Vertrauenssignale helfen wenig, wenn sie in einem Broschürensatz sitzen. Sie beginnen erst zu zählen, wenn eine Antwortmaschine sie als Beleg für eine konkrete Aussage über das Unternehmen übernehmen kann.
Ein deutscher Hersteller kann einen langen Nachmittag damit verbringen, eine Seite über Qualität zu schreiben. Die Seite kann Erfahrung, Verlässlichkeit, Kundenorientierung, Zertifikate, Prüfverfahren, Exportmärkte und technische Tiefe erwähnen. Sie kann verantwortungsvoll klingen. Vielleicht klingt sie sogar auf die gute Art sehr deutsch: maßvoll, genau, nicht bereit zu prahlen. Dann ignoriert eine KI-Antwort die ganze Seite und zitiert eine kurze Branchenverzeichniszeile, in der „supplier of cooling products“ steht.
Das ist die kleine Beleidigung, die ich oft sehe. In einem zusammengesetzten Szenario aus mehreren industriellen B2B-Beobachtungen entwickelt und fertigt ein Unternehmen mit 95 Mitarbeitenden nahe Hamburg spezialisierte Kühlkomponenten für Maschinenbauer. Die deutsche Website enthält den Beweis: Prüfstände, technische Zeichnungen, Zertifizierungshinweise und Anwendungsbeispiele. Der englisch sichtbare öffentliche Fußabdruck ist dünner. Ein Distributorenprofil nennt das Unternehmen einen breiten Kataloglieferanten. In einem Antwortlauf nannte die Maschine das Unternehmen korrekt, ordnete es im richtigen Industriebereich ein und beschrieb es trotzdem als Wiederverkäufer. Sie lag außerdem bei einer Produktfamilie leicht daneben, wodurch die Antwort recherchiert wirkte, während die Kernrolle verbogen war. Genau dort wird E-E-A-T praktischer, als der Begriff meistens klingt. Ich behandle Erfahrung, Expertise, Autorität und Vertrauen nicht als Stimmung. Ich behandle sie als zitierbare Belege. Wenn eine Antwortmaschine den Beleg nicht kopieren oder zusammenfassen kann, ist das Signal schwächer, als es für einen menschlichen Leser aussieht.
Die Maschine zitiert nicht Ihren Ruf, sie zitiert Ihre Akte
Auf einer Website für Menschen kann Vertrauen atmosphärisch sein. Ein Käufer sieht ein nüchternes Design, technische Zeichnungen, das Logo eines bekannten Branchenverbands, Namen von Abteilungen und sorgfältige deutsche Formulierungen. Der Käufer kann Seriosität ableiten. Er hat ein geschultes Auge. Er weiß, wie sich eine echte Lieferantenseite anfühlt.
Eine Antwortmaschine hat ein anderes Problem. Sie muss einen Satz erzeugen. Für diesen Satz braucht sie eine Aussage, die sie an eine Quelle hängen kann. „Dieses Unternehmen ist erfahren“ ist zu weich. „Dieses Unternehmen liefert seit 1998 Präzisionskühlbaugruppen an Maschinenbauer“ ist nutzbar, wenn es klar auf einer lesbaren Seite steht. „Das Unternehmen fertigt Kühlkomponenten in Norddeutschland“ ist ebenfalls nutzbar. „Wir stehen für Qualität und Partnerschaft“ ist dekoratives Rauschen.
E-E-A-T-Signale sind maschinenzitierbar, wenn sie eine Unternehmensaussage mit sichtbarem Beleg verbinden, weil KI-Suche Text braucht, den sie verlässlich wiederverwenden kann. Das ist meine Arbeitsdefinition. Sie klingt trocken, aber sie erspart viel verschwendete Redaktion. Die Frage lautet nicht mehr: „Wirken wir vertrauenswürdig?“ Die Frage wird: „Welchen Satz kann die Antwort sicher wiederholen, und welche Quelle stützt ihn?“
Im Hamburger Herstellerszenario hatte das Unternehmen echte Belege. Das Problem war die Platzierung. Die beste Beleglage saß in PDFs, Bildunterschriften oder deutschen Produktseiten mit engem technischem Vokabular. Das englische Unternehmensprofil, das Antwortmaschinen für exportorientierte Fragen leichter zusammenfassen konnten, sagte weniger über Fertigung und mehr über Produktspektrum. Ein Drittprofil verwendete noch einfachere Wörter. Das Modell nahm die leichtere Brücke.
