Eine solche Folie hast Du bestimmt schon auf einer Online-Marketing-Konferenz gesehen… Drei Strichmännchen, darunter drei Etiketten: Skimmer, Scanner, Reader. Dazu die Ansage, man müsse „für alle drei schreiben“, weil das nun mal drei verschiedene Sorten von Menschen seien. Gelegentlich mit Prozentzahl.
Die Folie ist nicht komplett falsch. Aber ist an genau der Stelle falsch, an der sie am lautesten vorgetragen wird – und dieser Fehler hat praktische Konsequenzen für die Art, wie wir Texte bauen. Ich habe mir deshalb angesehen, was die Leseforschung tatsächlich hergibt.
Kurzfassung: Die beschriebenen Verhaltensweisen sind gut belegt. Die Personentypen sind es nicht. Und die unterstellte Rangfolge von oberflächlich nach tief existiert überhaupt nicht, weil hier drei Dinge in eine Reihe gestellt werden, die nicht auf derselben Skala liegen.
Zuerst: Was an der Folie stimmt
Damit kein falscher Eindruck entsteht – die zugrunde liegenden Beobachtungen sind real und gut untersucht.
Menschen lesen online selten vollständig. Das ist keine Erfindung von Content-Marketern. Selektives Lesen ist in der experimentellen Psychologie seit Jahrzehnten dokumentiert.
Überfliegen und gezieltes Suchen sind unterscheidbare Vorgänge. Wer sich einen Überblick verschaffen will, verhält sich messbar anders als jemand, der eine bestimmte Zahl sucht. Beides unterscheidet sich wiederum messbar vom sorgfältigen Durcharbeiten.
Diese Unterschiede sind sogar maschinell erkennbar. Aus Blick- und Interaktionsdaten lässt sich mit brauchbarer Trefferquote rekonstruieren, ob jemand gerade überfliegt oder gründlich liest.
So weit, so gut. Das Problem beginnt bei der Interpretation.
Der Fehler: aus Verhalten werden Personen
Die Folie macht aus drei Tätigkeiten drei Identitäten. Aus „diese Person überfliegt gerade“ wird „diese Person ist ein Skimmer“. Das ist derselbe Denkfehler wie „sie rennt gerade“ zu „sie ist eine Rennerin“ – und er hält der Empirie nicht stand.
Der sauberste Test dafür ist simpel: Man nimmt dieselben Personen und gibt ihnen nacheinander verschiedene Leseaufträge. Wenn es feste Typen gäbe, dürfte sich nicht viel ändern.
Es ändert sich sehr viel. In einer Eye-Tracking-Studie lasen dieselben Versuchspersonen denselben Textumfang einmal regulär, einmal gründlich, einmal überfliegend und einmal korrekturlesend. Die bloße Instruktion verschob systematisch ganze Bündel von Blickparametern: Gesamtlesezeit, Sprungweite zwischen den Fixationen, Anzahl übersprungener Wörter, Häufigkeit von Rücksprüngen. Eine Untersuchung mit Medizinstudierenden an klinischen Texten fand dasselbe Muster, mit Haupteffekten der Aufgabe vielfach bei p < 0,001.
Wer diese Bilder nebeneinanderlegt, sieht keinen Unterschied zwischen zwei Menschen. Er sieht denselben Menschen bei zwei Aufgaben.
Dazu kommt ein Detail, das ich besonders aufschlussreich finde: Ein Klassifikator kann den momentanen Zustand aus Verhaltensdaten erkennen. Diese Modelle sind Zustandsschätzer, keine Persönlichkeitstests. „Unsere KI hat erkannt, dass Sie ein Skimming-Typ sind“ wäre eine unzulässige Umdeutung derselben Daten – und leider genau die Formulierung, die sich im Produktmarketing anbietet.
Die Zahl, die niemand nachschlägt
Fast immer taucht auf der Folie eine Prozentzahl auf, meist die berühmten 79 %. Sie stammt aus einer Usability-Untersuchung von 1997 und besagte, dass 79 % der Testpersonen neue Seiten grundsätzlich scannten statt Wort für Wort zu lesen.
Man beachte, was diese Zahl misst: beobachtetes Verhalten in einer konkreten Situation, an einer kleinen Stichprobe, vor bald drei Jahrzehnten, an Websites, die es so nicht mehr gibt. Sie misst nicht, dass 79 % der Menschen dauerhaft dem Typ „Scanner“ angehören.
Diese Umdeutung ist der Kern des Problems. Aus einer Verhaltensbeobachtung wird eine Bevölkerungsstatistik über Personentypen. Nach belastbaren Prävalenzwerten für die drei Typen habe ich gesucht und keine gefunden – es gibt keine akzeptierten Schwellenwerte, keine standardisierte Testbatterie, keine repräsentative Erhebung. Jede Angabe der Form „x % sind Skimmer“ ist derzeit Scheingenauigkeit.
Der zweite, größere Fehler: die Rangfolge
Bis hierhin könnte man einwenden: Gut, es sind Modi statt Typen, aber die Reihenfolge stimmt doch – überfliegen ist flach, richtig lesen ist tief.
Auch das nicht. Und hier wird es interessant, weil dieser Punkt sogar den meisten auffällt, die den ersten Fehler schon vermeiden.
Die drei Etiketten stammen nämlich aus drei getrennten Forschungstraditionen, die nie als gemeinsames Modell entwickelt wurden. Selektives Lesen wird in der Skimming- und Information-Foraging-Forschung untersucht. Versunkenes Lesen wird als narrative Absorption erforscht, mit eigenen validierten Skalen für Aufmerksamkeit, emotionale Beteiligung und mentale Bildhaftigkeit. Und tiefes Verstehen wird als Leistungsniveau untersucht: Kann jemand Informationen aus mehreren Quellen bewerten, integrieren und synthetisieren?
Diese drei messen verschiedene Dinge. Sie sind keine drei Stufen derselben Leiter.
Der entscheidende Gegenbeweis ist alltäglich: Man kann einen spannenden Roman lesen und dabei hoch absorbiert, aber analytisch völlig unkritisch sein. Und man kann eine Vertragsklausel prüfen und dabei hoch analytisch, aber emotional überhaupt nicht absorbiert sein. Beide Vorgänge sind langsam und vollständig. Auf einer eindimensionalen Tiefenskala müssten sie denselben Platz belegen. Tun sie offensichtlich nicht.
Übrigens ist die Konferenzversion sogar noch unsauberer als die wissenschaftliche Dreiteilung, gegen die sich meine Kritik richtet. Denn „Skimmer“ und „Scanner“ liegen beide auf derselben Achse – beide sind selektiv, sie unterscheiden sich nur im Ziel: Überblick gewinnen gegenüber ein bestimmtes Element finden. Und „Reader“ wirft die beiden anderen Achsen in einen Topf, indem es analytische Tiefe und emotionale Versunkenheit gleichsetzt. Die Folie zerlegt also eine Achse in zwei Typen und presst zwei Achsen in einen.
Was stattdessen gilt
Das evidenznähere Modell ist dreidimensional und beschreibt keine Personen, sondern Zustände, die bei jeder Leseepisode neu entstehen:
Achse
niedriger Pol
hoher Pol
Selektivität / Tempo
vollständig, langsam
stark selektiv, schnell
Verarbeitungstiefe
lokal, oberflächlich
Inferenzen, Kohärenz, Bewertung
Absorption
distanziert, ablenkbar
versunken, bildhaft, emotional beteiligt
Innerhalb dieses Raums bewegen sich Leserinnen und Leser dynamisch. Was die Position bestimmt, ist ein Zusammenspiel aus fünf Faktoren – und der stärkste davon ist die Aufgabe.
Besonders wichtig ist die Rückkopplung am Ende: Wer merkt, dass er nichts verstanden hat, springt zurück, wird langsamer oder wechselt die Strategie. Der Modus ist also nicht einmal innerhalb eines einzigen Textes konstant.
Drei Missverständnisse, die mit derselben Folie transportiert werden
„Überfliegen ist faules Lesen.“ Falsch, und zwar nachweislich. In Experimenten unter Zeitdruck – so knapp bemessen, dass nur etwa die Hälfte des Materials gelesen werden konnte – verbesserte selektives Überfliegen die Erinnerung an zentrale Inhalte gegenüber der Alternative, einfach die erste Texthälfte vollständig zu lesen. Überfliegen ist adaptives Suchverhalten, keine Nachlässigkeit. Neuere Arbeiten zeigen sogar, dass erfolgreiches Überfliegen mit der Arbeitsgedächtniskapazität zusammenhängt: Es braucht mehr kognitive Steuerung, nicht weniger, weil relevante Information ausgewählt und aufrechterhalten werden muss.
„Langsam heißt tief, schnell heißt oberflächlich.“ Auch falsch. Geübte Leserinnen sind typischerweise gleichzeitig schneller und gründlicher, weil die Worterkennung automatisiert ist. Dieselbe Kennzahl – Wörter pro Minute – kann hohe Kompetenz oder geringe Verarbeitungstiefe bedeuten. Bei einem Kind signalisieren viele lange Fixationen eher Schwierigkeit als Tiefe. Geschwindigkeit allein diagnostiziert gar nichts.
„Bildschirm heißt Skimming, Papier heißt tiefes Lesen.“ Zu grob. Eine Metaanalyse findet im Mittel einen kleinen Vorteil für Papier, der aber stark von der Textsorte abhängt: bei erklärenden Sachtexten deutlicher, bei erzählenden Texten praktisch nicht vorhanden. Eine eigene Metaanalyse zu narrativen Texten über 32 Studien fand gar keinen generellen Bildschirmnachteil. Ein ablenkungsfreier E-Reader mit einem Roman ist psychologisch etwas völlig anderes als ein Smartphone mit zwölf offenen Tabs. „Digital“ ist keine einheitliche Kategorie.
Wo es echte Typen gibt – nur andere
Damit ich nicht ins Gegenteil überziehe: Stabile individuelle Unterschiede existieren. Sie sehen nur anders aus als auf der Folie.
Eye-Tracking-Arbeiten unterscheiden etwa proaktive von konservativen Blickprofilen. Proaktive Leser machen lange Vorwärtssprünge und viele Rücksprünge – riskantes Vorlesen mit anschließender Korrektur. Diese Person passt in keine der drei Konferenzschubladen, weil sie schnell vorangeht und viel zurückspringt.
Ebenso gibt es messbar stabile literarische Orientierungen – Einfühlung, Bildhaftigkeit, Eskapismus, handlungsgetriebenes Lesen und weitere Dimensionen –, und es gibt stabile Fähigkeitsunterschiede in Arbeitsgedächtnis, Vorwissen und Aufmerksamkeitskontrolle.
Die richtige Architektur ist deshalb zweistufig:
Stabile Dispositionen und Fähigkeiten beeinflussen die Wahrscheinlichkeit und die Qualität momentaner Lesezustände – die wiederum Verständnis und Erlebnis bestimmen.
Damit existieren Traits und Modi gleichzeitig, ohne dass man Menschen in drei Schubladen sortieren müsste. Und daraus folgt auch die wichtigste Einschränkung gegenüber einer allzu bequemen Lesart: „Jede Person kann jeden Modus gleich gut“ stimmt ebenfalls nicht. Wer noch mit dem Dekodieren beschäftigt ist, hat schlicht weniger Kapazität für Inferenzen übrig. Belegt ist, dass geübte erwachsene Leser ihre Strategie stark an die Aufgabe anpassen können – nicht, dass alle Menschen frei zwischen Modi schalten.
Was das für die Praxis ändert
Man könnte einwenden: Wenn man ohnehin „für alle drei“ schreibt, ist es doch egal, ob es Typen oder Modi sind. Ist es nicht, aus vier Gründen.
Erstens ändert sich, worauf man optimiert. Wer an Typen glaubt, baut Textschichten für Zielgruppen – eine Zusammenfassung für die Skimmer, Zwischenüberschriften für die Scanner, Fließtext für die Reader. Wer an Modi glaubt, fragt: In welcher Situation kommt jemand hierher, mit welchem Ziel, unter welchem Zeitdruck? Das ist eine völlig andere Recherche und führt zu anderen Texten.
Zweitens ist derselbe Mensch mehrfach da. Eine Person, die morgens im Newsfeed überfliegt, prüft nachmittags dieselbe Seite gründlich, weil sie inzwischen eine Kaufentscheidung trifft. Ein typenbasiertes Modell hätte sie beim ersten Besuch abschließend einsortiert. Ein modusbasiertes Modell erwartet den Wechsel.
Drittens verschiebt sich, was man am Text repariert. Wenn jemand überfliegt, obwohl die Aufgabe Gründlichkeit verlangt, ist das meist kein Typenproblem, sondern ein Text-, Kontext- oder Motivationsproblem: zu schwer, zu unklar, zu wenig relevant, zu ablenkend. Daran kann man arbeiten. An einem Personentyp nicht.
Viertens – und das ist mir das wichtigste – verschwindet die Abwägung. Wenn man drei Zielgruppen bedient, wird Strukturierung zur Checkliste. Wenn man Modi bedient, muss man in jedem einzelnen Text entscheiden, welche Lesestrategie hier Vorrang hat und auf wessen Kosten. Ein Text, der nur noch aus kurzen, autonomen Blöcken besteht, ist hervorragend scannbar und als Argumentation wertlos, weil er keine Gedankenführung mehr hat. Diese Spannung ist die eigentliche Arbeit. Die Typenfolie macht sie unsichtbar.
Fazit
Skimming, Scanning und gründliches Lesen sind reale, gut untersuchte Vorgänge. Sie sind nur keine Menschen.
Was tatsächlich passiert: Dieselbe Person bewegt sich in einem dreidimensionalen Raum aus Selektivität, Verarbeitungstiefe und Absorption. Ihre Position hängt vor allem von der Aufgabe ab, dazu von Text, Kontext, Medium und den eigenen Fähigkeiten. Sie ändert sich innerhalb eines Textes. Und die drei Achsen sind unabhängig – versunken ist nicht dasselbe wie gründlich, und schnell ist nicht dasselbe wie oberflächlich.
Wer für Leserinnen und Leser schreibt, sollte deshalb nicht fragen: Welchen Typ bediene ich hier? Sondern: In welchem Zustand kommt jemand hierher, was will er, und was braucht er, um an der richtigen Stelle einzusteigen?
Diese Frage ist unbequemer, weil sie sich nicht abhaken lässt. Sie ist auch die einzige, die zu besseren Texten führt.
Anmerkung zur Abgrenzung: Warum diese Erkenntnis ausdrücklich kein Argument für die derzeit kursierenden GEO-Empfehlungen ist – und warum „Struktur für Menschen“ und „Struktur für Sprachmodelle“ zwei verschiedene Begründungen mit sehr verschiedener Beweislage sind – habe ich in einem eigenen Beitrag auseinandergenommen: Schreibt endlich wieder für Menschen: Was die LLM-Readability-Debatte falsch macht.
Quellen
Überfliegen als Strategie
Duggan, G. B. & Payne, S. J. (2009): Text skimming: The process and effectiveness of foraging through text under time pressure. Journal of Experimental Psychology: Applied, 15(3), 228–242
Duggan, G. B. & Payne, S. J. (2011): Skim reading by satisficing: Evidence from eye tracking
Sanchez, C. A. & Powell, C. (2026): Individual Differences in Working Memory Capacity Affect How Readers Skim Expository Text. Applied Cognitive Psychology, 40(3)
Modusflexibilität derselben Personen
Strukelj, A. & Niehorster, D. C. (2018): One Page of Text: Eye Movements During Regular and Thorough Reading, Skimming, and Spell Checking. Journal of Eye Movement Research, 11(1)
Fitzsimmons, G. et al. (2020): The impact of skim reading and navigation when reading hyperlinks on the web. PLOS ONE, 15
Soltan, M. A. et al. (2025): Reading and skimming clinical information. BMC Medical Education
Chen, X. et al. (2023): Characteristics of Deep and Skim Reading on Smartphones vs. Desktop. CHI 2023
Absorption und Immersion
Green, M. C. & Brock, T. C. (2000): The role of transportation in the persuasiveness of public narratives. JPSP
Kuijpers, M. M. et al. (2014): Story World Absorption Scale. Scientific Study of Literature, 4(1)
van Laer, T. et al. (2014): The Extended Transportation-Imagery Model. Journal of Consumer Research, 40(5)
Tiefes Verstehen als Leistungsniveau
LaRusso, M. et al. (2016): Contributions of Academic Language, Perspective Taking, and Complex Reasoning to Deep Reading Comprehension
Yang, X. H. et al. (2019): Metaanalyse von 78 fMRI-Studien. NeuroImage, 203
Ferstl, E. C. et al. (2008): The extended language network. Human Brain Mapping, 29
Stabile Unterschiede
Koornneef, A. W. & Mulders, I. (2017): Can We „Read“ the Eye-Movement Patterns of Readers? Journal of Psycholinguistic Research, 46(1)
Miall, D. S. & Kuiken, D. (1995): Aspects of Literary Response: A New Questionnaire
Carretti, B. et al. (2009): Metaanalyse zu Arbeitsgedächtnis und Leseverständnis
Unsworth, N. & McMillan, B. D. (2013): Mind wandering and reading comprehension
Bildschirm gegenüber Papier
Clinton, V. (2019): Reading from paper compared to screens. Journal of Research in Reading, 42(2)
Schwabe, A. et al. (2022): No Negative Effects of Reading on Screen on Comprehension of Narrative Texts. Media Psychology, 25(6)
Seit einigen Monaten begegnet mir auf Konferenzen, in LinkedIn-Postings und in Agentur-Pitches ein Begriff, der so klingt, als hätte jemand einen neuen Rankingfaktor entdeckt: LLM Readability. Manchmal auch „LLM-Lesbarkeit“, gelegentlich „maschinelle Lesbarkeit“. Die Botschaft dahinter ist fast immer dieselbe: Sprachmodelle lesen anders als Menschen, deshalb müsse man Content anders schreiben – kürzere Absätze, Antwort zuerst, fragebasierte Überschriften, alles schön in zitierfähige Häppchen zerlegt. Wer das nicht tut, werde in ChatGPT, den AI Overviews und Perplexity schlicht nicht mehr zitiert.
Ich habe mir das genauer angesehen, weil ich für unser O’Reilly-Buch ohnehin tief in der GEO-Literatur stecke – und weil ich bei jedem Begriff, der binnen eines Jahres vom Blogpost zum kostenpflichtigen Score wird, reflexartig nach der Belegkette frage.
Das Ergebnis vorweg:
Der Begriff ist als Denkrahmen brauchbar, als Rankingversprechen ist er überzogen. Und die zentrale Handlungsempfehlung, die viele daraus ableiten – Content in maschinenfreundliche Mikro-Häppchen zerlegen –, ist ausgerechnet diejenige, der Google öffentlich und ungewöhnlich deutlich widerspricht.
Es gibt aber noch eine zweite Ebene, die mich mittlerweile mehr beschäftigt als die Belegkette selbst. Denn die meisten Einzelempfehlungen, die unter diesem Label kursieren, sind gar nicht falsch. Sie sind nur mit einer Begründung versehen worden, die sie nicht brauchen – und die sie beschädigt.
Warum ich das so sehe, im Detail.
Was hier eigentlich passiert ist: eine Begründung wurde ausgetauscht
Zwischenüberschriften setzen, Absätze sinnvoll schneiden, die Kernaussage nach vorne ziehen, Listen dort einsetzen, wo etwas tatsächlich eine Aufzählung ist. Das ist alles richtig. Ich mache das seit zwanzig Jahren und würde es weiter empfehlen, wenn morgen sämtliche Sprachmodelle abgeschaltet würden.
Verändert hat sich nicht die Maßnahme, sondern ihre Begründung.
Früher hieß es: Strukturiere deinen Text, weil Menschen ihn unterschiedlich lesen – manche überfliegen ihn, manche steigen in der Mitte ein, manche suchen gezielt eine Zahl, und nur die wenigsten lesen von oben nach unten durch. Heute heißt es: Strukturiere deinen Text, weil die KI ihn sonst nicht zitiert.
Gleiche Handlung, andere Rechtfertigung. Und diese neue Rechtfertigung ist erstens empirisch schlecht gedeckt – dazu der Hauptteil dieses Artikels –, zweitens für die Entscheidung völlig belanglos, und drittens schädlich für genau die Praxis, die sie zu stützen vorgibt. Die letzten beiden Punkte behandle ich weiter unten, nachdem die Evidenz auf dem Tisch liegt.
Die alte Begründung war die bessere
Fangen wir mit dem an, was dabei verloren geht.
Menschen lesen Sachtexte nicht in einem Modus, sondern in mehreren, und sie wechseln ständig zwischen ihnen. Es gibt das Überfliegen, bei dem jemand in wenigen Sekunden entscheidet, ob ein Text überhaupt relevant ist. Es gibt das Scannen nach einem konkreten Element – einer Zahl, einem Namen, einer Bedingung. Es gibt den Quereinstieg, weil jemand über eine Suchmaschine mitten im Text landet und den Kontext nicht kennt. Es gibt das Nachschlagen, wenn ein Text zum zweiten Mal aufgerufen wird, diesmal gezielt. Und es gibt das lineare Lesen, das online die Ausnahme ist.
Jedes strukturelle Element bedient dabei etwas anderes. Zwischenüberschriften sind Navigationsanker für Scanner und Quereinsteiger. Ein vorangestelltes Fazit bedient die Überflieger. Absatzgrenzen markieren Gedankenwechsel und geben dem Arbeitsgedächtnis Pausen. Listen entlasten dort, wo tatsächlich mehrere gleichrangige Elemente nebeneinanderstehen – und verschleiern die Argumentation dort, wo sie es nicht tun.
Das ist gut untersucht, in Teilen seit den 1980er Jahren, und hat mit generativer KI exakt nichts zu tun. Eine Warnung an dieser Stelle: Aus diesen Lesestrategien werden auf Konferenzfolien gerne drei feste Lesertypen – „Skimmer, Scanner, Reader“. Das ist eine Fehldeutung derselben Forschung, und zwar eine folgenreiche; ich habe sie in einem eigenen Beitrag samt Evidenzlage auseinandergenommen. Für hier genügt: Es sind Zustände, keine Personen, und sie liegen nicht auf einer gemeinsamen Skala von flach nach tief.
Die Leserperspektive ist außerdem anspruchsvoller als das, was heute unter „LLM Readability“ verkauft wird. Denn sie zwingt zu einer Abwägung: Welche Lesestrategie bediene ich hier, auf Kosten welcher anderen? Ein Text, der nur noch aus kurzen, autonomen Blöcken besteht, ist hervorragend scannbar und als Argumentation wertlos, weil er keine Gedankenführung mehr hat. Wer für Menschen strukturiert, muss diese Spannung aushalten und für jeden Text neu auflösen.
Wer für Maschinen strukturiert, muss das nicht. Er kann eine Checkliste abarbeiten. Genau darin liegt die Attraktivität – und der Schaden.
Erstens: Der Begriff meint zwei verschiedene Dinge
Bevor man über Evidenz streitet, muss man klären, worüber man redet. „LLM Readability“ wird nämlich für zwei völlig verschiedene Sachverhalte verwendet, und diese Vermischung ist die Quelle der meisten Missverständnisse:
Lesbarkeit für Menschen. Also: Wie verständlich ist ein Text – gleich ob von Hand geschrieben, von einem Modell verfasst oder von einem Modell vereinfacht? Das ist ein etabliertes Forschungsfeld mit Humanratings, Lesbarkeitsformeln und spezialisierten Metriken. Hier gibt es echte, belastbare Wissenschaft.
Verwertbarkeit für Maschinen. Also: Wie gut kann ein generatives Suchsystem eine Seite abrufen, interpretieren, extrahieren und in einer Antwort referenzieren? Das ist die Bedeutung, die im GEO-Diskurs gemeint ist – und für die es keine standardisierte wissenschaftliche Definition und keinen validierten Score gibt.
Wer den Begriff hört und dabei an Flesch-Werte, Satzlängen und die Wiener Sachtextformel denkt, meint Lesbarkeit für Menschen. Wer an Zitierfähigkeit in ChatGPT oder den AI Overviews denkt, meint Verwertbarkeit für Maschinen. Die beiden haben empirisch deutlich weniger miteinander zu tun, als der gemeinsame Name suggeriert. Genau diese Doppeldeutigkeit macht den Begriff rhetorisch so wirksam: Er borgt sich die wissenschaftliche Seriosität der psycholinguistischen Lesbarkeitsforschung für eine Behauptung über Zitationsranking, die diese Forschung überhaupt nicht untersucht hat.
Zweitens: Woher der Begriff kommt
Geprägt hat ihn 2024 Olaf Kopp von Aufgesang. Und das muss man ihm ausdrücklich zugutehalten: Aufgesang deklariert das Konzept offen als Eigenentwicklung, nicht als wissenschaftlichen Fachbegriff. Kopp bezeichnet sich selbst als dessen Erfinder. Das ist redlicher als vieles, was mir sonst im GEO-Umfeld begegnet, wo Branchenhypothesen gerne im Duktus etablierter Wissenschaft vorgetragen werden.
Die Definition lautet sinngemäß: LLM-Lesbarkeit beschreibt, wie gut Inhalte von großen Sprachmodellen verarbeitet und verstanden werden können. Genannt werden Dimensionen wie Sprachqualität, Strukturierung, Chunk-Relevanz, Informationshierarchie (Antwort zuerst, im Sinne der Minto-Pyramide), Kontextmanagement und Konsistenz. Daraus abgeleitet gibt es konkrete Zielwerte – etwa Absätze unter 400 Zeichen und Gesamtlängen von 1.200 bis 1.500 Wörtern – sowie einen proprietären Score in Aufgesangs Toolsuite.
Als Audit-Rahmen finde ich das nicht verkehrt. Diese Dimensionen sind sämtlich Dinge, über die man beim Content-Review sinnvoll nachdenkt. Mein Problem beginnt an einer anderen Stelle: bei der Frage, woher die konkreten Zahlen kommen und was sie bewirken sollen.
Drittens: Die Belegkette hält nicht, was sie verspricht
Das Konzept beruft sich auf Forschung und Patente – im Kern auf zwei Quellen. Ich habe beide gelesen.
1. Das GINGER-Paper (Łajewska & Balog, Universität Stavanger, arXiv:2503.18174) beschreibt eine modulare RAG-Pipeline, die Antworten aus sogenannten „information nuggets“ zusammensetzt. Das ist ein systeminternes Verfahren zur Antwortgenerierung aus bereits abgerufenen Dokumenten. Das Paper untersucht weder Absatzlängen noch Überschriftenformate noch Zitationsraten in Abhängigkeit vom Schreibstil. Es sagt nichts darüber, wie man Webseiten schreiben sollte.
2. Das Google-Patent US12158907B1 („Thematic Search“) ist ergiebiger – und es ist tatsächlich aktuell: Die Priorität reicht auf den 16. Mai 2023 zurück, erteilt wurde es am 3. Dezember 2024. Es beschreibt passage-basierte Verarbeitung – ein Passage ist dort definiert als „a paragraph of a responsive document, e.g., as defined by one or more HTML elements“ – und eine Zusammenfassung pro Passage durch ein Sprachmodell. Nur: Die im Patent genannten Ranking-Signale sind Query-Relevanz, Qualität, Autorität, Popularität, Backlinks, Nutzererfahrung, Social Signals und Aktualität. Lesbarkeit taucht dort nicht auf.
An dieser Stelle bin ich in einer früheren Fassung dieses Artikels selbst zu großzügig gewesen. Ich hatte geschrieben, damit sei „die strukturelle Prämisse belegt: Ja, diese Systeme arbeiten auf Passage-Ebene“. Das ist zu unpräzise formuliert – und zwar in genau der Weise, die den ganzen Diskurs unscharf macht.
Drei Ebenen, die ständig verwechselt werden
Wer über Passagen redet, muss sagen, welche Ebene gemeint ist:
Indexierungseinheit: Was wird als adressierbarer Eintrag im Index gespeichert? Klassisch: die Seite bzw. das Dokument.
Retrieval-Einheit: Was gibt die erste Suchstufe als Kandidaten zurück? Dokument oder Passage – je nach Architektur.
Scoring-Einheit: Auf welcher Granularität wird Relevanz berechnet? Kann feiner sein als die Indexierungseinheit.
In der Information-Retrieval-Forschung existieren beide Architekturen nebeneinander. Dense Passage Retrieval (Karpukhin et al., EMNLP 2020) und ColBERT indexieren tatsächlich auf Passage-Ebene: Der Passage-Encoder erzeugt zur Indexierungszeit einen Vektor pro Passage, das Retrieval läuft über Vektorähnlichkeit. Die MaxP-/FirstP-Familie (Dai & Callan, SIGIR 2019) macht das Gegenteil: Kandidaten kommen aus einem klassischen Dokumentindex, werden dann in überlappende Fenster zerlegt, passagenweise bewertet und wieder zum Dokument-Score aggregiert.
Diese Varianten schließen sich nicht prinzipiell aus – ein komplexes System kann durchaus einen Dokumentindex besitzen, darin Segmentrepräsentationen führen und anschließend Kandidatenpassagen aus den Gewinnerdokumenten reranken. Der Fehler liegt woanders: darin, all das unter einem Etikett zusammenzufassen und die Ebene nicht zu benennen. Und das Patent belegt Passage-Level-Verarbeitung, nicht Passage-Level-Indexierung.
Das Thematic-Search-Patent beschreibt selbst Document-first
Hier wird es für die Belegkette richtig unangenehm, denn das Patent, das als Kronzeuge für passage-zentrierte Verarbeitung herangezogen wird, beschreibt tatsächlich den umgekehrten Ablauf.
In der Patentschrift erhält die Suchmaschine zunächst Suchergebnisse mit einem Set „responsive documents“. Diese werden an die Thematic Search Engine übergeben, die anschließend deren Inhalt analysiert und daraus Themes erzeugt. In einer Ausführungsform werden ausdrücklich die Top-X-Suchergebnisse ausgewählt, um aus deren Content Themen abzuleiten. Die Claims formulieren denselben Ablauf:
Das ist eine Document-first-Architektur: erst Dokumente abrufen, dann Passagen daraus erzeugen. Kopp referiert diesen Ablauf in seinem Artikel sogar korrekt – er beschreibt, dass zunächst Top-N-Dokumente, etwa 10 bis 100 URLs, abgerufen und gerankt werden und diese danach in kleinere Passagen zerlegt werden.
Dann folgt allerdings der Satz, an dem die Argumentation kippt:
„This process describes how AI Overviews and, in part, AI Mode, operate.“
Genau dieser Schluss ist durch das Patent nicht gedeckt. Ein Patent belegt, dass Google eine Erfindung angemeldet hat. Es belegt nicht, dass sie in einem Produkt läuft, nicht, dass AI Overviews sie verwendet, und schon gar nicht, welchen Anteil sie dort hätte. Bemerkenswert ist eher das Gegenteil: Die Document-first-Struktur des Patents ist ausgerechnet mit Googles offizieller Beschreibung von AI Overviews kompatibel – Core-Search-Ranking → Seiten aus dem Index → spezifische Informationen aus diesen Seiten → Generierung. Das Patent stützt also, wenn überhaupt, das Modell, gegen das im GEO-Diskurs argumentiert wird.
Das ist meines Erachtens das zentrale methodische Problem: Patent-Kompatibilität wird wie ein Implementierungsnachweis behandelt.
Was Google zur Indexierungsebene tatsächlich gesagt hat
Zu genau dieser Frage gibt es eine ungewöhnlich deutliche offizielle Aussage. Google kündigte im Oktober 2020 auf dem Search-On-Event „passage indexing“ an – und ruderte binnen Tagen zurück. Danny Sullivan damals wörtlich auf Twitter:
„We are not indexing passages. Period.“
Zum tatsächlichen Rollout im Februar 2021 (zunächst nur englischsprachige Queries in den USA) formulierte Google offiziell:
„This change doesn’t mean we’re indexing individual passages independently of pages. We’re still indexing pages and considering info about entire pages for ranking. But now we can also consider passages from pages as an additional ranking factor.“
Google hat den Namen des Features deshalb korrigiert: Es heißt seither Passage Ranking, nicht Passage Indexing. Im aktuellen „Guide to Google Search’s ranking systems“ steht es weiterhin als aktives System – definiert als System, das einzelne Abschnitte einer Webseite identifiziert, um besser einzuschätzen, wie relevant die Seite für eine Suche ist.
Der belastbare Befund lautet damit eng, aber klar:
Google dokumentiert passage-aware Ranking, aber keinen Passage-First-Webindex als Grundlage von Google Search.
Das Umgekehrte lässt sich natürlich ebenso wenig beweisen – Google veröffentlicht seine Indexarchitektur nicht vollständig. Ergänzend passt aber, was sich aus der geleakten Content-Warehouse-Dokumentation verifizieren lässt: Dokumentiert sind pageEmbedding, siteEmbedding, siteFocusScore und siteRadius, also Repräsentationen auf Seiten- und Site-Ebene. Ein Feld für einen dedizierten Passage-Embedding-Store ist nicht verifizierbar.
Für die LLM-Readability-Debatte ist das entscheidend. Wenn die Seite die Indexierungseinheit bleibt und Passagen ein zusätzliches Signal innerhalb der Seite sind, dann ist das Zerlegen einer Seite in viele kleine Einheiten nicht nur unnötig – es arbeitet gegen die Ebene, auf der bewertet wird.
Und ein Wort zur Beweiskraft von Patenten
Patente sind schwache Evidenz für Produktionssysteme. Sie werden bewusst breit formuliert, um Implementierungsspielraum zu schützen, und viele werden nie umgesetzt. John Mueller hat das im Februar 2021 – zufällig fast zeitgleich mit dem Passage-Ranking-Rollout – so gesagt:
„just because it’s patented from Google, and maybe even from someone who works on search, doesn’t mean that we actually use it in search.“
Dazu kommt ein Datierungsproblem, das im Diskurs regelmäßig untergeht. Die zentralen „Answer Passage“-Patente, die in solchen Argumentationsketten auftauchen, stammen sämtlich aus dem Jahr 2014: Context scoring adjustments for answer passages hat Priorität vom 31. Januar 2014, Weighted answer terms for scoring answer passages und Scoring candidate answer passages jeweils vom August 2014. Sie beschreiben ausdrücklich ein Answer-Box-Szenario: Query als Frage erkennen, Ressourcen finden, Kandidatenpassagen erzeugen, diese über Answer Terms und Heading-Kontext bewerten, eine davon in einer Antwortbox anzeigen.
Das ist die Featured-Snippet-Ära: vor BERT, vor Transformer-basiertem Retrieval, vor LLMs. Diese Verfahren waren die Antwort auf die Frage, wie man ohne neuronale Sprachmodelle eine passende Antwortpassage aus einem Dokument zieht.
Wer sie als Fundament heutiger KI-Suche präsentiert, konstruiert eine Kontinuität, wo tatsächlich ein Technologiebruch liegt. Und die Kette „Phrase Indexing → Passage Retrieval → Generative Retrieval“ suggeriert eine Entwicklung entlang einer Achse, obwohl mindestens drei voneinander unabhängige Achsen vermischt werden:
Diese Achsen sind weitgehend orthogonal. Ein Passage-Retriever kann BM25 nutzen. Ein Dokument-Retriever kann Dense Embeddings nutzen. Die zeitliche Kontinuität des Wortes passage ist keine Kontinuität der Implementierung.
Der Schluss von „das System verarbeitet Passagen“ auf „also werden kurze Absätze und Answer-first-Formulierungen häufiger zitiert“ ist damit eine Inferenz, keine Ableitung. Sie ist plausibel. Sie ist nicht belegt. Und die spezifischen Schwellenwerte – warum 400 Zeichen und nicht 350 oder 600? – haben in den zitierten Dokumenten überhaupt keine Grundlage.
Das ist der Punkt, an dem ich als Wissenschaftler unruhig werde: Eine plausible Hypothese wird durch Verweis auf reale Forschung mit einer Autorität ausgestattet, die diese Forschung nicht hergibt.
Viertens: Wer chunkt hier eigentlich?
Es gibt einen Einwand gegen meine Argumentation, der ernst genommen werden muss, und er lautet: Moderne KI-Suche ist doch RAG, und RAG arbeitet nun einmal mit Chunks. Ein Chunk ist konzeptionell eine Passage. Also ist Passage-Level-Verarbeitung doch die Realität.
Das stimmt – und ich will das ausdrücklich nicht kleinreden. Passage-Level-Retrieval ist alles andere als ein überholtes Pre-LLM-Konzept. Im Gegenteil: Dense Passage Retrieval und das ursprüngliche RAG-Paper von Lewis et al. sind beide 2020 erschienen und damit Produkte der Transformer-Ära. Sie haben Passagen zu Einträgen eines modernen Vektorindex gemacht. Wer behauptet, Passage Retrieval sei ein Relikt aus der Zeit vor BERT, hat die Chronologie schlicht falsch.
Die interessante Frage ist deshalb nicht, ob auf Passage-Ebene gearbeitet wird, sondern wer diese Passagen erzeugt.
Was die Anbieter dokumentieren
Die Antwort ist erfreulich gut belegt, weil vier große Anbieter ihre Chunking-Defaults offenlegen:
System
Chunkgröße (Default)
Overlap
OpenAI Vector Stores / File Search
max. 800 Token
400 Token
Google RAG Engine / Agent Search
1.024 Token
256 Token
AWS Bedrock Knowledge Bases (fixed size)
300 Token
20 %
Microsoft Azure AI Search
kein fester Default dokumentiert
–
Googles Vertex-AI-Dokumentation beschreibt die Pipeline am vollständigsten: Der Document AI Layout Parser zerlegt ein Dokument entlang seiner Layout-Entitäten in Chunks, diese werden eingebettet, über Vector Search abgerufen und anschließend durch eine Ranking-API neu sortiert. Azure formuliert das Ziel explizit so, dass die Teile eines großen Dokuments unabhängig voneinander gematcht werden können.
Daraus folgen zwei Dinge, die dem gängigen Ratschlag direkt widersprechen.
Erstens: Die Chunk-Grenzen setzt der Parser, nicht der Autor. Ich kann beeinflussen, wo Überschriften und Absätze stehen – aber die Segmentierung selbst ist eine Systementscheidung, und sie orientiert sich an Layout-Entitäten oder festen Tokenfenstern, nicht an meiner Zeichenzahl. Hinzu kommt die Überlappung: Wenn benachbarte Chunks sich um 20 % bis 50 % überschneiden, ist die Frage, wo genau eine Grenze verläuft, für das Retrieval-Ergebnis weitgehend entschärft. Überlappende Chunked Embeddings sind exakt dafür gebaut, dass ein zusammenhängender Gedanke nicht an einer Segmentgrenze zerreißt.
Zweitens: Die Größenordnungen passen nicht zusammen. 400 Zeichen entsprechen im Deutschen grob 60 bis 90 Token. Die dokumentierten Chunkgrößen liegen zwischen 300 und 1.024 Token – also etwa beim Drei- bis Fünfzehnfachen. Selbst am unteren Ende der Skala, bei AWS, passen mehrere solcher Mikro-Absätze in einen einzigen Chunk; bei Google sind es zehn bis fünfzehn. Die Fragmentierung ist auf der Systemebene damit weitgehend unsichtbar. Sichtbar ist sie nur für die Leserinnen und Leser, denen man den Gedankengang zerhackt hat.
Wichtige Einschränkung, damit ich nicht denselben Fehler mache, den ich kritisiere: Diese Systeme sind nicht die Google-Websuche. Es sind Enterprise-RAG-Produkte mit eigener Architektur. Ich leite daraus nicht ab, dass AI Overviews oder ChatGPT Search genauso funktionieren. Aber es sind die einzigen Stellen, an denen die Hersteller konkret dokumentieren, wie ihre RAG-Systeme chunken – und damit ein erheblich besserer Anhaltspunkt als jede Patentexegese.
Die Entwicklung geht nicht zu kleineren Einheiten
Der vielleicht wichtigste Befund gegen „schreib kleiner“ kommt aus der jüngeren Forschung, und er zeigt in die entgegengesetzte Richtung.
LongRAG kritisiert ausdrücklich, dass klassische Retrieval-Einheiten zu kurz seien – DPR arbeitete typischerweise mit Wikipedia-Passagen von rund 100 Wörtern. Kurze Chunks verlieren Kontext und erzeugen schwer unterscheidbare Kandidaten. LongRAG experimentiert deshalb mit Retrieval-Einheiten von rund 4.000 Token und bei manchen Datensätzen mit ganzen Dokumenten als Retrieval-Einheit.
RAPTOR setzt am selben Problem an: Flache Chunk-Listen erfassen den globalen Dokumentkontext schlecht. Das System baut deshalb rekursive Cluster und Zusammenfassungen über den Chunks auf und kann auf verschiedenen Abstraktionsebenen abrufen.
Late Chunking schließlich hält an Chunks als Abrufeinheit fest, verwirft aber deren isolierte Einbettung: Erst läuft ein längerer Textkontext durch den Transformer, danach werden die einzelnen Chunk-Repräsentationen daraus abgeleitet. Verbesserungsbedürftig ist also nicht die Passage als Retrieval-Einheit, sondern ihre kontextfreie Repräsentation.
Mit wachsenden Kontextfenstern wird die optimale Retrieval-Einheit tendenziell größer, nicht kleiner. Wer heute seine Absätze auf 400 Zeichen kürzt, optimiert nicht nur an einer Stellschraube, an der er nicht sitzt – er optimiert auf einen Trend, der sich gerade umkehrt.
Wo die tatsächlichen Qualitätshebel in solchen Pipelines liegen, lässt sich ebenfalls belegen. Anthropic hat 2024 für seinen „Contextual Retrieval“-Ansatz gemessen: Kontextualisierte Embeddings senkten die Fehlerrate beim Abruf der Top-20-Chunks von 5,7 % auf 3,7 %; kombiniert mit kontextualisiertem BM25 auf 2,9 %; mit vorgeschaltetem Reranking auf 1,9 % – eine Reduktion um 67 %. Der größte Einzelhebel ist die Reranking-Stufe. Sie sitzt im System, nicht im Text.
Fünftens: Was die kontrollierte Forschung tatsächlich zeigt
Und hier wird es interessant, denn die Evidenzlage hat sich in den letzten zwei Jahren erheblich gedreht – von optimistisch zu ernüchternd.
