Ein potenzieller Kunde erwähnt mitten in einem Gespräch, dass ChatGPT (ein KI-gestützter Chatbot von OpenAI) ihm gesagt hat, Ihr Unternehmen sei geschlossen. Oder übernommen worden. Oder Ihr wichtigstes Produkt sei 2023 eingestellt worden. Nichts davon stimmt — und Sie wissen nicht, wie vielen anderen Käufern dieselbe Antwort gegeben wurde, die dann einfach nicht mehr angerufen haben.
Das ist ein Umsatzproblem, kein Kuriosum. Rund die Hälfte der B2B-Softwarekäufer beginnt ihre Recherche heute in KI-Chatbots, und 71 % verlassen sich während des Kaufprozesses irgendwo auf sie (G2 via PRNewswire). Eine falsche Antwort in dieser Phase ist ein verlorener Auftrag, den Sie nie zu sehen bekommen.
Die meisten Ratschläge zu diesem Problem enden mit: „Kaufen Sie unser Monitoring-Dashboard." Monitoring misst den Schaden — es repariert ihn nicht. Dies ist das Reparaturhandbuch: Fehler dokumentieren, Quelle zurückverfolgen, dann eine fünfschichtige Korrektur durcharbeiten — den Correction Stack (Korrektur-Stapel) — in der Reihenfolge, die tatsächlich Wirkung zeigt. Sechs Wochen decken einen vollständigen Zyklus ab: korrigieren, propagieren, neu testen. Die fertige Umsetzung durch uns finden Sie in unserem AI-Sichtbarkeits-Service; alles unten können Sie selbst durchführen.
Key takeaways
- KI macht Fehler über Unternehmen aus drei Gründen: ein veralteter Trainings-Snapshot, schlechte Abrufquellen oder Verwechslung mit einem ähnlich benannten Unternehmen. Jedes Problem erfordert eine andere Lösung.
- Erst triage, dann handeln. Harmlose Drift, kommerzieller Schaden, verleumdungsgradige Fehler — nur die letzten beiden rechtfertigen ein Sechs-Wochen-Projekt.
- Beweise zuerst: Ein 10-Prompt-Protokoll über fünf Plattformen, mit Screenshots und Daten, ist die Grundlage für jeden späteren Schritt, auch für Eskalationen.
- Den Correction Stack in der richtigen Reihenfolge abarbeiten: eigene Seiten → strukturierte Entitätsdaten → Wikipedia-Bearbeitungsanfragen → Drittquellen → Plattform-Feedback-Schaltflächen. Die meisten Teams beginnen beim Feedback-Button und scheitern.
- Korrekturen auf Quellenebene erreichen KI-Antworten in der Regel nach etwa vier bis acht Wochen (Sight AI); daher alle zwei Wochen neu testen und das Ergebnis in Woche sechs bewerten.
Warum KI Ihr Unternehmen falsch darstellt
Drei Mechanismen erzeugen falsche Antworten über Unternehmen — und die Lösung ist bei jedem unterschiedlich.
Der Trainings-Snapshot. Das eingebaute Wissen eines Modells ist zum Zeitpunkt des Trainings eingefroren. Wenn Sie nach diesem Stichtag umbenannt wurden, umgezogen sind, die Geschäftsführung gewechselt oder einfach ein schwieriges Jahr überlebt haben, erinnert sich das Modell an die alte Version von Ihnen. Antworten ohne Webzugang stammen aus diesem Gedächtnis — kein Support-Ticket ändert es.
Veralteter Abruf (Retrieval). Wenn ein Assistent das Live-Web durchsucht — ChatGPT mit Suche, Perplexity, Gemini und Google AI Overviews, Copilot — fasst er zusammen, was er findet. Wenn die am leichtesten abrufbaren Dokumente über Sie ein verlassenes Crunchbase-Profil, ein Nachrichtenartikel von 2021 und ein Verzeichniseintrag mit einer alten Adresse sind, ist die Antwort zuverlässig falsch.
Entitätsverwechslung. Modelle verschmelzen ähnlich benannte Unternehmen zu einer einzigen Biografie. Ein großer Teil der Fälle, in denen „die KI sagt, mein Unternehmen hat geschlossen", geht auf einen Namensvetter zurück, der tatsächlich geschlossen, übernommen oder verklagt wurde. Sein Ruf landet bei Ihnen.
Welcher Mechanismus vorliegt, bestimmt alles Weitere — die tiefere Mechanik ist in wie KI entscheidet, welche Marken sie zitiert beschrieben.
