Wie KI-Assistenten entscheiden, welche Firmen sie empfehlen

Die vier Stufen zwischen Prompt und Firmenname

Ein Prompt wie „Wen nehme ich für den Ladenbau in Hamburg?“ ist keine Suchanfrage. Bevor überhaupt etwas abgerufen wird, entscheidet der Assistent, ob er das Web braucht, und weitet die Anfrage dann zu mehreren konkreten Suchen aus — typischerweise eine Mischung aus Kategoriebegriffen, Ortsangaben und Absichtswörtern wie „beste“, „Bewertungen“ oder „Vergleich“. OpenAI beschreibt ChatGPT search als Kombination des Modells mit Informationen aus dem Web, inklusive Links zu den Quellen, statt einer Antwort rein aus Trainingsdaten (OpenAI).

Das Retrieval liefert eine Kandidatenmenge: meist einige Dutzend URLs, von denen nur eine Handvoll in den Arbeitskontext passt. Diese werden gefiltert — manche Quellen gelten für kommerzielle Aussagen als belastbar, manche werden ignoriert, manche fallen weg, weil der Betreiber den Crawler blockiert hat. Die Websuche für Claude etwa liefert Antworten mit Zitaten auf die verwendeten Seiten (Anthropic) — die Quellen sind also tragend und überprüfbar.

Dann folgt der Schritt, an den kaum ein Unternehmen denkt: die Entitätsauflösung. Der Assistent muss entscheiden, dass „Nordtor Interiors“, „Nordtor Interiors GmbH“ und der nicht namentlich genannte Ausbaubetrieb aus einem Fachartikel dieselbe Firma sind — oder eben nicht. Zum Schluss die Synthese: Das Modell schreibt zwei bis fünf Namen in Prosa, in einer Reihenfolge, die davon abhängt, wie deutlich und wie einheitlich jeder Kandidat in den abgerufenen Belegen auftauchte.

Jede Stufe ist ein Filter. Sie können crawlbar sein, gute Bewertungen haben und objektiv die beste Wahl sein — und trotzdem an der Entitätsauflösung scheitern. Herauszufinden, welcher Filter Sie aussortiert hat, bringt mehr als jeder allgemeine Ratschlag zum Thema „für KI optimieren“.

• placeholder
• x
• Stufenfilter
• :

Stufe 1: Retrieval — erst abrufbar, dann findbar

Wenn der Abruf scheitert, ist alles Weitere irrelevant. Jeder Assistent nutzt eigene Crawler und einen eigenen Index, und jeder veröffentlicht die beteiligten User Agents: OpenAI dokumentiert OAI-SearchBot für die Darstellung von Seiten in ChatGPT search und daneben GPTBot für das Training (OpenAI) — den einen zu blockieren ist nicht dasselbe wie den anderen zu blockieren. Eine robots.txt, die 2023 geschrieben wurde, um KI-Training zu verhindern, sperrt häufig auch den Such-Bot aus. Ein selbst verschuldeter Ausschluss, den kein Content-Projekt der Welt heilt.

Der Index hinter dem Assistenten wiegt genauso schwer. Google erklärt, dass die KI-Funktionen in der Suche auf denselben Systemen und derselben Indexierung wie die Suche selbst aufbauen und dieselben Search-Essentials-Vorgaben gelten (Google Search Central). Microsoft Copilot erbt den Bing-Index, weshalb die Bing-Webmaster-Richtlinien zu Crawlbarkeit, kanonischen URLs und Inhaltsqualität das maßgebliche Regelwerk sind (Bing Webmaster Guidelines). Perplexity betreibt ein eigenes Retrieval, zitiert Quellen direkt im Text und hat über sein Publishers Program kommerzielle Beziehungen zu Verlagen aufgebaut (Perplexity).

Bleibt das Vokabularproblem. Assistenten suchen in der Sprache der Nutzer, nicht in der Sprache Ihres Marketings. Wer sich als Anbieter „integrierter Arbeitsplatzlösungen“ beschreibt, ist für eine Suchausweitung nach „Ladenbau Firma Hamburg“, „Innenausbau Unternehmen gewerblich“ und „beste Ausbaufirmen Büro“ unsichtbar. Klare Kategoriebegriffe auf Ihren Leistungsseiten — in genau den Worten, die Kaufinteressenten benutzen — machen eine Seite für die Anfragen abrufbar, die tatsächlich gestellt werden.