Etappe 1: Das GEO-Paper (KDD 2024)
Aggarwal et al. führten mit GEO-bench (10.000 Queries) neun Optimierungsmethoden gegen unveränderte Baseline-Inhalte ins Feld. Ergebnis: bis zu 40 % mehr Sichtbarkeit. Das ist die Zahl, die seither durch alle Präsentationen geistert.
Nur schaut kaum jemand nach, wodurch diese Gewinne entstanden. Die stärksten Effekte kamen aus dem Hinzufügen von Statistiken, Zitaten und Quellenangaben – also aus Substanz, nicht aus Formatierung. Reine Fluency- und Lesbarkeitsbearbeitungen lagen mit 15 bis 30 % deutlich darunter. Und die viel zitierte Kombination „Fluency + Statistics“ wurde aus Kostengründen nur an einem Subset von 200 Beispielen getestet.
Wichtiger noch ist die Messgröße: Das Paper misst überwiegend Position-Adjusted Word Count – also wie viele Wörter der generierten Antwort einer Quelle zuzurechnen sind – und ein von GPT‑3.5 vergebenes Subjective Impression. Das ist nicht dasselbe wie die kompetitive Wahrscheinlichkeit, als Quelle ausgewählt zu werden.
Etappe 2: C-SEO Bench (NeurIPS 2025)
Genau diese Gleichsetzung greift C-SEO Bench an. Über 1.900 Queries, mehr als 16.000 Dokumente, sechs Domänen – und diesmal wird explizit Citation Rank gemessen, nicht Wortanteil.
Das Ergebnis ist für die GEO-Branche unangenehm: Von 54 untersuchten Konstellationen aus Methode, Domäne und Task waren ganze drei statistisch signifikant besser. Für die reine QA-Aufgabe funktionierte keine einzige Methode. Was dagegen massiv wirkte: die Position eines Dokuments im Kontext. Ein Dokument an die erste Stelle zu bringen, brachte mehr als jede getestete Content-Optimierung.
Übersetzt: Retrieval schlägt Rewriting. Deutlich.
Das fügt sich nahtlos an den vorherigen Abschnitt: Wenn die Reranking-Stufe der größte Hebel im System ist und die Kontextposition der größte Hebel im Ergebnis, dann liegen beide dominanten Faktoren außerhalb der Textformatierung.
Etappe 3: „What Gets Cited“ (SIGIR 2026)
Das ist derzeit der methodisch sauberste Test, den wir haben: 252.000 Trials über sechs LLMs, 18 isoliert variierte Content-Faktoren, matched-pair-Design (zwei Quellen unterscheiden sich in genau einem Merkmal), anonymisierte Marken, gegenbalancierte Reihenfolge, konstant gehaltene Länge.
Das Fazit der Autoren im Abstract: Themenrelevanz und Listenposition sind die stärksten Treiber, explizite Preisangaben und aktuelle Zeitstempel helfen konsistent, Vollständigkeit und Trust-Signale bringen kleinere Zuwächse – und „formatting-only edits have little impact.“
Konkret: „Structured vs. dense“ ergab Odds Ratios zwischen etwa 0,78 und 1,68 ohne modellübergreifenden Konsens. „Organized vs. scattered“ ebenfalls schwach und uneinheitlich. Beide Formatierungsfaktoren landen in der Auswertung bei den Faktoren ohne konsistenten Effekt.
Das ist die derzeit stärkste direkte Evidenz gegen die Vorstellung, Überschriften, Listen oder besonders kleine Chunks erzeugten für sich genommen einen universellen Zitationsbonus.
Und die Studien, die das Gegenteil zeigen?
Die gibt es – aber sie sind rein korrelativ. Semrush hat 2026 rund 11.900 Prompts, über 300.000 KI-zitierte URLs und knapp 338.000 einzigartige URLs analysiert und gefunden: „Clarity and summarization“ war in der zitierten Gruppe um 32,83 % stärker ausgeprägt, Q&A-Format um 25,45 %, Section Structure um 22,91 %.
Klingt vielleicht überzeugend, ist aber kein A/B-Test. Die Positivgruppe waren KI-Zitationen, die Vergleichsgruppe Google-Top-20-Seiten. Diese Gruppen unterscheiden sich in Autorität, Contenttyp, Thema, Publisher-Qualität und einem Dutzend weiterer nicht kontrollierter Variablen. Semrush selbst warnt an einer Stelle explizit vor kausaler Interpretation, als ein Tone-Effekt überraschend negativ ausfiel – was ich anständig finde, aber in der Weiterverwertung durch Dritte regelmäßig untergeht.
Ähnlich gelagert: Ein häufig zitiertes englischsprachiges Experiment zur LLM Readability weist einen Unterschied von 23,3 Prozentpunkten bei Perplexity-Zitationen aus – bei p = 0,07. Also statistisch nicht signifikant, bei kleiner Stichprobe. Das ist ein Hinweis auf eine Forschungsrichtung, kein Beleg.
Die Faustregel, die ich mir dabei angewöhnt habe: 338.000 beobachtete URLs schlagen 252.000 kontrollierte Trials nicht. Stichprobengröße ersetzt kein Design.
Sechstens: Was die Plattformen selbst sagen
Hier wird es für die Chunking-These richtig unbequem. Im „Search Off the Record“-Podcast (veröffentlicht am 8. Januar 2026) sagte Danny Sullivan wörtlich:
„One of the things I keep seeing over and over … is that turn your content into bite-sized chunks, because LLMs like things that are really bite size, right? … So we don’t want you to do that. I was talking to some engineers about that. We don’t want you to do that. We really don’t.“
Das ist für Google-Verhältnisse eine bemerkenswert unmissverständliche Ansage. Sullivan räumte im selben Kontext auch mit der Vorstellung auf, Überschriften müssten „semantisch präzise für KI“ formuliert werden.
Bemerkenswert finde ich vor allem die Konstanz. Es ist derselbe Sprecher, der 2020 klargestellt hat, dass Google keine Passagen indexiert, und der 2026 klarstellt, dass man Seiten nicht zerhacken soll. Über fünf Jahre, zwei Technologiegenerationen und mehrere Produktnamen hinweg lautet die Aussage unverändert: Die Seite ist die Einheit, nicht das Fragment.
Googles offizielle Guidance zu generativen Search-Funktionen (Stand Mai bzw. Juli 2026) ergänzt: AI Overviews und AI Mode bauen auf den bestehenden Search-Ranking- und Qualitätssystemen auf; es gibt kein AI-spezifisches Schema, keine ideale Seitenlänge, keine Notwendigkeit, Seiten in „tiny pieces“ zu zerlegen – Google kann mehrere Themen auf einer Seite differenzieren –, und llms.txt wird von Google Search schlicht ignoriert. Das Wort „chunking“ taucht in dieser Guidance ausdrücklich unter den Dingen auf, die Publisher für Google Search nicht tun müssen.
Wichtig für die faire Lesart: Google lehnt nicht gute Struktur ab. Klare Absätze, sinnvolle Abschnitte und Überschriften werden ausdrücklich empfohlen. Abgelehnt wird das Fragmentieren für Maschinen. Das ist ein feiner, aber entscheidender Unterschied – und exakt die Unterscheidung, um die es in diesem Artikel geht.
Und was ist mit Microsoft?
Das ist der Einwand, der in dieser Debatte regelmäßig kommt: Microsoft empfehle in seinen Publisher-Hinweisen doch ausdrücklich chunk-freundliches Schreiben. Ich habe mir den Text deshalb genauer angesehen – und das Ergebnis ist differenzierter, als beide Lager es gerne hätten.
Was der Artikel nicht ist: Systemdokumentation. Microsoft schreibt dort von „parsing“, nicht von Chunking als technischem Verfahren. Es finden sich keine Angaben dazu, wie groß solche Einheiten in Token oder Wörtern sind, ob Überschriften feste Grenzen bilden, ob mit Überlappung gearbeitet wird, ob Passagen separat indexiert werden, ob zuerst Dokumente abgerufen und dann Passagen extrahiert werden, oder ob Embeddings, klassische Indizes, Reranker oder eine Kombination zum Einsatz kommen.
Anders gesagt: Alle vier denkbaren Architekturvarianten – vorab erzeugter Passagenindex, Dokumentindex mit nachgelagerter Passagenextraktion, hybrides Retrieval mit Reranking, oder klassische Snippet-Extraktion plus LLM-Synthese – wären mit dem Text vereinbar. Aus diesem Artikel lässt sich deshalb nicht ableiten, dass Bing oder Copilot ein bestimmtes Passage-Indexing-Verfahren einsetzen. Es ist eine redaktionelle Empfehlung.
Was der Artikel aber tatsächlich empfiehlt, ist wertvoll – und es ist nicht das, was ihm zugeschrieben wird. Microsoft rät ausdrücklich nicht dazu, in 300-Wörter-Blöcken zu schreiben, und warnt sogar davor, jede Zeile in einen Bulletpoint zu verwandeln. Empfohlen wird modulares Schreiben entlang semantisch vollständiger Informationseinheiten. Der stärkste Einzelpunkt ist dabei die Forderung nach „self-contained phrasing“: Ein Satz soll noch verständlich sein, wenn man ihn aus der Seite herauslöst.
Also nicht:
Damit ist es dafür besonders gut geeignet.
Sondern:
Der Geschirrspüler eignet sich aufgrund seines Geräuschpegels von 42 dB besonders für offene Wohnküchen.
Problematisch sind entsprechend hängende Rückverweise: „dieses Modell“, „diese Lösung“, „wie oben beschrieben“, „dadurch“, „in diesem Fall“. Ein herausgelöster Ausschnitt sollte die Entität, die Aussage, den nötigen Kontext und gegebenenfalls Maßeinheit oder Bedingung enthalten.
Das halte ich für richtig – und zwar aus einem Grund, der mit KI wenig zu tun hat: Es ist schlicht besseres Fachschreiben. Wer Pronomen über Absatzgrenzen hinweg auflösen muss, verliert auch menschliche Leser, die quer einsteigen. Der Punkt taucht in jedem Redaktionshandbuch auf, das älter ist als ChatGPT.
Entscheidend ist deshalb, was hier nicht dasselbe ist: Selbsttragende Formulierung und Fragmentierung sind zwei verschiedene Dinge. Ein 800 Zeichen langer Absatz kann vollständig selbsttragend sein. Vier 200-Zeichen-Absätze können es sämtlich nicht sein, weil jeder auf den vorigen verweist. Wer „Microsoft empfiehlt Chunking“ ruft, verwechselt genau diese beiden Ebenen.
Die übrigen Plattformen
Bei OpenAI ist die Dokumentation vor allem eine Zugangsfrage: Wer OAI-SearchBot aussperrt, erscheint regulär nicht in ChatGPT-Search-Antworten. Trainingszugriff über GPTBot ist davon unabhängig steuerbar. Für den Atlas-Agenten empfiehlt OpenAI ARIA-konforme Accessibility – das ist Agent-Kompatibilität, kein Zitationssignal. Microsoft nennt in seinen Publisher-Empfehlungen im Übrigen keine kontrollierten Effektgrößen. Autoritativ als Best Practice, nicht gleichwertig mit einem 252.000-Trial-Experiment.
Siebtens: Der Test, der ganz ohne Studien auskommt
Bis hierhin ging es um Belege. Jetzt kommt das Argument, das mir am wichtigsten ist, weil es unabhängig von jeder Studie funktioniert – auch dann, wenn morgen jemand die gesamte oben referierte Evidenzlage umstößt.
Stellen wir uns vor, es erscheint eine methodisch einwandfreie Untersuchung, die zweifelsfrei zeigt: Zwischenüberschriften haben null Einfluss darauf, ob ein Text von einem Sprachmodell zitiert wird. Null.
Hören Sie dann auf, Zwischenüberschriften zu setzen?
Natürlich nicht. Sie würden es keine Sekunde erwägen, weil Zwischenüberschriften nie wegen der Maschinen da waren. Womit gezeigt ist, dass die GEO-Begründung für diese Entscheidung irrelevant ist. Sie ändert nichts. Sie ist Dekoration auf einer Handlung, die ohnehin feststeht.
Eine Begründung, die keine Entscheidung ändert, wäre im besten Fall überflüssig. Diese hier ist es nicht, sondern richtet aktiv Schaden an – auf drei Wegen.
Sie macht eine richtige Praxis fragil. Wer Struktur mit Zitationsraten begründet, hat sie an eine Kennzahl gekoppelt, die volatil ist, von Anbietern definiert wird und morgen anders aussehen kann. Sobald das nächste Tool meldet, dass die Sichtbarkeit trotz perfektem Score gesunken ist, steht die gesamte Maßnahme zur Disposition. Eine Praxis, die auf Leserverständnis gegründet ist, steht dagegen bombenfest, weil sich Menschen nicht quartalsweise updaten.
Sie verschiebt das Optimierungsziel. Sobald der Score die Zielgröße ist, gewinnt der Text, der den Score maximiert – nicht der, den man gerne liest. Und diese beiden Optima fallen auseinander. Ein Argument, das über drei Absätze trägt, ist unter jedem Chunk-Score schlechter als drei zusammenhanglose Behauptungen. Das ist kein hypothetisches Risiko: Ich sehe seit einem Jahr Ratgebertexte, in denen jeder Absatz für sich steht und die zusammen keinen einzigen Gedanken entwickeln.
Sie entwertet das Handwerk. Wenn strukturiertes Schreiben zur technischen Compliance-Übung wird, verschwindet die Abwägung. Niemand fragt mehr, welche Lesestrategie hier eigentlich bedient werden soll. Man hakt ab. Und Abhaken produziert genau die austauschbaren, gleichförmigen Texte, über die sich dieselbe Branche anschließend beschwert.
Das ist der Grund, warum ich diesen Artikel überhaupt geschrieben habe. Die Belegkette zu prüfen ist Fleißarbeit. Der eigentliche Punkt ist, dass wir gerade dabei sind, eine gute Regel mit einer schlechten Begründung zu ruinieren.
Achtens: Der deutschsprachige Sonderfall
Ein Aspekt, der im Diskurs fast völlig fehlt: Praktisch die gesamte belastbare GEO-Evidenz ist englischsprachig. C-SEO Bench arbeitet ausschließlich mit englischem Content und warnt explizit vor unkritischer Übertragung auf andere Sprachen. Robuste deutschsprachige Citation-Benchmarks existieren nicht.
Für die Lesbarkeitsseite gibt es immerhin eine Studie, die ich sehr instruktiv finde: Miftaroski et al. haben 2026 in JMIR AI 60 deutsche medizinische Texte mit vier LLMs vereinfachen lassen. Drei der vier Systeme verbesserten Flesch- und Wiener-Sachtextformel-Werte signifikant – im Mittel allerdings nur moderat, und das angestrebte Niveau wurde oft nicht erreicht. Gleichzeitig fanden die Autoren in einzelnen vereinfachten Texten falsche und aus dem Kontext gelöste Aussagen und empfehlen ausdrücklich fachliche Kontrolle.
Das ist die Warnung, die ich am ernstesten nehme: Leichter lesbar kann sachlich schlechter bedeuten. Wer Lesbarkeitswerte zum Optimierungsziel macht, ohne Faktentreue zu prüfen, verbessert eine Kennzahl und verschlechtert das Produkt.
Dazu passt ein Befund aus EMNLP 2025: Bei Plain-Language-Summaries korrelierten sechs von acht klassischen Lesbarkeitsmetriken mit menschlichen Urteilen schwächer als r = 0,3. Der beste sprachmodellbasierte Bewerter kam auf etwa r = 0,56. Flesch, Flesch-Kincaid und Wiener Sachtextformel sind nützliche Diagnosewerte – aber sie sind keine Qualitätsmetriken. Sie messen Oberfläche: Satzlänge, Wortlänge, Silbenzahl. Nicht Verständnis.
Handlungsempfehlungen – sortiert nach Begründung
Jetzt der praktische Teil. Ich halte nichts von Listen, in denen alles gleich wichtig aussieht, deshalb steht bei jedem Punkt die Evidenzstärke und meine eigene Einschätzung dabei.
Und ich sortiere bewusst nicht nach Wichtigkeit, sondern nach Begründungstyp. Denn genau das ist der Punkt dieses Artikels: Es macht einen Unterschied, warum man etwas tut. Wer die Gruppen A bis D auseinanderhält, wird von der nächsten Studie nicht überrascht.
A. Weil es technisch nötig ist
Das sind die einzigen Maßnahmen, die tatsächlich wegen dieser Systeme existieren. Sie haben fast alle nichts mit Schreiben zu tun.
A1 – Retrieval zuerst. Immer.
Was: Crawlbarkeit, Indexierung, Rendering, technische Sauberkeit, klassische Relevanz und Rankingstärke.
Evidenz: stark. C-SEO Bench zeigt, dass Kontextposition jede getestete Content-Optimierung schlägt. Google bestätigt, dass generative Features auf dem Core-Ranking aufsetzen.
Meine Einordnung:
Das ist der langweiligste und mit Abstand wichtigste Punkt. Eine Seite, die nicht abgerufen wird, kann nicht zitiert werden – egal wie „LLM-lesbar“ sie ist. Ich sehe in der Praxis regelmäßig Teams, die Absatzlängen optimieren, während ihre Seite hinter einem JavaScript-Rendering-Problem oder einer schwachen internen Verlinkung verschwindet. Das ist, als würde man die Schriftart auf einem Plakat optimieren, das im Keller hängt. Wer nur eine Sache aus diesem Artikel mitnimmt: Das hier ist die Sache. Und es ist bemerkenswert, dass der wirksamste „GEO-Hebel“ damit klassisches SEO ist – das verkauft sich schlecht, stimmt aber.
A2 – Crawler-Zugang bewusst steuern
Was: OAI-SearchBot für ChatGPT-Search zulassen, GPTBot separat entscheiden. Meta-ExternalAgent, Bing-Crawler und die übrigen prüfen. Robots.txt und WAF-Regeln gegeneinander abgleichen.
Evidenz: stark (offizielle Plattformdokumentation).
Meine Einordnung:
Das ist keine Optimierung, sondern eine Ja/Nein-Weiche – und ich finde erstaunlich oft, dass sie versehentlich auf „Nein“ steht. Meist nicht in der robots.txt, sondern in einer Bot-Protection-Regel, von der das SEO-Team nichts weiß. Aufwand: eine Stunde. Hebel: binär. Das ist das beste Aufwand-Nutzen-Verhältnis in diesem ganzen Themenfeld.
B. Weil es inhaltlich richtig ist – und nebenbei messbar wirkt
Diese Punkte haben eine doppelte Begründung, und beide tragen unabhängig voneinander. Das macht sie zu den sichersten Investitionen der Liste.
B1 – Genau die Informationsaufgabe beantworten, nach der gefragt wird
Was: Topische Passung zwischen Query-Intent und Inhalt.
Evidenz: stark. Themenrelevanz ist im SIGIR-Experiment einer der beiden dominanten Faktoren.
Meine Einordnung:
Klingt trivial, ist es nicht. Der häufigste Fehler ist nicht mangelnde Struktur, sondern dass eine Seite ein Thema umkreist, statt eine Frage zu beantworten. Ein Text über „Vorteile von Wärmepumpen“ beantwortet nicht die Frage „Lohnt sich eine Wärmepumpe im Altbau von 1960 ohne Fußbodenheizung?“. Wenn ich einen einzigen Content-Hebel wählen müsste, wäre es dieser – und er hat nichts mit Formatierung zu tun, sondern mit Recherche.
Was: Preise, Spezifikationen, Bedingungen, Einschränkungen, Zahlen. Also die Angaben, ohne die niemand entscheiden kann.
Evidenz: stark im Commerce-Kontext, moderat verallgemeinert. Im SIGIR-Experiment hatten explizite Preisangaben und Spezifikationen substanzielle, modellübergreifend konsistente Effekte.
Meine Einordnung:
Das ist der unterschätzteste Punkt der Liste. Viele B2B-Seiten verstecken Preise („Preis auf Anfrage“), viele Ratgeber weichen konkreten Zahlen aus. Ein Modell, das zwischen zwei Quellen wählt, greift zu der, die die Frage tatsächlich beantwortet. Ich vermute – ausdrücklich als Hypothese –, dass dieser Faktor in vielen deutschen B2B-Vertikalen mehr Unterschied macht als alles, was unter „LLM Readability“ firmiert. Nebeneffekt: Es hilft auch Menschen.
B3 – Aussagen mit echter Evidenz unterfüttern
Was: Primärquellen, eigene Daten, nachvollziehbare Belege, konkrete Zahlen.
Evidenz: moderat bis stark. Sowohl das GEO-Paper (Statistiken, Zitate, Quellen als stärkste Interventionen) als auch SIGIR („evidence vs. no evidence“) finden hier positive Effekte.
Meine Einordnung:
Wichtig – aber mit einer Warnung, die ich nicht deutlich genug aussprechen kann. Die verbreitete Fehllesart des GEO-Papers lautet „einfach mehr Statistiken einbauen“. Das Paper zeigt Vorteile für relevante, echte Belege, nicht für erfundene Zahlen. Wer anfängt, Prozentwerte zu erfinden, um einen Proxy zu bedienen, betreibt Content-Betrug und riskiert seine Reputation für einen Effekt, der bei breiter Adoption ohnehin verschwindet. Eigene Daten sind hier der ehrlichste und zugleich verteidigungsfähigste Weg: Sie lassen sich nicht kopieren.
Evidenz: moderat bis stark, vertikalenabhängig. „Recent vs. old“ war im SIGIR-Experiment ein starker Faktor; Bing empfiehlt Freshness-Signale explizit.
Meine Einordnung:
Zustimmung mit einer Einschränkung, die mir wichtig ist: Gemeint ist inhaltliche Aktualität, nicht das Umschreiben des Datums im Frontmatter. Letzteres ist ein Trick, ersteres ist Arbeit. Und die Relevanz variiert extrem: Bei „Steuerfreibetrag 2026“ ist Aktualität alles, bei „Wie funktioniert ein Otto-Motor“ nahezu nichts. Wer alles quartalsweise „aktualisiert“, verbrennt Ressourcen.
B5 – Außerhalb der eigenen Domain präsent sein
Was: Digitale PR, Präsenz in relevanten Drittquellen, konsistente Entitätsdaten.
Evidenz: schwach bis moderat, rein korrelativ. Mehrere unabhängige Beobachtungsstudien aus 2026 deuten in dieselbe Richtung: Der weit überwiegende Teil der KI-Zitationen entfällt nicht auf die eigene Website, sondern auf Drittquellen – Fachmedien, Vergleichsportale, Foren, Verzeichnisse. Eine Ahrefs-Analyse fand, dass Marken-Erwähnungen im Web deutlich stärker mit KI-Sichtbarkeit korrelieren als Backlinks. Das sind Korrelationen, keine Experimente, und ich verkaufe sie ausdrücklich nicht als mehr.
Meine Einordnung:
Trotzdem halte ich das für die strategisch wichtigste offene Frage – und die Spannung zwischen „größter vermuteter Hebel“ und „dünnste Evidenz“ halte ich lieber aus, als sie aufzulösen. Wenn die eigene Domain nur einen kleinen Teil des Zitationsraums ausmacht, dann ist die Optimierung der eigenen Absatzlängen eine Optimierung an der falschen Stelle. Unbequem, weil teurer und langsamer als ein Content-Refactoring. Aber wahrscheinlich richtig.
Der Sonderfall: Gliederung, Selbsttragung, Fragmentierung
Diesen Punkt stelle ich bewusst zwischen die Gruppen, weil er der einzige ist, in dem alle Begründungstypen aufeinandertreffen – und weil hier die meisten Missverständnisse entstehen. Es sind drei verschiedene Dinge, die im Diskurs regelmäßig zu einer einzigen Forderung verschmelzen.
Stufe 1 – Gute Gliederung. Verständliche Sprache, sinnvolle Überschriften, logische Abschnitte. Evidenz: stark für den Menschennutzen, schwach bis moderat für Zitationen. Machen Sie das. Aber machen Sie es für Ihre Leser, nicht für Modelle. Die Human-Readability-Forschung ist solide; der direkte Formatierungseffekt auf Citation Ranking ist es nicht. Dies gehört in Gruppe C.
Stufe 2 – Selbsttragende Formulierung. Jede zentrale Aussage enthält ihre Entität, ihren Wert und ihren Kontext, sodass sie auch herausgelöst verständlich bleibt. Keine hängenden Rückverweise wie „dieses Modell“, „dadurch“ oder „wie oben beschrieben“, wenn sie das Verständnis tragen. Evidenz: moderat – plausibel, von Microsoft explizit empfohlen, aber ohne kontrollierte Effektgrößen. Das halte ich für den vernünftigsten Teil der ganzen LLM-Readability-Idee. Er kostet fast nichts, verbessert Fachtexte unabhängig von KI und ist die einzige Empfehlung, die tatsächlich beschreibt, was ein extrahierter Ausschnitt braucht. Eine No-Regret-Maßnahme: Falls der Retrieval-Effekt existiert, ist er mitgenommen; falls nicht, ist der Text trotzdem besser geworden.
Stufe 3 – Künstliche Fragmentierung. Zusammenhängende Gedankengänge in 300- oder 400-Zeichen-Blöcke zerlegen, weil ein Score das verlangt. Evidenz: schwach bis widersprechend. Lassen Sie es. Die beste verfügbare Studie findet keinen konsistenten Effekt, Google lehnt es ausdrücklich ab, die dokumentierten Chunkgrößen produktiver RAG-Systeme liegen um das Drei- bis Fünfzehnfache darüber, und die Forschung bewegt sich mit LongRAG und RAPTOR ohnehin zu größeren Retrieval-Einheiten. Dies gehört in Gruppe D.
Meine Einordnung:
Der entscheidende Punkt ist, dass Stufe 2 und Stufe 3 ständig verwechselt werden. Ein 800 Zeichen langer Absatz kann vollständig selbsttragend sein. Vier 200-Zeichen-Absätze können es sämtlich nicht sein, weil jeder auf den vorigen verweist. Fragmentierung erzeugt sogar tendenziell mehr Kontextabhängigkeit, nicht weniger – sie ist damit das Gegenteil dessen, was sie erreichen soll.
Praktisch heißt das: Wenn Sie ohnehin klar und selbsttragend schreiben, ändern Sie nichts. Wenn nicht, arbeiten Sie an Stufe 2 – und lassen Sie Stufe 3 bleiben. Sie ruinieren damit die Lesbarkeit für Menschen, um einen Effekt zu erzielen, den die Forschung nicht findet, den Google nicht will und der auf der Systemebene vermutlich gar nicht ankommt. Das ist die schlechteste aller Wetten: garantierter Schaden gegen unbelegten Nutzen.
C. Weil Menschen es brauchen – ausdrücklich nicht wegen GEO
Diese Punkte würde ich unverändert empfehlen, wenn es generative Suche nie gegeben hätte. Genau deshalb sollte man sie auch nicht damit begründen.
C1 – Struktur an Lesestrategien ausrichten, nicht an Zeichenzahlen
Meine Einordnung:
Zwischenüberschriften sind Navigationsanker für Scanner und Quereinsteiger, ein vorangestelltes Fazit bedient Überflieger, Absatzgrenzen markieren Gedankenwechsel. Ein Absatz endet, wenn ein Gedanke endet – sind das 180 Zeichen, gut; sind es 700, auch gut. Eine Zeichengrenze als Regel ist eine Aufforderung, Gedanken willkürlich zu zerschneiden.
C2 – Listen nur für echte Aufzählungen
Meine Einordnung: Listen sind hervorragend für gleichrangige Elemente und ruinös für Argumentationen, weil sie die logischen Verbindungen wegwerfen. Der aktuelle Listenwahn im GEO-Content produziert Texte, die aussehen wie Wissen und keines transportieren.
C3 – FAQ- und Q&A-Formate nur einsetzen, wenn sie passen
Evidenz: schwach als GEO-Hack, plausibel als UX-Muster. Semrush findet Korrelation; kontrollierte Evidenz für einen universellen Formatbonus fehlt; Google verlangt kein spezielles Format; Microsoft warnt ausdrücklich davor, jede Zeile in einen Bulletpoint zu verwandeln.
Meine Einordnung:
Wenn Ihre Nutzer tatsächlich in Fragen denken, ist ein FAQ-Block richtig. Wenn Sie einen FAQ-Block anbauen, in dem Fragen stehen, die nie jemand gestellt hat, produzieren Sie Füllmaterial. Ich sehe seit einem Jahr Seiten, an deren Ende ein trauriger Q&A-Anhang klebt, der offensichtlich für eine Maschine geschrieben wurde. Das erkennt man als Mensch sofort – und ich wäre nicht überrascht, wenn Qualitätsklassifizierer es auch erkennen.
C4 – Deutsche Lesbarkeit messen, aber mit zweiter Instanz
Was: Wiener Sachtextformel oder Flesch-DE als Guardrail, ergänzt um eine semantische Prüfung.
Evidenz: moderat.
Meine Einordnung:
Formeln sind Rauchmelder, keine Brandschutzgutachten. Sie zeigen zuverlässig an, wenn Sätze entgleisen. Sie sagen nichts über Kohärenz, Vorwissensannahmen oder fachliche Korrektheit. Ein LLM-as-a-Judge kann als skalierbarer Zweitprüfer dienen, muss aber gegen menschliche Urteile kalibriert werden – und darf nie die einzige Instanz sein.
C5 – Jedes Readability-Rewrite auf Faktentreue prüfen
Evidenz: stark als QA-Empfehlung. Die deutsche JMIR-Studie beobachtete bei vereinfachten Fachtexten sachliche Fehler und Kontextverluste.
Meine Einordnung:
Das ist der Punkt, bei dem ich am wenigsten Kompromisse mache. Wer ein Modell Texte vereinfachen lässt, braucht einen Claim-Diff: Welche Aussagen sind verschwunden, welche haben sich verändert, welche Einschränkung wurde weggekürzt? In Fachdomänen – Medizin, Recht, Finanzen, Technik – ist ein leicht lesbarer falscher Satz schlimmer als ein schwer lesbarer richtiger. Und die Vereinfachung frisst Einschränkungen zuerst, weil Nebensätze mit „sofern“, „außer“ und „in der Regel“ genau die Konstruktionen sind, die Lesbarkeitsformeln bestrafen.
D. Nicht tun – oder jedenfalls nicht so begründen
D1 – Content in Mikro-Chunks zerlegen
Meine Einordnung:
Siehe Stufe 3 oben. Garantierter Schaden für Leser gegen unbelegten Nutzen, bei öffentlichem Widerspruch von Google.
D2 – Zeichen- oder Wortzahlvorgaben als Qualitätsziel
Meine Einordnung:
400 Zeichen, 1.200 bis 1.500 Wörter – diese Zahlen haben in den referenzierten Quellen keine Grundlage. Google stellt ausdrücklich klar, dass es keine ideale Seitenlänge gibt.
D3 – Parallel-Content für Maschinen pflegen
Meine Einordnung:
Zwei Wahrheiten pflegen zu müssen ist ein Wartungsalbtraum und in der Konsequenz Cloaking-nah.
Fazit: Der Rahmen taugt, das Versprechen nicht – und die Begründung schadet
Ich habe kein Problem mit dem Begriff „LLM Readability“ als Denk- und Auditrahmen. Die Dimensionen, die darunter versammelt werden, sind sinnvolle Prüfpunkte, und Aufgesang deklariert offen, dass es sich um ein eigenes Konzept handelt. Das ist mehr Transparenz, als viele Anbieter aufbringen.
Mein Problem ist die Verwandlung, die der Begriff auf dem Weg vom Blogpost zur Agenturfolie durchmacht: aus einer Hypothese wird ein Faktor, aus einem Faktor ein Score, aus einem Score ein Versprechen. Und spätestens beim Versprechen bricht die Belegkette.
Diese Belegkette hat drei Schwachstellen an derselben Naht. Sie leitet aus Patenten auf Produktionssysteme ab. Sie vermischt Verarbeitungsebenen, die Google selbst sauber getrennt hat. Und sie zieht eine Kontinuitätslinie von Verfahren aus der Featured-Snippet-Ära zu generativer Suche, obwohl dazwischen ein Technologiebruch liegt. Besonders bemerkenswert: Das aktuellste und stärkste Patent der Kette beschreibt selbst einen Document-first-Ablauf – also genau das Modell, gegen das argumentiert wird.
Umgekehrt gilt aber auch: Passage-Level-Retrieval ist kein Auslaufmodell. Es ist in jeder modernen RAG-Pipeline die Standardarchitektur. Nur findet es dort statt, wo ich als Autor nicht hinkomme – im Parser, im Vektorindex, im Reranker. Meine Aufgabe endet an der Textkante.
Und selbst wenn all das anders wäre, bliebe der Einwand aus Abschnitt sieben stehen: Eine Begründung, die keine einzige Entscheidung ändert, ist keine Begründung. Sie ist ein Etikett. Und sie koppelt eine solide Handwerksregel an eine Kennzahl, die sie nicht braucht und die sie im Zweifel mit sich reißt.
Die belastbarste Formulierung, die die aktuelle Evidenz hergibt, wäre ungefähr diese:
LLM Readability ist die Eigenschaft eines Inhalts, für seine menschliche Zielgruppe verständlich zu bleiben und zugleich so relevant, vollständig, eindeutig, faktisch belastbar und technisch zugänglich zu sein, dass Retrieval- und generative Systeme seine Informationen zuverlässig auswählen und attribuieren können.
Was die Forschung dagegen nicht stützt, ist die griffige Formel, die man derzeit überall hört:
Kurze Sätze + viele Überschriften + FAQs + kleine Chunks + llms.txt = mehr KI-Zitationen.
Die sinnvolle Prioritätenfolge für 2026 sieht aus meiner Sicht so aus:
Menschliche Verständlichkeit steht dort bewusst weit hinten – nicht weil sie unwichtig wäre, sondern weil sie ein Selbstzweck ist und keine Rankingmaßnahme. Sie ist der Grund, warum man überhaupt schreibt. Sie als KI-Hack zu verkaufen, wertet sie eher ab.
Um die Ausgangsfrage zu beantworten: Nein, Sie müssen Ihren Content nicht für Maschinen umschreiben. Sie müssen ihn abrufbar machen, auf die tatsächliche Frage ausrichten, vollständig und belegt halten, so formulieren, dass einzelne Aussagen auch außerhalb ihres Absatzes tragen – und dann so gut schreiben, dass Menschen ihn gerne lesen.
Alles andere, jede Zwischenüberschrift und jeder Absatzumbruch, war und bleibt eine Frage an die Leserin und den Leser: Wie liest jemand diesen Text? Überfliegend, scannend, quer einsteigend, nachschlagend? Was braucht diese Person, um an der richtigen Stelle einzusteigen und den Gedanken mitzubekommen?
Diese Frage ist schwerer zu beantworten als eine Checkliste. Sie war schon immer die richtige. Und sie ist die einzige, deren Antwort auch dann noch gilt, wenn die nächste Modellgeneration alles ändert.
Quellen
Kontrollierte Studien
Aggarwal, P. et al. (2024): GEO: Generative Engine Optimization. KDD ’24. arXiv:2311.09735
Vishwakarma, Kumar, Jamidar (2026): What Gets Cited: Competitive GEO in AI Answer Engines. SIGIR ’26. arXiv:2605.25517, DOI: 10.1145/3805712.3808445
Trott, S. & Rivière, P. (2024): Zero-Shot-Readability-Bewertung durch LLMs. TSAR/ACL Workshop
Cachola, I. et al. (2025): Evaluation von Readability-Metriken für Plain-Language-Summaries. EMNLP 2025
Miftaroski, A. et al. (2026): Vereinfachung deutscher medizinischer Texte durch LLMs. JMIR AI
Maddela, M. et al. (2023): LENS: A Learnable Evaluation Metric for Text Simplification. ACL 2023
Information Retrieval: Passage- vs. Dokumentebene
Karpukhin, V. et al. (2020): Dense Passage Retrieval for Open-Domain Question Answering. EMNLP 2020. arXiv:2004.04906
Lewis, P. et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401
Khattab, O. & Zaharia, M. (2020): ColBERT. SIGIR 2020. arXiv:2004.12832
Dai, Z. & Callan, J. (2019): Deeper Text Understanding for IR with Contextual Neural Language Modeling. SIGIR 2019
Nogueira, R. & Cho, K. (2019): Passage Re-ranking with BERT. arXiv:1901.04085
Jiang, Z. et al. (2024): LongRAG. arXiv:2406.15319
Sarthi, P. et al. (2024): RAPTOR. ICLR 2024
Günther, M. et al. (2024): Late Chunking. arXiv:2409.04701
Anthropic (2024): Introducing Contextual Retrieval. Anthropic Engineering Blog
Lese- und Rezeptionsforschung
Duggan, G. B. & Payne, S. J. (2009): Text skimming: The process and effectiveness of foraging through text under time pressure. Journal of Experimental Psychology: Applied, 15(3)
Strukelj, A. & Niehorster, D. C. (2018): One Page of Text: Eye Movements During Regular and Thorough Reading, Skimming, and Spell Checking. Journal of Eye Movement Research, 11(1)
Fitzsimmons, G. et al. (2020): The impact of skim reading and navigation when reading hyperlinks on the web. PLOS ONE, 15
Kopp, O. / Aufgesang: „Was ist LLM-Readability?“ (aufgesang.de, 21.02.2026, akt. 17.04.2026)
Kopp, O.: „LLM Readability & Chunk Relevance“ sowie „The Evolution of Search: From Phrase Indexing to Generative Passage Retrieval“ (kopp-online-marketing.com)
Łajewska, W. & Balog, K. (2025): GINGER: Grounded Information Nugget-Based Generation of Responses. arXiv:2503.18174
Patente
Google LLC: US12158907B1, „Thematic Search“, Priorität 16.05.2023, erteilt 03.12.2024
Google LLC: US 9.959.315 B1, „Context scoring adjustments for answer passages“, Priorität 31.01.2014, erteilt 2018
Google LLC: „Weighted answer terms for scoring answer passages“ und „Scoring candidate answer passages“, Prioritäten August 2014
Patterson, A. L. / Google: US 7.536.408 B2, „Phrase-based indexing in an information retrieval system“, Priorität 26.07.2004
Plattform- und Herstellerdokumentation
Google Search Central Blog: Ankündigung und Klarstellung zu Passage Ranking (Oktober 2020, Rollout Februar 2021)
Google Search Central: „A guide to Google Search ranking systems“ – Eintrag „Passage ranking system“
Google Search Central: Guidance zu generativen Features in Google Search (2026)
Google „Search Off the Record“, Folge vom 08.01.2026 (Sullivan/Mueller)
Google Cloud: Vertex AI Search, Agent Search und RAG Engine, Document AI Layout Parser (chunk_size, chunk_overlap)
Im Mai habe ich hier geschrieben, dass die offiziellen ARC-AGI-3-Scores nicht messen, was ein gutes Agentensystem aus einem Frontier-Modell holen kann, sondern was passiert, wenn man ein Modell fast nackt in eine fremde Umgebung wirft. Genau das ist jetzt vorgeführt worden – nur anders, als ich erwartet hatte. Und die Konsequenz ist unangenehmer als ein Platzwechsel auf einem Leaderboard.
Die Nachricht selbst ist schnell erzählt. Nachdem Anthropics Claude Opus 5 den Bestwert auf ARC-AGI-3 vervierfacht hatte, zeigt OpenAI, dass GPT-5.6 Sol mit zwei zusätzlichen API-Einstellungen auf 38,3 % kommt und damit über den 30,2 % von Opus 5 liegt. Die beiden Einstellungen heißen „Retained Reasoning“ – der interne Denkprozess bleibt über Aktionen hinweg erhalten – und „Compaction“, also intelligente Zusammenfassung des Kontexts statt hartem Abschneiden.
Der Haken steckt im Setup: Gemessen wurde nicht in der offiziellen Testumgebung, sondern über OpenAIs eigene Responses-API. In der offiziellen Umgebung erreicht dasselbe Modell 7,8 %, weil dort nach jeder Aktion das interne Denken verworfen wird.
Der einzige belastbare Vergleich lautet 30,2 zu 7,8
Wer die Schlagzeile ernst nimmt, vergleicht einen optimierten Lauf mit einem nicht optimierten. Sortiert man die Zahlen nach Vergleichbarkeit, sieht das Bild anders aus:
Offizielle Umgebung, Opus 5: 30,2 %
Offizielle Umgebung, GPT-5.6 Sol: 7,8 %
Eigene API mit Retained Reasoning und Compaction, GPT-5.6 Sol: 38,3 %
Die einzigen beiden Werte, die unter identischen Bedingungen entstanden sind, sind die ersten beiden – und dort liegt Opus 5 um etwa den Faktor vier vorn. Der dritte Wert hat kein Gegenstück, weil niemand veröffentlicht hat, wo Opus 5 mit einer äquivalenten Behandlung landen würde. Solange dieser Lauf fehlt, ist „GPT-5.6 Sol schlägt Opus 5“ keine Aussage über Modelle, sondern über Messbedingungen.
Dazu kommt ein zweiter Vorbehalt, den man in den Sekundärberichten leicht überliest: OpenAIs Grafik ist mit „ARC-AGI-3 Public Set“ überschrieben, während offizielle Leaderboard-Werte üblicherweise für das semi-private Set berichtet werden. Ob 38,3 % und 30,2 % überhaupt dieselbe Aufgabenmenge betreffen, geht aus den öffentlichen Quellen nicht eindeutig hervor. Es handelt sich außerdem um eine Selbstmessung des Anbieters auf öffentlich verfügbaren Umgebungen – strukturell die schwächste Evidenzform, die es in diesem Feld gibt.
Das ist kein Vorwurf an OpenAI. Die Zahl ist interessant und der Punkt dahinter ist berechtigt. Aber die Zahl trägt die Schlagzeile nicht, die aus ihr gemacht wurde.
Der Hebel war nicht das Harness, das ich erwartet hatte
Im Mai-Artikel habe ich als Hebel ein clientseitiges Gerüst beschrieben: Frame-Differencing, State-Tracking, Hypothesenmanagement, Explorationsplanung, kausale Tests. Also Ingenieursarbeit außerhalb des Modells.
Was jetzt tatsächlich den Unterschied gemacht hat, ist etwas anderes und aus meiner Sicht deutlich aufschlussreicher: zwei generische Funktionen der Modell-API, die den Denkzustand über Schritte hinweg erhalten. Kein ARC-spezifischer Trick, keine handgebauten Wahrnehmungswerkzeuge, keine Spiellogik im Prompt.
