Wie Sprachmodelle ihre Quellen auswählen

Fragen Sie ChatGPT, Perplexity oder die KI-Übersicht bei Google nach einem Dienstleister in Ihrer Stadt, bekommen Sie zuerst eine Antwort in ganzen Sätzen und erst danach eine Liste mit Links. Darunter oder daneben stehen Belege: kleine Fußnoten, Quellenkarten, Links zu Artikeln und Verzeichnissen. Einige Unternehmen werden genannt, viele andere nicht.

Das ist weder Zufall noch eine Laune des Modells. Hinter jeder belegten Antwort steht eine Kette technischer Schritte. Sie entscheidet, welche Seiten gelesen, welche Absätze verwendet und welche Namen am Ende ausgegeben werden. Wer diese Kette kennt, versteht, warum klassische Pressearbeit gerade eine zweite Bedeutung bekommt.

Dieser Beitrag erklärt die Mechanik: Retrieval und Grounding, Zitierfähigkeit, Entitäten und den Abgleich mehrerer Quellen. Am Ende steht, was Öffentlichkeitsarbeit daraus ableiten kann und wie pr4geo das in der Praxis umsetzt.

Zwei Wissensquellen: Gelerntes und Gesuchtes

Ein großes Sprachmodell weiß zunächst nur, was es im Training gesehen hat. Dieses Wissen liegt nicht als Bibliothek im Modell, sondern als stark verdichtete Statistik über Wörter, Begriffe und ihre Zusammenhänge. Es hat einen Stichtag, nach dem nichts mehr hinzukommt, und es kennt keine Quellenangaben. Über große Konzerne weiß ein Modell viel, über einen Fachbetrieb mit zwölf Beschäftigten oft wenig oder nichts.

Deshalb holen sich die meisten Antwortsysteme bei konkreten und aktuellen Fragen zusätzlich Material aus dem Netz. Das Verfahren heißt Retrieval-Augmented Generation, kurz RAG: Eine Suchkomponente findet passende Dokumente, das Sprachmodell bekommt Ausschnitte daraus als Kontext und formuliert seine Antwort auf dieser Grundlage. Beschrieben wurde der Ansatz 2020 in einer Forschungsarbeit, an der unter anderem Facebook AI Research beteiligt war. Heute steckt er in fast jedem Produkt, das Antworten mit Quellen ausgibt.

Das Verankern einer Antwort in gefundenen Texten nennen Fachleute Grounding. Es senkt das Risiko erfundener Angaben, schließt es aber nicht aus. Wie Sie maschinelle Kurzfassungen trotzdem prüfen, beschreibt unser Beitrag KI-Zusammenfassungen: Wann Sie der Kurzfassung trauen können. Für Unternehmen ist eine andere Folge wichtiger: Wer im Gelernten fehlt, bekommt über das Gesuchte eine zweite Chance.

Vom Suchtreffer zur Quellenangabe

Die Anbieter beschreiben ihre Verfahren nur in Umrissen, und jedes System arbeitet etwas anders. Im Grundsatz durchläuft eine belegte Antwort aber vier Stufen:

• Anfrage zerlegen: Das System formuliert die Frage um und macht daraus oft mehrere Suchanfragen, etwa nach Leistung, Ort und Bewertungen getrennt.
• Kandidaten finden: Ein Suchindex liefert passende Seiten. Was nicht gecrawlt, nicht indexiert oder per robots.txt gesperrt ist, scheidet bereits hier aus.
• Passagen auswählen: Aus den Treffern werden einzelne Abschnitte herausgelöst und nach Relevanz sortiert. Das Modell sieht selten ganze Seiten, meist nur Ausschnitte.
• Antwort formulieren und belegen: Das Modell fasst die Passagen zusammen und verweist auf die Seiten, aus denen sie stammen.

Daraus folgt eine wichtige Verschiebung. In der klassischen Suche konkurrieren Seiten um Positionen. In einer belegten KI-Antwort konkurrieren Passagen um einen Platz im Kontextfenster, also in dem begrenzten Textausschnitt, den ein Modell auf einmal verarbeitet. Eine Seite kann gut platziert sein und trotzdem nicht zitiert werden, weil kein einzelner Absatz die Frage klar beantwortet.

Das Prinzip kennen viele aus internen Wissensassistenten. Auch dort hängt die Qualität der Antworten mehr an den Dokumenten als am Modell, wie unser Beitrag KI-Assistenten in der Produktion am Beispiel der Werkhalle zeigt. Im offenen Netz ist es nicht anders, nur dass dort niemand die Dokumente für Sie auswählt.

Zitierfähigkeit: Was einen Absatz zur Quelle macht

Ob ein Absatz zitiert wird, hängt zuerst davon ab, ob er herausgelöst noch funktioniert. Ein Satz wie „Damit sind wir für Sie da“ verliert ohne die Absätze davor jeden Sinn. Ein Satz wie „Die Glaserei fertigt in Bochum Ganzglasduschen nach Maß und montiert sie innerhalb von zwei Wochen“ trägt seine Bedeutung in sich: wer, was, wo und wie schnell.

