Warum KI nur Unternehmen empfiehlt, die sie erkennt

Bitten Sie ChatGPT um die Empfehlung eines Tragwerksplanungsbüros für mehrgeschossige Holzbauten, oder fragen Sie Perplexity, welches technische Beratungsunternehmen die Zertifizierung von Druckbehältern in Nordeuropa übernimmt: In beiden Fällen muss das Modell etwas Konkretes leisten. Es wählt Namen aus allem, was es gelesen und für wiederholenswert befunden hat. Es kann kein Unternehmen empfehlen, das ihm nie als eigenständige, beschreibbare Einheit begegnet ist. Es kann nur empfehlen, was es erkennt.

Dieser Satz klingt selbstverständlich, bis man sich fragt, was "erkennen" von einem Dienstleistungsunternehmen tatsächlich verlangt, das über keine der Abkürzungen verfügt, die einem Hersteller physischer Produkte zur Verfügung stehen.

Ein Ingenieurbüro hat kein Datenblatt, auf das es sich stützen kann

Ein Hersteller, der ein physisches Produkt verkauft, hinterlässt dem Modell eine leicht verfolgbare Spur: ein Datenblatt, eine Artikelnummer, Bewertungen, die immer wieder dasselbe Modell nennen. Genau diese Wiederholung macht ein Produkt über hunderte unabhängige Texte hinweg erkennbar. Ein Ingenieurbüro oder ein Beratungsunternehmen verkauft fachliches Urteilsvermögen, keine Artikelnummer. Für "wir bringen eine Chemieanlage sicher durch eine komplexe Umweltprüfung" gibt es kein Datenblatt. Die einzige Spur, die ein solches Unternehmen hinterlassen kann, ist die schriftliche Beschreibung: was es getan hat, für wen, in welcher Branche, zur Lösung welcher Art von Problem, präzise genug formuliert, um in einer Antwort wiederverwendet werden zu können.

Die meisten Unternehmen der Branche verstehen das genau umgekehrt. Sie gehen davon aus, dass die Beschreibung auf der eigenen Website ausreicht, weil sie überhaupt existiert. Meistens stimmt das nicht.

Allgemeine Kompetenzformulierungen enthalten keine wiederverwendbare Information

Öffnen Sie die Seite "Über uns" oder "Leistungen" fast jedes technischen Beratungsunternehmens, und Sie finden eine Variante derselben drei Sätze: verlässlicher Partner, langjährige Erfahrung, maßgeschneiderte Lösungen für jeden Kunden. Das ist nicht unbedingt falsch. Es ist aber auch keine Information. Ein Modell kann "verlässlicher Partner" nicht als Antwort auf "Wer übernimmt X im Markt Y" wiedergeben, weil diese Formulierung weder sagt, was X ist, noch wo das Unternehmen tatsächlich gearbeitet hat.

Was ein Modell wiedergeben kann, ist ein Satz, der eine Leistung, eine Branche, eine Region oder eine Problemart so konkret benennt, dass er übernommen werden kann, ohne dass das Modell die Einzelheiten selbst erfinden muss. "Wir führen Tragwerksbewertungen an älteren Stahlbetonbrücken in Küstenregionen durch" gibt dem Modell etwas an die Hand. "Wir bieten Exzellenz im Bauingenieurwesen" tut das nicht, so wahr es auch sein mag.

Der Mechanismus dahinter ist wenig geheimnisvoll: Ein Sprachmodell antwortet, indem es auf Muster in gelesenen Texten zurückgreift, und je konkreter ein Text eine Organisation zusammen mit einer Kompetenz benennt, desto eher wird genau diese Verbindung wiederverwendet. Vage Formulierungen erzeugen kein brauchbares Muster, weil sie nichts sagen, was das Unternehmen von tausend anderen Seiten mit denselben drei Sätzen unterscheidet.

Ruf und schriftliche Präsenz im Web sind nicht dasselbe Kapital

In jeder technischen Branche gibt es Unternehmen, die unter Kolleginnen, Kollegen und Auftraggebern allein durch Empfehlung bekannt sind: der Name, der fällt, wenn eine Projektleiterin einen Kollegen fragt, wer ein ähnliches Projekt schon einmal übernommen hat. Dieser Ruf ist real, und oft ist er genau der Grund, warum das Unternehmen nie in eigene schriftliche Inhalte investiert hat.

