Wer eine Weile nach „how to rank in ChatGPT“ sucht, findet selbstbewusste Listen mit „7 Rankingfaktoren“ oder konkreten Prozentzahlen — Domain Authority mit 40 % gewichtet, Content-Qualität mit 35 %, so in der Art. Seien Sie bei jeder so konkreten Zahl skeptisch. Niemand außerhalb von OpenAI, Anthropic oder Google hat Zugriff auf die tatsächliche Gewichtung in diesen Systemen, und die Unternehmen selbst haben keine veröffentlicht. Was folgt, zieht eine Linie zwischen dem, was tatsächlich dokumentiert ist, und dem, was von außen wirklich nicht herauszufinden ist.
Was dokumentiert ist: zwei Modi, zwei Mechanismen
Ein nützlicher und realer Unterschied besteht zwischen einem Modell, das rein aus dem antwortet, was es im Training gelernt hat, und einem Modell, das vor der Antwort aktiv das Live-Web durchsucht.
Antworten aus dem Training (ohne Browsing). In diesem Modus schlägt das Modell nichts nach — es erzeugt eine Antwort aus statistischen Mustern, die beim Training auf einem großen Textkorpus in seine Gewichte eingebrannt wurden. Eine Marke taucht in einer Antwort auf, weil sie in den Trainingsdaten oft und klar genug mit dieser Kategorie verbunden vorkam, dass das Modell die Assoziation gelernt hat. Deshalb kommen bekannte, gut dokumentierte Marken mit langer öffentlicher Historie tendenziell öfter vor als unbekannte — nicht wegen eines SEO-Tricks, sondern weil es schlicht mehr Text über sie gibt, aus dem das Modell überhaupt lernen konnte.
Antworten mit Browsing/Retrieval. Wenn ein Assistent vor der Antwort aktiv das Web durchsucht — ein Modus, den ChatGPT, Perplexity und andere unterstützen —, ruft er aktuelle Seiten ab und kann sie direkt zitieren. In diesem Modus wird zur realen, mechanischen Voraussetzung, ob Ihre Seite überhaupt gefunden und gelesen werden kann (crawlbar, indexiert, nicht blockiert), unabhängig davon, ob das Modell Sie „mag“.
Das sind wirklich unterschiedliche Prozesse mit unterschiedlichen Folgen, und sie zu vermischen ist einer der häufigsten Fehler in Ratschlägen zur KI-Sichtbarkeit. Eine Marke kann ständig aus der Erinnerung an Trainingsdaten empfohlen werden und dabei nie ein einziges Mal mit einem echten Link zitiert werden, oder umgekehrt.
Was dokumentiert ist: Modelle neigen zum Bekannten und gut Dokumentierten
Das folgt direkt aus der Funktionsweise des Trainings, nicht aus Spekulation: Wird eine Marke klar, konsistent und von vielen unabhängigen Quellen im Web besprochen, ist sie in den Trainingsdaten eines Modells wahrscheinlich stärker vertreten als eine Marke, über die kaum irgendwo geschrieben wird. Das ist eine reale, mechanische Tendenz — aber keine Checkliste. „Seien Sie bekannt“ ist wahr und zugleich allein nicht umsetzbar.
Was von außen wirklich nicht herauszufinden ist
Hier zählt Ehrlichkeit mehr als Selbstsicherheit. Große Sprachmodelle sind nach Aussage der Unternehmen, die sie bauen, selbst für ihre Entwickler noch weitgehend undurchsichtig. Die Interpretability-Forscher von Anthropic haben klar gesagt, dass diese Modelle so groß und komplex sind, dass selbst die Leute, die sie entwerfen, relativ wenig darüber wissen, wie sie von Moment zu Moment tatsächlich „denken“. Die Arbeit von Anthropic zur mechanistischen Interpretability hat echte Fortschritte dabei gemacht zuzuordnen, welche internen Aktivitätsmuster von Neuronen welchen Konzepten entsprechen — doch diese Forschung dient dazu, Repräsentationen im Modell unter Laborbedingungen zu verstehen, nicht dazu, externen Marketern einen Hebel in die Hand zu geben, mit dem sich ihre Marke häufiger erwähnen lässt.
Konkret kann niemand außerhalb des Anbieters Ihnen mit echter Präzision sagen:
Welche genaue Gewichtung ein Modell verschiedenen Signalen gibt, wenn es eine bestimmte Antwort zusammenstellt.
Warum ein Modell in einem bestimmten Run Marke A vor Marke B genannt hat, obwohl beide gut dokumentiert und vergleichbar sind.
Ob ein bestimmter Inhalt in einem künftigen Trainingslauf landet oder wie viel er bewegen würde, wenn er es täte.
Warum identische Fragen in getrennten Runs desselben Modells unterschiedliche Markenlisten liefern können — ein Teil davon ist gewollte Zufälligkeit bei der Textgenerierung, und ihr genaues Ausmaß ist nicht für jedes Modell veröffentlicht.
Jeder Artikel, der diese vier Fragen mit spezifischer Gewissheit beantwortet, rät. Seien Sie vorsichtig bei jedem, der Ihnen einen präzisen Mechanismus für etwas verkauft, das die Modellanbieter selbst nicht veröffentlicht haben.
Was Sie also tatsächlich tun können
Arbeiten Sie mit dem, was dokumentiert ist, nicht mit dem, was spekulativ ist: Sorgen Sie dafür, dass Ihre Marke im Web wirklich und klar von anderen Quellen als Ihnen selbst beschrieben wird (echte Berichterstattung, echte Bewertungen, echte Einträge), damit es schlicht mehr korrektes Material gibt, aus dem ein Modell lernen oder das es abrufen kann. Halten Sie Ihre eigene Website für den Retrieval-Fall crawlbar und eindeutig. Und jagen Sie keinem bestimmten „Rankingfaktor“ nach, den außerhalb des Labors niemand verifizieren kann. Darüber hinaus lautet die ehrliche Antwort auf „warum hat das Modell gesagt, was es gesagt hat“ oft: Wir wissen es nicht genau, und im Moment-zu-Moment-Sinn weiß es auch das Unternehmen nicht, das es gebaut hat.
Wo Sie anfangen
Da so vieles davon wirklich nicht herauszufinden ist, besteht das Wertvollste nicht darin, eine Black Box zu entschlüsseln, sondern darin, Ihre tatsächliche aktuelle Baseline zu messen, damit Sie wissen, ob es überhaupt ein Problem gibt, an dem sich zu arbeiten lohnt.
