NLP und Entitätsanalyse
Die sprachliche Ebene hinter allen Kennzahlen dieses Leitfadens. KI indexiert keine Keywords. Sie erkennt, welche Begriffe im Text gemeinsam vorkommen, und baut daraus eine semantische Karte von Konzepten, Marken und Beziehungen. Dieses Kapitel erklärt, wie diese Karte funktioniert, wie du deine Position darin liest und wie du verfolgst, ob sie sich verschiebt.
Die Kurzfassung
- KI baut eine semantische Karte, keinen Keyword-Index. Deine Marke ist ein Knoten, der über gemeinsames Vorkommen in den Trainingsdaten mit Themen, Wettbewerbern und Eigenschaften verbunden ist.
- Drei Signale bestimmen deine Position: Entitäten (was das Modell erkennt), Themen (welchen Clustern das Modell dich zuordnet) und Eigenschaften (wie das Modell dich beschreibt).
- Starkes Clustering heißt Einheitlichkeit. Dieselben Themen und Eigenschaften tauchen in verschiedenen Modellen, bei unterschiedlichen Prompts und über längere Zeit zuverlässig auf.
- Führe zwei Arten von Tests aus, getrennt voneinander. Die Trainingssicht (Websuche aus) zeigt, was das Modell gelernt hat. Die Live-Sicht (Websuche an) zeigt, was es jetzt findet. Halte beide getrennt, bevor du sie vergleichst.
- Verfolge Verschiebungen über die Zeit. Verknüpfungen, die stärker werden, verblassen oder neu entstehen, sind die frühen Signale dafür, wo deine Marke in der KI in sechs Monaten steht.
Wie die semantische Karte funktioniert
Gemeinsames Vorkommen ist alles
Große Sprachmodelle speichern Fakten nicht wie eine Datenbank. Sie bilden dichte numerische Darstellungen von Bedeutung, sogenannte Embeddings, indem sie aus Milliarden Beispielen lernen, wie Wörter und Konzepte im Text gemeinsam vorkommen. Konzepte, die oft gemeinsam auftreten, erhalten Darstellungen, die das Modell als verwandt behandelt. Technisch ist der Vorgang mit Attention-Mechanismen und kontextabhängigen Darstellungen deutlich komplexer, aber als Arbeitsmodell für deine Content-Strategie trägt diese Vereinfachung.
Stell dir vor, deine Marke hat einen Platz im Sprachverständnis, das das Modell gelernt hat. Diesen Platz prägen die Themen, Marken und Beschreibungen, die in Trainingstexten regelmäßig neben deinem Markennamen stehen. Was selten oder nie gemeinsam vorkommt, hat darauf kaum Einfluss. Deshalb baut regelmäßiges Veröffentlichen zu einem Thema Verknüpfungen auf, und deshalb reicht eine einzelne Seite zu einem Thema selten aus. Und deshalb ist die „semantische Karte“, von der im Folgenden die Rede ist, ein Bild und keine wörtliche Beschreibung dessen, wie das Modell Informationen speichert.
Praktisch heißt das: Was das Modell gelernt hat, kannst du nicht direkt bearbeiten. Du kannst es nur beeinflussen, indem du veränderst, was in den Texten steht, aus denen es lernt. Je öfter deine Marke gemeinsam mit einem Thema vorkommt, in je mehr Quellen und über je längere Zeit, desto stärker verschiebt sich, wie das Modell deine Marke mit diesem Thema verbindet.
Jede Kennzahl in diesem Leitfaden zeigt indirekt, welche Verbindungen das Modell zwischen deiner Marke und ihrem Umfeld gelernt hat. Share of Voice misst, wie oft deine Marke in diesem gelernten Verständnis auftaucht. Topical Presence misst, mit welchen Clustern von Konzepten sie verbunden ist. Zitationsdaten messen, welche Quellen diese Verbindungen geprägt haben. Mit der Entitätsanalyse liest du diese Verbindungen direkt ab, wenn auch nicht exakt.
Entitäten, Themen und Eigenschaften
Jede Information, die du aus einer KI-Antwort herausziehst, gehört zu einer von drei Arten von Signalen. Sie zu verstehen, ist die Grundlage jeder Analyse in diesem Kapitel.
Entitäten
Markennamen, Produkte, Personen, Organisationen. Sie sind die Ankerpunkte der Bedeutung auf der Karte des Modells. Erkennt das Modell deine Marke als eigenständige Entität, kann es andere Signale zuverlässig mit ihr verbinden.
Themen
Cluster von Konzepten, die gemeinsam vorkommen. Wird deine Marke immer wieder im Zusammenhang mit einem Themencluster erwähnt, ordnet das Modell sie diesem Cluster zu. Die Verknüpfung entsteht, wenn deine Marke und das Thema in vielen Quellen regelmäßig gemeinsam vorkommen.
Eigenschaften
Beschreibende Merkmale, gewichtet danach, wie oft und wie einheitlich sie vorkommen. Wird deine Marke immer wieder als „erschwinglich“ oder „für große Unternehmen gemacht“ beschrieben, werden diese Merkmale Teil ihrer semantischen Identität und tauchen in Antworten wieder auf.