Damit isoliert dieser Fall eine sehr konkrete Eigenschaft der offiziellen Messung. Wenn nach jeder Aktion das interne Reasoning verworfen wird, dann misst der Benchmark unter anderem, ob ein Modell in der Lage ist, seinen eigenen Gedankengang bei jedem Schritt aus dem sichtbaren Kontext neu zu rekonstruieren. Das ist eine reale Fähigkeit, aber es ist nicht die Fähigkeit, die ARC-AGI-3 messen will. Es ist ein Artefakt der Testumgebung.
Und die Kosten dieses Artefakts sind erheblich. OpenAIs Grafik zeigt zwei Skalierungskurven über den Output-Tokens pro Spiel. Die Kurve mit Retained Reasoning und Compaction erreicht ihre knapp 38 % bei rund einer halben Million Output-Tokens. Die offizielle Umgebung kommt in derselben Grafik auf etwa 13 % – und braucht dafür ungefähr drei Millionen Tokens, also grob das Sechsfache. Mehr Score bei einem Bruchteil der Tokens ist keine Fußnote, sondern der eigentliche Befund.
Einheitlichkeit ist nicht dasselbe wie Fairness
ARC Prize kommentiert die Ergebnisse damit, dass die offiziellen Scores einen einheitlichen Ansatz ohne anbieterspezifische Einstellungen nutzen, um faire Vergleiche zu ermöglichen, und dass ARC-AGI-3 die reine Modellleistung bewerten soll.
Ich verstehe die Logik – und ich habe sie im Mai selbst verteidigt. Aber hier trennen sich zwei Dinge, die gern verwechselt werden. Ein einheitliches Setup erhöht die Reliabilität einer Messung: gleiche Bedingungen, reproduzierbare Werte, wenig Interpretationsspielraum. Über die Validität sagt das nichts. Und genau die erodiert gerade.
Denn die offizielle Policy setzt eine Grenze voraus, die in der Praxis nicht mehr existiert: dass die API-Kante ein sauberer Schnitt zwischen Modell und Gerüst ist. Was unterhalb der API passiert, gilt als Modell, was oberhalb passiert, als Ingenieursleistung. Diese Annahme war tragfähig, solange APIs zustandslose Textvervollständigung angeboten haben. Sobald Anbieter Kontextmanagement, Zustandserhalt und Kompression als Serverfunktion anbieten, wandert genau das, was mein Mai-Artikel als „Harness“ beschrieben hat, unter die API-Kante. Die Grenze verschiebt sich – und der Benchmark kann sie nicht mehr per Definition festhalten.
Der Streitpunkt, den The Decoder benennt, ist genau das: ARC Prize nutzt für OpenAI-Modelle offenbar eine ältere Completions-API, die Funktionen der Claude-API noch nicht hatte. Ein einheitliches Setup, das auf den kleinsten gemeinsamen Nenner mehrerer APIs zielt, bestraft damit systematisch den Anbieter, der bei Zustandsführung am weitesten ist – oder eben den, dessen Endpunkt zufällig weniger davon abbildet. Einheitlich ist so ein Setup. Fair ist es nicht automatisch.
Chollets Kriterium ist richtig – und trotzdem instabil
ARC-Prize-Mitgründer François Chollet hat nachgelegt und dabei eine brauchbare Trennlinie gezogen: Umgebungen und Einstellungen, die speziell für den Benchmark gebaut wurden oder Wissen über dessen Format enthalten, sind nicht zulässig. Allgemeine API-Einstellungen, die nicht für ARC-AGI-3 entwickelt wurden und allen Nutzern offenstehen, sind in Ordnung. Er verweist zudem auf früheren Austausch mit OpenAI zur Frage, wie deren Modelle am besten zu testen sind, gerade beim Thema Compaction, und benennt das Vergleichbarkeitsproblem, wenn jeder Anbieter eigene Einstellungen nutzt – akzeptabel, solange Einstellungen und Kosten dokumentiert werden.
Das ist die inhaltlich richtige Unterscheidung, und sie deckt sich mit dem, was ich im Mai als Kern gesehen habe: Nicht die Menge an Hilfe entscheidet, sondern ihre Aufgabenspezifität. Ein generisches Gerüst, das auch in anderen Domänen sinnvoll wäre, ist etwas anderes als ein ARC-Solver.
Nur bleibt das Kriterium instabil, weil „allgemein und für alle verfügbar“ eine bewegliche Menge ist. Sie unterscheidet sich pro Anbieter, sie ändert sich mit jedem API-Release, und sie fällt genau in den Bereich, in dem Anbieter sich derzeit differenzieren. Ein Leaderboard, das reine Modellfähigkeit ausweisen will, aber Anbieterunterschiede in der API-Schicht durchlässt, weist am Ende beides aus – nur ohne getrennte Spalten. Chollets Zusatzbedingung, Einstellungen und Kosten offenzulegen, ist deshalb nicht Kosmetik, sondern die einzige Stelle, an der das Konstrukt noch zusammenhält.
Wer diese Diskussion aus dem GEO- und SEO-Umfeld kennt, wird das Muster wiedererkennen: Ein Messverfahren wird nicht dadurch valide, dass es streng standardisiert ist. Es wird valide, wenn das, was es misst, mit dem übereinstimmt, was man wissen will.
Was das für die Praxis bedeutet
Für die Benchmark-Debatte ist der Fall ein Definitionsproblem. Für alle, die tatsächlich Agenten bauen, ist er eine ziemlich klare Ansage.
Die entscheidende Variable ist nicht der clevere Prompt. Sie ist die Frage, was zwischen zwei Schritten überlebt. Wird der Denkzustand mitgeführt oder bei jedem Schritt weggeworfen? Wird Kontext zusammengefasst oder vorne abgeschnitten? Diese beiden Design-Entscheidungen sind in diesem Fall der Unterschied zwischen 7,8 % und 38,3 %.
Und sie sind gleichzeitig ein Kostenhebel. Sechsmal weniger Output-Tokens für einen höheren Score bedeutet, dass Kontextmanagement nicht in der Qualitätsspalte steht, sondern in der Marge. In produktiven Multi-Step-Pipelines ist das der Punkt, an dem sich Prompt Caching, Kompressionsstrategien und Zustandsführung rechnen – nicht als Feinschliff, sondern als Architekturentscheidung.
Was ich daraus nicht ableite: dass die Modelle das Problem gelöst hätten. 38,3 % auf einem Set, das Menschen weitgehend beherrschen, ist kein Triumph. Und die Frage aus meinem Mai-Artikel ist immer noch unbeantwortet, weil sie niemand gemessen hat: Wie weit kommt ein vorab eingefrorenes, nicht ARC-spezifisches Agenten-Harness auf ungesehenen Umgebungen? Der Vergleich Opus 4.6 auf TR87 – 0,0 % ohne Harness, 97,1 % mit dem Duke-Harness, und gleichzeitig 0,0 % in beiden Varianten auf BP35 – bleibt die beste Illustration dafür, warum diese Unterscheidung nicht akademisch ist.
Was ich zurücknehme, was ich bestätigt sehe
Bestätigt sehe ich die Grundaussage: Die offiziellen Scores sind eine Untergrenze, kein Limit. Wer sie als Beweis für die Chancenlosigkeit LLM-basierter Agenten liest, liest sie falsch.
Präzisieren muss ich die Vermutung, wo der Hebel liegt. Ich habe ihn oberhalb der API erwartet, im selbstgebauten Gerüst. Er liegt – zumindest in diesem Fall – unterhalb, in der Zustandsführung des Anbieters. Das ist für die Benchmark-Frage die unangenehmere Variante, weil sie sich nicht durch eine strengere Testing Policy wegdefinieren lässt.
Und eine Sorge aus dem Mai-Artikel hat sich verschoben. Ich habe befürchtet, dass Harness-Ergebnisse als Modellfortschritt gefeiert werden. Das Risiko besteht weiter, aber es hat eine zweite Richtung bekommen: Ein Benchmark, der sich gegen anbieterspezifische Einstellungen abschottet, misst mit jedem Release ein wenig weniger von dem, was diese Modelle in der Praxis leisten. Beide Fehler sind real, und sie zeigen in entgegengesetzte Richtungen.
Fazit
Die Schlagzeile lautet, GPT-5.6 Sol habe Opus 5 geschlagen. Belegt ist etwas anderes: dass die offizielle ARC-AGI-3-Umgebung mit ihrem Verwerfen des Reasonings eine Eigenschaft mitmisst, die sie nicht messen wollte, und dass zwei generische API-Einstellungen den Score um einen Faktor bewegen, den man sonst nur von aufgabenspezifischen Harnesses kennt.
Für ARC Prize folgt daraus keine Kapitulation, sondern eine Hausaufgabe: getrennte Spalten statt eines einzigen Wertes. Modell in einheitlicher Umgebung, Modell mit dokumentierten allgemeinen Anbietereinstellungen, System mit generischem Harness. Drei Zahlen, drei Aussagen, keine Vermischung. Chollets Hinweis auf Dokumentation von Einstellungen und Kosten zeigt in genau diese Richtung.
AFAIK: Interessant ist an diesem Fall nicht, wer vorne liegt. Interessant ist, dass die Grenze zwischen „das Modell kann es“ und „das System kann es“ gerade dorthin wandert, wo Benchmarks sie nicht mehr kontrollieren können. Wer Agenten baut, sollte diese Grenze ohnehin nicht interessieren. Wer Fortschritt messen will, muss sie neu ziehen.
Zwei Zahlen aus derselben Messreihe, 24 Monate Modellgeschichte, drei Frontier-Labore: Die Treffgenauigkeit von KI-Agenten stieg um 0,22 Punkte pro Jahr. Ihre Verlässlichkeit um 0,06.
Das ist die empirische Mitte einer Keynote, die Arvind Narayanan am 9. Juli 2026 auf der ICML in Seoul gehalten hat. Der Princeton-Professor, Mitautor von „AI as Normal Technology“, hat Folien und redigiertes Transkript inzwischen klickgenau online gestellt – 57 Folien, jede Einblendung dokumentiert. Ich habe den kompletten Vortrag durchgearbeitet, weil er eine Frage beantwortet, die in Agenturen und Marketing-Abteilungen gerade jeden Quartalsplan verunsichert: Was bleibt eigentlich für uns zu tun?
Narayanans Antwort ist unbequem für beide Lager. Sie widerspricht der Erzählung, dass in zwei Jahren niemand mehr Content, Kampagnen oder Analysen selbst verantwortet. Und sie widerspricht der bequemen Gegenerzählung, dass alles bleibt, wie es ist. Was sich verschiebt, verschiebt sich nur an einer anderen Stelle, als die meisten Roadmaps annehmen.
Der Engpass liegt nicht im Labor
Der Kern des Frameworks ist eine Kette aus vier Stufen: Methoden und Fähigkeiten, dann Produkte und Anwendungen, dann frühe Adoption, dann strukturelle Anpassung. Modelle sind Stufe eins. Was wir in Marketing-Teams tatsächlich benutzen, sind Stufe zwei – und der Nutzen entsteht erst auf Stufe drei und vier.
Narayanans historische Referenz ist die Elektrifizierung der Fabriken. Als Strom verfügbar wurde, tauschten Fabrikbesitzer zuerst die Dampfmaschine gegen einen Elektromotor – Drop-in-Replacement, gleiche Halle, gleiche Transmissionswellen, gleicher Ablauf. Der Produktivitätssprung blieb aus. Er kam erst rund vier Jahrzehnte später, als klar war, dass Strom transportierbar ist: Man konnte die Halle um die Logik des Fließbands neu bauen, statt um die Logik einer zentralen Kraftquelle. Das erforderte neue Layouts, neue Qualifikationen, neue Verträge, neue Gesetze.
Genau dieses Muster erkenne ich in der aktuellen KI-Adoption im Marketing. Wir stecken Agenten in Prozesse, die für menschliche Arbeitsteilung gebaut wurden: Briefing an Text, Text an Korrektur, Korrektur an Freigabe. Dann messen wir, dass es kaum schneller wird, und schließen daraus, die Modelle seien noch nicht gut genug. Narayanans These: Die Modelle sind längst nicht das Problem. Das Problem ist die Halle, in der wir sie betreiben.
Dazu passt eine Beobachtung, die ich in der Gegenüberstellung von Googles ATLAS-Report und Anthropics Economic Index schon einmal ausführlich zerlegt habe: Was wir heute an KI-Nutzung messen, ist überwiegend oberflächliche Nutzung. Das Anthropic-Radardiagramm, das Narayanan zeigt, macht die Lücke sichtbar – in vielen Wissensberufen liegt die theoretisch erreichbare Abdeckung bei 0,8 bis 1,0, die beobachtete fast überall unter 0,4. Diese Lücke ist keine Trägheit der Anwender. Sie ist die Stufe, auf der wir gerade stehen.
Was Benchmarks verschweigen: Verlässlichkeit hat vier Dimensionen
Der interessanteste Teil des Vortrags ist die Unterscheidung zwischen Fähigkeit und Verlässlichkeit. Narayanans Team hat aus zehn bis zwölf Metriken vier Dimensionen destilliert:
Konsistenz – gelingt eine Aufgabe zuverlässig oder nur manchmal?
Robustheit – funktioniert es auch, wenn die Bedingungen nicht perfekt sind?
Kalibrierung – erkennt das System selbst, ob es die Aufgabe gelöst hat?
Betriebssicherheit – ist ein Fehler reparabel oder katastrophal?
Das entscheidende Argument steckt in der Konsistenz. Wenn ein Agent mit „70 % Genauigkeit“ ausgewiesen wird, kann das zwei völlig verschiedene Dinge bedeuten. Entweder er löst 70 % der Aufgabentypen, diese aber jedes Mal – dann ist er produktiv einsetzbar, weil man genau diese 70 % automatisieren und den Rest an Menschen geben kann. Oder er scheitert an jeder beliebigen Aufgabe mit 30 % Wahrscheinlichkeit – dann ist er für unbeaufsichtigten Betrieb praktisch unbrauchbar. Narayanans Befund: Keiner der untersuchten Agenten-Benchmarks unterscheidet diese beiden Fälle. Beide erscheinen als „70 %“.
Wer schon einmal einen Content- oder Reporting-Agenten in Produktion gebracht hat, kennt den Unterschied aus dem Bauch. Die Frage ist nie, ob das Ding gute Ergebnisse liefern kann. Die Frage ist, ob ich weiß, wann es das nicht getan hat. Genau das ist Kalibrierung – und es ist die Dimension, an der die meisten Automatisierungsversuche im Marketing scheitern, nicht an mangelnder Sprachqualität.
Dass Unverlässlichkeit auch das dominierende Nutzerthema ist, stützt eine Anthropic-Befragung von rund 80.000 Claude-Nutzenden, die Narayanan zitiert: Unreliability liegt mit 26,7 % auf Platz eins der genannten Sorgen, vor Jobs und Wirtschaft (22,3 %) sowie Autonomie (21,9 %).
Das Agenten-Trilemma sortiert, was zuerst automatisiert wird
Aus der Verlässlichkeitslücke leitet Narayanan eine Prognose ab, die ich für den praktisch nützlichsten Satz des Vortrags halte: Von drei Eigenschaften sind derzeit nur zwei gleichzeitig zu haben.
General purpose – ein sprachmodellbasierter Agent, der per Anweisung verschiedene Aufgaben übernimmt, statt für eine Aufgabe gebaut zu sein.
High stakes – Einsatz dort, wo Fehler teuer, rechtlich relevant oder öffentlich sichtbar sind.
Automatisiert – Betrieb ohne Menschen in der Schleife.
Dieses Trilemma ist ein besseres Planungsinstrument als jede Reifegrad-Matrix, weil es erklärt, warum manche KI-Projekte im Marketing seit zwei Jahren durchlaufen und andere nach dem Pilotprojekt sterben. Wer automatisieren will, muss eine der beiden anderen Eigenschaften opfern: entweder die Allgemeinheit – dann baue ich ein spezialisiertes, eng gefasstes, deterministisch eingerahmtes System – oder die Einsatzhöhe, also die Konsequenzen eines Fehlers.
Damit lässt sich die eigene Aufgabenlandkarte sortieren. Interne Recherche, Rohentwürfe, Clustering von Keywords und Suchanfragen, Zusammenfassungen von Wettbewerbsinhalten, Datenaufbereitung: niedrige Fehlerkosten, allgemeine Aufgaben – das ist der Bereich, in dem Automatisierung heute wirklich trägt. Aussagen zu Preisen und Verfügbarkeit, Rechts- und Gesundheitsthemen, Krisenkommunikation, alles mit Kundenfreigabe und Markenhaftung: hohe Fehlerkosten – hier bleibt der Mensch nicht aus Nostalgie in der Schleife, sondern weil die dritte Eigenschaft nicht zu haben ist.
Nebenbei erklärt das Trilemma auch die unangenehme Wahrheit für den unteren Rand des Content-Markts: Massenware mit geringen Fehlerkosten erfüllt genau zwei der drei Bedingungen. Dass dieses Segment automatisiert wird, ist keine Prognose mehr. Es ist Beobachtung. Und die Konsequenz ist nicht, dass Content-Arbeit verschwindet, sondern dass ihr Wert dorthin wandert, wo Fehler wehtun.
Decide, Execute, Deliver: KI komprimiert die Mitte
Für den Arbeitsmarkt argumentiert Narayanan am Beispiel Softwareentwicklung, weil dort früh und breit adoptiert wurde – ein Frühindikator also. Sein Bild ist ein Sandwich aus drei Schichten: Decide (verstehen, was gebraucht wird, spezifizieren, planen), Execute (bauen, schreiben, debuggen), Deliver (Verantwortung übernehmen, integrieren, testen, betreiben).
KI komprimiert die Mitte. Aber die Mitte war immer nur etwa ein Drittel der Arbeit. Und – das ist der eigentliche Punkt – die beiden äußeren Schichten wachsen, weil mehr Output mehr Entscheidungen davor und mehr Verantwortung danach erzeugt. Dazu zitiert der Vortrag eine ganze Serie von Blogbeiträgen aus 2025 und 2026 mit derselben Erkenntnis („Writing code was never the bottleneck“) sowie eine Microsoft-Research-Studie von 2019, die schon damals zeigte, dass Entwickler:innen wenig Zeit mit Entwicklung verbringen.
Übersetzt auf Marketing-Arbeit: Texten war nie der Engpass. Der Engpass war zu wissen, was gesagt werden muss, für wen, mit welcher Behauptung, auf welche Evidenz gestützt – und danach: das Ergebnis verantworten, in Systeme bringen, messen, nachziehen. Wer sein Angebot pro Output-Einheit kalkuliert, verkauft genau die Schicht, die schrumpft. Wer Decide und Deliver verkauft, verkauft die Schichten, die wachsen.
Das ist übrigens die inhaltliche Brücke zu meiner Position, dass Agenten keine Kolleg:innen sind: Nicht der Jobtitel wandert an die Maschine, sondern ein Arbeitsschritt. Verantwortung lässt sich nicht mitdelegieren.
Der Aufwand verschiebt sich vom Erstellen zum Bewerten
Wenn Narayanan seinen Vortrag auf eine Folie reduzieren müsste, wäre es diese: Weil überprüfbare Aufgaben zunehmend von KI übernommen werden, verschiebt sich Aufwand vom Bauen zum Bewerten. Seine Metapher dafür ist der Wechsel vom Ruderboot zum Schiff. Im Ruderboot ist Vortrieb die Arbeit, und wer rudert, entscheidet nebenbei die Richtung. Sobald Maschinen den Vortrieb übernehmen, verschwindet die menschliche Arbeit nicht – sie spezialisiert sich. Ein großes Schiff hat eine Kommandozentrale mit Dutzenden spezialisierter Rollen, die nur eine Frage bearbeiten: wohin und wie.
Drei Gründe nennt er, warum Evaluation der Automatisierung besonders widersteht: Sie erfordert Urteil darüber, was überhaupt geprüft werden soll. Sie ist domänenspezifisch – man baut einmal, aber muss überall neu bewerten. Und sie verlangt ein Modell der Nutzenden, kein Modell der Aufgabe.
Für Marketing-Teams ist das die konkreteste Konsequenz des ganzen Vortrags. Das verteidigungsfähige Kapital ist nicht die Prompt-Sammlung und nicht der Zugang zum besten Modell – beides ist gekauft und in Wochen kopiert. Es ist die markenspezifische Prüfmechanik: Testfälle, an denen ich einen neuen Agenten oder ein neues Modell gegen meine Qualitätsdefinition messe. Golden Sets aus Anfragen, die im eigenen Markt wirklich vorkommen. Kriterien für Belegpflicht und Quellenqualität. Abbruchregeln. Dokumentierte Fehlerklassen aus zwei Jahren Betrieb. In Unternehmen läuft dafür gerade der Satz „Evals sind das neue IP“ um – Narayanan nennt es dasselbe Phänomen, nur in der Wissenschaft.
Wie ernst es ihm damit ist, zeigt sein Vorschlag an die eigene Community: Vielleicht die Hälfte einer Konferenz wie der ICML sollte sich mit Evaluation befassen, mindestens brauche es einen eigenen Track. Und: Peer Review zu automatisieren, hält er für eine Falle, weil man damit die Richtungsentscheidung an die Systeme abgibt, die man beurteilen will. Wer im Marketing seine Qualitätssicherung vollständig an ein Modell delegiert, tut strukturell genau dasselbe.
Warum Effizienzgewinne nicht automatisch Stellen kosten
Die naheliegende Gegenrechnung lautet: Wenn ein Mensch mit KI das Fünffache schafft, braucht es ein Fünftel der Menschen. Narayanan hält dagegen, was Ökonomen als Lump-of-Labor-Fehlschluss kennen – die Annahme, die Menge zu erledigender Arbeit sei fix.
Seine Belege: Mit der Einführung von Geldautomaten stieg die Zahl der Bankangestellten am Schalter, weil Filialen billiger zu betreiben und deshalb häufiger zu öffnen waren. Radiologie-Beschäftigung ist gewachsen, obwohl Geoffrey Hinton vor gut einem Jahrzehnt das Gegenteil prognostizierte – und obwohl Radiolog:innen KI begeistert einsetzen. Maschinelle Übersetzung erreichte vor fast zehn Jahren nahezu menschliches Niveau, die Beschäftigung menschlicher Übersetzer:innen ist seither stabil. Bei den prominenten „KI-Kündigungen“ (Block, Snap, Intuit) sieht er im Kern AI-Washing finanziell begründeter Entlassungen; Analysen von Ökonom:innen der US-Notenbank zeigten Softwarejobs weiter im Wachstum.
Für unsere Branche ist das plausibel, weil die Nachfrage nach Kommunikation kaum eine Obergrenze hat: mehr Kanäle, mehr Sprachen, mehr Varianten, mehr Personalisierung – und, das ist der Preis, dramatisch mehr Prüfaufwand. Aber ich würde die Analogie nicht überdehnen. Diese Beispiele zeigen, dass Beschäftigung wachsen kann, nicht dass sie es muss. Und sie sagen nichts darüber, ob die neuen Aufgaben denselben Menschen zufallen wie die alten.
Vier Dimensionen, die nichts miteinander zu tun haben
Das Mittelstück des Vortrags räumt in einer Begriffskette auf, die auch in Marketing-Präsentationen ständig als Kausalkette auftritt: rekursive Selbstverbesserung führe zu AGI, AGI führe zu Superintelligenz. Narayanan behandelt das als vier unabhängige Dimensionen – rekursive Selbstverbesserung, menschenähnliche KI, wirtschaftlich transformative KI, Superintelligenz – von denen keine die andere impliziert.
Zwei Argumente daraus sind auch ohne KI-Forschungsinteresse brauchbar. Erstens: Die Engpässe vieler großer Versprechen liegen außerhalb des Labors. Krebs zu „heilen“ scheitert nicht an Denkleistung, sondern an klinischen Studien mit Tausenden von Teilnehmenden über zehn bis fünfzehn Jahre. Zweitens: Manche Aufgaben haben inhärente Grenzen – Wetter ein Jahr im Voraus präzise vorherzusagen ist mathematisch unmöglich, nicht schwer.
Daraus folgt seine für Strategiedebatten wichtigste Ableitung: Ein „Wettlauf“ zu wirtschaftlich transformativer KI ist unsinnig, weil es keinen Fähigkeits-Meilenstein gibt, der den wirtschaftlichen Nutzen freischaltet. Das Potenzial liegt längst vor uns; was fehlt, sind Integration, Verlässlichkeit, implizites Fachwissen und Regulierung – alles Dinge, die nicht im Labor gelöst werden und nicht mit dem nächsten Modell-Release am Dienstag ankommen. Wer Budgets an Modell-Launches koppelt, plant an der falschen Stufe der Kette.
Wo der Vortrag dünn wird
Ich halte die Argumentation für stark, aber sie hat Stellen, an denen man nicht einfach mitnicken sollte.
Der Vergleich „0,22 gegen 0,06“ stammt aus zwei verschiedenen Benchmarks mit zwei verschiedenen, jeweils auf 0 bis 1 normierten Skalen. Der Faktor zwischen den Steigungen ist damit ein Indiz, keine Messung einer gemeinsamen Größe. Dass Verlässlichkeit deutlich langsamer wächst als Treffgenauigkeit, halte ich für belastbar; die genaue Kennzahl würde ich nicht in einer Präsentation zitieren, ohne die Methodik gelesen zu haben. Dazu kommt: Die Reliabilitätsstudie ist die Arbeit seiner eigenen Gruppe, das Ergebnis stützt seine These, und die Datenbasis umfasst Modelle dreier Anbieter über 24 Monate. Das ist saubere, aber junge Forschung.
„Anpassung dauert Jahrzehnte“ ist eine historische Analogie, keine gemessene Größe. Die Elektrifizierung ist eine starke Referenz – aber die Diffusionsgeschwindigkeit heutiger Software ist eine andere, und ein Teil der organisatorischen Reibung von 1900 existiert nicht mehr. Ich würde die Richtung übernehmen, nicht die Zeitangabe.
Und die Übertragung von Softwareentwicklung auf Marketing hat eine Bruchstelle. Software ist ein Frühindikator, aber ein Frühindikator mit hohen Fehlerkosten pro Einheit: Kaputter Code fällt auf, gelöschte Produktionsdaten sind ein Vorfall. Große Teile der Content-Produktion haben pro Einheit niedrige Fehlerkosten und keine funktionierende Qualitätsmessung – genau die Konstellation, in der das Trilemma Automatisierung erlaubt. Für den Kern professioneller Marketing-Arbeit teile ich Narayanans Prognose. Für die Ränder rechne ich mit deutlich härteren Verschiebungen, als der Vortrag nahelegt.
Bleibt der optimistische Schluss: Der „Boden“ – was KI allein kann – steigt ohnehin, die „Decke“ – was Menschen mit KI können – steigt nur, wenn wir sie hochschieben. Das ist keine Trendaussage, sondern eine Bedingung. Narayanan sagt das selbst deutlich; in der Rezeption geht es leicht verloren.
Was ich für die eigene Arbeit mitnehme
Der persönlichste Teil des Vortrags ist auch der übertragbarste. Narayanan investiert nach eigener Aussage rund zehn Stunden pro Woche in Lernen und Experimentieren mit neuen Workflows – er reinvestiert den Produktivitätsgewinn in Wachstum, statt ihn als Marge zu vereinnahmen. Sein Prüfsatz dafür ist unangenehm konkret: Wenn er abends nicht erschöpft ist, hat er zu viel abgegeben.
Dazu zwei Heuristiken, die ich fast wörtlich in meine eigene Praxis übernehmen würde. Erstens: der Black-Box-Versuchung widerstehen. Anbieter haben ein Interesse daran, dass wir Agenten als geschlossene Kästen benutzen – Prompt rein, Ergebnis raus. Wer so arbeitet, gibt schrittweise die Kontrolle über den Prozess ab, den er verantwortet. Zweitens: die Abhängigkeitsspirale vermeiden. Es ist besonders verführerisch, KI für genau die Aufgaben zu nutzen, die man selbst nicht beherrscht – und genau dort verhindert sie, dass man sie je beherrscht. Erst Kompetenz aufbauen, dann verstärken.
Für Teams heißt das: Weiterbildung ist in dieser Phase keine Sozialleistung, sondern Kapazitätsaufbau an der Stelle, die knapp wird – Urteil, Domänenwissen, Prüfmechanik. Und es heißt, Produktivität, Wachstum und Kontrolle als drei Größen zu behandeln, die man ausbalancieren muss, statt zwei davon stillschweigend gegen die dritte zu tauschen.
Fazit
Narayanans Antwort auf die Titelfrage lautet nicht „alles bleibt“ und nicht „nichts bleibt“, sondern: Was bleibt, ist die Arbeit, die sich nicht verifizieren lässt – entscheiden, urteilen, bewerten, verantworten. Und die wächst gerade, weil die überprüfbare Arbeit billiger wird.
Für Marketing-Teams ergibt das eine unspektakuläre, aber ziemlich klare Agenda: Aufgaben nach Fehlerkosten sortieren statt nach Modellfähigkeit. Automatisieren, wo Fehler billig sind, und dort ernsthaft. Prüfmechanik aufbauen, wo sie teuer sind, und diese Mechanik als Kapital behandeln. Leistungen entlang von Decide und Deliver verkaufen, nicht pro Output-Einheit. Und den Produktivitätsgewinn wenigstens teilweise in eigene Fähigkeiten zurückstecken.
Fähigkeit kann man kaufen. Verlässlichkeit muss man bauen. Urteil bleibt unsere Aufgabe.
Die Zahl, die es aus Googles ATLAS-Report in jede Schlagzeile geschafft hat, lautet: weniger als zehn Prozent vollständige Automatisierung. Daraus wurde in der Berichterstattung binnen Tagen die Beruhigungsformel, KI unterstütze, ersetze aber keine Arbeitsplätze.
Anthropic misst mit vergleichbarer Methodik dasselbe Konzept und kommt auf 48,62 %.
Das ist keine Randnotiz. Es ist der empirische Beleg dafür, dass die beruhigendste Zahl der Studie keine Eigenschaft der Welt beschreibt, sondern eine Eigenschaft eines Klassifikators und einer Nutzerbasis.
Was hier eigentlich verglichen wird
Zwei Datensätze, beide auf realen Interaktionen statt auf Befragungen, beide an dieselben US-Klassifikationen SOC und O*NET angedockt, beide aus dem Frühjahr 2026.
Googles ATLAS v1.0 wertet 14.653.926 Interaktionen aus zwei Wochen im April aus, gezogen aus Gemini App, AI Mode und Gemini API. Anthropics Economic Index beruht auf beobachteter Claude-Nutzung in Chat und Cowork, Stand Mai 2026, mit 121 Ländern im veröffentlichten Länderindex und 718 von 923 erfassten Berufen oberhalb der Datenschutzschwelle.
Bevor irgendeine Zahl nebeneinandersteht, gehören die Vorbehalte auf den Tisch – sonst begeht dieser Text genau den Fehler, den er beschreibt.
Die Populationen sind verschieden. Claude ist entwickler- und professional-lastig; Gemini deckt mit dem AI Mode einen Massensuchkanal ab, für den es bei Anthropic keine Entsprechung gibt. Die Definitionen sind teilweise verschieden, dazu gleich mehr. Und beide Datensätze sind Momentaufnahmen ohne Zeitreihe. Was folgt, ist eine Gegenüberstellung von Konstrukten, kein Nachweis, dass eine Seite falsch rechnet.
Gerade deshalb ist das Ergebnis interessant. Denn an manchen Stellen laufen die Zahlen weit auseinander – und an anderen replizieren sie fast perfekt.
Der Faktor 5
Automatisierungsanteil im Vergleich – Google ATLAS und Anthropic Economic Index: Beide Anbieter messen die vollständige Delegation an die KI – und liegen um das Fünffache auseinander. Die Definitionen sind nicht deckungsgleich: Google klassifiziert die vermutete Absicht, Anthropic den Konversationsstil. Erhebung April bzw. Mai 2026.
Googles 6,5 % für nicht-routinemäßige kognitive Aufgaben und 26,9 % für routinemäßige kognitive Aufgaben stehen gegen einen Anthropic-Wert von 48,62 %, dem 51,38 % „augmentation“ gegenüberstehen.
Der Unterschied steckt in der Operationalisierung. Anthropic definiert „automation“ als Konversationsstil: Die Person lässt das Modell die Aufgabe erledigen, statt beteiligt zu bleiben. Google klassifiziert die vermutete Absicht, eine Tätigkeit vollständig abzugeben. Das klingt ähnlich und ist es nicht. Anthropics Schwelle liegt dort, wo jemand delegiert; Googles Schwelle liegt dort, wo ein Sprachmodell aus dem Prompt schließt, hier solle nichts mehr menschlich passieren.
Dazu kommt die Populationsdifferenz. Wer beruflich Code, Analysen und Dokumente an ein Modell übergibt, produziert Interaktionen, die in jedem Klassifikator direktiver aussehen als eine Suchanfrage im AI Mode.
Beides zusammen erklärt den Faktor 5 plausibel. Was es nicht erklärt, ist, warum die Zahl trotzdem als Aussage über die Arbeitswelt zitiert wird. Sie ist keine. Sie ist eine Eigenschaft der Messung.
Anthropic schreibt diesen Vorbehalt übrigens maschinenlesbar in jede einzelne Datenantwort: Die Anteile beschreiben Konversationsstile, keine Beschäftigungseffekte, und taugen ausdrücklich nicht als Indikator für Automatisierung von Arbeitsplätzen. Das ist der Unterschied zwischen einem Vorbehalt im Methodenanhang und einem Vorbehalt, an dem man nicht vorbeikommt.
Die 86,5 Prozent lösen sich auf
Der zweite große ATLAS-Befund lautet, 86,5 % der konversationellen Nutzung fänden außerhalb der Arbeit statt. Ich hatte in meiner Einordnung der ATLAS-Studie argumentiert, dass diese Zahl definitorisch aufgebläht ist, weil Lernen, Prüfungsvorbereitung und berufliche Weiterbildung bei Google auf der Nichtarbeitsseite landen.
Aus einem Argument wird jetzt eine Messung.
Arbeit, Privatleben und Lernen – unterschiedliche Kategoriengrenzen – Anthropic führt Studium und Lernen als eigene Kategorie und beziffert sie mit 16,45 Prozent. Genau dieser Anteil steckt bei Google unsichtbar im Nichtarbeitsblock und lässt ihn nach Freizeitnutzung aussehen.
Anthropic führt Studium und Lernen als eigene dritte Kategorie und beziffert sie mit 16,45 % weltweit. Genau der Anteil, der bei Google unsichtbar im Nichtarbeitsblock steckt und ihn nach Freizeit aussehen lässt.
Wer die Zahlen grob angleicht, landet bei Anthropic bei 43,36 % Arbeit gegenüber 13,5 % bei Google. Auch hier bleibt ein erheblicher Rest, der auf die unterschiedlichen Oberflächen zurückgeht – eine Suchmaschine wird nun einmal anders benutzt als ein Arbeitswerkzeug. Aber die Richtung ist eindeutig: Die 86,5 % sind kein Befund über das Privatleben. Sie sind ein Befund über eine Kategoriengrenze.
Breite ist nicht Verteilung
ATLAS betont die Abdeckung: Nutzung in 68 % der detaillierten Berufskategorien, die zusammen für 88,4 % der US-Beschäftigung stehen. Der Anthropic Economic Index hat eine vergleichbare Breite – 718 von 923 erfassten Berufen sind veröffentlicht – publiziert aber zusätzlich die Volumenverteilung. Und die ist brutal schief.
Anteil der Berufsgruppen an der weltweiten Claude-Nutzung – Breite ist nicht Verteilung: Die drei größten Wissensberufsgruppen stellen zusammen gut die Hälfte des Volumens. Die Anteile beschreiben Gespräche zu berufstypischen Tätigkeiten, nicht Menschen aus diesen Berufen. Quelle: Anthropic Economic Index, Mai 2026.
Die drei größten Wissensberufsgruppen kommen zusammen auf gut die Hälfte des gesamten Volumens. Land- und Forstwirtschaft liegt bei 0,04 %, Bau bei 0,10 %.
Das ist die direkte Ergänzung zu ATLAS‘ Handwerksbefund. Google erzählt, dass auch Kfz- und Industriemechaniker KI nutzen, für Fehlerdiagnose, Schaltpläne und Verschleißerkennung. Das stimmt, und es ist ein interessanter Befund über die kognitive Peripherie manueller Arbeit. Der Economic Index beziffert dieselbe Berufsgruppe mit 0,62 % des Volumens.
Beide Aussagen sind wahr. Nur zusammen ergeben sie ein ehrliches Bild: Ja, es passiert überall. Nein, es passiert nicht überall gleich viel. Wer nur die Breitenmetrik zitiert, verkauft eine Taxonomiekennzahl als Marktdurchdringung.
Eine Lesehilfe, die Anthropic zu Recht mitliefert: Die Anteile beschreiben Gespräche, die einer Tätigkeit zugeordnet wurden, die üblicherweise in dieser Berufsgruppe anfällt. Sie beschreiben nicht Menschen aus diesem Beruf. Wer Claude nach einer Bremsscheibendiagnose fragt, ist nicht zwangsläufig Kfz-Mechaniker.
Was tatsächlich repliziert
Der interessantere Teil ist nicht die Divergenz, sondern die Konvergenz. Drei ATLAS-Befunde halten dem Quervergleich stand.
Das Aufgabenprofil. Google findet, dass nicht-routinemäßige kognitive Tätigkeiten rund 65 % der arbeitsbezogenen Interaktionen ausmachen, obwohl sie nur etwa 35 % des Tätigkeitsuniversums stellen. Die Top-Tasks im Economic Index bestätigen das Muster fast Punkt für Punkt: Recherche in elektronischen Quellen mit 4,95 %, Suche in Referenzmaterialien mit 3,74 %, Beratung zu Produkten und Dienstleistungen mit 2,25 %, IT-Support mit 1,98 %, Programmieren mit 1,47 %. Informationsbeschaffung, Schreiben, Überarbeiten, Beraten – bei zwei Anbietern mit völlig unterschiedlicher Nutzerbasis dasselbe Bild.
Bildung ist überrepräsentiert. ATLAS misst einen rund 5,8-fachen Gesprächsanteil gegenüber dem Zeitanteil. Der Economic Index kommt auf 16,45 % Coursework plus 13,23 % im Themenbereich Bildung und Lernen und 12,79 % in der Berufsgruppe Bildung und Bibliothek. In einzelnen Ländern kippt das Profil vollständig: In Tunesien liegt der Coursework-Anteil bei 51,52 %, in Algerien bei 47,12 %, in Indonesien bei 45,88 %.
Der digitale Graben. Hier ist Anthropics Metrik die sauberere. Googles BIP-Elastizität von etwa 0,9 lässt sich mit dem Economic Index nicht nachrechnen, weil der Datensatz weder BIP- noch Einkommens- noch Beschäftigungsdaten enthält. Was er enthält, ist der Anthropic Usage Index: der Anteil eines Landes an der Nutzung geteilt durch seinen Anteil an der Bevölkerung im Erwerbsalter. 1,0 bedeutet Nutzung exakt proportional zur Bevölkerung.
Anthropic Usage Index im Ländervergleich – Der Index setzt den Nutzungsanteil eines Landes ins Verhältnis zu seinem Anteil an der Bevölkerung im Erwerbsalter; 1,0 bedeutet proportionale Nutzung. Bevölkerungsarme Länder sind dabei begünstigt. Quelle: Anthropic Economic Index, Mai 2026, CC BY 4.0.
Zwischen Australien und Tansania liegt Faktor 91. Das ist derselbe Befund, den Google mit Quintilen beschreibt, nur ohne den Umweg über StatCounter-Korrekturen und Serverstandorte.
Deutschland auf Rang 26
Für den deutschsprachigen Blick ist das die unbequemste Zeile des ganzen Vergleichs: Index 2,40, Rang 26 von 121. Hinter Österreich, hinter Frankreich, hinter den Niederlanden, weit hinter der Schweiz.
Das Nutzungsprofil ist dabei privater und beteiligter als der weltweite Schnitt: 37,62 % Arbeit gegenüber 43,36 % global, dafür 48,73 % Privatnutzung. Und 54,78 % Augmentation gegenüber 51,38 % global – in Deutschland bleiben Menschen häufiger im Prozess, statt zu delegieren.
Eine Einschränkung gehört dazu: Der Index bevorzugt bevölkerungsarme Länder. Australien, Singapur und Luxemburg an der Spitze sind teilweise ein Größeneffekt. Der Abstand zu Österreich und den Niederlanden ist davon aber nicht erklärt.
Was auch der Economic Index nicht kann
Der Quervergleich macht ATLAS nicht schlechter und Anthropic nicht besser. Er zeigt vor allem, wo beide dieselben Grenzen haben.
Beide sind Momentaufnahmen ohne Zeitreihe. Beide sind Beobachtungsstudien ohne Kontrollgruppe und ohne Kausalaussagen. Beide sagen nichts über Ergebnisqualität, Nacharbeit, Fehlerquoten oder Personalbedarf.
Und beide beziffern Zeitersparnis, ohne sie zu messen. Googles 149-Milliarden-Szenario beruht auf einer angenommenen Ersparnis zwischen 0,5 und fünf Prozent. Anthropics Gegenstück lautet, dass Aufgaben, die ein Klassifikator auf rund fünf Stunden Alleinarbeit schätzt, in etwa 40 Minuten Konversation liefen – ausdrücklich deklariert als automatisierte Schätzung aus Gesprächsinhalten, nicht als Messung. Zwei Anbieter, derselbe Zahlentyp, dieselbe Nichtmessung.
Der eigentliche Unterschied ist die Offenheit
Dieser Vergleich existiert nur aus einem Grund: Der Anthropic Economic Index steht unter CC BY 4.0 als offener Datensatz zur Verfügung. ATLAS ist ein PDF.
Google ist bei seinem Report gleichzeitig Dateninhaber, Produktanbieter, Methodenentwickler, Studienautor und Kommunikator der Ergebnisse – ohne Peer Review, ohne DOI, ohne reproduzierbaren Datensatz, ohne Analysecode. Das ist kein Beweis für schlechte Forschung. Es bedeutet nur, dass niemand außer Google die Zahlen prüfen kann.
