Viele Führungskräfte haben denselben Moment bereits erlebt.

Aus Neugier öffnen sie ChatGPT, Gemini, Claude oder ein anderes KI-System und stellen eine einfache Frage:

„Was macht unser Unternehmen?“

Die Antwort erscheint.

Und fast sofort denken sie:

„So würden wir uns selbst nicht beschreiben.“

Manchmal ist die Beschreibung unvollständig.

Manchmal ist sie veraltet.

Manchmal konzentriert sie sich auf die falschen Produkte, die falschen Märkte oder die falschen Stärken.

Die natürliche Reaktion lautet:

Warum versteht KI unser Unternehmen falsch?

Die Antwort darauf verrät etwas Grundlegendes darüber, wie moderne KI-Systeme funktionieren.

KI kennt Ihre Strategie nicht

Unternehmen verstehen sich selbst über Strategie.

Sie kennen ihre Vision, ihre Ziele, ihre Positionierung und ihre Zukunftspläne.

KI-Systeme tun das nicht.

KI-Systeme können nur mit den Signalen arbeiten, die ihnen zur Verfügung stehen.

Wenn ein KI-System nach einem Unternehmen gefragt wird, konsultiert es nicht den CEO, die Kommunikationsabteilung oder die aktuelle Unternehmensstrategie.

Stattdessen konstruiert es ein Verständnis aus Informationen, die im digitalen Ökosystem verfügbar sind.

Dazu gehören beispielsweise:

• Unternehmenswebsites
• Presseberichte
• Strukturierte Daten
• Wikipedia
• Soziale Netzwerke
• Podcasts und Interviews
• Branchenberichte
• Öffentliche Dokumente
• Nutzer-generierte Inhalte
• Drittanbieter-Websites

Die Antwort ist daher nicht zwangsläufig ein Spiegelbild dessen, wie das Unternehmen sich selbst sieht.

Sie ist ein Spiegelbild der verfügbaren Signale.

KI konstruiert Repräsentationen

Einer der größten Irrtümer über KI besteht darin, anzunehmen, dass sie irgendwo eine feste Beschreibung jedes Unternehmens gespeichert hat.

So funktionieren moderne KI-Systeme in der Regel nicht.

Stattdessen konstruieren sie Repräsentationen.

Eine KI-Repräsentation ist das Verständnis, das ein KI-System auf Basis der verfügbaren Signale über ein Unternehmen bildet.

Genau wie zwei Menschen unterschiedliche Eindrücke desselben Unternehmens haben können, können auch unterschiedliche KI-Systeme zu unterschiedlichen Repräsentationen gelangen.

Deshalb beschreiben ChatGPT, Claude, Gemini und Perplexity dasselbe Unternehmen manchmal unterschiedlich.

Jedes System gewichtet verfügbare Signale auf seine eigene Weise.

Die Repräsentationslücke

Jedes Unternehmen hat eine gewünschte Positionierung.

Es weiß, wie es verstanden werden möchte.

KI-Systeme konstruieren jedoch ihre eigene Repräsentation auf Basis der verfügbaren Informationen.

Die Differenz zwischen diesen beiden Realitäten nennen wir die Repräsentationslücke.

Je größer diese Lücke ist, desto häufiger entsteht der Eindruck, dass KI das Unternehmen falsch beschreibt.

Das Problem ist dabei nicht unbedingt, dass die KI falsch liegt.

Das Problem ist, dass maschinelles Verständnis und unternehmerische Selbstwahrnehmung auseinanderlaufen.

Warum KI oft die falschen Dinge hervorhebt

KI-Systeme sind darauf ausgelegt, Muster zu erkennen.

Sie gewichten Informationen häufig danach, wie:

• häufig sie vorkommen,
• konsistent sie erscheinen,
• viele Quellen sie bestätigen,
• autoritativ die Quelle wirkt.

Hier entsteht eine besondere Herausforderung.

Unternehmen konzentrieren sich auf das, was Menschen über sie wissen sollen.

KI-Systeme konzentrieren sich auf das, was das Signalumfeld als wichtig erscheinen lässt.

