Warum eine Marke in KI-Empfehlungen auftaucht – und deine vielleicht nicht
Wenn du ChatGPT oder Claude nach einer Empfehlung in deiner Branche fragst – und dein Markenname kommt nicht vor –, dann liegt das Problem oft tiefer als bei Keywords oder SEO. Es geht um: Beziehungswissen, also um das, was eine KI über Zusammenhänge zwischen Marken, Themen und Begriffen „weiß“. Dieses Wissen entscheidet, welche Marken in Antworten auftauchen – unabhängig davon, wie gut deine Inhalte optimiert sind.
Wie sich KI-Wissen im Laufe der Jahre entwickelt hat
Im Jahr 2019 stellten Forscher des Facebook AI Research Teams fest, dass Sprachmodelle wie BERT mehr tun als Grammatik verstehen: Sie speichern Fakten über die Welt – zum Beispiel, dass Dante in Florenz geboren wurde oder dass Apple den iPod herstellt. Dieses Wissen entsteht, weil Modelle Abermillionen von Texten lesen und Muster zwischen Entitäten (also Dingen, Marken, Orten) lernen.
Dafür nutzten die Forscher ein Experiment namens LAMA (Language Model Analysis). Sie testeten Aussagen in der Form: „Dante wurde geboren in ___“, und BERT konnte die Lücke erstaunlich oft korrekt füllen. Diese Erkenntnis war ein Meilenstein: Sprachmodelle haben ein eigenes, internes „Wissensnetz“.
Das nennt man relationales Wissen – also die Beziehungen zwischen einem Subjekt („Dante“), einer Relation („geboren in“) und einem Objekt („Florenz“). Genau hier liegt der Schlüssel dafür, wie KI-Modelle Marken empfehlen.
Die drei Beziehungstypen, die jede KI „denkt“
Die Forscher identifizierten drei Arten von Relationen, die für Markenrelevanz entscheidend sind:
1. 1-zu-1-Beziehungen
Eindeutige Zuordnungen, etwa: Japan → Hauptstadt → Tokio. Diese sind stabil und klar.
2. Viele-zu-1-Beziehungen
Viele Subjekte haben dasselbe Objekt. Beispiel: „Amtssprache von Mauritius ist ___“. Viele Länder teilen Engl…
Die KI weiß, dass es oft „Englisch“ ist, aber verwechselt manchmal die Ausnahmefälle, weil die Beziehung diffus ist.
3. Viele-zu-viele-Beziehungen
Hier wird’s chaotisch: Wenn viele Subjekte mit vielen Objekten verbunden sind, wie im Sport („Spieler X spielt in Position Y“). In solchen Netzen ist das Modell unsicher – es rät, was wahrscheinlich klingt.
Und genau dieses „Raten“ passiert, wenn eine KI eine Marke nennen soll. Die Anfrage „empfiehl mir ein SEO-Tool für kleine Unternehmen“ gehört zu den schwierigsten, weil dutzende Marken und unzählige Eigenschaften in einer diffusen, viele-zu-viele-Beziehung stehen. Es gibt kein eindeutiges „Japan → Tokio“ für Marken.
Was spätere Forschung gezeigt hat
Zwischen 2020 und 2022 fanden Forscher von Microsoft und MIT heraus, dass es tatsächlich Neuronen gibt, die Fakten speichern. Und nicht nur das – man kann sie gezielt aktivieren oder überschreiben. Das bedeutet: Ein KI-Modell kann lernen, dass „Stripe = Online-Bezahlung“ bedeutet – und diesen Fakt verändern, wenn später anders trainiert wird.
Für Marken heißt das: Der Platz in den „assoziativen Neuronen“ der KI ist nicht fix. Er hängt davon ab, welche Texte, Berichte und Erwähnungen im Trainingsmaterial vorkommen. Wenn in Foren, Whitepapers oder Branchendiskussionen deine Marke regelmäßig im Kontext deines Themas auftaucht, wird sie mit höherer Wahrscheinlichkeit Teil einer dieser neuronalen Verbindungen – und somit Teil der Empfehlungskette.
Was diese wissenschaftlichen Erkenntnisse für Marken bedeuten
Diese drei Beziehungstypen kann man auf Marken wunderbar übertragen:
• Die 1-zu-1-Marke
Beispiel: Stripe ↔ Online-Zahlungen. Eine klare, dauerhafte Assoziation, die in Dokumentationen, Diskussionen und Empfehlungen konsistent vorkommt. Wenn die KI gefragt wird, „welches Payment-Tool für Entwickler“, kommt Stripe wie automatisch.
• Die Viele-zu-1-Marke
Wie bei 15 Cybersecurity-Anbietern: Alle reden über „Endpoint Protection“. Die KI weiß, dass es diese Nische gibt, aber nennt automatisch jene Marke, die im Netz am häufigsten in seriösen Quellen erwähnt wird.