Stellen Sie sich rein zur Veranschaulichung ein Tragwerksplanungsbüro mit solidem regionalem Ruf vor, der auf Empfehlungen beruht, und einer Website, die kaum mehr sagt als "verlässlicher Partner" und "langjährige Erfahrung". Stellen Sie sich nun ein kleineres, jüngeres Unternehmen in derselben Fachrichtung vor, das ausführliche Berichte über konkrete, abgeschlossene Projekte veröffentlicht hat, auf Fachkonferenzen aufgetreten ist, deren Vorträge auf der eigenen Website zusammengefasst wurden, und in einer Fachzeitschrift wegen einer ungewöhnlichen technischen Lösung erwähnt wurde. Das zweite Unternehmen ist dem Ruf nach weniger bekannt, wird aber eher von einem KI-Assistenten genannt, weil die Empfehlungsgespräche nie in einem Text gelandet sind, den ein Modell lesen kann, während die tatsächliche Arbeit des zweiten Unternehmens das getan hat.

Diese Asymmetrie löst sich nicht von selbst auf: Von Menschen geschätzt zu werden, die einen bereits kennen, ist ein anderes Kapital als für ein System beschreibbar zu sein, das nur liest, was öffentlich zugänglich ist.

Was "erkennbare Substanz" für ein Dienstleistungsunternehmen bedeutet

Für ein Ingenieur- oder Beratungsunternehmen entsteht dieses Material meist aus wenigen Quellen: Leistungen, die in konkreten Begriffen statt in Kategoriensprache beschrieben sind, ausdrücklich benannte Branchen oder Regelwerke, in denen das Unternehmen tatsächlich tätig ist, Fallstudien auf der eigenen Website, die ein reales, abgeschlossenes Projekt so präzise beschreiben, dass es sich von einem generischen Beispiel unterscheidet, Fachartikel unter dem eigenen Namen, Konferenzbeiträge, die schriftlich festgehalten und nicht nur aufgezeichnet wurden, sowie Erwähnungen in Fachzeitschriften oder Verzeichnissen von Berufsverbänden, die beschreiben, was das Unternehmen tut, statt lediglich seinen Namen aufzulisten.

Nichts davon erfordert einen glatten Marketingschliff. Eine Fallstudie, die wie ein nüchternes internes Projektprotokoll klingt, ist für ein Modell nützlicher als eine Version, die eine Werbetexterin in Absätze voller Adjektive umgeschrieben und dabei der fachlichen Substanz beraubt hat. Die Version, die eine KI-generierte Antwort übersteht, ist diejenige, in der Namen, Branchen und Problembeschreibungen erhalten bleiben.

Das lösen wir nicht, indem wir Ihre Inhalte "optimieren"

Uns ist wichtig, genau zu sagen, was PSentry hier tatsächlich leistet, denn gerade bei dieser Lücke wäre es leicht, mehr zu versprechen, als man halten kann. Wir schreiben Ihre Leistungsseiten nicht um, wir reichen nichts bei einem Modell ein, und wir nehmen keinen Einfluss darauf, was ChatGPT, Claude, Gemini oder Perplexity über Ihr Unternehmen sagen. Was wir tun: Wir führen Ihr Prompt-Set aus, also die Fragen, die ein Auftraggeber tatsächlich stellen würde, über alle beobachteten Plattformen hinweg, und berichten Ihnen, welche Unternehmen genannt werden, ob Ihres darunter ist und welche Wettbewerber stattdessen genannt werden.

Für ein Unternehmen, das von seinem soliden Ruf überzeugt ist, kann dieser Bericht das erste ehrliche Signal sein, dass sich Ruf und KI-Erkennbarkeit still auseinanderentwickelt haben. Was Sie daraus machen, konkretere Fallstudien veröffentlichen, Leistungen präziser benennen, bleibt Ihre Entscheidung. Messen und Korrigieren sind zwei unterschiedliche Aufgaben, und wir übernehmen nur die erste.

Dasselbe Problem, mehrsprachig betrachtet

Ein Ingenieur- oder Beratungsunternehmen, das in mehreren Exportmärkten tätig ist, übersetzt in der Regel seine Marketingseiten: die Startseite, die Leistungsübersicht, das Kontaktformular. Fachtexte übersetzt es dagegen selten, weil das gut gemacht teuer ist und dafür kaum jemand ein Budget einplant. Das Ergebnis ist ein Unternehmen, das in der eigenen Sprache beschreibbar wirkt und in fast jeder anderen Sprache, in der es tätig ist, nahezu unsichtbar bleibt, nicht aus Mangel an Erfahrung in diesen Märkten, sondern weil diese Erfahrung nie in dieser Sprache niedergeschrieben wurde.

