Bei Suchmaschinen ist die Lage komfortabel. Es gibt Werkzeuge, die zeigen, für welche Begriffe eine Seite erscheint, auf welcher Position, wie oft geklickt wird. Man kann sich über die Genauigkeit streiten, aber es gibt Zahlen.
Bei Sprachmodellen gibt es das fast nicht. Wenn jemand ChatGPT nach einer Bootsschule auf Mallorca fragt, sieht der Betreiber der Seite davon nichts. Kein Zugriff im Protokoll, keine Meldung, nichts. Die Antwort entsteht, der Nutzer liest sie, und ob eine bestimmte Seite darin vorkam, weiß niemand außer dem Nutzer.
Das ist ein echtes Problem, denn genau dorthin verschiebt sich gerade ein Teil der Suche.
Die einzige ehrliche Methode ist fragen#
Man kann nicht messen, was man nicht sieht. Also fragt man selbst.
Das Werkzeug stellt Modellen genau die Fragen, die ein Kunde stellen würde. Nicht "kennst du diese Firma", denn darauf antwortet ein Modell fast immer freundlich. Sondern die offene Frage, die jemand tatsächlich eintippen würde: welcher Anbieter für diese Sache in dieser Gegend.
Dann wird ausgewertet, was in der Antwort steht. Kommt die Seite vor. An welcher Stelle. Wer steht daneben. Und mit welcher Beschreibung, denn eine Nennung mit falscher Beschreibung ist schlechter als keine.
Das ist eine Stichprobe, keine Vollerhebung, und genau so wird es auch ausgewiesen. Wer etwas anderes behauptet, verkauft eine Genauigkeit, die es nicht gibt.
Die zweite Hälfte: Ist die Seite überhaupt lesbar#
Der zweite Teil des Werkzeugs schaut nicht nach draußen, sondern auf die Seite selbst.
Kann eine Maschine die Inhalte überhaupt aufnehmen. Sind Öffnungszeiten, Preise, Angebote strukturiert ausgezeichnet oder stehen sie als Fließtext da. Gibt es eine Klartext-Fassung für Sprachmodelle. Sind die Sprachversionen sauber getrennt. Blockiert die Seite versehentlich die Crawler der KI-Anbieter.
Dieser Teil ist der undankbarere und der wichtigere. Eine Seite kann noch so gute Inhalte haben: Wenn ein Modell sie nicht sauber lesen kann, ist sie in dieser Welt nicht vorhanden.
Und er ist der Teil, den man tatsächlich beeinflussen kann. Ob ein Modell jemanden nennt, entscheidet das Modell. Ob die Voraussetzungen dafür stimmen, entscheidet man selbst.
Was wir ausdrücklich nicht versprechen#
Es gibt inzwischen einen Markt für Versprechen in diese Richtung. Garantierte Nennung in KI-Antworten, Platz eins bei ChatGPT, Optimierung für ein bestimmtes Modell.
Das ist unseriös, und zwar aus einem einfachen Grund: Niemand außerhalb dieser Unternehmen weiß, wie die Auswahl zustande kommt, und sie ändert sich mit jedem Modellwechsel. Wer eine Nennung garantiert, garantiert etwas, das er nicht kontrolliert.
Was man ehrlich sagen kann, ist: Wir sorgen dafür, dass alles Lesbare gut lesbar ist, wir messen regelmäßig, und wir zeigen die Kurve. Das ist weniger als ein Versprechen und mehr, als die meisten liefern.
Warum das ein Werkzeug sein muss#
Von Hand hat so eine Messung zwei Nachteile, die beide teuer sind. Sie kostet jedes Mal Zeit, weshalb man sie zu selten macht. Und sie ist nicht vergleichbar, weil die Fragen jedes Mal ein bisschen anders formuliert sind. Ein Vergleich über die Zeit braucht identische Fragen, sonst misst man die eigene Formulierung.
Also ein Werkzeug: gleiche Fragen, festes Raster, Verlauf. Es läuft für unsere eigene Seite, für Kundenseiten und ist als Dienst buchbar.
Der Fall, den man nicht erwartet#
Die unangenehmere Möglichkeit ist nicht "kommt nicht vor", sondern "kommt vor, aber falsch": Das Modell nennt einen Betrieb, ordnet ihn aber der falschen Branche zu, nennt eine Leistung, die es nicht mehr gibt, oder verwechselt ihn mit einem ähnlich heißenden.
Das ist die gute Nachricht in schlechter Verpackung. Falsch genannt zu werden ist leichter zu reparieren als gar nicht vorzukommen. In beiden Fällen ist der Weg derselbe: dafür sorgen, dass die eindeutige, strukturierte Auskunft leichter zu finden ist als die schlechte Vermutung.
