Beispiele

Frage: „Sag mir jeden Montagmorgen, was sich letzte Woche bei unseren Top-5-Konkurrenten geändert hat."

Was gelandet ist:

• Ein geplanter Job, der jeden Montag um 9 Uhr läuft, ohne Überwachung
• Ruft neue und entfernte Organische Keywords, neue rankende Seiten und alle Backlinks von bemerkenswerten Domains für jeden Konkurrenten von Ahrefs ab
• Ein LLM-Durchlauf, der die interessanten Teile in einfachem Deutsch zusammenfasst und Rauschen überspringt
• Eine Slack-DM mit der Zusammenfassung und einem Link zu einer Console-Seite mit den vollständigen Daten

Zeit bis zur Veröffentlichung: eine Chat-Sitzung, plus ein Follow-up, um den Filter „interessante Teile" hinzuzufügen.

Starter-Prompt:

Erstelle mir einen Konkurrenz-Beobachter für Montagmorgen. Jeden Montag um 9 Uhr für diese 5 Domains [Liste]: Ziehe neue und entfernte organische Keywords im Vergleich zur letzten Woche, neue rankende Seiten und alle Backlinks von Domains mit DR ≥ 70. Fasse die interessanten Teile mit einem LLM zusammen, überspringe Rauschen. Schick mir die Zusammenfassung plus einen Link zu einer Console-Seite, die die vollständigen Deltas zeigt, per DM auf Slack.

Frage: „Erstelle mir ein Tool, bei dem ich eine URL einfüge und es ein geclustertes Keyword-Universum zurückgibt. Öffentlicher Link, den ich mit Interessenten teilen kann."

Was gelandet ist:

• Eine Console-Seite, auf der du die URL einfügst und Filter auswählst (Suchvolumen, Keyword-Schwierigkeit)
• Ein Backend, das die Top organischen Keywords aus dem Site Explorer abruft, jedes über Keywords Explorer mit übereinstimmenden Begriffen erweitert, Duplikate entfernt und nach Ahrefs-Elternthema gruppiert
• Ein LLM-Durchlauf, der jeden Cluster benennt (2-4 Wörter, Großschreibung)
• Eine kraftgerichtete Graphvisualisierung mit ziehbaren Knoten, Scroll-Zoom, Hover-Tooltips und anklickbaren Legenden-Pills zum Ein- und Ausblenden von Clustern
• Eine öffentliche Token-URL auf der Website, damit du sie schreibgeschützt mit jedem teilen kannst

Versandzeit: eine Chat-Sitzung für v1, ein paar Folge-Turns, um die Visualisierung zu verfeinern.

Starter-Prompt:

Erstelle mir ein Keyword-Universum-Tool. Eingabe ist eine URL. Ziehe die Top-N-organischen Keywords aus dem Site Explorer, erweitere jedes mit übereinstimmenden Begriffen aus dem Keywords Explorer, entferne Duplikate, gruppiere nach Elternthema, benenne jeden Cluster mit einem LLM in 2-4 Wörtern. Visualisiere als ziehbarer kraftgerichteter Graph mit Cluster-Farben und einer Legende, die Cluster umschaltet. Rendere es in der Konsole für mich; stelle eine token-geschützte URL auf der öffentlichen Website bereit, damit ich sie mit Interessenten teilen kann.

Frage: „Tracke unsere Marke in KI-Antworten über ChatGPT, Claude, Perplexity und den Rest und vergleiche sie mit den drei engsten Konkurrenten."

Was gelandet ist:

• Ein Console-Dashboard, das Brand Radar-Daten für sechs KI-Plattformen parallel abruft
• Aufschlüsselung pro Plattform von Share of Voice, Impressionen, Erwähnungen und Zitaten für deine Marke und bis zu fünf Konkurrenten
• Eine kombinierte Ansicht, die über alle Plattformen summiert wird, und eine 90-Tage-Verlaufsreihe für jede Metrik
• Vergleich mit einem anderen Set von Konkurrenten per Klick, ohne alles neu ausführen zu müssen

Zeit bis zum Versand: eine Chat-Sitzung.

Starter-Prompt:

Erstelle mir ein KI-Sichtbarkeits-Dashboard. Eingaben: meine Marken-URL und bis zu 5 Konkurrenz-URLs. Rufe Brand Radar Übersichts-Zeitverläufe für ChatGPT, Claude, Perplexity, Gemini, Copilot und Grok parallel ab. Zeige für jede Plattform Share of Voice, Impressions, Erwähnungen, Zitate für jede Entität. Zeige außerdem eine plattformübergreifende kombinierte Ansicht (SoV gemittelt, andere summiert) und einen 90-Tage-Verlauf pro Metrik. Speichere Ergebnisse pro Durchlauf zwischen, damit ich Konkurrenten wechseln kann, ohne erneut abzurufen.

