Die meisten Marketingteams glauben, ihren Wettbewerb zu kennen. Sie haben Dutzende Ausschreibungen hinter sich, verfolgen dieselben fünf Namen in den Analystenberichten und haben Battle Cards für die Konkurrenten erstellt, die ihnen in Verkaufsgesprächen immer wieder begegnen.
Dann machen sie ihr erstes Audit zur KI-Sichtbarkeit, und sechs Marken, von denen sie nie gehört haben, laufen ihnen in ChatGPT den Rang ab.
Das ist kein Ausreißer in den Daten. Es folgt aus der Art, wie große Sprachmodelle sich ein Bild von einem Markt machen. Und die Folgen reichen weit über Kennzahlen zum Share of Voice hinaus.
Was ist eine KI-Wettbewerbskarte?
Eine KI-Wettbewerbskarte ist die Menge der Marken, die KI-Systeme mit einem Thema verbinden, wenn sie Empfehlungen geben.
Fragt jemand einen KI-Assistenten etwa „Empfiehl mir Software für regulatorische Anforderungen von Banken“, greift das Modell auf Marken zurück, die es mit Begriffen wie regulatorischem Reporting, Abstimmung von Finanzdaten, automatisierter Compliance und Berichtsstandards verbindet. Diese Marken bilden das KI-Wettbewerbsumfeld für diese Anfrage.
Diese Karte weicht oft deutlich von der Wettbewerbskarte ab, die Marketingteams aus Analystenberichten, Vertriebsdaten, Shortlists aus Ausschreibungen, Bewertungsplattformen und dem bisherigen Wettbewerb um Aufträge zusammensetzen. Diesen Unterschied zu verstehen, ist entscheidend, um Lücken in der KI-Sichtbarkeit zu diagnostizieren.
Wie viel von diesem KI-Wettbewerbsumfeld deine Marke einnimmt, versucht AI Share of Voice zu messen. Wie diese Kennzahl berechnet wird und warum die meisten Tools sie grundsätzlich falsch erfassen, weil sie nur die Wettbewerber messen, die du ohnehin schon verfolgst, erklären wir ausführlich in unserem Beitrag zur Methodik von AI Share of Voice.
Zwei Wettbewerbskarten, zwei Geschichten
Nimm ein führendes Fintech-Unternehmen, einen etablierten Anbieter von Software für regulatorisches Reporting und Abstimmung für Banken. Eine starke Marke in der Branche. Jahrelange Investitionen in SEO. Platzierungen auf der ersten Google-Seite für umkämpfte Keywords wie „reconciliation software“ und „regulatory software for banks“.
Nach allen klassischen Maßstäben digitaler Sichtbarkeit steht das Unternehmen gut da.
Als wir eine Analyse der KI-Sichtbarkeit über eine Reihe von Prompts wie „Empfiehl mir Software zur Abstimmung für Finanzinstitute“ und „Empfiehl mir Software für regulatorische Anforderungen in der Bankbranche“ durchführten, waren die Ergebnisse verblüffend.
Unter den zehn Marken, die die KI-Modelle als Antwort auf diese Prompts am häufigsten nannten, waren nur vier, die das Marketingteam als direkte Wettbewerber eingestuft hatte. Die anderen sechs waren Tools, die entweder nie im Wettbewerb um einen Auftrag aufgetaucht waren oder als Anbieter aus Nachbarbereichen galten: Marken, die in Community-Inhalten und Berichten von Dritten stark vertreten sind, in Ausschreibungen von Großunternehmen aber weitgehend fehlen.
Und das Unternehmen selbst wurde trotz seiner Google-Platzierungen in den KI-Antworten nur sehr selten erwähnt.
Daraus folgen sofort zwei Fragen. Warum tauchten unbekannte Marken auf? Und warum fehlte ein Marktführer?
Die Antworten hängen zusammen.