Was Sie hier steuern: Crawler-Zugriff, Indexierbarkeit einzelner Seiten, Aktualität der wichtigen Seiten und die Frage, ob Ihre Begriffe zu den Suchformulierungen passen, die ein Assistent wahrscheinlich erzeugt.

Stufe 2: Quellenvertrauen — die Shortlist entsteht meist auf fremden Seiten

Abgerufene Dokumente sind nicht gleichwertig. Assistenten stützen sich stark auf Seiten, die wie unabhängige Einschätzungen wirken — Verzeichnisse, Bewertungsplattformen, Fachpresse, Vergleichsartikel, Mitgliederlisten von Verbänden, Marktplatzprofile. Denn genau dort stehen Listen konkurrierender Optionen. Die eigene Website ist hervorragend, um Details zu bestätigen, und völlig untauglich als Beweis für Überlegenheit; „wir sind der führende Anbieter“ ist eine Aussage, die das Modell gelernt hat abzuwerten.

Deshalb steht die faktische Shortlist oft schon fest, bevor Ihre Website überhaupt gelesen wird. Wenn fünf Übersichtsartikel zu Ihrer Kategorie acht Firmen nennen und Sie in keinem davon vorkommen, besteht die Kandidatenmenge des Assistenten aus diesen acht. Ihre Seite wird dann höchstens abgerufen, um einen bereits genannten Namen anzureichern — oder gar nicht. Diese Asymmetrie ist unbequem, aber handhabbar: Eine Zeile in den Seiten zu bekommen, die bereits für „beste X in Y“ ranken, bringt mehr als die nächste Überarbeitung der Startseite.

Einheitlichkeit über Quellen hinweg wirkt als zweites Vertrauenssignal. Wenn sechs unabhängige Seiten Sie gleich beschreiben — dieselbe Spezialisierung, dieselbe Stadt, dieselbe Kundengröße —, behandelt das Modell diese Beschreibung als gesicherte Tatsache. Widersprechen sie sich, relativiert das Modell — und relativierte Entitäten fallen aus kurzen Antworten heraus, weil ihre Erklärung Wörter kostet.

Aktualität zählt mehr, als die meisten Teams erwarten. Bei kommerziellen Fragen bevorzugen Assistenten Dokumente mit aktuellem Datum, deshalb ist ein Verzeichniseintrag von 2019 mit toter Telefonnummer schlechter als kein Eintrag. Zu prüfen, wo Sie auftauchen, und veraltete Profile korrigieren zu lassen, ist unspektakuläre Arbeit mit direkter Wirkung auf das Retrieval. Die Messseite davon behandeln wir unter AI Visibility.

• Seiten, die Shortlists erzeugen: Kategorieübersichten, „Beste“-Listen, Vergleichs- und Alternativen-Artikel, Bewertungsplattformen, Branchenverzeichnisse und Verbandsregister.
• Seiten, die Details bestätigen: Ihre Leistungsseiten, Preisseite, Referenzen, Über-uns-Seite und strukturierte Daten.
• Seiten, die Ihnen schaden: veraltete Profile mit falschen Kontaktdaten, verwaiste Doppeleinträge und Seiten zu einer Leistung, die Sie nicht mehr anbieten.

Stufe 3: Entitätsauflösung — ein Unternehmen, unmissverständlich

Das Modell hat nun einen Stapel Nennungen und muss ihn zu Entitäten verdichten. Hier entstehen stille Verluste durch fast identische Namen, Umbenennungen, Mehrstandortbetriebe und Holdingstrukturen. Wenn sich die Belege für Ihr Unternehmen auf drei halbfertige Identitäten verteilen, wirkt keine der drei stark genug für eine Empfehlung — obwohl die Summe es wäre.

