Olav Brunssen
Die Integration generativer KI in Suchsysteme verändert die Spielregeln der Sichtbarkeit im Netz grundlegend. Statt klassischer Ergebnislisten liefern Systeme wie Chatbots oder AI Overviews zunehmend verdichtete Antworten, die Informationen aus verschiedenen Quellen synthetisieren. Damit verschiebt sich auch die Frage nach Relevanz: Nicht mehr allein Rankings entscheiden, sondern ob und wie Inhalte in diesen Antworten auftauchen. Vor diesem Hintergrund wird ein Szenario besonders interessant – und problematisch zugleich: Kann eine vollständig erfundene Marke in der KI-Suche sichtbar werden?
Wie KI-Systeme Informationen verarbeiten
Um diese Frage einzuordnen, lohnt ein Blick auf die Funktionsweise moderner KI-Systeme. Large Language Models (LLMs) generieren Antworten auf Basis statistischer Muster, die sie aus Trainingsdaten und aktuellen Quellen ableiten. In Suchkontexten werden diese Modelle häufig mit Retrieval-Systemen kombiniert, die aktuelle Webinhalte einbeziehen.
Dabei greifen mehrere Mechanismen ineinander:
- Indexierung und Retrieval: Inhalte werden aus dem Web abgerufen und als potenzielle Quellen genutzt
- Semantische Verarbeitung: Texte werden nicht nur nach Keywords, sondern nach Bedeutung analysiert
- Wahrscheinlichkeitsbasierte Generierung: Antworten entstehen durch Mustererkennung, nicht durch faktische Prüfung im klassischen Sinn
Entscheidend ist: Diese Systeme bewerten nicht aktiv die „Wahrheit“ einer Aussage. Sie gewichten Informationen danach, wie konsistent, verfügbar und plausibel sie im Datenraum erscheinen.
Der experimentelle Ansatz: Eine Marke ohne Realität
Ein umfangreicher Test hat genau diesen Mechanismus untersucht. Dabei wurde eine fiktive Marke in einem realen Marktumfeld aufgebaut und systematisch über verschiedene Domains hinweg publiziert. Ziel war es, zu beobachten, ob KI-Systeme diese Marke erkennen, zitieren und in Antworten integrieren.
Die Ergebnisse zeigen, wie dieser Versuch zeigt, dass selbst vollständig konstruierte Entitäten innerhalb kurzer Zeit in KI-Antworten auftauchen können. Voraussetzung ist nicht Glaubwürdigkeit im klassischen Sinne, sondern eine ausreichend starke Signalstruktur im Web.
Warum Wiederholung wichtiger ist als Wahrheit
Ein zentrales Ergebnis betrifft die Rolle von Wiederholung und Konsistenz. Inhalte, die in ähnlicher Form auf mehreren Seiten erscheinen, erzeugen für KI-Systeme ein klares Muster. Dieses Muster wird als Indikator für Relevanz interpretiert.
Konsistenz als algorithmisches Signal
Wenn eine Marke immer wieder mit denselben Eigenschaften beschrieben wird, entsteht eine stabile Entität. Für das System wirkt diese konsistent und damit plausibel. Widersprüche oder alternative Perspektiven fehlen oft, insbesondere bei neuen oder wenig bekannten Themen.
Das führt dazu, dass sich Aussagen etablieren können, ohne jemals kritisch überprüft worden zu sein.
Frequenz und Präsenz
Neben der inhaltlichen Konsistenz spielt die schiere Menge eine große Rolle. Viele kleinere Inhalte erhöhen die Wahrscheinlichkeit, dass ein System auf diese Informationen zugreift. Besonders bei Systemen, die stark auf Aktualität reagieren, kann eine hohe Veröffentlichungsfrequenz die Sichtbarkeit deutlich steigern.
Dieses Verhalten ist aus früheren SEO-Phasen bekannt, erhält durch KI jedoch eine neue Dimension.
Unterschiedliche Reaktionen der Systeme
Die Untersuchung zeigt zudem, dass KI-Suchsysteme keineswegs homogen arbeiten. Unterschiede zeigen sich vor allem in drei Bereichen:
Geschwindigkeit der Aufnahme
Einige Systeme integrieren neue Inhalte innerhalb weniger Tage. Andere benötigen deutlich länger, zeigen dafür stabilere Ergebnisse. Diese Unterschiede hängen unter anderem davon ab, wie stark ein System auf Echtzeitdaten zugreift.
Stabilität der Ergebnisse
Während manche Systeme einmal erkannte Informationen konsistent weiterverwenden, schwanken andere stark. Inhalte erscheinen und verschwinden wieder, abhängig von neuen Daten oder veränderten Gewichtungen.
Quellenpräferenz
Nicht jedes System priorisiert die gleiche Quelle. Selbst wenn eine Marke über eine zentrale Website aufgebaut wird, können andere Domains als Referenz herangezogen werden. Das erschwert die gezielte Steuerung der eigenen Darstellung.