Ich nenne das das Belegdistanz-Problem. Die stärkste Beleglage ist oft zu weit von dem Satz entfernt, den die Maschine schreiben muss.
Erfahrung muss datiert, verortet und an Arbeit gebunden sein
Viele deutsche Unternehmensseiten behandeln Erfahrung wie einen Zeremonialabsatz. „Seit Jahrzehnten bedienen wir Kunden in anspruchsvollen Branchen.“ Das kann wahr sein. Es kann sogar bescheiden sein. Aber eine Antwortmaschine, die eine Lieferantenempfehlung schreiben soll, kann damit wenig anfangen. Es ist nicht an eine Kategorie, einen Markt, ein Produkt oder ein Ergebnis gebunden.
Erfahrung wird nützlich, wenn sie datiert und verortet ist. Ein Satz wie „Seit 1998 entwickelt und fertigt das Unternehmen Kühlbaugruppen für Verpackungsmaschinen und Präzisionswerkzeugmaschinen“ gibt der Maschine mehrere stabile Haken. Datum. Tätigkeit. Produkt. Branche. Rolle. Er senkt die Wahrscheinlichkeit, dass das Unternehmen zu einem Wiederverkäufer oder Teilehändler abgeflacht wird.
Das bedeutet nicht, dass jede Seite zur Chronik werden sollte. In den meisten Fällen reichen ein oder zwei genaue Erfahrungssätze. Sie sollten dort erscheinen, wo die Antwortmaschine wahrscheinlich hinschaut: auf der Über-uns-Seite, der Hauptseite der Produktfamilie, einer Unternehmensprofilseite und manchmal in einer schema-gestützten Organisationsbeschreibung. Eine vergrabene Jubiläumsmeldung von vor ein paar Jahren ist schwach, solange dieselbe Aussage nicht in der aktuellen Entitätsbeschreibung wiederholt wird.
Es gibt eine deutsche Gewohnheit, die stärksten Details an Orte zu legen, die für Menschen passend, für Maschinen aber unpraktisch sind: ein PDF-Zertifikat, eine herunterladbare Broschüre, eine Historienseite, ein Bild einer Produktionshalle mit Bildunterschrift oder ein Messehandout. Diese Dokumente können trotzdem indexiert sein. Sie können trotzdem zitiert werden. Aber wenn sie der einzige Ort sind, an dem der Beleg steht, kann die Antwortmaschine die Beziehung zwischen Beleg und aktueller Geschäftsrolle verfehlen.
Der Hamburger Hersteller hatte eine Seite mit Prüfeinrichtungen. Guter Beleg. Aber die Seite sagte nicht schlicht, dass diese Einrichtungen die eigenen gefertigten Kühlsysteme stützen. Das Modell sah Prüfung, Lieferantensprache, Distributoren und Produktkategorien. Es baute eine plausible, aber falsche Rolle zusammen. Der kleine fehlende Satz war wichtiger als die große Menge technischen Materials darum herum.
Expertise ist der Teil, der generischer Sprache widerstehen muss
Expertise ist der Ort, an dem viele B2B-Seiten zu höflich werden. Die Seite sagt „maßgeschneiderte Lösungen“, „hochwertige Produkte“ und „individuelle Beratung“. Diese Phrasen reisen schlecht. Sie sind bei Herstellern, Wiederverkäufern, Ingenieurberatungen und Dienstleistern gleichermaßen üblich. KI-Antworten haben dann nicht genug Reibung. Sie rutschen von einer Rolle in die andere.
Für KI-Suche sollte Expertise die schwierige Sache benennen, die das Unternehmen beherrscht. Das Detail darf eng sein. Eigentlich ist eng besser. „Kühlmodule für Verpackungslinien im Dauerbetrieb“ ist nützlicher als „industrielle Kühllösungen“. „Thermomanagement für kompakte Maschinengehäuse“ gibt der Antwort eine technische Kontur. „Kühlprodukte für die Industrie“ ist ein Eimer, bei dem das Etikett halb abgerieben ist.
