Ich habe ein Unternehmen verkauft, das vor meiner Zeit einen Skandal hatte. Mein Name wird nun damit in Verbindung gebracht. Welche Optionen habe ich?

Die Assoziation mit einem ehemaligen Unternehmen ist ein bekanntes Muster, für das es eine strukturierte Lösung gibt. Wenn der Name einer Führungskraft mit einem verkauften Unternehmen in Verbindung gebracht wird – insbesondere mit einem, das bereits vor ihrer Amtszeit in einen Skandal verwickelt war –, haben die Engines aus den damals verfügbaren Quellen ein vermischtes Narrativ gebildet. Dies zu korrigieren bedeutet, an der Quellebene anzusetzen und nicht am sichtbaren Symptom.

Schritt 1: Die Person als eigenständige Entität etablieren

Die erste Aufgabe ist die Entitäten-Disambiguierung: Den Engines muss gezeigt werden, dass diese Person eine eigenständige Entität mit einer eigenen Zeitachse ist und keine dauerhafte Verbindung zum ehemaligen Unternehmen besteht. Die technischen Hebel:

• Personen-Schema mit sameAs-Links auf eigenen Web-Properties, die die Biografie-Website der Person mit ihrem LinkedIn-Profil, dem Wikipedia-Artikel (sofern vorhanden) und der Wikidata-Q-ID verbinden. Diese Links bieten den Engines einen klaren Identitätsanker und liefern biografische Disambiguierungssignale, die die Person von dem Unternehmen trennen, das sie einst geleitet hat.
• Wikidata-Eintrag oder -Aktualisierung mit präzisen Beschäftigungsdaten, einem klaren Austrittsdatum für die ehemalige Eigentümerbeziehung und einer korrekt angegebenen aktuellen Rolle, damit KI-Engines, die Wikidata zur Entitätenauflösung heranziehen, über die richtige Zeitachse verfügen.
• Wikipedia-Artikel oder Bearbeitungsanfrage auf der Diskussionsseite, damit der Artikel die zeitliche Abfolge korrekt wiedergibt: Der Skandal fand vor der Amtszeit dieser Person statt, und die Person ist durch einen Verkauf ausgeschieden. Wikipedia gehört zu den stärksten Disambiguierungssignalen, die Suchmaschinen nutzen, und ist eine der am stärksten gewichteten Quellen in den Antworten von KI-Engines.

Schritt 2: Den eigenen Content-Footprint der Person aktualisieren und erweitern

Sobald die Entitäten-Infrastruktur eine saubere Identität etabliert hat, liefert die Content-Ebene den Engines Material, das auf der richtigen Seite der Zeitachse gewichtet werden kann:

• LinkedIn-Profil, aktualisiert mit einer vollständigen Beschreibung der aktuellen Rolle, einem präzisen beruflichen Werdegang mit Datumsangaben und einer Zusammenfassung, die die Erfolge der Person anstelle der des ehemaligen Unternehmens widerspiegelt. LinkedIn speist die Entitäten-Ebene und schafft einen sameAs-Pfad, dem die Engines folgen.
• Biografie-Website oder Arbeitgeber-Biografieseite mit Personen-Schema-Markup und autoritativen Inhalten zur aktuellen Arbeit, zu beruflichen Erfolgen und öffentlichen Stellungnahmen. Eine Biografie-Website mit sauberem Schema ist ein direktes Entitätssignal, das die Engines extrahieren.
• Autoritative Inhalte von Dritten, die die tatsächliche Erfolgsbilanz der Person in ihrer aktuellen Rolle abdecken: Thought-Leadership-Beiträge, Artikel in der Fachpresse, Podcast-Auftritte mit präzisen Transkripten und Konferenzprofile. Diese liefern den Engines Beweise, die gegen die alte Assoziation gewichtet werden können. Engines zitieren bevorzugt diese Art von faktenbasiertem Drittmaterial mit namentlich genannten Autoren.
• Profile in Berufsverzeichnissen und Verbänden (relevante Vorstandsmitgliedschaften, Anwaltskammern, Branchenregister), die das Ansehen und die aktuelle Identität der Person auf eine Weise untermauern, wie es selbst publizierte Inhalte nicht können.

Schritt 3: KI-Narrative über führende Engines hinweg überwachen und korrigieren

Entitäten-Infrastruktur und Inhalte allein reichen nicht aus, wenn die Engines bereits ein ungenaues Narrativ gebildet haben. Das AIQ-Monitoring führt die relevanten Suchanfragen täglich über die acht von ihm erfassten KI-Engines aus und meldet, wenn eine Engine die Person weiterhin mit der Historie des ehemaligen Unternehmens vermischt, anstatt die Zeitachse korrekt darzustellen. Diese Vermischung bleibt oft bestehen, da sich ungenaue Informationen in den KI-Trainingsdaten festsetzen und auch dann erhalten bleiben können, wenn die Live-Berichterstattung korrigiert wurde; in solchen Fällen zielt die Arbeit auf Quellenebene auf die spezifischen Inputs ab, die jede Engine falsch gewichtet.

Die Engines, die Wikipedia und Wikidata am stärksten gewichten (Gemini, Übersicht mit KI von Google, AI Mode, Perplexity), aktualisieren sich in der Regel am schnellsten, sobald diese Quellen korrigiert sind. Engines, die sich stärker auf gecrawlte Web-Inhalte stützen, benötigen möglicherweise eine anhaltende Berichterstattung durch Dritte, bevor sich das Narrativ ändert. AIQ zeigt diesen Verlauf für jede Engine einzeln auf, damit die Arbeit zielgerichtet bleibt.

Wie der Verlauf aussieht

Eine saubere Entitäten-Infrastruktur, aktualisierte eigene Web-Properties, autoritative Inhalte von Dritten und das Monitoring von KI-Narrativen führen zusammen in der Regel über sechs bis zwölf Monate zu einer signifikanten Bewegung. Diese Bewegung verläuft nicht linear. Das Entitäten-Panel von Google und Wikipedia-gewichtende Engines reagieren oft innerhalb von Wochen auf Korrekturen auf der Entitäten-Ebene, während das breitere KI-Narrativ und das SERP-Bild länger brauchen, da neue Inhalte erst Autorität aufbauen müssen. Eine starke Berichterstattung durch Dritte über die aktuelle Arbeit der Person verkürzt diesen Zeitrahmen. Wenn der Skandal des ehemaligen Unternehmens langlebige, häufig zitierte ausführliche Berichterstattung hervorgebracht hat, ist mit dem vollen Zeithorizont und manchmal sogar länger zu rechnen, bevor die alten Inhalte in den Engines an Gewicht verlieren.