Warum sich KI-Wettbewerbskarten von klassischen unterscheiden
Marketingteams bauen ihre Wettbewerbskarten aus ganz bestimmten Signalen: Analystenberichte, Vertriebsdaten, verlorene Deals, Shortlists aus Ausschreibungen, Kategorien bei G2 und die Marken, auf die der Vertrieb im Feld trifft. Das sind nützliche Daten, aber sie sind einseitig auf Einkaufsprozesse von Großunternehmen und formale Marktkategorien ausgerichtet.
Große Sprachmodelle bauen ihre Wettbewerbskarte aus etwas viel Breiterem: dem gesamten Web, so wie es im Zeitraum ihres Trainings aussah.
Dazu gehören:
- Community-Inhalte. Threads auf Reddit, Diskussionen auf Stack Overflow, Fintech-Foren, Communitys von Praktikern. Ein Tool mit starker Präsenz in der Community, aber schwachem Vertrieb bei Großunternehmen taucht in diesen Gesprächen auf und damit auch in KI-Antworten, selbst wenn es nie im Wettbewerb um einen Auftrag auftaucht.
- Vergleichs- und Bewertungsplattformen. G2, Capterra, TrustRadius und die Tausenden Listen nach dem Muster „die beste X-Software für Y“, die das Web füllen. Diese Plattformen ordnen Kategorien anders als Analysten für Großunternehmen. Sie zeigen Tools aus Nachbarbereichen, günstigere Alternativen und Nischenlösungen, die ein Produktmarketer womöglich nie als Wettbewerber einstufen würde.
- Inhalte von Beratern und Integratoren. Implementierungspartner, spezialisierte Beratungen und Systemintegratoren schreiben ausführlich über die Tools, mit denen sie arbeiten. Eine Marke mit starken Beziehungen zu Integratoren erzeugt viele Inhalte von Dritten, die LLMs als redaktionelle Empfehlung lesen.
- Alter der Trainingsdaten. LLMs kennen den Markt von heute nicht. Ihre Wettbewerbskarte spiegelt den Stand des Webs zur Zeit des Trainings, und der kann ein bis drei Jahre alt sein. Eine Marke, die in diesem Zeitraum mit Inhalten stark präsent war, kann in KI-Antworten noch immer viel Gewicht haben, selbst wenn sie inzwischen an Bedeutung verloren hat oder übernommen wurde. Das hat eine unangenehme Folge: Das Umfeld, in dem deine Marke heute um KI-Sichtbarkeit konkurriert, ist zum Teil von Inhalten geprägt, die 2022 und 2023 erschienen sind. Marken, die in dieser Zeit in Inhalte investiert haben, haben Verknüpfungen aufgebaut, die sich bis heute auszahlen. Marken, die das nicht getan haben, kämpfen gegen einen historischen Nachteil, der fest im Modell steckt.
Die Folge: Das Wettbewerbsumfeld der KI und das des Marketingteams stammen aus unterschiedlichen Textbeständen. Sie werden nicht übereinstimmen. Die Version der KI ist nicht falsch. Sie ist ein anderes und in mancher Hinsicht vollständigeres Bild davon, wie der Markt im breiten Web verstanden wird.
Die Falle der Google-Platzierung
Noch überraschender ist die Frage, warum eine Marke, die bei Google gut platziert ist, gleichzeitig eine geringe KI-Sichtbarkeit haben kann.
Man würde erwarten, dass beides zusammenhängt. In der Praxis ist das oft nicht so, und es lohnt sich zu verstehen, warum.
Die Google-Platzierung ist ein Signal auf Ebene einzelner Seiten. Sie belohnt bestimmte Seiten, die für bestimmte Keywords Autorität aufgebaut haben. Ein Unternehmen, das in SEO investiert hat, kann für „reconciliation software“ ranken, weil es eine gut optimierte Seite mit passenden Backlinks hat. Diese Investition ist real und wertvoll, wirkt aber nur in einem begrenzten Bereich.
KI-Sichtbarkeit ist ein Signal auf Ebene von Konzepten. Beantwortet ein großes Sprachmodell eine Frage zu Software für die Abstimmung, ruft es nicht die bestplatzierte Seite für dieses Keyword ab. Es greift auf alles zurück, was es im Training über das Thema aufgenommen hat: welche Anbieter in vielen unterschiedlichen Zusammenhängen ausführlich vorkommen, welche im Zusammenhang mit bestimmten Anwendungsfällen besprochen werden und welche auftauchen, wenn Praktiker über ihre tatsächlichen Arbeitsabläufe sprechen.
