ChatGPTs Wissensstichtag: Warum es Ihr Unternehmen nicht kennt

Von Manfred Mayer Rieger · Veröffentlicht 5. Oktober 2026

Ein Softwareunternehmen startet im Januar 2026. Drei Monate später hat es einen zahlenden Kunden, ein funktionierendes Produkt und eine echte Website. Der Kunde fragt, neugierig, vor der Vertragsverlängerung ChatGPT, was das Unternehmen eigentlich macht. Die Antwort: Dazu liege keine Information vor. Am Produkt ist nichts falsch. Das Unternehmen gab es schlicht noch nicht, als die Trainingsdaten des Modells zusammengestellt wurden.

Was ist ein Wissensstichtag, und warum entstehen dadurch solche blinden Flecken?

Ein großes Sprachmodell wird einmal trainiert, auf einer festen Textsammlung bis zu einem bestimmten Datum, und dann veröffentlicht. Alles, was danach passiert – eine Firmengründung, ein Produktstart, eine Namensänderung – steckt nicht in den Daten, aus denen das Modell gelernt hat, also hat es auch keine Erinnerung daran, auf die es zugreifen könnte. Anthropics eigene Dokumentation zu den Trainingsdaten nennt konkrete Stichtage je Modell: Claude Haiku 4.5 im Juli 2025, die neueren Modelle Sonnet 5.5 und Opus 5.5 bereits im Juni 2026. Die Daten unterscheiden sich von Modell zu Modell und von Version zu Version, und sie bewegen sich ausschließlich nach vorn – ein älteres Modell holt seinen Wissensstand nie von selbst nach.

Das ist ein engeres Problem, als “KI kennt Neues nicht” vermuten lässt. Ein Stichtag löscht nicht alles danach, er bedeutet nur, dass alles danach von woanders kommen muss als aus dem Gedächtnis.

Durchsucht ChatGPT tatsächlich das Web, oder antwortet es nur aus dem Gedächtnis?

Beides, je nach Frage. OpenAIs Hilfedokumentation zur Suche beschreibt, dass ChatGPT selbst entscheidet, wann eine Live-Suche hilfreich wäre, zusätzlich zu einer manuellen Option, sie gezielt auszulösen. Das ist nützlich – und keine Garantie. Eine Frage, die wie eine stabile Tatsache wirkt – “was macht dieses Unternehmen” – liefert nicht denselben offensichtlichen Anlass zum Nachschauen wie eine Frage zu den Schlagzeilen von heute Morgen. Das Modell kann entweder aus dem Training oder über eine frische Suche antworten, und welche der beiden Optionen es für eine bestimmte Formulierung wählt, lässt sich von außen weder steuern noch im Nachhinein immer erkennen.

Warum sagt ein Modell “weiß ich nicht” über ein Unternehmen, das es offensichtlich gibt?

Hier hilft ein konkreter Test mehr als eine allgemeine Behauptung. Die tiefere Prüfstufe eines KI-Sichtbarkeits-Audits stellt mehreren aktuellen Modellen – nicht nur einem, sondern mehreren – eine einfache, unvorbereitete Frage zu einem Unternehmen: ohne mitgelieferten Kontext, ohne Websuche, nur der Name und eine Frage. Der Kontext wird bewusst weggelassen, um genau zu sehen, was das Modell bereits aus dem Training mitbringt – im Unterschied zu dem, was es herausfinden könnte, wenn man ihm die Antwort gäbe oder es suchen ließe.

Über genügend Unternehmen hinweg zerfallen die Antworten in drei Arten, nicht zwei. Das naheliegende Paar ist eine konkrete, zutreffende Beschreibung gegenüber einem klaren Eingeständnis, keine Information zu haben. Die dritte Art ist leicht zu übersehen und womöglich die interessantere Fehlform: Das Modell antwortet, als wäre der Markenname ein gewöhnliches Wort oder eine Redewendung, und erklärt dessen Wörterbuchbedeutung statt das Unternehmen zu beschreiben. Ein Unternehmen, dessen Name zufällig auch ein alltägliches Wort ist, wird wie eine weitere Verwendung dieses Wortes behandelt, nicht wie eine Firma – was auf den ersten Blick wie eine Antwort aussieht, obwohl es nichts über das eigentliche Unternehmen erkennt.

Diese Dreiteilung ist wichtig, weil die mittlere und die Wort-Erklärung von außen ähnlich wirken – beide liefern nichts Konkretes zum Unternehmen –, aber nur eine davon bedeutet wirklich “das Modell hat keine Information”. Die andere erklärt ein Wort, ohne dass dahinter etwas über die Firma steckt.

Was zeigt dieser Test nicht?

Er zeigt nicht, ob eine Websuche die Antwort verändert hätte. Die beschriebene Prüfung läuft absichtlich nur mit dem Gedächtnis des Modells, ohne Websuche, um gezielt zu isolieren, was das Training bereits enthält – sie wird nicht ein zweites Mal mit aktivierter Suche zum Vergleich durchgeführt, und nichts in diesem Beitrag behauptet das Gegenteil. Ein Unternehmen, das bei diesem Test leer ausgeht, kann trotzdem gut sichtbar sein, sobald ein Assistent tatsächlich sucht statt zu erinnern – und das ist ein wirklich anderes Ergebnis, das man nicht mit dem ersten verwechseln sollte. Dazu kommt: Dieses Modell-Probing läuft nur in der kostenpflichtigen Prüfstufe. Ein kostenloser Scan überspringt es komplett und prüft stattdessen das technische Fundament der eigenen Website – eine andere Frage mit einer anderen Antwort.

Was kann ein junges Unternehmen konkret tun?

In die Trainingsdaten eines künftigen Modells hineinzukommen, lässt sich nicht gezielt herbeiführen, und auf die nächste Version zu warten verschiebt nur den Stichtag – es schließt die Lücke nicht für alle, die danach gegründet werden. Der nützlichere Hebel ist der andere Weg zu einer Antwort: leicht auffindbar und zuverlässig zitierbar sein, wenn ein Assistent sich tatsächlich entscheidet, über das Gedächtnis hinaus zu suchen. Das hängt von ganz gewöhnlichen, überprüfbaren Dingen ab – einer Website, die klar sagt, was das Unternehmen macht und wo, strukturierten Daten, die das eindeutig festhalten, und Inhalten, aus denen ein Retrieval-System tatsächlich eine saubere Antwort ziehen kann, statt raten zu müssen. Ein kostenloser Auffindbarkeits-Check bewertet eine Seite genau danach, und die breitere Praxis, für das Lesen durch Sprachmodelle zu schreiben statt nur für das Crawlen durch eine Suchmaschine, behandelt die KI-SEO-Seite dieser Website.

Wissenswert ist auch: Dasselbe Modell kann dieselbe Frage je nachdem, ob es gesucht hat oder nicht, unterschiedlich beantworten – eine verwandte Inkonsistenz, die gar nicht beim Unternehmen selbst beginnt, und einer der Gründe, warum zu verfolgen, was einer Marke innerhalb solcher Antworten überhaupt zugeschrieben wird – wie es ein früherer Blick auf LLM-Sichtbarkeit beschreibt – eine dauerhafte Aufgabe ist und keine einmalige Prüfung.

Ein Stichtag ist kein Fehler, den man irgendwann behebt. Er ist eine feste Grenze, die sich mit jeder neuen Version um Monate nach vorn verschiebt, während sich die Unternehmen auf der falschen Seite davon ebenfalls ständig ändern – wodurch es keine Version dieser Geschichte gibt, die für alle gleichzeitig aufholt.