Wenn KI über Unternehmen spricht

vor 2 Tagen
6 Min. Lesezeit

Monitoring für Reputation in Sprachmodellen aufsetzen

von DR. LYDIA PREXL, UNZER

Reputation entsteht immer häufiger in KI-Antworten. Sprachmodelle bündeln öffentliche Diskurse, ordnen sie ein und geben sie als scheinbar objektives Wissen zurück. Für Kommunikationsverantwortliche heißt das: Sie müssen nicht nur beobachten, was über ein Unternehmen gesagt wird – sondern auch, was KI daraus macht.

Immer mehr Menschen informieren sich nicht mehr über klassische Suchmaschinen, sondern verlassen sich auf die Antworten von KI-Sprachmodellen (LLMs). Diese funktionieren jedoch grundlegend anders als Google & Co.: Sie verlinken nicht auf einzelne Websites, sondern fassen Informationen aus zahlreichen Quellen zusammen und liefern eine interpretierte Antwort. Damit ist eine KI-Antwort nicht nur Information, sondern immer auch Deutung – und genau diese prägt zunehmend die Wahrnehmung von Unternehmen, Marken und Themen.

Kommunikationsverantwortliche sehen sich daher mit zwei Herausforderungen konfrontiert: Sie müssen sich erstens damit auseinandersetzen, ob ihr Unternehmen überhaupt in KI-Modellen auftaucht. Und sie müssen zweitens prüfen, wie ihr Unternehmen in KI-Antworten erscheint – in welchem Ton und mit welchen Assoziationen.

KI als Reputationsakteur und Analyseinstrument

Sprachmodelle sind dabei Untersuchungsgegenstand und Werkzeug zugleich. Einerseits geht es um das Monitoring von KI-generierten Aussagen über Unternehmen, die reputationswirksam sind. Hier steht die Frage im Vordergrund: Was sagen KI-Systeme über ein Unternehmen? Gemeint ist die systematische Erfassung, Analyse und Bewertung von Antworten, die Sprachmodelle auf typische Nutzerfragen geben – etwa zu Qualität, Vertrauenswürdigkeit, Skandalen, Nachhaltigkeit oder Arbeitgeberattraktivität. Dieses Monitoring ist vergleichbar mit klassischem Medien- oder Social Media-Monitoring, bezieht sich aber auf einen neuen Akteur: die KI selbst als „Kommunikator“.

Andererseits geht es um die Nutzung von KI zur Beobachtung und Messung von Reputation – also um ein KI-gestütztes Reputationsmonitoring. Hier ist KI nicht das Objekt der Beobachtung, sondern das Werkzeug. Sprachmodelle werden eingesetzt, um große Mengen an Texten auszuwerten und daraus Reputationsindikatoren wie Tonalität, Themen, Vertrauen, Risikofaktoren oder Narrative abzuleiten.

Beide Ebenen greifen dabei ineinander. Denn die Trainingsdaten und Antwortmuster von Sprachmodellen speisen sich aus genau den öffentlichen Diskursen, die durch KI analysiert werden. Reputation entsteht damit zunehmend in einem Kreislauf aus öffentlicher Kommunikation, KI-gestützter Auswertung und KI-basierter Wiedergabe – ein fundamentaler Wandel, der strategisches Reputationsmanagement neu definiert.

Warum Sprachmodelle keine Messinstrumente sind

Wie kann ein KI-gestütztes Reputationsmonitoring nun aussehen? Etablierte Modelle der Reputationsmessung wie das Reptrak-Modell oder der Reputation Quotient (RQ) basieren in der Regel auf umfangreichen Befragungen. Diese sind objektiv (Wiederholung führt zum gleichen Ergebnis), reliabel (gleiche Messung führt zu gleichem Ergebnis) und valide (messen das Richtige), erfüllen also alle drei Gütekriterien von empirischer Forschung. Sprachmodelle erfüllen keines dieser Kriterien. Ihre Antworten hängen stark vom Prompt, vom Kontext, von der Sprache und sogar von der Reihenfolge der Fragen ab. Damit sind sie nicht objektiv im messtheoretischen Sinn, sondern promptsensitiv. Sie sind auch nur eingeschränkt reliabel, denn derselbe Prompt erzeugt zwar ähnliche, aber nie identische Antworten. Die Modelle sind daher nicht reliabel im strengen Sinne, sondern nur „stilistisch stabil“. Und zu guter Letzt sind sie auch nicht valide, denn Sprachmodelle messen überhaupt nichts. Stattdessen erzeugen sie Texte, die wie Messungen aussehen. Auf die Frage „Wie zufrieden sind deutsche Kunden mit Marke X?“ können sie plausible Zahlen und überzeugende Begründungen liefern – diese haben jedoch keinen empirischen Bezug zur Wirklichkeit.