Ein Unternehmen kann bei Google für ein Keyword auf Platz 1 stehen, während das KI-Modell das Unternehmen nur oberflächlich mit den zugrunde liegenden Konzepten verbindet. Die Seite existiert. Die thematischen Verknüpfungen wurden nie aufgebaut.
Das ist die Falle der Google-Platzierung: Jahrelange Investitionen in Keywords können den Eindruck starker Sichtbarkeit erwecken, während die Marke im Bild, das sich die KI vom Markt macht, nur schwach vertreten bleibt.
Themenverknüpfung: warum Marken in der KI-Suche auftauchen
Themenverknüpfung bezeichnet die Konzepte, Anwendungsfälle, Standards und Eigenschaften, die ein KI-Modell mit einer Marke verbindet, wenn es Empfehlungen gibt.
Nennt ein KI-Modell auf die Frage „Empfiehl mir Software für regulatorische Anforderungen von Banken“ einen Wettbewerber, ruft es nicht einfach einen Markennamen ab. Es greift auf ein Netz von Verknüpfungen zurück: Die Marke taucht neben regulatorischem Reporting auf, neben bestimmten Compliance-Rahmenwerken, neben den Namen der Vorschriften, die Banken erfüllen müssen.
Ist deine Marke nicht in diese Verknüpfungen eingebunden, tauchst du nicht auf, ganz gleich, wie gut dein Produkt diese Anwendungsfälle abdeckt.
Warum Marken aus KI-Empfehlungen verschwinden
In der Praxis entstehen Lücken in der KI-Sichtbarkeit meist aus drei Gründen:
- Fehlende Themenverknüpfungen: Das Modell hat nie gelernt, deine Marke mit einem relevanten Konzept zu verbinden.
- Schwache thematische Abdeckung: Deine Marke kommt im Thema vor, aber im Vergleich zu den Wettbewerbern nur oberflächlich.
- Wenig Präsenz in Diskussionen von Praktikern: Deine Marke taucht selten in den Foren, Dokumentationen oder Inhalten von Dritten auf, aus denen das Modell gelernt hat.
Wer erkennt, welcher dieser Gründe zutrifft, hat den Schlüssel zur Frage, warum ein Wettbewerber in KI-Antworten auftaucht und deine Marke nicht.
Bei unserem Fintech-Unternehmen wurde die Diagnose präzise, als wir die Themenverknüpfungen in den KI-Antworten analysierten. Eine Lücke stach heraus: iXBRL.
iXBRL (Inline eXtensible Business Reporting Language) ist inzwischen in den meisten regulierten Rechtsräumen ein verpflichtender Berichtsstandard. Es liegt an der Schnittstelle von regulatorischer Compliance und Finanzberichterstattung, also genau in dem Bereich, in dem dieses Unternehmen tätig ist. Die Wettbewerber, die in den KI-Antworten auftauchten, waren über ihre Inhalte stark mit iXBRL verknüpft: Dokumentation, technische Anleitungen, Inhalte zu Anwendungsfällen, Präsenz in regulatorischen Diskussionen.
In der Produktdokumentation, auf den Funktionsseiten und in den regulatorischen Inhalten des Unternehmens kam iXBRL nirgends vor. Ob dahinter eine Lücke im Produkt, in der Dokumentation oder in beidem steckte: Diese Frage hatte dem Marketingteam bis dahin niemand gestellt. Die Analyse brachte eine Verknüpfungslücke ans Licht, und die Frage, warum es diese Lücke gab, erwies sich als ebenso wertvoll wie der Befund selbst.
