Wie KI-Modelle eine Marke interpretieren: was 43.287 Antworten von 7 KI-Modellen zeigen
Von Johnny Lagneau · Veröffentlicht am 16. November 2026
Aus dem Französischen übersetzt. Original lesen
Am 14. November habe ich sieben KI-Modelle (ChatGPT, Claude, Gemini, Grok, Mistral, Perplexity und Muse Spark) gebeten, Cebi vorzustellen, einen Automobilzulieferer mit Sitz in Steinsel, Luxemburg.
Drei von ihnen haben daraus ein italienisches Unternehmen gemacht: Claude, Grok und Muse Spark.
Ohne Websuche verlegen 31 % der Antworten auf Englisch den Hauptsitz nach Italien (13 von 42). Mistral beschreibt das Unternehmen als französisch und verwechselt es dann mit einem türkischen Hersteller von Aluminiumteilen.
Cebi wurde 1976 in Luxemburg gegründet (das Unternehmen feiert dieses Jahr übrigens seinen 50. Geburtstag).
Stellen Sie sich einen Einkäufer vor, der einen luxemburgischen Lieferanten sucht und diese Antwort liest. Er geht zum nächsten weiter, ohne Sie anzurufen.
Ich wollte wissen, ob Cebi ein Einzelfall ist. Ich habe alle meine Messungen von September bis November 2026 noch einmal durchgesehen: 911 Audits und 43.287 Antworten.
In Kürze
- Ohne Websuche enthalten 26 % der Antworten, die ein Unternehmen vorstellen, mindestens einen Faktenfehler. Mit Websuche 12 %.
- Eine KI beschreibt ein Unternehmen auch dann, wenn sie es nicht kennt. Bei Cebi sagen nur 7 von 96 Antworten, dass sie das Unternehmen nicht kennen.
- Bei 47 Marken wächst der Abstand zwischen Französisch und Niederländisch von 5,9 Punkten ohne Websuche auf 10,6 Punkte mit Websuche.
- Zwei Städte mit derselben Sprache haben nur 2 % der vorgeschlagenen Unternehmen gemeinsam. Von einer Stadt zur anderen schaffen es vor allem die großen Gruppen.
- Das befragte KI-Modell wiegt so viel wie die Marke: jeweils 27 % der Unterschiede. Die Formulierung der Frage 10 %.
- Am selben Tag ändern sich 17,5 % der Antworten, wenn ich dieselbe Frage noch einmal stelle. Sieben KI-Modelle in zwei Durchläufen senken die Standardabweichung einer Messung auf 2,8 Punkte.
Drei Begriffe, um Missverständnisse zu vermeiden
Bei VectorGap messe ich drei verschiedene Dinge.
- Präsenz: Wenn ein Käufer einen Lieferanten sucht, ohne die Marke zu nennen, schlägt die KI sie dann vor?
- Wahrnehmung: Wenn der Käufer die Marke nennt, was sagt die KI über sie? Was sie tut, woher sie kommt, was sie wert ist, mit den Fehlern dazu. Das ist die Interpretation der Marke durch die KI.
- Präferenz: Wenn der Käufer mehrere Marken vergleicht, welche wählt die KI? Aus welchen Gründen?
Eine Marke kann fehlen, falsch beschrieben sein oder im Moment der Auswahl beiseitegelassen werden. Das sind drei verschiedene Probleme. Sie verlangen drei verschiedene Maßnahmen.
Wie ich gemessen habe
Eine Messung betrifft eine Marke, in einer Sprache und an einem Ort, für einen Käufertyp. Für jede Messung stelle ich jedem KI-Modell 8 Käuferfragen.
Ich befrage sieben KI-Modelle: ChatGPT, Claude, Gemini, Grok, Mistral, Perplexity und Muse Spark (bis zum 7. Oktober stand DeepSeek an der Stelle von Muse Spark).
Ich messe in zwei Modi. Ohne Websuche antwortet die KI mit dem, was sie im Training gelernt hat. Mit aktivierter Websuche sucht sie im Web, bevor sie antwortet. Perplexity befrage ich nur mit Websuche.
Ich arbeite über die API jedes Modells. Ich schreibe jede Frage so, wie ein Käufer sie stellen würde, in seiner Sprache, mit seinem Bedarf und seinem Markt. Zum Beispiel: Quels sont les meilleurs courtiers en assurance à Bruxelles ?
