Warum KI Ihr Unternehmen unscharf beschreibt - und was hilft

Sie fragen ChatGPT, was Ihr Unternehmen macht, und bekommen eine Antwort, die Sie nicht bestreiten können. Nichts davon ist erfunden. Trotzdem stimmt es nicht: Die Leistung, mit der Sie 70 Prozent Ihres Umsatzes machen, kommt nicht vor. Dafür steht dort etwas, das Sie vor Jahren einmal angeboten haben. Die Beschreibung passt auf jedes zweite Unternehmen Ihrer Branche.

Das ist kein Sonderfall und meist auch kein Fehler des Modells. Es ist die Antwort, die aus uneindeutigen Angaben entsteht.

Das Wichtigste in Kürze: Unscharfe KI-Darstellungen haben zwei belegte Ursachen, und beide sind nicht Erfindung. Erstens ordnen Sprachmodelle eine Namensnennung nur in rund drei von vier Fällen der richtigen Entität zu; strukturierte Kategorieangaben heben diesen Wert messbar an. Zweitens ist der häufigste Fehler in KI-Antworten nicht die falsche Behauptung, sondern die Auslassung: In einer Untersuchung von 98.020 Einzelaussagen aus Google AI Overviews waren 11 Prozent nicht durch die zitierte Quelle gedeckt, überwiegend weil Kontext wegfiel. Wer eindeutig gefunden werden will, braucht deshalb keine längere Selbstdarstellung, sondern Sätze, die auch verkürzt noch stimmen.

Warum beschreibt KI mein Unternehmen unscharf statt falsch?

Weil zwei verschiedene Vorgänge Unschärfe erzeugen, lange bevor irgendetwas erfunden wird. Der erste betrifft die Zuordnung: Das System muss entscheiden, welches reale Unternehmen mit einem Namen gemeint ist. Der zweite betrifft die Verdichtung: Aus vielen Quellen wird ein kurzer Text, und dabei fällt weg, was nicht in drei Sätze passt.

Beide Vorgänge sind untersucht, und die Zahlen dazu sind unbequem. Sie erklären auch, warum die naheliegende Reaktion, einfach mehr über sich zu schreiben, das Problem oft verschlimmert.

Wie oft ordnet ein Modell eine Nennung dem falschen Unternehmen zu?

Häufiger als erwartet. Eine Arbeit von Gerard Pons, Besim Bilalli und Anna Queralt an der Universitat Politècnica de Catalunya hat gemessen, wie zuverlässig Sprachmodelle eine Namensnennung im Text der richtigen Entität in einem Wissensgraphen zuordnen. Das Ergebnis über zehn Datensätze: Ein Sprachmodell ohne Hilfsmittel erreicht 75,4 Prozent. Jede vierte Zuordnung geht also an die falsche Entität.

Interessant ist, was den Wert hebt. Die Forscher gaben dem Modell die Klassenhierarchie des Wissensgraphen mit, also die Information, zu welcher Kategorie ein Kandidat gehört. Damit stieg die Trefferquote auf 81,1 Prozent und lag damit nahe an einem spezialisierten Modell, das eigens für diese Aufgabe trainiert wurde und 82,6 Prozent erreicht.

Besonders deutlich wurde der Effekt bei einem Datensatz mit schwierigen, mehrdeutigen Nennungen: Dort erreichte das Verfahren mit Kategorieinformation 71,8 Prozent, während das Spezialmodell auf 56,7 Prozent fiel. Wo es mehrdeutig wird, hilft eine klare Kategoriezuordnung mehr als jedes Training.

Für die Praxis ist das die zentrale Aussage dieses Beitrags: Die Kategorie, in die Sie gehören, ist keine Marketingfrage, sondern eine Zuordnungshilfe. Wer nirgends klar sagt, was er ist, überlässt diese Entscheidung einem Verfahren mit bekannter Fehlerquote.

Was bedeutet Auslassung als häufigster Fehler?

