Woche 3 · die erste Dimension

Erkennung: weiß die KI, dass es dich gibt?

Bevor ein Assistent dich gut beschreiben kann, muss er dich als eine konkrete Sache erkennen. Die meisten Sichtbarkeitsprobleme beginnen hier — und die Lösung auch.

Makefield · Berlin

Die erste Frage

Vor allem anderen: Erkennung

Jeder andere Teil der KI-Sichtbarkeit hängt davon ab, dass zuerst eine Sache wahr ist: Das Modell muss wissen, dass du eine konkrete, eigenständige Entität bist — ein Unternehmen, ein Produkt — und keine vage Formulierung oder der Name eines anderen. Das ist die Erkennung, die erste Dimension, und sie ist der Boden, auf dem alles andere steht. Es bringt nichts, sich zu sorgen, ob ein Assistent dich genau beschreibt, wenn er dich gar nicht als etwas Beschreibbares erkennt.

Erkennung hat eine präzise Gestalt. Ein Modell erkennt dich, wenn es dich als benannte Entität einordnen, in die richtige Kategorie sortieren und von den Dingen unterscheiden kann, mit denen du verwechselt werden könntest. Fehlt eines davon, bist du noch nicht sichtbar — du bist Rauschen.

Das Namensvetter-Problem

Wenn die KI andere Dinge unter deinem Namen kennt

Am klarsten sieht man Erkennung scheitern bei einem neuen oder ungewöhnlichen Namen. Ich habe das an mir selbst ausprobiert: Ich fragte sechs KI-Assistenten nach einem brandneuen Namen mit kaum Web-Präsenz. Zusammen lieferten sie selbstbewusst fünf völlig verschiedene, nicht verwandte Dinge zurück — Ortschaften, eine Golfmarke, eine Versicherungsagentur — und keines war das Unternehmen, nach dem ich fragte.

Das ist nicht direkt ein Fehler des Modells. Es ist das Modell, das sein Bestes mit einem Namen tut, den es noch nicht als eigenständige Entität erkennt: Es greift nach dem, was es mit diesen Buchstaben verbindet. Für eine neue Marke ist das die Ausgangsposition — du beginnst weniger unsichtbar als kollidiert, teilst deinen Namen mit dem, was das Web schon kennt. Erkennung ist die Arbeit, das zu werden, was das Modell meint, wenn es deinen Namen sieht.

Wie Erkennung aussieht

Benannt, kategorisiert, unterscheidbar

Wenn Erkennung funktioniert, halten drei Dinge zugleich. Das Modell benennt dich unaufgefordert — du kommst vor, wenn jemand nach deiner Kategorie fragt, nicht nur, wenn er deinen exakten Namen tippt. Es kategorisiert dich korrekt — ein B2B-Analytics-Tool, nicht „irgendeine Software" und nicht die Kategorie deines Wettbewerbers. Und es unterscheidet dich — von deinen Namensvettern und von den anderen Unternehmen in deinem Bereich, sodass eine Beschreibung von dir tatsächlich über dich ist.

Rutscht eines davon, zeigt sich das Symptom weiter unten: Du fehlst in engeren Auswahlen, wirst in die falsche Gruppe gepackt oder mit Fakten beschrieben, die jemand anderem gehören.

Wie Erkennung gebaut wird

Konsistenz, Identität, Bestätigung

Erkennung gewinnt man nicht mit einem Trick. Sie wird gebaut, wie ein sorgfältiger Rechercheur ein Verständnis von dir bauen würde:

• Eine konsistente Darstellung, über Quellen hinweg wiederholt. Wenn viele Orte dich gleich klar beschreiben, wird diese Beschreibung zur Standardannahme des Modells. Ist die Darstellung im Web dünn oder widersprüchlich, hat das Modell nichts Stabiles zu erkennen.
• Eine eindeutige, parsbare Identität. Eine klare, maschinenlesbare Aussage, wer du bist und was du tust — Name, Kategorie, was du herstellst —, damit ein Modell nicht aus Fragmenten rät.
• Bestätigung über die eigene Seite hinaus. Erkennung festigt sich, wenn die Darstellung von dir an anderen Orten als deiner Startseite auftaucht, denn das ist der Konsens, auf den sich ein Modell stützt.

Warum es der Boden ist

Du kannst keine Antwort korrigieren, die nie über dich war

Deshalb kommt Erkennung in der Methode zuerst. Genauigkeit, faire Wettbewerbseinordnung, Empfehlung — jede spätere Dimension setzt voraus, dass das Modell bereits weiß, wer du bist. Behebst du Genauigkeit vor Erkennung, korrigierst du eine Beschreibung, die das Modell dir gar nicht zuordnet. Stimmt die Erkennung, hat der Rest der Arbeit endlich etwas, woran er sich halten kann.

Als Nächstes — Genauigkeit: Wenn das Modell weiß, dass es dich gibt, stimmt dann auch, was es sagt? Neu hier? Beginne mit dem Überblick.