Meta-Beschreibung: Eine einzelne Zahl sagt nichts darüber aus, wie Sie in den KI-Suchergebnissen erscheinen. Es handelt sich um einen Durchschnittswert zweier unabhängig voneinander arbeitender Systeme, personalisiert für jeden Nutzer. Die Anbieter dieser Zahl spekulieren darauf, dass Sie den Unterschied nicht kennen.
Die Frage landet mittlerweile fast wöchentlich auf meinem Schreibtisch, stets mit demselben begründeten Selbstbewusstsein formuliert: „Wie steht es um meine KI-Sichtbarkeit?“ Kunden stellen die Frage genauso wie früher, als sie sich nach ihrem Ranking für ein bestimmtes Keyword erkundigten: Sie erwarten eine Zahl als Antwort, idealerweise eine, die sich seit dem letzten Quartal verbessert hat.
Ich kann ihnen diese Zahl nicht nennen. Nicht, weil wir nicht danach suchen, sondern weil die ehrliche Antwort komplexer ist, als es eine einzelne Zahl ausdrücken kann, und ich möchte lieber die Wahrheit sagen als etwas, das elegant klingt. Diese Diskrepanz zwischen dem, was die Menschen messen wollen, und dem, was tatsächlich messbar ist, bildet derzeit den Kern der gesamten Debatte um die Sichtbarkeit von KI.
Seien wir zunächst einmal ehrlich, was die Fan-Out-Theorie angeht.
Heutzutage ist es üblich, Fragen zu entwickeln. Man nimmt die Fragen, die ein Käufer stellen könnte, erweitert jede Frage in verschiedene natürlichsprachliche Varianten, speist diese in eine KI-Engine ein und zählt, wie oft die eigene Marke auftaucht. Das ist ein sinnvoller Ansatz, und ich möchte ihn keinesfalls abtun.
Es ist kostengünstig. Es ist wiederholbar. Es verwandelt eine vage Angst in etwas Greifbares und ist unendlich viel besser, als zu raten oder anzunehmen, man sei unsichtbar, nur weil ein Gründer eine Anfrage in ChatGPT eingegeben und sich selbst nicht gesehen hat. Als Ausgangspunkt ist die Durchführung eines Fan-Outs der richtige erste Schritt. Jeder, der das tut, ist denen, die noch darüber diskutieren, ob das alles überhaupt relevant ist, bereits einen Schritt voraus.
Das Problem liegt daher nicht in der Verteilung der Spieler. Das Problem ist, dass wir die Verteilung als Ziel betrachten.
Ein Motor ist nicht „KI“.
Der erste Riss zeigt sich, sobald man feststellt, dass keine einzige „KI“ zu sehen ist. Der Raum ist voller KIs, und diese sind sich nicht einig.
Geben Sie dieselbe Suchanfrage selbst in fünf Suchmaschinen ein, und Sie werden in der Regel die Unterschiede feststellen. ChatGPT platziert eine Marke unter den ersten drei und verweist auf die Preisseite. Perplexity erwähnt sie nicht und stützt die gesamte Antwort auf einen Konkurrenten. Gemini beschreibt sie mit einem Slogan, den das Unternehmen vor 18 Monaten aufgegeben hat. Googles KI-Übersicht ist vage und nennt niemanden. Dieselbe Marke, dieselbe Frage, derselbe Nachmittag. Wenn Sie nur die Suchmaschine berücksichtigen, die die Marke positiv bewertet, könnten Sie sagen: „Sie haben gewonnen.“ Wenn Sie nur die Suchmaschine berücksichtigen, die sie ignoriert, könnten Sie sagen: „Sie sind unsichtbar.“ Beides ist richtig. Aber beides ist nicht hilfreich.
Ein einzelner Testlauf mit einer einzigen Suchmaschine an einem einzigen Tag, dessen Ergebnis anschließend als „Ihre KI-Sichtbarkeit“ gemeldet wird, misst nicht Ihre tatsächliche Sichtbarkeit. Er erfasst lediglich die Stimmung einer einzelnen Suchmaschine an einem Dienstag. Um dies korrekt durchzuführen, sollten Sie dieselbe gezielte Streuung über mehrere LLMs und KI-Umfragen hinweg mit derselben Formulierung wiederholt anwenden, da sich die Antworten im Laufe der Zeit mit den Aktualisierungen der zugrunde liegenden Modelle ändern. Das ist mehr Aufwand, als ein Dashboard gerne zugibt. Es ist jedoch auch die einzige Version, die Ihnen aussagekräftige Informationen liefert.