Frage: „Die meisten KI-generierten Texte werden von unseren Rechts- und Markenteams abgelehnt, weil sie nicht zeigen können, woher die Behauptungen stammen. Erstelle mir einen Entwurfsmodus, der jede Behauptung belegt und die Quellenherkunft zeigt."

Was gelandet ist:

• Eine Console-Seite, die ein Briefing plus Markenrichtlinien entgegennimmt und einen Textentwurf generiert, bei dem jede Behauptung nummeriert ist
• Ein Seitenpanel, das für jede nummerierte Behauptung die Quelle anzeigt, abgerufen aus einer gepflegten „Markenbehauptungsbibliothek" mit vorab genehmigten Fakten über Ahrefs (Skalenzahlen, Fähigkeitsbehauptungen, Kundennachweise, Vergleiche)
• Abgelaufene Behauptungen werden automatisch entfernt (die Bibliothek hat ein expires_on pro Behauptung)
• Markdown-Export mit Version, Ursprung und Kategorie, damit die Rechts-/Markenprüfer das Dokument prüfen können, ohne es zu verlassen

Versandzeit: eine Chat-Sitzung für den Generator; die Bibliothek der Markenansprüche wurde einmal initialisiert und wird für jeden Layer-3-Generator wiederverwendet.

Starter-Prompt:

Erstelle mir einen prüfungsfähigen Copy-Generator. Pflege eine Bibliothek mit Markenaussagen als JSON-Skill-Datei (id, Aussage, Quell-URL, Kategorie, expires_on). Der Generator akzeptiert ein Briefing + Markenrichtlinien, erstellt einen Entwurf und nummeriert jede faktische Aussage. Ein Seitenpanel zeigt die Quelle für jede Aussage an, die aus der Bibliothek abgerufen wird. Abgelaufene Aussagen werden stillschweigend verworfen. Exportiere nach Markdown mit Version, Ursprung und Kategorie, damit die Rechtsabteilung prüfen kann.

Frage: „Erstelle mir einen Generator für Konkurrenz-Battlecards, der echte Signale zieht, nicht nur Stichpunkt-Meinungen."

Was gelandet ist:

• Eine Console-Seite, auf der du eine Konkurrenz-Domain einfügst
• Das Backend ruft Ahrefs-Traffic- und Ranking-Deltas ab, scrapt deren Preisseite, erstellt einen Paid-Search-Snapshot und liest (falls verbunden) aktuelle Gong-Gesprächsausschnitte, in denen der Konkurrent erwähnt wurde
• LLM organisiert die Ausgabe in: Positionierung, Preisgestaltung, Stärken, Schwächen, häufige Einwände und die Gegenargumente deines Teams
• Jeder Abschnitt ist inline bearbeitbar, exportierbar als PDF oder PowerPoint

Zeit bis zum Versand: eine Chat-Sitzung.

Starter-Prompt:

Erstelle mir einen Battlecard-Generator. Eingabe: Konkurrenz-Domain. Ziehe Ahrefs-Traffic + Ranking-Deltas (30/90 Tage), scrape deren Preisseite, ziehe bezahlte Keywords + bezahlte Seiten aus Site Explorer und lies die letzten 90 Tage an Gong-Call-Snippets, die sie erwähnen. LLM organisiert in Positionierung, Preise, Stärken, Schwächen, häufige Einwände, unsere Gegenargumente. Jeder Abschnitt ist inline bearbeitbar. Export als PDF oder PPTX.

Frage: „Ich schreibe LinkedIn-Posts in meiner eigenen Stimme. Hilf mir, neue zu entwerfen, die nach mir klingen, nicht nach ChatGPT."

Was gelandet ist:

• Eine Skill-Datei mit Stimm-Regeln und einer Sammlung genehmigter früherer Beiträge, die der Agent bei jeder Generierung liest
• Eine Console-App, die neue Beiträge in dieser Stimme entwirft, zwei Varianten pro Generierung, jede mit dem verwendeten Muster getaggt
• Ein „Warum das funktioniert"-Hinweis zu jeder Variante, damit die Ausgabe überprüfbar ist statt Raterei
• Ein „Zur Sammlung hinzufügen"-Button, der genehmigte Beiträge zurück in den Skill einfügt, sodass sich die Stimme mit der Zeit schärft

Zeit bis zur Veröffentlichung: eine Chat-Sitzung, plus 15 Minuten beim ersten Mal, um die Bank mit 5-10 deiner besten vergangenen Beiträge zu füllen.

