Immer mehr Menschen stellen ihre Recherchefragen nicht mehr an eine Suchmaschinenliste, sondern an einen KI-Assistenten. Statt zehn blauer Links kommt ein fertiger Absatz zurück: welche Software sich für welchen Zweck eignet, welcher Anbieter empfehlenswert ist, wie eine politische Position einzuschätzen sei. Zwei Untersuchungen, über die aktuell berichtet wird, legen nahe, dass diese Antworten deutlich weniger stabil sind, als ihr souveräner Tonfall vermuten lässt.

Software-Empfehlungen: Die Quelle entscheidet, nicht das Modell

Eine Studie hat geprüft, aus welchen Quellen der Antwortdienst Perplexity schöpft, wenn er Software empfiehlt. Perplexity gehört zu den sogenannten Answer Engines – Systemen, die live im Web recherchieren, die gefundenen Seiten zusammenfassen und das Ergebnis mit Quellenangaben ausgeben. Die Auswertung zeichnet laut Studienbericht das Bild einer gezielten Beeinflussung: Die herangezogenen Seiten sind nicht zufällig entstanden, sondern zu einem erheblichen Teil darauf ausgelegt, in genau solchen Antworten aufzutauchen.

Das ist kein Fehler im Modell, sondern eine Folge seiner Architektur. Ein Sprachmodell, das seine Aussagen an aktuelle Webinhalte bindet, ist nur so gut wie die Auswahl der Seiten, die es in diesem Moment liest. Und der Markt für Software-Vergleiche ist seit Jahren einer der kommerziell dichtesten Bereiche im Netz: Vergleichsportale, Affiliate-Rankings, Listicles mit dem immer gleichen Aufbau, Gastbeiträge mit gekaufter Platzierung. Wer diese Textsorte gut bedient, wird zitiert – unabhängig davon, ob die Bewertung dahinter belastbar ist.

Für Nutzerinnen und Nutzer ist das schwer zu erkennen. Die KI-Antwort glättet Unterschiede in der Quellenqualität ein. Ein bezahltes Ranking und ein sorgfältig recherchierter Fachartikel erscheinen im Ergebnistext in derselben nüchternen Formulierung, und die angehängten Quellenlinks werden erfahrungsgemäß selten geöffnet. Die klassische Suchergebnisliste hatte hier einen unterschätzten Vorteil: Sie hat die Bewertung der Quelle beim Menschen belassen.

Politische Fragen: dieselbe Mechanik, höherer Einsatz

Die zweite Untersuchung stammt von AlgorithmWatch und hat rund 4.500 Suchanfragen im Umfeld anstehender Landtagswahlen ausgewertet – konkret die KI-Übersichten, die Google inzwischen über den regulären Suchergebnissen ausspielt. Das Fazit der Organisation: Wer sich für seine Wahlentscheidung auf diese Zusammenfassungen verlassen will, sollte vorsichtig sein.

Der zweite Fall ist thematisch weit vom ersten entfernt, technisch aber nah dran. In beiden Fällen wird eine Frage in eine Handvoll Webquellen übersetzt, aus denen ein Modell eine einzige, scheinbar autoritative Antwort formt. Und in beiden Fällen hängt die Qualität des Ergebnisses davon ab, welche Inhalte zum Zeitpunkt der Anfrage gut auffindbar, gut strukturiert und thematisch passend formuliert waren. Wo es etwas zu gewinnen gibt – Marktanteile oder Stimmen –, entsteht ein Anreiz, genau solche Inhalte in Umlauf zu bringen.

Was das für die eigene Sichtbarkeit bedeutet

Die naheliegende Reaktion vieler Unternehmen ist, jetzt genau das zu tun, was die Studie kritisiert: Inhalte zu produzieren, die vor allem darauf abzielen, von Antwortsystemen zitiert zu werden. Dafür hat sich der Begriff Generative Engine Optimization etabliert – die Optimierung auf KI-Antworten statt auf Suchergebnislisten. Der kurzfristige Effekt kann durchaus eintreten. Der mittelfristige Preis ist absehbar: Suchbetreiber haben in der Vergangenheit auf jede Welle industriell erzeugter Optimierungsinhalte mit Gegenmaßnahmen reagiert, und Inhalte ohne eigenen Wert überstehen solche Anpassungen selten.

Sinnvoller ist eine nüchterne Bestandsaufnahme in zwei Richtungen.

Nach außen, mit Blick auf die eigene Auffindbarkeit:

  • Prüfen, was KI-Assistenten heute über das eigene Unternehmen, die eigenen Produkte und den eigenen Markt ausgeben – und welche Quellen sie dafür anführen.
  • Klären, ob diese Quellen überhaupt aus dem eigenen Umfeld stammen oder ob Dritte die Erzählung bestimmen.
  • Eigene Inhalte so aufbereiten, dass sie maschinell sauber erfassbar sind: klare Struktur, eindeutige Begriffe, belegte Aussagen, gepflegte technische Basis. Das nützt auch dann, wenn sich die Systeme wieder ändern.

Nach innen, mit Blick auf die eigene Beschaffung:

  • KI-Antworten zu Software- und Dienstleisterauswahl als Einstieg behandeln, nicht als Entscheidungsgrundlage.
  • Bei Toolauswahl weiterhin auf nachvollziehbare Kriterien setzen: Referenzen, technische Prüfung, Testinstallation, Gespräche mit Anwendern.
  • Im Team klarstellen, dass eine flüssig formulierte Empfehlung kein Beleg ist – gerade in Bereichen, in denen niemand die Fachtiefe hat, das Ergebnis einzuschätzen.

Einordnung: Zwei Studien, ein Muster

Beide Auswertungen berichten über unterschiedliche Systeme und unterschiedliche Themenfelder, und beide sind in ihrer Reichweite begrenzt: Die eine betrachtet einen Anbieter in einem Marktsegment, die andere einen Anwendungsfall zu einem konkreten politischen Anlass. Verallgemeinern lassen sich einzelne Befunde daraus nicht. Was sich abzeichnet, ist eher ein Muster: Antwortsysteme reichen die Schwächen ihrer Quellenauswahl an die Nutzenden weiter, ohne sie sichtbar zu machen – und wo die Auswahl beeinflussbar ist, wird sie beeinflusst.

Für Web- und Softwareprojekte heißt das zweierlei. Erstens verschiebt sich Sichtbarkeitsarbeit von der reinen Platzierung in Ergebnislisten hin zur Frage, ob die eigenen Inhalte maschinell verständlich und inhaltlich belastbar genug sind, um zitiert zu werden – Substanz und saubere Struktur sind hier dasselbe Werkzeug. Zweitens gehört in jede Beschaffungsentscheidung ein Prüfschritt, der nicht aus einer KI-Antwort besteht. Wer beides ernst nimmt, gewinnt an Sichtbarkeit, ohne sich von einem Kanal abhängig zu machen, dessen Regeln sich weiter verändern werden.

Quellen