Woher ChatGPT seine Informationen hat

Von Manfred Mayer Rieger · Veröffentlicht 28. Oktober 2026

Ein Fachgeschäft für Importwaren fragt ChatGPT an einem Dienstag, worauf es im Winterverkauf achten sollte. Die Antwort ist allgemein, aber vernünftig — genau das, was ein Modell aus tausenden Wirtschaftsartikeln aufgesogen hat. Eine Kundin fragt ChatGPT am selben Nachmittag nach dem Laden selbst. Diesmal zitiert die Antwort eine Rezension, die drei Wochen zuvor erschienen ist. Dasselbe Modell, dieselbe Stunde — und zwei völlig unterschiedliche Quellen hinter den Worten.

Woher stammt eine Antwort über ein Unternehmen eigentlich?

Aus drei Quellen, und die sind nicht gleichwertig austauschbar. Die erste sind eingefrorene Trainingsdaten — eine feste Textsammlung bis zu einem Stichtag, fest im Modell verbaut und zwischen den Versionen nie aktualisiert. Die zweite ist eine Live-Websuche, die nur läuft, wenn das System eine Frage dafür für geeignet hält, und die auf einem von OpenAI selbst aufgebauten Index beruht, nicht auf dem Gedächtnis des Modells. Die dritte, enger als beide anderen, sind Inhalte, die ein Verlag gezielt an OpenAI lizenziert hat — die dann per Vereinbarung in einer Antwort zitiert oder angezeigt werden können, unabhängig von den ersten beiden Wegen.

Eine Antwort trägt kein Etikett, das verrät, welche der drei sie geliefert hat. Genau darin liegt die eigentliche Ursache für die Widersprüche oben: nicht in irgendeiner vagen Unzuverlässigkeit des Modells, sondern darin, dass “ChatGPT” eine Kurzform für mindestens drei verschiedene Wege zu einer Antwort ist — jeder mit eigenen blinden Flecken.

Wie entscheidet ChatGPT, ob es sucht statt aus dem Gedächtnis zu antworten?

Automatisch, und nicht jedes Mal nach demselben Muster. OpenAIs Hilfedokumentation zur Suche beschreibt, dass das System selbst entscheidet, ob eine Live-Suche hilfreich wäre, ergänzt durch eine manuelle Option, sie gezielt zu erzwingen. Das ist eine echte Fähigkeit, keine Garantie. Eine Frage, die wie eine feststehende Tatsache wirkt — was ein Unternehmen macht, wo es sitzt —, liefert nicht denselben offensichtlichen Anlass zum Nachschauen wie eine Frage zu den Schlagzeilen dieser Woche. OpenAIs eigene Dokumentation nennt dafür keine genaue Schwelle, und das sollte man klar aussprechen: Die Kriterien sind nicht veröffentlicht, also lässt sich auch keine Formulierung gezielt konstruieren, die sie zuverlässig überschreitet.

Liest OpenAIs eigener Crawler dieselben Seiten wie eine Suchmaschine?

Nicht mit demselben Crawler, und das aus gutem Grund. Der Index, aus dem ChatGPTs Suchfunktion zitiert, wird von OAI-SearchBot aufgebaut — einer eigenständigen Komponente, getrennt von GPTBot, der ausschließlich Seiten für das Training künftiger Modelle sammelt. OpenAIs Entwicklerdokumentation behandelt beide als unabhängige Einstellungen: Eine Website kann den einen zulassen und den anderen sperren, ohne dass sich die beiden Regeln gegenseitig beeinflussen. Was das für die robots.txt-Datei einer Website konkret bedeutet, zeigt ein eigener Beitrag zu OAI-SearchBot und GPTBot im Detail — hier reicht die Kurzfassung: “ChatGPT” ist kein einzelner Crawler mit einer einzigen Regel, weshalb eine Sperre, die ChatGPT insgesamt treffen soll, leicht genau die Hälfte verfehlt, die tatsächlich Zitate liefert.