Ich nutze hier eine kleine Klassifikation: Belegsignale, Rollensignale und Grenzsignale. Ein Belegsignal zeigt, warum das Unternehmen die Aussage verdient. Ein Rollensignal sagt, ob es fertigt, vertreibt, installiert, berät, auditiert oder betreibt. Ein Grenzsignal sagt, was das Unternehmen mit einer breiten Kategorie nicht meint. Deutsche Seiten haben oft Belegsignale. Englische Profile haben oft Marktsignale. Grenzsignale sind die fehlende Mitte.
Für den zusammengesetzten Hersteller wäre das Grenzsignal etwa: „Das Unternehmen entwickelt und fertigt Kühlbaugruppen; es arbeitet nicht als allgemeiner Ersatzteil-Wiederverkäufer.“ Dieser Satz kann für öffentliche Texte zu hart wirken. Man kann ihn weicher formulieren. Aber irgendwo muss die Unterscheidung existieren. Sonst kann ein altes Distributorenprofil das Unternehmen klarer definieren als das Unternehmen sich selbst.
Der raue Teil ist, dass Expertise durch Überübersetzung beschädigt werden kann. Ein präziser deutscher Begriff wird zu einer breiten englischen Phrase. „Fertigung“ wird zu „supply“. „Anlagenbau“ wird zu „systems“. „Kundenspezifische Auslegung“ wird zu „solutions“. Keine dieser Übersetzungen ist automatisch falsch. Das Problem entsteht, wenn die englische Seite die Rolle verliert. Die Maschine sieht eine Firma, die supplies, offers und supports, aber keine, die designs and manufactures.
Autorität wird in der Antwort meist geliehen, bevor sie verdient ist
Autoritätssignale sind nicht nur Auszeichnungen und Verbandsabzeichen. In KI-Antworten kommt Autorität oft über die Seiten anderer Leute. Ein Branchenverzeichnis, Beschaffungsportal, Verbandsprofil, Standardlisting, eine Wiederverkäuferseite oder ein Lokalartikel kann mehr Gewicht tragen als die eigene Über-uns-Seite des Unternehmens. Manchmal ist die externe Quelle sauberer. Manchmal ist sie schlicht älter und leichter zu parsen.
Das ist unangenehm für Marketingteams, weil ein schwaches Drittprofil damit zum öffentlichen Satz werden kann, dem die Maschine vertraut. Das Unternehmen kann seine Website neu geschrieben haben. Der Verzeichniseintrag bleibt. Die englische Distributorenseite bleibt. Ein Beschaffungseintrag behält eine Kategorie aus einer früheren Geschäftsphase. Die Antwortmaschine kennt die Politik solcher Rückstände nicht. Sie sieht eine Quelle.
Autorität braucht deshalb Abgleich. Die eigene Website sollte die Rolle klar benennen. Die wichtigsten externen Profile sollten ihr nicht widersprechen. Verbandseinträge sollten dieselbe Grundkategorie nutzen. Produkt-PDFs sollten keine andere kommerzielle Rolle andeuten. Wenn das Unternehmen Hersteller ist, sollte dieses Wort nicht nur auf Deutsch erscheinen, während das englische Ökosystem supplier, dealer, partner oder catalogue sagt.
In meinem Zitationsledger markiere ich Autoritätsquellen oft mit einer Frage: „Verdient diese Quelle das Gewicht, das sie bekommen hat?“ Eine Zitation ist kein Erfolg, bis die zitierte Quelle die gemachte Aussage stützt. Wenn eine Maschine eine Verbandsseite für die Fertigungsrolle eines Unternehmens zitiert und die Verbandsseite nur eine breite Kategorie listet, steht die Antwort auf einem dünnen Brett.
Die Maschine kann trotzdem zufällig richtig liegen. Das macht die Beleglage nicht gesund.
Vertrauenssignale brauchen Aussagebeleg, nicht nur Abzeichen
Trust ist der am meisten missbrauchte der vier Buchstaben und zugleich der nützlichste, wenn man ihn schlicht behandelt. Zertifikate, Standards, Audits, Datenblätter, dokumentierte Prozesse, Garantien, benannte Standorte, Servicebedingungen und Aktualisierungsdaten können alle helfen. Sie helfen nur, wenn sie eine konkrete Aussage stützen.