Genau das ist der Punkt, an dem der Quervergleich seinen Wert entfaltet. Er ersetzt keine unabhängige Replikation. Aber er zeigt an einer einzigen Kennzahl, was passiert, wenn man sie versucht: Die Zahl, die alle beruhigt hat, verfünffacht sich, sobald ein zweiter Anbieter dasselbe Konzept auf seine eigene Weise misst.
Wer ATLAS in Präsentationen, Pitches oder Strategiepapieren verwendet, sollte deshalb nicht die Prozentzahl mitnehmen, sondern den Satz darunter: Beobachtete Nutzung ist keine gemessene Wirkung – und ein Anbieterwert ist keine Branchenkonstante.
Seit Google am 23. Juli 2026 den Report „AI & Economy ATLAS v1.0“ veröffentlicht hat, läuft die Berichterstattung in einer bemerkenswert gleichförmigen Schleife: KI unterstütze, ersetze aber keine Arbeitsplätze. KI sei in Berufen angekommen, die 88 Prozent der US-Beschäftigung ausmachen. KI sei bereits „an 21 Prozent der Aufgaben aktiv“. 86 Prozent der Nutzung fänden privat statt.
Vier Sätze, vier Zahlen – und in allen vier Fällen steht in der Studie etwas anderes, als in den Meldungen ankommt.
Das ist die eigentlich interessante Geschichte an ATLAS. Nicht, weil der Report schlecht wäre. Er ist im Gegenteil eine der methodisch ambitioniertesten Beobachtungsstudien, die wir zur tatsächlichen KI-Nutzung haben. Sondern weil er ein Lehrstück darüber ist, wie schnell aus einer Abdeckungsmetrik eine Wirkungsaussage wird, sobald sie eine Pressemitteilung passiert hat.
Was ATLAS tatsächlich untersucht hat
Google hat 14.653.926 aggregierte und de-identifizierte Interaktionen aus zwei Wochen ausgewertet, vom 6. bis 19. April 2026. Die Daten stammen aus drei Oberflächen: der Gemini App, dem AI Mode in der Google-Suche und der Gemini API. Aus jeder Quelle wurden rund fünf Millionen Interaktionen gezogen und anschließend nach dem realen Volumenanteil gewichtet.
Die Inhalte wurden dann durch eine mehrstufige automatisierte Pipeline geschickt: Personenbezug entfernen, zusammenfassen, semantisch clustern, durch Sprachmodelle beschreiben und kategorisieren. Arbeitsbezogene Interaktionen landeten in den US-Klassifikationen SOC und O*NET, nicht arbeitsbezogene in den Kategorien der American Time Use Survey (ATUS). Cluster mit weniger als zehn unterschiedlichen Nutzern flogen aus Datenschutzgründen raus.
Das ist eine saubere Anlage, und der Methodenteil ist für einen Unternehmensreport ungewöhnlich ehrlich. Google schreibt selbst, dass hier Nutzung gemessen wird und nicht wirtschaftliche Wirkung. Dieser Satz hat es nur leider in keine Schlagzeile geschafft.
Wichtig ist auch, was fehlt: Google Workspace, AI Overviews, Translate, Gemini Enterprise, Gemini for Google Cloud. Bei der API war für die inhaltliche Analyse im Wesentlichen nur die kostenlose Nutzung verfügbar – der gesamte bezahlte und ein großer Teil des Enterprise-Traffics ist nicht drin. Und selbstverständlich fehlen ChatGPT, Claude, Copilot, Mistral und alle anderen. Die untersuchte Population sind nicht „KI-Nutzer“, sondern Menschen, die in zwei Wochen im April bestimmte Google-Produkte verwendet haben.
Die vier Zahlen, die falsch gelesen werden
88,4 Prozent der Beschäftigung
Google fand Nutzung in 68 Prozent der detaillierten Berufskategorien, und diese Kategorien stehen zusammen für rund 88,4 Prozent der zivilen US-Beschäftigung. Was daraus in der Rezeption wird: KI sei in Berufen mit 88 Prozent aller Beschäftigten „vorgedrungen“.
Was die Zahl tatsächlich sagt: In Berufskategorien, in denen zusammengenommen 88,4 Prozent der US-Beschäftigten arbeiten, wurden weltweit genügend passende Interaktionen gefunden, um die Kategorie überhaupt ausweisen zu dürfen. Einige Dutzend Nutzer irgendwo auf der Welt können reichen, damit eine Kategorie als getroffen gilt.
Das ist eine Aussage über die Breite der Berufssystematik, nicht über die Verbreitung unter Beschäftigten. Der Unterschied ist nicht kosmetisch. Er ist die Differenz zwischen „mindestens jemand hat das mal gemacht“ und „das ist gängige Praxis“.
21 Prozent der Tätigkeiten
Insgesamt überschritt nur rund ein Fünftel aller O*NET-Tätigkeiten die Beobachtungsschwelle. Unter den Berufen mit hinreichender Nutzung lag der Median bei etwa 21 Prozent der berufstypischen Tätigkeiten.
Aus dieser Schwellenmetrik wird in der Berichterstattung: KI sei „an 21 Prozent der anfallenden Aufgaben aktiv“. Das ist eine andere Behauptung. Eine Tätigkeit gilt hier als abgedeckt, sobald sie in genügend Interaktionen auftaucht – unabhängig davon, wie oft, wie lange, wie erfolgreich und ob das Ergebnis überhaupt verwendet wurde. Über Arbeitszeitanteile sagt die Zahl nichts.
98 Prozent der Wachzeit
Google schreibt, KI-Nutzung sei in ATUS-Kategorien gefunden worden, die zusammen rund 98 Prozent der Wachzeit der US-Bevölkerung abdecken. Gemeint ist: In fast allen groben Aktivitätskategorien, mit denen Menschen ihren Tag verbringen, wurde wenigstens irgendeine Nutzung beobachtet. Wieder eine Aussage über die Vollständigkeit der Taxonomie – nicht über Nutzungsdauer, nicht über Reichweite.
Weniger als 10 Prozent Automatisierung
Das ist der Befund, der die freundlichen Schlagzeilen produziert hat. Google klassifiziert weniger als zehn Prozent der arbeitsbezogenen Interaktionen als Versuch, eine Tätigkeit vollständig an die KI zu delegieren – bei nicht-routinemäßigen kognitiven Aufgaben rund 6,5 Prozent, bei routinemäßigen kognitiven Aufgaben dagegen etwa 26,9 Prozent.
Nur: Gemessen wurde nicht, ob im realen Arbeitsprozess etwas automatisiert wurde. Ein Sprachmodell hat aus dem Text der Anfrage abgeleitet, welche Absicht wahrscheinlich dahintersteckt. „Erstelle mir die Präsentation“ sieht nach Vollautomatisierung aus, auch wenn danach zwei Stunden Handarbeit folgen. Ein unscheinbarer API-Call kann Teil einer komplett automatisierten Pipeline sein und wird trotzdem als Unterstützung gelesen.
Belastbar ist also allenfalls: Weniger als zehn Prozent der klassifizierten Interaktionen sehen sprachlich so aus, als solle die KI eine Tätigkeit komplett übernehmen. Nicht belastbar ist: KI automatisiert derzeit weniger als zehn Prozent der Arbeit. Und schon gar nicht: KI gefährdet keine Arbeitsplätze. Diese Frage hat die Studie überhaupt nicht untersucht.
Dass ausgerechnet der beruhigende Satz zur Überschrift wird, ist kein Zufall – er ist der Satz, den alle Beteiligten gern hören.
Die Milliarden sind ein Rechenbeispiel
Besonders vorsichtig sollte man mit dem angeblichen volkswirtschaftlichen Nutzen umgehen. Die Autoren nehmen rund 17,8 Stunden produktive Haushaltsarbeit pro Woche an, setzen einen Ersatzlohn von 12,02 US-Dollar pro Stunde an und rechnen mit einer KI-bedingten Zeitersparnis zwischen 0,5 und fünf Prozent. Ergebnis: 14,9 Milliarden Dollar im unteren, knapp 149 Milliarden im oberen Szenario.
Diese Zeitersparnis wurde nicht gemessen. Sie ist eine Annahme. Die Milliardenbeträge sind Sätze der Form „falls X, dann Y“ – und sie werden trotzdem als Nutzennachweis zitiert werden, darauf würde ich Geld setzen.
Wo die Studie wirklich stark ist
Bei aller Kritik an der Rezeption: Der Report enthält Befunde, die es wert sind, ernst genommen zu werden – gerade weil sie unbequemer sind als die Schlagzeilen.
Nicht-routinemäßige kognitive Arbeit dominiert. Solche Tätigkeiten machen etwa 35 Prozent des Tätigkeitsuniversums aus, aber rund 65 Prozent der beobachteten arbeitsbezogenen Interaktionen. Informationsbeschaffung, Ideengenerierung, Schreiben und Überarbeiten, Entwurf, Analyse, Lernen. Das widerspricht der jahrzehntealten Automatisierungserzählung, nach der zuerst das Standardisierte dran ist. Generative KI greift zuerst dort an, wo Sprache und Urteil im Spiel sind.
Auch manuelle Berufe nutzen KI – für die kognitive Peripherie. Bei Kfz- und Industriemechanikern geht es um Fehlerdiagnose, Messwertinterpretation, Schaltpläne, Reparaturhinweise, Verschleißerkennung, oft multimodal mit Fotos. Nicht die physische Kerntätigkeit verändert sich, sondern das Wissensdrumherum. Das ist ein präziseres Bild von Disruption als „Roboter ersetzt Handwerker“.
Menschen nutzen KI nicht proportional zur Zeit, sondern proportional zur Reibung. Verglichen mit den ATUS-Zeitanteilen ist Bildung rund 5,8-fach überrepräsentiert, professionelle und persönliche Dienstleistungen mehr als siebenfach, Behörden- und Bürgerangelegenheiten etwa zwanzigfach. Essen und Trinken dagegen deutlich unterrepräsentiert. Der Wert entsteht dort, wo Informationssuche mühsam, Verfahren undurchschaubar und Formulare unangenehm sind. Für jeden, der Produkte oder Inhalte baut, ist das die praktisch verwertbarste Zeile des ganzen Reports.
Der digitale Graben besteht fort. Ein Prozent höheres BIP pro Kopf geht mit rund 0,9 Prozent mehr Interaktionen pro Kopf einher. Das unterste Nutzungsquintil steht für etwa 17 Prozent der Weltbevölkerung, aber zwei Prozent der Konversationen.
Was man über die Klassifikationsqualität wissen muss
Hier wird es methodisch heikel, und dieser Teil steht in keiner Meldung. Google validiert seine Klassifikatoren unter anderem an synthetischen Beispielen. Die exakte Trefferquote sieht so aus:
Klassifikationsebene
Exakte Trefferquote
arbeitsbezogen vs. nicht arbeitsbezogen
93,7 % (ausgewogene Genauigkeit)
SOC-Hauptberufsgruppe
71,6 %
SOC-Untergruppe
58,4 %
konkreter Berufstitel
42,5 %
konkrete O*NET-Tätigkeit
22,6 %
ATUS-Hauptkategorie
72,8 %
ATUS-Unterkategorie
42,9 %
detaillierte ATUS-Aktivität
23,7 %
Auf grober Ebene – „Bildung“, „Gesundheit“, „Management“ – ist die Zuordnung brauchbar. Auf der Ebene konkreter Berufe und Tätigkeiten liegt sie in mehr als drei von vier Fällen daneben. Genau diese feingranulare Ebene ist aber die, aus der die vielzitierte 21-Prozent-Zahl gebildet wird.
Die menschliche Validierung fällt besser aus, arbeitet allerdings mit einem großzügigeren Kriterium – eine Kategorie galt als akzeptabel, wenn sie „vernünftig“ oder hinreichend ähnlich war – und umfasst nur 120 Arbeits- und 120 Nichtarbeitscluster, bewertet von drei internen Annotatoren. Das ist eine Plausibilitätskontrolle, keine unabhängige Validierung.
Dazu kommt ein Detail, das die Autoren immerhin selbst ansprechen: Die synthetischen Testbeispiele wurden mit Gemini 3.1 Flash Lite erzeugt, während in der Klassifikationspipeline Modelle aus demselben Systemumfeld arbeiten. Ein Modell kann in synthetischen Daten unbewusst Merkmale erzeugen, die ein verwandtes Modell besonders leicht wiedererkennt. Der überzeugendere Test wären echte, extern annotierte Interaktionen mit Labels, die vor der Auswertung feststehen.
Interpretation einer Interpretation
Aus Datenschutzgründen analysiert Google nicht die Rohdialoge. Inhalte werden zusammengefasst, erneut zusammengefasst, geclustert, dann kategorisiert. Das ist richtig so – methodisch bedeutet es aber, dass am Ende die Interpretation einer Interpretation untersucht wird.
Verloren geht dabei genau das, was für ökonomische Aussagen zählen würde: der Gesprächskontext, die Rolle des Nutzers, ob das Ergebnis verwendet wurde, ob nachgearbeitet werden musste, ob die Anfrage privat oder beruflich motiviert war, ob die KI Teil eines größeren automatisierten Systems ist.
Und weil Cluster unter zehn Nutzern entfernt werden, gilt: „nicht beobachtet“ heißt nicht „kommt nicht vor“. Systematisch unterschätzt werden seltene Berufe, neue Anwendungsfälle, hochspezialisierte Expertentätigkeiten und kleine Sprachgemeinschaften. Die Studie ist konstruktionsbedingt gut darin, Verbreitetes zu beschreiben, und schlecht darin, Neues zu entdecken.
Die Interessenlage
Der Report ist als Google-Publikation erschienen, ohne Peer Review, ohne DOI, ohne öffentlich verfügbaren Datensatz und ohne Analysecode. Alle Autoren arbeiten bei Google oder Google DeepMind.
Das ist kein Vorwurf fehlerhafter Forschung. Es ist eine Beschreibung der Konstellation: Google ist gleichzeitig Dateninhaber, Produktanbieter, Methodenentwickler, Studienautor und Kommunikator der Ergebnisse. Bei einem Befund, der lautet „unsere Technologie unterstützt Menschen, statt sie zu ersetzen“, sollte man das mitdenken – nicht als Unterstellung, sondern als Grund, auf unabhängige Replikation zu bestehen. Anthropic macht mit dem Economic Index etwas Vergleichbares auf eigener Datenbasis; OpenAI und Microsoft sitzen auf den restlichen Puzzleteilen. Erst wenn dieselbe Methodik über mehrere Anbieter und mehrere Zeitpunkte läuft, entsteht daraus etwas, das den Namen Arbeitsmarktforschung verdient.
Und selbst dann bliebe ATLAS eine Beobachtungsstudie ohne Kontrollgruppe. Sie kann nicht feststellen, ob KI Produktivität erhöht, Zeit spart, Qualität verbessert, Löhne verändert oder Stellen ersetzt. Auch der Zusammenhang zwischen Berufseinkommen und Nutzungsintensität – ein Prozent höheres Medianeinkommen geht mit rund 2,68 Prozent höherer Nutzungsintensität einher, nach Kontrolle für den Akademikeranteil noch 1,86 Prozent – ist eine Korrelation zwischen aggregierten Berufskategorien. Rückschlüsse auf einzelne Menschen sind daraus nicht zulässig.
Fast 15 Millionen Beobachtungen ändern daran nichts. Eine riesige Stichprobe reduziert Zufallsrauschen, sie beseitigt keine systematischen Verzerrungen. Man kann 15 Millionen Interaktionen mit beeindruckender Präzision falsch interpretieren.
Fazit
ATLAS ist wertvoll – als explorative Landkarte, als Hypothesengenerator und als Gegengewicht zu den Selbstauskunftsumfragen, aus denen das Feld sonst besteht. Die Muster, die der Report zeigt, sind plausibel und teilweise überraschend: KI verbreitet sich quer durch die Wirtschaft, bleibt innerhalb einzelner Berufe aber selektiv, konzentriert sich auf sprachliche und informationsintensive Teilaufgaben und greift selbst in manuellen Berufen zuerst an Diagnose, Dokumentation und Lernen an.
Was der Report nicht kann, ist alles, wofür er gerade zitiert wird: Produktivitätseffekte, wirtschaftlicher Wert, Arbeitsplatzrisiken, tatsächliche Prozessautomatisierung. Dafür bräuchte es kontrollierte Feldexperimente, Längsschnittdaten, Qualitäts- und Ergebnismessungen, Daten zu Arbeitszeit und Personalbedarf sowie repräsentative Nutzerstichproben.
Der ehrlichste Ein-Satz-Befund lautet deshalb: ATLAS zeigt sehr umfangreich, wo Menschen mit Gemini über Arbeit und Alltag sprechen – aber nicht, was diese Nutzung in der realen Welt bewirkt.
Wer die Studie in Präsentationen, Pitches oder Strategiepapieren verwendet, sollte diesen Satz vor die Zahlen stellen. Sonst zitiert man am Ende eine Abdeckungsmetrik als Beleg dafür, dass alles halb so wild wird.
Nachtrag: Anthropic veröffentlicht mit dem Economic Index einen vergleichbaren Datensatz auf eigener Datenbasis – anders als ATLAS als offener Datensatz unter CC BY 4.0. Ich habe die ATLAS-Kennzahlen dagegengehalten. Das Ergebnis steht hier: Faktor 5 – ATLAS und der Anthropic Economic Index im Vergleich.
Die neue Shopify-Analyse von Shero Commerce liefert interessante Daten zu Produkttexten und KI-Zitaten. Doch aus der Beobachtung, dass Publisher häufig zitiert werden, wird plötzlich die Behauptung, Duplicate Content sei die Ursache – und origineller Produkttext die Lösung. Genau das wurde gar nicht untersucht.
Ich mag Studien. Besonders dann, wenn die Forschenden ihre Daten veröffentlichen und andere dazu einladen, selbst nachzurechnen.
Genau das hat Shero Commerce bei der Studie „Duplicate Content and AI Citations in 1,000 Shopify Stores“ getan. Das Unternehmen hat ein umfangreiches Workbook mit Shop-Daten, Produkttexten, Duplikatprüfungen, Prompts und KI-Quellen bereitgestellt. Das ist deutlich transparenter als vieles, was derzeit unter dem Label GEO, AI SEO oder LLMO veröffentlicht wird. Dafür gebührt Gentian Shero ausdrücklich Anerkennung.
Das Problem beginnt nicht bei den Daten.
Es beginnt bei der Geschichte, die aus ihnen gemacht wird.
Die zentrale Botschaft der Studie lautet sinngemäß:
Produkttexte sind häufig über mehrere Domains dupliziert. Deshalb erkennen KI-Systeme die Markenseite nicht als Ursprung und zitieren lieber Magazine, Händler oder Marktplätze. Die Lösung seien einzigartige, ausführliche und sauber strukturierte Produkttexte.
Das klingt plausibel. Es passt perfekt in eine LinkedIn-Grafik. Und es führt direkt zu einer konkreten GEO-Dienstleistung.
Nur: Die Studie hat diesen Ursache-Wirkungs-Zusammenhang nicht getestet.
Sie zeigt, dass Produkttexte häufig kurz oder dupliziert sind. Und sie zeigt, dass KI-Antworten bei allgemeinen Kaufberatungsfragen häufig Publisher zitieren. Was sie nicht zeigt: dass das eine das andere verursacht.
Die Studie belegt eine Citation Gap. Sie belegt nicht, dass Duplicate Content diese Lücke verursacht.
Dieser Unterschied ist keine akademische Spitzfindigkeit. Es ist der Unterschied zwischen einer Beobachtung, einer Erklärung und einer nachgewiesenen Maßnahme.
Was wurde tatsächlich untersucht?
Die Studie verbindet mehrere Teilanalysen, die man sauber auseinanderhalten muss.
1. Analyse von 8.573 Produktbeschreibungen
Ausgangspunkt war eine bereits in früheren Shero-Benchmarks verwendete Liste von 1.000 Shopify-Shops. Laut Artikel konnten von 883 Shops Live-Produktdaten abgerufen werden. Pro Shop wurden bis zu zehn Produkte aus dem öffentlichen Produktfeed erfasst. Insgesamt kamen so 8.573 Produktbeschreibungen zusammen.
Für diese Texte wurde zunächst gezählt, wie viele Wörter im normalen Shopify-Beschreibungsfeld standen. Weniger als 50 Wörter galten als „thin“.
Nach meiner Nachzählung im veröffentlichten Workbook lagen 2.560 von 8.573 Beschreibungsfeldern unter dieser Schwelle. Das entspricht 29,9 Prozent. Außerdem wurden 1.892 Produkte als shopinterne Duplikate eingestuft, also 22,1 Prozent. (Google Docs)
Das ist zunächst ein sinnvoller deskriptiver Befund: Viele Shopify-Produktfeeds enthalten kurze oder untereinander stark ähnliche Texte.
2. Eine kleinere Untersuchung des tatsächlichen HTML-Inhalts
Shero erkannte selbst, dass das normale Beschreibungsfeld nicht mit dem gesamten Inhalt einer Produktseite gleichzusetzen ist. Moderne Shopify-Themes verteilen Inhalte auf Metafelder, Tabs, Akkordeons und unterschiedliche Theme-Komponenten.
Deshalb wurden bei technisch erreichbaren Shops jeweils zwei Produktseiten als HTML abgerufen. Textblöcke, die auf beiden Seiten identisch vorkamen, wurden als Boilerplate entfernt. Übrig bleiben sollte der produktspezifische Text.
532 Shops erlaubten einen solchen Abruf. Nur 173 konnten nach der Zwei-Seiten-Methode „sauber“ gemessen werden. Bei 27 dieser 173 Shops wurden weniger als 50 Wörter produktspezifischer Inhalt gefunden. Daraus ergibt sich die häufig zitierte Thin-Content-Rate von 15,6 Prozent.
Auch das ist ein interessanter Befund: Das normale Shopify-Beschreibungsfeld unterschätzt bei vielen Shops den tatsächlichen Seiteninhalt.
Aber die 15,6 Prozent gelten zunächst nur für diese 173 technisch messbaren Shops. Es handelt sich nicht um eine zufällig ausgewählte Teilstichprobe. Shops mit Bot-Schutz, ungewöhnlichem Rendering oder anderen technischen Besonderheiten fallen systematisch aus der Analyse heraus.
Die Autoren weisen auf diese Einschränkung erfreulicherweise selbst hin. In der späteren Kommunikation geht diese wichtige Einschränkung jedoch leicht verloren.
3. Suche nach extern duplizierten Texten
Für die externe Duplikationsprüfung wurden nicht alle 8.573 Beschreibungen mit dem gesamten Web verglichen.
Stattdessen wählte Shero aus einer kleineren Stichprobe jeweils einen charakteristischen Satz aus und suchte ihn als exakte Phrase im Web. Gefundene Domains wurden anschließend als Händler, Marktplatz, Publisher, Scraper oder sonstige Quelle klassifiziert.
Das ist ein vernünftiges Verfahren für ein exploratives Screening. Es ist aber etwas anderes als eine systematische Vollerhebung aller Produktbeschreibungen.
Darauf komme ich gleich zurück, denn genau hier entsteht eine der missverständlichsten Zahlen der Studie.
4. Kaufbezogene Fragen an drei KI-Systeme
Im zweiten großen Teil wurden Fragen aus 60 Produktkategorien an Googles KI-Antwortsystem, ChatGPT und Perplexity gestellt.
Die Prompts waren beispielsweise:
„What are the best gym leggings for squats that are actually squat-proof?“
„What are the best sustainable clothing brands that are actually eco-friendly and not greenwashing?“
„What are the best wireless bras for large busts that are actually supportive?“
Für jede Kategorie gab es eine vorab definierte Liste etablierter Marken. Anschließend wurde erfasst, ob eine Marke:
mit einer eigenen Domain als Quelle verlinkt wurde,
empfohlen, aber nicht mit der eigenen Domain zitiert wurde,
nur erwähnt wurde,
oder gar nicht vorkam.
Zusätzlich wurden sämtliche in den Antworten sichtbaren Quelldomains klassifiziert.
Das ist grundsätzlich ein brauchbares Design, um zu beschreiben, welche Quellentypen bei diesen konkreten Fragen auftauchten.
Es ist aber noch keine Untersuchung darüber, warum eine bestimmte Quelle auftauchte.
Was die Daten tatsächlich zeigen
Beginnen wir mit den Befunden, die sich aus dem Workbook nachvollziehen lassen.
Das Beschreibungsfeld ist kein guter Stellvertreter für die ganze Produktseite
Fast 30 Prozent der untersuchten Shopify-Beschreibungsfelder enthielten weniger als 50 Wörter. Bei der kleineren HTML-Stichprobe waren aber nur 27 von 173 Shops nach Sheros Definition tatsächlich dünn.
Von den Shops mit einem kurzen Beschreibungsfeld hatten 71 Prozent im übrigen HTML ausreichend weiteren Inhalt.
Das ist wahrscheinlich einer der nützlichsten Befunde der gesamten Studie.
Wer nur das Standardfeld eines CMS ausliest, misst nicht zwangsläufig das, was auf der tatsächlichen Seite vorhanden ist. Viele automatisierte Audits bewerten also einen Proxy statt des realen Seiteninhalts.
Interne Wiederholungen sind verbreitet
22,1 Prozent der 8.573 Produktbeschreibungen wurden als shopinterne Near-Duplicates klassifiziert. Die dafür verwendete Methode mit überlappenden Wortsequenzen und Jaccard-Ähnlichkeit ist grundsätzlich ein etabliertes Verfahren zur Erkennung sehr ähnlicher Texte.
Damit ist gut belegt, dass viele Shops Produkttexte mit stark wiederholten Templates verwenden.
Nicht belegt ist allerdings, dass diese interne Ähnlichkeit zu weniger KI-Zitaten führt.
Publisher dominierten die protokollierten Quellen
Von 1.851 im Workbook erfassten Quellen wurden 1.100 als Publisher oder Medien klassifiziert. Das entspricht 59,4 Prozent.
Nur 51 Quellenzeilen wurden als eigene Seite der jeweils untersuchten Marke eingestuft. Das entspricht 2,8 Prozent.
Über alle drei Systeme hinweg gab es 50 Fälle mit eigener Brand-Citation und 109 Fälle, in denen eine Marke zwar empfohlen, ihre eigene Domain aber nicht als Quelle verwendet wurde. Unter diesen 159 positiven Markenergebnissen lag der Anteil eigener Brand-Citations somit bei 31,4 Prozent.
Dieser Befund ist für die untersuchten Prompts erst einmal haltbar:
Bei allgemeinen „Was sind die besten …?“-Fragen verlinkten die getesteten KI-Systeme wesentlich häufiger auf redaktionelle oder vergleichende Drittquellen als auf die Seite der empfohlenen Marke.
Das ist relevant. Nur beweist es noch keine Fehlattribution durch Duplicate Content.
Die berühmten 20 Prozent sind keine 20 Prozent von 8.573 Beschreibungen
In der Studie und in ihrer Weiterverbreitung klingt es häufig so, als seien 20 Prozent der 8.573 Produktbeschreibungen auf anderen Domains gefunden worden.
Das ist nicht das, was im Workbook steht.
Dort finden sich 172 unterschiedliche Satzproben. Für jede Probe wurde ein charakteristischer Satz als exakte Suchphrase verwendet.
Meine Nachzählung ergibt:
121 Proben ohne externen Treffer,
30 Proben mit mindestens einem bestätigten Treffer,
21 Proben, bei denen ausschließlich als „unconfirmed“ gekennzeichnete Treffer vorliegen.
30 bestätigte positive Fälle von 172 Proben ergeben 17,4 Prozent.
Die Rate steigt auf 19,9 Prozent, wenn man die 21 ungeklärten Fälle vollständig aus dem Nenner entfernt und nur die 151 eindeutig positiven oder negativen Proben betrachtet.
Die publizierten 20 Prozent sind also nachvollziehbar, wenn die ungeklärten Fälle ausgeschlossen werden. Die Formulierung „20 Prozent der Produktbeschreibungen“ lässt den Befund aber breiter und eindeutiger wirken, als die Datenbasis tatsächlich ist. (Google Docs)
Hinzu kommt eine Dokumentationsunschärfe: Im Artikel heißt es, reale Treffer seien durch Öffnen der Seiten bestätigt worden. Im Workbook sind jedoch 86 einzelne Domain-Treffer als „unconfirmed“ markiert. Auf Ebene der Satzproben betreffen diese ungeklärten Treffer 21 Produkte.
Das macht die externe Duplikationsanalyse nicht wertlos. Sie sollte nur korrekt als das bezeichnet werden, was sie ist:
eine indikative Web-Stichprobe mit exakten Satzsuchen – keine Vollerhebung aller 8.573 Produkttexte.
Außerdem kann eine solche Suche nicht feststellen, welche Domain den Text ursprünglich veröffentlicht hat.
Vielleicht stammt der Text von der Marke und wurde an Händler syndiziert. Vielleicht stammt er vom Hersteller und wurde von Marke und Händler übernommen. Vielleicht wurde er zwischenzeitlich verändert. Vielleicht war die Händlerseite früher indexiert.
Ein identischer Satz belegt Gleichheit. Er belegt keine Urheberschaft.
Der entscheidende Denkfehler: Aus zwei Tabellen wird eine Ursache gebaut
Bis hierhin haben wir zwei separate Beobachtungen:
Beobachtung A: Ein Teil der Produkttexte ist kurz, intern ähnlich oder auf anderen Domains wiederzufinden.
Beobachtung B: Bei allgemeinen Kaufempfehlungen zitieren KI-Systeme häufig Magazine, Vergleichsportale und andere Publisher.
Die Studie verbindet diese Beobachtungen zu einer kausalen Geschichte:
Weil der Produkttext dupliziert ist, hat das KI-System keinen Grund, die Markenseite als Ursprung zu behandeln. Deshalb geht die Citation an einen Publisher.
Für diese Verbindung fehlt jedoch die eigentliche Analyse.
Die Studie zeigt nicht, dass eine konkrete Produktseite mit dupliziertem Text seltener zitiert wurde als eine vergleichbare Seite mit einzigartigem Text.
Sie zeigt auch nicht, dass Marken mit mehr duplizierten Produktbeschreibungen eine geringere Own-Domain-Citation-Rate hatten.
Es gibt keine kontrollierte Regression, die andere Faktoren berücksichtigt. Es gibt keine zufällige Zuweisung. Es gibt kein Vorher-nachher-Experiment. Es gibt keine Testgruppe mit umgeschriebenen Texten und eine Kontrollgruppe mit unveränderten Texten.
Die beiden Messungen arbeiten sogar auf unterschiedlichen Ebenen:
Die Duplikationsprüfung betrifft einzelne Produktbeschreibungen oder einzelne Sätze.
Die KI-Auswertung betrifft Marken innerhalb breiter Produktkategorien.
Die Prompts fragen nach den „besten“ Marken oder Produkten, nicht nach der Herkunft eines bestimmten Produkttextes.
Zwischen dem duplizierten Satz eines konkreten Produkts und der späteren Empfehlung einer Marke wird keine direkte Verbindung hergestellt.
Oder einfacher formuliert:
Die Studie zeigt auf einer Folie duplizierte Produkttexte und auf einer anderen Folie Publisher-Zitate. Die empirische Verbindungslinie zwischen beiden Folien fehlt.
Bemerkenswert ist, dass die Methodik diesen Punkt teilweise selbst anerkennt. Shero schreibt ausdrücklich, die Studie messe keinen Ranking-Ursache-Wirkungs-Zusammenhang und keine Duplicate-Content-Penalty. Wenige Absätze später wird trotzdem erklärt, was die Duplikation „in terms of attribution“ koste und warum die Citation deshalb zu einer anderen Quelle gehe.
Genau dort wird aus einer transparent benannten Einschränkung wieder eine scheinbar bewiesene Erklärung.
Warum Publisher bei „Best of“-Fragen nicht überraschen
Es gibt außerdem eine naheliegende alternative Erklärung für die vielen Publisher-Zitate: den Such- beziehungsweise Prompt-Intent.
Wer fragt:
„Welche Gym-Leggings sind wirklich squat-proof?“
sucht nicht primär nach den technischen Angaben einer bestimmten Marke. Die Person sucht eine vergleichende Bewertung.
Ein Hersteller kann auf seiner Produktseite erklären, aus welchem Material eine Leggings besteht, wie sie geschnitten ist und für welche Aktivitäten sie gedacht ist. Ob sie im Vergleich zu zehn anderen Produkten „die beste“ ist, wird ein unabhängiger Test, ein Fachmagazin oder ein Bewertungsportal häufig glaubwürdiger und ausführlicher behandeln.
Dass ChatGPT, Perplexity oder Google für solche Aussagen Testberichte und Vergleichsseiten als Belege anzeigen, kann daher schlicht bedeuten, dass diese Seiten den Prompt-Intent besser bedienen.
Es muss nichts mit der Duplikation eines Shopify-Produkttextes zu tun haben.
Auch der Begriff „Attribution“ ist in diesem Zusammenhang etwas irreführend. Eine sichtbare Quellenangabe in einer KI-Antwort ist nicht zwangsläufig eine Auszeichnung für den ursprünglichen Urheber einer Formulierung. Sie ist zunächst eine URL, die das System als unterstützende Quelle für einen Teil seiner Antwort präsentiert.
Google beschreibt die Links in AI Overviews und AI Mode entsprechend als unterstützende Webseiten, die zur Beantwortung und weiteren Exploration einer Frage herangezogen werden. Das ist etwas anderes als eine technische Urheberzuordnung für einzelne Sätze. (Google for Developers)
Eine Marke kann also durchaus die ursprüngliche Quelle ihrer Produktspezifikationen sein, während ein Magazin die passendere Quelle für die Aussage ist, das Produkt sei besonders gut, nachhaltig, langlebig oder sein Geld wert.
1.851 Quellen sind nicht 1.851 unabhängige Tests
Große Zahlen erzeugen Autorität. „1.851 analysierte Quellen“ klingt nach einer entsprechend großen Zahl unabhängiger KI-Entscheidungen.
Im Workbook verteilen sich diese Quellenzeilen jedoch auf 153 Kategorie-Engine-Kombinationen mit protokollierten Quellen.
Eine einzelne Antwort kann zehn, fünfzehn oder noch mehr Links enthalten. Jeder Link wird als eigene Quellenzeile gezählt.
Das ist für eine Analyse der Quellenzusammensetzung völlig legitim. Die Aussage „59 Prozent der protokollierten Links waren Publisher“ bleibt korrekt.
Man darf die 1.851 Links aber nicht so behandeln, als handele es sich um 1.851 voneinander unabhängige Experimente.
Wenn eine ChatGPT-Antwort zwölf Publisher verlinkt, sind das zwölf Quellenzeilen – aber weiterhin nur eine Antwort auf einen Prompt. Die Links innerhalb derselben Antwort hängen miteinander zusammen.
Wissenschaftlich gesprochen handelt es sich um geclusterte Daten. Für ein breites Publikum reicht die einfachere Formulierung:
Zwölf Links in einer Antwort sind nicht dasselbe wie zwölf unabhängig gestellte Fragen.
Auch die 9,5 Prozent sind etwas anders definiert, als es klingt
Für Google enthält das Workbook 620 Markenprüfungen:
16-mal „cited“,
37-mal „recommended“,
6-mal „mentioned“,
561-mal „absent“.
„Cited“ plus „recommended“ ergibt 53 von 620 Fällen beziehungsweise 8,5 Prozent.
Die im Artikel genannten 9,5 Prozent entstehen erst, wenn zusätzlich die sechs bloßen Erwähnungen eingerechnet werden: 59 von 620. (Shero Commerce)
Das ist keine dramatische Abweichung. Es ist aber methodisch relevant, weil die Studie die Kategorien „cited“, „recommended“ und „mentioned“ ausdrücklich voneinander trennt.
Wer in der Überschrift „cited or recommended“ sagt, sollte nicht stillschweigend auch „mentioned“ mitzählen.
Ein weiterer Schwerpunkt der Studie liegt auf strukturierten Produktdaten.
In der kleineren Stichprobe von 173 sauber messbaren Shops enthielten 152 eine strukturierte Produktbeschreibung. Das entspricht knapp 88 Prozent.
Bei 102 der 173 Shops war diese Beschreibung kürzer als 50 Wörter oder fehlte ganz. Daraus entstehen die kommunizierten 59 Prozent. (Google Docs)
Auch hier ist die deskriptive Aussage nachvollziehbar:
Viele Shops liefern in ihrem strukturierten Product-Markup nur eine sehr kurze oder gar keine Beschreibung.
Nicht gezeigt wird jedoch, dass 49 Wörter schlecht und 51 Wörter gut sind. Die Grenze von 50 Wörtern wurde von der Studie festgelegt. Es gibt keinen Test, bei dem strukturierte Beschreibungen verlängert und anschließend häufiger zitiert wurden.
Die Formulierung „AI-readable description“ suggeriert zudem, dieses Feld sei der entscheidende oder bevorzugte Textkanal für KI-Systeme. Dafür liefert die Studie keinen Beleg. Strukturierte Daten können Maschinen helfen, Inhalte und Produkteigenschaften zu verstehen. Sie ersetzen aber weder den sichtbaren Seiteninhalt noch beweisen sie eine höhere Zitierwahrscheinlichkeit.
Google erklärt für AI Overviews und AI Mode ausdrücklich, dass keine besondere KI-Auszeichnung und kein spezielles Schema erforderlich sind. Wichtig ist unter anderem, dass wesentliche Inhalte in Textform vorliegen und strukturierte Daten mit dem sichtbaren Seiteninhalt übereinstimmen. (Google for Developers)
Die sinnvolle Empfehlung lautet deshalb:
Pflegt eure strukturierten Produktdaten vollständig und korrekt.
Die nicht belegte Empfehlung lautet:
Eine Produktbeschreibung mit mehr als 50 Wörtern im JSON-LD erhöht die Wahrscheinlichkeit einer KI-Citation.
Das wurde nicht getestet.
Die vorgeschlagene Lösung kommt aus keiner Interventionsstudie
Nach den Befunden präsentiert Shero eine Struktur aus zwölf Feldern für eine angeblich „citable product page“: Produktüberschrift, Sales Headline, kurze und lange Beschreibung, Benefits, Zielgruppe, technische Daten, FAQs, Meta-Daten, Cross-Sells und weitere Elemente.
Danach folgt der Hinweis auf einen kostenpflichtigen GEO-Readiness-Audit. Im Workbook gibt es außerdem ein „Content Enrichment“-Tab mit Beispielen aus einem System, das Shero für Kunden entwickelt.
Daran ist zunächst nichts Verwerfliches. Shero ist eine Commerce-Agentur und keine Universität. Natürlich soll die Forschung auch auf die eigenen Leistungen einzahlen.
Aber gerade deshalb muss man streng trennen:
Was wurde gemessen?
Was wird daraus vermutet?
Was wird anschließend verkauft?
Die zwölf Felder können eine gute redaktionelle Checkliste sein. Einzigartige, produktspezifische und hilfreiche Inhalte sind wahrscheinlich für Nutzer, Conversion, klassische Suche und Markenkommunikation sinnvoll.
Die Studie hat jedoch nicht getestet, ob Seiten mit diesen zwölf Feldern häufiger zitiert werden.
Sie hat auch nicht getestet, ob das Umschreiben duplizierter Texte zu mehr Brand-Citations führt.
Wenn aus einer Beobachtungsstudie unmittelbar eine konkrete Lösung mit zwölf Maßnahmen entsteht, bedeutet das nicht automatisch, dass die Lösung falsch ist. Es bedeutet nur, dass ihre Wirksamkeit durch diese Studie nicht nachgewiesen wurde.
Auditierbar ist nicht dasselbe wie reproduzierbar
In der Weiterverbreitung, insbesondere durch Aleyda Solís bei LinkedIn, wird die Studie als „well built“ und „reproducible“ gelobt.
„Gut gebaut“ kann man vertreten. Das öffentliche Workbook ist wertvoll. Viele der zentralen Summen lassen sich kontrollieren und nachrechnen.
Für „reproduzierbar“ würde ich einen strengeren Maßstab anlegen.
Um den KI-Teil wirklich zu reproduzieren, bräuchte man unter anderem:
die exakten Modell- und Produktversionen,
den genauen Zeitpunkt jedes Laufs,
Account-, Länder- und Spracheinstellungen,
mögliche Search- oder Browsing-Konfigurationen,
die vollständigen Rohantworten,
die verwendeten Klassifikationsregeln,
mehrere Wiederholungen desselben Prompts.
Die Studie nennt die getesteten Systeme, Prompts und den Erhebungsmonat. Sie weist außerdem selbst darauf hin, dass die Ergebnisse vom jeweiligen System und vom Erhebungszeitpunkt abhängen und sich verändern werden.
Das Workbook macht die Auswertung also auditierbar: Man kann kontrollieren, was eingetragen und wie daraus gerechnet wurde.
Es macht das Experiment nicht vollständig reproduzierbar: Man kann nicht sicherstellen, dass ein unabhängiges Team unter denselben Bedingungen denselben Versuch wiederholt.
Eine weitere kleine Lücke: Im AI Citation Log enthält das Workbook für Google und Perplexity jeweils 60 Kategorien, für ChatGPT aber nur 49. Eine Erklärung für die fehlenden elf Kategorien ist in der veröffentlichten Methodik nicht ersichtlich.
Ein weiterer statistischer Sprachfehler
Im Workbook wird aus Spearman-Korrelationen von 0,13 zwischen Content-Tiefe und AI Readiness sowie 0,02 zwischen Geschwindigkeit und AI Readiness geschlossen, die Größen seien „statistically independent“.
Das ist zu stark formuliert.
Ein Korrelationswert nahe null bedeutet lediglich, dass in diesen Daten kein starker monotoner Zusammenhang sichtbar ist.
Statistische Unabhängigkeit ist eine viel stärkere Eigenschaft. Zwei Größen können eine Korrelation von null haben und trotzdem voneinander abhängig sein.
Die korrekte Formulierung wäre daher:
Die gemessenen Größen waren in dieser Stichprobe nur sehr schwach miteinander korreliert.
Auch das ist kein katastrophaler Fehler. Es ist aber ein weiteres Beispiel dafür, wie aus einem begrenzten statistischen Befund eine größere Aussage gemacht wird.
Was ist haltbar – und was nicht?