Landen lizenzierte Verlagsinhalte direkt in einer Antwort?

Für eine kleine Gruppe von Partnern schon — und genau das ist der Kanal, den die meisten Unternehmen nie zu Gesicht bekommen. OpenAIs erster großer Deal mit einem Nachrichtenhaus, im Juli 2023 gemeinsam mit der Associated Press verkündet, lizenzierte einen Teil des AP-Textarchivs bis zurück ins Jahr 1985 für das Training — die finanziellen Details wurden nicht offengelegt. Eine spätere Vereinbarung mit Condé Nast ging weiter: OpenAIs eigene Partnerschaft erlaubt ChatGPT, Inhalte von Wired, Vogue und The New Yorker direkt in Antworten anzuzeigen — nicht nur als Trainingsmaterial für ein künftiges Modell, sondern unmittelbar sichtbar.

Beide Deals sind wichtig, um zu verstehen, wie eine Antwort überhaupt zusammenkommt, und keiner von beiden reicht über den jeweils benannten Partner hinaus. Ein Steuerberater vor Ort oder ein regionaler Einzelhändler fällt nicht unter eine Vereinbarung, die für eine überregionale Nachrichtenagentur geschlossen wurde, und es gibt keinen Weg, sich nachträglich in einen solchen Deal einzutragen. Der Kanal existiert wirklich — nur eben für eine Handvoll namentlich genannter Verlage, nicht als Hebel für die meisten Leserinnen und Leser.

Kann ein Test tatsächlich zeigen, welcher Kanal eine Antwort über ein bestimmtes Unternehmen geliefert hat?

Nur für einen der drei, und das mit Absicht. Eine tiefere KI-Sichtbarkeitsprüfung stellt mehreren aktuellen Modellen gleichzeitig eine einfache, unvorbereitete Frage zu einem Unternehmen — ohne mitgelieferten Kontext, ohne Websuche —, genau um zu sehen, was allein im Trainingsgedächtnis steckt, getrennt von allem, was eine Suche oder ein Lizenzdeal zusätzlich beitragen könnten. Das isoliert den ersten Kanal sauber. Dieselbe Frage wird nicht ein zweites Mal mit aktivierter Suche gestellt, um beide Ergebnisse zu vergleichen — was eine Live-Suche stattdessen gefunden hätte, lässt sich damit nicht sagen. Das ist eine andere, schwerer zu messende Frage, die dieses Testdesign bewusst nicht angeht. Wie dieser reine Gedächtnistest Antworten im Detail einordnet, einschließlich einer Fehlerform, die leicht übersehen wird, beschreibt ein eigener Beitrag zu ChatGPTs Wissensstichtag ausführlicher.

Was ändert das für ein Unternehmen, das gefunden werden will?

Beim Lizenz-Kanal wenig — diese Tür steht für die meisten schlicht nicht offen. Die eigentliche Hebelwirkung liegt bei den anderen beiden, und sie verlangen entgegengesetzte Reaktionen. Das Trainingsgedächtnis lässt sich nachträglich nicht korrigieren; ein Unternehmen, das nach dem Stichtag eines Modells entstanden ist, muss auf ein neueres Modell warten — und akzeptieren, dass dieselbe Lücke danach für das nächste neu gegründete Unternehmen wieder aufklappt. Die Live-Suche ist der Kanal, der sich schon heute lohnt: leicht für einen Crawler erreichbar sein, klar beschrieben sein, und so aufgebaut sein, dass ein Retrieval-System eine saubere Antwort direkt aus einer Seite ziehen kann, statt raten zu müssen — ein kostenloser Auffindbarkeits-Check bewertet eine Seite genau danach, und die breitere Praxis dazu behandelt die KI-SEO-Seite dieser Website.

Drei Quellen, eine Antwort, die nach außen keinen Unterschied zeigt — und nur einer der drei Kanäle verlangt überhaupt etwas von dem Unternehmen, um das es in der Frage geht.