Verbindung zu klassischen SEO-Prinzipien
Viele der beobachteten Effekte lassen sich im Kontext klassischer Suchmaschinenoptimierung einordnen. Allerdings verschieben sich die Prioritäten.
Von Keywords zu Entitäten
Während früher Keywords im Mittelpunkt standen, geht es heute stärker um Entitäten. Eine Marke muss als klar definierbare Einheit erscheinen, mit eindeutigen Eigenschaften und wiederkehrenden Beschreibungen.
Eine fiktive Marke kann genau dann sichtbar werden, wenn sie diese Kriterien erfüllt. Entscheidend ist nicht ihre reale Existenz, sondern ihre semantische Konsistenz im Datenraum.
Autorität und Vertrauen
Traditionelle Signale wie Domain-Autorität spielen weiterhin eine Rolle, sind aber nicht mehr allein entscheidend. Neue Marken haben zwar geringe Chancen bei generischen Themen, können aber bei spezifischen Fragestellungen schnell sichtbar werden – insbesondere dann, wenn sie die einzige Quelle für bestimmte Informationen sind.
Einfluss von Content-Formaten
Nicht alle Inhalte werden gleich behandelt. Die Analyse zeigt klare Unterschiede in der Wirkung verschiedener Formate.
Strukturierte und tiefgehende Inhalte
Umfangreiche Leitfäden und detaillierte Analysen werden häufiger als Quelle genutzt. Sie bieten viele Anknüpfungspunkte für KI-Systeme und decken verschiedene Aspekte eines Themas ab.
Vergleichs- und Bewertungsseiten
Formate wie Vergleiche oder Reviews liefern klare Aussagen und Positionierungen. Diese lassen sich besonders gut in generierte Antworten integrieren.
Standardisierte Inhalte
Einfache Anleitungen oder generische Listen haben eine geringere Wirkung. Sie bieten weniger einzigartige Informationen und konkurrieren stärker mit bestehenden Inhalten.
Grenzen klassischer Content-Strategien
Ein bemerkenswertes Ergebnis betrifft die Wirkung von Themenclustern. In der klassischen SEO gelten sie als effektives Mittel zur Strukturierung von Inhalten. Im Kontext von KI-Suchen zeigte sich jedoch, dass sie allein nicht ausreichen.
Interne Verlinkung und thematische Tiefe führen nicht automatisch zu Sichtbarkeit. Entscheidend ist, ob ein Inhalt als direkte Antwort auf eine konkrete Frage erkannt wird. Ohne diesen Bezug bleibt er für KI-Systeme oft irrelevant.
Manipulationspotenzial und systemische Schwächen
Die Ergebnisse werfen zwangsläufig die Frage nach der Manipulierbarkeit auf.
Muster statt Faktenprüfung
KI-Systeme basieren auf Wahrscheinlichkeiten. Sie erkennen Muster und reproduzieren diese. Eine explizite Faktenprüfung findet nur eingeschränkt statt. Das bedeutet, dass konsistente, aber falsche Informationen unter bestimmten Bedingungen übernommen werden können.
Fehlende Gegeninformationen
Ein weiterer Faktor ist das Fehlen von Widerspruch. Wenn zu einer Marke keine kritischen Inhalte existieren, entsteht ein verzerrtes Bild. Dieses wird von der KI übernommen und weitergegeben.
In solchen Fällen wirkt das System weniger wie ein Prüfinstrument und mehr wie ein Verstärker vorhandener Signale.
Strategische Implikationen für Unternehmen
Die Erkenntnisse haben direkte Auswirkungen auf die Praxis.
Aktive Gestaltung der eigenen Entität
Unternehmen müssen stärker darauf achten, wie sie im Netz beschrieben werden. Es reicht nicht mehr, Inhalte zu veröffentlichen. Entscheidend ist, dass diese Inhalte konsistent, strukturiert und über verschiedene Quellen hinweg verfügbar sind.
Kontrolle über Narrative
Da KI-Systeme Informationen aggregieren, kann die eigene Darstellung schnell verzerrt werden. Wer die relevanten Inhalte nicht selbst bereitstellt, überlässt die Interpretation anderen Quellen.
Einordnung: Systemlogik trifft Realität
Das Experiment zeigt nicht, dass KI-Systeme beliebig manipulierbar sind. Es zeigt aber, dass sie auf bestimmte Signale besonders sensibel reagieren. Konsistenz, Wiederholung und Verfügbarkeit haben einen größeren Einfluss als oft angenommen.
Eine fiktive Marke kann unter diesen Bedingungen sichtbar werden, weil sie als kohärente Entität erscheint. Das bedeutet nicht, dass sie langfristig bestehen würde. Aber es zeigt, wie flexibel diese Systeme auf neue Informationen reagieren.
Für die Bewertung von KI-generierten Antworten ergibt sich daraus eine wichtige Konsequenz: Sichtbarkeit ist kein verlässlicher Indikator für Wahrheit. Sie ist das Ergebnis von Mustern im Datenraum.