Triage: Nicht jede falsche Antwort rechtfertigt ein Projekt
Bevor Sie sechs Wochen investieren, bewerten Sie den Fehler.
| Stufe | Sieht aus wie | Reaktion |
|---|---|---|
| Harmlose Drift | Leicht veraltete Mitarbeiterzahl, fehlendes neues Produkt, unklarer Slogan | Protokollieren. Beiläufig auf den Schichten 0–1 korrigieren. Kein Projekt. |
| Kommerzieller Schaden | „Unternehmen geschlossen" oder „übernommen", falscher Preis, fehlt in Kategorieantworten, mit Wettbewerber verwechselt | Dieses Playbook sofort umsetzen. |
| Verleumdungsgrad | Erfundene Klagen, Betrugsvorwürfe, Sanktionen, fabrizierte Sicherheitsvorfälle | Playbook umsetzen und gleichzeitig einen Anwalt einschalten. Alles sichern. |
Seien Sie an diesem Punkt ehrlich. Die meisten Fehler sind Drift — und Drift rechtfertigt den folgenden Aufwand nicht. Die gefährliche Mittelstufe ist kommerzieller Schaden: Aussagen, die falsch genug sind, um eine Kaufentscheidung zu beeinflussen, aber nicht falsch genug für ein Gericht.
Woche 1 — Reproduzieren und dokumentieren: Das 10-Prompt-Beweisprotokoll
KI-Antworten sind standardmäßig nicht reproduzierbar; dieselbe Frage liefert in verschiedenen Sitzungen unterschiedliche Antworten. Also: Beweise einfrieren, bevor Sie irgendetwas korrigieren.
Zehn Prompts (Eingabeaufforderungen) erstellen:
- 4 Markengrundlagen — „Was ist [Unternehmen]?", „Ist [Unternehmen] noch in Betrieb?", „Wem gehört [Unternehmen]?", „Wo hat [Unternehmen] seinen Sitz?"
- 3 Kauf-Prompts — „[Unternehmen] Preise", „[Unternehmen] vs. [Wettbewerber]", „beste [Kategorie]-Anbieter"
- 3 kritische Prompts — „[Unternehmen] Probleme", „[Unternehmen] Klage", „Ist [Unternehmen] seriös?"
Alle zehn auf jeder für Ihre Käufer relevanten Plattform ausführen — ChatGPT, Gemini, Perplexity, Copilot, Grok — in bereinigten oder ausgeloggten Sitzungen, mit Websuche nach Möglichkeit an und aus. Für jede Antwort protokollieren: Datum, Plattform und Modellversion, ob das Surfen aktiviert war, den vollständigen Antworttext, einen Screenshot und die falsche Aussage im Wortlaut.
Dieser Schritt ist aus zwei Gründen unverhandelbar. Erstens werden alle Eskalationskanäle, die Sie später verwenden könnten — eine Wikipedia-Diskussionsseite, ein Datenschutzformular eines Anbieters, ein Anwalt — genau nach dem Was, Wo und Wann fragen. Zweitens wird dieser eingefrorene Prompt-Satz Ihre Wiedertest-Baseline. Ohne ihn können Sie eine echte Korrektur nicht von zufälligem Glück unterscheiden.
Woche 1–2 — Die Quelle zurückverfolgen, auf die sich das Modell stützt
Moderne Assistenten zeigen zunehmend ihre Arbeitsweise. Nutzen Sie das.
- Wenn die Antwort Zitate enthält — ChatGPT im Suchmodus, Perplexity, Copilot, AI Overviews — jeden zitierten Link öffnen. Einer davon enthält in der Regel Ihre falsche Aussage oder etwas Ähnliches. Diese Seite, nicht der Chatbot, ist Ihr Korrekturziel.
- Ein nützlicher Anschluss-Prompt: „Welche Quellen behaupten [falsche Aussage] über [Unternehmen]?" Die Antwort als Hinweise behandeln, nicht als Wahrheit — jeden Link öffnen und prüfen.
- Wenn es keine Zitate gibt und die Antwort auch ohne Surfen falsch ist, haben Sie es mit dem Trainingsgedächtnis zu tun. Möglicherweise gibt es nichts im Live-Web zu korrigieren. Das Vorgehen ist anders: dichte, abrufbare, korrekte Materialien veröffentlichen, damit suchbasierte Antworten das Gedächtnis jetzt überschreiben — und der nächste Modell-Snapshot die richtigen Fakten lernt.
