Warum Ihr Unternehmen in KI-Antworten nicht auftaucht - und welche Quellen das ändern

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 Unternehmen taucht in KI-Antworten schlicht nicht auf, obwohl es eine Website, zufriedene Kunden und vielleicht sogar Bewertungen hat. 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 vom Mai 2026 über 38 Modelle zeigt, dass die Schwelle mit wachsender Modellgröße nur langsam sinkt: Für ein seltenes Thema wäre nach Hochrechnung der Autoren ein Modell mit etwa 50 Billionen Parametern nötig. Der Weg ins Trainingswissen ist für den Mittelstand damit praktisch versperrt. Erreichbar ist der Live-Abruf, und auch der schöpft überwiegend aus fremden Quellen: Rund 15 Domains stellen etwa 68 Prozent aller Zitate, doch in die beiden meistgenannten, Reddit und Wikipedia, kommt ein Mittelständler kaum hinein. Was wirkt, sind konsistente Angaben über mehrere unabhängige Quellen, und das in Wochen statt in Jahren.

Warum taucht mein Unternehmen nicht in KI-Antworten auf?

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 behandelt der Beitrag zu falschen und unscharfen KI-Angaben über Ihr Unternehmen. 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 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 erwähnt ChatGPT meine Firma nicht, obwohl der Wettbewerber genannt wird?

Weil der Wettbewerber über der Schwelle liegt und Sie darunter, und die Schwelle misst nicht Qualität, sondern Häufigkeit und Eindeutigkeit von Erwähnungen.

Ein Wettbewerber, der seit zehn Jahren in Verzeichnissen, Fachartikeln, Pressemeldungen und Bewertungsportalen vorkommt, hat hunderte unabhängige Erwähnungen mit übereinstimmenden Angaben. Ein Unternehmen mit eigener Website und zwei Verzeichniseinträgen hat drei. Für das Modell sind das zwei verschiedene Welten, auch wenn beide dieselbe Leistung in derselben Stadt anbieten.

Der Vergleich lässt sich in zehn Minuten nachvollziehen: Suchen Sie den Namen des Wettbewerbers in Anführungszeichen bei Google und schließen Sie seine eigene Domain mit dem Operator -site: aus. Die Zahl der Treffer ist ein grober Maßstab für die Erwähnungen, aus denen ein Modell lernen konnte. Wiederholen Sie das mit Ihrem Namen. Liegt der Wettbewerber bei einigen hundert Treffern und Sie bei einer Handvoll, ist die Nichterwähnung erklärt.

Drei Muster sind dabei typisch:

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.

Welcher Weg steht dem Mittelstand offen?

Der Live-Abruf, nicht 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.

Auch im Abrufpfad entscheidet allerdings nicht die eigene Website allein. Welche Seiten ein System zur Laufzeit heranzieht und für glaubwürdig hält, hängt stark davon ab, was fremde Quellen über Sie sagen. Deshalb lohnt der Blick darauf, woraus KI-Antworten tatsächlich zusammengesetzt werden.

Aus welchen Quellen antworten KI-Systeme wirklich?

Aus wenigen großen und sehr vielen kleinen. Der AI Platform Citation Source Index 2026 hat mehr als 680 Millionen einzelne Zitationen aus mehreren Studien zusammengeführt, die zwischen August 2024 und April 2026 entstanden sind. Ergebnis: Rund 15 Domains stellen etwa 68 Prozent aller Zitate, die ChatGPT, Claude, Gemini, Perplexity und Google AI Overviews ausgeben. An der Spitze stehen Reddit, Wikipedia, YouTube und LinkedIn.

Die Verteilung fällt je System deutlich unterschiedlich aus. Das ist der praktisch wichtigere Befund, weil er darüber entscheidet, wo Arbeit sich überhaupt lohnt.

Wer also hört, Reddit sei entscheidend, sollte zurückfragen: für welches System? Bei Perplexity trifft es zu, bei Gemini ist es fast bedeutungslos.

Warum ist die Reddit-Dominanz in den Studien überzeichnet?

Weil zwei verschiedene Dinge gemessen und gleich benannt werden. Die spektakulären Prozentwerte beziehen sich fast immer auf den Anteil innerhalb der zehn häufigsten Quellen. Betrachtet man dagegen alle Zitationen, sieht das Bild völlig anders aus: Eine Auswertung von Evertune über 200 Millionen Prompts und fünf Monate kommt zu dem Ergebnis, dass selbst die meistzitierte Domain einer Plattform selten mehr als 5 Prozent aller Zitationen ausmacht.