Ein Beispiel:

Ein Unternehmen hat sich von einem Softwareanbieter zu einem KI-Unternehmen entwickelt.

Intern ist dieser Wandel längst vollzogen.

Extern beschreiben viele verfügbare Quellen das Unternehmen jedoch weiterhin als Softwareanbieter.

Die Folge:

KI-Systeme erzeugen Beschreibungen, die der Vergangenheit näher sind als der gewünschten Zukunft.

Das Problem liegt häufig nicht in der KI

Wenn Führungskräfte eine unzutreffende KI-Beschreibung sehen, vermuten sie oft einen Fehler im Modell.

Tatsächlich liegt die Ursache häufig eine Ebene tiefer.

Die Qualität des maschinellen Verständnisses hängt von der Qualität der maschinenlesbaren Signale ab.

Sind diese Signale:

• widersprüchlich,
• veraltet,
• fragmentiert,
• unvollständig oder
• schwach verteilt,

dann wird auch die KI-Repräsentation darunter leiden.

Die Antwort ist oft nur das Symptom.

Das Signalumfeld ist häufig die eigentliche Ursache.

Vom Output zum Signal

Viele Unternehmen betrachten ausschließlich die Antwort.

Sie fragen:

„Wie ändern wir diese KI-Antwort?“

Die sinnvollere Frage lautet:

„Warum ist die KI zu dieser Antwort gekommen?“

Damit verschiebt sich der Fokus von den Outputs zu den Inputs.

Erst wenn Unternehmen verstehen, welche Signale die KI-Repräsentation formen, können sie beginnen, diese gezielt zu verbessern.

An dieser Stelle beginnen Kommunikation, PR, SEO, strukturierte Daten, Content-Strategie und digitale Reputation zusammenzuwachsen.

Historisch wurden diese Bereiche getrennt betrachtet.

Für KI-Systeme bilden sie zunehmend ein einziges Signalumfeld.

AI Perception Layering™

AI Perception Layering™ (APL) ist ein Framework, das untersucht, wie KI-Systeme auf Basis verfügbarer Signale Repräsentationen von Unternehmen bilden.

APL konzentriert sich nicht primär auf einzelne KI-Antworten.

APL konzentriert sich auf die Signale, die diese Antworten überhaupt erst ermöglichen.

Das Framework basiert auf einer einfachen Beobachtung:

Unternehmen können KI-Antworten nicht direkt kontrollieren.

Sie können jedoch die Signale beeinflussen, aus denen diese Antworten entstehen.

Das Verständnis dieser Signale ist der erste Schritt, um die Repräsentationslücke zu verringern und die eigene KI-Repräsentation zu verbessern.

Die neue strategische Frage

Jahrzehntelang lautete die zentrale Frage:

„Was denken Menschen über uns?“

Zunehmend kommt eine zweite Frage hinzu:

„Was denkt KI über uns?“

Diese Frage gewinnt an Bedeutung, weil KI-Systeme immer häufiger als Vermittler zwischen Unternehmen und ihren Stakeholdern auftreten.

Investoren nutzen KI.

Journalisten nutzen KI.

Kunden nutzen KI.

Mitarbeitende nutzen KI.

Partner nutzen KI.

Die Herausforderung besteht daher nicht mehr nur darin, Reputation zu managen.

Die Herausforderung besteht darin zu verstehen, wie maschinelle Systeme Repräsentationen überhaupt konstruieren.

Fazit

KI beschreibt Unternehmen nicht falsch, weil sie absichtlich ungenau arbeitet.

Viel häufiger spiegelt sie das Signalumfeld wider, das ihr zur Verfügung steht.

Wenn Unternehmen auf ungenaue, veraltete oder unvollständige KI-Beschreibungen stoßen, lautet die wichtigste Frage nicht:

„Wie korrigieren wir die Antwort?“

Die wichtigere Frage lautet:

„Welche Signale haben zu dieser Antwort geführt?“

Denn sobald diese Signale verstanden werden, kann die Repräsentation verbessert werden, die aus ihnen entsteht.

‍

‍