Wie geht man mit negativen Suchergebnissen um, die von einer namensgleichen Person stammen?

Wenn ein Kunde denselben Namen trägt wie jemand, dessen digitaler Fußabdruck negative Inhalte aufweist, wird das Problem meist falsch diagnostiziert. Es wirkt wie ein Reputationsschaden, ist aber eine Identitätskollision: Das negative Material gehört zu einer anderen Person, und Such- sowie KI-Engines ordnen es dem Kunden zu, indem sie beide vermischen. Da die Inhalte den Kunden gar nicht betreffen, ist die Lösung weder das Verdrängen noch das Entfernen lassen. Es geht vielmehr um eine gezielte Entitäts-Disambiguierung, Signal für Signal, bis die Engines die beiden Datensätze trennen.

Warum die negativen Inhalte der falschen Person zugeordnet werden

Wenn die Entitätsinfrastruktur schwach ist – kein sauberer Wikidata-Eintrag, kein Schema-Markup, keine Begriffsklärungsseiten –, können KI-Engines und Suchsysteme unterschiedliche Personen mit demselben Namen vermischen. Dabei greifen sie standardmäßig auf den prominenteren oder häufiger erwähnten Datensatz zurück. Wenn die andere Person die negative Berichterstattung auf sich zieht, ist dieser Datensatz oft der prominentere. Die Engines ziehen ihn nach vorne und verknüpfen ihn mit jeder Suchanfrage nach dem Namen. Die Verstärkung der Signale, die die richtige Person eindeutig identifizieren, ist das, was die beiden Datensätze voneinander trennt.

Der Workflow zur Disambiguierung

1. Eindeutige Identitätssignale. Wenden Sie das Person-Schema auf den eigenen Web-Properties des Kunden an, versehen mit biografischen Ankern, die die andere Person nicht teilt – Geburtsdatum, Arbeitgeber, Ausbildung, Standort, berufliche Zugehörigkeiten –, damit die Engines die beiden Individuen auseinanderhalten können.
2. Verifizierte sameAs-Links. Bauen Sie sameAs-Eigenschaften aus den verifizierten Profilen des Kunden auf (LinkedIn, Arbeitgeberseite, Verbandsverzeichnisse sowie ein Wikipedia- oder Wikidata-Eintrag, sofern vorhanden), damit die Engines über einen sauberen Identitätsgraphen für die richtige Person verfügen.
3. Maßgebliche Inhalte zu aktuellen Aktivitäten. Produzieren Sie Owned und Earned Content, der den Namen des Kunden mit aktuellen Rollen, Arbeiten und Zugehörigkeiten verknüpft, die die andere Person nicht aufweist. Dies liefert den Engines Kontext-Hinweise, die zur korrekten Entität führen.
4. Überwachung von Vermischungen. Verfolgen Sie über AIQ, wie KI-Engines den Namen beschreiben. So werden Fälle, in denen Engines die beiden Identitäten verschwimmen lassen und den negativen Datensatz auf den Kunden übertragen, frühzeitig erkannt und nicht erst durch einen Stakeholder entdeckt.

Was sich im Laufe der Zeit ändert

Während sich diese Signale ansammeln, lernen die Engines die Disambiguierung, und die SERPs sowie das KI-Narrativ richten sich auf die richtige Person aus. Die Überwachung ist hierbei wichtig, da vermischte oder falsche Identitätszuordnungen in KI-Trainingsdaten bestehen bleiben können, selbst nachdem die Live-Berichterstattung korrigiert wurde. Die Arbeit ist eine fortlaufende Verstärkung und keine einmalige Bereinigung.