Drei Wege, wie Ihre Marke in eine KI-Antwort gelangt

Ein Anbieter von Prüftechnik aus Süddeutschland tauchte im Februar in keiner unserer 40 Testfragen auf. Ende Mai in elf davon. Aber ausschließlich dann, wenn das Modell die Websuche benutzt hat: Ohne Websuche blieb die Trefferquote bei null. Das ist keine Messschwankung, sondern der Normalfall, und er erklärt, warum zwei Marketingteams über KI-Sichtbarkeit reden können, ohne dasselbe zu meinen.

Eine Marke kann auf drei getrennten Wegen in eine Antwort kommen

Wenn ChatGPT, Claude oder Perplexity in einer Antwort einen Anbieter nennt, ist das Ergebnis eines von drei Vorgängen. Erstens: Das Modell hat den Namen im Training gelernt und ruft ihn aus seinen Gewichten ab. Zweitens: Das Modell hat unmittelbar vor der Antwort Dokumente gesucht, geladen und daraus zitiert. Drittens: Der Name stand nicht in Ihrem eigenen Text, sondern in einer fremden Quelle, die auf einem der beiden ersten Wege ins Spiel kam.

Diese drei Wege haben unterschiedliche Vorlaufzeiten, unterschiedliche Hebel und unterschiedliche Ausfallrisiken. Wer sie in einen Topf wirft, misst Ergebnisse, die er nicht interpretieren kann.

Der praktische Schaden ist konkret. Ein Team schreibt zwölf neue Ratgeberseiten, sieht nach acht Wochen keine Veränderung im Modellwissen und erklärt das Thema für tot. Tatsächlich hätte es nie eine Veränderung im Modellwissen geben können, weil der nächste Trainingslauf noch nicht stattgefunden hatte. Der Retrieval-Effekt war da, aber niemand hat ihn getrennt gemessen.

Trainingswissen ist träge, unsichtbar und schwer zu korrigieren

Was ein Modell aus dem Training weiß, steckt in seinen Parametern. Es gibt keine Datenbankzeile, die man ändern könnte, keinen Index, aus dem man etwas löschen kann. Das Wissen ist über Milliarden Gewichte verteilt und lässt sich von außen weder einsehen noch gezielt anfassen.

Für Sie folgt daraus zweierlei. Erstens: Wenn eine Marke im Modellwissen sitzt, ist sie dort ziemlich robust. Sie verschwindet nicht, weil ein Server ausfällt oder ein Suchindex neu sortiert. Zweitens: Wenn eine veraltete oder falsche Information im Modellwissen sitzt, bekommen Sie sie so schnell nicht wieder heraus. Ein Firmensitz, der vor drei Jahren umgezogen ist. Eine Produktlinie, die eingestellt wurde. Ein Gründungsjahr, das aus einem falschen Wikipedia-Stand stammt.

Wir haben in Projekten gesehen, dass ein Modell auch nach zwei Versionswechseln noch dieselbe veraltete Angabe wiederholt, obwohl die aktuelle Information seit Jahren auf der Website steht. Warum, lässt sich von außen nicht klären. Wahrscheinlich, weil die alte Angabe in mehr Quellen steht als die neue.

Ihr einziger realistischer Hebel für den Trainingsweg ist Breite über Zeit: Die richtige Information muss an vielen Stellen im offenen Netz stehen, konsistent formuliert, über Jahre. Das ist Pressearbeit, Verzeichnispflege, Wikipedia-Hygiene und Fachpublikation. Es ist langsam. Es ist nicht messbar in Quartalen. Und wer Ihnen verspricht, Ihre Marke innerhalb von sechs Wochen ins Trainingswissen zu bringen, versteht den Mechanismus nicht.

Retrieval entscheidet sich in dem Moment, in dem die Frage gestellt wird

Der zweite Weg funktioniert völlig anders. Das Modell formuliert aus Ihrer Frage eine oder mehrere Suchanfragen, schickt sie an einen Index, bekommt eine Handvoll Ergebnisse zurück, lädt einige davon und schreibt die Antwort aus dem, was in diesen Dokumenten steht.