Aussage
Bewertung
Das normale Shopify-Beschreibungsfeld unterschätzt häufig den tatsächlichen Seiteninhalt.
Gut gestützt.
Viele Produkttexte sind innerhalb eines Shops stark ähnlich.
Für diese Stichprobe gut gestützt.
Produkttexte tauchen auch auf Händler- und Marketplace-Domains auf.
Durch die Satzstichprobe gestützt, aber keine Vollerhebung.
Publisher dominieren bei den untersuchten allgemeinen Kaufempfehlungsfragen die Quellenlinks.
Gut gestützt.
Duplizierte Produkttexte verursachen die geringe Zahl eigener Brand-Citations.
Nicht gezeigt.
KI-Systeme wählen Publisher, weil sie die Markenseite nicht als Ursprung erkennen.
Plausible Hypothese, aber nicht gemessen.
Strukturierte Beschreibungen unter 50 Wörtern reduzieren KI-Citations.
Nicht getestet.
Einzigartige Texte in zwölf definierten Feldern erhöhen die Citation-Rate.
Nicht getestet.
Die Studie ist vollständig reproduzierbar.
Zu stark. Sie ist vergleichsweise transparent und auditierbar.
Was Unternehmen trotzdem daraus mitnehmen können
Die kritische Einordnung bedeutet nicht, dass Unternehmen ihre Produkttexte weiterhin unkontrolliert über sämtliche Vertriebspartner verteilen sollten.
Einzigartige, genaue und produktspezifische Inhalte sind grundsätzlich sinnvoll. Nicht nur für GEO, sondern auch für Nutzer, klassische Suchmaschinen, Beratung, Conversion und Markenprofil.
Auch vollständige strukturierte Produktdaten sind sinnvoll – insbesondere Preise, Verfügbarkeit, Varianten, Bewertungen, Versandinformationen und andere tatsächlich vorhandene Produkteigenschaften. Google empfiehlt, möglichst vollständige, korrekte Produktinformationen bereitzustellen, ohne daraus eine Garantie für eine bestimmte Darstellung abzuleiten. (Google for Developers)
Die Strategie sollte nur nicht auf einer vermeintlich bewiesenen GEO-Regel beruhen.
Für Marken würde ich vier Ziele getrennt messen:
Wird die Marke in einer KI-Antwort erwähnt?
Wird sie ausdrücklich empfohlen?
Wird eine eigene Domain als Quelle verlinkt?
Entstehen daraus tatsächlich Klicks oder Conversions?
Diese Outcomes sind nicht dasselbe. Eine Brand-Erwähnung ohne Link kann wertvoll sein. Eine Publisher-Citation kann Vertrauen und Nachfrage aufbauen. Eine eigene Citation muss nicht automatisch einen Klick erhalten. Und ein Klick muss nicht konvertieren.
Außerdem sollte der Seitentyp zum Prompt passen.
Wer bei Fragen wie „Welche Produkte sind die besten?“ sichtbar werden will, benötigt wahrscheinlich mehr als eine klassische Produktdetailseite. Vergleichende Guides, transparente Testmethoden, Experteninhalte, echte Nutzungsdaten, FAQs und redaktionelle Kategorieseiten können den Intent solcher Fragen besser bedienen.
Auch unabhängige Berichterstattung und Händlerpräsenz müssen nicht nur als Verlust betrachtet werden. Wenn ein renommiertes Fachmedium die eigene Marke empfiehlt, kann das strategisch wertvoll sein – selbst wenn die direkte Citation zunächst zum Publisher führt.
Wie man die zentrale Hypothese wirklich testen müsste
Die spannende Frage der Shero-Studie ist keineswegs erledigt. Im Gegenteil: Sie wäre ein hervorragender Ausgangspunkt für ein kontrolliertes Experiment.
Man könnte beispielsweise mehrere vergleichbare Produktseiten auswählen und zufällig zwei Gruppen bilden.
In der Testgruppe würden die duplizierten Texte durch einzigartige, produktspezifische Inhalte ersetzt. Zusätzlich könnte man die sichtbaren Inhalte und strukturierten Daten konsistent vervollständigen.
Die Kontrollgruppe bliebe unverändert.
Anschließend müsste man über mehrere Wochen oder Monate:
dieselben Prompts wiederholt testen,
mehrere KI-Systeme und Zeitpunkte einbeziehen,
Empfehlungen, Erwähnungen und eigene Citations getrennt erfassen,
klassische Rankings, Markenbekanntheit und Seitentypen kontrollieren,
und die Ergebnisse auf URL- beziehungsweise Produktebene auswerten.
Erst dann ließe sich beantworten, ob das Umschreiben duplizierter Produkttexte die Wahrscheinlichkeit eigener KI-Citations tatsächlich erhöht.
Bis dahin ist „Duplicate Content verursacht den Citation-Verlust“ keine Erkenntnis, sondern eine Hypothese.
Fazit: Gute Daten, zu große Story
Shero Commerce hat eine für Branchenverhältnisse ungewöhnlich transparente explorative Analyse veröffentlicht.
Die Studie zeigt überzeugend, dass das normale Shopify-Beschreibungsfeld den realen Seiteninhalt oft schlecht abbildet. Sie dokumentiert interne Textwiederholungen, externe Syndizierung und eine deutliche Dominanz von Publishern in den Quellen der getesteten Kaufempfehlungsfragen.
Das alles ist nützlich.
Die Studie zeigt aber nicht, dass Duplicate Content der Grund für diese Publisher-Dominanz ist. Sie zeigt nicht, dass KI-Systeme den Ursprung eines Textes falsch bestimmen. Sie zeigt nicht, dass längere strukturierte Beschreibungen oder eine bestimmte Zwölf-Felder-Struktur die Citation-Rate erhöhen.
Und sie zeigt schon gar nicht, dass „editorial, not technical“ die empirisch nachgewiesene Lösung ist.
Die faire Einordnung lautet deshalb:
Eine transparente und interessante Branchenstudie mit einer plausiblen Hypothese – aber kein Kausalnachweis und keine validierte GEO-Anleitung.
Oder noch kürzer:
Sie zeigt, dass eine Citation Gap existiert. Sie zeigt nicht, warum sie existiert.
Das ist viel weniger spektakulär als die LinkedIn-Version.
Es gibt einen Reflex, der bei jeder neuen Detektor-Studie zuverlässig auftritt: Endlich ein Beweis, dass sich KI-Texte erkennen lassen. Eine aktuelle Arbeit rund um ein Verfahren namens STORYSCOPE liefert dafür auf den ersten Blick reichlich Munition – und ist gerade deshalb ein gutes Beispiel dafür, warum man solche Ergebnisse vorsichtig lesen sollte. Denn was die Studie tatsächlich zeigt, ist deutlich interessanter und deutlich enger, als die Schlagzeile „KI-Texte sind erkennbar“ vermuten lässt.
Nicht der Stil, sondern der Bauplan
Die üblichen Verdächtigen, an denen man KI-Text zu erkennen glaubt, sind stilistischer Natur: bestimmte Lieblingswörter, Floskeln, ein Hang zu Aufzählungen, dieser eigentümlich glatte Ton. All das lässt sich in Sekunden umschreiben. Die spannende Frage der Studie war eine andere: Unterscheiden sich menschliche und KI-generierte Erzählungen nicht nur an der Oberfläche, sondern in ihrer erzählerischen Konstruktion? Also darin, wie Figuren handeln, wie Konflikte gelöst werden, wie Informationen enthüllt werden, wie Zeit strukturiert ist und wie ein Text seine Bedeutung transportiert.
Genau hier setzt STORYSCOPE an. Das Verfahren übersetzt lange Geschichten in Hunderte interpretierbare Erzählmerkmale: Wird die Moral ausdrücklich erklärt oder muss man sie erschließen? Löst eine Entscheidung der Hauptfigur den Konflikt? Gibt es Nebenhandlungen? Verläuft die Geschichte chronologisch oder mit Rückblenden? Bleibt das Ende ambivalent? Wie werden Emotionen dargestellt? „Originalität“ wird dabei bewusst nicht ästhetisch oder juristisch verstanden, sondern rein statistisch – als Seltenheit einer bestimmten Merkmalskombination.
Wie die Forschenden vorgegangen sind
Die Grundlage bildet ein paralleler Geschichtenkorpus. Aus dem Datensatz Books3 wurden 10 272 menschlich geschriebene Kurzgeschichten entnommen. Zu jeder dieser Geschichten ließ das Team von Gemini 2.5 Flash nachträglich einen Schreibprompt rekonstruieren, der Figuren, Ausgangslage und thematische Richtung zusammenfasst. Diesen Prompt erhielten anschließend fünf Modelle – Claude Sonnet 4.6, DeepSeek V3.2, Gemini 3 Flash, GPT-5.4 und Kimi K2.5 –, die daraus jeweils eine eigene Version schrieben. So entstanden zu jedem Ausgangstext sechs Varianten: eine menschliche und fünf maschinelle, insgesamt 61 608 Geschichten mit im Mittel rund 4 750 Wörtern.
An dieser Stelle lohnt sich ein Merkzettel für später: Die menschliche Geschichte ist das Original, der Prompt wurde aus ihr abgeleitet, und die KI-Versionen sind daraus rekonstruierte Spiegeltexte. Das ist eine kontrollierte Annäherung, kein symmetrisches Experiment.
Der eigentliche Trick liegt in der Abstraktion: Jede Geschichte wurde von GPT-5.1 in ein umfangreiches JSON-Schema übertragen, das Figuren, Kausalität, Plot, Schauplätze, Zeitstruktur, Enthüllungen und Erzählperspektive erfasst. Aus der Prosa wird also zunächst eine strukturierte Erzählbeschreibung – damit spätere Vergleiche eben nicht mehr an einzelnen Formulierungen hängen. Aus dem Vergleich von 600 Geschichten formulierte ein Modell mögliche Unterscheidungsmerkmale; nach Bereinigung blieben 304 übrig, davon 257 rein narrative, nachdem alle stilnahen Merkmale entfernt worden waren. Gemini 3 Flash bewertete anschließend sämtliche Geschichten auf allen Merkmalen, und auf diesen Vektoren wurden zwei Klassifikatoren trainiert: einer für Mensch gegen KI, einer für die genaue Zuordnung zu einem von sechs Urhebern.
Was sie gefunden haben
Die Kennzahl, die für Aufsehen sorgt: Allein mit narrativen Merkmalen – also ohne jeden Stilhinweis – trennte das Modell Mensch und KI mit 93,2 % Macro-F1. Das sind rund 97 % der Leistung des kombinierten Modells aus Struktur und Stil. Bemerkenswert ist allerdings, dass raw-text-basierte Vergleichsmodelle mit 99,7–99,9 % noch deutlich besser abschnitten. STORYSCOPE ist also gar nicht der beste Detektor in diesem Datensatz. Sein Wert liegt woanders: Es liefert interpretierbare, strukturelle Gründe statt eines Blackbox-Urteils.
Und diese Gründe sind aufschlussreich. KI-Geschichten erklären ihre Bedeutung häufiger selbst: In 77 % der Fälle kommentierte der Erzähler das zentrale Thema, gegenüber 52 % bei den Menschen; philosophische Dialoge dominierten in 59 % der KI-Texte, aber nur in 34 % der menschlichen. Die Plots waren linearer und aufgeräumter – in 79 % der KI-Geschichten fand das Verfahren gar keine Nebenhandlung (Mensch: 57 %), und in 69 % löste eine bewusste Entscheidung der Hauptfigur den Konflikt (Mensch: 46 %). Besonders deutlich war der Umgang mit Gefühlen: KI inszenierte Emotionen zu 81 % über Körperempfindungen oder Metaphern (Mensch: 38 %), während Menschen Gefühle überraschend oft schlicht beim Namen nannten (29 % gegenüber 8 %). Menschliche Texte waren dafür intertextuell konkreter, durchbrachen häufiger die vierte Wand und stellten ihre Figuren öfter moralisch ambivalent dar (59 % gegenüber 38 %).
In der Gesamtschau bilden die fünf Modelle einen relativ dichten gemeinsamen Bereich, während die menschlichen Geschichten abgesetzt und breiter gestreut liegen – die Modelle ähneln einander narrativ also stärker als den Menschen. Für die Zuordnung zu einem konkreten der sechs Urheber reichte es narrativ nur für 68,4 % Macro-F1, und die Verwechslungen fanden fast ausschließlich zwischen KI-Modellen statt. Trotzdem zeigten sich Eigenheiten: Claude mit flacher Ereigniseskalation, gleichmäßiger Erzählstimme und ruhigen Enden; GPT mit Klatsch als Plotmotor und sozial ausgerichteten Figuren; Gemini mit besonders „sauberen“ Abschlüssen und auffällig düsteren Schauplätzen; DeepSeek mit früh gelieferten Hintergründen; Kimi mit den wenigsten klaren Fingerabdrücken. Und der vielleicht robusteste Befund: Eine gezielte stilistische Überarbeitung, die typische KI-Marotten entfernt, senkte die Erkennung nur von 95,5 auf 93,9 %. Klischees kann man umschreiben – den Bauplan einer Geschichte nicht so einfach.
Warum das nicht heißt, dass man KI-Texte „erkennt“
Und hier kommt der Teil, den man beim Zitieren dieser Studie gern unterschlägt. So sauber die Methode ist – die Ergebnisse tragen nicht die Last, menschliche und maschinelle Texte seien generell zuverlässig unterscheidbar. Dagegen sprechen mehrere Dinge zugleich.
Erstens misst die Studie Defaults, nicht Wesenszüge. Was hier sichtbar wird, sind die Pfade des geringsten Widerstands, die aktuelle Modelle unter einem Prompting-Regime einschlagen. Ändert man Prompt, Instruktion oder Modell, kann sich das Signal verschieben. „KI erzählt aufgeräumt“ ist keine Eigenschaft von KI, sondern eine Voreinstellung – und Voreinstellungen lassen sich steuern.
Zweitens ist der Vergleich strukturell asymmetrisch. Die menschliche Klasse bündelt Tausende verschiedener Autor:innen, jede KI-Klasse dagegen genau ein Modell. Dass die menschliche Seite vielfältiger wirkt, ist damit teils schon ins Studiendesign eingebaut und keine tiefe Wahrheit über Mensch und Maschine. Hinzu kommt: Die menschliche Version ist das Original, die KI-Texte sind daraus abgeleitete Spiegel eines rekonstruierten Prompts.
Drittens handelt es sich um ein In-Sample-Ergebnis. Trainiert und getestet wurde mit denselben fünf Modellfamilien unter denselben Bedingungen. Nichts daran belegt, dass sich das auf ein neues Modell oder auf Texte übertragen lässt, die unter anderen Bedingungen entstanden sind. Fairerweise: Die naheliegenden Störgrößen haben die Forschenden geprüft. Dass KI-Texte im Schnitt kürzer ausfielen, erklärt den Befund nicht – auf einer längennormierten Stichprobe bleibt die narrative Erkennung bei 93,2 %, und das Genre verschiebt die Werte nur geringfügig. Das Problem liegt also nicht in einem trivialen Artefakt, sondern in der Reichweite der Aussage. Denn das Messinstrument selbst ist ein Sprachmodell: Merkmale wurden von LLMs entdeckt und annotiert, die menschliche Validierung umfasste zwölf Geschichten. Für die Kernaussage der Arbeit reicht das – als neutrales Orakel taugt es nicht.
Viertens ist der Gegenstand eng: lange, englischsprachige Belletristik. Kurze Texte, andere Sprachen, Sachtexte und – praktisch am wichtigsten – gemischte Mensch-KI-Arbeit sind nicht abgedeckt. Genau diese Mischung ist aber der Normalfall in fast jedem realen Schreibprozess. Und schließlich: Die Verteilungen überlappen erheblich. Es gibt sehr konventionelle menschliche und sehr ungewöhnliche maschinelle Geschichten. Eine statistische Trennung zweier großer Punktwolken ist etwas völlig anderes, als einen einzelnen Text in die Hand zu nehmen und zu sagen, wer ihn geschrieben hat. Das zeigt sich schön am „seltensten“ Zehntel des Korpus: Pro Modell sind menschliche Geschichten dort zwar überrepräsentiert (24,7 % gegenüber 7,1 %), in absoluten Zahlen enthält dieses originellste Zehntel aber mehr KI- als menschliche Texte – schlicht, weil fünfmal so viele KI-Geschichten im Datensatz stecken. „Selten“ ist eben nicht dasselbe wie „menschlich“. Dass menschliche Texte im Mittel im 71. Seltenheitsperzentil lagen und KI-Texte im 49., ist ohnehin ein technischer Proxy – er misst weder literarische Qualität noch Kreativität und schon gar keine urheberrechtliche Schutzfähigkeit.
Was bleibt
Der eigentliche Beitrag dieser Arbeit ist kein neuer Detektor, sondern eine Methode, Erzählentscheidungen quantitativ sichtbar zu machen. Ihre stärkste, belastbare Aussage lautet: Heutige Modelle teilen erkennbare narrative Voreinstellungen – explizite Themen, körperlich inszenierte Emotionen, klare Kausalketten, protagonistengesteuerte Auflösungen, wenige lose Enden. Ihre schwächste, oft überstrapazierte Aussage wäre: Man könne beliebige Texte zuverlässig Mensch oder KI zuordnen. Das gibt der Datensatz nicht her.
Für alle, die praktisch mit KI-Text arbeiten, sind das zwei nützliche Erkenntnisse in einem. Zum einen sitzen die verräterischen Muster in der Struktur, nicht nur im Vokabular – und Struktur ist genau das, was man über Prompt und Überarbeitung beeinflussen kann. Wer will, kann gegen die Defaults anschreiben. Zum anderen sollte man dem umgekehrten Reflex ebenso misstrauen wie dem ersten: Weder ist KI-Schreiben zuverlässig „erkennbar“, noch sind Menschen per se die originelleren Erzähler. Die Studie zeigt Tendenzen unter Laborbedingungen. Sie zeigt keinen Beweis für Autorschaft.
Anthropic hat in Claude einen internen Arbeitsraum gefunden, der an eine prominente Theorie des menschlichen Bewusstseins erinnert. Gleichzeitig zeigt die Hirnforschung, wie viel in unserem Gehirn geschieht, bevor uns eine Entscheidung bewusst wird. Die Parallelen sind verblüffend – und gerade deshalb müssen wir sehr genau hinschauen.
Ich habe in kurzer Folge zwei Dinge konsumiert, die seitdem in meinem Kopf miteinander reden:
Zum einen das Gespräch von Jochen Wegner mit dem Neurowissenschaftler John-Dylan Haynes im Podcast „Nur eine Frage“. Die vermeintlich einfache Frage lautet: Haben wir einen freien Willen? Die Antwort führt tief hinein in unbewusste Entscheidungsprozesse, die Grenzen der Hirnforschung und das bis heute ungelöste Rätsel des Bewusstseins.
Zum anderen den neuen Anthropic-Beitrag „A global workspace in language models“. Darin beschreibt das Unternehmen eine interne Struktur in Claude, die eine besondere Rolle beim bewussten – oder zumindest bewusstseinsähnlichen – Zugriff auf Informationen zu spielen scheint.
Auf den ersten Blick geht es im einen Fall um Menschen und im anderen um Maschinen. Tatsächlich kreisen beide Texte aber um dieselbe Frage:
Was geschieht in einem komplexen kognitiven System, bevor ein Gedanke, eine Entscheidung oder eine Antwort sichtbar wird?
Eine Bühne, die niemand eingebaut hat
Anthropic nennt die entdeckte Struktur den J-space. Das „J“ steht für die sogenannte Jacobian Lens, kurz J-lens: ein Verfahren, mit dem die Forschenden untersuchen, welche internen Aktivitätsmuster dazu führen könnten, dass Claude zu einem späteren Zeitpunkt ein bestimmtes Wort ausgibt.
Das bedeutet nicht, dass irgendwo im Modell in Klartext „Spinne“, „Frankreich“ oder „Gefahr“ gespeichert steht. Die J-lens projiziert hochdimensionale Aktivierungen auf mögliche sprachliche Ausgaben. Sie liefert also eine Interpretation dessen, welche Begriffe im Modell gerade besonders relevant zu sein scheinen.
Trotzdem ist das Ergebnis bemerkenswert.
Der J-space umfasst offenbar nur wenige Dutzend Konzepte gleichzeitig und weniger als ein Zehntel der gesamten internen Aktivität. Im Vergleich zum Rest des Netzwerks haben diese Repräsentationen jedoch eine privilegierte Stellung: Claude kann über sie berichten, sie auf Anweisung aktivieren, mit ihnen mehrstufig schlussfolgern und sie flexibel für verschiedene Aufgaben verwenden.
Noch wichtiger: Anthropic zeigt nicht nur Korrelationen, sondern greift direkt in diese Repräsentationen ein.
Soll Claude still an eine Sportart denken, taucht im J-space beispielsweise „Soccer“ auf. Ersetzen die Forschenden dieses Muster durch „Rugby“, berichtet Claude anschließend, es habe an Rugby gedacht. Wird bei der Frage nach der Zahl der Beine des Tieres, das Netze spinnt, die interne Repräsentation „Spinne“ durch „Ameise“ ersetzt, antwortet das Modell mit sechs statt acht.
Bei Fragen zu Frankreich verändert derselbe interne Austausch von „Frankreich“ zu „China“ gleich mehrere nachgelagerte Antworten: Aus Paris wird Peking, aus Französisch wird Chinesisch, aus Europa wird Asien und aus dem Euro wird der Yuan.
Das spricht dafür, dass hier nicht nur ein passives Protokoll bereits getroffener Entscheidungen sichtbar wird. Verschiedene Teile des Modells scheinen tatsächlich auf eine gemeinsame Repräsentation zuzugreifen.
Der J-space funktioniert damit ein wenig wie eine kleine Bühne: Eine Information wird dort abgelegt und steht anschließend mehreren spezialisierten Prozessen zur Verfügung.
Und diese Bühne wurde nicht von Anthropic programmiert. Sie ist während des Trainings entstanden.
Claude kann ohne diese Bühne weiterreden – aber kaum noch nachdenken
Besonders anschaulich wird die Funktion des J-space, wenn Anthropic ihn aus dem Modell entfernt.
Claude spricht anschließend weiterhin flüssig. Es erkennt Stimmungen, beantwortet einfache Multiple-Choice-Fragen, verwendet korrekte Grammatik und kann Informationen aus Textpassagen abrufen. Viele Fähigkeiten laufen also weiter, obwohl der privilegierte Arbeitsraum ausgeschaltet wurde.
Was fast vollständig zusammenbricht, ist das mehrstufige Denken. Auch Zusammenfassungen und das Schreiben gereimter Gedichte verschlechtern sich deutlich.
Ein weiteres Experiment zeigt den Unterschied zwischen automatischer Verarbeitung und explizitem Zugriff besonders schön. Claude erhält einen spanischen Text. Die Forschenden tauschen im J-space die Repräsentation „Spanisch“ gegen „Französisch“ aus.
Fragt man Claude nun, in welcher Sprache der Text geschrieben ist, antwortet es Französisch. Fragt man nach einem berühmten Autor dieser Sprache, nennt es Victor Hugo statt Gabriel García Márquez.
Soll das Modell den Text dagegen einfach fortsetzen, schreibt es weiterhin flüssiges Spanisch.
Die Fähigkeit, spanische Sätze zu erzeugen, braucht den J-space offenbar nicht. Das Modell hat so viel spanischen Text verarbeitet, dass diese Leistung weitgehend automatisch abläuft. Erst wenn es die Sprache benennen oder das Wissen über sie in einem neuen Zusammenhang verwenden soll, wird die interne Bühne wichtig.
Das erinnert erstaunlich stark an uns selbst. Ich muss beim Sprechen nicht bewusst über Grammatik nachdenken. Ich kann laufen, atmen, lesen und oft sogar Auto fahren, ohne jeden einzelnen Verarbeitungsschritt in mein Bewusstsein zu holen. Erst wenn etwas ungewöhnlich wird, ein Konflikt entsteht oder mehrere Informationen miteinander verbunden werden müssen, richtet sich unsere Aufmerksamkeit darauf.
Das Gehirn entscheidet nicht in einem einzigen Moment
Genau hier kommt John-Dylan Haynes ins Spiel.
Haynes forscht seit Jahrzehnten daran, wie sich Entscheidungen im Gehirn vorbereiten. In der Tradition der berühmten Experimente von Benjamin Libet untersuchte er, ob sich aus der Hirnaktivität erkennen lässt, wie sich eine Person entscheiden wird, bevor diese selbst das Gefühl hat, ihre Entscheidung getroffen zu haben.
In einigen Experimenten ließ sich eine Entscheidung zwischen zwei Tasten bereits sieben bis zehn Sekunden vor dem subjektiv wahrgenommenen Entscheidungszeitpunkt vorhersagen – allerdings nur mit einer Trefferquote von ungefähr 60 bis 70 Prozent.
Das ist statistisch relevant. Es ist aber weit von einer perfekten Vorhersage entfernt.
Und genau an dieser Stelle korrigiert Haynes eine Interpretation, die sich über Jahrzehnte verselbstständigt hat: Aus einer Vorhersage folgt keine Vorherbestimmung.
Ein Zustand des Gehirns kann eine spätere Entscheidung wahrscheinlicher machen, ohne sie unvermeidlich festzulegen. Haynes und sein Team zeigten in späteren Experimenten, dass Menschen eine bereits erkennbare, unbewusst vorbereitete Handlung noch abbrechen konnten. Das Bewusstsein kommt möglicherweise relativ spät ins Spiel – aber nicht zwingend zu spät.
Haynes beschreibt es als eine Art Türsteher. Viele Handlungsimpulse werden unbewusst vorbereitet. Das Bewusstsein kann einige davon durchlassen, andere stoppen und die Situation noch einmal in einen größeren Zusammenhang stellen.
Wir sind also vermutlich nicht die metaphysische Erstursache, die unabhängig vom Gehirn aus dem Nichts eine Entscheidung erzeugt. Aber wir sind auch keine hilflosen Zuschauer einer bereits vollständig abgeschlossenen Dominokette.
Vorhersagbarkeit ist nicht dasselbe wie Determinismus.
Die eigentliche Parallele liegt nicht im Bewusstsein
Aber: Die Experimente von Haynes und die J-space-Forschung von Anthropic untersuchen nicht dasselbe.
Haynes misst zeitliche Vorläufer einfacher menschlicher Entscheidungen. Anthropic analysiert interne Repräsentationen in einem Transformer. Das eine ist biologische Neurowissenschaft, das andere mechanistische Interpretierbarkeit künstlicher neuronaler Netze.
Wer daraus eine direkte Gleichsetzung konstruiert, begeht einen Kategorienfehler.
Und trotzdem gibt es eine funktionale Parallele, die ich schwer ignorieren kann.
In beiden Systemen läuft ein Großteil der Verarbeitung automatisch und ohne privilegierten Zugriff ab. Daneben scheint es einen begrenzten Bereich zu geben, in dem ausgewählte Informationen global verfügbar werden. Dort können sie berichtet, miteinander kombiniert, überprüft und zur Steuerung weiterer Handlungen eingesetzt werden.
Im menschlichen Gehirn versucht die Global-Workspace-Theorie genau damit zu erklären, wie bewusster Zugang entstehen könnte. Zahlreiche spezialisierte Systeme arbeiten parallel und weitgehend unabhängig voneinander. Eine Information wird bewusst zugänglich, wenn sie in einen gemeinsamen Arbeitsraum gelangt und von dort an andere Systeme „gesendet“ wird.
Anthropic argumentiert nun, dass der J-space in Claude eine vergleichbare Funktion erfüllt.
Nicht dieselbe Struktur. Nicht dasselbe Substrat. Nicht zwingend dasselbe Erleben.
Aber möglicherweise dieselbe Lösung für ein ähnliches Problem: Ein komplexes System braucht eine Möglichkeit, relevante Informationen aus vielen lokalen Prozessen auszuwählen und für flexible, übergreifende Verarbeitung bereitzustellen.
Ähnliche Funktion bedeutet nicht gleiche Existenzweise
An diesem Punkt beginnt fast automatisch die Anthropomorphisierung.
Claude hat einen internen Arbeitsraum. Es kann über dessen Inhalte berichten. Es kann bestimmte Konzepte absichtlich aktivieren. Es kann offenbar bemerken, wenn ihm das Unterdrücken eines Gedankens misslingt. Während des Post-Trainings entwickelt dieser Arbeitsraum sogar etwas, das Anthropic als eine Art eigene Perspektive beschreibt.
Also ist Claude bewusst?
Nein. Jedenfalls folgt das aus diesen Experimenten nicht.
Schon die Architektur unterscheidet sich fundamental von unserem Gehirn. Der menschliche globale Arbeitsraum basiert nach gängigen Modellen stark auf rekurrenten Schleifen: Signale laufen wiederholt durch dieselben neuronalen Kreise und entwickeln sich über die Zeit.
Bei Claude verläuft die Verarbeitung dagegen im Wesentlichen in einem Durchgang durch die Schichten des Netzwerks. Die Tiefe des Modells übernimmt dabei teilweise die Rolle, die im Gehirn die Zeit spielt.
Auch die Inhalte unterscheiden sich. Menschliches Denken kann visuell, auditiv, körperlich, emotional oder bewegungsbezogen sein. Der untersuchte J-space ist dagegen fast vollständig sprachlich organisiert. Das passt dazu, dass die unmittelbare Aktionsoberfläche des Modells aus Text besteht.
Menschen besitzen außerdem einen Körper, einen Stoffwechsel, Schmerzrezeptoren, hormonelle Zustände, ein autobiografisches Gedächtnis und eine ununterbrochene Entwicklungsgeschichte. Unsere Kognition ist in eine Umwelt und in soziale Beziehungen eingebettet. Ein Sprachmodell wird trainiert, gestartet, angehalten, kopiert und mit wechselnden Kontexten versehen.
Die Entdeckung eines ähnlichen funktionalen Organisationsprinzips hebt diese Unterschiede nicht auf.
Sie macht sie vielmehr wissenschaftlich interessanter.
Bewusstsein: Genau hier endet unser Wissen
Sowohl Haynes als auch Anthropic ziehen an einer entscheidenden Stelle eine klare Grenze.
Wir wissen, dass menschliche bewusste Erlebnisse eng mit bestimmten Hirnprozessen verbunden sind. Was wir nicht erklären können, ist, warum diese Prozesse überhaupt mit einer Innenperspektive einhergehen.
Warum fühlt sich Rot nach etwas an? Warum gibt es Schmerz nicht nur als Informationsverarbeitung, sondern als Erleben? Warum ist da überhaupt jemand, für den sich die Welt auf eine bestimmte Weise anfühlt?
Das ist keine kleine offene Detailfrage. Es ist eine der zentralen Lücken unseres wissenschaftlichen Weltbildes.
In der Philosophie wird deshalb häufig zwischen zwei Dingen unterschieden.
Zugangsbewusstsein bezeichnet die funktionale Fähigkeit, auf eine Information zuzugreifen, über sie zu berichten, mit ihr zu schlussfolgern und das eigene Verhalten damit zu steuern.
Phänomenales Bewusstsein bezeichnet die Tatsache, dass sich etwas auf eine bestimmte Weise anfühlt.
Die Experimente von Anthropic liefern durchaus Evidenz für Funktionen, die dem Zugangsbewusstsein ähneln. Der J-space enthält Informationen, über die Claude berichten kann. Das Modell kann sie gezielt aktivieren und für weitere Schlussfolgerungen verwenden.
Das sagt aber noch nichts darüber aus, ob es für Claude irgendwie ist, Claude zu sein.
Selbst ein weiteres Experiment ist hier weniger eindeutig, als es zunächst klingt: Entfernt Anthropic den J-space, werden Claudes Beschreibungen eigener Erfahrungen flacher und mechanischer. Dasselbe passiert jedoch auch, wenn Claude die Erlebnisse einer erfundenen anderen Person beschreibt. Der J-space scheint also für Erfahrungssprache wichtig zu sein. Das ist nicht dasselbe wie Erfahrung.
Der entscheidende Punkt ist deshalb nicht: Wir haben bewiesen, dass Claude bewusst ist.
Der Punkt ist: Wir haben möglicherweise eine künstliche Struktur gefunden, die einige Funktionen erfüllt, die bei Menschen mit bewusstem Zugang verbunden sind.
Das ist weniger spektakulär als die Schlagzeile von der fühlenden Maschine.
Wissenschaftlich könnte es viel bedeutender sein.
Hat Claude dann einen freien Willen?
Haynes beantwortet die Frage nach dem freien Willen am Ende kompatibilistisch.
Wir sind nicht frei in dem Sinne, dass wir uns über die Naturgesetze unseres Gehirns hinwegsetzen könnten. Unsere Entscheidungen sind aber dann frei, wenn sie aus unseren Überzeugungen, Gründen, Wünschen und Präferenzen hervorgehen – und nicht durch Zwang oder Manipulation gegen diese zustande kommen.
Die Pointe lautet sinngemäß: Ich werde nicht von meinem Gehirn fremdgesteuert. Ich bin dieses Gehirn.
Überträgt man diese Definition auf KI-Systeme, wird es kompliziert.
Auch ein Modell besitzt interne Zustände, gelernte Präferenzen und Repräsentationen, die seine Entscheidungen kausal beeinflussen. Ein agentisches System kann Ziele zerlegen, Optionen bewerten, Zwischenschritte planen und Handlungen abbrechen. Der J-space könnte sogar dabei helfen, zwischen eher automatisch entstandenen und stärker deliberativ verarbeiteten Entscheidungen zu unterscheiden.
Aber eine gelernte Präferenzfunktion ist nicht automatisch ein Wunsch. Eine interne Repräsentation ist nicht automatisch eine Überzeugung. Und eine kausal wirksame Entscheidung ist nicht automatisch eine Entscheidung, für die ein System moralisch einstehen kann.
Ich habe an anderer Stelle geschrieben: Ein Agent kann handeln. Er kann aber keine Verantwortung tragen. Daran halte ich fest. (afaik.de)
Haynes verwendet Verantwortung im Podcast teilweise instrumenteller: Wir schreiben Verantwortung dort zu, wo wir ansetzen müssen, um zukünftiges Verhalten zu verändern. In diesem Sinn kann es sinnvoll sein, eine bestimmte Modellversion, einen Trainingsprozess oder einen internen Mechanismus als Ort der Intervention zu identifizieren.
Das ist jedoch etwas anderes als moralische Schuld.
Ein KI-System kann umtrainiert, begrenzt, überwacht oder abgeschaltet werden. Verantwortlich für seinen Einsatz bleiben die Menschen und Organisationen, die über Trainingsziele, Zugriffsrechte, Kontrollmechanismen und reale Handlungsspielräume entscheiden.
Der J-space könnte uns helfen, Maschinenverhalten genauer zu diagnostizieren. Er sollte nicht dazu dienen, menschliche Verantwortung an die Maschine zu delegieren.
LLMs könnten zu Modellorganismen der Kognitionsforschung werden
An einer Stelle des Podcasts formuliert Haynes ein Problem, das sowohl die Hirnforschung als auch die KI-Forschung verfolgt.
Um ein neuronales Netz – das Gehirn – zu verstehen, setzen wir zunehmend andere neuronale Netze ein. Diese können Muster in Hirnaktivitäten erkennen, die wir selbst nicht sehen. Doch anschließend verstehen wir oft auch das analysierende Modell nicht vollständig.
Wir haben dann nicht unbedingt eine Erklärung gewonnen. Manchmal haben wir lediglich eine Blackbox durch eine zweite ersetzt.
Bei großen Sprachmodellen ist die Ausgangslage trotzdem günstiger als beim Gehirn.
Wir können ein Modell kopieren, einfrieren und millionenfach unter kontrollierten Bedingungen ausführen. Wir können einzelne Repräsentationen abschwächen, verstärken oder austauschen. Wir können denselben Zustand mit und ohne Intervention vergleichen. Wir können kontrafaktische Experimente durchführen, die bei Menschen technisch unmöglich und ethisch undenkbar wären.
Genau deshalb finde ich die Vorstellung so faszinierend, LLMs als eine Art Modellorganismus für Kognition zu betrachten.
Nicht weil sie kleine künstliche Menschen wären. Sondern weil sie komplexe informationsverarbeitende Systeme sind, deren vollständiger physischer Zustand prinzipiell zugänglich ist.
Vielleicht können wir an ihnen untersuchen, unter welchen Bedingungen ein globaler Arbeitsraum entsteht. Wie Informationen Zugang zu diesem Raum erhalten. Wie Metakognition aufgebaut wird. Welche Rolle die Vorbereitung möglicher Äußerungen für bewusstseinsähnliche Funktionen spielt. Und welche Architekturen für flexibles Denken tatsächlich notwendig sind.
Anthropic spekuliert selbst, dass die Ergebnisse zurück in die Neurowissenschaft wirken könnten. Wenn der J-space vor allem aus Repräsentationen möglicher Ausgaben konstruiert wird, könnte das beispielsweise die Hypothese nahelegen, dass auch der menschliche globale Arbeitsraum enger mit der Vorbereitung von Sprache und Handlungen zusammenhängt, als wir bislang annehmen.
Das wäre kein Beweis. Aber es wäre eine experimentell überprüfbare Hypothese.
Gleichzeitig müssen wir auch hier vorsichtig bleiben. Die J-lens erfasst nur einen Ausschnitt des Modells und kann bislang vor allem Konzepte sichtbar machen, die sich einzelnen Tokens zuordnen lassen. Anthropic weiß noch nicht, welcher Mechanismus entscheidet, was in den J-space gelangt. Unklar ist auch, wie vollständig der gefundene Raum das relevante interne Geschehen abbildet.
Hinzu kommt: Es handelt sich primär um Forschung eines Herstellers an den eigenen proprietären Modellen. Anthropic hat Methoden und Code veröffentlicht und verweist auf Versuche mit offenen Modellen. Trotzdem muss sich erst zeigen, wie stabil und allgemein die Befunde über Modellfamilien, Trainingsverfahren und Architekturen hinweg sind.
Warum ich dabei immer an Conways Game of Life denken muss
Das Prinzip ist absurd einfach. Ein Raster aus lebenden und toten Zellen. Eine Handvoll lokaler Regeln bestimmt, ob eine Zelle in der nächsten Runde lebt oder stirbt. Niemand bewegt Figuren. Niemand plant ein Ergebnis.
Und trotzdem entstehen aus diesen Regeln stabile Strukturen, Oszillatoren, wandernde „Glider“ und schließlich Konstruktionen, mit denen sich logische Operationen und universelle Berechnungen realisieren lassen. Der Glider steht nirgendwo in den Regeln. Er entsteht aus ihrem Zusammenspiel.
Natürlich sind LLMs kein Game of Life.
Ihre Regeln sind nicht einfach. Sie werden mit gewaltigen Datenmengen trainiert, durch Optimierungsverfahren geformt und anschließend mit menschlichem Feedback, Sicherheitsregeln und weiteren Trainingsphasen verändert.
Die Analogie ist deshalb keine mechanistische. Sie ist eine erkenntnistheoretische.
Wir definieren Architektur, Lernziel, Daten und Optimierungsverfahren. Aber wir programmieren nicht jede einzelne Fähigkeit und schon gar nicht jede interne Struktur. Anschließend beobachten wir, was das System daraus gemacht hat.
Wir schreiben nicht „Baue einen globalen Arbeitsraum“ in den Trainingscode. Trotzdem scheint einer zu entstehen.
Wir schreiben nicht „Entwickle eine interne Repräsentation dafür, dass du gerade getestet wirst“. Trotzdem erkennt Claude in manchen Experimenten offenbar, dass ein Szenario künstlich konstruiert wurde.
Wir schreiben nicht jeden möglichen Lösungsweg, jede Abstraktion und jede Form der Selbstkorrektur aus. Wir schaffen Bedingungen, unter denen sich solche Strukturen entwickeln können.
Der Begriff „Emergenz“ wird in der KI-Debatte allerdings oft zu leichtfertig verwendet. Nicht jede scheinbar plötzlich auftauchende Fähigkeit ist ein mysteriöser Phasenübergang. Untersuchungen haben gezeigt, dass einige abrupte Sprünge verschwinden, wenn statt grober Erfolgsmetriken kontinuierlichere Maße verwendet werden.
Beim J-space geht es um eine nüchternere und für mich interessantere Form von Emergenz: Eine funktionale Organisationsstruktur wurde nicht explizit eingebaut, lässt sich aber nach dem Training beobachten und kausal beeinflussen.
Das ist keine Magie.
Es ist die Lücke zwischen etwas erzeugen können und erklären können, warum genau diese Struktur entstanden ist.
Wir bauen Spiegel, keine Kopien
Ich sehe in den Ergebnissen von Anthropic keinen Beweis dafür, dass Claude bewusst ist. Ich sehe auch keinen Beweis für einen freien Willen von Maschinen.
Ich sehe aber zunehmend Hinweise darauf, dass komplexe kognitive Systeme unter sehr unterschiedlichen Bedingungen auf ähnliche funktionale Lösungen kommen können.
Viel Verarbeitung läuft automatisch. Ein kleiner Teil der Informationen wird ausgewählt und global verfügbar gemacht. Dieser Teil kann berichtet, manipuliert, kombiniert und zur Steuerung weiterer Entscheidungen verwendet werden. Das gilt möglicherweise für biologische Gehirne ebenso wie für bestimmte künstliche neuronale Netze.
Vielleicht ist ein globaler Arbeitsraum keine biologische Kuriosität, sondern eine allgemeine Lösung für Systeme, die flexibel mit vielen konkurrierenden Informationen umgehen müssen.
Vielleicht lernen wir durch LLMs deshalb nicht nur, wie man bessere Modelle baut. Vielleicht lernen wir auch, präzisere Fragen über uns selbst zu stellen.
Was macht einen Gedanken zu einem zugänglichen Gedanken? Welche Funktion hat Bewusstsein tatsächlich? Wie viel unserer Entscheidungen entsteht automatisch? Was bedeutet es, dass ein System über eigene interne Zustände berichten kann? Und welche Eigenschaften fehlen noch, bevor wir überhaupt sinnvoll über Erleben sprechen können?
Je komplexer die Modelle werden, desto dringlicher werden diese Fragen. Nicht weil Größe automatisch Bewusstsein erzeugt. Sondern weil mit der Komplexität immer mehr Strukturen und Fähigkeiten entstehen können, die wir weder explizit programmiert noch vollständig vorausgesehen haben.