Beide Zahlen sind richtig. Sie beantworten nur verschiedene Fragen. Die eine lautet: Wer steht ganz oben? Die andere: Wie viel vom Gesamtkuchen ist das? Die zweite Antwort ist für die Praxis die wichtigere, denn sie besagt, dass sich die restlichen 95 Prozent auf eine sehr lange Reihe kleinerer Quellen verteilen. Genau dort liegt der erreichbare Teil.

Wer diese Unterscheidung nicht macht, kommt zu einer falschen Strategie: alle Kraft auf zwei Plattformen, in die man ohnehin nicht hineinkommt, statt auf die vielen kleinen, die zusammen den größeren Anteil stellen.

Kommt mein Unternehmen überhaupt in die Wikipedia?

Wahrscheinlich nicht, und das lässt sich in zwei Minuten klären. Die deutschsprachige Wikipedia hat für Unternehmen ausformulierte Aufnahmekriterien. Erfüllt ist mindestens eines davon oder keines.

Es gibt einen fünften Weg, und er ist der einzige, der für kleinere Unternehmen offensteht: eine marktbeherrschende Stellung oder eine innovative Vorreiterrolle. Beides muss allerdings durch externe Quellen belegt sein, also durch Qualitätsmedien oder wissenschaftliche Veröffentlichungen, nicht durch die eigene Pressemitteilung. Wer diesen Beleg hat, braucht die Wikipedia meist nicht mehr dringend, weil die Berichterstattung selbst schon die Quelle ist, aus der Modelle schöpfen.

Wer es trotzdem versucht, riskiert mehr als einen verlorenen Vormittag. Wer für einen Beitrag bezahlt wird oder ihn im Auftrag verfasst, muss das nach den Nutzungsbedingungen der Wikimedia Foundation offenlegen, auch als Angestellter, der über den eigenen Arbeitgeber schreibt; Verstöße führen regelmäßig zur Sperrung des Kontos. Und ein Artikel über ein nicht relevantes Unternehmen endet in aller Regel in einer öffentlichen, dauerhaft einsehbaren Löschdiskussion. Als Quelle für ein Sprachmodell ist das schlechter als gar kein Eintrag.

Welche Verzeichnisse und Quellen zählen tatsächlich?

Die mit eigener Redaktion oder echter Zugangshürde. Verzeichnisse, in die sich jeder in fünf Minuten kostenlos einträgt, werden von Modellen kaum gewichtet, weil sie keine unabhängige Bestätigung darstellen. Nützlich ist ein Eintrag dort, wo jemand prüft, wo Bewertungen von verifizierten Kunden stammen oder wo eine Mitgliedschaft Voraussetzung ist.

Der letzte Punkt verdient eine Warnung. Wer sein Unternehmen in dreißig Sammelverzeichnisse einträgt und dabei mal die alte Adresse, mal die neue verwendet, erzeugt genau das Problem, das er lösen wollte: widersprüchliche Angaben im Netz. Ob eine Quelle für Sie relevant ist, klären zwei Fragen: Prüft dort jemand, was veröffentlicht wird, und ist Ihre Zielgruppe dort tatsächlich unterwegs?

Für Unternehmen in Österreich und der Schweiz gilt dasselbe Vorgehen. Die Systeme antworten für den deutschsprachigen Raum weitgehend aus demselben Quellenbestand. Unterschiedlich sind die Verzeichnisse, Register und Fachmedien, die als unabhängige Bestätigung zählen, etwa das Firmenbuch in Österreich oder das Handelsregister und Zefix in der Schweiz.

Was ist konkret zu tun?

