Wie oft aktualisieren KI-Modelle ihr Wissen über Unternehmen?

Es gibt kein einheitliches Aktualisierungsintervall. Es hängt davon ab, nach welchem Takt das System arbeitet. KI-Systeme greifen bei der Beantwortung von Fragen zu einem Unternehmen auf zwei Zeitskalen zurück: eine langsame Basis aus Trainingsdaten und eine schnelle Retrieval-Ebene.

Trainingsdaten bilden den Korpus, auf dem ein Modell aufgebaut wurde, und sind auf den Zeitpunkt des Trainings-Cut-offs festgelegt. Retrieval-Daten sind jene Informationen, die ein System zum Zeitpunkt der Abfrage live abruft. Beide bewegen sich mit sehr unterschiedlichen Geschwindigkeiten:

Mechanismus	Wie er aktualisiert wird	Typische Geschwindigkeit
Trainingsdaten-Basis	Ändert sich nur, wenn das Modell mit neueren Inhalten neu trainiert oder feinabgestimmt wird. Bis dahin bleibt die Basis an den Korpus gebunden, der zum Zeitpunkt des Trainings-Cut-offs erfasst wurde – was Monate oder länger zurückliegen kann. Die veröffentlichte Modelldokumentation von OpenAI gibt beispielsweise einen Wissensstand von Dezember 2025 für das aktuelle Flaggschiff-Modell an, was eine mehrmonatige Lücke zwischen der Datenerfassung und der Nutzung des Modells zeigt.	Monate zwischen den Zyklen.
Retrieval (RAG)	Ruft zum Zeitpunkt der Abfrage Live-Webinhalte ab, anstatt sich nur auf den Trainingsdatensatz zu verlassen. Eine neu veröffentlichte, maßgebliche Quelle kann fast sofort erfasst und in den Antworten berücksichtigt werden.	Innerhalb von Stunden bis Tagen.

Welche Systeme welchen Takt nutzen

• Retrieval-fokussiert: Perplexity führt bei jeder Abfrage eine Live-Websuche durch und arbeitet mit einem kontinuierlich aktualisierten Index.
• Retrieval-lastig: Die ChatGPT-Suche und die Übersicht mit KI von Google nutzen RAG intensiv und greifen bei der Abfrage auf den Live-Index zu.
• Gemischt: Gemini nutzt Retrieval für viele Arten von Abfragen und greift zusätzlich auf die Entitätsebene von Google zurück.
• Basis-gewichtet: Ein Modell, das sich primär auf seine Trainingsdaten stützt, zeigt keine Veränderungen, bis es neu trainiert wird. Es kann daher an einen Monate alten Snapshot gebunden bleiben, unabhängig davon, was sich in der Realität geändert hat.

Was das für die Reputationsarbeit bedeutet

Da die Retrieval-Ebene in Stunden agiert, während ein Neutraining Monate dauert, ist der schnellste Hebel zur Änderung der Art und Weise, wie KI-Systeme eine Marke beschreiben, die Menge der Quellen, die der Retrieval-Schritt liest. Die Veröffentlichung starker, aktueller und maßgeblicher Inhalte verschiebt retrieval-basierte Antworten schnell; das Warten auf den nächsten Trainingszyklus hingegen nicht.

Diese Geschwindigkeit wirkt in beide Richtungen: Eine schwache oder umstrittene Quelle kann ebenso schnell in den Antwortfluss gelangen. Daher zielen Reputationsprogramme für KI-Systeme auf die Quellenqualität auf der Retrieval-Ebene ab, da sich das Narrativ dort in beide Richtungen am schnellsten bewegt.