Die Entität ist der Anker. Themen sind das, womit das Modell die Entität verbindet. Eigenschaften beschreiben, wie das Modell sie innerhalb dieser Verbindungen charakterisiert. Eine Marke, die klar als Entität erkannt wird, breit mit Themen verbunden ist und einheitlich beschrieben wird, ist tief im Verständnis verankert, das das Modell von ihrem Markt hat. Fehlt einer dieser Punkte, ist die Marke angreifbar.
Starkes und schwaches Clustering
Clustering beschreibt, wie eng deine Marke mit den Themen und Eigenschaften gruppiert ist, die deinen Markt ausmachen. Starkes Clustering heißt, das Modell ist sich sicher, was du bist und wohin du gehörst. Schwaches Clustering heißt, es ist unsicher. Und Marken, bei denen sich das Modell unsicher ist, sind nicht die, die es empfiehlt.
| Dimension | Starkes Clustering | Schwaches Clustering |
|---|---|---|
| Erkennung als Entität | Die Marke wird in unterschiedlichen Kontexten und Modellen zuverlässig als dieselbe Entität erkannt | Der Markenname ist mehrdeutig, wird uneinheitlich zugeordnet oder mit anderen Entitäten verwechselt |
| Thematischer Zusammenhang | Die Erwähnungen stehen immer wieder neben denselben Kernthemen | Die Erwähnungen verteilen sich ohne klares Muster auf Bereiche, die nichts miteinander zu tun haben |
| Einheitliche Eigenschaften | Dieselben Eigenschaften tauchen in verschiedenen Modellen und bei unterschiedlichen Prompts zuverlässig auf | Die Eigenschaften wechseln von Durchlauf zu Durchlauf oder widersprechen sich |
| Abgrenzung zum Wettbewerb | Die Marke hebt sich innerhalb des Clusters klar von ihren Wettbewerbern ab | Wettbewerber besetzen die entscheidenden Eigenschaften, die Marke steht am Rand |
| Ergebnis für die Sichtbarkeit | Die Marke wird ganz selbstverständlich genannt, wenn das Thema aufkommt | Die Marke wird in Antworten zur Kategorie selten erwähnt oder fehlt ganz |
Die Analyse durchführen
Trainingssicht: was das Modell gelernt hat
Führe Prompts mit ausdrücklich ausgeschalteter Websuche aus. Nutze direkte Fragen zur Entität: „Was ist [Marke]?“, „Was bietet [Marke]?“, „Wer nutzt [Marke]?“. Das ist deine Ausgangslage: was das Modell aus seinem Trainingszeitraum weiß, stabil und nur langsam veränderlich.
Führe jeden Prompt pro Modell fünf- bis zehnmal aus. Halte nur fest, was in den Durchläufen regelmäßig auftaucht, keine einmaligen Nennungen.
Welche Modelle du nutzt
Nutze mindestens ChatGPT und ein weiteres Modell (Claude oder Gemini). Halte die Ergebnisse pro Modell getrennt, bevor du sie vergleichst. Die Trainingsdaten der Modelle decken unterschiedliche Inhalte ab. Deshalb zeichnen die Modelle für dieselbe Marke unterschiedliche Entitätskarten. Wo sie sich überschneiden, liegt dein verlässlichstes Signal.
Live-Sicht: was das Modell jetzt findet
Führe dieselben Prompts mit eingeschalteter Websuche aus oder nutze eine Plattform, die standardmäßig live sucht, etwa Perplexity. Vergleiche, was hier auftaucht, mit deiner Trainingssicht. Themen oder Eigenschaften, die in der Live-Sicht vorkommen, in der Trainingssicht aber nicht, solltest du als mögliche neue Verknüpfungen markieren. Sei dabei vorsichtig: Der Unterschied kann bedeuten, dass neue Inhalte inzwischen als Quellen abgerufen werden. Er kann aber auch bedeuten, dass die Formulierung der Anfrage zufällig eine Suche statt eines Rückgriffs auf das Gelernte ausgelöst hat, oder dass deine Marke in diesem Bereich in den Trainingsdaten nur lückenhaft vorkommt. Was in mehreren Live-Durchläufen regelmäßig auftaucht, ist ein verlässlicheres Signal als ein einmaliger Treffer.
Solche Signale, die nur in der Live-Sicht auftauchen, lohnt es sich zu verfolgen. Sie können früh anzeigen, wohin sich die trainierten Verknüpfungen irgendwann bewegen, vor allem wenn sie über mehrere Monate stärker werden.
Entitäten, Themen und Eigenschaften herausziehen und festhalten
Zieh aus jeder Antwort alle drei Arten von Signalen heraus und versieh sie einheitlich mit Tags. Das Format ist wichtig: Du vergleichst über Durchläufe und Monate hinweg, also müssen die Bezeichnungen stabil bleiben.
