---
name: av-gap-strategist
description: Übersetzt in Kapitel B des KI-Sichtbarkeits-Gap-Assessments (frueher ARD-Audit) die Soll-Ist-Lücken je Achse in priorisierte, quick-win-sortierte Maßnahmen samt Projektion.
---

> **EVN:** Übersetzt die Lücken der Eigenschaften (Stellhebel) in Maßnahmen, die den Vorteil **Sichtbarkeit** und damit den Nutzen **Auffindbarkeit** heben.

# av-gap-strategist — Maßnahmen-Stratege (Kapitel B)

ZWECK: Kapitel B des Assessments. Übersetzt die Lücken je Achse in konkrete, PRIORISIERTE Maßnahmen. **Benchmark-Referenz ist der Peer-Median des Wettbewerbsfelds plus Leader-Overlay** (bester Anbieter je Achse) — es gibt **KEIN generisches Soll-/Zukunfts-Zielbild-Polygon** (das frühere Zielbild-2027-Konzept ist abgeschafft) und keine Projektions-Kurve als Ergebnisversprechen.

Jede Maßnahme wird als **90-Tage-Hypothese** formuliert, nicht als Ergebnis-Zusage:
- **(a) Erwarteter Beitrag** — welcher Beitrag zur Achse plausibel ist. Immer als Hypothese ausgewiesen, nie als Versprechen (keine Ranking-/Traffic-/Citation-/Revenue-Garantien — av-guardrails).
- **(b) Messplan** — welches Signal die Wirkung zeigen soll (z. B. Mention Rate, Citation Rate, GSC-Klicks, Achsen-Score) und wann es gemessen wird (typisch: nach dem 90-Tage-Fenster).
- **(c) Validierung beim Re-Audit** — die Hypothese wird beim nächsten Lauf gegen die tatsächliche Messung gehalten und offen als bestätigt / nicht bestätigt ausgewiesen.

Priorisierungslogik — QUICK WINS ZUERST: je Maßnahme Impact/Effort-Quotient = `gap_closed / Aufwandsgewicht` (gering 1.0 / mittel 2.0 / hoch 3.5); Sortierung nach diesem Quick-Win-Score absteigend.

## Wann nutzen

- Wenn ein KI-Sichtbarkeits-Gap-Assessment gelaufen ist und aus den bewerteten Achsen-Lücken ein Maßnahmenplan entstehen soll.
- Wenn der Maßnahmen-Teil (Kapitel B) des Audit-Reports neu erzeugt oder die Stufe optimiert/kalibriert werden soll.

## Code & Artefakt

- Code: `~/audit-app/ai-visibility-audit/src/measures.py`, Funktion `build_measure_plan`, Default-Prompt `_MEASURE_PROMPT`.
- Je Maßnahme im Output:
  - `title` — kurzer Maßnahmen-Titel
  - `detail` — 1–2 Sätze zur Umsetzung
  - `axis_key` — adressierte Achse
  - `effort` — `gering` | `mittel` | `hoch`
  - `gap_closed` — 0–100 (erwarteter Beitrag zur Achse als **Hypothese**, kein Versprechen; der Code deckelt auf die tatsächliche Lücke)
- Maximal 8 Maßnahmen.

OPTIMIERBARER PROMPT: `~/audit-app/prompts/av-gap-strategist.active.txt`, geladen via `prompt_store.get_prompt("av-gap-strategist", _MEASURE_PROMPT)`.
- Platzhalter: `{gaps}`, `{reasons}` — bei jeder Optimierung erhalten.
- JSON-Ausgabeschema beibehalten:
  `{"measures":[{title,detail,axis_key,effort,gap_closed}]}`
- Vorgabe „max 8 Maßnahmen" beibehalten.

## Diagnose vs. Maßnahmen — Connected-Daten-Kommentar (steht die Maßnahme für sich?)

Der Cold Audit ist **stark in der Diagnose** (zeigt directional zuverlässig, *dass* eine Lücke besteht), aber **schwach in der Priorisierung**. Jede Maßnahme wird daher klassifiziert — `standalone` oder `connected_recommended`:

- **Single Source of Truth:** `connected_dependency(axis_key, confidence, kind, success_metric)` in `~/audit-app/ai-visibility-audit/src/measures.py`. Wird beim Audit gesetzt (persistiert in `data_dependency` + `connected_caveat`) UND als Render-Fallback in `report_v2.py` für Alt-Reports genutzt.
- **Hybrid-Mechanismus:** Die Achse trägt die Daten-Quelle (`method_config.json` → `dimensions[].connected_data` mit `source`/`metric_hint`/`value`); OB der Kommentar erscheint, entscheidet eine Regel.
- **Trigger (OR):** (1) Achsen-Confidence ∈ {B, C} · (2) Achsen-`kind` ∈ {directional, response} · (3) `success_metric` matcht First-Party-Keywords (conversion, CTR, Klick, Impression, Position, Umsatz, …).
- **Standalone-Achsen ohne `connected_data`:** `technical_discoverability`, `evidence_trust` — crawl-deterministisch, stehen IMMER für sich (Badge „✓ ohne Datenanbindung belastbar"). Eine First-Party-Metrik allein triggert hier NICHT (keine Quelle hinterlegt).
- **Connected-Achsen:** `organic_search_reach` (GSC), `ai_answer_presence` (GSC-AI), `actionability_agentic` (GA4), `content_journey_coverage` (GA4+Ads), `offer_entity_clarity` (GBP) → Kommentar „🔌 Mit Kundendaten schärfer beurteilbar: …".
- **Ehrliche Linie (av-guardrails):** Der Kommentar verkauft nicht das Connected Audit, sondern macht transparent, dass Cold die *Handlungsnotwendigkeit* belastbar diagnostiziert und die *Priorisierung* der datenabhängigen Maßnahmen erst mit First-Party-Daten belegt wird (Funnel-Logik). Keine Garantien — auch nicht mit Daten.

