Wie baut man eine Entität auf, die KI-Modelle erkennen und der sie vertrauen?

Eine Entität, die KI-Engines erkennen und der sie vertrauen, wird in ihren Antworten stets auf die gleiche Weise dargestellt: gleiche Fakten, gleiche Beziehungen, gleicher Kontext. Der Aufbau einer solchen Entität ist ein schichtweiser Prozess, und diese Schichten sind nicht austauschbar. Jede erfüllt eine spezifische Aufgabe dabei, wie die Engines das Gelesene über das Thema verstehen und verifizieren.

Schritt 1: Wikipedia (der menschenlesbare Anker)

Wikipedia ist der Schlussstein für jede Entität, die die Relevanzkriterien erfüllt. KI-Engines gewichten sie stark, wenn sie Unternehmen, Personen und Themen beschreiben, und sie lesen daraus sowohl während des Trainings als auch beim Live-Abruf. Ein gut belegter, neutraler und richtlinienkonformer Wikipedia-Artikel bietet den Engines ein maßgebliches Narrativ, an dem sie sich orientieren können.

• Ein Artikel ist nur möglich, wenn das Thema in zuverlässigen, unabhängigen Sekundärquellen signifikant behandelt wird. Das ist der allgemeine Relevanzstandard von Wikipedia.
• Für Organisationen gilt die entsprechende Richtlinie Wikipedia:Relevanzkriterien (Unternehmen), die dieselbe Beleglogik auf unternehmerische Themen anwendet.
• Ohne einen Wikipedia-Artikel greifen die Engines auf schwächere oder weniger konsistente Quellen für ihr Narrativ über die Entität zurück.

Schritt 2: Wikidata (der maschinenlesbare Zwilling)

Wikidata ist eine freie, kollaborative, mehrsprachige Wissensdatenbank der Wikimedia Foundation, die strukturierte Daten speichert, welche KI-Engines direkt abfragen können. Während Wikipedia aus Prosa besteht, die ein Mensch liest, ist Wikidata eine Sammlung maschinenlesbarer Aussagen, die ein System ohne Textinterpretation verarbeiten kann. Der Entität ein vollständiges, präzises Wikidata-Datenobjekt zu geben, ist eine von der Wikipedia-Arbeit getrennte Aufgabe.

• Jedes Wikidata-Datenobjekt hat einen eindeutigen, dauerhaften Identifikator (die QID), der die Entität über Sprachen und Datenbanken hinweg unmissverständlich benennt.
• KI-Engines fragen Wikidata direkt als strukturierte Wissensquelle für Entitätsfakten ab.
• Ein fehlender oder fehlerhafter Wikidata-Eintrag schleust Fehler in KI-Antworten ein, und es gibt keinen sauberen Weg, diese an der Quelle zu korrigieren, bis das Wikidata-Datenobjekt selbst behoben ist.

Schritt 3: Schema-Markup mit sameAs-Links (das Bindegewebe)

Schema-Markup auf eigenen Webseiten verknüpft die Entität im gesamten Web, indem jede Seite mit den kanonischen Identifikatoren verbunden wird, die die Engines bereits kennen. Organization-Schema und Person-Schema mit korrekten sameAs-Links sagen den Engines genau, um welche Entität es auf einer Seite geht.

• Schema.org definiert die sameAs-Eigenschaft als die URL einer Referenz-Webseite, die die Identität des Elements unmissverständlich angibt, zum Beispiel die URL der Wikipedia-Seite oder des Wikidata-Eintrags des Elements.
• Ohne sameAs-Links muss eine Engine, die eine Über-uns-Seite oder eine Vorstandsbiografie liest, die Entitätsverbindung allein aus dem Text ableiten, was ihre Zuversicht verringert und das Risiko einer Vermischung mit ähnlich benannten Entitäten erhöht.
• Die Schema-Typen, die für die Entitätserkennung wichtig sind: Organization (für das Unternehmen), Person (für Führungskräfte), Article (für eigene redaktionelle Inhalte).

Schritt 4: Maßgebliche Berichterstattung Dritter (Bestätigung)

KI-Engines gewichten mehrere Eingaben, wenn sie Fragen zu einem Unternehmen beantworten, darunter Wikipedia-Artikel, die Knowledge Graph-Entität, eigene Inhalte und die Berichterstattung Dritter. Maßgebliche Zitate von Dritten, etablierte Presse, Branchenregister und behördliche Seiten bestätigen, dass die Entität real ist und dass ihre Attribute über unabhängige Quellen hinweg Bestand haben.

• Berichterstattung in Medien, die die Engines als maßgeblich behandeln, wiederholt denselben Namen, dieselben Zugehörigkeiten, Daten und Beziehungen, die in Wikipedia, Wikidata und im Schema-Markup zu finden sind.
• Das Vertrauen der Engines entsteht durch Konsistenz über all diese Schichten hinweg: überall derselbe Name, dieselben Zugehörigkeiten, dieselben Daten, dieselben Beziehungen.
• Inkonsistenz über die Schichten hinweg – ein Name, der auf Wikidata anders geschrieben wird als in der Presseberichterstattung, ein Gründungsdatum, das zwischen dem Wikipedia-Artikel und dem Schema-Markup abweicht – signalisiert Unzuverlässigkeit, und die Engines können dies als Mehrdeutigkeit oder faktische Abweichung in ihren Antworten widerspiegeln.

Warum sich die Arbeit im Laufe der Zeit potenziert

Eine Entitätsinfrastruktur, die im Laufe der Zeit gezielt aufgebaut wurde, sieht in den Ausgaben von KI-Engines anders aus als eine Infrastruktur, die ad hoc gewachsen ist. Jede Schicht verstärkt die anderen: Der Wikipedia-Artikel stützt das Wikidata-Datenobjekt, das Wikidata-Datenobjekt stützt die sameAs-Links im Schema, und die Berichterstattung Dritter stützt alle drei. Die Engines erkennen Entitäten und vertrauen ihnen, wenn sie über jede konsultierte Schicht hinweg dasselbe kohärente Bild zeigen.