(Welche sind die besten Versicherungsmakler in Brüssel?). Die gemessene Marke steht nie in den Fragen der Präsenz, um die Antworten nicht zu lenken.
Die Zahlen stammen aus zwei Quellen.
| Alle meine Messungen | Test mit sechs Industrieunternehmen | |
|---|---|---|
| Daten | 1. September bis 12. November 2026 | 14. November 2026 |
| Audits | 911 | 48 |
| Antworten | 43.287 | 1.083 geprüfte Antworten der Wahrnehmung |
| Marken | 130, plus 21 Berufspanels (ein Beruf in einer Stadt, ohne Zielmarke) | 6 Unternehmen aus Belgien und Luxemburg |
| Sprachen | Französisch (379 Audits), Englisch (315), Niederländisch (177), Deutsch (36) | zwei Sprachen pro Unternehmen |
Für den Test mit den sechs Industrieunternehmen habe ich jede Antwort der Wahrnehmung mit der Website des Unternehmens verglichen. Wenn die Website eine Aussage nicht überprüfbar macht, zähle ich sie nicht als Fehler.
Ich gebe die wichtigsten Prozentwerte mit ihrem 95-%-Konfidenzintervall an.
Diese Zahlen sind eine Stichprobe meiner Messungen. Die lokalen Studien, die ich zu Brüssel, Luxemburg, Paris und Montréal veröffentliche, zeigen in dieselbe Richtung.
Sagt die KI die Wahrheit über ein Unternehmen?
Die KI-Modelle irren sich ohne Websuche doppelt so oft wie mit Websuche.
Bei den sechs Industrieunternehmen enthalten 26 % der Antworten ohne Websuche mindestens einen Faktenfehler (132 von 502; Intervall 23 bis 30 %). Mit Websuche 12 % (72 von 581; 10 bis 15 %). Der Unterschied ist deutlich (z-Test, p < 0,001).
Bei gleichen KI-Modellen, ohne Perplexity, das nur im zweiten Modus antwortet, liegt der Wert mit Websuche bei 14 %.
Sechs Industrieunternehmen: die Antworten mit einem Fehler
6 Unternehmen, je 2 Sprachen, 6 bis 7 KI-Modelle, 7 Fragen, die das Unternehmen nennen. Messung vom 14. November 2026.
- Cebi57,1 % → 21,6 %
- Unternehmen A31,7 % → 10,2 %
- Unternehmen B23,8 % → 5,2 %
- Unternehmen C20,2 % → 6,2 %
- Unternehmen D14,3 % → 10,2 %
- Unternehmen E10,7 % → 21,1 %
Antworten mit mindestens einem Faktenfehler (%)
- Ohne Websuche
- Mit Websuche
Zahlen ansehen
| Ohne Websuche | Mit Websuche | |
|---|---|---|
| Cebi | 57,1 % (48 von 84) | 21,6 % (21 von 97) |
| Unternehmen A | 31,7 % (26 von 82) | 10,2 % (10 von 98) |
| Unternehmen B | 23,8 % (20 von 84) | 5,2 % (5 von 97) |
| Unternehmen C | 20,2 % (17 von 84) | 6,2 % (6 von 96) |
| Unternehmen D | 14,3 % (12 von 84) | 10,2 % (10 von 98) |
| Unternehmen E | 10,7 % (9 von 84) | 21,1 % (20 von 95) |
| Sechs Industrieunternehmen: die Antworten mit einem Fehler | 26,3 % (132 von 502) | 12,4 % (72 von 581) |
Cebi ist der deutlichste Fall. Ohne Web enthalten 57 % der Antworten einen Fehler (48 von 84; 47 bis 67 %). Mit Web 22 % (21 von 97; 15 bis 31 %).
Diese Fehler betreffen das Land des Hauptsitzes, die Werke, die Mitarbeiterzahl und die Geschichte der Gruppe.
Die Websuche verringert die Fehler. Sie beseitigt sie nicht. Bei Unternehmen E nehmen sie sogar zu: 11 % ohne Web (9 von 84), 21 % mit Web (20 von 95; p = 0,06). Mit Web übernehmen Claude, Gemini und Grok den früheren Namen eines seiner Aktionäre (11 Antworten).
