Beobachtung aus einer Ausführung: Wie die Sprache der Website die Marke in ihrer eigenen Kategorie unsichtbar machte

In einer Ausführung zur Kategorie „Analytik für mittelgroße E-Commerce-Unternehmen“ landete eine der getesteten Marken in den Antworten von ChatGPT stabil auf Platz 4–5 und erschien in Perplexity nahezu gar nicht. Das war unerwartet: Die Marke ist nicht klein, sie verfügt über eine starke Website mit ausführlicher Dokumentation, einen aktiven Blog und mehrere Fallstudien mit großen Kunden. In der klassischen Google-Suche gehört sie bei den zentralen Suchanfragen ihrer Kategorie zu den Top 5. Nach allen gewohnten Maßstäben ist das eine sichtbare Marke.

In den neutralen AI100-Szenarien, in denen den Modellen Fragen wie „Was sollte man für einen mittelgroßen Onlineshop mit kleinem Team wählen?“ gestellt wurden, unterlag die Marke jedoch Wettbewerbern, die objektiv weniger bekannt waren.

Die Analyse zeigte drei sich überlagernde Probleme.

Das erste und wichtigste war die Lücke zwischen der Sprache der Website und der Sprache der Nachfrage. Die Marke beschrieb sich als „modulare Umgebung für intelligente kommerzielle Analytik“. Nutzer (und Modelle, die ihre Sprache widerspiegeln) fragten hingegen nach „einem einfachen Reporting-Service für einen Onlineshop ohne eigenen Analysten“. Diese beiden Sprachen überschnitten sich fast nirgends. Auf keiner Seite der Website gab es eine direkte Antwort auf die Frage „Für wen ist das geeignet?“ — und zwar in genau den Worten, mit denen Nutzer ihre Aufgabe beschreiben.

Das zweite Problem war, dass das Modell die Aufgabe in eine benachbarte Kategorie umformulierte. Statt um „Analytik für E-Commerce“ kreiste die Antwort um „BI-Tools für kleine Unternehmen“. Dadurch gelangten zwei Lösungen aus einer angrenzenden Kategorie in die engere Auswahl, die die Marke selbst nicht als Wettbewerber betrachtete. Das ist eine klassische Kategoriesubstitution, wie sie in einem separaten Artikel des Korpus beschrieben wird.

Das dritte Problem war die Update-Verzögerung. Die Marke hatte zwei Monate vor der Ausführung einen neuen Tarif eingeführt, der auf den Mittelstand ausgerichtet war. Das Modell beschrieb sie jedoch weiterhin als Lösung für große Unternehmen — die Information über den neuen Tarif war weder in externe Reviews noch in strukturierte Daten eingesickert.

Die Beobachtung bestätigt mehrere Thesen, die im AI100-Korpus als belastbar beschrieben werden:

Maschinenunterscheidbarkeit und menschliche Bekanntheit sind zwei verschiedene Dinge. Eine Marke, die Menschen gut kennen, kann für ein Modell funktional unsichtbar sein, wenn ihre Sprache nicht mit der Sprache der Aufgabe übereinstimmt.

Kategoriesubstitution geschieht vor dem direkten Vergleich von Marken. Die Marke verlor nicht gegen einen Wettbewerber, sondern gegen einen fremden Rahmen. Das Modell benannte die Aufgabe zunächst um und stellte erst danach innerhalb der neuen Kategorie eine Liste zusammen.

Update-Verzögerung ist keine abstrakte Verzögerung. Sie ist eine konkrete Situation, in der die Marke einen Fakt über sich bereits verändert hat, die Maschine ihn aber noch nicht wahrgenommen hat.

Eine Seite zur Website hinzufügen, die die Frage „Für wen ist unser Produkt geeignet?“ direkt in der Sprache der Nutzeraufgabe beantwortet statt in der internen Marketingkategorie. Sicherstellen, dass der neue Tarif nicht nur auf der Preisseite beschrieben wird, sondern auch in externen Reviews. Prüfen, dass die strukturierte Auszeichnung (Product, Offer) die aktuellen Tarife und Zielgruppen widerspiegelt.

Eine erneute Ausführung in 6–8 Wochen wird zeigen, ob sich das Bild verändert hat.