Warum empfiehlt dich ChatGPT nicht? 6 mögliche Erklärungen – und wie du herausfindest, welche zutrifft

Ein Test, vier Antworten

Fangen wir mit einer echten Beobachtung aus einer unserer Analysen an. Wir stellten vier KI-Systemen exakt dieselbe Frage nach einer empfehlenswerten zweisprachigen Kita in Zürich. Gemini empfahl die betreffende Einrichtung direkt. Claude nannte sie als eine mögliche Option, ohne sie hervorzuheben. ChatGPT und Perplexity erwähnten sie überhaupt nicht.

Ein Prompt, vier Systeme, drei verschiedene Sichtbarkeitszustände. Wer nur ChatGPT gefragt hätte, wäre zum Schluss gekommen: „Wir sind unsichtbar." Wer nur Gemini gefragt hätte: „Bei uns läuft alles bestens." Beide hätten sich auf eine einzige Messung verlassen – und beide hätten danebengelegen.

Warum die Systeme so unterschiedlich reagierten, lässt sich aus diesem einen Fall nicht ableiten, und zu einer Rangliste der Anbieter taugt er schon gar nicht. Aber er zeigt zwei Dinge, die für alles Weitere die Grundlage bilden: Ein einzelner Test ist ein Ergebnis, keine belastbare Messung. Und erwähnt zu werden ist etwas anderes, als empfohlen zu werden.

Beobachtung, Befund, Ursache

Bevor wir die einzelnen Erklärungen durchgehen, lohnt sich eine Unterscheidung, die den ganzen Rest ordnet – denn das Vermischen dieser drei Ebenen ist der häufigste Grund für Fehlentscheidungen.

Was du zuerst hast, ist eine Beobachtung: Dein Unternehmen erscheint nicht. Das ist der Ausgangspunkt und sonst nichts. Für sich genommen sagt er noch nicht, woran es liegt.

Was du durch gezielte Tests erzeugst, sind Befunde. Ob dich ein System nennt, aber nicht empfiehlt, ist ein Befund. Ob es dich der falschen Branche zuordnet, ist ein Befund. Ob es dich bei einer direkten Frage nach deinem Unternehmen überhaupt korrekt beschreiben kann, ist ein Befund. Jeder davon schließt bestimmte Erklärungen aus und macht andere wahrscheinlicher.

Dahinter liegt die eigentliche Ursache – die du meist nicht direkt sehen, sondern nur eingrenzen kannst. KI-Systeme legen ihre Entscheidungslogik nicht offen. Das ist keine Schwäche dieser Methode, sondern ihre ehrliche Grenze: Du arbeitest dich von der Beobachtung über Befunde zu einer plausiblen Erklärung vor, nicht zu einem Beweis.

Die folgenden sechs Punkte sind deshalb kein Katalog zum Durchhaken, sondern ein Prüfpfad. Jeder Schritt hilft dir, etwas auszuschließen, bevor der nächste sinnvoll wird. Wer die Reihenfolge überspringt, arbeitet schnell an einem Problem, das er gar nicht hat.

Erklärung 1: Das Problem ist vielleicht gar nicht stabil

Der erste Schritt klingt unspektakulär, kann dir aber alle weiteren ersparen: Prüfe, ob das Problem überhaupt wiederkehrt.

Antworten von KI-Systemen sind nicht deterministisch. Dieselbe Frage kann bei zwei Durchläufen unterschiedlich ausfallen, und zwischen den Systemen ohnehin – die Kita oben ist genau dafür ein Beispiel. Ein einzelnes „nicht empfohlen" kann also eine Momentaufnahme sein und kein Zustand.

Was du selbst tun kannst: dieselbe realistische Kundenfrage mehrfach stellen, über ein paar Tage verteilt und in mehreren Systemen. Nicht zwanzigmal hintereinander in derselben Sitzung – das misst nur, wie konsistent ein System innerhalb eines Gesprächs bleibt. Interessant ist die Streuung über verschiedene Tage und Anbieter. Eine feste, für alle gültige Anzahl an Wiederholungen gibt es nicht; entscheidend ist, dass du überhaupt eine Streuung ermittelst, statt aus einem einzelnen Treffer eine Diagnose zu machen.

