Egal wie bekannt Ihre Marke ist, das System kann sie möglicherweise überhaupt nicht „sehen“

Wenn Verbraucher die KI fragen „Was soll ich kaufen?“, ändern sich die Wettbewerbsregeln für Marken. Studien zeigen, dass bekannte Marken wie Nike oder Disney bei KI-Empfehlungen oft von weniger bekannten Nischenmarken übertroffen werden – denn KI empfiehlt nicht die „berühmteste“, sondern die „am besten verständliche“ Marke. Ob die Eigenschaften Ihrer Marke klar definiert und die dazugehörigen Belege nachprüfbar sind, entscheidet darüber, ob sie in die KI-Empfehlungen aufgenommen wird.

Als wir gängige KI-Systeme – ChatGPT, Claude und Gemini – baten, Laufschuhe zu empfehlen, tauchte die relativ unbekannte Marke Brooks stets zuverlässig auf. Nike, die weltweit größte Sportmarke, wurde hingegen weit seltener genannt. Dieses Muster spiegelt einen grundlegenden Wandel wider: Wenn KI-Systeme zum Medium für die Produktfindung werden, verändert sich die Art, wie Marken konkurrieren.

Brooks baute seine Marke nicht um breite Lifestyle-Narrative auf, sondern konzentrierte sich auf technische Leistung und die spezifischen Bedürfnisse von Läufern. Unter der Leitung von CEO Jim Webb verengte das Unternehmen sein Geschäft, verließ angrenzende Kategorien und investierte in biomechanische Forschung und Produktdesign. Technologien wie GuideRails und die DNA LOFT-Dämpfung wurden entwickelt, um klar definierte Probleme zu lösen. Ebenso entscheidend war, dass Brooks ein Ökosystem aus Trainern, Klinikern und Fachhändlern aufbaute, die diese technischen Lösungen mit präzisen Begriffen erklären können. Mit anderen Worten: Brooks schuf eine Marke, die „für Algorithmen verständlich“ ist.

KI-Systeme bevorzugen Marken, die sich in konkrete Eigenschaften und nachprüfbare Fakten zerlegen lassen – also Marken, bei denen ihr Wert auf klare Weise erklärt werden kann, sobald der Nutzer danach fragt. In einer Studie mit 15 Einzelhandelskategorien – darunter Laptops, Tierfutter und Kreditkarten – testeten wir GPT-4o, Claude und Gemini mit denselben Prompts. Insgesamt wurden Marken über 1000 Mal erwähnt, wobei 716 verschiedene Marken einbezogen waren. Diese von der McDonough School of Business der Georgetown University und der Darden School of Business der University of Virginia durchgeführte Studie ergab ein einheitliches Muster: Marken konkurrieren nicht mehr hauptsächlich um Aufmerksamkeit.

KI-Tools werden schnell zur zentralen Anlaufstelle für die Produktfindung. Im Gegensatz zu Suchmaschinen und traditionellen Medien, die Marken basierend auf Sichtbarkeit oder Narrativen präsentieren, sollen KI-Systeme Verbrauchern bei der Entscheidungsfindung helfen. In der KI-Umgebung konkurrieren Marken darum, vom Modell in die Liste der Kandidaten aufgenommen zu werden – und die meisten Marken sind dafür nicht ausgelegt.

KI empfiehlt, was sie verstehen kann

Unsere Studie hat vier Muster aufgedeckt, die gemeinsam erklären, warum so viele Marken bei der KI-gesteuerten Produktfindung scheitern – und warum Verständlichkeit der Schlüssel zum Erfolg ist.

Erstens: Das, was Vermarkter als „KI-Sichtbarkeit“ bezeichnen, ist weit fragmentierter, als es auf den ersten Blick erscheint. Von den 716 Marken in unserer Studie tauchten nur 8,4 % auf allen drei Plattformen (ChatGPT, Claude und Gemini) konsistent auf. Die meisten Marken erschienen nur auf einer einzigen Plattform. Eine Marke, die in einem System prominent wirkt, kann in einem anderen völlig unsichtbar sein.