Vergleichs-Prompts ausführen
Prompts wie „Vergleiche [Marke] mit [Wettbewerber]“ zwingen das Modell auszusprechen, wie es die Marken voneinander unterscheidet. So siehst du direkt, wie es dich vom Wettbewerb abgrenzt, und entdeckst oft Eigenschaften, von denen du nicht wusstest, dass das Modell sie dafür nutzt.
Hinweis zu Vergleichs-Prompts und Live-Suche
Wie in Kapitel 7 beschrieben, lösen Vergleichs-Prompts in ChatGPT seit 2024 und 2025 zunehmend eine Live-Suche aus. Führe sie deshalb mit ein- und mit ausgeschalteter Websuche aus und halte fest, welche Einstellung welche Antwort geliefert hat. Die Version aus den Trainingsdaten ist deine langfristige Ausgangslage. Die Live-Version zeigt nahezu in Echtzeit, was Käufer sehen.
Semantische Verschiebungen verfolgen
Die Richtung der Veränderung ist so wichtig wie der aktuelle Stand
Eine einzelne Entitätsanalyse liefert dir eine Momentaufnahme. Wenn du dieselbe Analyse jeden Monat wiederholst, erhältst du einen Trend. Erst der Trend zeigt dir, ob deine Arbeit an Inhalten und Zitationen wirkt und ob Verknüpfungen, auf die du angewiesen bist, durch Aktivitäten deiner Wettbewerber oder durch Modell-Updates schwächer werden.
Ordne jedes Signal über die Durchläufe einer von vier Stufen zu:
| Signal | Typ | Nov 2025 | Jan 2026 | Mär 2026 | Richtung |
|---|---|---|---|---|---|
| Vertrauenswürdig | Eigenschaft | Stark | Stark | Stark | Stabil |
| Erschwinglich | Eigenschaft | Schwach | Neu | Stark | Wird stärker |
| Für große Unternehmen | Eigenschaft | Stark | Schwach | Schwach | Verblasst |
| KI-Ethik | Thema | Fehlt | Fehlt | Neu | Neu: prüfen |
Eine verblassende Eigenschaft solltest du untersuchen, bevor sie ganz verschwindet. Prüf, ob deine Inhalte sie noch klar stützen, ob Inhalte von Wettbewerbern sie verdrängen oder ob ein Modell-Update die Verknüpfungen neu gewichtet hat. Ein unerwartet neues Thema wie „KI-Ethik“ oben ist entweder eine Chance, es zu besetzen, oder ein Risiko, das du verstehen solltest. Ignoriere keines von beiden.
Was du mit der Analyse anfängst
Schwache oder fehlende Erkennung als Entität
Das Modell erkennt deine Marke nicht zuverlässig als eigenständige Entität. Das ist das grundlegendste Problem, und es wirkt sich auf alles andere aus. Lösung: Veröffentliche auf angesehenen Domains Inhalte mit einem einheitlichen Markenauftritt und verwende deinen Markennamen immer in derselben verbindlichen Schreibweise. In Kapitel 4 (Faktentreue) erfährst du, wie du Fehldarstellungen prüfst und korrigierst.
Fehlende Verknüpfung mit Themen
Das Modell verbindet dich nicht mit Themen, die du besetzen solltest. Lösung: Bau Themencluster zu diesen Themen auf, also mehrere Inhalte, einheitliche Verweise auf Entitäten, interne Verlinkung und Erwähnungen durch Dritte. Eine einzelne Seite reicht selten. In Kapitel 3 (AI Topical Presence) erfährst du, wie du Lücken bewertest und priorisierst.
Uneinheitliche oder falsche Eigenschaften
Das Modell beschreibt dich von Durchlauf zu Durchlauf anders oder schreibt dir Eigenschaften zu, die du nicht willst. Lösung: Leg auf deinen eigenen Kanälen eine verbindliche Markenbotschaft fest und wiederhole sie klar. Finde heraus, welche Quellen widersprüchliche Beschreibungen einbringen könnten, und kümmere dich darum. In Kapitel 4 findest du den Ablauf der Prüfung.
Ein Wettbewerber besetzt eine Eigenschaft, die du brauchst
Ein Wettbewerber wird regelmäßig mit einer Eigenschaft verbunden, die auch zu dir gehören sollte. Lösung: Veröffentliche Inhalte, die deine Marke ausdrücklich und mit Belegen mit dieser Eigenschaft verbinden. Entscheidend ist, wie oft deine Marke und diese Eigenschaft über längere Zeit gemeinsam genannt werden. Lies zuerst Kapitel 1 (Die KI-Wettbewerbskarte) und verschaff dir so einen Überblick über das ganze Wettbewerbsbild.
Waikay erfasst in jeder Antwort auf deine verfolgten Prompts die genannten Entitäten, Themen und Eigenschaften und verfolgt, wie sich ihre Stärke entwickelt. Die Verlaufstabelle oben entsteht automatisch aus deinen Prompt-Daten. So siehst du, welche Verknüpfungen stärker werden und welche verblassen, ohne Tabellen von Hand anzulegen und zu pflegen.