Die Rückverfolgung mit einem Einzeiler pro falscher Aussage abschließen: Aussage → Mechanismus (Gedächtnis, Abruf oder Entitätsverwechslung) → Quell-URL, falls vorhanden. Diese Tabelle steuert den nächsten Abschnitt.
Der Correction Stack: Fünf Schichten in Korrektur-Reihenfolge
Der Correction Stack (Korrektur-Stapel) ist nach Kontrolle geordnet: Beginnen Sie dort, wo Sie volle Kontrolle und sofortige Umsetzung haben, enden Sie dort, wo Sie beides nicht haben. Die meisten Teams kehren die Reihenfolge um — sie hämmern auf den „Melden"-Button und hören auf. Plattform-Meldefunktionen existieren, sind aber als primärer Korrekturkanal unzuverlässig (Mention Network): eine Feedback-Warteschlange ohne SLA, ohne Statusseite und ohne Verpflichtung zu handeln.
- Schicht 0 — Eigene Seiten. Eine Über-uns-Seite, die Gründungsjahr, Eigentümerschaft, Status und Standorte in klaren Sätzen angibt. Eine Preisseite mit dem echten Preis. Eine FAQ, die genau die Fragen beantwortet, die Käufer stellen, plus llms.txt für Crawler. Die wahre Tatsache zum am leichtesten abrufbaren Satz im Internet machen. Kosten: Stunden.
- Schicht 1 — Strukturierte Entitätsdaten. Wikidata (eine offene Wissensdatenbank) mit Quellenangaben, schema.org Organization Markup (foundingDate, address, sameAs) und konsistente Fakten bei LinkedIn, Crunchbase und Unternehmensregistern. Das ist die Schicht, die Entitätsverwechslungen auflöst — ausführlich beschrieben in unserem Wikidata- und Knowledge-Graph-Leitfaden.
- Schicht 2 — Wikipedia-Korrekturen. Die hochgewichtigste Quelle, auf die sich die meisten Modelle stützen, und die am leichtesten durch Eigenbearbeitungen zu beschädigende. Nur Bearbeitungsanfragen — nächster Abschnitt.
- Schicht 3 — Drittanbieter-Autoritätsquellen. Den veralteten Artikel, der die Behauptung ausgelöst hat: Aktualisierung oder Korrekturvermerk beim Herausgeber anfragen. Die wichtigsten Profile auffrischen. Wenn die Falschinformation aus der Berichterstattung über einen Namensvetter stammt, gibt eine neue genaue Berichterstattung dem Abruf etwas Besseres zum Zitieren.
- Schicht 4 — Plattform-Feedback. Daumen-runter, Meldeformulare, Datenschutz- und Rechtskanäle. Einmal einreichen, Beweisprotokoll anhängen, keine termingebundenen Erwartungen haben.
Die dauerhafte Version dieser Architektur — eigene Seiten, Entitätsschicht, Wikipedia, Monitoring als stehende Infrastruktur statt als einmalige Operation — ist der AI Reputation Stack.
Plattform-spezifische Hebel: Was jeder Feedback-Kanal tatsächlich bewirken kann
Es gibt kein Formular, um ChatGPTs Informationen über Ihr Unternehmen zu aktualisieren. Was je Plattform vorhanden ist:
| Plattform | Feedback-Mechanismus | Was realistisch geändert werden kann | Realistische Latenz |
|---|---|---|---|
| ChatGPT | Daumen-runter / Meldung einer Nachricht; OpenAI-Datenschutzportal für Anfragen zu personenbezogenen Daten | Feedback ist ein Trainingssignal, kein Ticket. Datenschutzanfragen betreffen Einzelpersonen, nicht Marken. Markenfakten bewegen sich, wenn sich zitierte Quellen ändern | Quellenbasiert: Wochen. Eingebettetes Gedächtnis: nächstes Modell-Update. Feedback allein: kein SLA |
| Gemini / AI Overviews | „Feedback"-Link pro Antwort; Googles rechtliche Entfernungstools; Bearbeitungsvorschlag für ein beanspruchtes Knowledge Panel | Overviews folgen Googles Index und Knowledge Graph, sodass Quellen- und Entitätskorrekturen nach dem erneuten Crawl propagieren | Tage bis Wochen nach erneutem Crawl |
| Perplexity | Feedback pro Antwort; Support-E-Mail | Am stärksten abrufbasiert der fünf — Antworten folgen den zitierten Seiten eng | Oft Tage nach einer Änderung der zitierten Seite |
| Copilot | Feedback pro Antwort; Microsofts Formular für Content-Bedenken | Auf Bings Index basierend; Quellen aktualisieren und Recrawl über Bing Webmaster Tools anfordern bewegt Antworten | Tage bis Wochen |
| Grok | In-App-Antwort-Feedback | Stützt sich auf X-Aktivität plus Web; Korrekturen laufen über sichtbare X-Präsenz und Web-Quellen | Nicht transparent; kein veröffentlichter Prozess |
Diese Latenzen sind operative Beobachtungen, keine Anbieterzusagen — keine Plattform veröffentlicht ein Korrektur-SLA. Die sechs Wochen um die Schichten 0–3 planen; die Schaltflächen sind ein kostenloser Lottoschein, den Sie einmal kaufen.