Das ist der Weg, auf dem sich am schnellsten etwas bewegen lässt. Aus der Projektarbeit: Eine neue Vergleichsseite, sauber strukturiert, auf einer Domain mit vorhandenem Suchmaschinenprofil, taucht typischerweise nach zwei bis sechs Wochen in KI-Antworten auf. Auf einer frischen Domain ohne Historie dauert es deutlich länger, in einem Fall haben wir vier Monate gemessen. Beides sind Beobachtungswerte aus einer zweistelligen Zahl von Projekten, keine Statistik.

Zwei technische Punkte entscheiden hier mit.

Der eine ist der Zugang. Für Retrieval sind andere Bots zuständig als für Training. OAI-SearchBot und ChatGPT-User bei OpenAI, Claude-User und Claude-SearchBot bei Anthropic, PerplexityBot bei Perplexity. Wer in der robots.txt pauschal alle KI-Bots aussperrt, um seine Inhalte vor dem Training zu schützen, blockiert damit oft auch die Abrufe, die überhaupt erst zu einer Nennung führen. Wie man das trennt, haben wir im Beitrag zu llms.txt und robots.txt beschrieben.

Der andere Punkt ist die Form. Ein Modell liest die abgerufenen Seiten nicht, es überfliegt sie unter Zeitdruck und mit begrenztem Kontextfenster. Eine Antwort, die im dritten Absatz unter einer Zwischenüberschrift beginnt und sich über fünf Sätze aufbaut, wird schlechter verarbeitet als dieselbe Antwort direkt unter der Überschrift, in zwei Sätzen, mit den relevanten Zahlen im Klartext. Das ist keine Stilfrage, sondern eine Frage der Extrahierbarkeit.

Der Preis der Geschwindigkeit ist Instabilität. Retrieval-Nennungen kommen und gehen. Dieselbe Frage kann am Montag Ihre Marke nennen und am Donnerstag nicht, weil das Modell andere Suchbegriffe gebildet oder andere Treffer bekommen hat. Wer aus einer einzelnen Abfrage einen Trend ableitet, misst Rauschen.

Der dritte Weg gehört Ihnen nicht

Die meisten Nennungen, die wir in Projekten sehen, stammen nicht aus der Website des genannten Unternehmens. Sie stammen aus einem Fachartikel, einem Vergleichsportal, einem Forenbeitrag, einer Herstellerliste eines Verbands, einem Reddit-Thread, einer Bachelorarbeit im Volltext.

Das ist der dritte Weg: Ihre Marke steht in einer fremden Quelle, und diese Quelle kommt entweder ins Training oder ins Retrieval. Streng genommen ist er also kein eigener Kanal, sondern ein Verstärker der beiden anderen. Wir behandeln ihn trotzdem getrennt, weil der Hebel ein anderer ist: Sie schreiben den Text nicht selbst.

Dieser Weg hat eine Eigenschaft, die die beiden anderen nicht haben. Er ist für den Nutzer sichtbar. Wenn Perplexity oder die ChatGPT-Suche Quellen anzeigt, steht dort nicht “aus dem Modellwissen”, sondern ein Domainname mit Link. Für Ihre Wahrnehmung ist es ein Unterschied, ob Ihre Marke als Behauptung im Fließtext auftaucht oder mit einer Fußnote auf ein Fachmedium.

Die unangenehme Seite: Sie kontrollieren diese Quellen nicht. Ein Vergleichsportal kann Sie morgen aus einer Liste nehmen. Ein Forenbeitrag kann eine drei Jahre alte Beschwerde sein, die das Modell als aktuellen Sachstand liest. Wir haben mehrfach erlebt, dass eine einzelne kritische Diskussion in einem Fachforum die Empfehlungshaltung eines Modells sichtbar verschoben hat, ohne dass irgendetwas an den Produkten passiert wäre.

Welcher Weg gerade greift, lässt sich in zwanzig Minuten prüfen

Sie brauchen dafür kein Werkzeug. Nehmen Sie zehn Fragen, die Ihre Kunden tatsächlich stellen würden, und stellen Sie jede zweimal.

Einmal in einer Umgebung ohne Websuche. Bei ChatGPT heißt das: Websuche deaktivieren oder ein Modell wählen, das nicht automatisch sucht. Bei Claude: die Websuche-Funktion abschalten. Was das Modell dann nennt, kommt aus dem Training. Einmal mit aktiver Websuche. Die Differenz zwischen beiden Läufen ist Ihr Retrieval-Anteil.