Marken mögen weiterhin Geld ausgeben, um ihre Sichtbarkeit zu steigern – aber das bestimmt nicht, ob KI-Systeme sie empfehlen. Entscheidend ist, ob das Modell Ihre Marke als zuverlässige Antwort auf ein bestimmtes Problem betrachten kann. Wenn die Eigenschaften und unterstützenden Belege einer Marke klar strukturiert sind, ist es wahrscheinlicher, dass verschiedene Systeme sie gleichzeitig berücksichtigen. Andernfalls wird die Marke unregelmäßig auftauchen oder sogar vollständig verschwinden.

Zweitens: 55 % der Marken, die auf mehreren Plattformen erscheinen, erhalten in verschiedenen Systemen unterschiedliche Etiketten. Eine Marke, die auf Plattform A als „hochwertiger Innovator“ gilt, kann auf Plattform B als „preiswerte Alternative“ eingestuft werden. Das liegt daran, dass KI-Systeme Markeninformationen nicht unverändert übernehmen, sondern Ihre Positionierung aus den verfügbaren Informationen Dritter ableiten. Das vom Modell erstellte Markenprofil basiert auf Eigenschaften und Belegen – nicht auf der Geschichte, die Sie erzählen möchten. Symbolische Positionierung ist fast nutzlos, es sei denn, sie lässt sich in konkrete Eigenschaften umsetzen, die das System erkennen kann.

Diese Unterschiede sind in unseren Daten deutlich sichtbar. Apple tauchte in den Kategorien Laptops und Kopfhörer auf mehreren Plattformen konsistent auf, und Sony schaffte dies in der Kategorie Kopfhörer nahezu perfekt. Dennoch fehlten viele der weltweit bekanntesten Marken: Disney, Starbucks, McDonald’s, Netflix, IBM und Intel erschienen in unseren Abfrageergebnissen nicht. Selbst bekannte Marken, die auftauchten, wurden oft über verständliche Untermarken statt über die Hauptmarke selbst repräsentiert: Toyota wurde durch spezifische Modelle wie RAV4 und Highlander vertreten, Coca-Cola und Pepsi durch ihre zuckerfreien Versionen. In diesen Fällen urteilte die KI anhand der Eigenschaften konkreter Produkte, nicht anhand des symbolischen Werts der Hauptmarke.

Drittens: Die Art der Abfrage bestimmt das Wettbewerbsumfeld. Explorative Abfragen ergaben 95 % mehr Markennennungen als zielgerichtete Abfragen; nur etwa 11 % der Marken tauchten in den Ergebnissen beider Abfragetypen auf. KI-Assistenten erstellen Empfehlungen basierend darauf, wie Verbraucher ihr Problem beschreiben. Fragt der Nutzer nach „Laufschuhen“, erhält er eine erste Liste von Kandidaten; fragt er nach „Laufschuhen für Menschen mit Knieschmerzen“ oder „stabilen Laufschuhen für Überpronation“, ändert sich die Liste vollständig.

Es gibt noch einen tieferen Einflussfaktor: Marken können die Begriffe gestalten, die Verbraucher verwenden. Brooks hat 20 Jahre damit verbracht, Läufern die Namen ihrer Probleme beizubringen: Überpronation, Gangabweichung, Belastungsstabilität. Diese Begriffe verbreiteten sich über Trainerkreise, Fachgeschäfte und Laufmedien. Marken, die in diese „Problemverständnis“ investieren, schaffen sich einen vorteilhaften Pfad für Abfragen, bevor die KI überhaupt Empfehlungen generiert.

Die vierte Erkenntnis rundet das Bild ab: 78,7 % der Markennennungen sind positiv, und dieser Prozentsatz ist auf allen drei Plattformen erstaunlich einheitlich. Sobald eine Marke in die Empfehlung aufgenommen wird, wird sie fast immer positiv bewertet.

Das spiegelt genau die Funktionsweise von KI-Systemen wider: Zuerst bestimmen sie, welche Marken als Antwort auf das Nutzerproblem in Frage kommen, und erst dann drücken sie eine Wertung aus. Bei traditionellen Medien zählte hingegen, wer häufiger erscheint und einen guten Ruf hat.

