„Was bei meinen Kunden zieht, zieht doch auch bei der KI” – oder?
Du hast über Jahre gelernt, welche Worte verkaufen. „Nur noch 3 auf Lager.” „Exklusiv für Mitglieder.” „Im Schnitt 26 % günstiger.” Diese Sätze drücken bei Menschen zuverlässig auf den Knopf, und du baust sie halt routiniert in jede Produktbeschreibung ein.
Und jetzt fragt deine Zielgruppe nicht mehr Google, sondern ChatGPT: „Welche Kaffeemaschine soll ich nehmen?” Die KI liest dieselbe Beschreibung – und empfiehlt oder eben nicht.
Da liegt die Annahme nahe: Was beim Menschen funktioniert, funktioniert beim Sprachmodell genauso.
Nur: Diese Annahme stimmt erstaunlich oft nicht. Genau das hat sich mal ein Team richtig angeschaut – und manche der bewährten Tricks ziehen bei der KI nicht nur nicht, sondern nach unten.
Zehn Marketing-Tricks, durch vier KIs gejagt
Untersucht hat das ein Team der Technischen Universität Athen – Giorgos Filandrianos, Angeliki Dimitriou, Maria Lymperaiou, Konstantinos Thomas und Giorgos Stamou, veröffentlicht 2025 (R). Die Idee ist denkbar simpel: zehn aus dem Marketing bekannte Formulierungen – jede spielt mit einer kognitiven Verzerrung – in Produktbeschreibungen einbauen und messen, wie sich die KI-Empfehlung verschiebt.
Kognitive Verzerrung heißt im Kern: ein systematischer Denk-Abkürzer, der das Urteil in eine bestimmte Richtung biegt. Sprich, genau die Hebel, mit denen Werbung seit jeher beim Menschen arbeitet.
Gemessen wurde zweierlei: wie oft ein Produkt überhaupt empfohlen wird, und auf welchem Platz es in der Liste landet. Durchgespielt haben sie das mit dicken Modellen – LLaMA (bis 405B), Mistral Large, Claude 3.5 und 3.7 – über Kaffeemaschinen, Kameras und Bücher als kontrollierte Testfälle plus echte Amazon-Produkte.
Heißt, das ist kein Ein-Modell-Zufall. Und was dabei rauskam, sortiert die Marketing-Tricks in zwei sehr ungleiche Lager.
Was wirkte: Mundpropaganda schlägt Reklame
Der mit Abstand stärkste Hebel war Social Proof – also echte Nutzerbewertungen und Mundpropaganda. Bei Claude 3.5 schoss die Empfehlungsrate dadurch um 334 % nach oben. Über alle Modelle gemittelt stieg die Sichtbarkeit immer noch um rund 15 bis 22 %.
Social Proof heißt im Kern: der Beleg, dass echte Menschen das Produkt schon gut fanden. Genau darauf springt die KI an – nicht auf das laute Versprechen der Marke selbst, sondern auf die Stimme von dritter Seite.
Und dann kommt der Punkt, der mich wirklich stutzig gemacht hat: das Rabatt-Framing. Dabei blieb der Preis exakt gleich – verändert wurde nur die Formulierung, etwa „im Schnitt 26 % günstiger”. Reine Worte, kein Cent Unterschied.
Trotzdem zog die reine Sale-Stimmung: Claude 3.7 legte um 37 % zu, LLaMA um 23 %.
Die KI reagiert hier also auf das Gefühl von Schnäppchen, nicht auf den realen Preis. Das ist menschlich allzu vertraut – nur erwartet man es von einer Maschine eben nicht.
„Nur noch 3 auf Lager” – und die KI macht zu
Jetzt die Kehrseite, und die läuft genau andersrum als beim Menschen. Die Tricks, die im Laden und im Funnel am verlässlichsten ziehen – Knappheit und Exklusivität –, drücken die KI-Empfehlung nach unten.