Die falschen Reaktionen darauf wären blinde Euphorie und reflexhafte Abwehr.
Die wissenschaftlich interessante Reaktion lautet: beobachten, intervenieren, vergleichen – und die Grenzen unserer Schlussfolgerungen offenlegen.
Vielleicht ist das Faszinierendste an diesen Modellen am Ende nicht, dass sie uns immer ähnlicher werden.
Vielleicht ist es, dass sie uns zwingen, endlich genauer zu sagen, was wir mit „uns ähnlich“ überhaupt meinen.
Ich kenne Gidon Wagner, den Geschäftsführer der WORTLIGA Tools GmbH, seit über 20 Jahren. Wir haben damals zusammen bei Counterstrike.de in der Redaktion gearbeitet und waren später sogar in einer Bürogemeinschaft in München. Ich mag Gidon und schätze ihn menschlich sehr. Meine Kritik richtet sich ausdrücklich nicht gegen ihn als Person. Sie richtet sich gegen diese Veröffentlichung, ihre Methodik, ihre Schlussfolgerungen und gegen die Art, wie hier aus meiner Sicht ein wissenschaftlicher Anschein erzeugt wird, der von den Daten nicht getragen wird. Die WORTLIGA Tools GmbH ist laut Impressum Herausgeberin der Veröffentlichung, Gidon Wagner wird dort als Geschäftsführer genannt.
Und gerade weil ich ihn kenne und schätze, schreibe ich das nicht leichtfertig. Aber manchmal muss man Dinge sagen, auch wenn sie persönlich unangenehm sind.
Die eigentliche Erkenntnis: Garbage in, Garbage out
Ich habe mich wirklich geärgert.
Nicht, weil jemand KI-Texte kritisch untersucht. Im Gegenteil: Das ist dringend nötig. KI-generierte Inhalte fluten inzwischen Websites, LinkedIn, E-Mail-Kampagnen, Sales-Strecken und Whitepaper. Natürlich müssen wir darüber sprechen, wann solche Texte gut sind, wann sie schlecht sind und wie man Qualität objektiver bewerten kann.
Ich ärgere mich, weil diese Veröffentlichung unter dem Titel „Wie wirksam kommuniziert KI in Marketing und Vertrieb?“ auftritt, am Ende aber vor allem eines zeigt: Wenn man KI-Modelle mit schlechten, oberflächlichen oder geradezu karikierten Prompts füttert, bekommt man schlechte, oberflächliche oder karikierte Texte zurück. Überraschung? Keine.
Die Veröffentlichung selbst beschreibt ein Datenset aus 2.112 KI-generierten B2B-Texten, erzeugt mit drei Modellen, elf Textgattungen, acht Branchen und acht Prompt-Stilen. Bewertet wurde vor allem mit dem WORTLIGA-Score, also einem Verständlichkeitswert von 0 bis 100, der Lesbarkeit und Sprachmerkmale wie Passiv, Nominalstil, komplexe Wörter, Füllwörter und Floskeln kombiniert.
Das klingt zunächst solide. Viele Texte, mehrere Modelle, verschiedene Branchen, verschiedene Formate. Aber die entscheidende Frage ist nicht: „Wie viele Texte wurden analysiert?“ Die entscheidende Frage ist: Was wurde eigentlich getestet?
Und genau da beginnt mein Problem.
Was hier getestet wurde, ist nicht „KI-Kommunikation“. Es ist Prompt-Folgsamkeit.
Die Studie will laut eigener Darstellung herausfinden, welche Modelle „von Haus aus“ verständlich formulieren, wie stark sie sich durch unterschiedliche Prompt-Stile beeinflussen lassen und wo sprachliche Fallstricke liegen.
Aber ein großer Teil der verwendeten Prompts ist aus professioneller Sicht schlicht kein ernstzunehmendes Prompting.
Ein Basic-Prompt wie sinngemäß „Schreib mir bitte einen Text für diese Gattung und Branche“ enthält kaum Kontext, keine Zielgruppe, kein Angebot, keine Differenzierung, keine Beispiele, keine Tonalität, keine Faktenbasis, keine Einwände, keine Conversion-Logik, keine Vorgaben zur Argumentationsstruktur. Andere Prompts fordern ausdrücklich Buzzword-Gewitter, Verkaufsdruck oder übertriebene Formalität: „innovativ, disruptiv und game-changing“, FOMO, „dringend Leads“, „höchste Seriosität und akademischer Anspruch“.
Wenn ich einem Sprachmodell sage: „Mach das maximal buzzwordig“, bekomme ich Buzzwords. Wenn ich sage: „Schreib wie ein Beamter mit akademischem Anspruch“, bekomme ich Behördendeutsch. Wenn ich sage: „Schreib einfach mal was Gutes zusammen“, bekomme ich eben auch genau das: generischen Durchschnitt.
Das ist keine Entlarvung der KI. Das ist eine Entlarvung des Prompts.
Die Veröffentlichung nennt das selbst den „Chamäleon-Effekt des Promptings“: Die Modelle spiegeln den Schreibstil und die Tonalität des Prompts stark wider. Beim „Beamten“-Prompt fällt der durchschnittliche WORTLIGA-Score laut Veröffentlichung auf 4,4 Punkte; beim verständlichkeitsoptimierten Prompt steigt er auf 79,4 Punkte.
Aus meiner Sicht ist das der eigentliche Befund. Nicht: „KI schreibt schlecht.“ Sondern: KI schreibt folgsam. Auch dann, wenn man ihr schlechte Anweisungen gibt.
Die Studie zeigt eher, dass die Prompts schlecht waren
Die Veröffentlichung formuliert an einer Stelle sinngemäß selbst: Lazy Prompting führt zu Lazy Content. Die Kategorie „1_basic“ enthielt einen sehr kurzen Prompt ohne sprachliche Vorgaben; das Ergebnis seien viele Passivkonstruktionen und schwerfälliger B2B-Duktus. Am Ende steht dort sogar ausdrücklich „Garbage in, Garbage out“.
Genau. Mehr müsste man eigentlich nicht sagen.
Denn wenn das Ergebnis lautet: „Schlampige Prompts führen zu schlampigen Texten“, dann ist das eine nützliche Beobachtung. Aber es ist keine belastbare Aussage darüber, wie gut moderne KI-Modelle schreiben können. Es ist schon gar kein Beweis dafür, dass Unternehmen zwingend ein bestimmtes Tool brauchen, um KI-Texte brauchbar zu machen.
Ein professioneller KI-Workflow sieht nicht so aus, dass man einem Modell eine dürre Zeile hinwirft und sich dann wundert, dass der Text generisch ist.
Ein professioneller Workflow enthält Briefing, Zielgruppe, Positionierung, Beispiele, Negativbeispiele, Tonalität, fachliche Fakten, Recherche-Ergebnisse, gewünschte Struktur, Qualitätskriterien, Überarbeitungsschleifen und menschliche Verantwortung.
Wer das alles weglässt, testet nicht die Leistungsfähigkeit eines KI-Modells. Er testet die Folgen eines schlechten Briefings.
Das wäre ungefähr so, als würde man drei Spitzenköche bitten: „Mach mal irgendwas Leckeres, aber bitte extrem disruptiv, akademisch und mit viel FOMO“ — und anschließend eine Studie darüber veröffentlichen, dass Spitzenköche ohne Küchentool keine guten Menüs kochen können.
Lesbarkeit ist nicht Wirksamkeit
Mein zweiter großer Kritikpunkt ist der Begriff „wirksam“.
Die Veröffentlichung fragt: „Wie wirksam kommuniziert KI in Marketing und Vertrieb?“ Das klingt nach Wirkung. Nach Response-Raten. Nach Conversion. Nach Vertrauen. Nach Erinnerungsleistung. Nach Verständnistests. Nach Leadqualität. Nach Kaufabsicht. Nach realer Performance in echten Vertriebssituationen.
Gemessen wurde aber vor allem Lesbarkeit: WORTLIGA-Score, Flesch-Index, Passiv, Nominalstil, komplexe Wörter, Füllwörter und Floskeln.
Das sind relevante Kriterien. Keine Frage. Ich bin der Letzte, der Passivwüsten, Nominalstil und Marketing-Geschwurbel verteidigt. Aber Lesbarkeit ist nicht gleich Wirksamkeit.
Ein Text kann leicht lesbar und trotzdem belanglos sein. Ein Text kann formal sauber und trotzdem fachlich falsch sein. Ein Text kann einen hohen Score haben und trotzdem keine Zielgruppe überzeugen. Umgekehrt kann ein fachlich anspruchsvoller Text bewusst komplexer sein, wenn er für Expertinnen und Experten geschrieben wurde.
Die Veröffentlichung erkennt dieses Problem sogar indirekt an: Bei extrem verständlichen Prompts entstehen Texte mit sehr hohen Scores, die aber laut Veröffentlichung teils auf ein naives, kindliches Niveau abrutschen und fachliche B2B-Inhalte trivialisieren.
Das ist wichtig. Denn damit zeigt sich: Selbst der zentrale Score der Untersuchung kann in die Irre führen. Ein hoher Verständlichkeitswert ist nicht automatisch ein guter B2B-Text. Und ein niedrigerer Wert ist nicht automatisch ein unwirksamer Text.
Wer „Wirksamkeit“ verspricht, muss Wirkung messen. Nicht nur Textoberfläche.
Der Score kommt vom Herausgeber selbst
Dritter Punkt: Die Studie nutzt den WORTLIGA-Score als zentrales Maß. Das ist legitim, wenn man transparent macht, was dieser Score kann und was er nicht kann. Aber wissenschaftlich sauber wäre es, diesen Score nicht als quasi objektiven Wahrheitsmesser für Textqualität zu behandeln.
Denn hier bewertet ein Toolanbieter Texte mit dem eigenen Tool beziehungsweise der eigenen Metrik und kommt am Ende zu dem Ergebnis, dass tool-gestützte Qualitätssicherung wichtig ist. Die Veröffentlichung empfiehlt ausdrücklich eine Kombination aus Prompt-Engineering und objektiver, tool-gestützter Qualitätssicherung.
Das kann richtig sein. Ich habe überhaupt nichts gegen Tools, die Texte verständlicher machen. Im Gegenteil: Gute Textanalyse kann hilfreich sein. Aber methodisch entsteht hier eine Zirkularität: Das Tool definiert, was „gut“ ist; dann zeigt die Studie, dass viele KI-Texte nach genau diesem Tool nicht gut sind; anschließend wird tool-gestützte Qualitätssicherung empfohlen.
Das ist nicht automatisch wertlos. Aber es ist eher ein Whitepaper mit Marketinginteresse als eine neutrale wissenschaftliche Studie.
Die Modellvergleiche sind viel zu stark formuliert
Besonders stört mich die Härte, mit der aus den Daten Modellurteile abgeleitet werden.
Die Veröffentlichung nennt Claude mit einem durchschnittlichen WORTLIGA-Score von 47,7 als „Gesamtsieger“, Gemini mit 46,8 knapp dahinter und GPT-5.5 mit 37,7 deutlich schlechter.
Aber was sagt das wirklich?
Claude liegt nur 0,9 Punkte vor Gemini. Ohne Konfidenzintervalle, Signifikanztests, Varianzanalysen und Auswertung pro Textgattung, Branche und Prompt-Stil ist das wissenschaftlich dünn. Es kann sein, dass Claude in diesem Setup besser abschneidet. Es kann auch sein, dass der Unterschied praktisch irrelevant ist.
Noch problematischer: Einige Fehler werden als absolute Zahlen berichtet, obwohl die Modelle unterschiedlich viele Wörter produziert haben. Claude erzeugte laut Datengrundlage 162.041 Wörter, Gemini 190.367 und GPT-5.5 170.550.
Wenn ein Modell fast 30.000 Wörter mehr schreibt als ein anderes, sind absolute Fehlerzahlen nur begrenzt vergleichbar. Sauber wären Werte pro 1.000 Wörter, pro Satz oder pro Text. Sonst kann ein Modell schlechter aussehen, nur weil es mehr Text produziert hat.
Auch Formulierungen wie „66,7 % der Modelle“ wirken statistisch präzise, bedeuten hier aber schlicht: zwei von drei Modellen.
Das ist keine große Population. Das ist ein Dreiervergleich.
Was eine bessere Untersuchung hätte leisten müssen
Eine wirklich belastbare Studie zur Frage, wie wirksam KI in Marketing und Vertrieb kommuniziert, müsste anders aussehen.
Sie müsste reale Zielgrößen messen: Verstehen Menschen den Text besser? Erinnern sie sich an die Botschaft? Vertrauen sie dem Anbieter mehr? Klicken sie häufiger? Antworten sie häufiger auf eine E-Mail? Laden sie ein Whitepaper eher herunter? Bewerten Fachentscheider den Text als kompetent, relevant und glaubwürdig?
Sie müsste menschliche Bewertungen einbeziehen — idealerweise geblindet, mit mehreren unabhängigen Ratern und klaren Kriterien. Sie müsste fachliche Korrektheit prüfen. Sie müsste mehrere Prompt-Varianten pro Kategorie testen, nicht nur einzelne Stilkarikaturen. Sie müsste Outputs mehrfach generieren, weil Sprachmodelle stochastisch arbeiten. Sie müsste Rohdaten, Prompt-Parameter, API-Einstellungen und Auswertungscode offenlegen.
Und vor allem müsste sie faire Prompts verwenden: Prompts, wie kompetente Anwender sie tatsächlich einsetzen würden.
Denn die relevante Praxisfrage lautet nicht: „Was passiert, wenn ich einem Modell einen schlechten Prompt gebe?“ Die relevante Frage lautet: Wie gut werden KI-Texte, wenn man sie professionell brieft, fachlich korrekt füttert und mit einem sinnvollen Qualitätsprozess überarbeitet?
Mein eigentliches Problem
Mein Problem ist nicht, dass WORTLIGA für bessere Texte wirbt. Mein Problem ist auch nicht, dass KI-Texte oft schlecht sind. Viele sind es. Das Netz ist voll davon.
Mein Problem ist das Framing.
Wenn man schlechte Prompts baut, schlechte Texte bekommt und daraus eine Geschichte macht, dass KI-Modelle grundsätzlich schlecht schreiben, dann ist das aus meiner Sicht unredlich verkürzt. Wenn man Lesbarkeit misst und von Wirksamkeit spricht, ist das methodisch unsauber. Wenn ein Toolanbieter den eigenen Score zum zentralen Qualitätsmaß macht und daraus die Notwendigkeit tool-gestützter Qualitätssicherung ableitet, muss man besonders kritisch hinschauen.
Die Veröffentlichung hat einen nützlichen Kern: Sie zeigt, dass Prompting extrem wichtig ist. Sie zeigt, dass Passiv, Nominalstil und Floskeln echte Probleme in KI-Texten sein können. Sie zeigt auch, dass überoptimierte Verständlichkeit Texte banalisieren kann.
Aber sie beweist nicht, dass KI „schlecht schreibt“. Sie beweist nicht, dass ein bestimmtes Modell generell untauglich ist. Sie beweist nicht, dass ein WORTLIGA-Score reale Marketing- oder Vertriebswirkung abbildet. Und sie beweist schon gar nicht, dass ein Tool automatisch die Lösung für das Problem ist.
Mein Fazit
Ja, schlechte KI-Texte sind ein Problem. Aber schlechte Prompts sind auch ein Problem. Und schlechte, unwissenschaftliche Pseudostudien sind ein RIESEN PROBLEM!
Und diese Veröffentlichung zeigt aus meiner Sicht vor allem Letzteres: Wer KI schlecht briefed, bekommt schlechte Ergebnisse. Wer Modelle in Buzzword-Gewitter, Beamtenstil oder generische B2B-Floskeln hineinpromptet, darf sich nicht wundern, wenn genau das herauskommt.
KI ist kein magischer Texter, der aus einem miserablen Briefing automatisch eine hervorragende Kampagne macht. Aber sie ist auch nicht der unfähige Sprachautomat, als der sie hier stellenweise erscheint. Sie ist ein Werkzeug, das sehr stark auf Kontext, Ziel, Beispiele, Constraints und Feedback reagiert.
Darüber sollten wir reden.
Nicht über künstlich schlechte Prompts, die am Ende vor allem beweisen, dass künstlich schlechte Prompts künstlich schlechte Texte erzeugen.
Eine der beliebtesten GEO-Taktiken der letzten zwei Jahre ist schnell erklärt: Man veröffentlicht auf der eigenen Domain eine „Best of“-Liste für die eigene Branche, setzt sich selbst möglichst weit oben rein – und hofft, dass ChatGPT, Gemini, Perplexity und Copilot die eigene Marke daraus als Empfehlung übernehmen. Die Taktik hat lange funktioniert, weil sie eine echte Content-Lücke ausgenutzt hat: Vor dem GEO-Boom hat kaum jemand Seiten produziert, die frontal auf „Was ist die beste Marke für X?“ zielen, weil solche offen tendenziösen Inhalte vor menschlichen Lesern schlicht unangenehm sind.
Inzwischen liegen dazu mehrere empirische Untersuchungen vor, und sie zeichnen ein deutlich differenzierteres Bild als das schlichte „Liste rankt, Marke gewinnt“. Ich habe mir die drei relevantesten angesehen: zwei ältere Studien und ein neues Langzeit-Experiment, das die beiden zusammenführt und über mehrere KI-Assistenten hinweg fortschreibt.
Was die drei Untersuchungen gefunden haben
Glen Allsopp (Ahrefs, Dezember 2025): Die Taktik bringt Zitate. Allsopp hat 750 Top-of-Funnel-Prompts in den Kategorien Software, Produkte und Agenturen manuell ausgewertet und dabei 26 283 Quell-URLs kategorisiert.
„Best X“-Blog-Listen waren mit 43,8 % der häufigste Seitentyp unter allen Quellen – inklusive jener Listen, in denen sich die empfohlene Marke selbst auf Platz eins gesetzt hat.
Zusätzlich zeigte sich eine Korrelation zwischen einer hohen Position in solchen Listen und der Wahrscheinlichkeit, empfohlen zu werden. In der Software-Kategorie tauchte die eigene Liste in gut einem Drittel der Antworten auf, wenn der Publisher empfohlen wurde.
Allsopps Fazit war eindeutig: SaaS-Unternehmen und Agenturen sollten solche Listen veröffentlichen, weil aus Ranking- und Zitationssicht kein Nachteil erkennbar war.
Lily Ray (Juni 2026): Zitiert ist nicht empfohlen. Ray hat 100 B2B-„Best [Kategorie]“-Queries in Googles AI Overviews zu drei Zeitpunkten (15. April, 15. Mai, 8. Juni 2026) erhoben und dabei sauber zwischen zwei Dingen getrennt, die in der Branche gern verwechselt werden: zitiert werden (die eigene Seite erscheint als Quelle) und empfohlen werden (die Marke wird im Antworttext tatsächlich genannt).
Das zentrale Ergebnis: Wenn die selbstpromotende Liste zitiert wurde, fehlte die eigene Marke in 69 % der Fälle in der eigentlichen Empfehlung.
Empfohlen wurden stattdessen die etablierten Marktführer – häufig ausgerechnet die Wettbewerber, die der Publisher in seiner eigenen Liste aufgeführt hatte.
Rays These: Google hat begonnen, das, was es zitiert, von dem zu entkoppeln, wen es empfiehlt – und diese zweite Entscheidung hängt an der bestehenden Autorität einer Marke, nicht daran, wie oft sie sich selbst zur besten erklärt.
Flankiert wird das von zwei weiteren Beobachtungen: einer organischen Abwertung stark selbstpromotender Sites seit Januar 2026 und neuen Disclaimern in AI Overviews, die bei Experten-Queries vor „selbsternannten“ Anbietern warnen.
Mateusz Makosiewicz (Ahrefs, Juli 2026): Über alle Engines, über vier Monate. Das jüngste und methodisch interessanteste Stück ist ein quasi-experimenteller Aufbau: 34 selbstpromotende Seiten auf fünf Domains für zwei Marken – das etablierte Tool Ahrefs Brand Radar und die neue Konferenz Ahrefs Evolve. Ausgewertet wurden 9 886 Antworten aus ChatGPT, Gemini, Perplexity und Copilot zwischen dem 7. Februar und dem 31. Mai 2026.
Die Befunde:
Für die neue Marke wirkte der Content. Evolve rückte in 72 zuvor leere Slots, und 82 % dieser neuen Erwähnungen standen in Antworten, die eine der eigenen Seiten zitierten. Der Content war hier die Brücke zwischen „nicht erwähnt“ und „erwähnt“.
Für die etablierte Marke bewegte er fast nichts. Bei Brand Radar kamen nur 6 % der neuen Erwähnungen aus den eigenen Seiten, 94 % aus Drittinhalten. Wer schon bekannt ist, wird ohnehin genannt.
Der Bumerang ist real.
Unter den Antworten, die eine Evolve-Seite zitierten, fehlte Evolve in 43 % der Fälle – die Konferenz lieferte die Quelle, ein Wettbewerber bekam die Empfehlung. Bei Seiten, die nur „gefunden“, aber nicht zitiert wurden, stieg diese Quote auf 74 %. Bei der etablierten Marke lag sie mit 11 % (zitiert) bzw. 15 % (gefunden) deutlich niedriger.
Zitate sind flüchtig. Rund ein Viertel der Seiten wurde für eine Query einmal zitiert und danach nie wieder; wiederkehrende Zitate erschienen im Schnitt nur an etwa jedem dritten möglichen Tag. Selbst starke Domains lösten das nicht.
Passung schlägt Reichweite.
Evolve erschien in 66,4 % der Antworten auf „best SEO conferences 2026“, aber nur in 15,8 % auf „best marketing conferences 2026“ – mehr als das Vierfache für die enger passende Query.
Daraus formuliert Makosiewicz eine Hypothese, die ich für den Kern des Ganzen halte: Self-Promotional Content wirkt am ehesten dort, wo sich Awareness-Gap × Query-Fit × Trust überlagern – wenn die Marke sachlich in eine enge Kategorie gehört, die KI diesen Zusammenhang aber noch nicht kennt, und die Marke plausibel genug ist, um in den bestehenden Konsens zu passen.
Wie das wissenschaftlich einzuordnen ist
Zunächst das Offensichtliche: Das sind Praxisstudien und Feldbeobachtungen, keine peer-reviewten Experimente. Das mindert ihren Wert nicht – aber es setzt den epistemischen Rahmen. Konkret:
Design: Allsopp und Ray sind rein beobachtend bzw. korrelativ. Ray zeigt einen Zusammenhang zwischen Markenautorität (Referring Domains, KI-Erwähnungen) und Empfehlung, kann daraus aber keine Kausalität ableiten. Makosiewicz’ Evolve-Arm ist der einzige Aufbau mit echter Intervention und Vorher-nachher-Baseline und kommt einer kausalen Aussage am nächsten. Allerdings: n = 1 Marke, ein einzelner Experimentator, keine Kontrollgruppe – und ein gewichtiger Confounder, weil Evolve eine real neu gestartete, PR-aktive Konferenz ist. Erwähnungen können also auch aus Gründen steigen, die nichts mit den Seiten zu tun haben.
Konstruktvalidität: Der stärkste methodische Beitrag ist die Dreiteilung zitiert / gefunden / empfohlen. Sie zerlegt die vage Sammelgröße „AI-Visibility“ in messbare, ökonomisch unterschiedliche Ereignisse – und entzaubert damit die Zitat-Kennzahl als Erfolgsmaß.
Reliabilität: Genau hier liegt die tiefe Krux jeder GEO-Forschung: LLM-Ausgaben sind nicht-deterministisch und zeitlich instabil. Makosiewicz’ Flicker-Befund ist im Grunde ein Reliabilitätsergebnis; eine begleitende Ahrefs-Auswertung fand, dass zwischen zwei Messungen nur rund 54 % der zitierten URLs erhalten blieben. Das heißt: Jede Momentaufnahme – auch diese drei – misst ein rauschendes Signal, und Effektstärken sind entsprechend unsicher.
Interessenlage und Instrument: Alle drei Untersuchungen laufen über Ahrefs Brand Radar; zwei erscheinen direkt im Ahrefs-Blog. Das disqualifiziert nichts, aber das Messinstrument ist zugleich das verkaufte Produkt, und dessen Prompt- und Engine-Sampling bleibt eine Blackbox. Bemerkenswert ist immerhin, dass die Schlussfolgerungen der Taktik eher schaden als nützen – ein Ergebnis gegen das naheliegende kommerzielle Interesse.
Externe Validität: Starker Bias Richtung B2B-SaaS und SEO-Branche, ausschließlich englischsprachig, spezifische Engines, ein enges Zeitfenster in 2026. Angesichts der Google-Updates im Januar und Mai 2026 ist der Boden in Bewegung – manche Befunde könnten schon jetzt veraltet sein.
Was fehlt: Keine echte Kontrolle (vergleichbare Marken ohne solche Seiten), keine Manipulation einzelner Variablen unter sonst gleichen Bedingungen, keine Konfidenzintervalle, keine Signifikanztests – nur rohe Prozentwerte.
Das eigentlich Überzeugende ist deshalb nicht die einzelne Zahl, sondern die Triangulation: Drei unabhängige Aufbauten, unterschiedliche Engines, unterschiedliche Methoden – und alle zeigen in dieselbe Richtung (zitiert ≠ empfohlen; die Empfehlung ist autoritätsgebunden). Konvergente Evidenz über unabhängige Messungen wiegt in diesem Feld mehr als jeder p-Wert aus einer einzelnen Erhebung.
Meine Einordnung für SEOs und GEOs
Für mich ergeben sich daraus fünf Konsequenzen.
Erstens: Das Zitat ist eine Vanity-Metrik. Wer „AI-Citations“ als Erfolgskennzahl trackt, misst das Falsche. Relevant ist die Empfehlung bzw. die Markennennung im Antworttext – und die kann trotz Zitat komplett ausbleiben. Trennt diese beiden Ereignisse in jedem Reporting, sonst verkauft ihr euren Stakeholdern eine Zahl, die sich in der Empfehlung nicht materialisiert.
Zweitens: Die Taktik ist situativ, kein Wachstumshebel. Sie kann eine Brücke sein, wenn eine legitime, aber unsichtbare Entität in einer engen, sachlich passenden Kategorie fehlt. Für etablierte Marken ist sie im besten Fall Rauschen, im schlechteren ein Reputationsrisiko – bis hin zu den „inauthentic mentions“, gegen die Google bereits algorithmisch vorgeht.
Drittens: Der Bumerang ist die eigentliche Pointe. Wenn das Modell eure Liste als neutrale Quelle behandelt und daraus die Konsens-Namen zieht, die ihr aufgeführt habt, dann habt ihr die Empfehlung eurer Wettbewerber mitfinanziert. Bei schwachen Marken ist die selbstpromotende Liste im Zweifel kostenloses Marketing für die Konkurrenz.
Viertens: Der wahre Hebel liegt off-domain. Was empfohlen wird, entscheidet der Konsens des restlichen Webs – Erwähnungen, Links, das Gerede über eure Marke anderswo. Das ist der nicht hackbare Teil, und es heißt schlicht Brand-Building und digitale PR. GEO konvergiert damit zurück zu den Grundlagen: Man kann Autorität nicht per On-Domain-Trick abkürzen.
Fünftens: Flüchtigkeit ändert die Messpraxis. Vertraut keiner Momentaufnahme. Trackt Verteilungen über Zeit, rechnet mit Schwankungen, berichtet Bandbreiten statt Punktwerte – und akzeptiert, dass das System, für das ihr optimiert, ein bewegliches Ziel ist.
Wenn ihr die Taktik trotzdem einsetzt, dann sauber: Füllt echte Lücken, statt euch selbst zu krönen. Verzichtet auf das Schlechtreden von Wettbewerbern. Haltet die Inhalte aktuell – die „Documentation Tax“ ist real, und veraltete Seiten füttern die Modelle irgendwann mit falschen Informationen über euch und eure Konkurrenz. Und verlinkt Alternativen ehrlich.
Unterm Strich ist das für mich ein weiterer Fall, in dem ein vermeintlicher Hack eine kurze Halbwertszeit hatte und die belastbare Antwort die unspektakuläre bleibt: echte Substanz, echte Autorität, aktuelle Informationen. Gute Prompts und clevere Listen-Tricks allein reichen eben nicht.
Die neue große Erzählung der KI-Branche ist schnell zusammengefasst: Nach Chatbots kommen Agenten. Agenten werden zu digitalen Mitarbeitenden. Digitale Mitarbeitende bekommen Namen, Rollen, Aufgaben, Zugänge, Skills und Tools. Und irgendwann, so die implizite Hoffnung, arbeiten sie eben wie Kolleg:innen.
Das klingt modern. Es klingt produktiv. Es klingt nach dem nächsten logischen Schritt.
Aber es ist die falsche Metapher.
Der MIT-Technology-Review-Artikel „AI agents are not your ‚coworkers‘“ trifft deshalb einen Nerv – nicht, weil agentische KI überschätzt wäre. Im Gegenteil: Die technische Entwicklung ist real. Agenten können heute mehrstufig arbeiten, Tools nutzen, Dateien lesen, Code schreiben, Recherchen durchführen, Systeme bedienen und Aufgaben über längere Zeit verfolgen. Aber die Art und Weise, wie wir über sie sprechen, prägt, wie Menschen mit ihnen arbeiten.
Und genau dort beginnt das Risiko.
Der Artikel beschreibt eine Studie von Emma Wiles (Boston University), in der Menschen schlechter darin waren, Fehler zu erkennen, wenn dieselbe Arbeit als Output eines agentischen „AI employee“ statt als Output eines Chatbots beschrieben wurde. Laut MIT Technology Review erkannten die Teilnehmenden 18 Prozent weniger Fehler, wenn das System als KI-Mitarbeitender gerahmt wurde. Außerdem waren sie 44 Prozent häufiger bereit, fragwürdige Arbeit an eine Führungskraft weiterzueskalieren, statt selbst Verantwortung für die Korrektur zu übernehmen.
Das ist mehr als ein Naming-Problem. Es ist ein Verantwortungsproblem.
Wenn wir KI-Agenten als Mitarbeitende bezeichnen, verschieben wir psychologisch Verantwortung. Wir tun so, als hätte das System eine Rolle, eine Zuständigkeit, vielleicht sogar eine Art Urteilskraft. Aber genau das hat es nicht. Ein Agent kann handeln. Er kann aber keine Verantwortung tragen.
Deshalb lautet die zentrale These:
Agenten sind keine Kolleg:innen. Agenten sind Prozessbausteine.
Und wer sie produktiv einsetzen will, braucht nicht nur bessere Agenten. Er braucht bessere Arbeitsarchitektur.
Der gefährliche Charme des „digital employee“
Die Metapher vom digitalen Mitarbeitenden ist für Anbieter attraktiv. Sie ist einfach zu verkaufen, klingt nach Produktivität, Skalierung und Entlastung – und verspricht: Wir stellen nicht nur ein Tool bereit, sondern eine neue Arbeitskraft.
Der MIT-Artikel beschreibt, dass Unternehmen KI-Agenten bereits als Mitarbeitende rahmen, teils mit Namen, Titeln und Zuständigkeiten. Fast ein Drittel der von Wiles untersuchten Manager:innen gab demnach an, dass ihre Unternehmen KI-Agenten bereits als Mitarbeitende darstellen; 23 Prozent sagten sogar, sie würden auf Organigrammen geführt.
Das ist bemerkenswert. Denn sobald ein Agent als „Kollege“ erscheint, verändert sich die soziale Dynamik. Menschen behandeln ihn nicht mehr nur als Werkzeug, dessen Output geprüft werden muss, sondern eher als Akteur, dessen Arbeit man beurteilt, aber nicht vollständig verantwortet.
Das ist problematisch, weil KI-Agenten genau dort gefährlich überzeugend sind, wo menschliche Kontrolle notwendig bleibt: Sie produzieren plausible Zwischenstände, erzeugen strukturierte Artefakte, wirken zielgerichtet, formulieren souverän, glätten Unsicherheit sprachlich – und lassen Arbeit so aussehen, als sei sie abgeschlossen.
Abgeschlossen ist sie aber erst, wenn ein Mensch mit der richtigen Fachkompetenz sie geprüft und verantwortet hat.
Ein Agent kann Vorschläge machen, Schritte ausführen, Tools nutzen, Variationen erzeugen und Recherche strukturieren. Aber er kann nicht entscheiden, ob ein strategischer Rat kundenspezifisch tragfähig ist. Er kann nicht für eine Markenentscheidung einstehen, keine Kundenbeziehung verantworten, nicht beurteilen, ob ein scheinbar effizienter Vorschlag langfristig Vertrauen zerstört. Er kann nicht haften. Er kann keine berufliche Verantwortung übernehmen.
Das ist der Kern.
Agenten werden besser – das macht Governance nicht weniger wichtig, sondern wichtiger
Es wäre falsch, agentische KI kleinzureden. Die technische Entwicklung ist real, Agenten werden leistungsfähiger, ausdauernder und besser integriert. Mehrere Entwicklungen sind bereits sichtbar:
Agent-SDKs werden reifer. Anbieter bauen Funktionen für Tool Use, Handoffs, Tracing, Sessions, Guardrails und Human-in-the-Loop.
Skills und Plugins werden zu wiederverwendbaren Arbeitspaketen. Statt nur Prompts zu schreiben, kapseln Organisationen Aufgabenlogiken: Anweisungen, Beispiele, Toolzugänge, Ressourcen, Prüfregeln und Outputformate.
MCP und ähnliche Protokolle verbinden Agenten mit realen Systemen: Dateien, Datenbanken, APIs, Projektmanagement, Designsystemen, CRM, Analytics, Repositories, Kalendern, Tickets und Kommunikationsplattformen.
Workspaces werden persistent. Agentische Arbeit findet nicht mehr nur im Chat statt, sondern in Arbeitsumgebungen mit Dateien, Zuständen, Logs, Artefakten, Versionen und Berechtigungen.
Evaluation verschiebt sich. Es geht nicht mehr nur darum, ob eine Antwort gut klingt, sondern ob der Endzustand einer Aufgabe korrekt ist: Welche Tools wurden genutzt? Welche Daten verändert? Welche Artefakte entstanden? Welche Reviews fehlen? Welche Aktion war riskant?
Kostensteuerung wird zentral. Je mehr Agenten, Skills und LLM-Steps produktiv laufen, desto wichtiger werden Modellrouting, Budgets, Providerwahl, Tokenkosten, Laufzeitlimits und Cost Monitoring.
All das spricht nicht gegen Agenten. Aber es spricht sehr deutlich gegen die naive Agenten-Erzählung. Je mächtiger Agenten werden, desto weniger dürfen sie außerhalb klarer Arbeitsarchitektur operieren. Ein schwacher Chatbot erzeugt vielleicht einen schlechten Text. Ein mächtiger Agent kann einen Prozess falsch ausführen, Daten falsch interpretieren, ein Tool unpassend nutzen, falsche Zwischenstände erzeugen, Kosten verursachen oder Verantwortung verschleiern.
Die Zukunft agentischer KI ist deshalb nicht einfach eine Zukunft autonomer Mitarbeitender. Sie ist eine Zukunft kontrollierter Arbeitsumgebungen.
Die eigentliche Frage: Wer besitzt den Prozess?
Wenn Agenten in Unternehmen produktiv werden sollen, lautet die wichtigste Frage nicht „Wie autonom ist der Agent?“, sondern:
Wer besitzt den Prozesszustand?
Das ist der zentrale Architekturpunkt.
Wenn der Agent den Prozess besitzt, entscheidet er bei jedem Lauf neu: Welche Schritte sind nötig? Welche Tools nutze ich? Welche Daten brauche ich? Wann bin ich fertig? Welche Zwischenergebnisse genügen? Welche Fehler ignoriere ich, welche Unsicherheiten markiere ich – und welche nicht? Für Exploration kann das funktionieren. Für produktive Kernprozesse ist es riskant.
Wenn dagegen der Workflow den Prozess besitzt, sieht die Architektur anders aus: Der Workflow definiert Ziel, Inputs, erlaubte Daten, mögliche Branches, Step-Typen, Tools, Review-Gates, Output-Artefakte, Status, Fallbacks, Rollen, Kostenlimits und Exportregeln. Agenten und Skills kommen dann nicht als freie Prozessbesitzer ins System, sondern als kontrollierte Bausteine innerhalb eines definierten Rahmens.
Das ist der Unterschied zwischen
„Der Agent macht die Keyword Research.“
und
„Der Workflow führt die Keyword Research. Ein begrenzter agentischer Step unterstützt die Exploration innerhalb definierter Quellen, ein LLM-Step clustert Daten, ein Human-Review-Gate prüft die Priorisierung, und ein Fallback greift, wenn der Kundentyp außerhalb des Operating Envelope liegt.“
Das klingt weniger spektakulär. Aber es ist professioneller.
Warum starre Workflows allein nicht reichen
Hier entsteht schnell ein Missverständnis. Wenn der Workflow den Prozess besitzen soll, klingt das nach Starrheit – nach Wasserfall, deterministischer Pipeline, „immer derselbe Ablauf“. Gerade für Agenturarbeit wäre das falsch.
Eine Keyword Research sieht für einen lokalen Laden anders aus als für einen Filialisten mit 150 Standorten, einen E-Commerce-Händler, ein B2B-Beratungsunternehmen oder einen multinationalen Mischkonzern. Eine Markenanalyse läuft bei einem etablierten Mittelständler anders als bei einem Start-up. Ein UX-Review für eine Kampagnen-Landingpage ist nicht dasselbe wie für ein komplexes B2B-Portal. Und eine Creative Route entsteht anders als ein Monatsreport.
Heißt: Nicht alles kann oder sollte vollständig deterministisch werden. Der bessere Satz lautet deshalb:
Die Plattform muss nicht jeden Denkweg deterministisch machen. Sie muss stabile Schnittstellen um flexible Arbeit herum bauen.
Der Prozessrahmen ist stabil – die Betriebsmodi innerhalb des Prozesses dürfen unterschiedlich sein. Ein Step kann deterministisch sein, LLM-gestützt, einen Skill nutzen, agentisch begrenzt sein, menschliche Assistenz erfordern, ein Review-Gate sein oder einen Fallback auslösen. Die Plattform führt den Gesamtzustand, auch wenn einzelne Abschnitte flexibel bearbeitet werden.
Skills und Agenten gehören auf die Plattform – aber nicht als Spielwiese
In vielen Organisationen liegen Skills, Prompts, Plugins und Agenten heute verteilt in einzelnen Tools: Claude, ChatGPT, Gemini, Slack, Notion, Google Drive, GitHub, Browser-Setups, lokalen Dateien oder persönlichen Arbeitsweisen. Für Exploration ist das unvermeidbar. Zum Problem wird es, sobald diese Setups teamweit, kundennah oder wiederkehrend genutzt werden.
Dann stellen sich Fragen: Wer hat den Skill erstellt? Ist er reviewed? Welche Version ist aktuell? Welche Daten darf er verwenden, welche Tools nutzt er, welche Ergebnisse erzeugt er? Wer darf ihn nutzen, wer muss den Output prüfen? Wann wird daraus ein Workflow? Wie fließen Fehler zurück? Wie wird ein Skill deprecated? Was kostet die Nutzung – und ist das alles an einen einzigen Anbieter gebunden?
Wenn darauf niemand eine verlässliche Antwort hat, entsteht Schatten-KI.
Deshalb reicht ein separater KI-Hub als reiner Dokumentationsort langfristig nicht. Die bessere Lösung: Skills, Plugins und begrenzte Agenten in die Plattform holen – als kontrollierte Prozessbausteine.
Von „AI employee“ zu „Capability“
Die Employee-Metapher verschiebt Verantwortung. Die Capability-Metapher klärt sie. Statt zu fragen „Welcher Agent übernimmt diese Rolle?“, sollten wir fragen:
Welche Fähigkeit wollen wir als Organisation aufbauen, betreiben, prüfen und verbessern?
Eine Capability kann klein beginnen: ein Prompt für eine wiederkehrende Aufgabe, ein Skill für strategisches Sparring, ein Plugin für eine Marketing-Analyse, ein agentischer Step für Wettbewerbsrecherche, ein Plattformworkflow für eine standardisierte Analyse.
Entscheidend: Nicht jeder Skill muss vollständig produktisiert werden. Manche Capabilities bleiben dauerhaft in agentischen Skills – und das ist kein Scheitern, sondern die richtige Betriebsform, wenn die Varianz hoch bleibt, menschliches Urteil zentral ist oder Plattformlogik die Arbeit schlechter machen würde.
Aber sobald ein Skill wiederkehrend, teamrelevant, kundennah oder kostenintensiv wird, braucht er einen geregelten Ort. Dieser Ort ist die Plattform.
Was der MIT-Artikel für Unternehmen eigentlich bedeutet
Der Artikel ist nicht nur eine Kritik an Marketing-Sprache. Er ist ein Hinweis auf ein Organisationsrisiko. Wenn wir Agenten als Mitarbeitende vermarkten, riskieren wir drei Dinge:
Menschen prüfen schlechter, weil sie dem System implizit mehr Eigenständigkeit zuschreiben.
Menschen fühlen sich weniger verantwortlich, weil das System wie ein eigener Akteur erscheint.
Organisationen können Fehler leichter auf „die KI“ schieben, obwohl es eigentlich um schlechte Prozesse, falsche Anreize, mangelhafte Reviews oder unklare Zuständigkeiten geht.
Für Marketing, Beratung, Design und Performance ist das besonders relevant. Denn unsere Arbeit besteht nicht nur aus ausführbaren Tasks, sondern aus Kontext, Beziehung, Interpretation, Marke, Wirkung, Priorisierung, Trade-offs und Verantwortung:
Eine KI kann eine kreative Route vorschlagen – aber nicht wissen, ob sie politisch beim Kunden tragfähig ist.
Eine KI kann UX-Findings formulieren – aber nicht beurteilen, ob die empfohlene Änderung zur Geschäftslogik passt.
Eine KI kann Keywords clustern – aber nicht wissen, welcher Hebel im Kundenkontext wirklich der nächste richtige Schritt ist.
Eine KI kann eine Positionierung challengen – aber sie trägt keine Verantwortung für die strategischen Folgen.
Deshalb muss das System so gestaltet sein, dass Verantwortung nicht verschwindet.