Tauchst du mal auf und mal nicht, ist das kein Grund, sofort die Website umzubauen – dann heißt der nächste Schritt beobachten, nicht handeln. Bleibt die Abwesenheit dagegen über mehrere Läufe und Systeme bestehen, hast du ein echtes, stabiles Problem und kannst weitergehen.

Erklärung 2: Das System weiß zu wenig über dich

Ist die Abwesenheit stabil, lautet die grundlegendste Frage: Weiß das System überhaupt, dass es dich gibt?

Das lässt sich direkt prüfen. Frag es nicht nach Empfehlungen, sondern nach dir selbst – sinngemäß: „Was weißt du über [Unternehmen]? Was macht es, für wen, in welchem Markt?" Kommt dabei kaum etwas Zutreffendes heraus, weiß ChatGPT schlicht zu wenig Verlässliches über dich. Dann ist „nicht empfohlen" nur das Symptom eines grundlegenderen Zustands: Es gibt zu wenig gesichertes Wissen über dein Unternehmen, aus dem heraus überhaupt eine Empfehlung entstehen könnte.

Hier ist Zurückhaltung wichtig. Es liegt nahe, sofort eine Ursache zu benennen – zu wenige Erwähnungen im Web, fehlende Einträge in einschlägigen Verzeichnissen, dünne Präsenz über die Jahre. Das sind plausible Gründe, und einer davon trifft womöglich zu. Aber aus „das System weiß zu wenig über mich" folgt nicht automatisch „ich brauche mehr Backlinks". Die Beobachtung sagt dir, dass verlässliches Wissen fehlt, nicht warum.

Konkret nachsehen kannst du an ein paar Stellen, an denen dieses Wissen normalerweise herkommt:

• Sagt deine eigene Website eindeutig, wer du bist, was du anbietest und für wen?
• Stimmen wichtige externe Profile deines Unternehmens damit überein?
• Gibt es widersprüchliche oder veraltete Beschreibungen, die im Umlauf sind?
• Existieren überhaupt seriöse Drittquellen, die dich korrekt einordnen?

Diese Checks beweisen nicht, was ein System intern tut. Sie zeigen dir, ob das Bild, das über dich verfügbar ist, klar und stimmig genug ist, um überhaupt zu einer Empfehlung zu führen.

Erklärung 3: Das System weiß etwas über dich – aber das Falsche

Es gibt einen Zustand, der leicht mit Unsichtbarkeit verwechselt wird, aber ein anderes Problem ist – und geschäftlich oft das unangenehmere. Der Test dafür ist derselbe wie eben. Nur die Auswertung ist eine andere.

In einer anderen Analyse fragten wir mehrere Systeme, was ein bestimmter Executive Coach in der Deutschschweiz eigentlich anbietet. Ein System ordnete das Unternehmen der IT- und Softwareentwicklung zu, ein anderes der Immobilienverwaltung. Bei weiteren Fragen kamen noch andere Branchen heraus. Das Unternehmen war also nicht unbekannt – die Systeme hatten sehr wohl eine Vorstellung davon. Nur war es die falsche.

Das ist der springende Unterschied zu Erklärung 2. Dort weiß das System zu wenig; hier weiß es genug, aber das Falsche. Für die Praxis heißt das: Selbst bei den richtigen Fragen würde ein solches System dich den falschen Leuten in den falschen Situationen vorschlagen. Einen Coaching-Anbieter, den ein System für eine IT-Firma hält, wird es bei Coaching-Fragen übergehen und bei IT-Fragen vielleicht sogar fälschlich anbieten.

Du wertest die direkte Frage nach deinem Unternehmen also nicht danach aus, ob eine Antwort kommt, sondern ob sie stimmt – bei Branche, Angebot, Zielgruppe, typischen Anwendungsfällen und geografischem Markt. Weicht davon etwas ab, findest du die Ursache oft in widersprüchlichen Signalen über dich selbst. Es lohnt der Blick auf Seitentitel, die Über-uns-Seite, die Leistungsseiten, zentrale Unternehmensprofile und – falls vorhanden – strukturierte Daten: Beschreiben sie alle dieselbe Kategorie, dieselbe Leistung, dieselbe Zielgruppe, denselben Markt? Das heißt nicht, dass ein korrigiertes Schema dich automatisch empfehlbar macht. Aber uneinheitliche oder veraltete Signale können dazu beitragen, dass ein System dich falsch einsortiert.

