Agentic Visibility Engineer (m/w/d)

i22 ist über viele technologische Veränderungen hinweg gewachsen. Wir haben nie an einem festen Modell festgehalten. Stattdessen haben wir uns immer wieder neu angeschaut, was Unternehmen gerade wirklich brauchen.

Wir arbeiten selten auf der grünen Wiese. Unsere Projekte entstehen in gewachsenen Organisationen – mit bestehenden Systemen, Prozessen, Abhängigkeiten und Menschen, die damit arbeiten müssen. Genau darin liegt ein großer Teil unserer Arbeit: Wir blenden diese Komplexität nicht aus. Wir bauen Lösungen, die darin tatsächlich funktionieren. 

Das gilt für unser gesamtes Portfolio: Im AI Content Studio bauen wir Content-Systeme, die Marken skalierbar und konsistent halten. In Agentic Commerce & Transaction entwickeln wir, wie Kund:innen und ihre Agenten künftig kaufen. In AI Assistance & Customer Service lösen wir Servicefälle automatisiert und messbar. In Agentic Knowledge & Learning machen wir Wissen für Teams nutzbar. In Agentic Transformation klären wir, welche Prozesse und Strukturen die Veränderung tragen müssen.

Technologien verändern sich dabei ständig. AI gehört heute selbstverständlich dazu und ist für uns kein separates Spielfeld: Sie erweitert, wie wir analysieren, entwickeln und betreiben. Entscheidungen, Kontext und Verantwortung bleiben menschlich.

Unser Anspruch an die Arbeit selbst hat sich dabei kaum verändert. Ein gutes Konzept reicht nicht, wenn es sich nicht umsetzen lässt. Ein Go-Live reicht nicht, wenn das System danach nicht trägt. Deshalb denken wir in drei Phasen:

• Design / Discovery: Wir klären, was wirklich gebraucht wird.
• Build: Wir bauen, was unter realen Bedingungen funktioniert.
• Operate: Wir verantworten, was danach passiert.

Design
Du misst für die wichtigsten Kaufsituationen der Kunden unserer Kunden, ob sie in ChatGPT, Gemini, Perplexity und Copilot genannt, empfohlen und korrekt beschrieben werden – im Vergleich zu drei Wettbewerbern. Die Kaufsituationen legst du mit Vertrieb und Marketing des Kunden fest.
Du ermittelst die Baseline für KI-Referral-Traffic, findest die Ursachen – Technik, Daten, Content, Drittquellen, Markenkonsistenz – und priorisierst Maßnahmen nach Wirkung und Aufwand.

Build
Du setzt um, was ein Kunde braucht, um verstanden zu werden: schema.org/JSON-LD für Produkte, Angebote, Varianten und Policies; Rendering, robots.txt, Bot-Politik, llms.txt – mit Logfile-Analyse, welche AI Crawler was lesen; Onboarding in die Merchant Programme; Mess-Setup für KI-Referrals. Bei erklärungsbedürftigen Produkten entwirfst du mit unserem Content Team die Struktur, mit der Kompatibilitäten und Normen zitierfähig werden.
Umgesetzt wird im Shop- und CMS-Stack des Kunden – selbst oder mit unseren Frontend Engineers. Aus jedem Fall entstehen Markup-Templates und Programm-Playbooks, die wir wiederverwenden.

Operate
Sichtbarkeit in AI Systemen ändert sich jede Woche. Du misst laufend Share of Voice, Korrektheit, Wettbewerber und KI-Referrals, erkennst Einbrüche und Falschdarstellungen, findest die Ursache – Modell-Update, abgelaufener Feed, geänderte Policy – und behebst Fehler in Markup, Zugängen und Programm-Konten.

• Die Methodik hinter Agentic Visibility: Messverfahren, Prompt-Sets, Scorecard, Ursachen-Playbook. Sie gehört ab dem ersten Tag dir.