Der Wikipedia- und Wikidata-Hebel — regelkonform eingesetzt
Wenn ein Wikipedia-Artikel den Fehler wiederholt, ist seine Korrektur der wirkungsvollste Schritt im Stapel — und der, bei dem man am leichtesten Fehler macht.
Was wir nicht tun und was Sie auch nicht tun sollten: Ihren eigenen Artikel direkt bearbeiten, ausgeloggt oder über ein nicht offengelegtes Konto. Interessenkonflikt-Bearbeitungen werden rückgängig gemacht, markiert und archiviert — und die Aufräumaktion wird Teil Ihrer öffentlichen Geschichte.
Der regelkonforme Weg:
- Konto registrieren und Zugehörigkeit auf der Benutzerseite offenlegen. Wenn Sie für die Arbeit bezahlt werden, verlangen die Nutzungsbedingungen von Wikipedia eine entsprechende Angabe.
- Bearbeitungsanfrage auf der Diskussionsseite des Artikels stellen: den falschen Satz zitieren, die korrekte Tatsache angeben und eine unabhängige, zuverlässige Quelle anhängen — nicht Ihre eigene Website.
- Sachlich und minimal bleiben. Unstreitige Korrekturen — Gründungsjahr, Hauptsitz, aktueller Betriebsstatus, eine Führungsänderung — werden routinemäßig akzeptiert. Anfragen, die Adjektive aufwerten, nicht.
- Bei falschen Aussagen über lebende Personen — ein Gründer, dem etwas vorgeworfen wird, das nie geschehen ist — verlangen Wikipedias Biografierichtlinien eine schnelle Entfernung schlecht belegter Aussagen; gut dokumentierte Anfragen werden daher schneller bearbeitet.
Wikidata (offene Wissensdatenbank, die von Modellen und Googles Knowledge Graph als Grundwahrheit gelesen wird) ist zugänglicher: Zugehörige Redakteure dürfen Aussagen direkt korrigieren, sofern jede Aussage eine Quellenangabe trägt und neutral bleibt. Prüfen Sie Ihre Entität auf ein fälschlicherweise angehängtes Auflösungsdatum — der klassische Ursprung von „KI sagt, das Unternehmen ist geschlossen" — auf zusammengeführte oder doppelte Einträge, die Sie mit einem Namensvetter verwechseln, sowie auf veraltete Führungspersonen oder Websites.
Latenz-Ehrlichkeit: Diskussionsseiten-Anfragen dauern je nach Seitenverkehr Tage bis Wochen; der Effekt auf KI-Antworten folgt danach dem üblichen Propagationsfenster.
Was man nicht tun sollte
- Nicht die Feedback-Schaltflächen überfluten. Zehn Daumen-runter von Ihrem Team sind Rauschen für einen Anti-Missbrauchs-Filter, kein stärkeres Signal. Eine falsche KI-Antwort einmal mit Beweisen melden und weitermachen.
- Keine Gegendarstellung veröffentlichen, die die falsche Aussage wiederholt. Ein Beitrag mit dem Titel „Nein, [Unternehmen] hat nicht geschlossen" gibt Abrufsystemen genau den String, den sie nicht lernen sollen. Die wahre Tatsache in Überschriften und strukturierten Daten nennen; direkt widersprechen nur, wenn eine Falschinformation bereits selbstständig kursiert.
- Nicht zuerst zum Anwalt bei gewöhnlichen Fehlern. Eine Abmahnung wegen eines falschen Gründungsjahrs hat keinen Ansatzpunkt — es gibt keinen Redakteur, den man zwingen könnte, und kein einziges Dokument, das man widerrufen könnte. Rechtliche Prüfung ist angebracht, wenn der Output verleumdungsgradig ist: erfundene Verbrechen, Betrug oder Regulierungsverstöße, die auf mehreren Plattformen wiederkehren. Dann wird Ihr Beweisprotokoll zur Beweismittelakte, und ein Anwalt kann die Rechtskanäle der Anbieter und die die Behauptung verbreitende Quellpublikation angehen.
