Gefunden oder erinnert: Wie Marken in KI-Antworten gelangen

Mahe Chen und Nick Koudas haben vom 24. Juni bis 21. September 2026 jeden Tag dieselben Fragen zu Anbietern, Preisen und Leistungen an ChatGPT, Gemini und Perplexity gestellt, jeweils mit eingeschalteter Websuche. Sie wählten zwei sehr unterschiedliche Märkte: Internetanschlüsse in den USA, wo wenige große Anbieter dominieren (651 Fragen), und Software für Architektur- und Ingenieurbüros, wo viele kleine, wenig bekannte Anbieter konkurrieren (55 Fragen). So kamen 158.099 Antworten mit 468.037 Quellenangaben zusammen.

Eine Antwort zeigt nur das Ergebnis, nicht den Weg dorthin. Deshalb stellten die Autoren die Fragen noch einmal und schrieben dabei mit, wonach die KI sucht und welche Seiten sie findet. Außerdem fragten sie die Modelle ohne Websuche, welche Marken sie empfehlen würden. So wird sichtbar, was ein Modell schon „weiß“. In Experimenten veränderten sie schließlich gezielt einzelne Dinge, etwa die Reihenfolge der Quellen oder die Markennamen.

Das klarste Ergebnis: ChatGPT zitierte ausschließlich Seiten, die seine eigene Suche vorher gefunden hatte. Bei 22.315 zitierten Seiten gab es keine Ausnahme. Pro Frage schaute sich ChatGPT im Schnitt 26 Seiten an und zitierte drei davon. Welche drei, hing stark davon ab, wie weit oben eine Seite in seiner Trefferliste stand.

Wichtig: Diese Trefferliste ist nicht die von Google oder Bing. ChatGPT macht aus einer Frage rund vier kurze Suchanfragen, und zwar bei jeder Antwort neue. Stellt man dieselbe Frage zweimal am selben Tag, stimmen nur 2,7 % der Suchanfragen überein. 97 % der Seiten, die ChatGPT fand, standen bei Google nicht unter den ersten 50 Treffern, 99 % bei Bing nicht unter den ersten 30. Selbst bei Gemini, das die Google-Suche nutzt, fehlten 93 % der zitierten Seiten in Googles Top 50.

Suchmaschinenoptimierung ist damit nicht überflüssig. Bei rund der Hälfte der Seiten, die ChatGPT fand, stand dieselbe Website auch bei Google unter den ersten 50, nur eben mit einer anderen Seite. Die KI greift also oft auf dieselben Anbieter zurück, aber auf andere Seiten. Das passt zu unserem Insight „Ein Index ist noch kein Ranking“ über ChatGPTs eigenen Suchindex.

Wer prüfen will, ob ein FAQ-Block hilft, darf nicht einfach Websites mit und ohne FAQ vergleichen. Große, bekannte Websites werden ohnehin oft zitiert und haben auch häufiger FAQ-Blöcke. Dann sieht es so aus, als hätte der FAQ-Block geholfen. Die Autoren haben deshalb nur Seiten derselben Website miteinander verglichen.

Zur Größenordnung: Im Viertel der am häufigsten zitierten Websites haben 43 % der Seiten einen FAQ-Block, im Viertel der am seltensten zitierten nur 23 %. Ähnlich war es bei Zusammenfassungsboxen, Autorenangaben, Schema.org und Ladezeit: Im groben Vergleich scheinen sie zu helfen. Vergleicht man Seiten derselben Website, ist kein Vorteil nachweisbar.

Die Autoren haben das auch zusammengerechnet: Warum ChatGPT manche Seiten einer Website öfter zitiert als andere, geht zu rund einem Drittel (32 %) auf seine eigene Suche zurück. Auf Merkmale wie Länge, FAQ-Block oder Schema.org zusammen nicht einmal 3 % (2,8 %).

Nur eines half verlässlich: eine Seite, die die Fragen der Leute direkt beantwortet. Seiten mit einem Absatz, der deutlich besser zur Frage passte, wurden 15,5 % öfter zitiert als andere Seiten derselben Website. Bei Seiten von Dritten, etwa Vergleichsportalen oder Medien, waren es sogar 25,7 %. Ein passender Seitentitel half bei Gemini und Perplexity, bei ChatGPT kaum, weil es die Frage ohnehin in eigene Suchbegriffe umformuliert. Die Passung entscheidet vor allem, bei welchen Fragen eine Seite zitiert wird, weniger wie oft.

Der zweite Weg in die Antwort ist das Gedächtnis des Modells. Um es zu messen, fragten die Autoren die Modelle ohne Websuche: Welche Marken und Websites würdest du empfehlen? Was dabei herauskam, zeigte sich an drei Stellen wieder:

In der Suche. In 28 % seiner Suchanfragen ergänzte ChatGPT von sich aus einen Markennamen, den der Nutzer gar nicht genannt hatte. Kannte das Modell eine Marke für die Frage schon, tauchte sie in 67 % der Fälle in seinen Suchanfragen auf, sonst nur in 11 %.