Erklärung 4: Du passt nicht zu genau dieser Frage

Bevor wir tiefer graben, ein Einwand gegen die eigene Ausgangsannahme: Vielleicht ist die Abwesenheit gar kein Defekt, sondern richtig.

Wer stark spezialisiert ist, muss nicht bei jeder breiten Marktfrage auftauchen. Ein Anbieter, der ausschließlich anspruchsvolle Spezialfälle bedient, gehört bei einer generischen „Wer macht X?"-Frage womöglich zu Recht nicht nach vorn – und erscheint dafür bei der passenden, engeren Frage sehr wohl.

Deshalb solltest du dich gegen mehrere echte Kundenfragen testen, nicht gegen eine einzige. Nimm bewusst verschiedene Typen:

• eine breite Kategoriefrage („Wer bietet X in meiner Region an?")
• eine problemorientierte Frage („Ich habe folgendes Problem – wer hilft?")
• eine spezialisierte Use-Case-Frage („Wer kann konkret diesen Spezialfall?")
• eine zielgruppenbezogene Frage („Wer eignet sich für Kunden wie mich?")

Erscheinst du bei den passenden spezifischen Fragen, fehlst aber bei der ganz breiten, ist das häufig kein Sichtbarkeitsproblem, sondern schlicht ein Frage-Fit. Der falsche Reflex wäre jetzt, dich auf breite Fragen zu trimmen, für die du geschäftlich gar nicht die beste Antwort bist – das bringt Sichtbarkeit ohne Relevanz und am Ende eher Enttäuschung als Kundschaft. Fehlst du dagegen auch bei den Fragen, für die du eindeutig relevant bist, kannst du diese Erklärung streichen und weitergehen.

Erklärung 5: Du wirst gekannt und verstanden – und trotzdem nicht empfohlen

Jetzt der kniffligste Zustand. Angenommen, du hast das Bisherige geprüft: Das Problem ist stabil, das System kennt dich, beschreibt dich korrekt, und du passt nach vernünftiger fachlicher Einschätzung zur Frage. Vielleicht wirst du sogar am Rande erwähnt. Empfohlen werden aber andere.

Hier ist Vorsicht angebracht, denn an genau dieser Stelle wird in der Branche am schnellsten aus einer Beobachtung ein vermeintliches Gesetz. Was wir seriös tun können, ist nicht, die interne Logik des Systems zu erraten, sondern zu untersuchen, was bei genau dieser Anfrage sichtbar wird. Wenn ein System aktiv recherchiert, lässt sich anschauen: Welche Quellen zieht es bei dieser konkreten Frage sichtbar heran? Welche Anbieter kommen darin vor? Wie stark sind deine Wettbewerber dort vertreten? Tauchst du selbst überhaupt auf – und in welchem Zusammenhang?

Sind deine Wettbewerber in den bei dieser Recherche sichtbaren Quellen deutlich präsenter als du, ist das ein plausibler Ansatzpunkt. Mehr aber auch nicht. Es beweist nicht, dass gerade diese Quellen oder Erwähnungen die Empfehlung verursacht haben. Aussagen wie „mehr Erwähnungen führen zu mehr Empfehlungen" oder „KI-Systeme bevorzugen Unternehmen mit mehr Verweisen" klingen einleuchtend, sind aber nicht belegt genug, um darauf eine Strategie zu bauen. Was du beobachtest, ist ein Zusammenhang, keine Ursache.

Der sinnvolle nächste Schritt ist deshalb, diese Quellenlage zu deiner konkreten Frage anzusehen, statt reflexhaft „mehr Content" oder „mehr Links" zu produzieren. Ob und wo sich das lohnt, entscheidet sich erst, wenn du weißt, wer in den relevanten Quellen wie vertreten ist.

Erklärung 6: Deine Inhalte sind technisch schwer erreichbar

Die letzte Erklärung liegt quer zu den anderen und betrifft vor allem Systeme, die aktiv im Web recherchieren: Vielleicht wäre das nötige Wissen über dich vorhanden – das System kommt technisch nur nicht heran.

Hier wird eine Unterscheidung oft falsch gemacht, die auch in unserer eigenen Arbeit ein wiederkehrender Stolperstein war. Es liegt nahe, aus der robots.txt einer Website abzulesen, ob KI-Systeme sie „dürfen". Aber diese Datei dokumentiert nur, was ein Betreiber einem Crawler erlaubt oder verbietet. Sie beweist nicht, dass ein Crawler die Seite tatsächlich besucht, ihre Inhalte verarbeitet oder für eine bestimmte Antwort verwendet hat. Eine Freigabe ist ein Erlaubnis-Signal, kein Nachweis von Verhalten.