Beschreibt eine KI eine Marke, auch wenn sie sie nicht kennt?
Bei Cebi fast immer.
Ohne Websuche habe ich 96 Antworten über Cebi erhalten. Nur 7 sagen, dass sie das Unternehmen nicht kennen (4 bis 14 %).
Diese 7 Antworten stammen alle von Claude. In 4 davon beschreibt Claude Cebi trotzdem: Cebi est, à ma connaissance, le nom d'un groupe italien
(Cebi ist, soweit ich weiß, der Name einer italienischen Gruppe).
ChatGPT reagiert anders. In 5 Antworten fragt es, welche Cebi ich meine. Es macht keinen Fehler (0 von 14).
Mistral stellt keine Rückfrage. 12 seiner 14 Antworten enthalten einen Fehler.
Ein Fehler über eine Marke entsteht also oft aus einem Mangel an Information. Die KI ergänzt mit dem, was sie mit dem Namen verbindet.
Verändert die Sprache, was die KI antwortet?
Die Sprache der Frage verändert die Antwort, vor allem wenn die KI im Web sucht.
Cebi wird in 16 % der Antworten auf Englisch mit Web vorgeschlagen (18 von 111, zwei Durchläufe; 11 bis 24 %), gegenüber 4 % auf Französisch (4 von 109; 1 bis 9 %). Der Unterschied ist deutlich (p = 0,002).
Ich habe 47 Marken auf Französisch und auf Niederländisch gemessen.
Ohne Web ist der Anteil der Antworten, die die Marke nennen, in beiden Sprachen fast gleich: 20,4 % und 19,9 %. Die Korrelation zwischen den beiden Sprachen beträgt 0,94 (0,89 bis 0,97).
Mit Web bleibt der Anteil auf Französisch bei 20,4 % und fällt auf Niederländisch auf 14,0 %. Die Korrelation sinkt auf 0,77 (0,62 bis 0,87).
Marke für Marke wächst der Abstand zwischen den beiden Sprachen mit dem Web. Der mittlere Abstand steigt von 5,9 auf 10,6 Punkte. 23 von 47 Marken haben mit Web mindestens 10 Punkte Abstand, ohne Web 12.
Jede Marke, auf Französisch und auf Niederländisch
47 Marken, in beiden Sprachen gemessen, vom 1. September bis 12. November 2026. Gleiche Reihenfolge in beiden Tafeln.
Ohne Websuche
mittlerer Abstand zwischen den Sprachen: 5,9 Punkte
- Marke 162,5 % → 54,8 %
- Marke 212,5 % → 20,8 %
- Marke 318,8 % → 18,8 %
- Marke 437,5 % → 25,0 %
- Marke 58,3 % → 10,0 %
- Marke 60,0 % → 0,0 %
- Marke 760,9 % → 72,5 %
- Marke 88,7 % → 8,5 %
- Marke 90,0 % → 0,0 %
- Marke 1037,6 % → 44,6 %
- Marke 110,0 % → 0,0 %
- Marke 1223,9 % → 39,5 %
- Marke 130,0 % → 0,0 %
- Marke 140,0 % → 0,0 %
- Marke 152,1 % → 0,0 %
- Marke 160,0 % → 0,0 %
- Marke 170,0 % → 0,0 %
- Marke 180,0 % → 0,0 %
- Marke 194,5 % → 0,0 %
- Marke 202,2 % → 2,1 %
- Marke 2183,3 % → 100,0 %
- Marke 2238,6 % → 17,8 %
- Marke 230,0 % → 4,0 %
- Marke 2427,1 % → 19,0 %
- Marke 258,5 % → 6,8 %
- Marke 2611,6 % → 17,4 %