In der Auswahl. Websites, die das Modell kannte, standen in seiner Trefferliste weiter oben. Und selbst auf gleichem Platz hatten sie 1,6-mal so hohe Chancen, zitiert zu werden. Fast die Hälfte aller ChatGPT-Zitate (47 %) ging an Websites, die das Modell auch ohne Suche empfiehlt.

In der Antwort. Fast jede zweite Nennung (46 %) einer Marke, nach der niemand gefragt hatte, war durch keine zitierte Seite gedeckt. Das Modell nannte sie aus dem Gedächtnis.

„Pages are thus cited when searched; brands are also named when remembered.“

Chen & Koudas, 2026. Sinngemäß: Seiten werden zitiert, wenn die KI sie sucht. Marken werden auch genannt, wenn die KI sich an sie erinnert.

In unserem Insight „Von der passenden Seite zur Markennennung“ ging es um eine Studie, nach der Marken selten genannt werden, wenn ihre eigene Website nicht unter den Quellen ist. Das ist kein Widerspruch. Dort ging es um Kundenmarken eines GEO-Dienstleisters und um eine andere Kennzahl, hier um große, bekannte Anbieter. Zusammen legt das nahe: Wie viel das Gedächtnis des Modells beiträgt, hängt stark davon ab, wie bekannt eine Marke ist.

Eine Auswertung des SEO-Softwareanbieters Semrush vom 13. Oktober zeigt dieselbe Trennung im Großen. In 22 Branchen und auf vier KI-Plattformen war im Schnitt weniger als die Hälfte der 100 meistgenannten Marken auch unter den 100 meistzitierten Websites. Das galt in jedem Monat von Januar bis Juli 2026, in den USA wie in Großbritannien. Ein Beispiel: Die Supermarktketten Tesco und Asda gehörten überall zu den meistgenannten Marken. Unter den meistzitierten britischen Websites stand Tesco bei ChatGPT im Juli aber auf Platz 25, Asda erst auf Platz 606. Eine oft genannte Marke muss also nicht selbst die Quelle sein. Und wer oft als Quelle dient, wird deshalb nicht unbedingt empfohlen.

Einschränkung: Semrush verkauft selbst Messwerkzeuge für KI-Sichtbarkeit, und verglichen werden Ranglisten, keine einzelnen Antworten.

Wie stark dieses Vorwissen wirkt, zeigt ein Experiment. Die Autoren legten den Modellen fünf Produkte mit gleich ausführlichen Beschreibungen vor und blendeten die Markennamen mal ein, mal aus. Mit Namen änderte sich die Rangfolge deutlich stärker, als wenn man dieselbe Anfrage einfach noch einmal stellt: bei ChatGPT gut doppelt so stark, bei Gemini mehr als dreimal so stark.

Das ist nicht einfach ein Vorurteil. Mit dem Namen kommt alles, was das Modell über die Marke zu wissen glaubt. Ein Kabelanbieter landete bei Fragen nach Glasfaser weiter hinten, obwohl die Produktangaben gleich waren. Das kann eine richtige Einschätzung sein. Das Bild im Modell kann aber auch falsch oder veraltet sein. Wie stark Namen wirken, zeigt ein weiterer Versuch: Die Autoren schrieben ausdrücklich dazu, die Namen seien zufällig verteilt. Trotzdem landete dieselbe Produktbeschreibung unter einem Namen in 80 % der Antworten unter den ersten drei, unter einem anderen nur in 39 %.

Wie unterschiedlich solche Bilder ausfallen, zeigt eine kleinere Untersuchung von Maryanna Franco und João da Silva vom Unternehmen friction AI. In 14.140 Abfragen über fünf KI-Plattformen prüften sie zwölf Marken für Sportbekleidung. Zwei Fälle stechen heraus: Beide Marken kannten die Modelle, empfohlen wurden sie trotzdem nicht, aus unterschiedlichen Gründen.

New Balance kannten alle Modelle, aber nur als Hersteller von Sportschuhen. Fragte man nach Athleisure, also Sportmode für den Alltag, empfahlen sie New Balance kein einziges Mal.

TALA, eine britische Modemarke: Fragte man direkt, ob TALA eine Athleisure-Marke ist, sagten alle vier dazu befragten Systeme ja. Ohne diesen Hinweis dachten sie beim Namen aber nicht immer an die Modemarke. Denselben Namen trägt ein Finanzdienstleister, und Googles Knowledge Graph, die strukturierte Wissensdatenbank hinter der Suche, beschreibt TALA als „Financial services company“. In den Empfehlungen für Athleisure und Sportmode kam TALA nie vor.

