Warum KI Ihr Unternehmen gar nicht nennt

Es gibt einen Unterschied zwischen einer falschen Antwort und gar keiner. Wer ChatGPT nach den Anbietern in seiner Branche fragt und die eigene Firma nicht in der Liste findet, hat kein Korrekturproblem. Er hat ein Schwellenproblem.

Das ist eine andere Ausgangslage, und sie verlangt einen anderen Weg. Was gegen falsche Angaben hilft, hilft gegen Nichterwähnung nicht.

Das Wichtigste in Kürze: Sprachmodelle geben Wissen aus dem Training nur dann zuverlässig wieder, wenn ein Thema im Trainingsmaterial oft genug vorkam. Unterhalb dieser Schwelle entsteht keine falsche Antwort, sondern gar keine. Eine Untersuchung von Mai 2026 über 38 Modelle zeigt, dass Modellgröße und Themenhäufigkeit zusammen rund 60 Prozent der Abrufqualität erklären, und dass die Schwelle mit wachsender Modellgröße nur langsam sinkt: Um ein seltenes Thema verlässlich abzurufen, wäre nach Hochrechnung der Autoren ein Modell mit etwa 50 Billionen Parametern nötig, rund das Dreißigfache des größten getesteten. Für mittelständische Unternehmen folgt daraus: Der Weg ins Trainingswissen ist praktisch versperrt. Der erreichbare Weg führt über den Live-Abruf, und der wirkt in Wochen statt in Jahren.

Warum nennt KI mein Unternehmen nicht?

Weil es für das Modell nicht existiert. Das klingt hart, beschreibt den Vorgang aber genauer als jede Vermutung über Benachteiligung oder Filter.

Ein Sprachmodell lernt im Training keine Datenbank, sondern statistische Zusammenhänge. Ob es einen Namen später abrufen kann, hängt davon ab, wie oft dieser Name im Trainingsmaterial vorkam und in wie vielen verschiedenen Zusammenhängen. Ein Unternehmen, über das es einige Erwähnungen auf der eigenen Website und in zwei Verzeichnissen gibt, liegt unterhalb dessen, was sich als abrufbares Wissen verfestigt.

Wichtig ist die Unterscheidung zu den beiden anderen Fällen, die oft verwechselt werden:

Die ersten beiden Fälle haben wir an anderer Stelle behandelt, einmal zu falschen KI-Angaben und einmal dazu, warum KI Unternehmen unscharf beschreibt. Dieser Beitrag behandelt den dritten.

Was sagt die Forschung über diese Schwelle?

Dass sie messbar ist und einer regelmäßigen Kurve folgt.

Eine Arbeit von Matthew L. Smith, Jonathan P. Shock, Samuel T. Segun, Iyiola E. Olatunji und Tegawendé F. Bissyandé vom 18. Mai 2026 (arXiv:2605.18732) hat 38 Modelle von einer Milliarde bis 405 Milliarden Parametern daraufhin geprüft, wie zuverlässig sie Fachliteratur wiedergeben. Grundlage waren 8.913 wissenschaftliche Referenzen aus 24 Themengebieten.

Das Ergebnis ist eine Sigmoidkurve aus zwei Faktoren: der Größe des Modells und der Häufigkeit des Themas im Trainingsmaterial. Zusammen erklären beide rund 60 Prozent der Unterschiede in der Abrufqualität, innerhalb einzelner Modellfamilien sogar 74 bis 94 Prozent. Die Modellgröße allein trägt 42,1 Prozent bei, die Themenhäufigkeit steuert weitere 17,8 Prozent bei.

Der zweite Wert ist der interessante. Die Häufigkeit eines Themas ist keine Nebenbedingung, sondern ein eigenständiger Faktor in derselben Größenordnung wie ein erheblicher Teil der Modellgröße.

Die Autoren beschreiben drei Bereiche, in denen sich ein Thema befinden kann:

Ein typischer Mittelständler liegt im Boden-Bereich. Das erklärt zwei Beobachtungen, die zusammengehören: die Nichterwähnung und die gelegentlich erfundenen Angaben. Beides ist dasselbe Phänomen, einmal als Auslassung und einmal als Notlösung.

Hilft es, auf größere Modelle zu warten?

Kaum. Das ist der praktisch wichtigste Befund der Arbeit.