- Marke 2733,3 % → 46,5 %
- Marke 2814,6 % → 12,5 %
- Marke 2920,8 % → 38,1 %
- Marke 3016,3 % → 0,0 %
- Marke 314,3 % → 0,0 %
- Marke 320,0 % → 11,9 %
- Marke 3318,8 % → 4,2 %
- Marke 3438,1 % → 35,4 %
- Marke 3527,4 % → 29,4 %
- Marke 364,4 % → 2,1 %
- Marke 374,3 % → 0,0 %
- Marke 3866,7 % → 63,8 %
- Marke 3910,4 % → 14,6 %
- Marke 403,2 % → 1,4 %
- Marke 4125,0 % → 0,0 %
- Marke 4267,4 % → 70,1 %
- Marke 4314,6 % → 12,5 %
- Marke 4459,1 % → 61,7 %
- Marke 4576,7 % → 64,9 %
- Marke 463,3 % → 5,3 %
- Marke 472,1 % → 0,0 %
Antworten, die die Marke nennen (%)
Mit Websuche
mittlerer Abstand zwischen den Sprachen: 10,6 Punkte
- Marke 19,3 % → 30,8 %
- Marke 27,1 % → 25,0 %
- Marke 328,8 % → 45,1 %
- Marke 439,3 % → 51,8 %
- Marke 53,9 % → 14,3 %
- Marke 60,0 % → 7,1 %
- Marke 771,4 % → 75,0 %
- Marke 83,8 % → 7,3 %
- Marke 95,8 % → 8,2 %
- Marke 103,7 % → 6,0 %
- Marke 114,1 % → 5,7 %
- Marke 1222,5 % → 23,2 %
- Marke 130,0 % → 0,0 %
- Marke 140,0 % → 0,0 %
- Marke 150,0 % → 0,0 %
- Marke 160,0 % → 0,0 %
- Marke 170,0 % → 0,0 %
- Marke 180,0 % → 0,0 %
- Marke 190,0 % → 0,0 %
- Marke 200,0 % → 0,0 %
- Marke 2182,1 % → 82,0 %
- Marke 221,9 % → 0,0 %
- Marke 234,3 % → 2,0 %
- Marke 243,6 % → 0,0 %
- Marke 253,9 % → 0,0 %
- Marke 2618,5 % → 14,3 %
- Marke 2731,5 % → 25,0 %
- Marke 289,4 % → 0,0 %
- Marke 2932,7 % → 23,1 %
- Marke 3010,7 % → 0,0 %
- Marke 3111,8 % → 0,0 %
- Marke 3221,2 % → 9,1 %
- Marke 3314,0 % → 1,8 %
- Marke 3422,2 % → 9,1 %
- Marke 3523,2 % → 9,3 %
- Marke 3632,1 % → 17,0 %
- Marke 3716,1 % → 0,0 %
- Marke 3838,0 % → 21,4 %
- Marke 3937,5 % → 20,0 %
- Marke 4032,7 % → 14,3 %
- Marke 4126,8 % → 7,4 %
- Marke 4235,7 % → 16,0 %
- Marke 4334,0 % → 11,3 %
- Marke 4446,0 % → 19,2 %
- Marke 4560,2 % → 29,6 %
- Marke 4652,4 % → 12,5 %
- Marke 4757,1 % → 16,4 %
Antworten, die die Marke nennen (%)
- Auf Französisch
- Auf Niederländisch
Zahlen ansehen
Ohne Websuche
| Auf Französisch | Auf Niederländisch | |
|---|---|---|
| Marke 1 | 62,5 % | 54,8 % |
| Marke 2 | 12,5 % | 20,8 % |
| Marke 3 | 18,8 % | 18,8 % |
| Marke 4 | 37,5 % | 25,0 % |
| Marke 5 | 8,3 % | 10,0 % |
| Marke 6 | 0,0 % | 0,0 % |
| Marke 7 | 60,9 % | 72,5 % |
| Marke 8 | 8,7 % | 8,5 % |
| Marke 9 | 0,0 % | 0,0 % |
| Marke 10 | 37,6 % | 44,6 % |
| Marke 11 | 0,0 % | 0,0 % |
| Marke 12 | 23,9 % | 39,5 % |
| Marke 13 | 0,0 % | 0,0 % |
| Marke 14 | 0,0 % | 0,0 % |
| Marke 15 | 2,1 % | 0,0 % |
| Marke 16 | 0,0 % | 0,0 % |
| Marke 17 | 0,0 % | 0,0 % |
| Marke 18 | 0,0 % | 0,0 % |
| Marke 19 | 4,5 % | 0,0 % |
| Marke 20 | 2,2 % | 2,1 % |
