Wie entscheidet eine KI, welche Marken erwähnt werden?

Die Grundfrage

Eine Entscheidung, die wir nicht sehen

Wenn ein KI-System über eine Kategorie antwortet, nennt es fast nie alle Marken, die es gibt. Es wählt einige aus, lässt andere weg und weiß in vielen Fällen nicht einmal, dass manche überhaupt existieren. Die naheliegende Frage ist, wie es entscheidet. Die ehrliche Antwort: Es gibt keine veröffentlichte Regel, die das erklärt. Es gibt Faktoren, die sich beobachten und einzeln untersuchen lassen.

Am besten beginnt man mit dem, was es nicht ist. Es ist keine Auktion, in der erscheint, wer mehr zahlt, keine feste Liste zugelassener Marken und kein Ranking, das jemand mit einer konkreten Maßnahme umkehren könnte. Ein solches System erzeugt Text aus Quellen und Mustern und entscheidet dabei, wen es nennt. Diese Entscheidung ist das Ergebnis von Bedingungen, nicht einer geheimen Formel, die Ihnen jemand aushändigen könnte.

Was das System finden muss

Vor den Details der Ausgangspunkt. Ein Sprachsystem rät nicht: Es erzeugt Text auf Basis dessen, was es abrufen kann, und der Muster, die es gelernt hat. Alles, was es nennt, muss von irgendwoher kommen. Die erste Bedingung dafür, dass es Ihre Marke erwähnt, ist deshalb nicht Sympathie und nicht Budget, sondern dass ausreichend prüfbare Informationen über sie existieren.

Mit dieser Grundlage folgen die Faktoren, die wir am häufigsten beobachten, wenn wir untersuchen, warum eine Marke in einer generierten Antwort erscheint oder verschwindet.

Die Faktoren, die einwirken

1. Welche öffentlichen Informationen es gibt und maschinenlesbar sind

Was nicht geschrieben steht, existiert für diese Systeme nicht. Und es reicht nicht, vorhanden zu sein: Man muss crawlbar und vor allem herausziehbar sein. Eine Beschreibung, die sich nur versteht, wenn man die ganze Seite von Anfang an liest, ist deutlich weniger nützlich als ein Wert, der sich isolieren lässt. Vollständige Namen, ausdrückliche Kategorien, Städte, Leistungen, Preise wo zutreffend: All das wirkt als Rohmaterial. Ist der Wert dort begraben, wo er sich nicht vom Rest unterscheidet, ist er für das System fast so gut wie nicht vorhanden.

2. Ob die Marke mit klaren Entitäten verbunden ist

Information lebt nicht allein: Sie lebt verbunden. Ein System muss wissen, dass diese Marke ein Unternehmen ist, dass sie bestimmte Produkte anbietet, an bestimmten Orten tätig ist und mit konkreten Personen oder Projekten in Verbindung steht. Fehlen diese Verbindungen, bleibt die Marke ein loser Name. Und ein loser Name hat wenige Chancen, abgerufen zu werden, wenn jemand nach der Kategorie fragt und nicht nach der Marke.

3. Die Übereinstimmung zwischen dem, was Sie über sich sagen, und dem, was Dritte sagen

Dieser Punkt ist meist der unbequemste. Die eigene Website ist eine Quelle, aber nicht die einzige und selten die glaubwürdigste. Was Medien, Verzeichnisse, Branchenplattformen, Anbieter, Foren und andere Unternehmen veröffentlichen, gehört ebenfalls zu dem, was ein System lesen kann, und zu den Mustern, mit denen es trainiert wurde. Wenn die Quellen zusammenlaufen und alle dasselbe sagen, gewinnt die Marke an Konsistenz. Gibt es Widersprüche, schwächt sich das Bild ab und die Erwähnung wird unwahrscheinlicher.

4. Die Struktur der Inhalte

Derselbe Inhalt kann je nach Organisation sehr unterschiedlich wirken. Der praktische Unterschied liegt zwischen einer ausdrücklichen Antwort und einer, die man ableiten muss. Diese Systeme extrahieren; sie lösen keine Rätsel. Steht die Antwort auf eine konkrete Frage auf Ihrer Seite in einem klaren Satz, steigt die Wahrscheinlichkeit, dass sie verwendet wird. Muss sie aus drei verschiedenen Abschnitten zusammengesetzt werden, sinkt sie. Das verlangt weder, für Maschinen zu schreiben, noch den Stil zu opfern: Es verlangt Ordnung.

