Markensichtbarkeit in KI-Antworten: Was Sie beeinflussen können

Von Manfred Mayer Rieger · Veröffentlicht 21. September 2026

Wer ein KI-System nach einem Unternehmen fragt, bekommt manchmal die Antwort zu einem anderen. Keine Halluzination — ein reales Unternehmen, mit gleichem oder sehr ähnlichem Namen, zu dem das Modell schlicht mehr Material hat. Am häufigsten trifft es generisch klingende Namen und kleinere oder jüngere Unternehmen: Das Modell rät nicht, es greift auf die Entität zurück, die in seinen Trainingsdaten am besten zu den Wörtern der Frage passt — und gehört diese Entität jemand anderem, hatte das eigentlich gemeinte Unternehmen nie eine Chance, die Antwort zu sein.

Wonach wählt ein Modell die passende Entität aus?

Ein Sprachmodell schlägt ein Unternehmen nicht zum Zeitpunkt der Anfrage nach, wie es eine Suchmaschine mit einer frisch gecrawlten Seite tut. Es stützt sich auf das, was in den Trainingsdaten steckte — geprägt davon, welche Quellen strukturiert, oft genug wiederholt oder autoritativ genug waren, um hängen zu bleiben. Die eigene Website eines Unternehmens ist eine dieser Quellen, aber zugleich die am wenigsten unabhängig überprüfbare: Auf der eigenen Domain kann jeder alles über sich behaupten.

Strukturierte, extern referenzierte Daten verhalten sich anders. Eine Knowledge-Graph-Prüfung, genau für diese Frage gebaut, sucht in einer offenen, gemeinschaftlich gepflegten Datenbank nach einer zum Unternehmensnamen passenden Entität und prüft dann, ob eine gefundene Entität eine offizielle Website nennt, die auf die tatsächliche Domain des Unternehmens verweist. Findet sich ein bestätigter Treffer, ist das ein Datensatz, auf den sich ein Modell mit größerer Zuversicht stützen kann als auf Fließtext von einer Landingpage. Finden sich dagegen mehrere Entitäten mit demselben Namen und keine davon mit der geprüften Domain verknüpft, ist genau das die oben beschriebene Verwechslung — sichtbar gemacht, bevor überhaupt jemand einen Chatbot fragen und die falsche Antwort bekommen muss.

Warum wiegt eine Namensverwechslung schwerer als ein Tippfehler oder ein toter Link?

Die meisten Probleme auf einer Seite lassen sich mit einer Textänderung beheben. Eine Namensverwechslung ist ein Streit um Identität, den ein Unternehmen nicht selbst ausgelöst hat und einseitig auch nicht beenden kann. Das fremde Unternehmen mit demselben Namen existiert zu Recht, und es gibt keinen Mechanismus, es entfernen zu lassen, nur weil es ungelegen kommt. Der einzige verbleibende Hebel ist, einen stärkeren, unabhängig überprüfbaren eigenen Anspruch aufzubauen — langsamer und unsicherer als ein Meta-Tag zu korrigieren, aber trotzdem ein Hebel, und einer, den die meisten Unternehmen nie ziehen, weil sie von der Verwechslung erst erfahren, wenn eine Kundin erzählt, was der Chatbot gesagt hat.

Was kann ein Unternehmen tatsächlich beeinflussen?

Eine kürzere Liste, als man denken könnte, aber eine reale:

• Eine eigene Entität in einer offenen, strukturierten Datenbank, mit einer Eigenschaft für die offizielle Website, die auf die tatsächliche Domain des Unternehmens verweist — nicht nur eine Erwähnung, sondern eine Behauptung eines Drittdatensatzes, die sich von der Domain aus bestätigen lässt.
• Eine Verlinkung in beide Richtungen. Das eigene Organization-Schema kann auf diese externe Entität verweisen, und deren Feld für die offizielle Website kann auf die eigene Domain verweisen. Jede Richtung für sich bewirkt wenig; zusammen ergeben sie eine Schleife, der ein Graph mit mehr Zuversicht folgen kann als jeder einzelnen Tatsache allein. Ein Schema-Prüfer bestätigt zuerst, dass der Block überhaupt valide strukturierte Daten sind, bevor sich prüfen lässt, ob er das Richtige aussagt.
• Eine überprüfbare Identität unter dem Namen — eine Handelsregisternummer, eine Umsatzsteuer-ID, eine physische Adresse: die Art Tatsache, die sich gegen ein öffentliches Register prüfen lässt, statt nur behauptet zu werden. Das löst eine Namensverwechslung nicht von selbst, macht aber den eigenen Anspruch stärker als den einer anderen Entität, wenn ein Modell — oder ein Mensch — zwischen zwei Kandidaten wählen muss.
• Konsistenz über Zeit. Ein Datensatz, der über Monate dieselben Fakten nennt, summiert sich eher zu Etabliertheit als einer, der Name oder Domain im letzten Jahr dreimal gewechselt hat — unabhängig davon, was inhaltlich zutrifft.