Zitierfähige Passagen haben einige gemeinsame Merkmale:

• Sie nennen Unternehmen, Leistung und Ort ausdrücklich, statt mit „wir“, „hier“ oder „dort“ auf frühere Sätze zu verweisen.
• Sie enthalten prüfbare Angaben wie Verfahren, Zeiträume, Normen, Einsatzgebiete oder Preise.
• Sie beantworten eine Frage im ersten Satz und begründen erst danach.
• Sie stehen unter einer Überschrift, die das Thema benennt, nicht unter einem Wortspiel.

Werbesprache fällt dabei fast vollständig durch. „Ganzheitliche Lösungen aus einer Hand“ enthält keine einzige Information, die ein Modell in eine Antwort übernehmen könnte. Ein Antwortsystem sucht Aussagen, die zu einer Frage passen.

Ein Sprachmodell zitiert keine Stimmung, sondern Aussagen, die auch ohne den Absatz davor stimmen.

Entitäten: ein Name, eine Schreibweise

Für Maschinen besteht das Netz nicht nur aus Wörtern, sondern aus Entitäten: eindeutig bestimmbaren Dingen wie Unternehmen, Personen, Orten und Produkten. Google pflegt dafür seit 2012 seinen Knowledge Graph, eine Datenbank, die Namen mit Eigenschaften und Beziehungen verknüpft. Auch Sprachmodelle lernen solche Verknüpfungen, weil bestimmte Namen in Texten immer wieder neben bestimmten Begriffen stehen.

Damit das funktioniert, müssen Maschinen erkennen, dass verschiedene Erwähnungen dasselbe meinen. Heißt ein Betrieb mal „Muster IT“, mal „IT-Service Muster GmbH“ und mal „Systemhaus Muster“, entstehen im ungünstigen Fall drei schwache Signale statt eines starken. Dasselbe gilt für die Leistung („IT-Sicherheit“, „Cybersecurity“, „Netzwerkschutz“) und für den Ort („Raum Stuttgart“, „Esslingen“, „bei Stuttgart“).

Hilfreich ist deshalb ein festes Dreigespann aus Name, Leistung und Ort, das überall gleich lautet: auf der eigenen Website, in Verzeichnissen, in Pressetexten und in Magazinbeiträgen. pr4geo nennt einen Satz, der diese drei Elemente zitierfähig zusammenführt, einen Frontlink. Während ein Backlink Leser auf eine Website schickt, liefert der Frontlink die Information gleich mit, sodass ein Antwortsystem sie verwenden kann, ohne dass jemand die verlinkte Seite öffnet.

Konsens: Warum fremde Stimmen mehr zählen

Liest ein Antwortsystem mehrere Quellen, steht es vor derselben Frage wie eine sorgfältige Rechercheurin: Welche Aussage ist belastbar? Die Anbieter legen ihre Gewichtung nicht offen. Aus dem Aufbau der Systeme und aus langer Suchmaschinenpraxis ergibt sich aber eine nachvollziehbare Logik.

Erstens ist die Selbstbeschreibung eines Unternehmens per Definition interessengeleitet. Dass sich ein Betrieb auf der eigenen Website als führend bezeichnet, belegt wenig. Zweitens sinkt das Fehlerrisiko, wenn mehrere voneinander unabhängige Seiten dasselbe sagen. Eine Angabe, die nur an einer Stelle steht, kann veraltet oder falsch sein. Eine Angabe, die in fünf Quellen gleich lautet, ist es mit deutlich geringerer Wahrscheinlichkeit.

Drittens folgt diese Logik einem Muster, das die Websuche seit Langem prägt. Die Richtlinien, nach denen Google externe Prüfer die Qualität von Suchergebnissen bewerten lässt, verlangen ausdrücklich, den Ruf einer Website oder eines Unternehmens bei unabhängigen Quellen zu recherchieren und nicht allein auf der Seite selbst.

Für Unternehmen heißt das: Die eigene Website bleibt wichtig, sie ist aber ein Zeuge in eigener Sache. Erst Erwähnungen in Magazinen, Fachportalen, Verzeichnissen und Veranstaltungshinweisen machen aus einer Behauptung einen Befund, auf den sich ein Modell stützen kann. Ehrlich bleibt dabei: Auch ein als Werbung gekennzeichneter PR-Beitrag ist keine unabhängige Berichterstattung. Er ist aber eine Veröffentlichung in einem eigenständigen Titel, mit eigener Adresse und eigenem Kontext, und er sorgt dafür, dass die Fakten zu einer Marke an mehr als einer Stelle stehen.