| Marke 21 | 83,3 % | 100,0 % |
| Marke 22 | 38,6 % | 17,8 % |
| Marke 23 | 0,0 % | 4,0 % |
| Marke 24 | 27,1 % | 19,0 % |
| Marke 25 | 8,5 % | 6,8 % |
| Marke 26 | 11,6 % | 17,4 % |
| Marke 27 | 33,3 % | 46,5 % |
| Marke 28 | 14,6 % | 12,5 % |
| Marke 29 | 20,8 % | 38,1 % |
| Marke 30 | 16,3 % | 0,0 % |
| Marke 31 | 4,3 % | 0,0 % |
| Marke 32 | 0,0 % | 11,9 % |
| Marke 33 | 18,8 % | 4,2 % |
| Marke 34 | 38,1 % | 35,4 % |
| Marke 35 | 27,4 % | 29,4 % |
| Marke 36 | 4,4 % | 2,1 % |
| Marke 37 | 4,3 % | 0,0 % |
| Marke 38 | 66,7 % | 63,8 % |
| Marke 39 | 10,4 % | 14,6 % |
| Marke 40 | 3,2 % | 1,4 % |
| Marke 41 | 25,0 % | 0,0 % |
| Marke 42 | 67,4 % | 70,1 % |
| Marke 43 | 14,6 % | 12,5 % |
| Marke 44 | 59,1 % | 61,7 % |
| Marke 45 | 76,7 % | 64,9 % |
| Marke 46 | 3,3 % | 5,3 % |
| Marke 47 | 2,1 % | 0,0 % |
Mit Websuche
| Auf Französisch | Auf Niederländisch | |
|---|---|---|
| Marke 1 | 9,3 % | 30,8 % |
| Marke 2 | 7,1 % | 25,0 % |
| Marke 3 | 28,8 % | 45,1 % |
| Marke 4 | 39,3 % | 51,8 % |
| Marke 5 | 3,9 % | 14,3 % |
| Marke 6 | 0,0 % | 7,1 % |
| Marke 7 | 71,4 % | 75,0 % |
| Marke 8 | 3,8 % | 7,3 % |
| Marke 9 | 5,8 % | 8,2 % |
| Marke 10 | 3,7 % | 6,0 % |
| Marke 11 | 4,1 % | 5,7 % |
| Marke 12 | 22,5 % | 23,2 % |
| Marke 13 | 0,0 % | 0,0 % |
| Marke 14 | 0,0 % | 0,0 % |
| Marke 15 | 0,0 % | 0,0 % |
| Marke 16 | 0,0 % | 0,0 % |
| Marke 17 | 0,0 % | 0,0 % |
| Marke 18 | 0,0 % | 0,0 % |
| Marke 19 | 0,0 % | 0,0 % |
| Marke 20 | 0,0 % | 0,0 % |
| Marke 21 | 82,1 % | 82,0 % |
| Marke 22 | 1,9 % | 0,0 % |
| Marke 23 | 4,3 % | 2,0 % |
| Marke 24 | 3,6 % | 0,0 % |
| Marke 25 | 3,9 % | 0,0 % |
| Marke 26 | 18,5 % | 14,3 % |
| Marke 27 | 31,5 % | 25,0 % |
| Marke 28 | 9,4 % | 0,0 % |
| Marke 29 | 32,7 % | 23,1 % |
| Marke 30 | 10,7 % | 0,0 % |
| Marke 31 | 11,8 % | 0,0 % |
| Marke 32 | 21,2 % | 9,1 % |
| Marke 33 | 14,0 % | 1,8 % |
| Marke 34 | 22,2 % | 9,1 % |
| Marke 35 | 23,2 % | 9,3 % |
| Marke 36 | 32,1 % | 17,0 % |
| Marke 37 | 16,1 % | 0,0 % |
| Marke 38 | 38,0 % | 21,4 % |
| Marke 39 | 37,5 % | 20,0 % |
| Marke 40 | 32,7 % | 14,3 % |
| Marke 41 | 26,8 % | 7,4 % |
| Marke 42 | 35,7 % | 16,0 % |
| Marke 43 | 34,0 % | 11,3 % |
| Marke 44 | 46,0 % | 19,2 % |
| Marke 45 | 60,2 % | 29,6 % |
| Marke 46 | 52,4 % | 12,5 % |
| Marke 47 | 57,1 % | 16,4 % |
Die Verteilung der Abstände zeigt es auch. Ihre Standardabweichung steigt von 8,8 Punkten ohne Web auf 13,4 Punkte mit Web. Ihr Mittelwert verschiebt sich von -0,5 auf -6,4 Punkte, zum Nachteil des Niederländischen (gepaarter t-Test, p < 0,01).