Nichts davon ist von Google oder einem KI-Anbieter als bewerteter Faktor speziell für die Auflösung von Entitäten bestätigt. Überprüfbar ist immer nur, ob das Signal vorhanden ist — nie der Beweis, wie stark ein bestimmtes Modell es gewichtet, und dieses Gewicht unterscheidet sich mit hoher Wahrscheinlichkeit von Anbieter zu Anbieter und verschiebt sich, sobald Trainingsdaten altern. Der KI-SEO-Ratgeber behandelt, wie ein Modell den Rest einer Seite jenseits der strukturierten Daten liest.

Was liegt wirklich außerhalb der eigenen Kontrolle?

Drei Dinge, und dagegen anzuarbeiten verschwendet Aufwand:

• Welche Quellen es in die Trainingsdaten eines Modells geschafft haben, und wie stark die Entwickler eines Modells eine offene strukturierte Datenbank gegenüber der eigenen Website gewichtet haben. Beides veröffentlicht kein großer Anbieter.
• Wann ein Modell zuletzt trainiert wurde. Ein Unternehmen, das eine Namensverwechslung vor sechs Monaten behoben hat, bekommt von einem älter trainierten Modell womöglich immer noch die falsche Antwort — und ohne jedes Modell einzeln zu fragen, lässt sich nicht feststellen, welches den Stand schon kennt.
• Ein Wikipedia-Artikel. Wikipedias eigene Richtlinien raten generell von der Artikelanlage und -bearbeitung im Interessenkonflikt ab — dazu zählt ausdrücklich, über die eigene Organisation zu schreiben —, und die meisten kleinen und mittleren Unternehmen erreichen die Relevanzschwelle ohnehin nicht, unabhängig davon, wer den Artikel verfasst. Eine Entität in einer strukturierten Datenbank ist ein realistischer, erreichbarer Ersatz für die Zuordnungsarbeit, die ein Wikipedia-Artikel sonst leisten würde — kein Ersatz für das, was ein Wikipedia-Artikel für tatsächlich relevante Themen leistet, und kein Ziel, das ein nicht relevantes Unternehmen anstreben sollte.

Genau an diesem dritten Punkt bleibt die Lücke zwischen „erkannt“ und „noch nicht“ am längsten bestehen. Wikidatas eigener Relevanzmaßstab verlangt, dass sich eine Entität mit glaubwürdigen, öffentlich zugänglichen Belegen beschreiben lässt — niedriger und mechanischer als Wikipedias Schwelle, aber immer noch eine Schwelle. Ein Registereintrag, ein Verzeichniseintrag, ein Branchendatenbank-Eintrag: Meist reicht schon einer davon. Ein Unternehmen ohne all das hat nichts, woraus sich die Entität aufbauen ließe — und die ehrliche Antwort lautet, sich zuerst einen solchen Beleg zu verschaffen, bevor man von einem Knowledge Graph, oder einem teilweise darauf trainierten Modell, erwarten kann, zu wissen, wer da fragt.

Garantiert das ein Zitat?

Nein, und nichts, was ein KI-Anbieter veröffentlicht hat, behauptet, eine Checkliste würde das leisten. Was diese Signale verändern, sind die Chancen, dass ein Modell einen Namen der richtigen Entität zuordnet, wenn es eine Wahl zu treffen hat — nicht, ob es diese Entität von sich aus erwähnt, und nicht, ob es aus Gründen, die mit Entitätsklarheit nichts zu tun haben, einen Wettbewerber bevorzugt. Ein Unternehmen, das sich leicht eindeutig zuordnen lässt, bekommt dadurch keine Erwähnung garantiert. Eines, dessen Identität sich mit der eines anderen verknäuelt hat, hat die Erwähnungen, die es sonst bekommen hätte, schon verloren — und erfährt es nie.