Der eigentliche Wettbewerbsengpass

ist die „Auswahl“, nicht die „positive Bewertung“

Die wirklich wichtige strategische Frage lautet nicht: „Wie bringen wir die KI dazu, Gutes über uns zu sagen?“, sondern „Wie schaffen wir es, dass unsere Marke in die KI-Antworten aufgenommen wird?“ Die Antwort liegt in der Verständlichkeit.

Wenn das Modell eine klare logische Kette aufbauen kann – von der spezifischen Situation des Nutzers über die Produktmerkmale bis zur Marke, die das Bedürfnis erfüllt – erscheint diese Marke in der KI-Antwort. KI-Empfehlungen beginnen nicht mit der Marke und ihren Versprechen, sondern mit der Situation des Nutzers, die durch die Abfrage definiert wird, und schreiten schrittweise voran: Nutzerzustand → Produktbedarf → Marke, die das Bedürfnis erfüllt.

Verständlichkeit hängt von drei Faktoren ab:

Entitätstransparenz: Die Marke ist in allen Informationsquellen klar erkennbar;

Strukturierte Eigenschaften: Produktmerkmale haben eindeutige Namen und sind vergleichbar sowie messbar;

Belegbare Grundlage: Die von der Marke behaupteten Vorteile werden durch zuverlässige, unabhängige Quellen gestützt.

Marken mit diesen Merkmalen werden leichter von KI-Systemen in Empfehlungen aufgenommen, da ihre Eigenschaften und Belege klar mit den Nutzerbedürfnissen verknüpft werden können.

Letztendlich ist der Wettbewerb um KI-Empfehlungen ein Problem der Informationsarchitektur, das funktionsübergreifende Zusammenarbeit erfordert. In den meisten Unternehmen verwaltet die Marketingabteilung Markeninformationen, die Ingenieur- und Produktmanagementabteilungen Produktspezifikationen – und für die unabhängige Validierung (Testberichte, Expertenmeinungen, klinische Daten) ist oft niemand wirklich verantwortlich. KI-Empfehlungen machen diese getrennte Arbeitsweise kostspielig. Die Unternehmen, die am ehesten gewinnen, sind diejenigen, die eine funktionsübergreifende Verantwortung dafür schaffen, wie ihre Marke verstanden und als Lösung abgerufen wird.

Das definiert neu, was Markenaufbau bedeutet. Traditioneller Markenaufbau investiert in Geschichten, Symbole und emotionale Positionierung, um Aufmerksamkeit zu erregen und Gefühle sowie Erinnerungen zu beeinflussen. KI-Systeme verlassen sich auf etwas völlig anderes: strukturierte Eigenschaften, messbare Produktmerkmale und nachprüfbare Fakten, die die Marke mit spezifischen Problemen verbinden. Sie müssen einen KI-Entscheider überzeugen – und dafür reichen schöne Worte nicht, sondern es braucht handfeste Beweise.

Drei Methoden zur Steigerung der KI-Aufnahmerate

Marketingverantwortliche messen ihre Arbeit traditionell an Markenstärkeindikatoren wie Marktanteil (welche Marken Verbraucher kaufen) und Mindshare (welche Marken Verbraucher in den Sinn kommen). Die KI-gesteuerte Produktfindung erfordert einen neuen Indikator: die KI-Aufnahmerate – also wie oft eine Marke, die ein Nutzerproblem tatsächlich lösen kann, als Kandidat abgerufen wird.

Das ist nicht dasselbe wie der „Modellanteil“ von Dubois, Dawson und Jaiswal. Der Modellanteil misst, wie oft eine Marke in KI-Antworten erscheint – also die Sichtbarkeit. Die KI-Aufnahmerate hingegen misst die Passgenauigkeit: Wie zuverlässig eine Marke abgerufen wird, wenn ihre Eigenschaften zur Nutzerabfrage passen. Passgenauigkeit entscheidet darüber, ob eine Marke in die Empfehlung aufgenommen wird.