Mit dem Web wächst der Abstand zwischen den Sprachen
47 Marken. Balken: die gemessenen Abstände. Kurven: Normalverteilung mit gleichem Mittelwert und gleicher Standardabweichung.
Anzahl der Marken
Abstand Niederländisch minus Französisch (Prozentpunkte)
- Ohne Websuche: Standardabweichung 8,8 Punkte
- Mit Websuche: Standardabweichung 13,4 Punkte
Zahlen ansehen
| Abstand Niederländisch minus Französisch (Prozentpunkte) | Ohne Websuche | Mit Websuche |
|---|---|---|
| -60 – -55 | 0 | 0 |
| -55 – -50 | 0 | 0 |
| -50 – -45 | 0 | 0 |
| -45 – -40 | 0 | 1 |
| -40 – -35 | 0 | 1 |
| -35 – -30 | 0 | 1 |
| -30 – -25 | 0 | 1 |
| -25 – -20 | 2 | 1 |
| -20 – -15 | 1 | 7 |
| -15 – -10 | 3 | 6 |
| -10 – -5 | 2 | 3 |
| -5 – 0 | 14 | 6 |
| 0 – 5 | 16 | 14 |
| 5 – 10 | 3 | 1 |
| 10 – 15 | 3 | 2 |
| 15 – 20 | 3 | 2 |
| 20 – 25 | 0 | 1 |
| 25 – 30 | 0 | 0 |
| 30 – 35 | 0 | 0 |
| 35 – 40 | 0 | 0 |
| 40 – 45 | 0 | 0 |
| 45 – 50 | 0 | 0 |
| 50 – 55 | 0 | 0 |
| 55 – 60 | 0 | 0 |
| Ohne Websuche | μ = -0,5; σ = 8,8 |
|---|---|
| Mit Websuche | μ = -6,4; σ = 13,4 |
Ich erkläre es so: Was die KI über eine Marke gelernt hat, gilt für alle Sprachen, während die Seiten, die sie im Web findet, von der Sprache der Suche abhängen. Eine Marke ohne niederländische Inhalte verliert Nennungen bei Suchen auf Niederländisch.
Verändert der Ort des Käufers die Antwort?
Der Ort verändert die Liste noch stärker als die Sprache.
Ich habe die Unternehmen verglichen, die die KI-Modelle für denselben Beruf vorschlagen (Anwalt, Buchhalter, Versicherungsmakler, Zahnarzt, Immobilienmakler, Marketing- oder SEO-Agentur), in Brüssel, Luxemburg, Paris, Montréal und Québec, mit Websuche.
In derselben Stadt haben zwei Sprachen im Schnitt 21 % der Unternehmen gemeinsam (45 Vergleiche). In derselben Sprache haben zwei Städte nur 2 % gemeinsam (67 Vergleiche).
Eine andere Stadt verändert fast die ganze Liste
Unternehmen, die die KI-Modelle vorschlagen, mit Websuche, für denselben Beruf. Brüssel, Luxemburg, Paris, Montréal, Québec.
- Gleiche Stadt, andere Sprache
- Gleiche Sprache, andere Stadt
Zahlen ansehen
| Gleiche Stadt, andere Sprache | 20,8 % der Unternehmen gemeinsam (45 Vergleiche) |
|---|---|
| Gleiche Sprache, andere Stadt | 2,4 % der Unternehmen gemeinsam (67 Vergleiche) |
Die Namen, die es von einer Stadt in die andere schaffen, sind vor allem die der großen Gruppen: Aon, AXA und Marsh bei den Maklern, Dentons, Linklaters und Norton Rose Fulbright bei den Anwälten.
Für lokale Unternehmen ist es eine andere Geschichte: Die KI-Modelle schlagen sie in ihrer eigenen Stadt vor, selten anderswo.
Ich messe eine Marke deshalb in jeder Stadt ihrer Käufer und dann in jeder Sprache dieser Stadt.
Lesen alle KI-Modelle eine Marke auf dieselbe Weise?