Dass die Gefahr weniger in erfundenen Aussagen liegt als in weggelassenem Kontext. Eine Untersuchung von Haofei Xu, Umar Iqbal und Jacob M. Montgomery vom Mai 2026 hat Google AI Overviews im großen Maßstab vermessen: 55.393 Suchanfragen aus 19 Themenbereichen über 40 Tage, ausgewertet wurden 98.020 in Einzelaussagen zerlegte Behauptungen.

Zwei Befunde daraus sind für die eigene Darstellung entscheidend. Erstens: 11,0 Prozent der Einzelaussagen waren durch die zitierten Seiten nicht gedeckt, und der dominante Fehlermodus war die Auslassung, nicht die falsche Behauptung. Zweitens: Quellenqualität und Aussagentreue erwiesen sich als weitgehend unabhängig voneinander. Eine seriöse Quelle garantiert also nicht, dass die daraus gebildete Aussage stimmt.

Wie das konkret aussieht, kennt jeder, der schon einmal eine Zusammenfassung seines eigenen Textes gelesen hat. Aus dem Satz

Seit unserer Spezialisierung im Jahr 2024 entwickeln wir Telefonassistenten ausschließlich für Arztpraxen.

wird in der Verdichtung leicht

entwickelt Telefonassistenten für Arztpraxen

und im nächsten Schritt

entwickelt Telefonassistenten.

Keine dieser Verkürzungen ist gelogen. Die letzte ist trotzdem wertlos, weil sie das Unterscheidungsmerkmal verloren hat. Genau so entsteht eine Beschreibung, die auf jedes zweite Unternehmen der Branche passt.

Wie formulieren Sie Sätze, die eine Auslassung überstehen?

Indem Sie das Unterscheidungsmerkmal in den Hauptsatz nehmen statt in einen Nebensatz oder eine Zeitangabe. Ein Satz übersteht die Verdichtung, wenn er auch dann noch zutrifft und noch etwas aussagt, wenn man alles Nachgeordnete streicht.

Die Regel dahinter lässt sich in einem Satz prüfen: Streichen Sie alles hinter dem ersten Komma. Steht dann noch da, was Sie von anderen unterscheidet? Wenn nicht, steht das Unterscheidungsmerkmal an der falschen Stelle.

Das gilt für die eigene Website ebenso wie für Verzeichniseinträge, Profiltexte und Pressemitteilungen. Welche dieser Quellen überhaupt Gewicht haben und wo Mittelständler realistisch hineinkommen, steht im Beitrag zu den Quellen hinter KI-Antworten.

Welche Angaben braucht ein Modell, um Sie einzuordnen?

Sechs, und sie sind unspektakulär. Es geht nicht um eine Markenbotschaft, sondern um die Merkmale, an denen sich eine Entität von einer anderen unterscheiden lässt.

1. Kategorie: Was Sie sind, in gebräuchlichen Worten. Nicht Lösungsanbieter für digitale Transformation, sondern KI-Agentur oder Softwareentwickler.
2. Leistung: Was Sie konkret herstellen oder erbringen, nicht welchen Nutzen es stiftet.
3. Zielgruppe: Für wen, so eng wie es ehrlich geht.
4. Ort: Sitz und Einzugsgebiet. Für regionale Anbieter das stärkste Unterscheidungsmerkmal überhaupt.
5. Rechtsträger: Die vollständige Firmierung inklusive Rechtsform, überall gleich geschrieben.
6. Beziehungen: Zu wem Sie gehören, mit wem Sie zusammenarbeiten, wo Sie Mitglied sind.

Der sechste Punkt wird am häufigsten übersehen und ist gerade bei verbundenen Unternehmen entscheidend. Wer zwei Firmen betreibt, sollte auf beiden Seiten dieselbe Beziehung beschreiben, sonst entstehen zwei Entitäten mit widersprüchlichen Angaben, die sich gegenseitig entwerten.