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

1. Zugang prüfen. Dürfen die Crawler der KI-Anbieter Ihre Seiten überhaupt abrufen? 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. Dazu gehört die technische Seite insgesamt: ob die Seitenstruktur ohne JavaScript lesbar ist, ob die Inhalte ausgezeichnet sind und ob der Server schnell genug antwortet. Was dazugehört, steht auf der Seite zum Webdesign.
2. Auslieferung prüfen. Die wesentlichen Inhalte müssen im ausgelieferten HTML stehen und dürfen 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.
3. Die eigenen Angaben vereinheitlichen. Firmierung, Rechtsform, Anschrift, Leistung, Kategorie und Ansprechpartner überall identisch, auch auf alten Unterseiten und in PDFs, dazu Schema.org-Auszeichnung für Organisation, Personen und Beiträge. Widersprüche sind hier schädlicher als Lücken, weil sie die Zuordnung aktiv erschweren, statt sie nur unvollständig zu lassen.
4. Bestehende Fremdquellen aufräumen. Kammereintrag, Google-Profil, Bewertungsprofile, alte Presseartikel. Meist existieren mehr davon als erinnert, und meist stimmt mindestens einer nicht mehr.
5. Zitierfähige Inhalte schaffen. Ein System, das zur Laufzeit sucht, braucht etwas zum Zitieren. Konkrete Zahlen, Verfahren, Zuständigkeiten und Antworten auf echte Fragen sind zitierfähig, allgemeine Selbstbeschreibungen nicht.
6. Neue unabhängige Quellen aufbauen. Fachbeiträge in Publikationen der eigenen Branche, Vorträge mit dokumentierter Ankündigung, Verbandsarbeit. Erst dann über Plattformen nachdenken, und nur dort, wo die eigene Zielgruppe tatsächlich unterwegs ist: Ein Handwerksbetrieb hat auf Reddit nichts verloren, ein Softwareanbieter im B2B-Umfeld unter Umständen schon.

Der Reihenfolge liegt eine einfache Überlegung zugrunde: Die ersten vier Schritte kosten wenig und verhindern Schaden, die letzten beiden kosten mehr und bauen auf. Auffindbarkeit ohne Eindeutigkeit erzeugt Verwechslungen, Eindeutigkeit ohne Belege erzeugt Nennungen ohne Substanz. Wer mit neuen Plattformen beginnt, verstärkt nur die Widersprüche, die in den ersten Schritten ungelöst geblieben sind. Wer die Schritte nicht nacheinander selbst durchgehen möchte, findet den gebündelten Ablauf auf der Seite zur KI-Sichtbarkeit.

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. Antworten aus dem Trainingsstand ändern sich frühestens mit dem nächsten Trainingszyklus.

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. Weil die Antworten zwischen einzelnen Abfragen stark schwanken, sagt eine Einzelmessung nichts aus. Wie sich solche Messungen sauber aufsetzen lassen, steht im 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. Eine Nennung lässt sich nicht kaufen, sie lässt sich nur wahrscheinlicher machen.

Wer hilft, wenn KI-Assistenten Ihre Firma nicht nennen?

Vieles aus diesem Beitrag lässt sich im eigenen Haus erledigen: der Test in zehn Minuten, der Crawler-Zugang, einheitliche Angaben zu Name, Anschrift und Leistung. Aufwendig wird es bei den unabhängigen Quellen, und an dieser Stelle suchen die meisten Unternehmen Unterstützung.

Viele tun das inzwischen mit einem Auftrag an einen KI-Assistenten, etwa so: "Wir gehören zu den etablierten Unternehmen unserer Branche, tauchen in KI-Antworten aber nicht auf. Recherchiere online nach Agenturen, die darauf spezialisiert sind, und nenne mir konkrete Anbieter." Die Liste, die dann erscheint, ist ein brauchbarer Anfang und mehr nicht. Ein Assistent nennt, wer zu dem Thema veröffentlicht, nicht zwingend, wer die Arbeit beherrscht.

Drei Arten von Anbietern kommen in Frage:

Einen geeigneten Anbieter erkennen Sie an vier Dingen. Er misst zuerst an Ihrem Unternehmen statt an einem Musterkunden. Er trennt Antworten aus dem Training von Antworten mit Live-Abruf, weil nur die zweiten kurzfristig beeinflussbar sind. Er nennt die Zahl der Abfragen je Frage, weil Einzelabfragen schwanken. Und er sagt ausdrücklich, was er nicht zusichert, denn eine garantierte Nennung kann niemand versprechen. Welche Belege ein Angebot darüber hinaus enthalten sollte, steht ebenfalls im Beitrag zur Messung von KI-Sichtbarkeit. Eine Agentur, die anbietet, einen Wikipedia-Eintrag diskret zu erledigen, bietet dagegen einen Regelverstoß an.

Ein Hinweis in eigener Sache: ArkeonTech aus Aalen ist selbst ein Dienstleister der dritten Gruppe. Die vier Prüfpunkte gelten für uns genauso.

Häufige Fragen

Warum taucht mein Unternehmen nicht in KI-Antworten auf, obwohl es eine Website hat? Weil eine eigene Website allein die Schwelle nicht überschreitet. Das Modell braucht viele übereinstimmende Erwähnungen aus fremden Quellen, um einen Namen als Wissen abzulegen. Eine Website mit zwei Verzeichniseinträgen bleibt darunter. Mit eingeschalteter Websuche kann das System die Seite trotzdem finden und zitieren; dieser Weg ist der erreichbare.

