Category-Conditioned Web Exposure Tracks Brand Presence in ChatGPT Fanout Queries

Wenn man eine moderne, mit dem Internet verbundene künstliche Intelligenz nach den besten Kameras oder den besten Projektmanagement-Tools fragt, scannt die Maschine nicht einfach das Web und wählt die ersten paar Ergebnisse aus, die sie findet. Bevor sie auch nur eine einzige Webseite ansieht, schreibt die KI ihre eigene Suchanfrage. Dieser erste Entwurf, der in einem Bruchteil einer Sekunde erstellt wird, enthält oft spezifische Markennamen wie Canon oder Sony. Dies geschieht, bevor ein Mensch oder ein Computer die eigentlichen Suchergebnisse gesehen hat. Die Maschine entscheidet also im Voraus, über welche Unternehmen sie bereit ist zu sprechen. Diese frühe Entscheidung ist entscheidend, da die Suchmaschine dann nach Seiten über genau diese Marken sucht, was die Wahrscheinlichkeit erhöht, dass sie in der endgültigen Antwort erscheinen. Wenn eine Marke in diesem ersten Entwurf fehlt, ist sie fast unsichtbar, selbst wenn die Maschine weiß, dass die Marke existiert.

Dies wirft eine rätselhafte Frage für jeden auf, der versucht zu verstehen, wie diese Systeme funktionieren: Wenn die KI eine Marke kennt, warum lässt sie sie dann manchmal in diesem ersten Entwurf weg? Vergisst die Maschine die Marke oder trifft sie eine bewusste Entscheidung? Eine neue Studie des unabhängigen Forschers Antony Deroshan untersucht genau diesen Moment der Entscheidung. Die Forschung konzentriert sich auf eine spezifische Art von künstlicher Intelligenz, die das Web durchsuchen kann, und untersucht, wie sie entscheidet, welche Firmennamen sie in ihre initiale Suchanfrage aufnimmt. Die Studie fragt, ob die Maschine bestimmte Marken schlichtweg nicht kennt oder ob sie diese basierend auf einer verborgenen Regel aktiv herausfiltert. Die Ergebnisse legen nahe, dass die Maschine die Marken sehr wohl kennt, sie aber zurücklassen muss, weil sie eine strikte Grenze hat, wie viele Namen sie gleichzeitig auflisten kann.

Um die Mechanik dahinter zu verstehen, musste der Forscher zuerst das Wissen der Maschine von ihrem Handeln trennen. Er fragte die KI, während der Internetzugriff ausgeschaltet war, nach den führenden Marken in Kategorien wie E-Mail-Marketing, Kundenservice-Software und Kameras. Die Maschine konnte viele Marken nennen, einschließlich einiger, die sie bei einer echten Websuche selten erwähnt. Wenn er sie beispielsweise fragte, welche Marken ihm bei E-Mail-Marketing in den Sinn kämen, nannte die Maschine „Campaign Monitor“ in 49 von 50 Versuchen. Als dieselbe Maschine jedoch gebeten wurde, eine Live-Suche nach den besten E-Mail-Marketing-Tools durchzuführen, nahm sie „Campaign Monitor“ nur in einem von 50 Fällen in die initiale Suchanfrage auf. Die Maschine kannte die Marke also eindeutig, ließ sie aber konsequent in der Suchanfrage weg. Diese Lücke zwischen Wissen und Handeln bewies, dass das Auslassen kein Gedächtnisfehler war.

Der Forscher baute daraufhin eine Simulation auf, um herauszufinden, warum dies geschah. Er erstellte eine Version der KI, die Suchanfragen schreiben konnte, aber nicht erlaubt war, echte Webseiten aufzurufen. Er testete diesen Simulator, indem er ihn bat, Marken unter verschiedenen Einschränkungen aufzulisten. Wenn er dem Simulator sagte, er solle eine sehr kurze Suchanfrage schreiben, ließ der Simulator dieselben Marken weg, die auch die echte Maschine wegließ. Aber wenn er dem Simulator befahl, so viele Marken wie möglich aufzulisten, nahm er alle auf, einschließlich derer, die normalerweise weggelassen wurden. Dies enthüllte, dass die Maschine Marken nicht ausschließt, weil sie sie nicht mag oder nicht kennt; sie schließt sie aus, weil sie ein enges Budget dafür hat, wie viele Namen sie in einen einzigen Satz passen kann. Die Maschine ist im Grunde wie ein Bibliothekar mit einer sehr kurzen Liste, die er aufschreiben muss. Wenn die Liste nur Platz für drei Namen bietet, wählt sie die obersten drei, und die viertbeste Marke, egal wie berühmt sie ist, bleibt auf der Liste komplett unberücksichtigt.

