Ein Unternehmen kann denselben juristischen Namen behalten und in der KI-Suche trotzdem zu drei verschiedenen Entitäten werden. Die Spaltung beginnt meist in öffentlichen Profilen, die Rolle, Kategorie und Geografie unterschiedlich beschreiben.
In einem zusammengesetzten Szenario aus Audits bei Dienstleistungsunternehmen hatte eine Firma mit 42 Personen in Nordrhein-Westfalen ein schlichtes Geschäft, wenn der Geschäftsführer es beschrieb. Sie übernahm Compliance-Dokumentation und Supplier Onboarding für mittelständische Industrieunternehmen. Keine glamouröse Arbeit. Nützliche Arbeit. Auf der eigenen Website klang sie wie ein spezialisierter Dienstleister. In einem Verzeichnis sah sie aus wie ein lokales Beratungsbüro. Auf einer englischen Seite driftete sie in Richtung Softwareplattform-Sprache. In einem Beschaffungsportal saß sie unter administrativen Dienstleistungen.
Die KI-Antworten erbten das Durcheinander. ChatGPT nannte sie in einem Lauf einen lokalen Compliance-Berater. Perplexity rahmte sie in einem anderen als Supplier-Onboarding-Plattform. Eine Zusammenfassung im Stil von Google AI Overview platzierte sie in die Nähe von allgemeinem Backoffice-Outsourcing. Das seltsame Detail war, dass der Firmenname stabil war. Die Adresse war stabil. Sogar das Logo war stabil. Die Identität war es nicht. Öffentliche Profile hatten die Firma umbenannt, ohne ihren Namen zu ändern.
Entity Footprint ist mehr als ein Name
Menschen denken bei Entity-Arbeit oft daran, sicherzustellen, dass Firmenname, Adresse und Website übereinstimmen. Das ist nur die unterste Schicht. Sie ist wichtig, aber sie beantwortet nicht die Frage, die ein Antwortsystem beantworten muss. Das System muss auch wissen, was das Unternehmen ist, welche Rolle es spielt, zu welchem Markt es gehört und warum es dorthin gehört.
Ein Entity Footprint ist das öffentliche Muster aus Namen, Rollen, Kategorien, Orten und stützenden Quellen, das ein Unternehmen in der KI-Suche wiedererkennbar macht, weil Maschinen Identität aus wiederholter Evidenz ableiten und nicht aus dem Wunsch eines Unternehmens. Diese Definition klingt schwerer als „Listings aktuell halten“, weil das Problem schwerer ist.
Ein deutsches KMU kann auf der eigenen Website, im Google Business Profile, in Branchenverzeichnissen, auf Verbandsseiten, in Beschaffungsportalen, Jobbörsen, PDF-Katalogen, alten Pressehinweisen, Wikidata-Einträgen und manchmal Wikipedia erscheinen. Einige dieser Profile werden vom Unternehmen erstellt. Einige werden gescrapt. Einige werden aus älteren Quellen kopiert. Einige sind technisch editierbar, aber politisch schwierig zu ändern. Jede Quelle gibt eine kleine Stimme zum Unternehmen ab.
Das Problem ist, dass die Stimmen nicht alle über dasselbe abstimmen. Eine Quelle stimmt über Kategorie ab. Eine andere über Geografie. Eine andere über Geschichte. Eine andere über Produkte oder Dienstleistungen. Wenn diese Stimmen in verschiedene Richtungen zeigen, können KI-Systeme das Unternehmen trotzdem nennen, aber die Zusammenfassung wird instabil.
So wird eine Firma gefunden und gleichzeitig falsch beschrieben.
Die drei Arten der Umbenennung durch öffentliche Profile
Wenn ich Profile deutscher Firmen für KI-Suche kartiere, trenne ich meistens drei Arten der Umbenennung. Die erste ist wörtliche Umbenennung: alte juristische Namen, alte englische Namen, verschmolzene Marken, Schreibvarianten, Abkürzungen oder Verzeichnistitel, die nie nachgezogen wurden. Diese Art ist am leichtesten zu bemerken. Sie ist nicht immer am leichtesten zu reparieren, aber wenigstens sehen die Leute sie.
Die zweite ist Kategorie-Umbenennung. Hier bleibt der Firmenname korrekt, aber das Profil weist den falschen Geschäftstyp zu. Ein Dienstleister wird zu Software. Ein Hersteller wird zu Großhandel. Ein Spezialist für Compliance-Dokumentation wird zu allgemeiner Beratung. Ein Planungsbüro wird zu einem Auftragnehmer. In KI-Antworten verursacht diese Art mehr Schaden als wörtliche Schreibvarianten, weil das Unternehmen korrekt identifiziert zu sein scheint, während seine Rolle darunter wechselt.