Gerade diese Defizite machen deutlich, dass Sprachmodelle nicht als Messinstrumente missverstanden werden dürfen. Und dennoch eignen sie sich erstaunlich gut als Proxy für Reputation, sofern man sie richtig einsetzt. Denn in der digitalen Öffentlichkeit entsteht Reputation nicht primär durch individuelle Erfahrungen, sondern durch Sprache, Wiederholung und mediale Sichtbarkeit. Was ein Unternehmen „ist“, ergibt sich aus dem, was fortlaufend über es gesagt, geschrieben und zitiert wird. Wenn ein Unternehmen als „innovativ, aber chaotisch“ oder „teuer, aber hochwertig“ gilt, dann prägt das Entscheidungen, selbst bei Personen, die noch nie Kunde waren. Reputation ist keine objektiv messbare Eigenschaft, sondern eine Zuschreibung von außen. Sie ist kein Besitz, sondern das Ergebnis kollektiver Wahrnehmung.

Von erlebter zu diskursiver Reputation

Vor diesem Hintergrund sind LLMs keine Instrumente zur Messung von erlebter Reputation, sondern von diskursiver Reputation. Es geht nicht darum, was reale Kunden nach konkreten Interaktionen denken, sondern welches Bild sich im öffentlichen Sprachraum stabilisiert hat.

Genau auf dieser Ebene liegt die besondere Stärke von Sprachmodellen. Sie sind auf enorme Textmengen trainiert und besonders gut darin, dominante Narrative zu erkennen und zu verdichten. Sie verarbeiten Meinungsäußerungen aus Medien, sozialen Netzwerken, Foren oder Review-Plattformen und fassen den öffentlichen Diskurs zusammen. Anders gesagt: Sprachmodelle haben zwar keinen direkten Zugang zur Wirklichkeit, besitzen aber ein sehr leistungsfähiges Modell darüber, wie Menschen über die Welt – oder in unserem Fall über ein Unternehmen oder eine Marke – sprechen und denken.

Wenn Reputation als Ergebnis diskursiver Verdichtung verstanden wird, lässt sie sich heuristisch entlang drei zentraler Dimensionen strukturieren: Bekanntheit, Einstellung und Zuschreibung. Alle drei Dimensionen lassen sich mithilfe von Sprachmodellen systematisch beobachten und auswerten – wenn auch auf unterschiedliche Weise.

Bekanntheit: Wird das Unternehmen überhaupt mitgedacht?

Beginnen wir mit der Bekanntheit. Sie beschreibt, ob und in welchem Umfang ein Unternehmen überhaupt im kognitiven Raum des Marktes existiert. In einem KI-vermittelten Informationsumfeld bedeutet das vor allem eines: Taucht das Unternehmen in den Antworten der Sprachmodelle auf, wenn reale Entscheidungs- und Orientierungsfragen gestellt werden?

In der Praxis kombiniere ich da für zwei Ansätze. Einerseits nutze ich spezialisierte Tools, die die Sichtbarkeit von Unternehmen in verschiedenen Sprachmodellen systematisch erfassen. Andererseits arbeite ich mit standardisierten Prompts, die typische Nutzerfragen abbilden – etwa: „Welche Anbieter sind führend im Bereich …?“ oder „Welche Unternehmen gelten als vertrauenswürdig, wenn es um … geht?“. Diese Prompts werden bewusst neutral formuliert und über mehrere Modelle hinweg identisch gestellt.

Entscheidend ist nicht die einzelne Nennung, sondern das aggregierte Muster. Aus den Antworten entsteht ein Bild der Marktsichtbarkeit: Wie häufig wird ein Unternehmen genannt? In welchen Kontexten erscheint es? Und welche Position nimmt es im Vergleich zu Wettbewerbern ein? So wird sichtbar, ob eine Marke zur engeren Auswahl gehört oder im Entscheidungsprozess kaum eine Rolle spielt. Bekanntheit zeigt sich hier nicht als Reichweitenkennzahl, sondern als diskursive Präsenz in relevanten Entscheidungssituationen.

Einstellung: Wie wird das Unternehmen emotional bewertet?

Die zweite Ebene betrifft die emotionale und wertende Färbung dieser Präsenz. Hier geht es darum, ob die Wahrnehmung eines Unternehmens überwiegend positiv, negativ oder ambivalent ist. Diese Dimension lässt sich nicht direkt aus den Antworten von Sprachmodellen ableiten, da LLMs selbst keine eigenständigen Bewertungen vornehmen, sondern Diskurse verdichten.

Stattdessen ist ein Zwischenschritt notwendig, der die aggregierte Marktstimme der Sprachmodelle mit realen Nutzungserfahrungen verbindet. In der Praxis bedeutet das: Kommunikationsverantwortliche müssen aktuelle Kundenbewertungen systematisch aufbereiten und diese als Datengrundlage für die Analyse nutzen.

Dazu werden Rezensionen aus relevanten Quellen – etwa Trustpilot, App-Stores oder branchenspezifischen Plattformen – für einen klar definierten Zeitraum exportiert, zum Beispiel für die letzten zwei bis drei Monate. Die Daten werden konsolidiert, bereinigt und strukturiert, so dass alle analysierten Unternehmen auf derselben Grundlage verglichen werden können.