Was tun, wenn der Firmenname mehrdeutig ist?

Den Namen nie allein stehen lassen. Ein Firmenname, den es mehrfach gibt oder der zugleich ein normales Wort ist, führt genau zu dem Zuordnungsproblem, das die Studie mit 75,4 Prozent beziffert. Das Modell muss raten, und es rät gelegentlich falsch.

Drei Maßnahmen helfen, ohne dass Sie Ihren Namen ändern müssen. Erstens: Nennen Sie den Namen konsequent zusammen mit der Kategorie, also nicht Muster allein, sondern Muster GmbH, Steuerkanzlei in Aalen. Zweitens: Halten Sie die Firmierung überall identisch, inklusive Rechtsform und Schreibweise. Drittens: Sorgen Sie dafür, dass wenigstens eine gut auffindbare Seite alle sechs Merkmale von oben in unmittelbarer Nähe zueinander nennt, damit sie gemeinsam erfasst werden.

Ob diese Arbeit wirkt, lässt sich messen. Wie eine belastbare Messung aussieht und warum eine einzelne Abfrage dafür nicht genügt, steht im Beitrag zum Messen der KI-Sichtbarkeit.

Warum sind widersprüchliche Angaben schlimmer als knappe?

Weil ein Widerspruch die Zuordnung aktiv erschwert, während eine Lücke sie nur unvollständig lässt. Wenn auf der Website eine andere Leistungsbeschreibung steht als im Branchenverzeichnis und im Profil einer Plattform wieder eine dritte, entsteht kein Durchschnitt aus drei Angaben. Es entsteht Unsicherheit darüber, ob überhaupt dasselbe Unternehmen gemeint ist.

Der häufigste Auslöser ist unspektakulär: alte Seiten, die noch online sind. Ein Unterverzeichnis aus der Zeit vor der Neuausrichtung, ein PDF mit dem alten Leistungsspektrum, ein Verzeichniseintrag von 2019. Solange zwei Stände auffindbar sind, entscheidet das System, welcher gilt, und trifft diese Entscheidung nicht immer zu Ihren Gunsten. Was Sie tun können, wenn bereits falsche Angaben im Umlauf sind, steht im Beitrag zu falschen KI-Angaben über Ihr Unternehmen.

Wie prüfen Sie Ihre eigene Eindeutigkeit?

Mit einem Test, der eine halbe Stunde dauert und keine Software braucht. Er besteht aus drei Schritten.

Schritt eins, der Kürzungstest. Nehmen Sie die ersten drei Sätze Ihrer Startseite und streichen Sie in jedem alles hinter dem ersten Komma. Lesen Sie, was übrig bleibt. Wenn dort keine Kategorie, keine Leistung und keine Zielgruppe mehr vorkommt, ist Ihre Selbstbeschreibung nicht auslassungsfest.

Schritt zwei, der Abgleich. Öffnen Sie Ihre Website, Ihre wichtigsten Verzeichniseinträge und Ihre Profile nebeneinander. Notieren Sie für jede Quelle die sechs Merkmale. Jede Abweichung ist ein Kandidat für einen Widerspruch, jede Leerstelle eine Lücke.

Schritt drei, die Fremdprobe. Lassen Sie jemanden, der Ihr Unternehmen nicht kennt, allein anhand dieser Quellen aufschreiben, was Sie tun und für wen. Was diese Person nicht herausfindet, findet ein Sprachmodell erst recht nicht heraus. Dieser Schritt ist der unangenehmste und der aufschlussreichste.

Häufige Fragen

Warum beschreibt ChatGPT unser Unternehmen so allgemein? Weil aus den verfügbaren Quellen nichts Spezifischeres hervorgeht oder weil das Unterscheidungsmerkmal bei der Verdichtung weggefallen ist. Auslassung ist der häufigste Fehlermodus in KI-Antworten; in der Untersuchung von Google AI Overviews waren 11 Prozent der Einzelaussagen nicht durch die zitierte Quelle gedeckt, überwiegend durch fehlenden Kontext.

