Wie bilden große Sprachmodelle wie ChatGPT Meinungen über Unternehmen?

Große Sprachmodelle wie ChatGPT bilden keine Meinungen im menschlichen Sinne. Wenn Sie eines nach einem Unternehmen fragen, greift es nicht auf eine gespeicherte Ansicht zurück. Es setzt eine Antwort ad hoc aus den ihm zur Verfügung stehenden Quellen zusammen, gewichtet diese nach Autorität und formuliert das Ergebnis in flüssigen, selbstsicheren Sätzen.

Die zwei Datenströme, aus denen ein LLM schöpft

• Trainingskorpus, die Textbasis, auf der das Modell aufgebaut wurde, fixiert zum Stichtag des Trainings: Webseiten, Nachrichtenarchive, Bücher, Wikipedia und strukturierte Datensätze. Sobald ein Modell trainiert ist, ändert sich diese Ebene bis zum nächsten Trainingszyklus nicht mehr.
• Live-Abruf (RAG): Zum Zeitpunkt der Suchanfrage ermöglicht die Retrieval-Augmented Generation der Maschine, aktuelle Inhalte aus dem Live-Web abzurufen, anstatt sich ausschließlich auf Trainingsdaten zu verlassen. Suchmaschinen wie ChatGPT Search, Perplexity und die Übersicht mit KI von Google funktionieren auf diese Weise, sodass sie Inhalte nutzen können, die nach dem Trainingsstichtag veröffentlicht wurden.

Aus diesen beiden Datenströmen wählt die Maschine relevante Quellen aus, gewichtet sie nach Signalen wie Domain-Reputation, Zitierhäufigkeit sowie Aktualität und erstellt daraus eine einzige Antwort. Ein Reputationsprogramm kann die Ausgaben des Modells nicht direkt bearbeiten. Was es jedoch ändern kann, ist die Qualität und Autorität der Quellen, aus denen diese Ausgaben stammen.

Welche Quellentypen priorisiert werden sollten

Quellen haben nicht alle das gleiche Gewicht. Basierend darauf, wie Suchmaschinen ihre Eingaben bei der Beantwortung von Fragen zu einem Unternehmen gewichten, sollten Sie folgende priorisieren:

1. Unabhängige Medienberichterstattung. Such- und KI-Maschinen gewichten glaubwürdige Drittanbieter-Medien stärker als zusätzliche eigene Seiten. Ein Fakt, der von einem maßgeblichen, unabhängigen Medium berichtet wird, ist ein stärkeres Signal als derselbe Fakt in einer Pressemitteilung oder auf der eigenen Website des Unternehmens.
2. Wikipedia. ChatGPT und andere große KI-Maschinen behandeln Wikipedia als grundlegende Referenz für Fragen zu Entitäten und greifen sowohl über Trainingsdaten als auch über den Live-Abruf darauf zurück. Die Übersicht mit KI von Google und Gemini gewichten sie als primäre Quelle, wenn sie ein Thema zusammenfassen.
3. Strukturierte Entitätsdatensätze (Wikidata, Knowledge Graph, Schema-Markup). KI-Maschinen fragen strukturierte Quellen wie Wikidata und den Knowledge Graph nach Entitätsfakten ab, und Schema-Markup mit sameAs-Links hilft den Maschinen, eine Seite der richtigen Entität zuzuordnen. Eine präzise Entitätsinfrastruktur bietet jeder anderen Quellenebene einen stärkeren Anker.
4. Eigene Web-Properties mit klarer Autorenschaft und Schema-Markup. Die offizielle Website eines Unternehmens erweitert den Quellenpool, jedoch mit geringerer Gewichtung als unabhängige Berichterstattung. Strukturierte Daten auf eigenen Seiten erhöhen die Wahrscheinlichkeit, dass Inhalte gefunden und korrekt zugeordnet werden.
5. Foren- und Community-Inhalte (z. B. Reddit). Foreninhalte sind mittlerweile eine etablierte KI-Quelle. Reddit zählt in aktuellen Zitierstudien zu den am häufigsten zitierten Domains in KI-generierten Antworten, sodass Marken-Narrative, die in Community-Diskussionen zirkulieren, KI-Ausgaben in beide Richtungen beeinflussen können.

Pressemitteilungen und reine Presseverteiler haben weniger Gewicht als Earned Media, und KI-Maschinen stufen Agenturmeldungen herab, denen es an unabhängiger Berichterstattung durch Dritte mangelt. Das direkte Prompten des Modells hat keinen dauerhaften Effekt: Die Maschine baut jede Antwort aus ihrem Quellenpool neu auf und behält nicht bei, was ein Nutzer ihr zwischen den Sitzungen mitteilt.