Starter-Prompt:

Erstelle mir einen LinkedIn-Post-Generator. Lies Stimm-Regeln und eine Sammlung genehmigter früherer Posts aus einer Skill-Datei. Erstelle für jeden Brief zwei Varianten mit dem Muster, dem jede folgt („konträrer Einstieg", „Daten + Reframing" usw.) und einer einzeiligen Begründung, warum das funktioniert. Füge einen „Zur Sammlung hinzufügen"-Button hinzu, der genehmigte Posts zurück in den Skill einfügt, damit sich die Stimme schärft. Speichere den Verlauf der Durchläufe.

Frage: „Wir haben über 1.000 Blogartikel; sie auf dem neuesten Stand zu halten ist mehr als ein Vollzeitjob. Erstelle eine Pipeline, die eine URL nimmt, sie prüft und Aktualisierungen vorschlägt, die ich Änderung für Änderung akzeptieren oder ablehnen kann."

Was gelandet ist:

• Ein Eingabefeld, in das du eine veröffentlichte URL einfügst; die Pipeline ruft sie ab und extrahiert den Seiteninhalt
• Vier Diagnosestufen laufen parallel: Umfang (leichte Auffrischung vs. vollständige Neuschreibung), Behauptungs-Audit (LLM markiert jede Statistik und datierte Aussage, bewertet die Aktualität, findet Ersatz), Ahrefs-Erwähnungen-Abgleich (gegen seit Veröffentlichung veröffentlichte Features), Themenlücken (führt die SERP erneut aus und zeigt Themen auf, die aktuelle Top-Ranking-Seiten abdecken, deine aber nicht)
• Eine Vorschaustufe mit einem Side-by-Side-Vergleich zwischen dem aktuellen Artikel und den vorgeschlagenen Aktualisierungen. Akzeptiere oder lehne jede Änderung einzeln ab
• Exportiere die akzeptierte Version als Markdown oder WordPress-Shortcodes

Zeit bis zur Bereitstellung: ein paar Tage für den Aufbau + die Feinabstimmung, dann läuft es für immer.

Starter-Prompt:

Erstelle mir eine Pipeline zur Aktualisierung von Blogbeiträgen. Eingabe: eine veröffentlichte URL. Rufe den Artikel ab. Führe vier Diagnosestufen parallel aus: (1) Umfang, ich lege leichte Auffrischung vs. vollständige Neuschreibung fest; (2) Behauptungs-Audit, LLM extrahiert jede Statistik, Studienreferenz und datierte Aussage und bewertet jede auf Aktualität mit einem vorgeschlagenen Ersatz; (3) Ahrefs-Erwähnungen, Abgleich mit Ahrefs-Features, die seit der Veröffentlichung erschienen sind, und Vorschläge, wo neue eingefügt werden können; (4) Themen-Lücken, führe die SERP erneut aus, zeige Themen auf, die aktuelle Top-Ranking-Seiten abdecken, die meine nicht abdeckt. Abschlussstufe: Side-by-Side-Vergleich zwischen aktuellem Artikel und vorgeschlagenen Updates, mit Akzeptieren/Ablehnen pro Änderung. Exportiere die akzeptierte Version als Markdown oder WordPress-Shortcodes.

Frage: „Nimm eine Konkurrenz-URL und erstelle mir ein Briefing für eine bezahlte Werbekampagne dafür. Ich möchte Themen, Überschriften, Beschreibungen und PNG-Mockups in unserem Markenstil."

Was gelandet ist:

• Eine Console-Seite, die die Zielseite scrapt, Ahrefs Paid Keywords und Paid Pages abruft und ein LLM bittet, Kampagnenthemen zu identifizieren
• Für jedes Thema: Suchanzeigen-Copy (mit harten Längenbeschränkungen, die serverseitig durchgesetzt werden, damit Google sie nicht ablehnt), Social-Media-Anzeigen-Copy und PNG-Creatives, die in vier Hintergrundstilen mit Pillow gerendert werden
• Hochgeladene Referenz-Markenanzeigenbilder werden dem LLM nach ihrem Stil beschrieben, damit generierte Texte und Visuals markenkonform bleiben

Versandzeit: eine Chat-Sitzung für v1, zwei Folge-Turns, um die Markenstile anzupassen.

Starter-Prompt:

Erstelle mir einen Builder für bezahlte Werbekampagnen. Eingabe: eine Konkurrenz-URL. Scrape die Seite, ziehe ihre bezahlten Keywords und bezahlten Seiten aus Ahrefs. LLM identifiziert 3-5 Kampagnenthemen. Für jedes Thema erstelle: Such-Überschrift (≤30 Zeichen), Beschreibung (≤90 Zeichen), Social-Überschrift (3-7 Wörter). Setze Limits serverseitig durch. Rendere PNG-Creatives in vier Hintergrundstilen mit Pillow; oranges Akzentwort, unser Wortzeichen. Beziehe dich auf meine hochgeladenen Marken-Werbebilder nach ihrem Stil, damit die Generierungen markenkonform bleiben.