Das befragte KI-Modell wiegt so viel wie die Marke selbst.
Bei 5.820 Antworten der Präsenz mit Websuche (51 Marken, vom 29. September bis 12. November) habe ich die Varianz des Anteils der Nennungen zerlegt. Die Messung (die Marke, ihre Sprache, ihr Ort, ihr Käufertyp) erklärt 26,7 % davon. Das befragte KI-Modell erklärt ebenfalls 26,7 %. Die Formulierung der Frage erklärt 9,8 %. Die restlichen 36,8 % mischen Zufall und Kombinationen dieser Faktoren.
Bei Marken, die in 20 % bis 80 % der Fälle genannt werden, steigt der Anteil des KI-Modells auf 37 %, gegenüber 12 % für die Frage.
Woher die Unterschiede bei den Nennungen kommen
Anteil an der Varianz, mit Websuche. 51 Marken, 5.820 Antworten, vom 29. September bis 12. November 2026.
- Die Messung (Marke, Sprache, Ort, Käufertyp)
- Das befragte KI-Modell
- Die Formulierung der Frage
- Der Rest (Zufall und Wechselwirkungen)
Zahlen ansehen
| Die Messung (Marke, Sprache, Ort, Käufertyp) | 26,7 % |
|---|---|
| Das befragte KI-Modell | 26,7 % |
| Die Formulierung der Frage | 9,8 % |
| Der Rest (Zufall und Wechselwirkungen) | 36,8 % |
Bei den sechs Industrieunternehmen schlägt Gemini das Unternehmen in 58 % seiner Antworten vor (55 von 95; 48 bis 67 %). Mistral schlägt es in 16 % vor (15 von 96; 10 bis 24 %).
Claude schlägt keines der vier am wenigsten bekannten Unternehmen vor (0 von 64). Ihr Name kommt in seinen Antworten nicht einmal vor. Gemini schlägt eines von ihnen in allen seinen Antworten vor (16 von 16).
Sechs Industrieunternehmen, gesehen von jedem KI-Modell
6 Industrieunternehmen, je 2 Sprachen, mit Websuche, 12 Audits. Messung vom 14. November 2026.
Antworten, die das Unternehmen dem Käufer vorschlagen (%)
- Mit Websuche
Zahlen ansehen
| Antworten, die das Unternehmen dem Käufer vorschlagen (%) | |
|---|---|
| Gemini | 57,9 % (55 von 95) |
| Grok | 49,0 % (47 von 96) |
| Perplexity | 45,3 % (43 von 95) |
| ChatGPT | 44,1 % (41 von 93) |
| Muse Spark | 34,1 % (31 von 91) |
| Claude | 21,1 % (20 von 95) |
| Mistral | 15,6 % (15 von 96) |
Die KI-Modelle schlagen auch nicht dieselben Unternehmen vor. Bei derselben Frage haben zwei verschiedene KI-Modelle im Schnitt 9 % der Unternehmen gemeinsam (20.629 Vergleiche). Dasselbe KI-Modell wiederholt am selben Tag 41 % davon (112 Vergleiche).
Gibt eine KI immer dieselbe Antwort?
Dieselbe Frage bekommt nicht immer dieselbe Antwort.
Am 14. November habe ich dieselben Fragen zweimal am selben Tag gestellt, für 7 Unternehmen. 17,5 % der Antworten haben sich geändert (84 von 480; 14 bis 21 %), bei Marken, die in 20 % bis 80 % der Fälle genannt werden. Die Uhrzeit spielt kaum eine Rolle: 16 % Änderungen bei 4 Minuten Abstand, 18 % bei 11 Stunden.
Etwa ein Drittel dieser Änderungen kommt von meiner Lesart der Antworten, nicht von den KI-Modellen. Das gilt für jedes Werkzeug, das Namen in Antworten zählt.
Die Genauigkeit einer Messung hängt also von der Zahl der Antworten ab. Von einem Durchlauf zum nächsten ist ihre Standardabweichung die Wurzel aus p ÷ 2n: p ist der Anteil der Antworten, die sich zwischen zwei Durchläufen ändern, n die Zahl der Antworten der Messung.