Die Autoren haben gemessen, wie selten ein Fachaufsatz sein darf, damit ein Modell ihn noch kennt. Llama 3.1 mit 8 Milliarden Parametern erinnert Arbeiten mit im Mittel 2.419 Zitationen. Das 405-Milliarden-Modell derselben Familie kommt auf 589 bis 806 Zitationen.

Rechnen wir das durch: Die fünfzigfache Modellgröße senkt die Bekanntheitsschwelle etwa auf ein Viertel. Der Zusammenhang ist logarithmisch, nicht linear.

Die Autoren haben die Kurve für ein seltenes Thema hochgerechnet. Um dort eine Abrufqualität von 0,90 zu erreichen, wäre ein Modell mit etwa 50 Billionen Parametern nötig, ungefähr das Dreißigfache des größten Modells im Test. Ihre eigene Schlussfolgerung: Für Themen unterhalb der Schwelle sei ein Abruf, der die Modellerinnerung vollständig umgeht, die angemessene Antwort.

Übersetzt in die Lage eines Mittelständlers heißt das: Die nächste Modellgeneration wird Ihr Unternehmen nicht kennen. Die übernächste auch nicht. Das ist keine pessimistische Einschätzung, sondern das Ergebnis einer Hochrechnung entlang der gemessenen Kurve.

Eine zweite Untersuchung stützt die Größenordnung. Die FACT-Bench-Arbeit von Jiaqing Yuan und Kollegen prüfte mit 20.000 Frage-Antwort-Paaren aus 20 Bereichen, wie stark die Bekanntheit einer Entität den Abruf beeinflusst. GPT-4 erreichte bei bekannten Entitäten 65,9 Prozent exakte Treffer, bei seltenen 52,3 Prozent. Der Abstand von 13,6 Prozentpunkten entsteht dabei innerhalb einer Gruppe von Entitäten, die alle noch im Wissen des Modells vorkommen. Ein Unternehmen, das gar nicht vorkommt, liegt unterhalb dieser Skala.

Woran erkenne ich, ob mein Unternehmen unter der Schwelle liegt?

An einem Test, der zehn Minuten dauert und keine Software braucht.

Stellen Sie drei Fragen in einem Chatsystem, das nachweislich nicht im Netz sucht, sondern aus dem Training antwortet. Bei den meisten Anbietern lässt sich die Websuche abschalten.

Erstens die direkte Frage nach dem Firmennamen. Zweitens dieselbe Frage mit Ortsangabe. Drittens eine Frage nach Anbietern Ihrer Leistung in Ihrer Region, ohne Ihren Namen zu nennen.

Die Antworten lassen sich zuordnen:

Kommt eine korrekte Beschreibung, liegen Sie über der Schwelle. Dann ist Ihr Thema nicht dieser Beitrag, sondern die Genauigkeit der Darstellung.

Kommt eine Beschreibung, die eine andere Firma meint, sind Sie im Boden-Bereich mit Namensverwechslung. Der Name ist dem Modell zu wenig eindeutig zugeordnet.

Kommt eine allgemeine Auskunft ohne konkrete Angaben, oder ein Hinweis, dass dazu nichts bekannt sei, liegen Sie unter der Schwelle. Das ist der häufigste Fall.

Wiederholen Sie den Test mit eingeschalteter Websuche. Der Unterschied zwischen beiden Durchgängen ist die eigentlich interessante Zahl, denn er zeigt, was der Live-Abruf für Sie leisten kann.

Warum sagt das Modell trotzdem manchmal etwas?

Weil ein Sprachmodell darauf ausgelegt ist, eine Fortsetzung zu erzeugen, nicht darauf, eine Wissenslücke zu melden.

Im Boden-Bereich erzeugt das Modell nach Angaben der Untersuchung Antworten nach Schema. Es setzt zusammen, was zu einer Antwort dieser Art gehört: eine Branche, eine Größenordnung, eine Stadt, manchmal Namen, die aus dem Umfeld ähnlicher Begriffe stammen. Das Ergebnis liest sich flüssig und stimmt nicht.

Für die Praxis folgt daraus eine unangenehme Einsicht. Eine erfundene Beschreibung Ihres Unternehmens ist kein Beleg dafür, dass das Modell Sie kennt und nur etwas verwechselt. Sie ist meist der Beleg für das Gegenteil.

