Wie B2B-Marken in KI-Antworten als Entitaet auftauchen

Wer in den vergangenen Monaten eine B2B-Marke in ChatGPT, Perplexity oder den Google AI Overviews geprüft hat, kennt das Muster. Die Antwort enthält zwei oder drei Anbieter, die sich häufig wiederholen. Andere, die nach klassischen SEO-Kriterien stark sind, fehlen vollständig. Auf der eigenen Website ist alles vorhanden, aber im KI-Layer nicht greifbar. Der Grund ist meist nicht die Qualität der Inhalte. Er liegt in der Frage, wie das Modell die Marke gespeichert hat.

Vom Page-Ranking zum Entity-Profil

Die klassische SEO-Logik fragt, ob eine bestimmte URL für ein bestimmtes Keyword in den Top-Positionen erscheint. Die KI-Logik fragt etwas anderes. Sie fragt, welche Entitäten in einem Themenfeld konsistent vorkommen, wie sie zueinander stehen und welche Eigenschaften ihnen zugeschrieben werden. Das Ergebnis steht nicht in einer Trefferliste, sondern in einem internen Wissensgraphen.

Für eine Marke heisst das: Sie wird nicht primär über ihre einzelnen Pages gefunden, sondern über ein Profil, das aus vielen verteilten Erwähnungen aggregiert ist. Pages sind die Bausteine, die Marke ist der Knoten. Wenn der Knoten unscharf bleibt, helfen auch zusätzliche Bausteine wenig.

Was eine Entität für ein Modell überhaupt ausmacht

Sprachmodelle leiten Entitäten aus statistischen Mustern ab. Drei Signale sind dabei besonders gewichtig. Erstens die wiederholte Nennung des Markennamens im Umfeld eines bestimmten Topics. Zweitens die Konsistenz der zugeschriebenen Eigenschaften über mehrere Quellen hinweg. Drittens die Qualität der Quelle, in der die Verbindung hergestellt wird.

Genau hier wird sichtbar, warum reiner Output auf der eigenen Domain limitiert ist. Eine Marke, die sich selbst zwanzigmal als Spezialist für Cloud-Security beschreibt, liefert dem Modell eine Quelle. Werden die gleichen Aussagen in vier unabhängigen Fachmedien aufgegriffen, hat das Modell fünf Quellen mit konsistentem Profil. Statistisch ist das ein anderer Beleg.

Welche Drittquellen die Modelle höher gewichten

Nicht jede externe Erwähnung wirkt gleich. Aus der Beobachtung der Crawler-Logs und der veröffentlichten Trainingsprinzipien der grossen Modelle lassen sich drei Kriterien ableiten, die ein Quellumfeld für KI-Sichtbarkeit aufwertet.

Erstens redaktionelle Unabhängigkeit. Inhalte, die als bezahlte Schaltung erkennbar sind, werden anders gewichtet als redaktionelle Beiträge in einem unabhängigen Umfeld. Zweitens Domain-Authority im klassischen Sinn. Lange bestehende Magazinmarken mit konsistentem thematischen Profil erzeugen eine andere statistische Verlässlichkeit als neu aufgesetzte Content-Hubs. Drittens technische Crawler-Freigabe. Quellen, deren robots.txt GPTBot, ClaudeBot, PerplexityBot und GoogleOther vollständig zulässt, gehen überhaupt erst in den Trainings- und Retrieval-Pool ein.

ISSN-registrierte Fachmagazine erfüllen die ersten beiden Punkte strukturell. Wer den dritten erfüllt, ist in der DACH-Region inzwischen sehr selektiv. Viele etablierte Verlagshouses blockieren KI-Crawler weiterhin pauschal, was im klassischen Search-Kontext sinnvoll war, im KI-Kontext aber das eigene Inventar aus den Antworten herausnimmt.

Wie eine Multi-Touch-Serie technisch wirkt

Wenn die gleiche Marke in einem definierten Zeitraum zu einem konsistenten Topic in mehreren Fachmagazinen redaktionell vorkommt, entstehen drei Effekte parallel. Indexing-Signale: Jede Publikation wird einzeln gecrawlt und in den Suchindex aufgenommen, mit eigener URL, eigenem Datum, eigenem Kontext. Entity-Co-Occurrence: Die Verbindung zwischen Markenname und Topic wird mehrfach in unabhängigen Quellen hergestellt, was die statistische Sicherheit für das Modell erhöht. Engagement-Belege: Verifizierte Leserzahlen zeigen, dass der Inhalt nicht nur ausgeliefert, sondern aufgenommen wurde.

Für eine Beispielrechnung: Ein Topic-Cluster mit vier Subtopics, jeweils einmal in vier ISSN-Fachmagazinen redaktionell aufgegriffen, ergibt sechzehn redaktionelle Erwähnungen in Quellen mit eigener Authority. Werden diese Beiträge zusätzlich über die jeweiligen Newsletter ausgespielt und sammeln verifizierte Reads in vierstelliger Höhe, kommen Engagement-Signale dazu. Für das Modell ergibt sich daraus ein deutlich profilierter Knoten, als ihn die eigene Domain in vergleichbarer Zeit aufbauen könnte.

Was verifizierte Leserzahlen für das Signal bedeuten

Verifizierte Leserzahlen sind in diesem Zusammenhang mehr als ein Reporting-Wert. Eine verifizierte Lesung wird in der EVM-Definition gezählt, wenn ein Nutzer mindestens 30 Sekunden auf dem Beitrag verweilt oder mindestens 50 Prozent Scroll-Tiefe erreicht. Das ist ein engagement-basiertes Mass, das sich von reinem Page-View unterscheidet.

Für KI-Modelle ist diese Unterscheidung relevant, weil sie zunehmend Engagement-Signale in die Bewertung von Content-Qualität einbeziehen. Inhalte, die nachweislich gelesen werden, gelten als belastbarer als Inhalte, die nur ausgeliefert werden. Für die Marke wirkt sich das doppelt aus. Die einzelne Erwähnung ist substanzieller, und die Engagement-Daten lassen sich gegenüber Stakeholdern transparent ausweisen.

Was sich daraus für die Planung ergibt

Wer eine Marke für die KI-Ära positioniert, plant nicht in einzelnen Beiträgen, sondern in Topic-Clustern und Quellen-Sets. Drei Fragen helfen bei der Strukturierung. Welches Topic-Feld will die Marke besetzen, formuliert als endliche Liste strategischer Topics? In welchen Quellumfeldern soll dieses Profil aufgebaut werden, mit Blick auf redaktionelle Unabhängigkeit und Crawler-Freigabe? Wie sieht die Wiederholungslogik aus, also wie häufig und in welchem Rhythmus wird die Verbindung zwischen Marke und Topic in unabhängigen Quellen hergestellt?

Die strukturelle Seite dieser Arbeit, also Brand-Entity, Topics und Subtopics als semantische Knoten, gehört in eine Architektur-Logik, wie sie etwa Planeed mit dem Category-Creation-Ansatz beschreibt. Die Distributionsseite, also die operative Umsetzung über redaktionelle Multi-Touch-Serien in ISSN-Fachmedien, ist die zweite Hälfte, die wir bei Evernine Media verantworten.

Hintergrund zur Architektur-Methode: Category-Creation-Paper bei planeed.app.