5. Die Beständigkeit über verschiedene Quellen hinweg

Überall dasselbe mit denselben Worten zu sagen ist auch nicht das Ziel, aber es hilft, dass es keine unvereinbaren Versionen gibt. Namen, die wechseln, Kategorien, die von einem Profil zum anderen nicht übereinstimmen, Beschreibungen, die sich von einem Verzeichnis zum anderen widersprechen: Jede Inkonsistenz ist ein Zweifel. Und der Zweifel löst sich in einem System, das eine kurze Antwort erzeugen muss, meist durch Weglassen.

6. Die Aktualität und die Prüfbarkeit der Daten

Ein alter Wert ist ein schwacher Wert. Wenn die verfügbare Information verlassen wirkt, kann das System nicht wissen, was weiterhin stimmt. Termine, Leistungsänderungen, Umzüge, Schließungen: All das wird zu Rauschen, wenn es nicht aktualisiert wird. Die Prüfbarkeit zielt aus einem anderen Blickwinkel auf dasselbe: dass sich das Behauptete mit etwas abgleichen lässt. Eine Aussage, die nur auf Ihrer Website existiert, ist fragiler als eine, die an mehreren Stellen gestützt erscheint.

7. Der Ausgangspunkt: Wie bekannt die Marke in ihrer Kategorie ist

In Kategorien, in denen die Marke wenig bekannt ist, ist das Hindernis nicht der zweite Platz: Es ist, dass das System nicht weiß, dass es sie gibt. Das ist ein anderes und schwierigeres Problem. Existenz entsteht für ein System durch vielfältige und über die Zeit anhaltende Erwähnungen, nicht durch eine einmalige Maßnahme. Deshalb gleicht die Arbeit eher dem Anhäufen von Belegen als dem Ausführen eines Tricks.

Was sich nicht steuern lässt

Bisher ging es um Faktoren, die sich bearbeiten lassen. Es wäre jedoch unehrlich zu behaupten, die Sache sei unter Kontrolle.

• Die Kriterien, nach denen diese Systeme auswählen, wen sie erwähnen, sind nicht öffentlich.
• Sie ändern sich: Ein neues Modell, ein Update oder eine Anpassung können das Ergebnis verändern.
• Sie sind kein einzelner Block. Es gibt mehrere Systeme, mit unterschiedlichen Quellen und Verhaltensweisen.
• Dieselbe Anfrage kann zweimal verschiedene Antworten erhalten.
• Was heute funktioniert, kann morgen nicht mehr funktionieren, und es wird keine Warnung geben.

Diese Undurchsichtigkeit hat eine praktische Folge: Niemand kann eine Erwähnung versprechen. Möglich ist, methodisch zu beobachten: Hypothesen dazu aufstellen, warum eine Marke erscheint oder nicht, jeweils einen Faktor bearbeiten und erneut messen. Das ist die Logik des Arbeitszyklus von Sageo Estudio —untersuchen, messen, interpretieren, eingreifen und erneut messen— angewandt auf ein Gelände, in dem die richtige Antwort nicht veröffentlicht ist.

Deutung, keine Rezepte

Wenn sich aus all dem etwas schließen lässt, dann dies: Sichtbarkeit in KI-Systemen löst man nicht mit einer Liste von Schritten. Sie gleicht eher der Reputation als der Werbung: Sie entsteht aus dem, was andere über Sie prüfen können, und hält sich durch Kohärenz. Daran zu arbeiten heißt, diese Unsicherheit zu akzeptieren und sie in Methode zu verwandeln.

Deshalb sprechen wir nicht von Tricks oder Abkürzungen. Wir sprechen davon, zuerst zu verstehen, welche Signale über eine Marke existieren, wie sie zusammenhängen und was erklärt, dass ein System sie erwähnt oder ignoriert. Das ist der Ausgangspunkt und zugleich die Grenze dessen, was sich heute behaupten lässt.

Ein KI-System nennt nicht, was es nicht lesen, nicht verstehen oder nicht prüfen kann.

Sageo Estudio · Search Intelligence · Untersuchen, messen, interpretieren, eingreifen, erneut messen

Lernen Sie die Methodik Search Intelligence kennen