Die Studie untersuchte auch, was bestimmt, welche Marken es auf diese kurze Liste schaffen. Der Forscher fand eine starke Verbindung zwischen der Häufigkeit, mit der eine Marke im Internet in Bezug auf ihre spezifische Kategorie erscheint, und wie hoch sie auf der internen Liste der Maschine rangiert. Wenn zum Beispiel eine Kameramarke häufig auf Webseiten erwähnt wird, die auch über Kameras sprechen, ist sie wahrscheinlicher in der Suchanfrage enthalten. Dies funktioniert jedoch nur, wenn die Zählung spezifisch für die Kategorie ist. Ein Unternehmen, das viele verschiedene Produkte herstellt, wie etwa ein riesiger Tech-Konzern, der Kameras, Telefone und Computer verkauft, taucht vielleicht auf Millionen von Webseiten auf. Wenn man jede einzelne Erwähnung zählt, könnte dieses Unternehmen als die populärste Kameramarke erscheinen. Wenn man jedoch nur die Webseiten zählt, die spezifisch Kameras erwähnen, könnte eine andere Marke tatsächlich prominenter sein. Die Studie zeigte, dass die Maschine auf diese kategoriebezogene Popularität achtet. Sie rankt Marken danach, wie sichtbar sie innerhalb ihres spezifischen Feldes sind, und nicht nur danach, wie berühmt das Unternehmen im Allgemeinen ist.

Um zu testen, ob dieses Muster auch für neue Kategorien gilt, wandte der Forscher dieselbe Methode auf die Software für elektronische Signaturen an, eine Gruppe von Marken, die er zuvor nicht untersucht hatte. Er maß, wie oft jede Marke auf Webseiten erschien, die sich mit dem Signieren von Dokumenten befassten, und verglich dies damit, wie oft die Maschine sie in ihren simulierten Suchlisten einschloss. Die Ergebnisse stimmten fast perfekt überein. Die Marken, die am häufigsten auf relevanten Webseiten erschienen, waren jene, die die Maschine in ihre kurze Liste aufnahm. Dies deutet darauf hin, dass das interne Ranking der Maschine tief mit der Art und Weise verknüpft ist, wie die Marken im Web repräsentiert werden, insbesondere im Kontext der gestellten Frage. Die Maschine erfindet diese Vorlieben nicht; sie spiegelt die Struktur der Informationen wider, die sie aus dem Internet gelernt hat.

Die Forschung schloss auch mehrere andere Erklärungen aus. Es wurde getestet, ob die Maschine bestimmte Marken gegenüber anderen bevorzugte, wenn sie Texte las, unabhängig von der Suchanfrage. In einem Test wurde der Maschine eine identische Beschreibung eines fiktiven Unternehmens gezeigt, wobei nur der Markenname geändert wurde. Sie wählte konsequent eine Marke gegenüber den anderen aus, was eine leichte Präferenz zeigte. Diese Präferenz entsprach jedoch nicht den Marken, die sie für ihre Suchanfragen wählte. Die Maschine mag eine Marke beim Lesen einer Beschreibung mögen, aber sie wählt andere Marken, wenn sie entscheidet, wonach sie suchen soll. Dies beweist, dass die Entscheidung, eine Marke in eine Suchanfrage aufzunehmen, ein separater Prozess ist als das bloße Mögen eines Markennamens. Die Studie prüfte auch, ob das Entfernen von minderwertigen oder duplizierten Webseiten aus den Daten die Ergebnisse verändert hätte. Dies tat es nicht. Die Verbindung zwischen der Sichtbarkeit im Web und den Entscheidungen der Maschine blieb auch nach der Bereinigung der Daten stark.

Am Ende zeichnet die Studie ein klares Bild davon, wie diese suchbasierten Maschinen operieren. Sie sind keine zufälligen Textgeneratoren und auch keine einfachen Suchmaschinen, die alles auflisten, was sie finden. Es sind Systeme, die eine Reihe von eingeschränkten Entscheidungen treffen. Sie wissen eine enorme Menge an Informationen, aber wenn sie eine Frage an das Internet stellen müssen, müssen sie dieses Wissen in eine sehr kurze Liste komprimieren. Die Marken, die es schaffen, sind solche, die nicht nur bekannt, sondern auch in dem spezifischen Kontext der Frage hochgradig sichtbar sind. Damit eine Marke von diesen Systemen wahrgenommen wird, reicht es nicht aus, einfach nur zu existieren; sie muss in den richtigen Gesprächen prominent vertreten sein. Der erste Entwurf der Maschine ist ein Torwächter, und der Schlüssel, um dieses Tor zu passieren, ist nicht nur Berühmtheit, sondern die höchste Relevanz für das jeweilige Thema. Diese Erkenntnis verändert die Art und Weise, wie wir Sichtbarkeit im Zeitalter der künstlichen Intelligenz denken sollten: Weg von der reinen Präsenz im Internet, hin zu einer klaren und spezifischen Assoziation mit den Fragen, die Menschen stellen.