Ein Ahrefs-Mitarbeiter hat im Winter 2025 ein aufwendiges Experiment gemacht. Er erfand eine Luxusmarke für Briefbeschwerer, komplett mit Website und einer offiziellen FAQ-Seite, auf der ausdrücklich stand, was über das Unternehmen nicht stimmt: kein Börsengang, keine Übernahme, keine Rechtsstreitigkeiten. Zwei Monate lang beobachtete er, wie acht KI-Systeme auf gezielt gestreute Falschinformationen reagierten: ein erfundener Blogartikel, ein gefälschter Reddit-Bericht, eine vermeintliche Enthüllungsgeschichte auf Medium.

Das Ergebnis war eindeutig. Die meisten Systeme übernahmen die erfundenen Geschichten, teils sogar nachdem sie zuvor selbst noch Zweifel an der Existenz der Marke geäußert hatten. Nur die beiden getesteten ChatGPT-Modelle hielten sich konsequent an die offizielle FAQ. Ein weiteres Modell verweigerte jede Aussage zur Marke komplett, was zwar keine Falschinformation produzierte, aber auch keine brauchbare Auskunft gab. (Quelle: Mateusz Makosiewicz, Ahrefs, Dezember 2025)

Das ist kein technischer Ausrutscher. Es zeigt ein Muster, das viele Unternehmen erst spät bemerken. Sie haben die Kontrolle über die eigene Geschichte nicht vollständig verloren. Aber sie teilen sie jetzt mit Systemen, die sich um offizielle Richtigstellungen erkennbar wenig kümmern.

Wie relevant das inzwischen ist, zeigt eine weitere Ahrefs-Untersuchung. KI-Overviews erscheinen mittlerweile bei rund einem Fünftel aller Google-Suchanfragen, bei längeren und konkreteren Fragen noch deutlich häufiger. Für viele Nutzer ist die KI-Antwort damit oft der erste und manchmal einzige Kontakt mit einer Unternehmensinformation. Eine Richtigstellung, die erst Wochen später greift, kommt in solchen Momenten zu spät.

Wie eine falsche Information entsteht

Ein Sprachmodell hat keine Datenbank mit Unternehmensfakten, die es bei Bedarf nachschlägt. Es hat gelernt, wahrscheinliche Wortfolgen zu erzeugen, trainiert auf einem riesigen Ausschnitt des Internets mit einem Stichtag. Was danach passiert, spielt für das Modell zunächst keine Rolle.

Ein Beispiel macht das greifbar. Ein Unternehmen wechselt die Geschäftsführung. In hundert alten Artikeln taucht noch der frühere Name auf, in zwanzig neuen der aktuelle. Das Modell hat beide Versionen gesehen, häufiger aber die alte. Bei der nächsten Anfrage antwortet es mit größerer Wahrscheinlichkeit falsch, nicht aus Böswilligkeit, sondern aus Mustererkennung mit unvollständigen Daten.

Bei neueren Systemen kommt eine zweite Fehlerquelle dazu. Modelle mit Websuche greifen zusätzlich auf aktuelle Quellen zu. Das verringert Fehler bei bekannten, gut dokumentierten Fakten. Es hilft aber wenig, wenn im Netz mehrere widersprüchliche Angaben kursieren, ein veraltetes Branchenverzeichnis etwa neben der korrekten eigenen Website. Für ein Modell sind das erst einmal zwei gleichwertige Quellen.

Ein Modell korrigiert sich nicht, weil ein Unternehmen widerspricht. Es korrigiert sich, wenn genügend andere Quellen etwas anderes sagen.

Darin liegt der Unterschied zu einem klassischen Fehler auf der eigenen Website. Den kann man selbst beheben. Eine falsche Aussage in einem KI-System hängt von Quellen ab, die man oft weder kennt noch beeinflussen kann.