Der springende Punkt ist: zwei Systeme, nicht eines.
Dies ist der Aspekt, den die meisten Bewertungstools völlig übersehen, und genau diesen Aspekt hat Duane Forrester jahrelang übersehen.um den Appell zu richtenKlarer als jeder andere. Ihre Marke ist in diesen Systemen nicht in einem einzigen Speicherbereich verankert. Sie ist in zweien gespeichert, und diese versagen auf völlig unterschiedliche Weise.
Eine dieser Funktionen ist das parametrische Gedächtnis, das Wissen, das während des Trainings in das Modell integriert und bis zur nächsten Trainingssitzung gespeichert wird. Die andere ist der Abruf, also die Inhalte, die die Engine in Echtzeit abruft, sobald jemand eine Frage stellt. Wenn eine Antwort über Sie falsch ist, liegt das an einer dieser beiden Funktionen, und die Lösung des einen Problems löst nicht das andere. Ein einzelner Wert kann Ihnen nicht sagen, welches Problem vorliegt, und somit auch nicht, was Sie als Nächstes tun sollen. Er sagt Ihnen lediglich, dass Sie sich schlecht fühlen.
Es ist sehr wichtig, den Unterschied zwischen diesen beiden Erinnerungen zu kennen:
| Parametrisches Problem | Pickup-Problem | |
|---|---|---|
| Die Erzählung | Selbstsichere Antwort, keine Quellenangabe. | Live-Zitate, aber nicht Ihre. |
| Die Ursache | Während der Ausbildung wurde ein veraltetes oder falsches Selbstbild vermittelt. | Ihre Seite wurde nicht ausgewählt, ebenso wenig wie die eines Mitbewerbers. |
| Was es nicht lösen wird | Heute veröffentliche ich eine Korrektur (das Modell wurde bereits trainiert). | Warten auf den nächsten Trainingslauf |
| Was wirklich hilft | Jetzt konsistente, verifizierte und durchsuchbare Inhalte bereitstellen, damit beim nächsten Mal die richtige Version verwendet wird. | Struktur für saubere Extraktion, Beantwortung der Unterfragen, Stärkung der Bestätigung durch Dritte |
Dieselbe falsche Antwort auf dem Bildschirm. Zwei völlig unterschiedliche Ursachen, zwei völlig unterschiedliche Aufgaben. Fassen Sie sie zu einer grünen Zahl zusammen, und Sie können getrost ein Viertel der Zeit damit verbringen, die Schicht zu reparieren, die nie beschädigt war.
Und dann stellt sich die Frage, wer die Frage stellt.
Es gibt einen dritten Aspekt, den ich bisher außer Acht gelassen habe, der aber eine gesonderte Betrachtung verdient. Selbst innerhalb einer einzigen Suchmaschine ist die Antwort auf den Fragesteller personalisiert. Eine Lernmaschine (LLM) speichert Informationen, individuelle Anweisungen und den Chatverlauf für jeden angemeldeten Benutzer im Benutzerkonto und nicht auf dem Gerät. Daher kann dieselbe Kategorieanfrage von zwei verschiedenen Käufern zu zwei unterschiedlichen Auswahllisten führen. Das ist nicht der Widerspruch zwischen parametrischer und Retrieval-Suche, sondern eine zusätzliche Ebene: Wer stellt die Frage und was weiß die Suchmaschine bereits über diese Person? Es ist derselbe Punkt, den ich bereits zuvor erwähnt habe…Ihr LLM-Programm kennt Sie nicht, deshalb sind die Antworten durchschnittlich.Aus der anderen Richtung. Sie sind nicht eine einzige Nummer in einem System. Sie sind eine andere Nummer für jeden angemeldeten Benutzer, der glaubt, das System zu kennen.
Selbst die großen Player stehen erst am Anfang.
Ich möchte hier auch ehrlich sein, denn man könnte das leicht so interpretieren, als wären die Werkzeuge wertlos. Das sind sie nicht. Sie befinden sich noch in einem frühen Entwicklungsstadium.
