DUP UNTERNEHMER-Magazin: Was bedeutet für Sie Sichtbarkeit eines Unternehmens in LLMs? Geht es dabei um die Förderung der Markenbekanntheit oder um die Sicherstellung korrekter Informationen über die Firma und ihre Produkte in den Sprachmodellen?
Mathias Elsässer: Im Mittelpunkt steht für mich klar die Markenbekanntheit in Large Language Models. Eine authentische und damit korrekte Darstellung gehören aber untrennbar dazu. Niemand würde ernsthaft eine Marke auf falschen Fakten aufbauen. Unwahrheiten hatten schon immer kurze Beine und das wird auch in Zukunft so bleiben. Für Unternehmen bedeutet Sichtbarkeit in LLMs ganz konkret: besser gefunden zu werden, wenn Entscheider oder Endkunden sich per KI-Assistent informieren, und gleichzeitig zu verhindern, dass falsche oder veraltete Informationen die Marke beschädigen.
Viele Firmen konzentrieren sich weiterhin auf SEO. Ergibt das in Zeiten von KI-Sprachmodellen überhaupt noch Sinn?
Elsässer: Zunächst muss man verstehen, was „in den Sprachmodellen“ heute überhaupt bedeutet. Moderne Suchagenten sind nicht nur ein Chat mit einem LLM, wie wir das aus den Anfangszeiten von ChatGPT kennen. Wir sprechen heute von komplexen Transformer-Modellen, die in eine Real-Time-Retriever-Architektur eingebettet sind. Ein LLM hat lange Update-Zyklen. Ganz vereinfacht erklärt, sucht es über viele Ebenen hinweg immer das nächstpassende Wort. Am Ende wählt es aus einigen passenden Möglichkeiten per Zufall das finale Wort oder den Satz aus. Genau deshalb bekommen wir bei derselben Frage an einen GenAI-Chatbot oft zwei leicht unterschiedliche Antworten.
Diese Modelle arbeiten mit trainiertem Wissen. Sie sind daher relativ träge und kurzfristig nur wenig oder gar nicht direkt zu beeinflussen. Um die Lücke zu aktuellen Inhalten und Fakten zu schließen, wurden LLMs mit Real-Time-Retrievern erweitert. Das heißt: Zur Laufzeit einer Anfrage werden klassische Suchergebnisse, laufend gesammelte Daten - zum Beispiel aus Knowledge Graphen - sowie Informationen aus bekannten Schnittstellen und Datenbanken mit dem Prompt kombiniert.
Diesen Mechanismus kann man durchaus beeinflussen – und hier spielen gute, „klassische“ SEO-Ergebnisse weiterhin eine wichtige Rolle. Es ist heute aber deutlich komplexer als früher, als es vor allem um Keywords, Mentions und optimierte Texte ging.
Für mich ist das derzeit so, als würde man versuchen, mit einem EEG-Gehirnscan das komplette menschliche Gehirn zu verstehen. Das wird so nicht funktionieren. Somit sollten Unternehmen ihre digitalen Informationsquellen weiterhin konsequent auf SEO optimieren. Nur wer in den Suchergebnissen weit oben erscheint, wird auch im Retriever berücksichtigt. Gleichzeitig müssen Inhalte auf KI-basierte Suche ausgerichtet sein: also klare Texte, verständliche Zusammenhänge und eine möglichst konsistente Darstellung auf allen eigenen und öffentlichen Kanälen.
Wir stehen heute aber noch am Anfang des technologischen Fortschritts durch künstliche Intelligenz. „Vorne“ ist der Bereich, in dem sich noch niemand wirklich auskennt. Wir müssen uns damit anfreunden, uns von der früheren Klarheit der SEO-Optimierung zu verabschieden und stärker mit A/B-Tests und einer kontinuierlichen Optimierung der Quellen arbeiten.
Aus meiner Sicht wird sich die Gewichtung in den nächsten zwei bis drei Jahren weiter in Richtung KI-gestützter Suche verschieben – Unternehmen brauchen daher mehr Datenkompetenz, Experimentierfreude und die Bereitschaft, permanent zu justieren statt einmalig eine SEO-Strategie festzulegen.
Wie müssen Daten aufbereitet werden, um von Sprachmodellen aufgegriffen zu werden?
Elsässer: Wichtig ist, dass Informationen über das Unternehmen und seine Produkte oder Leistungen in sich konsistent und sauber formuliert sind. Das Markennarrativ sowie Produkt- und Service-Eigenschaften sollten stimmig, verständlich und in der passenden inhaltlichen Tiefe beschrieben werden. Nur dann können Transformer-Modelle und Retriever diese Daten gut aufnehmen und verarbeiten. Dazu gehört auch, Widersprüche zu vermeiden: Wenn Website, Pressemitteilungen und Fachbeiträge unterschiedliche Zahlen, Begriffe oder Botschaften verwenden, erschwert das es den Modellen, ein klares Bild der Marke zu bilden.
Hilft es bei der Erkennung durch Sprachmodelle, auf Websites wie Wikipedia oder etwa Börsenplattformen präsent zu sein? Welche Rolle spielen Auszeichnungen wie Siegel oder eine häufige Nennung in Fachmedien für die Sichtbarkeit?
Elsässer: Ja, das hilft deutlich. LLMs speisen sich aus großen Wissensdatenbanken wie etwa Wikipedia, aus Foren wie Reddit und aus Blogs wie Medium. Wer dort präsent ist und häufiger erwähnt wird, hat eine höhere Chance, später auch im Output eines Transformers aufzutauchen. Auszeichnungen, Siegel und regelmäßige Erwähnungen in Fachmedien können diese Sichtbarkeit zusätzlich stärken, weil sie die Relevanz und Glaubwürdigkeit einer Marke unterstreichen.
Werden Sprachmodelle die Unternehmenskommunikation grundlegend verändern?
Elsässer: Ich glaube nicht, dass sie alles grundlegend auf den Kopf stellen. Wir erleben eher eine neue Epoche. Im Marketing ging es schon immer um konsistentes und gut ausbalanciertes Informationsmanagement. Jetzt kommt ein neuer, sehr wichtiger Kanal hinzu, auf den Unternehmen reagieren müssen. Die „alten“ Kanäle wie Website, Social Media und klassische Suche verschwinden aber nicht. Sie bleiben wichtig und verzahnen sich zunehmend mit KI-basierten Systemen.
Neu ist vor allem die Geschwindigkeit und die Dialogorientierung: Inhalte müssen so aufbereitet sein, dass sie sowohl in klassischen Formaten funktionieren als auch von Maschinen in Sekundenschnelle verarbeitet und in eine individuelle Antwort übersetzt werden können.
Welche Tools und Beratungsangebote haben Sie für Unternehmen und wie werden diese nachgefragt?
Elsässer: Viele Unternehmen kommen aktuell mit der Frage auf uns zu, wie sie ihre eigenen Daten so aufbereiten können, dass sie sie sicher und kontrolliert in KI-Anwendungen nutzen – etwa für personalisierte Kommunikation, eigene Chatbots oder automatisierte Kampagnensteuerung. Künstliche Intelligenz spielt eine zentrale Rolle und beeinflusst das gesamte Marketing Operating Model. Genau an dieser Schnittstelle zwischen Daten, Organisation und KI setzen wir an. Unser Beratungsschwerpunkt liegt in diesem Bereich auf sauberen First-Party-Data-Strategien sowie den entsprechenden -Architekturen und -Prozessen, auf Target Operating Models für ein Closed Loop Marketing sowie Marketing Analytics.