Wenn Verbraucher sich an KI-Assistenten wenden – „Laufschuhe für Knieschmerzen“, „bester Laptop für Videoschnitt“, „Kreditkarte mit vielen Reisepunkten“ – erkennt das System das hinter der Abfrage stehende Bedürfnis und ruft Marken mit passenden Eigenschaften ab. Verständlichkeit erleichtert es dem Modell, die Situation des Nutzers mit den Eigenschaften und Belegen der Marke zu verbinden – und steigert so die KI-Aufnahmerate. Marken konkurrieren heute nicht mehr nur darum, dass Verbraucher sich an sie erinnern, sondern darum, dass KI-Systeme, die Verbrauchern bei Entscheidungen helfen, sie finden können.

Für Vermarkter bedeutet die Steigerung der KI-Aufnahmerate, die Art zu verändern, wie Marken ihren Wert vermitteln. Die folgenden drei Methoden sind besonders wichtig.

1. Ersetzen Sie subjektive Aussagen durch nachprüfbare Spezifikationen

KI-Systeme haben Schwierigkeiten mit vagen Aussagen. Wenn Sie „hohe Qualität“ durch „1000 Zyklen haltbar, ISO-zertifiziert“ ersetzen, liefern Sie dem Modell nützliche Informationen. Um abgerufen zu werden, müssen Marken ihren Wert durch benennbare, vergleichbare Merkmale ausdrücken, die mit spezifischen Nutzerbedürfnissen verknüpft sind.

Dafür muss Positionierung in Spezifikationen umgewandelt werden. Leistungskennzahlen, Designparameter oder klinisch nachgewiesene Effekte ermöglichen es KI-Systemen, Nutzerzustände mit Produktfähigkeiten zu verbinden. Je präziser und besser belegt eine Aussage ist, desto wahrscheinlicher wird sie für automatische Empfehlungen verwendet.

Brooks demonstriert dieses Prinzip: Seine Produkte werden durch messbare Eigenschaften beschrieben – Stabilitätsbewertung, Sprunggelenksabstand und biomechanische Merkmale, die spezifische Laufprobleme lösen. Das macht es einfach, Abfragen wie „Laufschuhe für Knieschmerzen“ mit einer Lösung zu verbinden.

Sony und Apple folgen in verschiedenen Kategorien derselben Logik. Sonys Produkte werden durch technische Spezifikationen wie Geräuschunterdrückung und Sensorleistung definiert, die oft durch unabhängige Benchmarks gestützt werden. Apple-Produkte basieren ebenfalls auf messbaren Leistungskennzahlen – von Prozessor-Benchmarks bis zur Akkulaufzeit.

Gemeinsam ist diesen Marken nicht nur Ruf und Größe, sondern Verständlichkeit: Die Fähigkeit, ihre Produktmerkmale in Begriffen auszudrücken, die bewertet, verglichen und im Denkprozess des Modells verwendet werden können.

2. Fördern Sie unabhängige, hoch angesehene Validierung durch Dritte

Die Aufnahme in KI-Antworten hängt von Bewertungen, Expertenmeinungen und Studien rund um Ihre Marke ab. Brooks hat Partnerschaften mit Fachhändlern für Laufschuhe, Trainern, Podologen und Klinikern aufgebaut – Menschen, die erklären müssen, warum ein bestimmtes Paar Schuhe einem spezifischen Läufer hilft. KI-Systeme empfehlen Brooks teilweise, weil das Unternehmen 20 Jahre damit verbracht hat, sich selbst verständlich zu machen. Die KI-Aufnahmerate ist eine langfristige Rendite für kontinuierliche Investitionen in die Glaubwürdigkeit durch Dritte.

3. Verlagern Sie den Fokus von symbolischer Anziehungskraft auf die Struktur von Belegen

Viele bekannte und vertrauenswürdige Marken werden in KI-Empfehlungen seltener genannt, weil ihre Art, Vorteile auszudrücken, für Modelle unbrauchbar ist. Traditioneller Markenaufbau setzt auf emotionale Positionierung – Lifestyle-Assoziationen, Markengeschichten, allgemeine Qualitätssignale. Das schafft Sympathie bei Verbrauchern, lässt sich aber nicht in Eigenschaften und Fakten umwandeln, die KI-Systeme verarbeiten können.

Daher überträgt sich Markenstärke nicht automatisch in die KI-Abrufrate. Um diese Lücke zu schließen, braucht es eine Umorientierung: Weniger Abhängigkeit von symbolischen Aussagen, mehr F