Warum Erwähnung mehr zählt als Richtigstellung

Wer verstehen will, wie man die eigene Darstellung in KI-Antworten beeinflusst, kommt an einer Zahl aus einer Ahrefs-Untersuchung nicht vorbei. Die Analyse von 75.000 Marken zeigte im Mai 2025 einen deutlichen Zusammenhang zwischen Markenerwähnungen im Web und der Sichtbarkeit in Googles KI-Overviews, mit einem Korrelationswert von 0,664. Klassische Backlinks kamen im Vergleich nur auf 0,218. (Quelle: Louise Linehan und Xibeijia Guan, Ahrefs, Mai 2025, aktualisiert im April 2026) Ein weiterer Ahrefs-Bericht vom Mai 2026 bestätigte das Prinzip erneut. (Quelle: Ahrefs Q1 2026 AI Search Benchmark Report, Pressemitteilung vom 26. Mai 2026)

Was daraus folgt, ist unbequem für jeden, der auf eine einzelne Pressemitteilung als Lösung hofft. Eine einzelne, laute Richtigstellung zählt dabei wenig. Entscheidend ist, wie oft und wie konsistent ein Unternehmen im Netz erwähnt wird, in Fachartikeln, Verzeichnissen, Kundenrezensionen, Foren. Ein Modell bildet daraus so etwas wie einen statistischen Konsens. Eine einzelne Korrektur verschiebt diesen Konsens kaum.

„Weil sich die Markenwahrnehmung heute über verschiedene KI-Plattformen verteilt, die alle unterschiedlich funktionieren, hat sich grundlegend verändert, wie man Sichtbarkeit überhaupt noch verfolgen und aufbauen kann." Glen Allsopp, Head of Marketing Strategy & Research bei Ahrefs, Mai 2026 (übersetzt aus dem Englischen)

Für die Unternehmenskommunikation bedeutet das einen Rollenwechsel. Es reicht nicht mehr, im Ernstfall zu reagieren. Wichtiger wird, über viele kleine Kanäle hinweg ein konsistentes, aktuelles Bild zu hinterlassen, lange bevor ein Modell danach gefragt wird.

Ein Beispiel aus der Praxis

Nehmen wir ein mittelständisches Unternehmen, das vor zwei Jahren den Standort gewechselt hat. Die neue Adresse steht korrekt auf der eigenen Website, im Impressum, in der Google-Unternehmensseite. Trotzdem nennt ein KI-Assistent auf Nachfrage noch die alte Adresse, samt einer erfundenen Zufahrtsbeschreibung, die es so nie gegeben hat.

Die Marketingabteilung recherchiert die Ursache und findet sie in einem längst verwaisten Branchenverzeichnis, das die alte Adresse nie aktualisiert hat. Ein Anruf, eine Korrektur, das Problem scheint gelöst. Vier Monate später taucht der Fehler wieder auf. Ein regionales Wirtschaftsmagazin hatte einen alten Artikel neu veröffentlicht, samt der falschen Adresse, und ein Modell hatte diese Quelle beim nächsten Training wieder aufgenommen.

Wer auf eine einzelne Richtigstellung hofft, verwechselt ein Sprachmodell mit einer Datenbank.

Dieses Beispiel ist typisch für ein Muster, das Kommunikationsberater in diesem Feld immer wieder beschreiben. Korrekturen wirken, aber sie sind kein Zustand, sondern eine Aufgabe, die nie ganz endet. Für das Unternehmen bedeutete das vor allem eins: Der Fall war nie wirklich abgeschlossen, er war nur für eine Weile unauffällig.

Eine neue Branche wächst schneller als das Problem verstanden wird

Wer nach Lösungen für dieses Problem sucht, findet inzwischen ein ganzes Feld von Agenturen, die sich auf sogenannte Generative Engine Optimization spezialisiert haben, kurz GEO. Ihre Artikel ähneln sich auffällig. Strukturierte Daten pflegen, den Wikipedia-Eintrag prüfen, den Wikidata-Datensatz aktualisieren, eine eigene Faktenseite anlegen. Die Empfehlungen sind meist richtig. Nur klingen sie, egal welche Agentur sie veröffentlicht, fast identisch.

Das ist an sich schon eine Pointe des Themas. Ausgerechnet die Beratung gegen KI-bedingte Beliebigkeit produziert selbst enorm viel beliebigen Content. Wer als Unternehmen Rat sucht, bekommt denselben Zehn-Punkte-Plan von einem Dutzend verschiedener Absender.

Damit soll nicht bestritten werden, dass strukturierte Daten und ein gepflegter Wikidata-Eintrag helfen. Sie helfen tatsächlich, ein Modell verlässlicher an die richtige Information zu führen. Nur lösen sie das Problem nicht endgültig. Sie verschieben die Wahrscheinlichkeit ein Stück in die richtige Richtung, mehr nicht.

Für kleinere Unternehmen kommt eine zusätzliche Schwierigkeit dazu. Sie haben selten das Budget für eine eigene GEO-Agentur, und über sie gibt es insgesamt weniger verlässliche Quellen im Netz, an denen sich ein Modell orientieren könnte. Wo wenig Verlässliches steht, füllt ein System die Lücke eher mit einer plausiblen Vermutung als mit Schweigen.