Maschinenlesbare Identität ist die günstigste Reparatur, die es gibt. Googles Dokumentation zu strukturierten Daten für lokale Unternehmen benennt die Eigenschaften, die einen physischen Betrieb beschreiben — Name, Adresse, Telefon, Öffnungszeiten, Geokoordinaten, Preisniveau (Google Search Central) — und die Eigenschaft sameAs von Schema.org existiert genau dafür, Ihre Seite mit den kanonischen Referenzen derselben Entität zu verknüpfen, etwa einem offiziellen Profil oder einem Wissensdatenbank-Eintrag (Schema.org). Wer das ausfüllt, gibt jedem Crawler dieselbe eindeutige Auskunft darüber, wer er ist.

Der Rest ist Disziplin. Verwenden Sie überall dasselbe Muster aus Firmen- und Markenname. Halten Sie dieselben Kategoriebegriffe im Title-Tag, in Verzeichnisprofilen und in der LinkedIn-Beschreibung durch. Sorgen Sie dafür, dass Adresse und Telefonnummer in fremden Einträgen zeichengenau mit Ihrer Website übereinstimmen. Bei mehreren Standorten bekommt jeder eine eigene indexierbare Seite mit eigenen strukturierten Daten — nicht eine einzige Seite mit Dropdown.

Assistenten lösen Entitäten außerdem über Ko-Vorkommen auf: über Marken, Technologien, Zertifizierungen und Kundentypen, die in der Nähe Ihres Namens stehen. Wenn in den abgerufenen Belegen nichts Sie mit der konkret gefragten Leistung verbindet, werden Sie als generisches Unternehmen Ihrer Branche aufgelöst — abrufbar, aber nie die Antwort auf eine spezifische Frage.

Stufe 4: Synthese — wie aus einer Shortlist ein Satz wird

Bei der Synthese hat das Modell vielleicht 5.000 bis 20.000 Wörter abgerufenen Text vor sich und muss 120 daraus machen. Die Verdichtung entscheidet alles. Kandidaten mit ausdrücklichen, zitierfähigen Aussagen überleben; Kandidaten, die eine Schlussfolgerung erfordern, fallen weg — dem Modell fehlt der Platz zum Argumentieren.

Die Position im abgerufenen Kontext hat messbare Wirkung. Liu und Kollegen haben gezeigt, dass Sprachmodelle Informationen am besten nutzen, wenn sie am Anfang oder am Ende einer langen Eingabe stehen, während die Genauigkeit deutlich sinkt, sobald die relevante Passage in der Mitte liegt (Liu et al., „Lost in the Middle“). Praktisch belohnt das Struktur: Eine Aussage im ersten Satz eines Abschnitts oder in einer klar beschrifteten Vergleichstabelle übersteht die Verdichtung viel wahrscheinlicher als dieselbe Aussage in Absatz neun.

Auch die Form der Antwort folgt der Form ihrer Quellen. Sind die abgerufenen Dokumente Vergleichsartikel, bekommen Sie einen Vergleich. Sind es Bewertungsseiten, bekommen Sie Stimmungsbilder. Hat eine Quelle einen Markt bereits als „drei Enterprise-Optionen und zwei günstige Optionen“ gerahmt, reproduziert der Assistent dieses Raster meist und setzt Namen darin ein. Wer den Rahmen schreibt, der abgerufen wird, hat mehr Einfluss als der beste Werbetexter.

Und schließlich braucht das Modell einen Grund, Sie zu nennen. „Geeignet für regulierte Branchen dank ISO-27001-Zertifizierung“ ist ein Satz, den der Assistent übernehmen und verteidigen kann. „Ausgezeichnet und kundenorientiert“ nicht. Veröffentlichen Sie die konkreten, überprüfbaren Merkmale, nach denen Einkäufer filtern — Branche, Auftragsgröße, Region, Compliance, Schnittstellen, Lieferzeit. Das sind die Unterscheidungsmerkmale, die Sie zitierfähig machen.