Deshalb führt der naheliegende Weg in die Irre. Wer nach einer falschen Antwort anfängt, Angaben zu korrigieren, korrigiert etwas, das gar nicht gespeichert ist. Die Arbeit muss an einer anderen Stelle ansetzen.

Der Weg führt über den Live-Abruf, nicht über das Training

Und das ist die gute Nachricht in dieser Sache.

Moderne Assistenzsysteme antworten auf zwei Wegen. Entweder aus dem Trainingswissen oder über eine Suche zur Laufzeit, bei der Seiten abgerufen und ausgewertet werden. Für unbekannte Entitäten ist der zweite Weg der einzige, der offensteht, und er hat drei Eigenschaften, die dem Mittelstand entgegenkommen.

Er ist unabhängig von der Erwähnungshäufigkeit. Was zählt, ist ob eine Seite gefunden, abgerufen und verstanden wird, nicht wie oft sie in einem Trainingslauf vorkam.

Er wirkt schnell. Änderungen greifen, sobald die betroffenen Seiten neu abgerufen wurden, also innerhalb von Wochen statt mit dem nächsten Trainingsstand.

Und er ist beeinflussbar. Zugang, Struktur und Eindeutigkeit der eigenen Seiten sind Dinge, über die ein Unternehmen selbst entscheidet.

Was ist konkret zu tun?

Vier Schritte, in dieser Reihenfolge, weil jeder auf dem vorherigen aufbaut.

Zuerst der Zugang. Prüfen Sie, ob die Crawler der KI-Anbieter Ihre Seiten überhaupt abrufen dürfen. Das ist keine Formsache: Training, Suchindex und Live-Abruf laufen bei jedem Anbieter über verschiedene Bots, und eine robots.txt, die nur einen davon freigibt, schließt die anderen aus. Wer hier blockiert, ist im Abrufpfad genauso unsichtbar wie im Trainingswissen.

Dann die Auslieferung. Prüfen Sie, ob die wesentlichen Inhalte im ausgelieferten HTML stehen und nicht erst durch JavaScript entstehen. Die meisten KI-Crawler führen kein JavaScript aus. Eine Seite, die erst im Browser Text bekommt, ist für sie leer.

Danach die Eindeutigkeit. Firmenname, Rechtsform, Anschrift, Leistung und Kategorie müssen auf allen Quellen übereinstimmen, die es zu Ihnen gibt. Widersprüche sind hier schädlicher als Lücken, weil sie die Zuordnung aktiv erschweren, statt sie nur unvollständig zu lassen.

Zuletzt die Belegbarkeit. Ein System, das zur Laufzeit sucht, braucht etwas zum Zitieren. Konkrete Zahlen, Verfahren, Zuständigkeiten und Antworten auf echte Fragen sind zitierfähig. Allgemeine Selbstbeschreibungen sind es nicht. Welche Quellen dabei tatsächlich zählen, haben wir in einem eigenen Beitrag zu den Quellen hinter KI-Antworten aufgeschlüsselt.

Wie lange dauert das, und woran messe ich es?

Rechnen Sie mit einem Quartal bis zur belastbaren Aussage.

Die technischen Schritte wirken schnell: Ein geänderter Crawler-Zugang und serverseitig ausgelieferte Inhalte greifen mit dem nächsten Abruf, also innerhalb von Tagen bis Wochen. Die Eindeutigkeit über fremde Quellen hinweg braucht länger, weil Verzeichnisse und Portale in eigenem Takt aktualisieren.

Messen Sie mit derselben Fragenliste vorher und nachher, mit und ohne Websuche, und halten Sie fest, wie oft Sie überhaupt genannt werden. Diese Quote ist die einzige Kennzahl, die für den hier beschriebenen Fall zählt, und sie ist eine andere als die Genauigkeit der Darstellung. Wie sich solche Messungen sauber aufsetzen lassen, ohne dass Zufall die Ergebnisse bestimmt, steht in unserem Beitrag zur Messung von KI-Sichtbarkeit.

Eine Erwartung sollten Sie dabei nicht haben: dass Ihr Unternehmen irgendwann aus dem Trainingswissen heraus genannt wird. Das ist nach der zitierten Hochrechnung für den Mittelstand keine realistische Zielgröße. Erreichbar ist etwas anderes, und für die Praxis genügt es vollständig: dass ein System, das zur Laufzeit sucht, Sie findet, versteht und zitieren kann.