Aus der Unsicherheit ist in kurzer Zeit ein eigenes Geschäftsmodell entstanden, fast so schnell wie das Problem selbst.

Was sich beeinflussen lässt, und was nicht

Ein paar Maßnahmen haben sich in der Praxis bewährt, ohne dass sie ein Versprechen auf vollständige Kontrolle geben. Im eingangs beschriebenen Ahrefs-Experiment zitierten ausgerechnet die beiden Systeme mit der klarsten, am häufigsten aktualisierten offiziellen FAQ-Seite diese auch am zuverlässigsten, in 84 Prozent der Antworten. Andere Systeme ignorierten dieselbe FAQ fast vollständig und griffen stattdessen auf die erfundenen Quellen zurück. Eine gepflegte Faktenseite wirkt also, aber eben nicht bei jedem System gleich stark.

Strukturierte Daten auf der eigenen Website, sogenanntes Schema-Markup, machen zentrale Fakten wie Gründungsjahr, Geschäftsführung oder Adresse maschinenlesbar. Ein aktueller, gut belegter Wikipedia- oder zumindest Wikidata-Eintrag zählt zu den am häufigsten herangezogenen Quellen vieler Modelle. Eine eigene, klar strukturierte Faktenseite kann zur Referenz werden, auf die sich andere Inhalte stützen.

Wichtiger als jede einzelne Maßnahme ist aber die Konsistenz über viele Quellen hinweg. Ein Unternehmen, das in Fachartikeln, Verzeichnissen und der eigenen Kommunikation dieselben Fakten in denselben Formulierungen verwendet, erleichtert einem Modell die Zuordnung. Widersprüchliche Angaben, selbst kleine wie eine alte Postleitzahl in einem vergessenen Verzeichnis, wirken dagegen wie Störgeräusch.

Was sich kaum beeinflussen lässt, ist der Zeitpunkt, zu dem ein Modell neu trainiert wird oder eine veraltete Quelle erneut aufgreift. Und was sich nie ganz ausschließen lässt, ist echte Halluzination: ein Modell, das etwas erfindet, das nirgendwo im Netz stand. Wer im Unternehmen für KI-Reputation verantwortlich ist, sollte diese Grenze offen benennen, statt ein Versprechen zu geben, das sich nicht halten lässt.

Bei anhaltenden, schwerwiegenden Fehldarstellungen reicht die Marketingperspektive ohnehin nicht mehr aus. Wenn ein Modell wiederholt falsche Tatsachenbehauptungen verbreitet, die dem Unternehmen erkennbar schaden, wird daraus schnell eine Frage für die Rechtsabteilung, nicht nur für die Kommunikation. Diese Schnittstelle ist in den meisten Unternehmen bisher gar nicht definiert, weil das Thema noch zu neu ist, um in bestehenden Zuständigkeiten aufzutauchen.

Geteilte Kontrolle bleibt Kontrolle

Ob ein Unternehmen jede KI-Aussage über sich korrigieren kann, ist am Ende die falsche Frage. Das kann es nicht, und jede Beratung, die etwas anderes verspricht, verkauft eine Illusion. Entscheidend ist etwas anderes: wie viel Einfluss ein Unternehmen auf die Wahrscheinlichkeiten nimmt, mit denen ein Modell die richtige Version erzählt.

Reputation war nie vollständig kontrollierbar. Neu ist, wie deutlich sichtbar das inzwischen wird.

Die erfundene Marke aus dem Ahrefs-Experiment hatte eine korrekte, öffentlich einsehbare FAQ, und trotzdem setzten sich bei den meisten getesteten Systemen die erfundenen Quellen durch. Nur zwei von acht Modellen widerstanden zuverlässig. Ein echtes Unternehmen hat mehr Möglichkeiten als eine Testmarke ohne Historie. Es kann Fakten pflegen, Quellen bereinigen, konsistent kommunizieren. Nur eine Garantie bekommt es dafür nicht. Wer das akzeptiert, verliert nicht an Handlungsfähigkeit. Er hört nur auf, nach einem Schalter zu suchen, den es nicht gibt.

Ihr habt Fragen oder seht das anders? Ich freue mich über den Austausch. Schreibt mir gerne über das Kontaktformular oder kommentiert den Artikel.