• Die Viele-zu-viele-Marke
Große Konzerne wie IBM oder Oracle sind hier gefangen: Sie sind mit zu vielen Themen verbunden. Die KI weiß nicht, wofür sie „stehen“, also nennt sie sie seltener überhaupt.
In meiner Arbeit mit großen Marken sehe ich genau das: Viele haben massenhaft Inhalte, aber keine starke, einheitliche Beziehung zu klaren Themen. Die Folge: Sie sind überall, aber nirgends präsent.
Wie du misst, wo du stehst
Wenn du wissen willst, wie sichtbar deine Marke in solchen KI-Modellen ist, genügt es nicht, deinen „Share of Voice“ zu kennen – also, wie oft du in KI-Antworten auftauchst. Diese Zahl ist wie der Puls beim Arztbesuch: Sie zeigt, dass etwas lebt, aber nicht, was genau im Körper passiert.
Viel aussagekräftiger ist, welche Themen und Begriffe die KI mit deiner Marke verbindet. Dafür haben einige Anbieter (z. B. Waikay) das Konzept „AI Topical Presence“ entwickelt. Statt zu messen, ob du genannt wirst, wird gemessen, womit du assoziiert wirst.
Dabei spielen drei Dimensionen eine Rolle:
- Tiefe (Depth): Wie stark ist die Verbindung zu zentralen Themen?
- Breite (Breadth): Bei wie vielen relevanten Themen erscheinst du überhaupt?
- Konzentration: Wie verteilt sind deine thematischen Schwerpunkte?
Aus diesen Daten ergibt sich, ob du gut fokussiert bist (hohe Tiefe, geringe Breite) oder Gefahr läufst, zu zerstreut zu wirken (hohe Breite, niedrige Tiefe).
Wenn du z. B. bei „Semantic SEO Tools“ gut platziert bist, aber bei „Onpage Optimization“ kaum vorkommst, erkennst du eine Lücke. Und das sind genau die Ansatzpunkte für Kommunikations- oder Contentstrategien der Zukunft.
Von Keywords zu Beziehungen
In der klassischen SEO ging es immer um Seiten und Links. Doch KI-basiertes Suchen funktioniert anders. Ein Modell „denkt“ in Relationen, nicht in Seiten. Es zieht Wissen aus zigtausend Dokumenten, Foren, Presseartikeln – und bildet daraus Assoziationen.
Wenn du also 500 Blogposts über „Zero Trust Security“ hast, aber deine Marke sonst nie in Fachforen, Standards oder Entwicklerhandbüchern auftaucht, wird dich die KI kaum als glaubwürdige Quelle sehen.
Hier zählt Konsistenz über Kontexte hinweg – nicht die Anzahl deiner Seiten.
Eine Marke baut heute ihr KI-Profil, indem sie Teil der Diskussion wird:
- in Fachartikeln und Branchenmedien,
- durch Kooperationen mit anderen Entitäten,
- und indem sie eigene Daten, Studien oder Open-Source-Beiträge liefert, die andere zitieren.
Aus meiner Erfahrung: Marken, die wirklich Expertise haben und produktiv etwas beitragen, prägen damit das Sprachmodell – ganz ohne klassische SEO-Tricks.
Was du konkret tun kannst
- Analysiere deine Assoziationen: Was verbindet die KI mit deinem Namen?
- Identifiziere Lücken: Gibt es wichtige Begriffe, mit denen du gar nicht auftauchst?
- Stärke echte Signale: Erwähnungen in qualitativ hochwertigen Quellen zählen heute mehr als interne Blogartikel.
- Pflege klare Markenrelationen: Bist du das Tool „für Entwickler“, „für Enterprise-Kunden“ oder „für Agenturen“? Wähle deine Einzigartigkeit – sonst bleibst du im N‑zu‑N‑Wust hängen.
- Plane Aktualität ein: Wenn neue KI-Modelle regelmäßig nachtrainiert werden, entscheidet dein aktuelles Content-Ökosystem über die Zukunft deiner Sichtbarkeit.
Das Fazit
SEO im KI-Zeitalter bedeutet nicht mehr, Seiten zu ranken, sondern Assoziationen zu verankern. Die KIs sortieren Marken danach, wie konsistent, glaubwürdig und fachspezifisch sie in ihren Trainingsdaten erscheinen.
Wenn du also willst, dass deine Marke bei einer Empfehlung genannt wird, reicht es nicht, dutzende Texte zu schreiben. Du musst dafür sorgen, dass die KI erkennt: „Dieses Unternehmen steht für dieses Thema.“
Das ist die neue Form der Suchmaschinenoptimierung – nicht über Keywords, sondern über Wissen, Beziehungen und Vertrauen.