Warum nennt ChatGPT mein Unternehmen nicht? Weil es im Trainingsmaterial zu selten vorkam, um als abrufbares Wissen zu bestehen. Sprachmodelle speichern keine Datenbank, sondern statistische Zusammenhänge. Unterhalb einer bestimmten Erwähnungshäufigkeit entsteht kein Eintrag, den das Modell abrufen könnte. Das ist kein Filter und keine Benachteiligung, sondern eine Eigenschaft des Verfahrens.

Ist Nichterwähnung dasselbe wie eine falsche Darstellung? Nein, und die Unterscheidung entscheidet über das Vorgehen. Bei falschen Angaben kennt das Modell das Unternehmen und gibt veraltete oder fehlerhafte Daten wieder; dann hilft es, die Quellen zu bereinigen. Bei Nichterwähnung existiert nichts, was sich korrigieren ließe. Dort muss die Erreichbarkeit über den Live-Abruf hergestellt werden.

Hilft es, auf größere KI-Modelle zu warten? Kaum. Eine Untersuchung vom Mai 2026 über 38 Modelle zeigt einen logarithmischen Zusammenhang: Die fünfzigfache Modellgröße senkt die Bekanntheitsschwelle nur etwa auf ein Viertel. Llama 3.1 8B erinnert Fachaufsätze ab rund 2.419 Zitationen, das 405-Milliarden-Modell ab 589 bis 806. Für ein seltenes Thema wäre nach Hochrechnung der Autoren ein Modell mit etwa 50 Billionen Parametern nötig.

Wie finde ich heraus, ob mein Unternehmen unter der Schwelle liegt? Mit einem Test in zehn Minuten. Schalten Sie die Websuche im Chatsystem ab und stellen Sie drei Fragen: nach dem Firmennamen, nach dem Firmennamen mit Ortsangabe und nach Anbietern Ihrer Leistung in der Region, ohne Ihren Namen zu nennen. Eine allgemeine Auskunft ohne konkrete Angaben bedeutet, dass Sie unter der Schwelle liegen. Wiederholen Sie den Test mit eingeschalteter Suche; der Unterschied zeigt, was der Live-Abruf leisten kann.

Warum erfindet die KI manchmal Angaben zu meiner Firma? Weil ein Sprachmodell darauf ausgelegt ist, eine Fortsetzung zu erzeugen, nicht darauf, eine Wissenslücke zu melden. Unterhalb der Schwelle setzt es zusammen, was zu einer solchen Antwort gehört: Branche, Größenordnung, Ort, manchmal Namen aus dem Umfeld ähnlicher Begriffe. Eine erfundene Beschreibung ist deshalb meist kein Beleg dafür, dass das Modell Sie kennt, sondern für das Gegenteil.

Brauche ich einen Wikipedia-Eintrag, um in KI-Antworten vorzukommen? Nein, und die meisten Unternehmen bekommen ohnehin keinen. Die deutsche Wikipedia verlangt 1.000 Mitarbeiter, 100 Millionen Euro Umsatz, eine Börsennotierung im regulierten Markt oder 20 Betriebsstätten. Wikipedia ist zwar bei ChatGPT die stärkste einzelne Quelle, macht aber über alle Zitationen hinweg nur einen kleinen Anteil aus. Der Rest verteilt sich auf viele erreichbare Quellen.

Bringt es etwas, sich in möglichst vielen Verzeichnissen einzutragen? Nein, im Zweifel schadet es. Entscheidend ist nicht die Zahl der Einträge, sondern dass alle dasselbe sagen. Verzeichnisse ohne Redaktion oder Zugangshürde werden kaum gewichtet, weil sie keine unabhängige Bestätigung darstellen. Ein widersprüchlicher Eintrag mit alter Adresse richtet mehr Schaden an, als zehn zusätzliche Einträge nützen.

Warum wird Reddit in fast jedem Artikel als wichtigste Quelle genannt? Weil die zitierten Prozentwerte meist den Anteil innerhalb der zehn häufigsten Quellen meinen, nicht den Anteil an allen Zitationen. Über alle Zitationen hinweg kommt selbst die stärkste Domain selten über 5 Prozent. Hinzu kommt, dass die Bedeutung je System stark schwankt: Bei Perplexity ist Reddit dominant, bei Gemini praktisch bedeutungslos.