Schauen Sie sich genau an, was die Plattformen selbst anbieten, denn das zeigt, in welche Richtung die Entwicklung geht. Google fügte hinzu:Berichte über die Leistung generativer KI in der Search ConsoleSo können Sie sehen, wie Sie in KI-Übersichten und im KI-Modus aussehen. Es lohnt sich, dies zusammen mit dem Artikel meines geschätzten Kollegen Gregory Pinas darüber zu lesen, wie…Die Search Console zeigt Ihnen in der Regel irgendwann Daten an, die sie bereits gespeichert hat.Microsoft hat einKI-Leistung in den Bing Webmaster Tools anzeigenGoogle arbeitet sogar an der Einführung einesBericht über den Anteil von KI an der Online-Kommunikation im Merchant CenterTesten Sie Ihre Produkte auf KI-Plattformen und vergleichen Sie sie mit ähnlichen Marken.
Das ist gut. Laut eigener Aussage ist es auch ein Anfang. Jede dieser Analysen untersucht nur die Oberfläche der jeweiligen Plattform, was genau die Einschränkung einer einzelnen Engine ist, die wir vorhin bereits besprochen haben und die nun ein offizielles Logo trägt. Wenn die Unternehmen mit den meisten Daten Version 1 veröffentlichen, sollte man skeptisch gegenüber Drittanbieter-Tools sein, die subtil suggerieren, das gesamte Problem sei mit einem einzigen Bild bereits gelöst.
Dies ist kein gelöstes Problem, und ich würde lügen, wenn ich etwas anderes behaupten würde. Weder die Plattformen noch die Tools noch wir haben es bisher gelöst (noch nicht). Wir suchen noch nach der besten Methode, die richtigen Daten darzustellen, und ich vermute, die Antwort liegt nicht in einer einzigen Zahl, sondern in mehreren: verschiedene Engines, verschiedene Zeitpunkte, verfolgt, damit man die Veränderung des Bildes erkennen kann, anstatt es in einer einzigen, schmeichelhaften oder beunruhigenden Zahl einzufrieren. Wenn ein Kunde nach dem Stand seiner KI-Sichtbarkeit fragt, ist das die ehrliche Antwort: Welche Engine, mehrfach geprüft, mit oder ohne Quellenangabe, und in welchem der beiden Speichersysteme liegt das Problem? Wenn man all das in einer einzigen Kennzahl zusammenfasst, verwirft man die einzigen Informationen, die einem den Weg weisen. Das verkauft sich in einer Präsentation weniger gut als eine verlässliche Zahl. Aber es ist die Wahrheit, und die Wahrheit ist mehr wert als eine ansprechende Kennzahl.
Was ich dem Kunden tatsächlich sage
Deshalb gebe ich ihnen die unbefriedigende, aber nützliche Antwort anstelle der befriedigenden, aber nutzlosen Antwort.
Betrachten Sie „KI-Sichtbarkeit“ nicht als bloße Zahl. Sehen Sie es vielmehr als eine Frage, die Sie sich wiederholt in Bezug auf verschiedene Engines und Speichersysteme stellen – und zwar in dieser Reihenfolge –, bevor Sie auch nur einen Cent für die Fehlersuche ausgeben. Prüfen Sie mehrere Engines. Lesen Sie die Referenzen, denn deren Vorhandensein oder Fehlen gibt Aufschluss darüber, mit welchem System Sie es zu tun haben. Sortieren Sie Ihre Probleme zunächst nach Ursache, bevor Sie sie nach Ausmaß sortieren. Und behalten Sie die Plattformen im Auge, denn Google und Microsoft werden diese Berichte kontinuierlich erweitern, und die Situation wird sich ständig ändern, unabhängig davon, was Sie letzten Monat gemessen haben.
Nehmen Sie die heutige Momentaufnahme nicht für bare Münze, weder für Ihre eigene Marke noch für Software, die sich so rasant weiterentwickelt. Die Zahl, die Sie letzte Woche erhalten haben, ist bereits etwas verzerrt.
Die Anbieter haben Recht, dass Transparenz im KI-Bereich wichtig ist. Sie irren sich jedoch, wenn sie glauben, dass sich dies mit einem Messinstrument erfassen lässt. Jemand, der Ihnen für etwas so Komplexes eine eindeutige Punktzahl liefern kann, misst nicht Ihre Transparenz, sondern nur, wie sehr Sie sich eine Punktzahl gewünscht haben.