Im nächsten Schritt analysieren mehrere Sprachmodelle denselben Bewertungsdatensatz. Wichtig ist dabei, dass die Modelle ausschließlich mit den vorliegenden Kommentaren arbeiten und kein externes Wissen einbeziehen. Auf dieser Basis erkennen sie die allgemeine Stimmung, identifizieren wiederkehrende positive und negative Themen und machen zeitliche Veränderungen sichtbar.

Abschließend werden die Ergebnisse verdichtet: Die Modelle fassen die Stimmungslage zusammen, extrahieren typische Erfahrungsmuster und machen deutlich, wo Zufriedenheit dominiert und wo sich Frustration oder strukturelle Probleme häufen. Da alle Anbieter mit identischer Datengrundlage und identischen Analyseprompts ausgewertet werden, entsteht ein aktuelles, konsistentes Vergleichsbild der emotionalen Bewertung im Markt.

Zuschreibungen und Assoziationen: Wofür steht das Unternehmen?

Die dritte Dimension betrifft die inhaltliche Bedeutung einer Marke. Hier geht es nicht um Stimmung, sondern um die Frage, wofür ein Unternehmen im Markt steht, also welche Eigenschaften, Themen und Bedeutungen ihm zugeschrieben werden. Diese Ebene lässt sich mithilfe von Sprachmodellen erfassen, indem wiederkehrende Begriffe, zugeschriebene Eigenschaften und thematische Assoziationen systematisch identifiziert, gebündelt und verdichtet werden.

Dafür definieren Kommunikationsverantwortliche einheitliche Prompts, die gezielt auf zentrale Reputationsfragen abzielen, etwa: „Gilt das Unternehmen als seriös?“, „Mit welchen Themen wird es am häufigsten in Verbindung gebracht?“ oder „Ist die Positionierung klar, widersprüchlich oder schwer greifbar?“. Diese Prompts werden systematisch von mehreren Sprachmodellen beantwortet.

Im Anschluss werden die Antworten miteinander verglichen. Beschreiben die Modelle das Unternehmen konsistent, deutet dies auf eine kohärente Reputation hin. Weichen die Einschätzungen deutlich voneinander ab oder widersprechen sie sich, zeigt sich eine fragmentierte Marktidentität. Parallel werden die genannten Themen und Attribute gesammelt, strukturiert und als positiv, negativ oder ambivalent eingeordnet.

So entstehen dominante Reputationscluster, die sichtbar machen, ob eine Marke vor allem mit Vertrauen, Innovation, Regulierung, Risiko oder Kontroversen verbunden wird. Zum Abschluss wird die Klarheit der Positionierung bewertet: Stimmen die Beschreibungen der Modelle weitgehend überein, gilt das Profil als stabil. Laufen sie auseinander, entsteht ein unscharfes oder widersprüchliches Bild, das gezielt kommunikativ bearbeitet werden muss.

TAKE AWAY

LLM-Reputationsmonitoring: Wo steht Ihr Unternehmen?

Sprachmodelle verdichten öffentliche Diskurse – und prägen so aktiv, wie Unternehmen wahrgenommen werden. Die drei Dimensionen diskursiver Reputation helfen Kommunikationsverantwortlichen zu prüfen, ob sie ihren KI-Fußabdruck systematisch im Blick haben.

Bekanntheit

Taucht unser Unternehmen bei typischen Nutzerfragen in KI-Antworten auf?
In welchen Kontexten werden wir genannt – und wo fehlen wir?
Wie ist unsere Präsenz im Vergleich zu relevanten Wettbewerbern?
Nutzen wir standardisierte Prompts, um das regelmäßig zu beobachten?

Einstellung

Welche Stimmungslage dominiert in aktuellen Kundenbewertungen?
Gibt es wiederkehrende negative Muster, die Sprachmodelle verstärken?
Haben wir einen strukturierten Prozess, um Tonalität kontinuierlich zu erfassen?

Zuschreibungen

Wofür stehen wir in KI-Antworten – und stimmt das mit unserer Positionierung überein?
Beschreiben verschiedene Modelle uns konsistent oder widersprüchlich?
Gibt es Reputationscluster, die wir nicht aktiv gesetzt haben, aber die uns prägen?

Lydia Prexl ist Strategin für Kommunikation mit über fünfzehn Jahren Erfahrung. Seit 2021 verantwortet die promovierte Anglistin die interne und externe Kommunikation beim europäischen Zahlungsdienstleister Unzer. Zuvor baute sie die Kommunikationsfunktion des Fintech-Versicherers Getsafe auf. Außerdem ist sie Autorin und Herausgeberin mehrerer Bücher und Leitfäden zu Kommunikation und Schreiben, darunter „Wie kommunizieren Start-ups?“

Zur gesamten Ausgabe