Hier lohnt es sich, kurz innezuhalten. Die meisten Tools für KI-Sichtbarkeit stellen eine gefundene Lücke als Content-Aufgabe dar: Schreib mehr über dieses Thema. Eine Verknüpfungslücke kann aber dreierlei bedeuten: fehlende Inhalte, eine fehlende Produktfunktion oder beides. Die Lückenanalyse von Waikay beantwortet diese Frage nicht, aber sie zwingt dazu, sie zu stellen. Ein Befund, der ein Gespräch über das Produkt auslöst und nicht nur ein Content-Briefing, ist eine andere Art strategischer Erkenntnis.
Das Ergebnis in diesem Fall: Bei Prompts, für die iXBRL indirekt oder direkt relevant war, war das Unternehmen unsichtbar. Nicht weil ein Wettbewerber es verdrängt hatte. Sondern weil die Verknüpfung nie aufgebaut worden war und niemand es bemerkt hatte.
Fehlende und verdrängte Verknüpfungen
Dieser Unterschied ist in der Praxis wichtig.
Wer geringe KI-Sichtbarkeit diagnostiziert, stößt auf zwei verschiedene Probleme, die an der Oberfläche gleich aussehen:
- Fehlende Themenverknüpfungen bedeuten, dass die KI schlicht nicht gelernt hat, deine Marke mit einem relevanten Konzept zu verbinden. Deine Inhalte behandeln es nicht in nennenswertem Umfang, deine Marke taucht in Diskussionen darüber nicht auf, also hat das Modell keine Grundlage für die Verbindung. Das ist das häufigere Problem und das, was sich leichter beheben lässt.
- Verdrängte Themenverknüpfungen bedeuten, dass ein Wettbewerber ein Thema in den Trainingsdaten so stark besetzt hat, dass die KI es vor allem mit ihm verbindet. Das ist schwerer zu lösen, kommt aber auch seltener vor, als es scheint. Bei LLMs ist es kein Nullsummenspiel wie bei den Top Ten von Google. Eine Marke kann starke Verknüpfungen mit einem Thema aufbauen, ohne Wettbewerber zu verdrängen. Sie braucht nur genug Signale, damit das Modell die Verbindung herstellt.
In der Praxis gehen die meisten Lücken in der KI-Sichtbarkeit auf fehlende Verknüpfungen zurück, nicht auf Verdrängung. Der Wettbewerber gewinnt nicht, weil er das Themenfeld für sich abgeriegelt hat. Er gewinnt, weil deine Marke im Gespräch fehlte, als die Trainingsdaten entstanden.
Das ist eigentlich eine gute Nachricht. Fehlende Verknüpfungen lassen sich leichter aufbauen als verdrängte.
So diagnostizierst du deine eigenen Lücken in der KI-Sichtbarkeit
Die Diagnose hat drei Schritte. Ausgangspunkt ist jeweils, das KI-Wettbewerbsumfeld direkt aus den Antworten der Modelle zu erfassen, nicht aus deinen bestehenden Battle Cards.
Schritt 1: Erfasse, was KI-Modelle tatsächlich über deinen Markt sagen. Lass eine strukturierte Reihe von Prompts laufen, die die Fragen abbilden, die deine Käufer wahrscheinlich stellen. Erfasse jede Marke, die in den Antworten genannt wird, nicht nur die, mit denen du rechnest. Das ist deine KI-Wettbewerbskarte. Vergleiche sie mit deiner bestehenden Wettbewerbskarte und halte die Unterschiede fest.
Die Marken, die in KI-Antworten auftauchen, aber nicht in deinen Battle Cards, sind ein Signal, dem du nachgehen solltest. Es kann sich um echte neue Bedrohungen handeln, um übersehene Anbieter aus Nachbarbereichen oder einfach um Marken, die im Bild der KI von deinem Markt thematisch stärker präsent sind.
Schritt 2: Analysiere die Themenverknüpfungen deiner Marke und deiner Wettbewerber. Erfasse für jede Marke, die in KI-Antworten auftaucht, die Themen, Anwendungsfälle, Standards und Eigenschaften, die die KI mit ihr verbindet. Baue eine Matrix aus Marken und Themen, die zeigt, welche Themenfelder jede Marke besetzt.
