Von künstlichen Intelligenzen genannt zu werden, reicht nicht aus, um seinen Platz in der Auswahl der Käufer zu behalten. Laut einem GEO-Berater (Optimierung für generative Suchmaschinen) sah ein Unternehmen, dessen Präsenz in den KI-Antworten sehr stark war, dennoch seine Lead-Pipeline schrumpfen. Die Studie, die er vorstellt, befasst sich mit diesem scheinbaren Widerspruch.
Der Berater konstruierte 38 detaillierte, kriterienbasierte Anfragen, die mehrere Produktkategorien und Käufersegmente abdeckten. Diese Anfragen wurden auf fünf KI-Schnittstellen ausgewertet, was 190 Antworten ergab. Sie griffen die Kriterien auf, die ein Käufer zur Eingrenzung einer Anbieterliste nutzt: Eignung für Arbeitsabläufe, Integrationen, regulatorische Anforderungen, Interoperabilität oder Analysen. Laut dem Autor erwiesen sich einige Anfragen nach Gesprächen mit Einkaufsverantwortlichen als noch länger.
Die Sichtbarkeitsergebnisse waren hoch. Das Unternehmen wurde in 98,4 % der ausgewerteten Antworten erwähnt und war in 93,2 % der Fälle als Hauptempfehlung oder in einer Vorauswahl gelistet. Doch als dieselben Antworten anhand der Entscheidungskriterien überprüft wurden, enthielten 73,7 % davon schwache oder fehlende Beweise für wichtige Behauptungen. In 15,8 % der Fälle wurde eine als « signifikant » oder « kritisch » eingestufte Lücke festgestellt.
Eine Sichtbarkeit, die nicht ausreicht, um zu entscheiden
Für den Autor besteht ein deutlicher Unterschied zwischen der Frage, welche Anbieter auf einem Markt tätig sind, und der Frage, welche eine bestimmte Kombination aus technischen, operativen, regulatorischen und kommerziellen Anforderungen erfüllen können. Ein Modell kann ein Unternehmen kennen und in eine Vorauswahl aufnehmen, ohne über die notwendigen Informationen zu verfügen, sobald der Käufer nach der Funktionsweise einer Integration oder den Grenzen eines Produkts fragt. Diese Fragen, so seine Ansicht, sind keine einfachen Schlüsselwörter, sondern erfordern Beweise.
Die Zahlen widersprechen sich also nicht: Sie messen zwei verschiedene Schritte im Entscheidungsprozess. Sichtbarkeit bringt das Unternehmen ins Gespräch, während die Entscheidungsfähigkeit bestimmt, ob die KI genug Informationen hat, um es dort zu halten.
Beweise statt Fähigkeiten
Laut der Studie bedeutet eine Schwäche bei den Beweisen nicht zwangsläufig, dass dem Unternehmen die betreffende Fähigkeit fehlt. In vielen Fällen schien sie zu existieren, aber die verfügbaren Informationen erklärten sie nicht ausreichend, um das Vertrauensniveau der KI zu erfüllen. Ein Versprechen eines End-to-End-Prozesses wird beispielsweise nicht gestützt, wenn der Prozess, die Verbindungen oder die Datenflüsse nicht beschrieben werden. Die Informationen können auch fragmentiert sein, was das Modell zwingt, mehrere Seiten zu verknüpfen, bevor es zu einem Schluss kommt.
Der Autor präzisiert, dass die interne Produktdokumentation der beste Beweis dafür sein kann, dass eine Funktion existiert. Behauptungen von Überlegenheit, Effizienz, Verbreitung oder messbaren Ergebnissen hingegen gewinnen, wenn sie durch Kunden, Analysten oder unabhängige Dritte bestätigt werden. Er fügt hinzu, dass die Verallgemeinerung ähnlicher Inhalte, die er « Content-Parität » nennt, ein Unternehmen in eine Kategorie bringen kann, ohne dass es einer eingehenden Bewertung standhält.
Er warnt schließlich vor der Versuchung, Inhalte zu produzieren, die « für Beweise gestaltet » sind: längere Seiten, oberflächliche Diagramme, wenig aussagekräftige Umfragen oder von KI generierte Fallstudien. Das Ziel sei es, echte Informationen bereitzustellen, die die Unsicherheit des Käufers verringern. Wenn eine Information einem informierten Kunden nicht bei einer besseren Entscheidung helfen würde, sollte sie nicht nur existieren, um eine GEO-Bewertung zu verbessern.
Den Käufer bis zum Ende messen
Der Berater ist der Ansicht, dass es nicht ausreicht, nur die erste Antwort einer KI zu messen. Anfragen vom Typ « häufig gestellte Fragen » sind nützlich, um eine Liste von Optionen zu erstellen, aber aktuelle Tools verfolgen nicht die Abfolge der Fragen, die ein Nutzer nacheinander stellt. Er nennt diese multivariate Kombination, die aus diesen aufeinanderfolgenden Austauschen resultiert, « Prompt-Mathematik ». Er ist der Meinung, dass die GEO-Messung sowohl die Sichtbarkeit als auch die Entscheidungsfähigkeit integrieren muss.
