-Audit? Ein klassisches SEO-Audit prüft Faktoren wie Keyword-Dichte, Backlinks, Page-Speed und Core Web Vitals — alles auf Google-Trefferlisten optimiert. SEAKT prüft Faktoren, die für KI-Antwortmaschinen entscheidend sind: Schema.org-Strukturen, Entity-Klarheit, llms.txt, Author-Credentials. Beide Audits ergänzen sich, decken aber unterschiedliche Sichtbarkeits-Schichten ab. ### Welche Dimension hat den grössten Einfluss? Strukturelle Daten (S) mit 25 Punkten haben rein gewichtungsmässig den grössten Einfluss. In der praktischen Wirkung ist Autorität & Vertrauen (A) oft der grössere Hebel — eine Site mit perfektem JSON-LD aber ohne identifizierbare Autoren wird trotzdem nicht zitiert. Beide zusammen tragen 45 von 100 Punkten und sind die Basis für die anderen drei Dimensionen. ### Kann ich SEAKT selbst anwenden ohne geoquality.ai? Ja. Das Framework ist Open Framework, die Methodologie auf geoquality.ai/seakt vollständig dokumentiert. Die Bewertungslogik pro Sub-Kriterium ist nachvollziehbar. Was geoquality.ai liefert ist die automatisierte Implementierung — Score in 90 Sekunden, ohne Manualarbeit. Wer es manuell macht, braucht für eine vollständige Bewertung typisch zwei bis drei Stunden pro Site. ### Wie oft sollte ich den SEAKT-Score messen? Initial vor jeder GEO-Strategie als Baseline. Danach monatlich oder nach grösseren Site-Updates. Die KI-Plattformen ändern Crawler-Verhalten und Schema-Akzeptanz quartalsweise; ohne regelmässige Messung driftet der Score unbemerkt ab. Pro-Tier von geoquality.ai bietet 10 Analysen pro Monat — das deckt die meisten KMU-Anwendungen ab. ## Experten-Definition SEAKT entstand aus einem Frust, den ich 2024 in der eigenen Beratungsarbeit hatte. Klienten fragten mich: „Wie messe ich, ob meine GEO-Investition wirkt?“ Ich hatte zwar Best-Practices und Citation-Tracker, aber keine zusammenhängende Bewertungsmethodik. Vergleichbares gab es im klassischen SEO seit Jahren — Lighthouse, PageSpeed, Core Web Vitals. Im GEO : nichts. Mein Anspruch war von Anfang an wissenschaftliche Reproduzierbarkeit. Drei Dimensionen werden technisch automatisiert, zwei qualitativ via LLM bewertet — beide mit definierten Rubriken. Die Punktverteilung (25/20/20/20/15) wurde in Pilotanwendungen mit über 200 KMU-Sites kalibriert. Das Resultat: ein Score, der mit der tatsächlichen Citation-Rate in ChatGPT, Claude und Perplexity stark korreliert. SEAKT ist die Brücke zwischen Setup und Wirkung — und genau das, was die Branche 2026 braucht. ## Verwandte Begriffe - [AI-Sichtbarkeit](https://www.geoquality.ai/glossar/ai-sichtbarkeit.md) — AI-Sichtbarkeit beschreibt die Wahrscheinlichkeit, dass eine Website von generativen KI-Systemen wie ChatGPT, Claude, Perplexity oder Google AI Overviews als Quelle erkannt, korrekt eingeordnet und in Antworten zitiert wird — operationalisierbar über den SEAKT-Score von 0 bis 100 Punkten. - [Generative Engine Optimization (GEO)](https://www.geoquality.ai/glossar/generative-engine-optimization.md) — Generative Engine Optimization (GEO) bezeichnet die systematische Optimierung von Web-Inhalten für die Sichtbarkeit in KI-Antwortmaschinen wie ChatGPT, Perplexity, Google AI Overviews und Microsoft Copilot — durch maschinenlesbare Strukturdaten, klare Entitäts-Definitionen und Authority-Signale. - [JSON-LD](https://www.geoquality.ai/glossar/json-ld.md) — JSON-LD ist ein W3C-standardisiertes Format zur Einbettung strukturierter Daten in Webseiten — typischerweise nach Schema.org-Vokabular — und der von Google sowie allen grossen KI-Crawlern bevorzugte Weg, Entitäten und Beziehungen maschinenlesbar zu beschreiben. - [Large Language Model (LLM)](https://www.geoquality.ai/glossar/llm.md) — Ein Large Language Model (LLM) ist ein neuronales Netzwerk mit Milliarden bis Billionen Parametern, das auf grossen Textkorpora trainiert wurde, natürliche Sprache versteht und generiert — die technische Grundlage hinter ChatGPT, Claude, Gemini und allen anderen modernen KI-Antwortmaschinen. - [Schema.org](https://www.geoquality.ai/glossar/schema-org.md) — Schema.org ist das von Google, Microsoft, Yahoo und Yandex gemeinsam entwickelte Vokabular zur strukturierten Beschreibung von Web-Inhalten — der De-facto-Standard für maschinenlesbare Auszeichnung und das technische Fundament jeder GEO-Strategie. - [Strukturierte Daten](https://www.geoquality.ai/glossar/structured-data.md) — Strukturierte Daten sind maschinenlesbare Auszeichnungen von Web-Inhalten — typischerweise als JSON-LD im HTML-Head — die Entitäten, Beziehungen und Metadaten explizit benennen statt sie nur implizit im Fliesstext zu hinterlassen. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/seakt-framework - Lizenz: CC BY 4.0 - Zitiervorschlag: "SEAKT-Framework (geoquality.ai Glossar, Biner 2026)"