Dazu kommt eine Feinheit, die viel Verwirrung stiftet: Ein Anbieter kann mehrere getrennte Zugänge mit unterschiedlichen Aufgaben haben, die unabhängig voneinander gesteuert werden. OpenAI etwa unterscheidet laut eigener Dokumentation zwischen mehreren User-Agents – darunter GPTBot, OAI-SearchBot und ChatGPT-User. Für die Sichtbarkeit in der ChatGPT-Suche ist dabei OAI-SearchBot maßgeblich: Wer diesen blockiert, kann den Suchzugriff von ChatGPT beeinträchtigen, während eine Sperre von GPTBot einen anderen Zweck betrifft. Beides sind verschiedene Entscheidungen – und wer sie in einen Topf wirft, sperrt möglicherweise etwas anderes, als er beabsichtigt.

Und selbst eine offene robots.txt garantiert keinen Zugang: Wenn eine Firewall oder ein Rate-Limit die Anfragen eines Such-Crawlers abweist, bleibt die Seite unsichtbar, obwohl die Crawler-Regeln alles erlauben. Prüfen kannst du deshalb mehreres: ob die für die AI-Suche relevanten Zugänge erlaubt und nicht zusätzlich durch eine WAF oder Rate-Limits blockiert sind; ob deine wesentlichen Inhalte serverseitig überhaupt erreichbar sind (also per HTTP ausgeliefert werden) und nicht erst nach aufwändiger Interaktion im Browser erscheinen. Ein deutliches Signal für diese Erklärung ist ein bestimmtes Muster: Du fehlst besonders dort, wo aktiv recherchiert wird, während ein System, das aus vorhandenem Wissen antwortet, dich durchaus kennt. Was eine solche Prüfung liefert, sind Bedingungen – nicht der Beweis, was ein System tatsächlich getan hat.

Ein kurzer Diagnosepfad zum Mitnehmen

Wenn du nur eine Sache mitnimmst, dann diese Reihenfolge. Sie führt vom Grundlegenden zum Feineren, und an ihrem Ende bleiben meist nur noch ein, zwei plausible Erklärungen übrig.

Die Tabelle ersetzt die Abschnitte nicht – die Nuancen stecken im Text. Aber sie zeigt dir, wo du anfängst.

Was diese Diagnose kann – und was nicht

Dieses Vorgehen macht aus einer diffusen Beobachtung eine überschaubare Zahl plausibler Erklärungen. Das ist viel wert. Aber es hat Grenzen, die du kennen solltest, damit du dir selbst nichts vormachst.

Du kannst beobachten, ob du genannt, empfohlen, falsch eingeordnet oder gar nicht erwähnt wirst. Du kannst daraus plausibel schließen, welche Erklärungen wahrscheinlicher und welche unwahrscheinlicher sind. Was du in aller Regel nicht kannst, ist beweisen, warum ein System so entscheidet, wie es entscheidet – oder dass eine bestimmte Maßnahme eine bestimmte Verbesserung ausgelöst hat. Selbst wenn deine Sichtbarkeit nach einer Änderung steigt, ist die zeitliche Abfolge allein noch kein Beweis für Ursache und Wirkung.

Genau deshalb steht die Diagnose vor der Maßnahme. Zwei Unternehmen können bei derselben Frage fehlen und trotzdem völlig verschiedene Probleme haben: Das eine ist zu wenig bekannt, das andere wird falsch verstanden, ein drittes ist schlicht nicht der passende Kandidat für diese Frage. Dieselbe Maßnahme würde beim einen wirken und beim anderen ins Leere laufen. Bei MentionBee trennen wir deshalb konsequent, ob ein Unternehmen erwähnt oder empfohlen wird, ob es korrekt verstanden wird und unter welchen Bedingungen gemessen wurde – weil erst diese Unterscheidungen zeigen, welche Arbeit sich überhaupt lohnt.

Wenn ChatGPT dich also das nächste Mal nicht empfiehlt, ist die erste Frage nicht „Wie werde ich sichtbar?", sondern „Welches dieser sechs Dinge passiert bei mir gerade?". Die Antwort darauf ist meist mehr wert als jede schnelle Optimierung.