### Rangfolge: welche der 7 Dimensionen die Anbindung am ehesten braucht
Gereiht nach Grenznutzen (wie weit ersetzt die Quelle eine *geschätzte* durch eine *gemessene* Aussage, und sitzt die Achse im geldwert-kritischen Maßnahmen-Teil §0b):

| # | Dimension | Bedarf | Quelle · Begründung |
|---|---|---|---|
| 1 | `actionability_agentic` | **HOCH** | GA4 — ob ein realer Conversion-/Handlungspfad trägt & welcher Euro-Wert je Quelle dranhängt; Erfolgsmetrik rein First-Party → höchster Grenznutzen. |
| 2 | `organic_search_reach` | **HOCH** | GSC — echte Klicks/CTR/Position je Query statt directionaler SERP-Stichprobe; Kernzahlen liegen ausschließlich in GSC. |
| 3 | `content_journey_coverage` | MITTEL | GA4+Ads — reale Funnel-Abbrüche, konvertierender Intent & CPC-Geschäftswert; macht Struktur-Lücken geldwert-priorisierbar. |
| 4 | `ai_answer_presence` | MITTEL | GSC-AI — schärft die per Test-Prompts schon belastbare Linse um die „rankt-aber-nicht-zitiert"-Lücke; additiv, nicht konstitutiv. |
| 5 | `offer_entity_clarity` | MITTEL·bedingt | GBP — lokale Sichtbarkeit/Bewertungen/Map-Pack; Mehrwert v. a. bei lokalen Geschäften, sonst gering (kontextabhängig). |
| 6 | `evidence_trust` | **KEINER** | — Autorschaft, Quellen, Aktualität, Transparenz sind on-page/öffentlich; Cold voll belastbar. |
| 7 | `technical_discoverability` | **KEINER** | — Crawl/Render/Index/Schema sind crawl-deterministisch & ohne Kundendaten abschließend prüfbar. |

Lesart: **HOCH** = Cold bleibt ohne Daten geschätzt/„directional" → Anbindung ersetzt durch Messung · MITTEL = Cold liefert belastbare Grundaussage, Daten schärfen sie · **KEINER** = crawl-deterministisch. Spiegelt sich in den Per-Maßnahme-Markern (🔌 vs. ✓) und ist öffentlich dokumentiert unter `audit.phibel.app/method-data-connected.html#sec4`.

## Eval-Signal (gap_coverage)

- Signal `gap_coverage` im Bereich 0..1.
- Definition: Anteil der GROSSEN Lücken (gap > 10 Punkte), die von mindestens einer Maßnahme adressiert werden.
- Interpretation: Hohe Abdeckung = der Stratege trifft die größten Probleme, statt Nebenschauplätze zu bespielen.
- Berechnung in `~/audit-app/ai-visibility-audit/src/skill_signals.py`, geloggt nach `skill-runs.jsonl` + DB.

## Optimierung (Modus c, Vorschlag-only)

- Policy: prompt-tragend, aber NICHT MEASURABLE.
- `av-eval-calibrator` generiert verbesserte Prompt-Varianten ausschließlich als CHANGE-BOARD-VORSCHLAG — KEIN Auto-Apply.
- Grund: Ein echter A/B-Test bräuchte erneut Gap-Daten + ein Urteil; das fällt nicht gratis als Ground-Truth ab.
- Zielwert: `gap_coverage` ≥ 0.75.

## Rubrik (Quick Wins zuerst)

Gute Maßnahmenpläne:
- schließen die größten Lücken zuerst (Quick-Win-Score korrekt angewendet);
- schätzen den Aufwand ehrlich ein — nicht alles als „gering" markieren;
- halten `gap_closed` realistisch — nicht über die tatsächliche Lücke hinaus (der Code deckelt darauf);
- formulieren `detail` konkret und umsetzbar;
- stellen wo vorhanden Bezug zur Website-Begründung (`reasons`) her.

Typische Fehler:
- vage, unspezifische Maßnahmen;
- Aufwand systematisch unterschätzt;
- große Lücken ignoriert zugunsten von Nebenschauplätzen.

## Verwandte Skills

- Upstream: `av-website-scorer` / Gap Assessment liefert die bewerteten Achsen-Lücken (`{gaps}`, `{reasons}`).
- Output an: `av-report-narrator` (verarbeitet den Maßnahmenplan in den Report).
- Optimierer: `av-eval-calibrator` (Vorschlag-only, Modus c).

done

Stand: 2026-07-10 (Feedback-Rework v2.1)