Am brutalsten traf es die Exklusivität („nur für Mitglieder”, „für einen ausgewählten Kreis”). Die Empfehlungsrate fiel um bis zu 46 %, und beim Platz ging es über 100 % runter – das Produkt flog schlicht aus der Liste.
Auch Knappheit („geringer Bestand”, „nur noch 3 verfügbar”) kostete: rund 10 bis 20 % weniger Empfehlungen.
Beim Menschen ist Knappheit der Klassiker schlechthin – „schnell, sonst weg”. Die KI liest denselben Satz und wird misstrauisch.
Heißt, dein bestes Dringlichkeits-Copy, das die Conversion bei echten Käufern hebt, kann dich in der KI-Empfehlung aktiv kosten. Genau die Stelle, an der menschliche Intuition in die Irre führt.
„Achte nur auf die Funktionen” – hilft fast nichts
An der Stelle denkt man sofort: Dann sag ich der KI eben, sie soll den Marketing-Schnickschnack ignorieren und nur nach Funktionen gehen. Klingt nach der sauberen Lösung.
Bringt aber kaum etwas. Selbst die Anweisung „bewerte ausschließlich nach den Features” ließ den Bias fast unverändert stehen. Und auch die <button class=“zn-term” type=“button” data-term=“Reasoning-Modelle” data-definition=“KI-Modelle, die vor der Antwort schrittweise „nachdenken” – sie begründen ihre Entscheidung explizit, statt sofort zu antworten.”>Reasoning-Modelle, die ihre Entscheidung eigentlich Schritt für Schritt durchdenken, blieben verzerrt.
Der Grund liegt tiefer, und er ist wichtig: Der Bias steckt nicht in der einzelnen Antwort, sondern in den Trainingsdaten. Die KI hat aus Bergen von Text gelernt, dass echte Reviews vertrauenswürdig klingen und marktschreierischer Hype eher verdächtig.
Genau deshalb hielt der Effekt über alle Modellgrößen und Anbieter hinweg – von LLaMA bis Claude, vom kleinen bis zum 405B-Brocken. Das ist kein Macken eines einzelnen Modells, das ist ins Fundament eingebacken.
Ein Detail noch, das ehrlich macht: Bei echten Amazon-Produkten, die ohnehin schon vor Hype strotzen, war der Effekt schwächer. Wo eh alle schreien, fällt der einzelne Schrei weniger auf.
Fazit: Die für Menschen gebauten Gewinnermuster hinterfragen
Halten wir fest, was das für die Praxis heißt – jetzt, wo immer mehr Traffic über die KI statt über die klassische Suche reinkommt.
Erstens: Stell deine bewährten „Gewinnermuster” auf den Prüfstand. Knappheits- und Dringlichkeits-Copy, die bei Menschen zieht, kann deine KI-Empfehlung ausbremsen. Was über Jahre für die menschliche Zielgruppe optimiert wurde, ist für den KI-Kanal nicht automatisch ein Asset – manchmal ist es eine Bremse.
Zweitens, und darauf ist am Ende Verlass: Die KI reagiert auf echte Bewertungen und Belege. Bau also echten Social Proof auf – ehrliche Reviews, nachvollziehbare Daten – und sorg dafür, dass er in deinen Beschreibungen auch sichtbar wird. Das ist der Hebel, der über alle Modelle hinweg trägt.
Ein Wort der Vorsicht muss aber rein, denn „allein die Formulierung hebt die Sichtbarkeit” ist eine gefährliche Verlockung. Einen Rabatt zu framen, den es gar nicht gibt, ist nicht clever, sondern fällt schnell unter irreführende Werbung und Verbraucherschutz. Sprich: Der Weg führt über echten Beleg, nicht über erfundenen. Bleib ehrlich – das ist hier nicht nur Moral, sondern auch das, worauf die KI tatsächlich anspringt.
Quellen
- Giorgos Filandrianos, Angeliki Dimitriou, Maria Lymperaiou, Konstantinos Thomas, Giorgos Stamou (2025), „Bias Beware: The Impact of Cognitive Biases on LLM-Driven Product Recommendations”, arXiv:2502.01349, arXiv