Die Autoren betonen selbst, dass ihr Fall keinen Ursachenbeleg liefert. Ob die Verwechslung die fehlenden Empfehlungen verursacht, wäre erst gezeigt, wenn sich nach einer Korrektur etwas ändert. Für die Praxis ist der Hinweis trotzdem nützlich: Bevor eine Marke mehr Inhalte produziert, sollte sie prüfen, ob die KI ihren Namen überhaupt der richtigen Firma zuordnet. Das gilt besonders bei kurzen, häufigen oder mit anderen geteilten Namen.

Zurück zur Studie von Chen und Koudas: Für die Praxis ist dort vielleicht der Vergleich der beiden untersuchten Märkte am wichtigsten, Internetanschlüsse in den USA und Software für Architektur- und Ingenieurbüros. Die großen Internetanbieter kannte das Modell hinter ChatGPT gut und ordnete sie auch ohne Websuche ziemlich gleichbleibend ein. Die kleinen Softwareanbieter nannte es dagegen nur bei 2 bis 16 % der Fragen. Das Modell hinter Gemini kannte sie viel besser und nannte sie bei 60 bis 96 % der Fragen. Was ein Modell „weiß“, hängt also stark vom Modell ab.

Wo das Vorwissen fehlt, schwanken die Empfehlungen. Erst die Websuche bringt Ordnung hinein. Fand ChatGPT eine fremde Seite, die einen kleinen Anbieter erwähnt, stieg die Chance, dass es ihn nennt, um ein Vielfaches (Faktor 39,7). Bei den großen Marken war dieser Effekt viel kleiner (Faktor 4,2). Kurz gesagt: Bei bekannten Marken zählt stark, was das Modell schon glaubt. Kleine Marken müssen gefunden werden, vor allem über Seiten von Dritten.

Gemessen wurde über die Programmierschnittstellen mit kleineren Modellvarianten (GPT-5.4 nano, Gemini 3.1 Flash Lite, Perplexity Sonar). Die Apps, die Menschen im Alltag nutzen, können sich anders verhalten, etwa durch andere Modelle oder Personalisierung. Alle Fragen waren auf Englisch und betrafen den US-Markt. Sie stammen nicht von echten Nutzern: Die Autoren haben sie für einen US-Glasfaseranbieter und einen kleinen Softwareanbieter geschrieben. Die Studie zeigt Zusammenhänge, keine Ursachen. Dass das Gedächtnis des Modells über die Suche bis zum Zitat wirkt, nennen die Autoren selbst eine Vermutung.

Hinweis: Beide Unternehmen nutzen eine Plattform, die KI-Antworten beobachtet und die die Autoren selbst betreiben. Nick Koudas leitet zudem Workorb, einen Anbieter von Angebotssoftware für Architektur- und Ingenieurbüros, also aus dem Markt des zweiten Datensatzes. Ob die Fragen für Workorb geschrieben wurden, sagt das Paper nicht. Eine Erklärung zu Interessenkonflikten enthält es nicht.

Außerdem ändert sich das Bild schnell. Welche Seiten ChatGPT in zwei Wochen bevorzugt zitierte, sagte zehn Wochen später kaum noch etwas voraus: Nur 14 % des Musters waren noch gleich, bei Perplexity nichts mehr. Das deckt sich mit unseren Insights „Heut zitiert, morgen vergessen“ und „Wie seriös ist Ihre AI-Visibility-Punktzahl wirklich?“.

Die übliche GEO-Messung zählt, wie oft eine Marke in KI-Antworten vorkommt. Die Studie zeigt, warum das wenig erklärt. Eine Nennung kann drei Ursprünge haben: Die KI hat die eigene Website gefunden, sie hat eine fremde Seite gefunden, oder sie kannte die Marke schon. Jeder Ursprung verlangt andere Maßnahmen.

Bekannte Marken sollten deshalb nicht nur fragen: „Werden wir gefunden?“, sondern auch: „Was glaubt die KI über uns, und stimmt das?“ Ein veraltetes Bild wirkt, bevor die KI überhaupt eine Seite liest. Kleine Marken sollten fragen: „Was findet die KI über uns, wenn jemand eine passende Frage stellt?“ Dabei zählen vor allem fremde Seiten, die den Anbieter im richtigen Zusammenhang erwähnen.

Für alle gilt: Seiten, die die Fragen der Kundschaft in deren Worten beantworten, sind das Einzige auf der Seite, das nachweislich hilft. FAQ-Blöcke, Schema.org oder Autorenangaben ersetzen nicht, von der KI gefunden zu werden.

„Eine Nennung in der KI-Antwort verrät nicht, woher sie kommt. Erst wer das trennt, weiß, ob er an den eigenen Seiten, an fremden Erwähnungen oder am Bild der Marke arbeiten muss.“

Dr. Michael Mohaupt, rethink.expert