Ein Modell, das eine auf Englisch gestellte Frage zu Beratungsunternehmen für Druckbehälter beantwortet, greift auf das englischsprachige Web zurück. Wenn Ihre Fallstudien und Fachartikel nur auf Deutsch existieren, steht diese Substanz für die englische Frage nicht zur Verfügung, unabhängig davon, wie viele Projekte Sie tatsächlich in englischsprachigen Märkten abgeschlossen haben. Das ist kein einmaliges Übersetzungsproblem, sondern eines, das für jede Sprache neu betrachtet werden muss: Die Lücke ist selten in jedem Markt gleich groß.

Eine Prüfung, die Sie selbst durchführen können

Öffnen Sie Ihre eigenen Leistungsseiten in der Sprache eines Marktes, in dem Sie tätig sind, und lesen Sie sie so, wie es ein Modell täte, das versucht, die Frage "Wer übernimmt X in diesem Land" zu beantworten. Zählen Sie, wie viele Sätze eine konkrete Leistung, eine Branche oder ein abgeschlossenes Projekt benennen, und wie viele austauschbar wären mit der Seite eines Wettbewerbers, würde man nur das Logo ersetzen. Überwiegt die zweite Gruppe, gibt diese Seite einem KI-Assistenten derzeit nichts, was er wiederverwenden könnte, wie gut die zugrunde liegende Arbeit auch sein mag. Wiederholen Sie die Übung anschließend für einen Markt, in dem Ihr Ruf schwächer ist: Die Inhaltslücke und die Reputationslücke decken sich selten so, wie man es erwarten würde.

Häufig gestellte Fragen

Braucht ein Unternehmen einen Blog, um für KI-Assistenten erkennbar zu sein?

Nicht zwingend einen Blog. Entscheidend ist, dass konkrete, überprüfbare Beschreibungen der tatsächlichen Arbeit des Unternehmens irgendwo öffentlich existieren: auf der eigenen Website, in einer Fachzeitschrift, einem Verzeichnis eines Berufsverbands oder einem Konferenzprogramm. Das Format zählt weniger als die Konkretheit.

Kann ein Unternehmen ohne veröffentlichte Inhalte trotzdem von einer KI genannt werden?

Ja, wenn andere ausreichend konkret über das Unternehmen geschrieben haben, etwa durch ausführliche Presseberichterstattung oder eine dokumentierte Branchenauszeichnung. Sich darauf zu verlassen, dass jemand anderes die eigene Arbeit beschreibt, ist jedoch eine schwächere Position, als es selbst zu tun, denn über die eigene Website haben Sie Kontrolle, über keine andere.

Ist das dasselbe Problem wie eine Marke, die als Entität gar nicht existiert?

Ein verwandtes, aber engeres Problem. Bei der Entitätserkennung geht es darum, ob ein Modell Ihre Organisation überhaupt als eigenständige Sache identifizieren kann. Hier geht es um etwas Spezifischeres für Dienstleistungsunternehmen: Selbst wenn ein Unternehmen bereits als Entität erkannt wird, gibt eine allgemeine Kompetenzsprache dem Modell nichts Konkretes an die Hand, wofür es das Unternehmen empfehlen könnte.

Sollten wir unsere bestehenden Fallstudien umschreiben?

Das ist eine inhaltliche Entscheidung des Unternehmens, keine, die wir für Sie treffen. Was wir Ihnen sagen können: ob Ihr Unternehmen bei den Fragen genannt wird, die Ihre Auftraggeber tatsächlich stellen, in welchen Märkten das nicht der Fall ist und welche Wettbewerber stattdessen genannt werden, damit Sie beurteilen können, ob sich eine Überarbeitung lohnt.

Verhalten sich alle beobachteten Plattformen hier gleich?

Nein. Perplexity ruft beim Antworten aktuelle Quellen ab und zitiert sie, sodass frisch veröffentlichte Inhalte schneller sichtbar werden können. ChatGPT, Claude und Gemini stützen sich stärker auf das, was sie während des Trainings aufgenommen haben, sodass neues Material länger braucht, um ihre Antworten zu verändern, und die Ergebnisse für dasselbe Unternehmen zwischen diesen beiden Plattformtypen abweichen können.

Wie häufig sollte man das prüfen?

Unsere Scans laufen zweimal im Monat, ein Rhythmus, der dazu passt, wie langsam Unternehmen ihre veröffentlichten Inhalte üblicherweise ändern und wie langsam Modelle neues Material aufnehmen. Häufiger zu prüfen, als sich der Inhalt selbst ändert, liefert keine nützlicheren Informationen.