Wie gehen KI-Modelle mit Umfirmierungen und Namensänderungen von Unternehmen um?

KI-Systeme hinken bei Umfirmierungen aus zwei Gründen hinterher: Ihre Trainingsdaten sind an den alten Namen gebunden, und ihre Entitätsinfrastruktur muss Quelle für Quelle aktualisiert werden. Ein Modell, das sich ausschließlich auf seine Trainingsdaten stützt, spiegelt einen neuen Namen erst wider, wenn es neu trainiert oder feinabgestimmt wird, was Monate dauert. Ein Retrieval-basiertes System kann die Änderung viel früher erfassen, wenn der neue Name in starken, aktuellen Quellen präsent ist. Die unten stehende Vorgehensweise zur Behebung spiegelt dies wider.

Der Leitfaden für Umfirmierungen

1. Etablieren Sie den neuen Namen in verlässlicher Berichterstattung. KI-Systeme gewichten Quellen nach Glaubwürdigkeit und generieren jede Antwort neu aus den Quellen, denen sie vertrauen. Sie können dem Modell die Änderung nicht direkt mitteilen; Sie ändern seine Aussagen, indem Sie diese Quellen anpassen. Der erste Schritt besteht also darin, den neuen Namen in glaubwürdige, unabhängige Berichterstattung einzubringen, auf die die Systeme zurückgreifen.
2. Aktualisieren Sie Wikipedia. Verschieben Sie den Artikel auf den neuen Namen und behalten Sie den alten Namen als Weiterleitung mit einem entsprechenden Hinweis bei, sodass beide Namen auf dieselbe Entität verweisen. Die Namenskonvention von Wikipedia richtet sich nach zuverlässigen Quellen: Sobald diese routinemäßig den neuen Namen verwenden, wird der Artikeltitel entsprechend angepasst.
3. Aktualisieren Sie die Entitätsdatensätze. Aktualisieren Sie Wikidata und die Signale, die das Google Knowledge Panel speisen. Entitätssignale sind ein zusammenhängendes Netz von Referenzen, die das Unternehmen für Plattformen identifizieren, und Wikidata ist der Knotenpunkt, der die Sprachversionen einer Entität mit einem einzigen zugrunde liegenden Datensatz verknüpft. Die Namensänderung muss sich dort verbreiten, nicht nur im englischsprachigen Artikel.
4. Veröffentlichen Sie die Änderung breit in der Presse und überwachen Sie die Ergebnisse. Veröffentlichen Sie die Ankündigung weitreichend in Medien, die von den Systemen hoch gewichtet werden. Dies liefert Retrieval-basierten Systemen aktuelle, verlässliche Inhalte, aus denen sie schöpfen können. Überwachen Sie anschließend die acht wichtigsten Systeme (ChatGPT, Gemini, Copilot, Perplexity, Claude, Grok, Google Übersicht mit KI und den Google AI Mode). Gehen Sie davon aus, dass Retrieval-basierte Systeme die Entitätsinformationen innerhalb von Wochen aktualisieren, während Modelle, die auf Trainingsdaten basieren, bis zu ihrem nächsten Trainingszyklus verzögert reagieren.

Warum die Verzögerung unterschiedlich ausfällt

Eine Umfirmierung kann in einem System sauber angezeigt werden und in einem anderen nicht, da die beiden Systemtypen in unterschiedlichen Rhythmen arbeiten. Retrieval-basierte Systeme wie Perplexity, ChatGPT Search und die Google Übersicht mit KI führen zum Zeitpunkt der Abfrage Live-Websuchen durch und spiegeln Wikipedia-Änderungen innerhalb von Stunden oder Tagen wider. Systeme, die ihre Trainingsdatenbasis gewichten, können bis zum nächsten Trainingszyklus an einem Snapshot festhalten, der ein Jahr oder älter ist. Die Umbenennung von Twitter in X im Jahr 2023 ist das deutlichste Beispiel für eine aufmerksamkeitsstarke Änderung, bei der die zugrunde liegenden Quellen die Anpassung in jedes System übertragen mussten. Strategien, die diese Verzögerung antizipieren und die Quellenarbeit vor der Ankündigung beginnen, erzielen sauberere Ergebnisse als solche, die erst im Nachhinein reagieren.