Frage: „Jeder Produktlaunch braucht Positionierung, Landingpage-Texte, E-Mails, Sales Enablement und ein Videoskript. Erstelle mir einen Orchestrator, der ein Briefing nimmt und all das produziert."

Was gelandet ist:

• Ein Console-Hub, der ein einzelnes Produkt-Briefing entgegennimmt (Eingabefelder für: was wir ausgeliefert haben, für wen es ist, welche Veränderung es bewirkt, unterstützende Beweise)
• Der Orchestrator ruft vier Layer-3-Generatoren nacheinander auf: Landingpage, Videoskript, Werbe-E-Mail, Vergleichs-One-Pager
• Jeder Generator liest aus denselben Layer-1-Skills (Markenstimme, Design-Handbuch, Marketingstrategie), damit die Ausgaben über alle Assets hinweg konsistent sind
• Eine Asset-übergreifende Konsistenzprüfung am Ende (stimmt die Landingpage-Überschrift mit der E-Mail-Betreffzeile überein, passt der Video-Opener zur Positionierung auf der Vergleichsseite)
• Das vollständige Content-Paket ist als Markdown exportierbar, mit Assets in der konsistenten Reihenfolge: Briefing → Landingpage → Videoskript → E-Mail → Flyer

Zeit bis zur Auslieferung: drei Chat-Sitzungen: eine zum Erstellen jedes Layer-3-Generators, eine zum Erstellen des Orchestrators darüber.

Starter-Prompt:

Erstelle mir einen GTM-Orchestrator. Einzelnes Produktbrief-Input (was ausgeliefert wurde, für wen, welche Änderungen, Nachweis). Pipeline ruft vier Layer-3-Generatoren nacheinander auf: Landingpage-HTML, Videoskript-Markdown, Werbe-E-Mail-HTML, Vergleichs-Einseiter-HTML. Jeder liest aus denselben Layer-1-Skills (Markenstimme, Designhandbuch, Marketingstrategie). Nachdem alle vier gelaufen sind, führe eine Asset-übergreifende Konsistenzprüfung durch (Überschrift ↔ Betreffzeile ↔ Video-Opener ↔ Vergleichspositionierung). Gib ein einzelnes Paket aus; Exportreihenfolge ist Brief → Landing → Video → E-Mail → Flyer.

Frage: „Erstelle mir eine 11-stufige assistierte Langform-Artikel-Pipeline. Ich gebe ein Ziel-Keyword ein, der Agent erledigt die Arbeit, ich bearbeite in jeder Phase."

Was gelandet ist:

• Eine Konsolen-App, in der du ein Ziel-Keyword eingibst (oder den Agent bittest, eines über die integrierte Content-Gap-Analyse zu finden)
• 11 Phasen laufen nacheinander als Hintergrund-Jobs ab, die die Benutzeroberfläche abfragt: Keyword-Recherche, SERP-Abruf, AI Content Helper Themen-Snapshot, Gliederung in Stichpunkten mit vorgeschriebener Themenabdeckung, Platzierung von Datenerwähnungen, vollständiger Entwurf, Feinschliff, WordPress-Shortcode-Formatierung, .docx-Export
• Jede Phase zeigt ihre Ausgabe, hat ein „Bearbeiten"-Textfeld und einen „Mit Feedback verfeinern"-Chat, der die Phase mit deinen Notizen erneut ausführt
• Vibe-Bearbeitungsmodus: direkter Chat mit dem LLM über Gliederungen und Entwürfe, kein Copy-Paste
• Eigene Style Guides pro Autorenprofil, trainiert auf hochgeladenen Schreibproben
• Gebrandete Flussdiagramme, die in deinem Marken-Styling generiert werden

Zeit bis zur Veröffentlichung: ein paar Chat-Sitzungen, dann fortlaufende Ergänzungen, sobald die Bedürfnisse des Teams auftauchen.

Starter-Prompt:

Erstelle mir eine Pipeline für assistierte Langform-Artikel. Die atomare Eingabe ist ein Ziel-Keyword. Die Phasen laufen sequenziell als Hintergrund-Jobs, die die Benutzeroberfläche abfragt: (1) Keyword-Recherche über Ahrefs, (2) Abruf der Konkurrenz-SERP, (3) Themen-Snapshot vom AI Content Helper, (4) Gliederung in Stichpunkten mit vorgeschriebener Themenabdeckung, (5) Platzierung von Datenerwähnungen, (6) vollständiger Entwurf, (7) Feinschliff, (8) WordPress-Shortcode-Formatierung + .docx-Export. Jede Phase zeigt ihre Ausgabe, hat ein „Bearbeiten"-Textfeld und einen „Mit Feedback verfeinern"-Chat, der die Phase mit meinen Notizen erneut ausführt. Der Styleguide stammt aus einem Stimmprofil pro Autor.