Hilft es, mehr Text über uns zu veröffentlichen? Nur wenn er eindeutiger ist. Mehr Text erhöht die Zahl der Aussagen, aus denen verdichtet wird, und damit auch die Zahl möglicher Widersprüche. Wirksamer ist es, die vorhandenen Angaben anzugleichen und das Unterscheidungsmerkmal in den Hauptsatz zu nehmen.

Wie wichtig ist die genaue Firmierung? Wichtiger als sie wirkt. Sprachmodelle ordnen Namensnennungen in etwa drei von vier Fällen der richtigen Entität zu; abweichende Schreibweisen mit und ohne Rechtsform erschweren diese Zuordnung zusätzlich. Eine einheitliche Schreibweise über alle Quellen ist eine der wenigen Maßnahmen, die nichts kostet.

Wir betreiben zwei Firmen. Wie gehen wir damit um? Beschreiben Sie die Beziehung auf beiden Seiten gleich und benennen Sie sie ausdrücklich. Bleibt die Verbindung ungenannt oder wird sie unterschiedlich dargestellt, entstehen zwei Entitäten mit widersprüchlichen Angaben, was die Zuordnung für beide verschlechtert.

Reicht Schema-Markup, um eindeutig zu werden? Es hilft, ersetzt aber den Fließtext nicht. Strukturierte Angaben liefern die Kategorie in maschinenlesbarer Form, und genau diese Kategorieinformation hat in der untersuchten Zuordnungsaufgabe die Trefferquote von 75,4 auf 81,1 Prozent gehoben. Zitiert wird trotzdem der Text, den Menschen lesen.

Wie lange dauert es, bis sich eine schärfere Darstellung auswirkt? Bei Systemen mit Live-Websuche einige Wochen, sobald die geänderten Seiten neu erfasst sind. Was aus einem Trainingsstand stammt, ändert sich erst mit dem nächsten Trainingszyklus. Planen Sie mit einem Quartal, bevor Sie bewerten, und messen Sie vorher und nachher mit derselben Fragenliste.

Fazit

Die verbreitete Diagnose lautet, KI-Systeme würden Unternehmen falsch darstellen. Die Messungen zeigen ein anderes Bild: Sie stellen sie unscharf dar, und zwar dort, wo die Vorlage selbst unscharf ist. Ein Viertel der Namenszuordnungen geht daneben, und der häufigste Fehler in den Antworten ist nicht die Erfindung, sondern das Weglassen.

Daraus folgt eine Arbeitsweise, die sich von klassischer Öffentlichkeitsarbeit unterscheidet. Es geht nicht darum, mehr über sich zu erzählen, sondern darum, dass die kürzestmögliche Fassung der eigenen Beschreibung noch stimmt und noch unterscheidet. Wer diesen Test besteht, wird auch von Systemen korrekt wiedergegeben, die aggressiv verdichten.

Der Einstieg kostet eine halbe Stunde: drei Sätze kürzen, sechs Merkmale über alle Quellen abgleichen, eine fremde Person lesen lassen. Was danach übrig bleibt, ist die Beschreibung, mit der Sie gefunden werden.

Dieser Beitrag gibt den Stand vom 16. August 2026 wieder.

Quellen

• Gerard Pons, Besim Bilalli, Anna Queralt (Universitat Politècnica de Catalunya, Mai 2025): Knowledge Graphs for Enhancing Large Language Models in Entity Disambiguation, arXiv:2505.02737. Trefferquoten 75,4 Prozent ohne und 81,1 Prozent mit Kategoriehierarchie über zehn Datensätze
• Haofei Xu, Umar Iqbal, Jacob M. Montgomery (Mai 2026): Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact, arXiv:2605.14021. 55.393 Suchanfragen, 98.020 Einzelaussagen, 11,0 Prozent ohne Deckung durch die zitierte Quelle