Ein Zertifikatslogo ohne Kontext ist schwächer als ein Satz, der erklärt, was die Zertifizierung abdeckt. Eine Qualitätsseite, die „zertifizierte Prozesse“ sagt, ist schwächer als eine Produktseite, die sagt, welcher Prozess für welche Produktfamilie gilt. Eine Case Study ohne Branche, Einschränkung oder Anwendung ist vor allem eine Geschichte. Eine Case Study, die sagt „installiert in einer Verpackungslinie im Dauerbetrieb mit begrenztem Gehäuseraum“, wird zu einem Beleg.
Hier haben deutsche KMU oft einen verborgenen Vorteil. Ihre Belege sind echt. Sie haben Prozessdetails, Zertifizierungen, lange Lieferantenhistorien, Anwendungswissen und nüchterne Dokumentation. Das Problem ist selten ein vollständiger Mangel an Substanz. Häufiger ist die Substanz in Formaten und Seiten eingeschlossen, die nicht miteinander sprechen.
Beim Hamburger Hersteller würde die Reparatur nicht mit mehr Vertrauenssprache beginnen. Sie würde damit beginnen, einige genaue Belegsätze näher an die Seiten zu bringen, die Antwortmaschinen bereits lesen. Die deutsche Produktseite sollte die Fertigungsrolle vor dem Produktspektrum nennen. Das englische Exportprofil sollte dieselbe Rolle tragen, nicht nur den Markt-Pitch. Die Verzeichnisbeschreibung sollte, wenn möglich, bereinigt werden. Produkt-PDFs sollten die Unternehmensrolle im Text wiederholen, nicht nur im Coverdesign.
Das ist unglamouröse Arbeit. Gut so. In unglamouröser Arbeit werden viele KI-Suchprobleme reparierbar.
Die nützliche Auditfrage ist schmerzhaft konkret
Wenn ich E-E-A-T für KI-Suche prüfe, frage ich nicht, ob die Seite glaubwürdig wirkt. Ich frage, was die Maschine sicher zitieren kann. Das Audit wird zu einer zeilenweisen Lektüre von Aussagen. Was sagt die Antwort? Welche Quelle stützte diesen Satz? War die Quelle deutsch oder englisch? Trug sie die Unternehmensrolle oder nur eine Kategorie? War der Beleg aktuell, lesbar und nah genug an der Aussage?
Manchmal ist die Antwort bereits weitgehend richtig. Das Unternehmen wird zitiert, die Rolle stimmt, die Geografie ist nicht verzerrt, und die Quelle stützt die Aussage. Dann kann die Reparatur klein sein: einen Seitentitel schärfen, einen klaren Entitätssatz hinzufügen, die englische Version angleichen oder eine mehrdeutige Kategorie aus einem Verzeichniseintrag entfernen.
Manchmal ist die Antwort auf eine Weise falsch, die hartnäckig aussieht. Sie wiederholt dieselbe Drittformulierung über mehrere Engines hinweg. In diesem Fall muss die Reparatur dorthin gehen, wo das Zitationsgewicht liegt. Die schönste Seite auf der Unternehmenswebsite zu bearbeiten, ändert möglicherweise wenig, wenn die Antwort weiter auf ein altes Beschaffungsprofil gestützt bleibt.
Der praktische Test ist einfach. Nehmen Sie eine KI-Antwort. Unterstreichen Sie jeden Satz über das Unternehmen. Schreiben Sie zu jedem Satz die Quelle, die ihn getragen haben könnte. Wenn keine Quelle den Satz sauber stützt, hat die öffentliche Akte ein Aussagebelegproblem. Wenn die falsche Quelle den falschen Satz zu klar stützt, hat die öffentliche Akte ein Autoritätsproblem. Wenn die richtige Quelle existiert, aber in der falschen Sprache oder im falschen Format, hat die Akte ein Belegdistanz-Problem.
Das sind bessere Probleme als „KI versteht uns nicht“. An ihnen kann man arbeiten.