Finde heraus, welche Themen häufig neben Wettbewerbern auftauchen, aber selten oder nie neben deiner Marke. Das sind deine Verknüpfungslücken: die Stellen, an denen du im Bild der KI vom Markt nicht vorkommst, auch wenn dein Produkt relevant ist. Waikay macht das mit einer Kennzahl messbar, die AI Topical Presence heißt: ein Wert, der erfasst, wie stark und wie breit die KI deine Marke mit den Themen verbindet, die in deinem Markt zählen.
Schritt 3: Priorisiere die Lücken nach ihrem strategischen Wert. Nicht jede fehlende Verknüpfung wiegt gleich schwer. Eine Lücke bei einem Thema, das für einen verpflichtenden Compliance-Standard steht (wie iXBRL für ein Unternehmen im regulatorischen Reporting), ist kritischer als eine Lücke bei einem Randthema. Kümmere dich zuerst um die Verknüpfungslücken bei kaufnahen Anfragen: den Fragen, die Käufer stellen, wenn sie kurz vor einer Kaufentscheidung stehen.
Genau diese Lücken kosten dich am ehesten Verkaufschancen.
Was du dagegen tun kannst
Taucht eine Verknüpfungslücke auf, ist der erste Schritt nicht, ein Content-Briefing in Auftrag zu geben. Zuerst steht eine grundsätzlichere Frage: Warum gibt es diese Lücke?
Es gibt drei mögliche Antworten. Das Produkt bietet die Funktion nicht. Das Produkt bietet sie, aber sie ist nicht dokumentiert. Oder das Produkt bietet sie, sie ist dokumentiert, aber die Abdeckung reicht nicht, damit die KI eine nennenswerte Verknüpfung aufbauen konnte.
Jede Antwort führt woandershin. Eine Lücke im Produkt ist ein Thema für die Roadmap. Eine Lücke in der Dokumentation ist ein Thema für das technische Schreiben. Eine Lücke in der inhaltlichen Tiefe ist ein Thema für die Content-Strategie. Wer direkt mit der Content-Produktion loslegt, ohne diese Frage zu stellen, riskiert, in Sichtbarkeit für eine Funktion zu investieren, die es gar nicht gibt, und schafft damit ein anderes Problem.
Ist klar, welche Art von Lücke vorliegt, ist der Aufbau der Verknüpfung eine Aufgabe für die Inhalte, aber keine Keyword-Aufgabe. Es geht nicht darum, Seiten zu erstellen, die auf ein Thema als Keyword optimiert sind. Es geht darum, Inhalte zu schaffen, die das Themenfeld so gründlich und glaubwürdig abdecken, dass die KI lernt, deine Marke damit zu verbinden. Das heißt: technische Dokumentation, Inhalte zu Anwendungsfällen, Erklärungen zu Vorschriften, Leitfäden für Praktiker. Also Inhalte, wie sie in den Quellen vorkommen, aus denen die KI im Training gelernt hat.
Die Frage lautet nicht: „Haben wir eine Seite zu diesem Thema?“ Sie lautet: „Würde unsere Marke als glaubwürdiger, kundiger Teilnehmer am Gespräch hervortreten, wenn jemand alles läse, was im Web zu diesem Thema steht?”
Unterm Strich
KI-Modelle haben sich ein Bild deines Markts aus Quellen gemacht, die dein Marketingteam nie geprüft hat. Dieses Bild enthält Wettbewerber, die du nicht verfolgst, lässt Konzepte aus, die du nicht abgedeckt hast, und folgt einer anderen Logik als deine SEO-Strategie oder deine Arbeit mit Analysten.
Die Marken, die bei deinen wichtigsten Anfragen in KI-Antworten auftauchen, sind kein Zufall. Sie haben die Themenverknüpfungen aufgebaut, die deiner Marke fehlen, entweder weil sie in die richtigen Inhalte investiert haben oder weil du es nicht getan hast.
Google-Platzierungen sagen dir, wie sichtbar du in der Suche bist. Themenverknüpfungen in der KI sagen dir, für welche Themen dich das Modell als relevant einstuft.
Das sind zwei verschiedene Fragen. Und immer öfter ist es die zweite, die zählt.