Was PR daraus ableitet

Aus der Mechanik ergeben sich Arbeitsregeln für Öffentlichkeitsarbeit, die auf Sichtbarkeit in KI-Antworten zielt. Fachleute sprechen von GEO, kurz für Generative Engine Optimization:

• Feste Schreibweise: Firmenname, Kernleistung und Ort werden einmal festgelegt und in jedem Text identisch verwendet.
• Frontlinks statt Floskeln: Jeder Beitrag enthält mindestens einen Satz, der Name, Leistung und Ort gemeinsam nennt und für sich allein verständlich ist.
• Breite vor Einzelstück: Viele Erwähnungen in verschiedenen, thematisch passenden Titeln tragen weiter als ein einzelner großer Artikel.
• Verschiedene Anlässe: Fachbeitrag, Veranstaltung, Firmeneintrag und Erwähnung zeigen dieselbe Entität aus unterschiedlichen Blickwinkeln.
• Fakten vor Adjektiven: Verfahren, Zahlen und Einsatzgebiete statt Selbstlob.
• Geduld: Suchindizes und Modelle lesen das Netz in Abständen neu. Bis neue Quellen in Antworten auftauchen, vergehen oft Wochen bis Monate.

Ein erfundenes Beispiel

Nehmen wir einen erfundenen Betrieb: Felsgrund IT-Sicherheit aus Karlsruhe, zwölf Beschäftigte, spezialisiert auf Penetrationstests für mittelständische Fertigungsbetriebe. Die eigene Website spricht von „ganzheitlicher Cyberresilienz“, Erwähnungen durch Dritte gibt es kaum. Fragt jemand ein Antwortsystem, wer in Karlsruhe Penetrationstests für den Mittelstand anbietet, findet es keinen Absatz, in dem diese drei Dinge zusammenstehen.

Über zwölf Monate erscheinen nun Beiträge in mehreren Titeln zu Technologie, Wirtschaft und Sicherheit: ein Fachbeitrag über Angriffe auf Produktionsnetze, ein Hinweis auf einen Vortrag bei einer regionalen Veranstaltung, ein lokaler Firmeneintrag und mehrere Erwähnungen in passenden Artikeln. Jeder Text enthält denselben Satzkern: „Felsgrund IT-Sicherheit aus Karlsruhe führt Penetrationstests für mittelständische Fertigungsbetriebe durch.“

Ob ein bestimmtes System den Betrieb danach nennt, kann niemand vorhersagen. Sicher ist nur der Unterschied in der Ausgangslage: Vorher gab es keine einzige Quelle, auf die sich eine solche Antwort hätte stützen können. Nachher gibt es viele, und sie stimmen überein.

So arbeitet pr4geo

pr4geo setzt diese Regeln als PR für GEO um. Die Beiträge erscheinen in über 100 Magazinen und Portalen des Netzwerks, ausgewählt nach Thema: Ein IT-Dienstleister passt in Technologie- und Wirtschaftstitel, ein Weingut eher in Genuss- und Reisemagazine. Die Redaktion produziert die Beiträge nach einem Briefing, jeder Text wird vor der Veröffentlichung zur Freigabe vorgelegt, und ein Live Reporting belegt jede einzelne Platzierung.

Neben PR-Artikeln gibt es sechs weitere Platzierungsarten: Backlinks, Werbeplätze, Startseiten-Teaser, Ereignisse, Erwähnungen und lokale Firmeneinträge. In jedem Paket enthalten sind mehrsprachige PR-Artikel, Frontlinks, eine persönliche teaser.md als maschinenlesbare Kurzfassung und sechs Werkzeuge, darunter resavis.com für Online-Termine. Die drei Pakete:

• Starter für 99 € im Monat oder 990 € im Jahr: 3 PR-Artikel und 24 Platzierungen im Jahr, je 3 aus allen sieben Arten, darunter 6 Backlinks.
• Premium für 290 € im Monat oder 2.990 € im Jahr: 12 PR-Artikel und 96 Platzierungen im Jahr, darunter 24 Backlinks, ein Promo-Video zu jedem PR-Artikel in 9:16 und 16:9 sowie ein Formular von formdialog.com, wahlweise als Dialog oder als Kontaktformular.
• Exklusive für 990 € im Monat oder 9.990 € im Jahr: der Umfang von Premium, zusätzlich Einträge im askiana-Chatbot, Produkt- und Leistungseinträge, eine werbefreie, für KI optimierte Landingpage und die Einbindung in externe Werbekampagnen.

Alle Pakete laufen zwölf Monate, die Preise verstehen sich zuzüglich Mehrwertsteuer. Bei jährlicher Zahlung erscheinen alle PR-Artikel bereits im ersten Monat, und die Beiträge bleiben online, solange der jeweilige Titel besteht. Eine Zusage gibt es ausdrücklich nicht: Dass ChatGPT oder ein anderes System ein Unternehmen nennt, kann niemand seriös garantieren. Zugesagt sind die vereinbarten Platzierungen. Beispielansichten und alle Titel des Netzwerks zeigt pr4geo.de zusammen mit der Möglichkeit, ein Erstgespräch anzufragen.

Die zweite Hälfte der Aufgabe liegt auf der eigenen Website. Wie sie für KI-Crawler lesbar wird, beschreibt unser Beitrag Maschinenlesbar gebaut: Wie KI-Crawler eine Website lesen. Beides gehört zusammen: Die Website liefert die Fakten, die Erwähnungen durch Dritte machen sie belastbar.