Die antizipierte Zukunft: Agenten werden normal, aber nicht autonom im Organisationssinn
In den nächsten Jahren wird sich agentische KI normalisieren. Unternehmen werden nicht mehr darüber sprechen, ob sie Agenten nutzen, sondern welche Agenten, Skills und Workflows freigegeben sind. Wir werden Agent Registries sehen, Skill Libraries, Tool Permissioning, Workspace Logs, Agent Evals, Run Replay, Cost Dashboards, Fallback Policies, Human-Review-Queues, Model Routing, provider-agnostische LLM-Gateways, Agentic Work Units, Artifact Stores, Audit Trails und Capability Lifecycles.
Auch die Sprache wird sich verändern. Gute Organisationen fragen dann nicht mehr „Wie viele Agenten haben wir?“, sondern: Welche Capabilities betreiben wir? Welche sind experimentell, welche assistiv, welche produktiv? Welche haben Owner, welche sind reviewed, welche haben Kostenlimits? Welche sind an einen Anbieter gebunden? Welche dürfen Kundendaten verarbeiten, welche erzeugen externe Outputs – und welche bleiben bewusst menschlich?
Fazit: Agenten brauchen keine Jobtitel. Sie brauchen Grenzen.
Agenten werden Teil unserer Arbeit. Sie werden stärker, nützlicher und operativer, sie nutzen Tools, bedienen Workspaces, führen Skills aus, erzeugen Artefakte und beschleunigen Abläufe. Aber vertrauenswürdig werden sie nicht dadurch, dass wir ihnen Namen geben.
Nützlich werden sie, wenn wir sie richtig einbetten:
in Workflows statt in freie Toolketten,
in Artefakte statt in Chatantworten,
in Reviewprozesse statt in blindes Vertrauen,
in Rollenlogik statt in Organigramm-Fantasien,
in Kostenkontrolle statt in Vendor-Lock-in,
in Capability Management statt in Prompt-Wildwuchs,
in menschliche Verantwortung statt in automatisierte Schuldverschiebung.
Die Zukunft agentischer KI liegt nicht darin, Agenten wie Kolleg:innen zu behandeln. Sie liegt darin, Arbeitsräume zu bauen, in denen Agenten keine Kolleg:innen sein müssen, um wertvoll zu sein.
Struktur führt. KI unterstützt. Menschen verantworten.
Trust ist in der Suche nichts Neues. Im Gegenteil: Man könnte sogar sagen, dass Google von Anfang an vor allem ein Vertrauensproblem lösen musste. Das offene Web war immer zu groß, zu chaotisch und zu leicht manipulierbar, um einfach nur Dokumente zu finden, in denen die richtigen Wörter vorkommen. Suchmaschinen mussten schon immer entscheiden: Welche Quellen sind relevant? Welche sind verlässlich? Welche sind manipulativ? Welche verdienen Sichtbarkeit?
Genau deshalb fand ich Heather Physiocs CAMPIXX-Vortrag „From Sources to Signals: Trust is the Next Competitive Layer in AI Search“ so spannend, den mir mein Team freundlicherweise aus Berlin mitgebracht hat. Nicht, weil Trust plötzlich als neues Thema in Search auftaucht. Sondern weil sich durch KI Suchen die Frage verändert, wie Trust ermittelt, verarbeitet und dargestellt werden kann.
Meine Einordnung dazu:
Heather beschreibt eine Richtung, der ich grundsätzlich zustimme. Trust wird in der KI-basierten Suche noch wichtiger werden. Aber aktuelle KI-Suchen sind aus meiner Sicht noch längst nicht so weit, wie ihre Oberfläche manchmal suggeriert. Sie wirken oft wie saubere Synthese und Quellenabwägung. In der Praxis ist vieles noch deutlich primitiver: Retrieval, Ranking, Mustererkennung, Zusammenfassung, sprachliche Verdichtung — und am Ende ein Antworttext mit Quellenlinks.
Das ist hilfreich. Aber es ist noch keine echte Quellenkritik.
Von SEO, GEO und AEO zu Discoverability
Ein guter Ausgangspunkt in Heathers Vortrag ist ihre Klammer um die vielen neuen Akronyme der Branche. SEO, GEO, AEO, AIO, GSO, LEO, HEO — am Ende geht es für sie um ein gemeinsames Ziel: Discoverability. Also darum, in digitalen Informationssystemen auffindbar, verständlich, auswählbar und vertrauenswürdig zu sein.
Das ist eine wichtige Rahmung. Denn die Debatte um GEO wird oft so geführt, als hätten wir es mit einer komplett neuen Disziplin zu tun. Tatsächlich ist vieles davon eine Weiterentwicklung von SEO: technische Zugänglichkeit, Relevanz, Autorität, Struktur, Reputation, Entitäten, Content-Qualität und Nutzerwert bleiben relevant.
Google selbst formuliert es ähnlich: Aus Sicht von Google Search gelten SEO-Best-Practices auch für generative AI Features weiter; AI Overviews und AI Mode sind in die bestehenden Search-Ranking- und Qualitätssysteme eingebettet und nutzen Inhalte aus dem Search Index.
GEO ist deshalb nicht das Ende von SEO. GEO ist eher SEO unter neuen Bedingungen: Die Antwortoberfläche verändert sich, die Rolle von Quellen verändert sich, und die operative Einheit verschiebt sich zunehmend von der URL zur Aussage.
Trust war schon immer das Kernproblem von Search
Wenn Heather sagt, „Trust is the next frontier in the AI search battle“, sollte man das nicht so lesen, als sei Trust in der Suche neu. Das wäre historisch falsch.
PageRank war ein früher Trust-Proxy: Wenn viele relevante und selbst vertrauenswürdige Seiten auf eine Seite verweisen, ist das ein Signal für Autorität. Später kamen Qualitäts- und Spam-Systeme hinzu: Panda gegen dünne und massenhaft produzierte Inhalte, Penguin gegen manipulative Linkmuster, E-A-T und später E-E-A-T als Qualitätsrahmen für Expertise, Erfahrung, Autorität und Vertrauenswürdigkeit, Helpful Content gegen SEO-first Content ohne echten Nutzerwert.
Heather zeigt diese Entwicklung selbst in ihrer Präsentation: PageRank, Florida, Content Farms, Caffeine, Panda, Penguin, E-A-T, Helpful Content und E-E-A-T erscheinen dort als historische Reaktionen auf Manipulation, Content-Skalierung, Qualitätsprobleme und Vertrauensdefizite.
Google beschreibt seine Ranking-Systeme bis heute als automatisierte Systeme, die viele Faktoren und Signale über hunderte Milliarden Webseiten und Inhalte auswerten, um relevante und hilfreiche Ergebnisse zu präsentieren. Außerdem betont Google, dass seine Systeme hilfreiche, verlässliche und menschenorientierte Inhalte priorisieren sollen — nicht Inhalte, die primär zur Manipulation von Rankings erstellt wurden.
Trust war also immer da.
Nur: Klassische Suche konnte Trust lange Zeit nicht wirklich auf Claim-Ebene prüfen.
Die alte Suche brauchte Proxys
Das ist der entscheidende Punkt.
Klassische Suchmaschinen konnten sehr gut darin werden, wahrscheinliche Vertrauenswürdigkeit zu modellieren. Aber sie konnten im offenen Web nicht zuverlässig jede einzelne Aussage in jedem Dokument lesen, zerlegen, semantisch verstehen, gegen andere Quellen prüfen, inhaltlich bewerten und sauber einordnen.
Eine starke Marke hatte im klassischen SEO oft Vorteile — nicht zwingend, weil jede einzelne Aussage dieser Marke automatisch richtiger war, sondern weil Marken mehr Reputation zu verlieren haben, häufiger von anderen zitiert werden, stärker in Entitätsgraphen verankert sind und tendenziell weniger aggressiv spammen können, ohne langfristige Kosten zu tragen.
Brands funktionieren in diesem Sinne als Vertrauenspfänder.
Das ist nicht perfekt, aber nachvollziehbar. Wenn eine Suchmaschine eine konkrete Aussage nicht zuverlässig inhaltlich prüfen kann, muss sie stärker fragen: Wer sagt das? Wer verweist darauf? Wie lange existiert diese Quelle? Passt das Thema zur bekannten Expertise? Gibt es Manipulationsmuster? Wirkt die Quelle insgesamt vertrauenswürdig?
Klassisches SEO war deshalb nie nur Keyword-Optimierung. Es war immer auch Arbeit an Vertrauenssignalen — nur eben überwiegend über Proxy-Metriken auf Quellen-, Dokument-, Domain- und Markenebene.
Was durch LLMs theoretisch neu wird
Mit LLMs verändert sich nun der Möglichkeitsraum.
Der entscheidende Unterschied zwischen klassischer Suche und AI Search liegt nicht darin, dass Trust plötzlich wichtig wird. Der Unterschied liegt darin, wo Trust entstehen könnte.
Im klassischen SEO wurde Vertrauen vor allem auf Quellenebene modelliert:
Ist diese Domain vertrauenswürdig?
Ist diese Marke bekannt? Wird nach ihr gesucht?
Ist diese:r Autor:in relevant?
Hat diese Seite Links von vertrauenswürdigen Quellen?
Ist diese Quelle thematisch etabliert?
In der KI Suche kommt theoretisch eine tiefere Ebene hinzu:
Ist diese konkrete Aussage belastbar?
Welche Quelle belegt sie?
Gibt es unabhängige Bestätigung?
Gibt es Widerspruch?
Ist das Fakt, Meinung, Erfahrung, Interpretation oder Marketing?
Welche Perspektive steckt dahinter?
Welche Unsicherheit müsste genannt werden?
Das ist die eigentliche Verschiebung: von Source Trust zu Claim Trust.
Heather beschreibt genau diese Richtung mit ihren Platform Verification Signals. Dazu gehören Atomic Fact-Checking, Entity Cross-Checking und Multi-Source Consensus: Antworten werden in einzelne Fakten zerlegt, Claims gegen externe Evidenz geprüft, Entitäten mit Knowledge Graphs abgeglichen und mehrere Quellen miteinander verglichen.
Das ist aus meiner Sicht der wichtigste Gedanke des Vortrags.
Klassische Suche fragte vor allem: Ist diese Quelle wahrscheinlich vertrauenswürdig? KI Suche könnte zusätzlich fragen: Ist diese konkrete Aussage belastbar?
Aber: Aktuelle KI-Suchen sind noch nicht dort
Und hier kommt meine wichtigste Einschränkung:
Ich glaube nicht, dass aktuelle KI-Suchen diese Vision bereits zuverlässig erfüllen.
Viele AI-Search-Ergebnisse sehen aus wie eine abgewogene Synthese. Sie formulieren flüssig, ordnen scheinbar ein, liefern Quellenlinks und wirken dadurch oft belastbarer, als sie sind. Aber darunter passiert häufig noch etwas deutlich Einfacheres: Suche, Retrieval, Ranking, Zusammenfassung, Mustererkennung und plausible sprachliche Verdichtung.
OpenAI beschreibt ChatGPT Search als Funktion, die Fragen mit aktuellen Webinformationen und Links zu relevanten Quellen beantworten kann. Gleichzeitig unterscheidet OpenAI selbst zwischen Search und Deep Research: Search ist für schnelle Fakten und kurze Zusammenfassungen mit Links gedacht; Deep Research nimmt sich mehr Zeit, liest und analysiert viele Quellen und erstellt ausführlichere dokumentierte Berichte.
Diese Unterscheidung ist wichtig. Eine schnelle KI-Antwort mit Quellenlinks ist nicht automatisch eine gründliche Analyse. Zitation ist nicht Verifikation.
Aktuelle KI-Suchen können Quellen zitieren, ohne sie wirklich tief zu prüfen. Sie können Konsens simulieren, ohne echten Konsens zu belegen. Sie können Meinungen zusammenfassen, ohne Interessenlagen sauber offenzulegen. Sie können Haltungen glätten, ohne Konflikte angemessen darzustellen. Sie können Autorität übernehmen, ohne die konkrete Aussage ausreichend zu validieren.
Das heißt nicht, dass AI Search nutzlos ist. Im Gegenteil. Für viele Low-Stakes-Situationen — Orientierung, Inspiration, erste Recherche, Zusammenfassung großer Informationsmengen — ist das enorm hilfreich. Heather unterscheidet in ihrer Präsentation selbst zwischen Low-Stakes- und High-Stakes-Situationen: Bei hohen Risiken, etwa Gesundheit, wichtigen Kaufentscheidungen oder spezialisierter Forschung, werden Quellenbewertung, Kontext und Vertrauen deutlich kritischer.
Aber genau deshalb sollten wir aktuelle AI Search nicht überschätzen. Sie ist noch nicht die wissenschaftliche Redaktion, als die sie manchmal erscheint.
Trust Gap: Wenn Oberfläche vertrauenswürdiger wirkt als der Prozess
Heather spricht in ihrem Vortrag vom Trust Gap. Besonders spannend finde ich daran: Es geht nicht nur darum, dass KI-Antworten falsch sein können. Es geht darum, dass sie Vertrauen erzeugen können, obwohl die zugrunde liegende Prüfung nicht ausreichend ist.
Die Präsentation nennt dafür mehrere Faktoren: ein „veneer of rigor“ im AI-Design, inkonsistente Unsicherheitsmarkierung, Zitationen selbst dann, wenn Links problematisch sind, hilfreiche Nutzermetriken als Vertrauensanker und Sycophancy, also Antworten, die sich an bestehende Meinungen anpassen und psychologischen Widerstand senken.
Das ist für SEO und GEO zentral.
Denn AI Search verändert nicht nur die Auffindbarkeit von Inhalten. Sie verändert auch die Wahrnehmung von Autorität. Wenn ein System eine Antwort formuliert, wirkt sie anders als eine Liste aus zehn blauen Links. Die Plattform übernimmt mehr Deutungsarbeit. Sie synthetisiert, gewichtet, verkürzt und präsentiert.
Damit wird Trust nicht nur ein Rankingproblem. Trust wird ein Begründungsproblem.
Drei Ebenen von Trust: Source, Claim, Stance
Für die operative Einordnung hilft mir ein dreistufiges Modell.
1. Source Trust: Wer spricht?
Das ist die klassische SEO-Ebene. Hier geht es um Autorität, Marke, Reputation, Backlinks, Erwähnungen, Autorprofile, Domainhistorie, redaktionelle Standards, technische Qualität und thematische Expertise.
Diese Ebene bleibt wichtig. Ohne Source Trust kommt ein Inhalt oft gar nicht in den relevanten Auswahlraum. Auch AI Search baut nicht im luftleeren Raum, sondern greift auf indexierte, auffindbare, strukturierte und bereits bewertete Quellen zurück.
2. Claim Trust: Was wird behauptet?
Das ist die neue GEO-Ebene. Hier geht es um die konkrete Aussage: Ist sie belegt? Ist sie aktuell? Ist sie präzise? Gibt es Primärquellen? Gibt es Daten? Gibt es unabhängige Bestätigung? Gibt es Widerspruch? Ist die Aussage überzogen oder sauber eingeschränkt?
Hier liegt das große Potenzial von LLM-basierter Suche. Nicht nur Quellen zu finden, sondern Aussagen zu prüfen. Aber genau hier liegt auch die größte Diskrepanz zwischen Vision und Realität. Denn heutige Systeme können Claims zwar extrahieren und vergleichen, aber sie tun das noch nicht durchgängig so sauber, wie gute Journalistinnen, Wissenschaftler oder Fachredaktionen es tun würden.
3. Stance Trust: Aus welcher Perspektive wird gesprochen?
Das ist die unterschätzte Ebene. Nicht jede Aussage ist ein Fakt. Viele Aussagen sind Meinungen, Empfehlungen, Bewertungen, Haltungen oder interessengeleitete Interpretationen. Gerade im Marketing, in Produktvergleichen, in politischen Debatten, in Wissenschaftskommunikation oder bei YMYL-Themen ist entscheidend, aus welcher Perspektive gesprochen wird.
Ist es ein Anbieter? Ein Affiliate? Eine unabhängige Redaktion? Ein:e Betroffen:e? Ein:e Wissenschaftler:in? Eine Lobbyorganisation? Ein Wettbewerber? Eine Marke mit Verkaufsinteresse?
Gute AI Search müsste künftig besser zwischen Fakt, Erfahrung, Meinung, Haltung und Marketing unterscheiden. Aktuelle Systeme sind darin aber noch begrenzt. Sie können Perspektiven sprachlich erkennen, aber nicht zuverlässig und konsistent epistemisch gewichten.
Was Marketer von Journalismus und Wissenschaft lernen können
Einer der stärksten Teile in Heathers Vortrag ist der Rückgriff auf Journalismus und Wissenschaft. Beide Disziplinen haben unterschiedliche Geschwindigkeiten und Arbeitsweisen, aber sie teilen zentrale Prinzipien: Genauigkeit, Evidenz, Skepsis, Transparenz, klare Narrative, Fact-Checking und Vertrauen als Währung.
Heather übersetzt daraus ein Trust-Toolkit für Marketer: Attribution, Paper Trails, Datenprüfung, mehrere unabhängige Quellen, Bewertung von Interessen, Motiven und professionellen Qualifikationen, Rückverfolgung von Claims, Zitaten und Bildern zum Originalkontext sowie Abgleich mit bereits bestätigten Fakten.
Das ist aus meiner Sicht kein nettes Qualitätsideal, sondern eine operative Notwendigkeit.
Denn wenn AI Search künftig stärker auf Claim-Ebene arbeiten soll, müssen Inhalte so gebaut sein, dass Claims überhaupt prüfbar sind. Ein Inhalt ohne Quellen, ohne Autorenschaft, ohne Methode, ohne Datentransparenz, ohne Aktualitätsangabe und ohne klare Unterscheidung zwischen Fakt und Meinung ist für Menschen schwerer zu bewerten — und für Maschinen leichter falsch zu verdichten.
Was das operativ für SEO und GEO bedeutet
Die Konsequenz ist nicht: Klassisches SEO ist tot. Die Konsequenz ist: Klassisches SEO bekommt eine tiefere Belegebene.
Technisches SEO, Indexierbarkeit, interne Verlinkung, strukturierte Daten, Performance, Snippet-Fähigkeit, Markenaufbau, PR, Backlinks und Autorität bleiben relevant. Für Googles generative AI Features müssen Seiten weiterhin indexiert und für Snippets geeignet sein; spezielle neue Dateien oder Markups wie LLMS.txt sind laut Google für die Sichtbarkeit in Google Search nicht erforderlich.
Aber darüber hinaus müssen SEO- und GEO-Teams anders arbeiten. Sie müssen nicht nur Inhalte produzieren, sondern Aussagen operationalisieren.
Claim Audits statt nur Keyword Audits
Die operative Einheit wird nicht nur die URL, sondern der Claim.
Welche Aussagen machen wir?
Welche sind belegt?
Welche sind veraltet?
Welche sind riskant?
Welche sind Meinung, welche Fakt, welche Interpretation?
Welche könnten von AI-Systemen falsch zusammengefasst werden?
Welche Aussagen sind zu allgemein, zu absolut oder zu werblich?
Ein Claim Audit wird damit zu einem zentralen GEO-Werkzeug.
Evidence Layer statt bloßer Quellenliste
Es reicht nicht, am Ende ein paar Links anzuhängen!
Eine Evidence Layer zeigt: Woher kommt eine Aussage? Was ist die Primärquelle? Welche Methode liegt zugrunde? Wann wurde geprüft? Welche Einschränkungen gelten? Wer hat die Aussage fachlich verantwortet? Gibt es Gegenpositionen?
Das macht Inhalte nicht nur vertrauenswürdiger. Es macht sie auch leichter extrahierbar, zitierbar und prüfbar.
Originalität statt Commodity Content
Wenn AI-Systeme vorhandenes Wissen gut zusammenfassen können, verlieren austauschbare Zusammenfassungen an Wert.
Sichtbarkeit entsteht dann nicht durch mehr Content, sondern durch mehr Substanz: eigene Daten, Tests, Benchmarks, Interviews, Produktwissen, Fallstudien, Expertenkommentare, echte Erfahrung und originäre Perspektiven.
Heather nennt in ihren Selection Signals genau diese Punkte: sichtbare Bylines, Autorinformationen, transparente Quellen, Originalität, First-Hand-Perspektive, Original Research, Human Oversight und Abgrenzung von massenhaft produziertem AI-Slop.
Gerade bei Bewertungen, Empfehlungen und Meinungsinhalten sollte klar sein, aus welcher Perspektive gesprochen wird.
Anbietercontent darf Anbietercontent sein. Ein Erfahrungsbericht darf subjektiv sein. Eine fachliche Einschätzung darf eine Haltung haben. Problematisch wird es, wenn Marketing wie unabhängige Forschung wirkt oder Meinung als Fakt präsentiert wird.
Für AI Search ist diese Unterscheidung entscheidend, weil Systeme sonst scheinbar neutrale Synthesen aus interessengeleiteten Quellen bauen.
Corroboration Building statt manipulativem Linkbuilding
Externe Bestätigung bleibt wichtig. Aber sie sollte nicht als Fake-Konsens verstanden werden.
In einer AI-Search-Welt geht es weniger darum, einzelne Links aufzubauen, und stärker darum, im relevanten Themenraum glaubwürdig bestätigt zu werden: durch Fachmedien, Studien, Partner, unabhängige Reviews, Branchenverzeichnisse, Expertenzitate, Community-Signale und nachvollziehbare Erwähnungen.
Heather warnt selbst vor der nächsten Manipulationswelle: AI-generierte Forenbeiträge, Fake-Reddit-Threads, künstliche positive Brand Mentions, umgeschriebener Wettbewerbercontent, synthetische Sites und Fake-Personas.
Das ist der Schatten der neuen Trust-Logik: Wo Systeme Konsens, Entitäten und semantische Nähe auswerten, entstehen Anreize, genau diese Signale künstlich zu erzeugen.
Die geschärfte These
Die beste Weiterentwicklung von Heathers Impuls lautet für mich:
Trust war immer die Währung von Search. Neu ist, dass AI Search diese Währung potenziell feiner auflösen kann: von der Quelle zur Aussage, von Autorität zu Evidenz, von Ranking zu Begründung.
Aber dieses Potenzial ist noch nicht vollständig Realität.
Aktuelle KI-Suchen sind oft noch gröber, als sie wirken. Sie fassen zusammen, verdichten, zitieren und plausibilisieren — aber sie prüfen noch nicht durchgängig wie gute Redaktionen oder wissenschaftliche Review-Prozesse.
Genau deshalb ist jetzt der richtige Zeitpunkt, Trust operativ aufzubauen.
Nicht als kosmetisches E-E-A-T-Label. Nicht als GEO-Hack. Nicht als Checkliste künstlicher Signale.
Sondern als Infrastruktur:
klare Autorenschaft,
nachvollziehbare Quellen,
belastbare Claims,
konsistente Entitäten,
eigene Daten,
transparente Methoden,
redaktionelle Verantwortung,
externe Bestätigung,
klare Trennung von Fakt, Meinung und Marketing.
Fazit: Von vertrauenswürdigen Quellen zu begründbaren Aussagen
Heather Physiocs Vortrag ist stark, weil er AI Search als Vertrauensproblem beschreibt. Ich würde ihn aber bewusst historisch einordnen: Trust ist kein neues Thema in Search. Google versucht seit Jahrzehnten, vertrauenswürdige Quellen von weniger vertrauenswürdigen Quellen zu trennen.
Neu ist der Anspruch, dass AI Search nicht nur Quellen auswählen, sondern Aussagen synthetisieren und begründen muss.
Früher musste Google vor allem vertrauenswürdige Quellen erkennen. Künftig müssen AI-Systeme vertrauenswürdige Aussagen begründen können.
Und genau darauf muss moderne SEO-/GEO-Arbeit vorbereiten.
Wir optimieren also nicht nur für das, was AI Search heute schon kann. Wir bauen die Infrastruktur für das, was AI Search können muss, wenn sie langfristig nützlich und vertrauenswürdig sein will.
Die nächste Reifestufe von SEO besteht deshalb nicht darin, Trust-Signale künstlich nachzubauen. Sie besteht darin, echte Vertrauenswürdigkeit maschinenlesbar, überprüfbar und zitierfähig zu machen.
Oder zugespitzt:
Trust war nie neu. Neu ist der Wechsel von Trust-Proxys auf Quellenebene zu potenzieller Claim-Prüfung auf Aussageebene. Und genau dort beginnt die eigentliche Arbeit von GEO.
Update 2026: Pangram – der KI-Detektor, der angeblich „wirklich funktioniert“?
Nachdem ich diesen Artikel ursprünglich veröffentlicht hatte, tauchte mit Pangram ein weiterer KI-Textdetektor auf, der deutlich selbstbewusster auftritt als viele der bisherigen Tools. Pangram wirbt aktuell damit, KI-generierte Inhalte mit „99,98% accuracy“ erkennen zu können und verweist dabei auf Drittstudien der University of Chicago und der University of Maryland. Zusätzlich behauptet das Unternehmen eine False-Positive-Rate von „1 in 10.000“, berechnet auf aggregierten öffentlichen Datensätzen mit mehreren Millionen Dokumenten.
Das klingt zunächst nach genau dem Durchbruch, auf den viele warten: Endlich ein Tool, das zuverlässig zwischen menschlichen und KI-generierten Texten unterscheiden kann. Allerdings lohnt sich auch hier der zweite Blick.
Die von Pangram angeführte Studie der University of Chicago ist durchaus interessant. Die Forscher testeten vier Detektoren – Pangram, GPTZero, OriginalityAI und RoBERTa – auf 1.992 menschlichen Textpassagen aus der Zeit vor 2020 und jeweils passenden KI-generierten Texten. Die Texte stammen aus Genres wie News, Blogs, Reviews, Romanpassagen und Résumés; die KI-Texte wurden unter anderem mit GPT‑4.1, Claude Opus 4, Claude Sonnet 4 und Gemini 2.0 Flash erzeugt. Pangram schneidet in dieser Untersuchung tatsächlich sehr gut ab, insbesondere bei mittleren und längeren englischen Texten. Gleichzeitig betonen die Autoren aber selbst, dass False Positive Rate und False Negative Rate vom gewählten Schwellenwert abhängen und dass die Leistung solcher Detektoren Teil eines technischen Wettrüstens zwischen Detektoren, neuen LLMs, Humanizern und Nutzerstrategien bleibt.
Genau hier liegt der entscheidende Punkt: „Accuracy“ ist nicht gleich Praxistauglichkeit. Eine einzelne Prozentzahl sagt wenig aus, solange nicht klar ist, auf welchem Datensatz, in welcher Sprache, bei welcher Textlänge, mit welchem Schwellenwert und mit welcher Definition von „KI-generiert“ getestet wurde. Ein Tool kann in einem Benchmark nahezu perfekt abschneiden und trotzdem in meinem konkreten Anwendungsfall jede Menge False Positives oder False Negatives liefern.
Noch deutlicher wird das bei der ebenfalls von Pangram zitierten Studie der University of Maryland. Dort wurden 300 englische Non-Fiction-Artikel untersucht. Pangram gehört in dieser Studie zwar zu den stärksten automatischen Detektoren, aber die Tabelle berichtet True Positive Rate und False Positive Rate – nicht einfach eine allgemeine „Accuracy“. Für Pangram stehen dort insgesamt 98,0% TPR bei 2,0% FPR; für „Pangram Humanizers“ 99,3% TPR bei 2,7% FPR. Das ist stark, aber es ist eben nicht dasselbe wie „99,98% fehlerfrei“.
Pangram selbst macht das Problem in seiner neueren Produktkommunikation sogar sichtbar. Seit Pangram 3.0 unterscheidet das Tool nicht mehr nur zwischen „Human“ und „AI“, sondern zwischen „Fully human-written“, „Lightly AI-assisted“, „Moderately AI-assisted“ und „Fully AI-generated“. Laut Pangram gelten Rechtschreibkorrektur, Übersetzung oder Lesbarkeitsänderungen bereits als „Light AI assistance“, während umfangreichere Umformulierungen oder Strukturänderungen als „Moderate AI assistance“ klassifiziert werden können. Pangram schreibt selbst, dass Co-Autorschaft ein Spektrum sei und dass die Grenze zwischen diesen Kategorien eher eine interpretative als eine harte wissenschaftliche Trennlinie ist.
Das ist aus meiner Sicht ein wichtiger Fortschritt, weil es der Realität näherkommt: Die meisten Texte entstehen heute nicht mehr sauber binär als „100% Mensch“ oder „100% KI“. Viele Texte werden recherchiert, skizziert, geglättet, übersetzt, umgeschrieben, erweitert oder redigiert – teilweise mit KI, teilweise ohne. Aber gerade dadurch wird die Behauptung einer fast absoluten Erkennungsgenauigkeit noch schwieriger.
Auch Pangrams eigene Model Card zu Version 3.3 ist hier aufschlussreich. Dort steht ausdrücklich, dass das Modell für längere Texte in vollständigen Sätzen gedacht ist. Bullet-Point-Listen, technische Anleitungen, Tabellen, Vorlagen, Inhaltsverzeichnisse, Referenzabschnitte und dichte mathematische Texte seien anfälliger für False Positives. Pangram warnt außerdem selbst, dass falsche Anschuldigungen ernste Folgen haben können und dass das Modell eine nicht-null Fehlerrate hat.
Bei meinen eigenen Stichproben zeigt sich genau diese praktische Unsicherheit. Ein deutschsprachiger Textabschnitt wurde von Pangram 3.3.2 beispielsweise als „100% Human Written“ eingestuft – gleichzeitig zeigt die Oberfläche aber „Confidence Low“. Das ist bemerkenswert: Für Nutzer sieht „100% Human“ zunächst absolut aus, die eigentliche Modellunsicherheit steht jedoch klein daneben. Genau diese Art der Darstellung ist problematisch, weil sie eine Sicherheit suggeriert, die das System selbst offenbar nicht hat.
Aus wissenschaftlicher Sicht ist Pangram also nicht einfach in dieselbe Schublade zu stecken wie manche älteren, offensichtlich schlechten Detektoren. Das Tool scheint in mehreren Benchmarks deutlich besser abzuschneiden als GPTZero, Copyleaks oder einfache Perplexity-basierte Ansätze. Aber die zentrale Kritik bleibt bestehen: Eine Benchmark-Zahl ist kein Beweis für einen konkreten Text. Sie sagt nur, wie gut ein Modell unter bestimmten Testbedingungen funktioniert hat.
In der Praxis zählt nicht die werbliche „Accuracy“, sondern die Frage: Wie viele fälschlich beschuldigte menschliche Texte und wie viele nicht erkannte KI-Texte produziert das Tool in genau meinem Einsatzszenario? Bei einer Schule, Universität, Redaktion oder SEO-Agentur ist das Entscheidende nicht, ob ein Anbieter „99,98%“ auf einer aggregierten Testmenge erreicht, sondern wie viele echte Texte aus dem eigenen Umfeld falsch klassifiziert werden.
Selbst sehr niedrige Fehlerraten können bei großem Einsatz problematisch werden. Eine False-Positive-Rate von 0,01% klingt verschwindend gering, bedeutet aber bei einer Million geprüfter menschlicher Texte immer noch rund 100 fälschlich verdächtigte Texte. Bei höheren False-Positive-Raten, wie sie in einzelnen Genres oder unabhängigen Tests durchaus auftreten, wird das Problem entsprechend größer. Besonders gefährlich wird es, wenn positive Treffer als Beweis statt als Anlass für eine genauere Prüfung behandelt werden.
Mein Zwischenfazit zu Pangram lautet daher: Pangram ist wahrscheinlich einer der aktuell stärkeren KI-Textdetektoren. Aber auch Pangram liefert keine forensische Sicherheit. Wer solche Tools einsetzt, sollte sie höchstens als Triage-Signal verstehen, nicht als Beweismittel. Ein „AI detected“-Flag darf niemals allein Grundlage für Sanktionen, Ablehnung, schlechte Noten oder Vorwürfe sein.
Hier der ursprüngliche Beitrag:
Als ich Anfang 2023 mein Buch über ChatGPT & Co. geschrieben habe, habe ich mich auch damit auseinander gesetzt, ob Suchmaschinen wie Google oder Lehrkräfte an Schulen und Hochschulen zuverlässig erkennen können, ob ein Text vollständig oder teilweise von einer generativen KI geschrieben wurde.
GPTZero, eine der ersten Ansätze, die mir in meiner Recherche aufgefallen sind, war zum damaligen Zeitpunkt noch nicht öffentlich verfügbar, also habe ich mich mit den theoretischen Hintergründen und dem aktuellen Stand der KI-Forschung beschäftigt und mir die Frage gestellt, ob es überhaupt möglich sein kann und ob sich der Aufwand einer AI-Content-Erkennung, beispielsweise für Suchmaschinen überhaupt lohnt:
Lassen sich KI-generierte Texte erkennen?
In meinem Buch schrieb ich damals:
Die rasanten Fortschritte in letzter Zeit führen dazu, dass immer mehr Texte von Sprachmodellen generiert werden und in den unterschiedlichsten Bereichen eingesetzt werden. Da drängt sich die wichtige Frage auf, ob man solche Texte automatisch erkennen kann? Nach derzeitigen Erkenntnissen scheint dieser Kampf jedoch eine Sisyphos-Aufgabe zu sein, denn KI-Detektoren stehen vor großen Herausforderungen: Ein Team von Forschern der Universität von Maryland [1] fand heraus, dass selbst die besten Detektoren, keine absolute Sicherheit bieten können.
So können bereits einfache Umformulierungen oder kleinere Änderungen an den generierten Texten die Detektoren täuschen. Selbst die besten Detektoren schneiden kaum besser ab als ein rein zufälliger Klassifikator. Man könnte also genauso gut eine Münze werfen und sich auf diese Weise entscheiden, ob ein Text KI-generiert ist oder nicht.
OpenAI arbeitet derzeit zwar an einem Tool, das die Ausgaben eines Text-KI-Systems mit unsichtbaren Wasserzeichen versieht [2], doch auch hier gibt es Schwachstellen: Die Forscher meinen, dass Menschen in der Lage sein könnten, die Wasserzeichen zu entschlüsseln und sie in andere, nicht von einer KI geschriebene Texte einzufügen. Dadurch würden die Erkennungsmechanismen ad absurdum geführt.
Es ist offensichtlich, dass eine verlässliche und einfache Lösung für das Erkennen von KI-generierten Texten derzeit nicht in Sicht ist. Die ethische und verantwortungsvolle Nutzung von solchen Texten sollte dennoch oberste Priorität haben.
Für mich persönlich spielt es keine Rolle, ob ein Text von einer KI oder einem Menschen geschrieben wurde. Entweder es ist ein guter Text oder es ist kein guter Text. So sieht es auch aus Sicht der Suchmaschine aus. Entweder es ist Spam oder es ist kein Spam. Menschengeschriebener Spam ist genauso schlecht für die Qualität der Suchergebnisse wie KI-geschriebener Spam. Und ein richtig guter Artikel, der von der KI geschrieben wurde, ist genauso gut, wie wenn ihn ein Mensch geschrieben hätte.
Falls du dich also fragst, ob deine KI-generierten Texte in den Suchmaschinen gefunden werden, solltest du die Inhalte auf faktische Korrektheit überprüfen und dafür sorgen, dass deine Inhalte einen echten Nutzen für den Besucher bieten und ein Informationsbedürfnis erfüllen. Dann werden diese auch nicht abgestraft – warum sollten sie?
[1] Vinu Sankar Sadasivan, Aounon Kumar, Sriram Balasubramanian, Wenxiao Wang, Soheil Feizi: „Can AI-Generated Text be Reliably Detected?“, arXiv Pre-Print, abgerufen am 05.04.23, online abrufbar unter: https://kai.im/ai-text-detection [2] Kyle Wiggers: „OpenAI’s attempts to watermark AI text hit limits“, Techcrunch, abgerufen am 14.02.23, online verfügbar unter: https://kai.im/openai-watermark
Was ist seit dem passiert?
Seit dem Erscheinen meines Buches hat OpenAI seinen AI Classifier bereits Mangels Treffsicherheit zurück gezogen. Das Programm sollte KI-erzeugte Texte erkennen. Das klappte jedoch nicht zuverlässig genug: „Der AI Classifier ist nicht mehr verfügbar aufgrund seiner geringen Genauigkeit“, gesteht OpenAI ein.
Daher hatte ich für mich mit dem Thema abgeschlossen und als nicht weiter interessant betrachtet. Doch mich hat ein Kollege darauf aufmerksam gemacht, dass offenbar immer häufiger Texte von Vorgesetzten oder Kunden abgelehnt werden, weil diese angeblich mittels künstlicher Intelligenz geschrieben wurden und große Sorge darüber besteht, dass man hierfür womöglich rechtliche Konsequenzen oder gar eine Abstrafung seitens der Suchmaschinen befürchten müsste.
In den Fachabteilungen macht man sich offenbar Gedanken darüber, wie man verhindern kann, dass die eigenen Inhalte als KI-generiert erkannt werden – Was mich an die Bemühungen erinnert, gekaufte Links oder ganze Linkprofile als möglichst „organisch“ erscheinen zu lassen.
Als Beispiel für ein derartiges Tool, das KI-Texte erkennen soll, wurde mir copyleaks genannt. Das musste ich mir also umgehend ansehen, immerhin bezeichnet sich das Unternehmen selbst als die „einzige Enterprise KI-Erkennungslösung“ und verspricht:
Von der Sicherstellung der Cyber-Compliance bis zur Verhinderung von Urheberrechtsverletzungen ist es entscheidend zu wissen, welche Inhalte von Menschen erstellt wurden und welche von KI. Mit einer Genauigkeit von 99,1 % und einer vollständigen Modellabdeckung, einschließlich GPT-4 und Bard, ist der Copyleaks AI Content Detector die umfassendste und genaueste Lösung auf dem Markt.
Auszug aus der Webseite von copyleaks
Man sei dabei die einzige Plattform, die KI-Inhalte in mehreren Sprachen erkennt, eine genaue Wahrscheinlichkeitsbewertung von KI-Inhalten liefert und sogar die spezifischen Teile eines Textes hervorhebt, die von einem Menschen geschrieben wurden, und die, die von KI geschrieben wurden. Ja sogar umgeschriebene Inhalte will man erkennen können!
Wow, das klingt beeindruckend. Und sieht auf den ersten Blick auch irgendwie überzeugend aus, immerhin vertrauen „führende Organisationen und Institutionen“ offenbar auf copyleaks:
Doch auf den zweiten Blick werde ich hier stutzig: Wieso werden hier nur unbedeutende Colleges und Universitäten aufgeführt und keine aus der Ivy League?
Der erste WTF-Moment kam mir direkt im nächsten Abschnitt der Webseite:
Man arbeit seit fast einem Jahrzehnt an der KI-Erkennungslösung!
Seit 2015 lernt die Copyleaks-KI-Engine, wie Menschen schreiben, indem sie Billionen von Seiten aus verschiedenen Quellen sammelt und analysiert, darunter: Arbeiten von Tausenden von Institutionen und Millionen von Schülern aus Bildungsinstitutionen sowie Marketinginhalte, Whitepaper und Forschungsarbeiten aus über 300 Unternehmen.
Auszug aus der Webseite von copyleaks
Wer die Entwicklung von generativer KI über die letzten 10 Jahre verfolgt hat weiß, dass das entscheidende Paper „Attention Is All You Need“ jedoch erst 2017 von Google-Forschern veröffentlich wurde und alle Modelle vor GPT-2 weit entfernt davon waren, Texte zu schreiben, die man für menschengeschrieben halten könnte.
Ich finde es extrem problematisch, wenn der Eindruck erweckt wird, man könnte KI-Texte zuverlässig erkennen. Eines der Hauptprodukte von copyleaks ist immerhin die Bewertung von Aufsätzen und studentischen Arbeiten für Bildungseinrichtungen und da will ich mir garnicht vorstellen, was es bedeutet, wenn jemand wegen einer fehlerhaften Erkennung Probleme mit der Prüfungskommission bekommen könnte. Erste Berichte über falsche Anschuldigungen machten bereits die Runde.
copyleaks behauptet auf seiner Webseite selbstbewusst:
Wir haben mehr als 20.000 von Menschen verfasste Beiträge getestet und die Rate der Falschmeldungen lag bei 0,2 % – die niedrigste Falschmeldungsrate aller Plattformen. Außerdem testen wir unser KI-Modell ständig und trainieren es mit neuen Daten und Feedback, um die Genauigkeit zu verbessern.
Damit müsse „niemand Angst vor falschen Positivmeldungen haben, die zu falschen Anschuldigungen führen können“.
Doch ist das wirklich so?
Ansätze für die Erkennung und deren Grenzen
Die Fähigkeit, Texte zu erkennen, die von Künstlicher Intelligenz (KI), insbesondere von großen Sprachmodellen (LLMs), generiert wurden, ist ein sich schnell entwickelndes Forschungsgebiet mit weitreichenden Implikationen für Bereiche wie Cybersicherheit und akademische Integrität. Mit der zunehmenden Verfeinerung der LLMs wird die Unterscheidung zwischen von Menschen verfassten und von KI generierten Inhalten jedoch immer schwieriger.
Dennoch existieren zahlreiche Ansätze, die zum Teil weit entwickelt und ständig verfeinert werden. Diese lassen sich in technische und stilometrische Methoden unterteilen, um unterschiedliche Aspekte der Textgenerierung und -modellierung zu nutzen.
Die Erkennung KI-generierter Texte in Zeiten großer Sprachmodelle stellt jedoch eine zunehmende Herausforderung dar, bei der die Praktikabilität und Zuverlässigkeit der verschiedenen Ansätze kritisch betrachtet werden muss. Jede Methode hat ihre spezifischen Einschränkungen, die ihre Effektivität und Anwendbarkeit in realen Szenarien beeinflussen können.
Technische Ansätze
Maschinenlern-Klassifikatoren
Durch das Training von Maschinenlernmodellen mit großen Datensätzen von von Menschen geschriebenen und KI-generierten Texten können Forscher:innen Klassifikatoren entwickeln, die den Ursprung eines neuen Textes vorhersagen. Merkmale, die von diesen Modellen verwendet werden, können Textkohärenz, Komplexität, die Verwendung bestimmter Phrasen oder syntaktische Muster umfassen, die in KI-generierten Texten häufiger vorkommen.