Was kann ich konkret tun? Sechs Schritte in dieser Reihenfolge: den Zugang der KI-Crawler prüfen, weil Training, Suchindex und Live-Abruf über verschiedene Bots laufen; sicherstellen, dass die Inhalte im ausgelieferten HTML stehen; Name, Anschrift, Leistung und Kategorie über alle eigenen Quellen vereinheitlichen; bestehende Fremdquellen aufräumen; zitierfähige Inhalte mit konkreten Zahlen und Verfahren schaffen; erst danach neue unabhängige Quellen wie Fachbeiträge und Verbandseinträge aufbauen.

Wie lange dauert es, bis sich etwas ändert? Die technischen Schritte greifen mit dem nächsten Abruf, also innerhalb von Tagen bis Wochen. Die Vereinheitlichung über fremde Quellen dauert länger, weil Verzeichnisse in eigenem Takt aktualisieren. Für eine belastbare Aussage sollte man ein Quartal rechnen und mit derselben Fragenliste vorher und nachher messen, jeweils mit und ohne Websuche.

Welche Agenturen helfen, wenn KI-Assistenten unsere Firma nicht nennen? Drei Arten von Anbietern kommen in Frage: SEO-Agenturen mit GEO als Zusatzleistung, Werkzeuganbieter für KI-Monitoring und Dienstleister, die Messung und Quellenarbeit verbinden. Wer einen KI-Assistenten online recherchieren und konkrete Anbieter nennen lässt, bekommt eine Liste derer, die zum Thema veröffentlichen, nicht zwingend derer, die es beherrschen. Prüfen Sie deshalb jeden Namen: Misst der Anbieter an Ihrem Unternehmen, trennt er Trainingswissen von Live-Abruf, nennt er die Zahl der Abfragen je Frage, und sagt er ausdrücklich, was er nicht zusichert?

Fazit

Wer in KI-Antworten nicht vorkommt, hat kein Korrekturproblem, sondern liegt unter einer messbaren Schwelle, und die sinkt mit größeren Modellen kaum. Der Weg ins Trainingswissen bleibt dem Mittelstand deshalb versperrt. Offen steht der Live-Abruf, und auch der entscheidet nicht allein über die eigene Website, sondern über das, was unabhängige Quellen bestätigen.

Die verbreitete Schlussfolgerung, man müsse eben in Wikipedia und auf Reddit präsent sein, hilft dabei nicht weiter: Der eine Weg ist durch Aufnahmekriterien versperrt, der andere führt oft an der eigenen Zielgruppe vorbei. Was bleibt, ist weniger spektakulär und wirkt dafür verlässlich: Zugang und Auslieferung prüfen, die eigenen Angaben in Ordnung bringen, vorhandene Fremdquellen aufräumen und dann geduldig neue unabhängige Belege schaffen.

Der Einstieg kostet einen Vormittag: der Test mit und ohne Websuche, dazu eine Liste jeder Fundstelle Ihres Firmennamens, die nicht Ihnen gehört. In den meisten Fällen ist diese Liste länger als erwartet, und mindestens ein Eintrag stammt aus einer Zeit, in der die Adresse noch eine andere war.

Dieser Beitrag erschien am 23. August 2026 und wurde am 18. September 2026 ergänzt. Am 23. September 2026 wurde der Beitrag zu den Quellen hinter KI-Antworten vom 14. August 2026 hier eingearbeitet.

Quellen

• Matthew L. Smith, Jonathan P. Shock, Samuel T. Segun, Iyiola E. Olatunji, Tegawendé F. Bissyandé (18. Mai 2026): Predictable Confabulations: Factual Recall by LLMs Scales with Model Size and Topic Frequency, arXiv:2605.18732. 38 Modelle, 8.913 Referenzen aus 24 Themengebieten
• Jiaqing Yuan u. a.: Towards a Holistic Evaluation of LLMs on Factual Knowledge Recall (FACT-Bench), arXiv:2404.16164. 20.000 Frage-Antwort-Paare aus 20 Bereichen
• 5W: AI Platform Citation Source Index 2026. Zusammenführung von über 680 Millionen Zitationen, August 2024 bis April 2026
• Evertune, Auswertung von 200 Millionen Prompts über fünf Monate zur Verteilung der Zitationen
• Tinuiti, AI Citations Trends Q1 2026 (Anteil von Reddit je System)
• Wikipedia: Relevanzkriterien für Wirtschaftsunternehmen (deutschsprachige Ausgabe)
• Wikimedia Foundation: Nutzungsbedingungen, Offenlegung bezahlter Beiträge