„Ich frag die KI nach uns – und jedes Mal kommt was anderes raus”
Inzwischen tippen ja immer mehr Marketer ihren eigenen Firmennamen in ChatGPT. „Welche Anbieter sind in unserer Branche zu empfehlen?” – und dann schaut man gespannt, ob man selbst auftaucht. Ein neuer Spiegel fürs KI-Zeitalter, sozusagen. Den Reiz versteht man sofort.
Nur stößt man dabei eben schnell auf dieselbe Irritation.
Eben warst du noch auf Platz 3, du fragst das Gleiche nochmal – und dein Name ist komplett verschwunden. Schau dir das an, dann sitzt du vor dem Bildschirm und fragst dich: Welches der beiden Ergebnisse stimmt denn jetzt?
Normalerweise wird das mit „KI ist halt so” abgehakt. Aber was, wenn dieses Schwanken einer Regel folgt – und du sie sogar steuern kannst?
Genau das haben jetzt mal welche systematisch durchgemessen, mit 14.000 Abfragen. Und das Ergebnis ist überraschend ordentlich sortiert.
Wie misst man „Schwanken” überhaupt?
Untersucht hat das die Forschungsabteilung von Conductor, einem Anbieter für KI-Sichtbarkeit (R). Der Umfang ist beachtlich: Sie haben insgesamt 14.000 Mal eine Frage an eine KI geschickt und die Antworten von vier Systemen festgehalten – ChatGPT, Perplexity, Claude und Gemini.
Der entscheidende Kniff war, die Fragen nach ihrem in sieben Typen zu sortieren. Intent meint schlicht: Was will der Mensch mit dieser Frage eigentlich erreichen? „Welches soll ich kaufen?” ist Kauf-Intent, „A oder B – was ist besser?” ist Vergleich, „Was ist eigentlich X?” ist Bildung. Und so weiter, in sieben Sorten.
Gemessen wurde das Schwanken dann mit zwei Maßstäben.
- Marken-Übereinstimmungsrate: Du stellst dieselbe Frage zweimal – welcher Anteil der Marken taucht in beiden Antworten auf?
- Stabilitätsrate von Platz 1: Wie oft ist die Top-Empfehlung, die zuerst genannte Marke, in beiden Durchläufen dieselbe?
Beide hoch heißt: stabile, verlässliche Antworten. Schauen wir uns an, was rauskam.
Kaufen schwankt wild, Vergleichen steht wie eine Eins
Und die Zahlen sind wirklich hübsch gestaffelt. Je nach Intent ändert sich die Stabilität fast wie auf einer Treppe.
Am wildesten schwankte der Kauf-Intent. Die Marken-Übereinstimmungsrate lag bei mageren 40 %. In den Worten des Forschungsteams: Lässt man eine Kauf-Frage zweimal laufen, kommen insgesamt 10 Marken vor – aber in beiden Durchläufen tauchen davon nur 4 auf. Die anderen 6 wechseln mit jeder Abfrage das Gesicht.
Genau andersrum beim Vergleichs-Intent. Die Stabilität von Platz 1 lag hier bei 91 %. Fragst du „A oder B – was ist besser?”, steht fast jedes Mal dieselbe Marke ganz oben. Dieselbe KI, dieselbe Art Frage – und trotzdem zwei völlig verschiedene Welten.
Der Bildungs-Intent hat noch eine eigene Macke. Die Auswahl der Marken ist hier zwar ziemlich konsistent, aber die Stabilität von Platz 1 liegt bei nur 30 %. Und das Kuriose: 45 bis 72 % dieser Fragen gaben überhaupt keine Marke zurück. Fragt man die KI „Was ist eigentlich X?”, antwortet sie halt lieber allgemein, als irgendeinen Firmennamen rauszurücken.
Warum gerade die Kauf-Fragen so flattern
Jetzt kommt der „Aha”-Moment. Denn das Schwanken hängt ziemlich genau damit zusammen, wie voll das jeweilige Frage-Feld ist.
Eine Kauf-Frage – „Was soll ich denn nun nehmen?” – hat einen riesigen Vorrat an möglichen Marken. Viele Kandidaten, und kaum einer eindeutig besser als der andere. In so einem überfüllten, umkämpften Feld zieht die KI bei jedem Durchlauf ein leicht anderes Grüppchen aus dem Hut. Wie eine Wundertüte: Mal ist deine Marke drin, mal fehlt sie ganz.
Der Vergleich dagegen kommt schon eingegrenzt daher. „A oder B” – die Teilnehmer auf der Bühne stehen längst fest. Da kann die Antwort gar nicht groß ausbrechen. Deshalb bleibt sie stabil.
Und noch was darf man nicht übersehen: Jede KI hat ihren eigenen Tick. Auf dieselbe Frage nennt ChatGPT im Schnitt rund 5 Marken pro Antwort, Gemini dagegen satte 9,2. Wer mehr aufzählt, bei dem wechselt das Personal logischerweise auch häufiger. Perplexity und Claude liegen irgendwo dazwischen.
Heißt, schon die Wahl der KI entscheidet darüber, wie stark die Grundschwankung überhaupt ist.
Was du jetzt eigentlich machen musst
Fassen wir zusammen. Das Schwanken der KI ist keine Laune, sondern hängt zu einem guten Teil davon ab, welchen Intent deine Frage hatte. Kaufen schwankt von Natur aus, Vergleichen steht fest. Du jagst denselben Markennamen – und siehst je nach Fragestellung eine völlig andere Landschaft.
Wenn du deine KI-Sichtbarkeit also über die Zeit beobachten willst, gibt es genau einen ersten Schritt.
Fixiere den Intent der Frage, mit der du misst.
Beobachtung über die Zeit heißt im Kern: unter gleichen Bedingungen weitermessen. Fragst du heute eine Kauf-Frage und nächste Woche eine Vergleichs-Frage, kriegst du nie auseinander, ob die Zahl sich wegen deiner Maßnahmen bewegt hat – oder einfach so. Willst du Effekte sauber verfolgen, nimm Vergleichs-Fragen. Willst du das echte Wackeln aus dem Alltag sehen, nimm Kauf-Fragen. Leg dich je nach Ziel fest und miss dann immer gleich.
Und das Zweite, mindestens genauso wichtig: Reg dich über ein einzelnes Ergebnis nicht auf. War deine Marke an einem Tag bei einer Kauf-Frage verschwunden, ist das vielleicht gar kein Misserfolg – sondern einfach ein Feld, das von Haus aus schwankt. Genau deshalb gilt: Schau auf den Durchschnitt über mehrere Durchläufe, schau auf den Trend.
Der nächste konkrete Schritt? Such dir ein paar Fragen, die deine Marke gut beschreiben, pro Intent nur eine Handvoll. Miss sie regelmäßig mit derselben KI und gleich oft. Dann liest du nicht mehr fremde „Bei mir kam die Marke / bei mir nicht”-Anekdoten, sondern deine eigenen Zahlen mit deinem eigenen Maßstab. Genau da fängt vernünftiger Umgang mit KI-Sichtbarkeit an.
Quellen
- Jia-Rong Li (Conductor), „AI Brand Recommendation Study: Why Intent Type Predicts AI Output Consistency”, 2026, Link