Prüfen Sie im zweiten Lauf zusätzlich, welche Domains als Quellen erscheinen. Steht Ihre eigene Domain dort, arbeiten Ihre Inhalte. Stehen ausschließlich fremde Domains, läuft Ihre Sichtbarkeit über den dritten Weg, und Ihre Website ist an dieser Stelle nicht relevant. Beides ist ein legitimes Ergebnis, führt aber zu völlig verschiedenen Maßnahmen.

Die Zeitangaben in dieser Tabelle sind Erfahrungswerte aus unserer Projektarbeit und keine Herstellerangaben. Sie können in Ihrem Markt deutlich abweichen, besonders in Nischen mit wenig Online-Inhalt.

Die häufigste Fehlallokation: alles Geld in den langsamsten Kanal

Viele Unternehmen investieren fast ausschließlich in eigene Inhalte auf der eigenen Domain und hoffen, damit gleichzeitig Training, Retrieval und Zitate zu bedienen. Das funktioniert für Retrieval ordentlich, für Zitate schwach und für Training kaum.

Unsere Position dazu: Wenn Sie ein begrenztes Budget haben, gehört der größere Teil in den dritten Weg. Ein Fachbeitrag in einem Medium, das ohnehin regelmäßig von Suchindizes erfasst und von Modellen zitiert wird, wirkt in unseren Messungen schneller und breiter als die fünfte Ratgeberseite auf der eigenen Domain. Das ist eine Einschätzung, keine belegte Regel, und sie gilt nicht für Unternehmen mit sehr starker eigener Domain.

Was in keinem Fall funktioniert: dieselbe Seite zwanzigmal leicht umformuliert zu veröffentlichen. Modelle bewerten Redundanz nicht positiv, und Retrieval-Systeme entfernen nahezu identische Treffer aus der Ergebnisliste, bevor das Modell sie überhaupt sieht.

Wo diese Disziplin an ihre Grenzen stößt

Wir können nicht in die Gewichte eines Modells schauen. Alles, was über Trainingswissen gesagt wird, ist von außen erschlossen, aus Antwortverhalten abgeleitet und im Einzelfall widerlegbar. Kein Anbieter veröffentlicht, welche Dokumente in welchem Trainingslauf gelandet sind.

Wir können auch nicht ausschließen, dass ein Modell eine Marke nennt, weil sie im Systemprompt eines Produkts steht, weil ein Anbieter eine Partnerschaft eingegangen ist oder weil eine nachgelagerte Filterschicht eingreift. Diese Fälle sind selten, aber sie existieren, und sie sehen von außen aus wie Modellwissen.

Und wir können den Erfolg nicht garantieren. Was wir tun können: die drei Wege sauber trennen, jeden einzeln messen und Maßnahmen dort einsetzen, wo sie im jeweiligen Mechanismus überhaupt wirken können. Das ist weniger, als manche Anbieter versprechen, und mehr, als die meisten Unternehmen heute tun.

Was das für Sie bedeutet

Fangen Sie mit der Trennung an, nicht mit Maßnahmen. Konkret für die nächsten zwei Wochen:

1. Legen Sie zehn Fragen fest, die Ihre Kunden vor einer Kaufentscheidung stellen. Nicht Ihre Keywords, sondern echte Sätze.
2. Stellen Sie jede Frage einmal mit und einmal ohne Websuche, in mindestens zwei Systemen. Notieren Sie in einer Tabelle: genannte Anbieter, angezeigte Quelldomains, Datum. Wie Sie daraus eine belastbare Kennzahl bauen, steht im Beitrag zum Share of Model.
3. Prüfen Sie in Ihrer robots.txt, ob die Such-Bots durchkommen. GPTBot betrifft das Training, OAI-SearchBot und ChatGPT-User das Retrieval. Wer beides blockiert, hat sich beide Wege zugemacht.
4. Sehen Sie sich die drei Fremdquellen an, die in Ihren Tests am häufigsten als Beleg auftauchen. Wenn Sie dort nicht oder falsch vertreten sind, ist das Ihre erste Maßnahme, nicht die nächste Landingpage.

Wiederholen Sie den Test nach acht Wochen mit denselben Fragen. Bewegt sich der Wert nur im Lauf mit Websuche, arbeitet Ihr Retrieval, und Sie sollten dort nachlegen. Bewegt sich nichts in beiden Läufen, liegt das Problem selten am Text und meistens daran, dass Sie außerhalb der eigenen Domain nicht stattfinden.