• Den Weg von der Analyse zur Maßnahme – und den Nachweis der Wirkung gegen die Baseline.

• Unsere wiederverwendbaren Standards: Markup-Templates, Programm-Playbooks, Mess-Setup, Tool-Stack.

• Unsere ersten Beweisfälle, angefangen mit i22.de.

• Perspektive: die Angebotsverantwortung für Agentic Visibility – Leistungsbeschreibung, Pricing, Vertriebsunterstützung – nach der Einarbeitung.

Du entscheidest innerhalb unserer technischen Standards über Messmethoden, Lösungswege und Tools – und darüber, wann eine Messung belastbar ist. LLM Antworten sind nicht deterministisch: Wo Plattformverhalten oder Protokolle noch nicht stabil sind, machst du Annahmen und Grenzen explizit, statt Scheingenauigkeit zu produzieren.

Nicht bei dir: Produktdaten bereinigen (eigenes Datenprojekt), Content in Menge (unser Content Studio), Angebots- und Preisentscheidungen (Angebots-Owner, mit dir am Tisch).

• Strukturierte Daten hands-on: schema.org/JSON-LD und Produktdaten-Feeds (Attribute, Varianten, GTIN) selbst gebaut, validiert, debuggt.

• Crawling, Rendering, Zugang: Du erkennst, warum ein Crawler eine Seite nicht liest, und weißt, was zu tun ist.

• Messung mit Web Analytics (z. B. GA4, Matomo): Du hast Sichtbarkeit messbar verbessert und die Wirkung nachgewiesen – nicht mit Rankings allein.

• LLM Retrieval verstanden: Du kannst erklären, wie ChatGPT oder Perplexity zu ihren Antworten kommen, und hast dich im letzten Jahr praktisch damit beschäftigt – eigene Tests, ein Projekt, ein Tool. Die Tiefe bauen wir gemeinsam auf.

• Code-Ebene: Templates lesen, JSON-LD schreiben, Rendering prüfen, Messungen gegen LLM- und Tool-APIs skripten (z. B. Python) – und eine Änderung so spezifizieren, dass ein Frontend Engineer sie ohne Rückfrage baut.

• Befunde für Marketing- und E-Commerce-Verantwortliche verständlich machen – auf Deutsch.

• Die Merchant Programme von OpenAI, Google, Perplexity und Microsoft im Detail.

• Unser Methodenbaukasten: Prompt-Bibliotheken, Scorecard, Ursachen-Playbook – und die laufenden Fälle, an denen er entsteht.

• Visibility Tools für die LLM-Messung – du wählst sie mit aus.

• Workshop-Moderation und Management-Präsentation – mit dem Service Lead, der die Kundengespräche führt.

• Agentic Commerce Protokolle (UCP, ACP, MCP) und angrenzende Capabilities: agentenfähige Produktdaten, Transaktionsstrecken, Checkout für Agenten.

Das ist unsere Rolle. Wir stehen mit unserem Job Statement dafür ein.
Wenn du sie mit uns übernehmen willst, möchten wir deinen Blick darauf sehen: Warum diese Rolle, welche Herausforderungen siehst du darin – und was fällt dir an dieser Anzeige auf, das wir übersehen haben?

Zeig uns einen Fall, in dem du Sichtbarkeit oder Auffindbarkeit nicht nur analysiert, sondern messbar verbessert hast – aus technischem SEO, Search Engineering oder Web Analytics, ein LLM-Fall ist keine Voraussetzung:

• Was war die technische Ursache? 

• Welche Entscheidung lag bei dir?

• Was hast du verändert und wie hast du die Wirkung nachgewiesen?

Und in wenigen Sätzen: Wie würdest du messen, ob ChatGPT einen Händler für eine konkrete Kaufsituation empfiehlt – und was ist daran schwierig?

Schick uns gern deinen Lebenslauf, aber lies ihn uns im Professional Statement nicht noch einmal vor.