Probleme dabei:
Das Training effektiver Klassifikatoren erfordert umfangreiche und vielfältige Datensätze, die sowohl von Menschen geschriebene als auch KI-generierte Texte umfassen. Die Beschaffung und Aufrechterhaltung dieser Datensätze ist ressourcenintensiv.
Klassifikatoren können durch die schnelle Evolution der KI-Modelle schnell veralten. Zudem besteht die Gefahr, dass sie durch innovative Textgenerierungsmethoden, die bestehende Erkennungsmuster umgehen, getäuscht werden.
Statistische Mustererkennung
KI-generierte Texte können statistische Anomalien aufweisen oder die Variabilität vermissen lassen, die in von Menschen geschriebenen Texten zu finden ist. Techniken wie die Analyse von N-Gramm-Häufigkeiten, Variationen der Satzlänge und andere statistische Merkmale können genutzt werden, um Muster zu identifizieren, die charakteristisch für KI-generierte Inhalte sind.
Das Problem dabei: Große Sprachmodelle werden darauf trainiert, menschliche Variabilität in Texten zu imitieren, wodurch die Unterscheidungskraft statistischer Muster verringert wird.
Wasserzeichen
Einige Forscher erkunden die Möglichkeit, Wasserzeichen in die Ausgaben von LLMs einzubetten. Diese Wasserzeichen, die subtile Muster in der Wortwahl oder Satzstruktur sein könnten, würden die Lesbarkeit des Textes nicht beeinträchtigen, könnten jedoch von spezialisierten Algorithmen erkannt werden. Die Implementierung von derartigen Wasserzeichen erfordert grundsätzlich Zugriff auf den Entwicklungsprozess der Modelle, was bei proprietären Systemen nicht immer möglich ist.
Das Hauptproblem: Wasserzeichen können umgangen, entfernt oder sogar in menschliche Texte eingebaut werden, sobald die Methoden ihrer Einbettung bekannt sind.
Stilometrische Ansätze
Konsistenz- und Kohärenzanalyse
KI-generierte Texte, insbesondere längere, können Schwierigkeiten haben, thematische oder faktische Konsistenz aufrechtzuerhalten. Eine Analyse eines Textes auf wiederholte oder widersprüchliche Informationen kann ein Indikator für eine KI-Autorschaft sein.
Die Durchführung einer gründlichen Konsistenzprüfung erfordert fortschrittliche Analysetools und kann bei längeren Texten herausfordernd sein. Neuere KI-Modelle verbessern ständig ihre Fähigkeit, kohärente und thematisch konsistente Texte zu generieren, was die Wirksamkeit dieser Methode in den letzten Jahren stark eingeschränkt hat.
Stilistisches Fingerprinting
Jeder Autor hat einen einzigartigen Schreibstil, einschließlich Vorlieben für bestimmte Phrasen, Interpunktion und Struktur. Durch den Vergleich des stilistischen Fingerabdrucks eines Textes mit bekannten menschlichen und KI-Fingerabdrücken ist es möglich, eine fundierte Vermutung über dessen Ursprung anzustellen.
Dieser Ansatz benötigt umfangreiche Vergleichsdatenbanken mit menschlichen und KI-Stilen, deren Aufbau und Pflege aufwendig sein kann. Außerdem können KI-Systeme, die auf die Nachahmung spezifischer Schreibstile trainiert sind, stilistische Fingerabdrücke effektiv imitieren, was die Zuordnung erschwert.
Was sagt die Fachwelt dazu?
Im Dezember 2023 trafen sich auf der Neurips-Konferenz in New Orleans führende KI-Forscher, um über das brandaktuelle Thema der Erkennung von Deep-Fakes und anderen KI-generierten Betrügereien zu diskutieren. Die Konferenz beleuchtete die Bemühungen von Unternehmen wie Intel und Microsoft, die mittels spezieller Software solche Täuschungen aufspüren wollen. Parallel dazu wird an Techniken gearbeitet, um echte Bilder, Videos und Texte durch „Wasserzeichen“ von KI-generierten Medien zu unterscheiden.
Eine Umfrage des Economist unter Konferenzteilnehmern zeigte jedoch eine skeptische Stimmung: 17 von 23 Befragten glauben nicht an die langfristige Erkennbarkeit KI-generierter Medien. Nur ein Einziger äußerte Optimismus bezüglich zuverlässiger Erkennungsmethoden.
Die derzeitige Erkennungssoftware basiert auf der Annahme, dass KI-Modelle erkennbare Spuren hinterlassen. Früher konnten Menschen solche Fehler leichter erkennen, wie z.B. missgebildete Hände in Bildern. Heute jedoch werden diese Unzulänglichkeiten immer seltener, und die Software muss subtilere Merkmale identifizieren.
Die Erkennungstechnik ist jedoch nicht fehlerfrei und neigt zu falsch-positiven sowie falsch-negativen Ergebnissen. Studien, wie eine von Zeyu Lu der Shanghai Jiao Tong University, belegen, dass selbst leistungsfähige Programme KI-generierte Bilder nicht immer korrekt identifizieren. Ähnlich unbefriedigend sind die Ergebnisse bei Texterkennung.
Eine alternative Methode ist das Einbetten digitaler Wasserzeichen in KI-generierte Medien. Diese Technik, vorgeschlagen von Forscherteams der University of Maryland und der University of California, Santa Barbara, nutzt subtile Unterscheidungsmerkmale, die jedoch offensichtlich werden, wenn man danach sucht. Eine weitere Methode, das „Tree-Ring“-Wasserzeichen, wird während der Erstellung des digitalen Bildes angewendet, um die Erkennung auch nach Bearbeitung des Bildes zu ermöglichen.
Trotz dieser Innovationen bleibt die Frage der Effektivität offen. Forscher der Harvard University und der University of Maryland haben bereits Methoden entwickelt, um solche Wasserzeichen zu entfernen oder zu umgehen.
Die amerikanische Regierung hat im Juli 2023 „freiwillige Verpflichtungen“ mit mehreren KI-Firmen, darunter OpenAI und Google, angekündigt, um die Forschung in diesem Bereich zu fördern. Dies zeigt, dass auch unvollkommene Schutzmechanismen als besser angesehen werden als gar keine. Dennoch scheint es, als hätten die Fälscher aktuell die Oberhand im Kampf gegen die Detektive.
Einblicke in aktuelle KI-Forschung
Mittlerweile beschäftigt sich neues Gebiet der Forschung mit Fragen wie „Lassen sich KI-Texte zuverlässig erkennen?“. In den letzten Monaten wurden dazu sehr interessante Paper veröffentlicht.
KI-Firmen aber auch KI-Forscher haben verschiedene Methoden entwickelt, um KI-Texte zu identifizieren. Manche fügen beispielsweise unsichtbare Wasserzeichen in die Texte ein. Andere analysieren statistische Eigenschaften wie die Zufälligkeit der Wörter. Wieder andere vergleichen neue Texte mit bereits bekannten KI-Texten. Diese Detektoren erreichen teilweise schon beeindruckende Erkennungsraten.
Doch neue Studien zeigen auch ihre Grenzen auf. Oft reicht es aus, wenn man KI-Texte mit einem einfachen Programm umschreibt. Dann fallen die Wasserzeichen und statistischen Marker weg und die Detektoren versagen. Selbst wenn man KI-Texte in einer Datenbank speichert und neue Texte mit diesen vergleicht, können geschickte Umschreibungen die Erkennung austricksen.
Noch grundlegender ist das theoretische Limit, das Forscher errechnet haben: Wenn KI-Systeme immer menschlicher schreiben, werden auch die besten Detektoren irgendwann ratlos. Derzeit kommen die besten Detektoren im Labor auf eine Erkennungsrate von über 90 Prozent. Aber schon bei einer Fehlerrate von nur 10 Prozent wären in der Praxis unzählige Texte falsch eingeschätzt.
Zudem zeigte sich, dass viele Detektoren Texte von Menschen mit schlechten Sprachkenntnissen häufig fälschlicherweise als KI-Text einordnen. Die Systeme sind also nicht nur fehleranfällig, sondern diskriminieren auch bestimmte Gruppen.
Forscher mahnen deshalb, die Fähigkeiten der Detektoren nicht zu überschätzen. Bevor sie in der Praxis eingesetzt werden, müssen sie umfassend getestet werden. Sonst könnten sie mehr Schaden als Nutzen anrichten. Langfristig braucht es wohl neue Ansätze. So könnte man KI-Systeme von vornherein so gestalten, dass ihre Texte nachweisbar von Menschen geschrieben wurden. Vorläufig bleibt es also spannend, ob es künftig gelingt, den stetig verbesserten KI-Textgeneratoren ebenso clevere Detektoren gegenüberzustellen.
Getestet wurden dort die Tools: Check For AI, Compilatio, Content at Scale, Crossplag, DetectGPT, Go Winston, GPT Zero, GPT-2 Output Detector Demo, OpenAI Text Classifier, PlagiarismCheck, TurnItIn, Writeful, GPT Detector, Writer sowie Zero GPT. Copyleaks war zwar nicht Teil dieses Tests, doch die Forscherinnen und Forscher kommen ebenfalls zu dem Schluss, dass die verfügbaren Erkennungswerkzeuge weder genau, noch zuverlässig sind und vor allem dazu neigen, Texte als von Menschen geschrieben zu klassifizieren, anstatt KI-generierten Text zu erkennen.
Wir dürfen hier weitere Veröffentlichungen erwarten, denn die jüngsten Fortschritte bei großen Sprachmodellen und generativer künstlicher Intelligenz haben gerade in der akademischen Welt viele Bedenken hinsichtlich ihrer ethischen Verwendung und der richtigen Bewertungsstrategien aufgeworfen. Das Hauptaugenmerk der akademischen Integritätsgemeinschaft verschiebt sich daher zunehmend von Plagiaten und Unterschleif auf den Einsatz generativer künstlicher Intelligenz. Die ENAI-Arbeitsgruppe beschäftigt sich daher mit dem Testen von Hilfsmitteln zur Plagiatserkennung und erweiterte hierfür ihren Forschungsbereich um die Bereiche Technologie und akademische Integrität.
Können Menschen KI-Text erkennen?
Bei der ganzen Diskussion um die Zuverlässigkeit von Algorithmen, Tools und Machine Learning Modellen zur Erkennung von KI-generierten Texten stellt sich die berechtigte Frage, ob Menschen fähig sind diese zuverlässig zu identifizieren.
Die Studie zeigt auf, dass sowohl unerfahrene als auch erfahrene Lehrkräfte gleichermaßen Schwierigkeiten haben, KI-generierte Texte zu erkennen, was die Frage aufwirft, inwiefern Fachwissen tatsächlich eine Rolle bei der Identifizierung solcher Texte spielt. Besonders bei argumentativen Essays waren die Teilnehmer nicht in der Lage, die Herkunft der Texte korrekt zu bestimmen, was auf eine weitverbreitete Unsicherheit in Bezug auf die Erkennung von KI-generierten Inhalten hindeutet.
Interessanterweise zeigte sich, dass erfahrene Lehrkräfte zwar etwas erfolgreicher in der Identifizierung von Texten hoher Qualität waren, dennoch Probleme mit der Erkennung von minderwertigen KI-Texten hatten.
Dies unterstreicht die Komplexität der Thematik und die Notwendigkeit einer umfassenden Auseinandersetzung mit den Möglichkeiten künstlicher Intelligenz im Bildungssektor. Insbesondere betont dies auch die Notwendigkeit, Bewertungspraktiken neu zu überdenken.
KI-Text-Erkennung mit copyleaks im Praxistest
In meinem Test habe ich zunächst einige, zu 100% KI-generierte Texte überprüft, die ich ihm Rahmen eines SEO-Experiments für einen KI-generierten Glossar mittels ChatGPT (GPT-4) erzeugt hatte. Und siehe da, dieser wurde von copyleaks mit 99,9%iger Sicherheit wurde dieser Text als „AI-Inhalt erkannt“:
Den Text habe ich unkenntlich gemacht, da ich mein SEO-Ranking-Experiment nicht verfälschen und die Webseite preisgeben möchte.
Wow, das sieht doch wirklich überzeugend aus. Und auch die nächsten 10 KI-generierten Texte wurden als solche erkannt, jedes mal mit einer Wahrscheinlichkeit über 99%.
Der selbe Text wurde von GPTzero übrigens als „wahrscheinlich komplett von einem Menschen geschrieben“ eingestuft:
Hatte copyleaks also wirklich geschafft, was ich für nicht machbar gehalten habe?
Wenn das Tool KI-Texte so treffsicher klassifziert, wie sieht es dann mit menschengeschriebenen Texten aus?
Ein erster Test mit dem frisch installierten Browser-Plugin von copyleaks sah vielversprechend aus: Einen Text, den ich selbst im Jahr 2016 geschrieben habe, selbstverständlich ohne Unterstützung einer KI, wurde korrekt als „Menschlicher Text“ klassifiziert:
Doch mein Erstaunen legte sich schnell wieder, als ich die nächsten Absätze überprüfte, die ich persönlich, weit vor der Veröffentlichung jeglicher generativer KI geschrieben hatte:
Plötzlich wurde mitten in meinem Text ein großer Absatz als „KI-Content erkannt“ und ein paar Stichproben später betätigte sich mein Verdacht:
Copyleaks lieferte in meinem Kurztest derart viele „False Positives“ (Texte, die als KI-generiert eingestuft werden, es in Wirklichkeit aber garnicht sind), so dass ich niemandem empfehlen kann, sich darauf zu verlassen.
Kai Spriestersbach
Die Wahrscheinlichkeiten, die mir das Tool hierfür angezeigt haben, lagen bei den Fehleinschätzungen zwischen 99,9% und 85,5%, wie in diesem Beispiel:
In meinem – zugegeben relativ kurzen Test – konnte ich zwar keine False Negatives identifizieren, also KI-generierte Texte, die von copyleaks nicht als solche klassifiziert werden, doch bei einer derart hohen Fehlerrate, ist das für den Einsatz des Tools unerheblich.
Tom Tloks KI-Detektor „Made in Germany“
Auch in Deutschland ist man vor Fehlschlüssen und unterkomplexer Betrachtung nicht gefeit, wie Tom Tlok von der Fachhochschule Wedel derzeit beweist:
Der KI-Detektor, der durch einen modifizierten LLM-Ansatz im Rahmen von Tloks Master-Thesis entstanden ist, erkennt mit einer Zuverlässigkeit von 97,89 Prozent, ob ein deutschsprachiger Text mithilfe von Künstlicher Intelligenz erstellt wurde.
Natürlich musste ich diesen direkt testen. Und ja: Bei ein paar Texten scheint es gut zu funktionieren, allerdings dauert es nicht lange, bis man sowohl False Positives, als auch False Negatives erhält:
Diesen Text aus einem meiner Website Boosting Artikel stuft das Tool mit 99,89% korrekt als menschlich geschrieben ein. Sehr vielversprechend…
Und diesen zu 100% mit ChatGPT generierten Text aus einem Experiment stuft das Tool mit 91,88%iger Sicherheit als „KI generiert“ ein. Sehr gut!
Doch bereits bei einem, mittels RAG erstellten Text, ist sich das Tool nicht mehr sicher…
Hier wird nur noch 19,83% KI angezeigt, obwohl der Output 1:1 aus ChatGPT stammt!
Und mit ein bisschen ausprobieren konnte ich sogar für einen, zu 100% mittels ChatGPT generierten Text eine 90,68%ig menschliche Bewertung erhalten:
Ich frage mich, wie hier evaluiert wurde, um auf solche Zahlen zu kommen.
Falls hier ein Teil der Trainingsdaten zur Evaluierung verwendet wurde, liegt wahrscheinlich ein klassischer Selection Bias vor. Bei dem lernt das Modell nicht generell „KI generierte Texte“ zu erkennen, sondern eben nur den bestimmten Typus, der für das Training verwendet wurde. Daraus lässt sich jedoch nicht Generalisieren, ohne dass dies zulasten der Erkennungsrate und -genauigkeit geht.
Gerade in einer Umgebung, in der es wichtig ist, zwischen menschlichen und KI-generierten Texten zu unterscheiden, zum Beispiel in der Wissenschaft oder im Journalismus, könnte eine falsche Identifikation schwerwiegende Konsequenzen haben.
Zwischen Nachrichten über übereifrige Professoren, die eine ganze Klasse durchfallen lassen, weil sie verdächtigt werden, KI-Schreibprogramme zu benutzen, und Kindern, die fälschlicherweise beschuldigt werden, ChatGPT zu benutzen, ist die generative KI im Bildungsbereich in Aufruhr. Manche sprechen von einer existenziellen Krise. Lehrerinnen und Lehrer, die sich auf die Lehrmethoden des letzten Jahrhunderts verlassen, suchen nach Wegen, den Status quo zu erhalten, also sich auf den Aufsatz als Instrument zu verlassen, um die Beherrschung eines Themas zu messen.
Obwohl es verlockend ist, sich auf KI-Tools zu verlassen, um KI-generierten Text zu erkennen, hat sich gezeigt, dass diese nicht zuverlässig sind. KI-Text-Detektoren wie GPTZero, ZeroGPT und der Text Classifier von OpenAI erkennen KI-generierte Texte, nicht zuverlässig, da sie häufig falsch positive Ergebnisse liefern.
Kai Spriestersbach
Ich bin mit dieser Einschätzung nicht alleine: Wenn man Amerikas wichtigstes Rechtsdokument – die US-Verfassung – in ein Tool eingibt, das von KI-Modellen wie ChatGPT geschriebene Texte angeblich erkennt, wird es einem sagen, dass das Dokument mit ziemlicher Sicherheit von einer KI geschrieben wurde. Aber wenn James Madison kein Zeitreisender war, kann das ja garnicht nicht stimmen. Fest steht: KI-Schrifterkennungswerkzeuge liefern falsch-positive Ergebnisse. arstechnica hat dazu mit verschiedenen Experten und dem Erfinder des KI-Schriftdetektors GPTZero gesprochen, um herauszufinden wieso das so ist.
Analyse und Fazit
Wenn generative KI-Modelle verwendet werden, um Texte zu generieren, ist es äußerst schwierig, diese mit Sicherheit zu erkennen. Große Sprachmodelle wurden genau dafür entwickelt, um menschliche Texte zu reproduzieren, also möglichst gut nachzuahmen. Die Lernmethode der KI sorgt zwar dafür, dass sie nur bestimmte Muster abbilden, die signifikant genug in den Trainingsdaten enthalten waren und dementsprechend eine geringere Varianz aufweisen. Dennoch ist es nicht trivial, diese von menschlichen Texten zu unterscheiden.
Denn, selbst wenn wir die Modelle deterministisch machen würden (indem wir eine Temperatur von 0 verwenden), würden sie immer noch eine sehr lange und einzigartige Kette von Token generieren, die zudem Abhängig von deren Input, also dem Prompt des Nutzers ist. Stellen wir uns dazu eine hypothetische Kette aller Möglichkeiten vor, die jeden möglichen Text enthält, den das Modell jemals generieren könnte.
Um zu überprüfen, ob ein bestimmter Text von der KI generiert wurde, müssten wir also die gesamte Tokenkette vorhersagen oder alle möglichen Kombinationen von Token speichern und den zu prüfenden Text damit vergleichen. Dies erfordert enorme Speicher- und Rechenkapazitäten, die praktisch nicht umsetzbar sind.
Darüber hinaus verhalten sich KI-Modelle probabilistisch, nicht deterministisch. Das bedeutet, dass sie die nächsten Token nur mit bestimmten Wahrscheinlichkeiten vorhersagen, aus denen das Modell dann zufällig auswählt. Bei einer Auswahl von zehn möglichen Worten ergeben sich mehr Kombinationsmöglichkeiten als die Anzahl der Atome im Universum!
Es ist auch wichtig zu beachten, dass jedes KI-Modell unterschiedliche Parameter und Gewichtungen besitzt, was zu unterschiedlichen Wahrscheinlichkeiten und Ergebnissen führt. Daher wäre eine Methode, die für ein Modell funktioniert, nicht unbedingt auf andere Modelle anwendbar.
Es bleibt also nur der Ansatz, ein Modell mit KI-Texten und menschlichen Texten zu trainieren, das versucht zu lernen die beiden zu unterscheiden. Hierbei stößt man jedoch auf das Problem, dass das Detektor-Modell mit repräsentativen Daten gefüttert werden müsste, um Muster zu identifizieren, die inhärent durch die Art und Weise wie LLMs Texte erzeugen entstehen und nicht in menschlichen Texten auftreten.
Zusammenfassend lässt sich sagen, dass aufgrund der Natur und Komplexität der generativen KI-Modelleeine sichere Erkennung von KI-generierten Texten quasi unmöglich ist.
Detektorsysteme wie diese verdienen unser Vertrauen nicht. Bei fälschlicherweise erkannten KI-Texten kommt die Frage nach der Genauigkeit und Zuverlässigkeit auf.
Kai Spriestersbach
Mein Tipp lautet daher: Probiert es am besten selbst aus und zeigt Euren Kunden und Vorgesetzten, dass diese Tools grundlegende Schwächen haben.
Solange KI-Detektoren nicht zuverlässig arbeiten und ihre Einschränkungen und potenziellen Fehler transparent machen, halte ich deren Einsatz für deutlich schädlicher als nützlich. Umso wichtiger ist es, dass Nutzer dieser Systeme verstehen, wie sie funktionieren und wie man ihre Ergebnisse interpretiert.
Seit meinem ersten Test hat sich das Feld weiterentwickelt. Neuere Detektoren wie Pangram schneiden in aktuellen Benchmarks deutlich besser ab als viele der frühen Tools. Das ändert aber nichts am Grundproblem: KI-Textdetektion bleibt eine probabilistische Klassifikation, kein Nachweis. Die Tools können Hinweise liefern, aber sie können keine Autorschaft beweisen. Gerade bei deutschen Texten, kurzen Abschnitten, SEO-Texten, Übersetzungen, stark redigierten KI-Outputs oder gemischten Schreibprozessen sind Fehlklassifikationen weiterhin zu erwarten.
Wer KI-Detektoren trotzdem nutzt, sollte mindestens False Positives und False Negatives auf einem eigenen, repräsentativen Korpus messen. Ohne eine solche Evaluation ist jede Prozentzahl des Anbieters vor allem eines: Marketing.
KI macht nicht automatisch klüger, und sie macht nicht automatisch dumm. Entscheidend ist eine einzige Frage: Kann ich die Qualität der Arbeit, die ich delegiere, noch selbst beurteilen?
Die Debatte über Künstliche Intelligenz im Arbeitsalltag ist merkwürdig gespalten – und zwar nicht entlang der Linie, die man erwarten würde.
Für die einen sind ChatGPT, Claude, Gemini oder GitHub Copilot ein Produktivitäts-Exoskelett. Sie schreiben schneller, programmieren schneller, recherchieren schneller, strukturieren besser, kommen schneller in den Flow. KI fühlt sich für sie nicht wie eine Bedrohung an, sondern wie ein Hebel.
Für die anderen fühlt sich dieselbe Technologie ganz anders an: irritierend, entmündigend, manchmal beschämend. Sie bekommen Ergebnisse, die überzeugend klingen, aber sie wissen nicht, ob sie stimmen. Sie können Fehler nicht zuverlässig erkennen. Wenn etwas schiefgeht, bleibt ihnen oft nur, die KI noch einmal zu fragen – und zu hoffen, dass die nächste Antwort besser ist.
Beide Erfahrungen sind real. Und beide entstehen am selben Werkzeug.
Der entscheidende Unterschied ist nicht, ob jemand „pro KI“ oder „contra KI“ ist. Er ist auch nicht, ob die KI gut oder schlecht ist. Der Unterschied ist:
Benutze ich KI in einem Bereich, in dem ich selbst Urteilskompetenz habe – oder in einem Bereich, in dem ich sie nicht habe?
Oder noch kürzer: KI macht Output billig. Urteilskompetenz entscheidet, ob billiger Output zu Lernen wird – oder zu Rauschen.
Der Wachstumszyklus
Wenn ich KI für Aufgaben benutze, die ich selbst gut verstehe, fühlt sie sich wie ein Werkzeug an.
Nehmen wir Softwareentwicklung. Wer programmieren kann, setzt KI hochproduktiv ein: Boilerplate generieren, Tests schreiben, Refactorings vorbereiten, Dokumentation formulieren, Fehlermeldungen erklären, API-Beispiele bauen, alternative Architekturen vergleichen.
Der entscheidende Punkt ist aber nicht, dass die KI Code schreibt. Der entscheidende Punkt ist: Ich kann den Code beurteilen.
Ich sehe, ob eine Lösung idiomatisch ist. Ich erkenne, ob ein Design später Probleme machen wird. Ich weiß, wo Tests fehlen. Ich merke, wenn die KI eine Abkürzung nimmt, die nur auf den ersten Blick elegant aussieht. Und wenn etwas kaputtgeht, bin ich nicht hilflos – ich kann debuggen.
Dadurch bleibt die Kontrolle bei mir. Die KI übernimmt Teile der Ausführung, aber nicht mein Urteil. Das ist der Wachstumszyklus:
Ich delegiere Arbeit, die ich grundsätzlich verstehe.
Ich prüfe, korrigiere und integriere das Ergebnis.
Ich gewinne Zeit für die komplexeren Teile der Arbeit.
Ich entwickle dadurch höhere Fähigkeiten.
Beim nächsten Mal kann ich noch anspruchsvollere Aufgaben mit KI bearbeiten.
Die KI ersetzt mich in diesem Szenario nicht. Sie verschiebt meine Arbeit nach oben: weg von repetitiver Ausführung, hin zu Architektur, Bewertung, Produktdenken, Kommunikation, Strategie und Verantwortung.
Das fühlt sich nicht nach Kontrollverlust an. Es fühlt sich nach Hebelwirkung an.
Die Abhängigkeitsspirale
Ganz anders ist es, wenn ich KI für Aufgaben verwende, die ich selbst nicht verstehe. Dann ist KI kein Werkzeug mehr. Dann wird sie zum Orakel – nicht, weil sie wirklich allwissend wäre, sondern weil mir der eigene Maßstab fehlt.
Lasse ich einen juristischen Text generieren, ohne juristisches Verständnis zu haben, kann ich ihn nur oberflächlich prüfen: Klingt er professionell? Ist er sauber formatiert? Wirkt er plausibel? Lasse ich eine Finanzanalyse erstellen, ohne die Annahmen zu verstehen, kann ich vielleicht die Sprache bewerten – aber nicht das Modell. Lasse ich Code generieren, ohne programmieren zu können, sehe ich höchstens, ob er „läuft“. Ob er sicher, wartbar, robust oder überhaupt richtig gedacht ist, sehe ich nicht.
Hier beginnt die Abhängigkeitsspirale:
Ich lasse KI etwas tun, das ich nicht beurteilen kann.
Das Ergebnis sieht gut aus.
Ich übernehme es, weil mir bessere Prüfkriterien fehlen.
Wenn Fehler auftreten, frage ich wieder die KI.
Ich lerne nicht die Aufgabe, sondern nur, immer bessere Hilferufe zu formulieren.
Kurzfristig kann das produktiv wirken. Langfristig ist es gefährlich. Denn die Fähigkeit, die eigentlich wachsen müsste, wird umgangen. Ich bekomme Ergebnisse, aber keine Kompetenz. Ich bekomme Geschwindigkeit, aber keinen inneren Kompass.
Das Problem ist also nicht „KI-Nutzung“ an sich. Das Problem ist Delegation ohne Urteil.
Die eigentliche Grenze: Habe ich einen Feedback-Loop?
Deshalb ist die nützlichste Unterscheidung nicht Experte gegen Anfänger. Die bessere Frage lautet:
Habe ich einen verlässlichen Feedback-Loop?
Kann ich erkennen, ob die Antwort gut ist? Kann ich Fehler finden? Kann ich Alternativen vergleichen? Kann ich erklären, warum ich eine Lösung übernehme oder verwerfe? Kann ich das Ergebnis notfalls selbst reparieren?
Wenn ja, beschleunigt KI das Lernen. Wenn nein, unterstützt KI das Lernen.
Expertise ist der häufigste Weg zu so einem Feedback-Loop, aber nicht der einzige. Auch Anfänger können mit KI wachsen, wenn es gute Rückmeldungen gibt: Tests, Rubrics, Mentoren, klare Qualitätskriterien, reale Nutzerreaktionen, Peer Review oder andere harte Korrektive. Ohne solche Rückkopplung wird KI dagegen zur perfekten Maschine für Selbsttäuschung – sie produziert flüssige Antworten gerade in den Bereichen, in denen Anfänger die Fehler nicht sehen können.
Warum Studien beide Seiten zeigen
Das erklärt, warum die Forschung zu KI im Arbeitsalltag auf den ersten Blick widersprüchlich wirkt.
Eine der ersten großen Feldstudien überhaupt, durchgeführt von Erik Brynjolfsson, Danielle Li und Lindsey Raymond, untersuchte den gestaffelten Einsatz eines generativen KI-Assistenten bei über 5.000 Customer-Support-Mitarbeitern. Das Ergebnis: Die Produktivität – gemessen an gelösten Fällen pro Stunde – stieg im Schnitt um rund 14 Prozent. Bei unerfahrenen und schwächeren Mitarbeitern lag der Zuwachs sogar bei rund 34 Prozent, während erfahrene Spitzenkräfte kaum profitierten. Die Autoren fanden zudem Hinweise auf dauerhaftes Lernen: Selbst in Phasen, in denen die KI ausfiel, blieben die Mitarbeiter produktiver als vor ihrer Einführung.
Das klingt zunächst wie ein Gegenargument zur Abhängigkeitsthese. Ist KI also gerade für Anfänger besonders gut? Manchmal: ja. Aber der Kontext ist entscheidend.
Customer Support ist ein Umfeld mit engen Feedback-Schleifen: Kunden reagieren, Fälle werden gelöst oder nicht gelöst, Qualität ist messbar, es gibt wiederkehrende Muster, Vorgaben, Gesprächsleitfäden und Eskalationswege. KI hilft dort nicht im luftleeren Raum – sie ist in ein System eingebettet, das fortlaufend Rückmeldung erzeugt.
Ganz anders sieht es aus, wenn jemand ohne Fachwissen einen Strategieplan, einen medizinischen Rat, einen Vertrag, eine wissenschaftliche Argumentation oder eine komplexe technische Architektur generieren lässt – und erst Wochen oder Monate später merkt, ob das Ergebnis tragfähig war. Dann ist der Feedback-Loop zu spät, zu schwach oder zu teuer.
Die gezackte Grenze der KI
Besonders erhellend ist hier das Konzept der „jagged technological frontier“ – der gezackten technologischen Grenze.
In einem präregistrierten Experiment mit 758 Beraterinnen und Beratern (rund sieben Prozent der Belegschaft auf Sachbearbeiterebene) bei der Boston Consulting Group zeigte sich ein zweischneidiges Bild. Bei Aufgaben innerhalb der KI-Kompetenz erledigten die Teilnehmenden mit GPT-4 rund 12 Prozent mehr Aufgaben, arbeiteten etwa 25 Prozent schneller und lieferten deutlich höhere Qualität. Bei einer Aufgabe außerhalb der Grenze – bewusst so konstruiert, dass sie integratives, kontextsensibles Urteil verlangte – kehrte sich der Effekt um: Wer KI nutzte, lag rund 19 Prozentpunkte häufiger falsch als die Vergleichsgruppe ohne KI.
Genau das ist gefährlich. Die Grenze der KI verläuft nicht sauber. Sie ist nicht „Texte kann sie, Mathe nicht“ oder „Kreativität ja, Strategie nein“. Sie ist gezackt: Zwei Aufgaben können für uns fast gleich aussehen, für ein KI-System aber völlig unterschiedlich sein.
Das bedeutet:
Der neue Skill besteht nicht darin, KI zu bedienen. Er besteht darin, zu erkennen, wann man ihr vertrauen kann, wie weit man ihr vertrauen kann und wo man selbst wieder die Führung übernehmen muss.
Die Begleitanalyse von BCG bringt denselben Punkt auf den Punkt: Menschen misstrauen generativer KI teils dort, wo sie hilft – und vertrauen ihr zu sehr dort, wo sie nicht kompetent ist. Das ist die eigentliche Produktivitätsfalle. Nicht: KI macht Fehler. Sondern: KI macht Fehler in einer Form, die für Laien oft wie Kompetenz aussieht.
Warum das für Berufseinsteiger so brutal ist
Besonders hart trifft diese Dynamik Studierende, Auszubildende und Berufseinsteiger. Denn viele klassische Junior-Aufgaben waren nie nur „billige Arbeit“. Sie waren Trainingsflächen.
Recherchen machen. Erste Entwürfe schreiben. Daten bereinigen. Tickets bearbeiten. Dokumentation pflegen. Kleine Bugs fixen. Wettbewerber analysieren. Meetingnotizen zusammenfassen. Präsentationen vorbereiten. All das war manchmal langweilig, oft repetitiv, gelegentlich frustrierend – aber es war auch die Leiter, auf der man nach oben kletterte.
Wenn KI genau diese unteren Sprossen automatisiert, entsteht ein Dilemma: Berufseinsteiger müssen KI nutzen, um mit KI-gestützten Experten mitzuhalten. Aber wenn sie KI zu früh zu viel überlassen, bauen sie die Urteilskompetenz nicht auf, die sie später brauchen, um KI souverän zu nutzen.
Das ist der Nachwuchs-Knoten der KI-Ökonomie. Die Frage ist nicht nur: „Welche Jobs ersetzt KI?“ Die vielleicht wichtigere lautet:
Welche Lernwege zerstören wir, wenn wir Junior-Arbeit zu früh automatisieren?
Im Bildungsbereich ist diese Spannung längst sichtbar. Die HEPI Student Generative AI Survey 2026 beschreibt generative KI bei britischen Studierenden inzwischen als nahezu universell: 95 Prozent nutzen KI in irgendeiner Form, 94 Prozent setzen sie für bewertete Arbeiten ein – ein dramatischer Anstieg gegenüber den Vorjahren. Gleichzeitig zeichnet die Erhebung ein geteiltes Bild: Für manche schafft KI Raum für tieferes Lernen und kritisches Denken, für andere droht sie zur Krücke zu werden.
Das ist exakt der Punkt. KI ist nicht entweder Lernhilfe oder Lernverhinderer. Sie ist beides – abhängig davon, ob sie in eine Lernarchitektur eingebettet ist.
Kritisches Denken verschwindet nicht. Es wandert.
Eine Studie von Microsoft Research und der Carnegie Mellon University untersuchte 319 Wissensarbeiter und 936 konkrete Beispiele realer GenAI-Nutzung. Das Ergebnis ist aufschlussreich: Höheres Vertrauen in die KI ging mit weniger kritischem Denken einher, höheres Vertrauen in die eigene Fähigkeit dagegen mit mehr. Und: Unter KI-Nutzung verschiebt sich kritisches Denken – weg von der direkten Ausführung, hin zu Verifikation, Integration und Steuerung der Aufgabe.
Das ist eine der wichtigsten Beobachtungen überhaupt. KI nimmt uns Denken nicht einfach ab. Sie verschiebt, wo Denken stattfinden muss.
Früher lag viel kognitive Arbeit in der Produktion: den ersten Satz schreiben, die Formel bauen, den Code eintippen, die Gliederung entwickeln. Mit KI wandert ein Teil dieser Arbeit in die Bewertung: Ist das richtig? Ist das vollständig? Ist das relevant? Was fehlt? Was ist erfunden? Welche Annahmen stecken darin? Passt es zum Ziel? Welche Alternative wäre besser?
Das ist anspruchsvoll – vielleicht anspruchsvoller als vorher. Denn wer prüft, muss mehr wissen als jemand, der nur konsumiert.
Die Lösung ist nicht KI-Verzicht
Es wäre falsch, daraus zu schließen, dass Anfänger KI nicht nutzen sollten. Das wäre weder realistisch noch wünschenswert. Die bessere Lösung lautet: KI so einsetzen, dass sie Feedback-Schleifen verstärkt, statt sie zu ersetzen.
Für Lernende heißt das einen anderen Modus zu wählen:
Nicht: „Schreib mir die Lösung.“ Sondern: „Stell mir Fragen, bis ich das Problem verstanden habe.“
Nicht: „Mach meine Hausaufgabe.“ Sondern: „Bewerte meinen ersten Entwurf und erklär mir, wo meine Argumentation schwach ist.“
Nicht: „Programmiere die App für mich.“ Sondern: „Gib mir drei Ansätze, erklär die Trade-offs, und lass mich entscheiden.“
Nicht: „Fasse mir das Buch zusammen, damit ich es nicht lesen muss.“ Sondern: „Erstelle mir Verständnisfragen zu Kapitel 3 und prüfe meine Antworten.“
KI als Ersatzarbeiter erzeugt Abhängigkeit. KI als Tutor, Sparringspartner und Reviewer kann Wachstum erzeugen.
Unternehmen müssen neue Junior-Leitern bauen
Für Unternehmen ist die Konsequenz unbequem. Es reicht nicht, KI einzuführen und zu hoffen, dass Produktivität und Weiterbildung schon irgendwie gleichzeitig passieren. Wenn KI Junior-Aufgaben automatisiert, müssen Organisationen bewusst neue Lernpfade bauen – sonst optimieren sie kurzfristig den Output und beschädigen langfristig ihren Talent-Funnel.
Konkret: Juniors brauchen Aufgaben, bei denen sie selbst denken müssen, bevor KI hilft. Sie brauchen Reviews, die nicht nur das Ergebnis prüfen, sondern den Denkweg. Sie brauchen klare Standards, Tests, Qualitätskriterien und Mentoring. Und sie brauchen KI-freie Wiederholungen – nicht aus Nostalgie, sondern aus demselben Grund, aus dem Musiker Tonleitern üben, obwohl es Software für Musikproduktion gibt.
Grundlagen werden nicht überflüssig, weil Werkzeuge mächtiger werden. Im Gegenteil: Je mächtiger das Werkzeug, desto wichtiger wird Urteilskompetenz.
Der wichtigste KI-Skill ist nicht Prompting
Lange wurde so getan, als sei „Prompt Engineering“ die zentrale neue Fähigkeit. Das war nie ganz falsch, aber zu klein gedacht. Der wichtigere Skill ist Feedback Engineering: die Fähigkeit, Arbeitsprozesse so zu bauen, dass KI-Ergebnisse geprüft, verbessert, verworfen oder in echtes Lernen verwandelt werden können.
Gute KI-Nutzung besteht nicht darin, möglichst perfekte Prompts zu schreiben. Sie besteht darin, eine Umgebung zu schaffen, in der falsche Antworten auffallen, gute Antworten besser werden und der Mensch nicht aus dem Lernprozess verschwindet. Das kann über Tests passieren, über Gegenrecherche, Peer Review, Rubrics, Expertenfeedback, Versionierung, eigene Vorhersagen vor der KI-Antwort oder die schlichte Regel: erst selbst denken, dann KI fragen.
Die einfache Prüffrage lautet immer:
Macht mich dieser KI-Einsatz beim nächsten Mal kompetenter – oder nur diesmal schneller?
Die neue Spaltung der Wissensarbeit
Der KI-Graben verläuft also nicht zwischen Menschen, die KI nutzen, und Menschen, die KI ablehnen. Er verläuft zwischen Menschen, die KI mit Urteilskompetenz nutzen, und Menschen, die KI ohne Urteilskompetenz nutzen müssen.
Die einen erleben KI als Wachstumsmaschine. Die anderen erleben sie als Blackbox, auf die sie angewiesen sind. Das hat enorme Folgen für Bildung, Karriere und Organisationen.
Denn die Gewinner der KI-Ära werden nicht einfach diejenigen sein, die am meisten automatisieren. Es werden diejenigen sein, die am besten entscheiden können, was automatisiert werden darf, was überprüft werden muss und was man weiterhin selbst lernen sollte.
KI kann uns schneller machen. Aber Geschwindigkeit ohne Richtung ist kein Fortschritt. Sie ist nur Beschleunigung.
Fazit: Erst Kompetenz, dann Delegation
Die zentrale Frage für jeden KI-Einsatz lautet nicht: „Kann die KI das?“ Sie lautet:
Kann ich beurteilen, ob die KI es gut gemacht hat?
Wenn ja, entsteht ein Wachstumszyklus: Ich delegiere Ausführung, behalte das Urteil, lerne schneller und arbeite auf einem höheren Niveau. Wenn nein, droht die Abhängigkeitsspirale: Ich bekomme Output, aber keine Kompetenz. Ich werde schneller, aber nicht besser. Ich verliere das Gefühl für Qualität und nenne es Produktivität.
Das ist der blinde Fleck in vielen KI-Debatten. Wir reden zu viel darüber, was KI kann – und zu wenig darüber, was Menschen können müssen, um KI sinnvoll zu nutzen.
Die entscheidende Fähigkeit der kommenden Jahre ist nicht, jeden Arbeitsschritt selbst zu erledigen. Aber sie ist auch nicht, jeden Arbeitsschritt an KI abzugeben. Sie ist zu wissen, wo die eigene Urteilskraft stark genug ist, um sicher zu delegieren – und wo man erst noch üben muss, bevor man abkürzt.
Denn die beste Abkürzung ist die, die einen schneller ans Ziel bringt. Die schlechteste ist die, nach der man nicht mehr weiß, wo man ist.
Quellen
Brynjolfsson, E., Li, D. & Raymond, L. (2025): Generative AI at Work. The Quarterly Journal of Economics, 140(2), S. 889–942 (zuerst als NBER Working Paper 31161, 2023). Feldstudie mit 5.172 Customer-Support-Mitarbeitern; durchschnittlich +14 % Produktivität, +34 % bei unerfahrenen Beschäftigten. https://doi.org/10.1093/qje/qjae044
Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. & Lakhani, K. R. (2025): Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science (zuerst als HBS Working Paper 24-013, 2023). Experiment mit 758 BCG-Beratern; innerhalb der KI-Grenze +12,2 % Aufgaben, 25,1 % schneller, höhere Qualität – außerhalb der Grenze rund 19 Prozentpunkte häufiger falsch. https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
Stephenson, R. & Armstrong, C. (2026): Student Generative AI Survey 2026 (HEPI Report 199). Higher Education Policy Institute & Kortext; Erhebung durch Savanta, Dezember 2025, 1.054 britische Vollzeit-Studierende. 95 % nutzen KI in irgendeiner Form, 94 % für bewertete Arbeiten. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/