Warum derselbe Prompt bei jedem Assistenten andere Antworten liefert

Die Abweichung ist strukturell, nicht zufällig. Copilot antwortet aus dem Bing-Index; die KI-Funktionen von Gemini laufen auf Googles Suchsystemen und Indexierung (Google Search Central); Perplexity ruft über den eigenen Stack ab und zitiert im Text; Claude durchsucht das Web und hängt Zitate an die daraus abgeleiteten Aussagen (Anthropic); ChatGPT search verbindet das Modell mit Web-Informationen und verlinkt nach außen (OpenAI). Unterschiedliche Indizes enthalten unterschiedliche Dokumente, aktualisiert in unterschiedlichen Zyklen. Gleiche Frage, andere Belege.

Darüber liegen vier weitere Quellen von Varianz. Die Suchausweitung unterscheidet sich, also werden andere Suchen tatsächlich ausgeführt. Sampling macht die Generierung nicht deterministisch, derselbe Assistent kann zweimal hintereinander eine andere Reihenfolge liefern. Lokalisierung verschiebt Ergebnisse nach vermutetem Land und Ort. Und Personalisierung — Chatverlauf oder Memory-Funktionen — kann die Antworten eines Nutzers in Richtung bereits besprochener Marken verzerren.

Die operative Konsequenz: Eine einzelne Stichprobe sagt so gut wie nichts. Um zu wissen, ob Sie empfohlen werden, brauchen Sie denselben Satz kaufnaher Prompts, wiederholt ausgeführt, über mehrere Assistenten, aus den Regionen, in die Sie verkaufen, und jedes Mal mit erfassten Quellenangaben. Genau das macht Growli: Wir verfolgen Nennungen, Vergleiche und Empfehlungen pro Assistent, zeigen, aus welchen Quellen die Antworten gebaut wurden, und übersetzen die Lücken in eine priorisierte Liste von Maßnahmen — siehe So funktioniert es.

Die Diagnose folgt denselben vier Stufen. Nirgends abgerufen? Verdacht auf Crawler-Zugriff oder falsches Vokabular. Abgerufen, aber nie genannt? Verdacht auf Quellenvertrauen oder unklare Entität. Genannt, aber falsch beschrieben? Dann gewinnt eine konkrete veraltete Quelle — und die lässt sich aus den Zitaten identifizieren.

Was Sie Stufe für Stufe wirklich beeinflussen können

Fast nichts in dieser Pipeline reagiert auf Überzeugungsarbeit, fast alles auf Belege. Die Arbeit lässt sich sauber nach Stufen trennen — und es lohnt sich, sie in dieser Reihenfolge zu erledigen statt alles gleichzeitig.

Beim Retrieval sind die Hebel technisch und sprachlich: die gewünschten Such-Crawler zulassen (mit Blick auf die dokumentierten User Agents jeder Plattform), wichtige kommerzielle Seiten indexierbar und aktuell halten und die schlichten Kategoriebegriffe verwenden, die Ihre Kunden eintippen. Beim Quellenvertrauen sind die Hebel extern: in die Übersichten und Verzeichnisse kommen, die für Ihre Kategorie-Prompts schon ranken, veraltete Profile korrigieren und dafür sorgen, dass unabhängige Beschreibungen von Ihnen übereinstimmen.

Bei der Entitätsauflösung sind die Hebel strukturell: ein Namensmuster, überall identische Kontaktdaten, strukturierte Daten als LocalBusiness oder Organization und sameAs-Verweise auf Ihre kanonischen Profile. Bei der Synthese sind die Hebel redaktionell: qualifizierende Fakten in den ersten Satz eines Abschnitts, vergleichsförmige Inhalte mit Tabellen und überprüfbare Unterscheidungsmerkmale, die das Modell ohne Risiko zitieren kann.

Nichts davon ist ein Trick, und nichts davon hält für immer. Indizes werden aktualisiert, Wettbewerber veröffentlichen, und Assistenten ändern ihr Retrieval-Verhalten ohne Ankündigung — deshalb zählt die Messschleife genauso viel wie die Maßnahmen selbst. Konstant empfohlen werden die Unternehmen, deren Belege leicht zu finden, leicht zu glauben und mit niemandem zu verwechseln sind.

FAQ