- Nicht nach einer richtigen Antwort den Sieg erklären. Stichprobenvarianz erzeugt zufällig richtige Antworten. Das Wiedertest-Protokoll existiert genau dafür.
Das Wiedertest-Protokoll: Wochen 2, 4 und 6
Dieselben zehn Prompts auf denselben Plattformen, in bereinigten Sitzungen, alle zwei Wochen erneut ausführen — drei Durchläufe innerhalb des Sechs-Wochen-Fensters. Jede falsche Aussage pro Durchlauf klassifizieren:
- Behoben — in zwei aufeinanderfolgenden Durchläufen korrekt, mit Surfen an und aus.
- Partiell — korrekt, wenn das Modell das Web durchsucht, aus dem Gedächtnis noch falsch.
- Instabil — wechselt zwischen richtig und falsch über Durchläufe.
Erwartungen an den Propagationsdaten ausrichten: Korrekturen auf Quellenebene tauchen typischerweise nach vier bis acht Wochen in KI-Antworten auf (Sight AI). Eine ruhige Woche 2 ist normal. Ein partielles Ergebnis in Woche 4 bedeutet in der Regel, dass Ihre stärksten Quellen aktualisiert wurden, die Entitätsschicht aber noch nicht übereinstimmt — Schicht 1 erneut prüfen. In Woche 6 noch instabil bedeutet, dass die Rückverfolgung eine Quelle übersehen hat: mit frischen Antworten zum Zitier-Schritt zurückgehen.
Nach Woche sechs auf monatliche Kadenz mit denselben eingefrorenen Prompts wechseln. Wenn manuelles Protokollieren nicht mehr skaliert oder die Geschäftsleitung eine einzige Kennzahl möchte, ist das der Moment für Werkzeuge — siehe unsere Übersicht der KI-Marken-Monitoring-Tools.
Wann eine Korrektur nicht gelingt — und was Monitoring in der Zwischenzeit bringt
Ehrlichkeit über die Grenzen:
- Halluzinationen ohne Quelle. Manche falschen Antworten zitieren nichts und entsprechen keinem Dokument im Live-Web — eine Halluzination (KI-Begriff für eine selbst konstruierte Fehlinformation) über Ihr Unternehmen, die das Modell selbst zusammengestellt hat. Es gibt nichts zu korrigieren, weil nichts geschrieben wurde. Die einzige Gegenmaßnahme ist Dichte: genug konsistente, strukturierte, abrufbare Wahrheit, damit suchbasierte Antworten das Gedächtnis überwiegen — bis ein neuerer Modell-Snapshot die richtigen Fakten lernt.
- Modell-Versions-Lag. Ihre Korrektur kann im aktuellen suchbasierten Modus ankommen, während ältere oder Offline-Modi bis zum nächsten Update des Anbieters falsch bleiben. Keine Menge Quellenarbeit verkürzt einen Release-Zyklus.
- Schwergewichtige Namesvettern. Wenn Sie einen Namen mit einer viel größeren oder stärker berichteten Entität teilen, kann die Verwechslung mit jedem neuen Modell zurückkehren, selbst nach einer sauberen Korrektur. Eindeutige Entitätsdaten reduzieren die Häufigkeit; nichts eliminiert sie vollständig.
In diesen Fällen ist Monitoring kein Trostpreis. Es erkennt Regressionen früh, baut einen datierten Nachweis auf, der zeigt, dass die Falschinformation auf Seiten des Anbieters fortbesteht — was wichtig ist, wenn es je rechtliche Konsequenzen geben sollte — und belegt gegenüber der Geschäftsleitung, dass der behebbare Teil behoben wurde.
Wenn Sie lieber mit der fertigen Baseline beginnen möchten — was ChatGPT, Gemini, Perplexity, Copilot und Grok heute über Ihr Unternehmen sagen, auf welche Quellen sie sich stützen und welche Schicht des Stacks zuerst bearbeitet werden muss — beginnt unser AI-Sichtbarkeits-Service genau mit diesem Audit. Wir versprechen nicht, den Standpunkt eines Modells nach Zeitplan zu ändern. Wir korrigieren die Quellen, die es liest, und messen dann, ob es zugehört hat.