Für die sieben KI-Modelle zusammen beträgt p 17,5 %. Für ChatGPT allein beträgt p 37 % (20 Antworten von 54). Das ergibt:
- ChatGPT allein, 8 Fragen: Standardabweichung von 15,2 Punkten, also ±30 Punkte bei 95 %;
- 7 KI-Modelle in einem Durchlauf (56 Antworten): Standardabweichung von 4,0 Punkten, also ±7,7 Punkte;
- 7 KI-Modelle in zwei Durchläufen (112 Antworten): Standardabweichung von 2,8 Punkten, also ±5,5 Punkte.
Was eine einzelne Messung ergeben kann
Marke in 40 % der Antworten genannt. Standardabweichungen aus den zwei Durchläufen vom 14. November 2026; in Klammern das 95-%-Intervall.
wahrer Wert: 40 %
Gemessener Anteil der Nennungen (%)
- ChatGPT allein, 8 Fragen: Standardabweichung 15,2 Punkte (±29,8)
- 7 KI-Modelle, 1 Durchlauf (56 Antworten): Standardabweichung 4,0 Punkte (±7,7)
- 7 KI-Modelle, 2 Durchläufe (112 Antworten): Standardabweichung 2,8 Punkte (±5,5)
Zahlen ansehen
| wahrer Wert: 40 % |
| ChatGPT allein, 8 Fragen: Standardabweichung 15,21 Punkte (±29,82) |
| 7 KI-Modelle, 1 Durchlauf (56 Antworten): Standardabweichung 3,95 Punkte (±7,75) |
| 7 KI-Modelle, 2 Durchläufe (112 Antworten): Standardabweichung 2,80 Punkte (±5,48) |
Ein Paper von GetMint Research kommt für ChatGPT auf dieselbe Größenordnung: ±28 Punkte für eine Frage, die an einem einzigen Tag gemessen wird, bei mehr als einer Million Antworten (Amine Aziz Alaoui, „A Measurement Model for Brand Visibility in ChatGPT Answers“, 5. Oktober 2026).
Schreibt eine KI Ihren Namen so wie Sie?
Die KI übernimmt nicht immer den genauen Namen der Marke.
Sie hängt manchmal ein Produkt, ein Land oder eine Rechtsform an den Namen: „Name S.A.“, „Name France“, der Name gefolgt von einer Produktreihe. Bei Unternehmen C steigt die Präsenz auf Englisch von 59 % auf 75 %, wenn ich diese Formen erkenne (von 66 auf 83 Antworten von 111).
Der Name kann auch veraltet sein. Dieses Unternehmen hat seinen Namen geändert. 42 % der Antworten auf „Was ist das?“ nennen noch den alten (11 von 26).
Was ich daraus für eine Marke mitnehme
- Mit der Wahrnehmung beginnen. Bevor ich versuche, genannt zu werden, prüfe ich, was die KI-Modelle über eine Marke sagen, wenn man sie nennt.
- Die Grundfakten in jeder Sprache der Käufer veröffentlichen. Hauptsitz, Gründungsdatum, Mitarbeiterzahl, Produkte, Märkte. Die Fehler über Cebi betreffen genau diese Fakten.
- Veraltetes aufräumen. Früherer Name, frühere Aktionäre: Die KI-Modelle übernehmen sie, auch mit Websuche.
- In jeder Stadt und jeder Sprache der Käufer messen. Zwei Städte mit derselben Sprache haben nur 2 % der vorgeschlagenen Unternehmen gemeinsam.
- Mehrere KI-Modelle messen, in beiden Modi, in zwei Durchläufen. Mit 7 KI-Modellen und zwei Durchläufen sinkt die Standardabweichung einer Messung auf 2,8 Punkte, gegenüber 15,2 Punkten für ChatGPT allein.
- Dieselbe Messung später wiederholen. Sonst lässt sich nicht sagen, ob eine Maßnahme etwas verändert hat.
Die Plätze, die frei sind
Die KI-Modelle antworten mit dem, was sie finden, Stadt für Stadt und Sprache für Sprache. Ohne Websuche irren sie sich doppelt so oft.
Die großen Gruppen halten sich in jeder Stadt. Für mittelgroße und lokale Unternehmen, die die KI-Modelle noch schlecht kennen, sind Plätze frei.
Wissen Sie, was die KI-Modelle über Ihre Marke sagen, in der Sprache und in der Stadt Ihrer Käufer?