Die dritte ist Markt-Umbenennung. Die Firma wird in die falsche Geografie, Käufergruppe oder Anwendung eingeordnet. Ein Unternehmen, das Industriekunden in ganz Deutschland bedient, wird „lokal“. Ein regionaler Dienstleister mit nationalen Verträgen wird an eine Stadt gebunden, weil die einzige starke Quelle ein Karteneintrag ist. Ein exportfähiger Hersteller wird als nur inländisch eingeordnet, weil englische Profile keinen Nachweis liefern. Dieser Fehler ist für interne Teams schwerer zu sehen, weil jede Quelle lokal wahr sein kann. Der Hauptsitz liegt in einer Stadt. Eine Kategorieseite nennt eine Käufergruppe. Eine Pressemitteilung berichtet über ein regionales Projekt. KI-Suche näht diese Fragmente zu einem engeren Geschäft zusammen, als es tatsächlich existiert.
Diese drei Umbenennungen arbeiten oft zusammen. Die Compliance-Firma aus Nordrhein-Westfalen hatte ein kleines wörtliches Problem: Ein älteres englisches Profil nutzte einen früheren Dienstleistungsnamen. Der größere Schaden kam aus Kategorie-Umbenennung und Markt-Umbenennung. Die deutsche Website betonte Dienstleistungsexpertise. Die englische Seite nutzte plattformartige Formulierungen. Eine Beschaffungsquelle ordnete sie administrativer Unterstützung zu. Ein lokales Verzeichnis band sie eng an eine Stadt. Keine dieser Quellen war eine komplette Lüge. Zusammen gaben sie dem Antwortsystem zu viele Masken zur Auswahl.
Wikipedia und Wikidata sind keine magischen Identitätsmaschinen
Die Suchanfrage „firma in wikidata eintragen“ trägt oft eine leise Hoffnung. Wenn das Unternehmen in Wikidata kommt, verstehen KI-Systeme es vielleicht endlich. Manchmal hilft eine strukturierte öffentliche Entität. Manchmal tut sie fast nichts. Manchmal lässt sie einen schwachen Datensatz offizieller aussehen.
Wikipedia und Wikidata haben ihre eigenen Regeln und Community-Normen. Viele gewöhnliche KMU gehören nicht in Wikipedia, und die Sache zu erzwingen, ist meistens ein schlechtes Zeichen. Wikidata kann Entitäten flexibler abbilden, aber ein dünner Eintrag mit Name, Website und breitem Branchenlabel löst kein Evidenzproblem. Er kann sogar eine dünne Kategorie an einem öffentlichen Ort einfrieren, den andere Systeme wiederholen.
Für KI-Suche ist die praktischere Frage nicht „können wir ein Profil bekommen?“ Sie lautet: „Welche Behauptung würde dieses Profil stützen?“ Wenn ein Wikidata-Item sagt, die Firma sei eine Unternehmensberatung, während die Website Compliance-Dokumentation und Supplier Onboarding sagt, kann das strukturierte Profil die falsche Kategorie stärken. Wenn ein Verzeichnis Softwareunternehmen sagt, weil die englische Seite „platform“ zu frei genutzt hat, kann der Fehler in Zusammenfassungen wandern, auch wenn das Unternehmen nie Software als Produkt verkauft hat.
Ich behandle öffentliche Profile nicht als Trophäen. Ich behandle sie als Zeugen. Einige sind verlässliche Zeugen. Einige sind verwirrt. Einige erinnern sich an eine alte Version des Unternehmens. Einige haben die Geschichte von einem anderen Zeugen gehört, der ebenfalls verwirrt war.
Deshalb ist die erste Reparatur meistens ein Ledger, kein Edit. Ich lege die öffentlichen Quellen an einen Ort und markiere Name, Rolle, Kategorie, Geografie, Sprache und Behauptungsstütze. Das Muster erscheint schneller, wenn die Quellen langweilig gemacht werden.
Verzeichnisse sprechen oft lauter, weil sie stumpf sind
Unternehmenswebsites erklären gern. Verzeichnisse labeln gern. Für einen menschlichen Leser ist die Erklärung reicher. Für ein Antwortsystem unter Anfrage-Druck kann das Label leichter zu nutzen sein. Das ist unangenehm, aber wichtig.
Eine Verzeichniskategorie wie „compliance consulting“ oder „supplier management software“ kann mehr Gewicht tragen als ein sorgfältiger Dienstleistungsabsatz, wenn dieser Absatz den Geschäftstyp nie direkt benennt. Ein Verbandsprofil kann einen Satz haben, der sauber genug zum Zitieren wirkt. Ein Beschaffungsportal kann eine offiziell klingende Kategorie zuweisen. Ein alter lokaler Eintrag kann sagen, die Firma operiere nur in Düsseldorf, weil dort das Büro sitzt, obwohl die Dienstleistungsverträge weit über die Stadt hinausreichen.
Die zusammengesetzte Firma aus Nordrhein-Westfalen hatte einen Verzeichniseintrag, der sie als „Beratung für Lieferantenmanagement“ beschrieb. Das war nah dran, aber zu eng. Eine andere Quelle nutzte „supplier onboarding platform“, wahrscheinlich weil die englische Dienstleistungsseite über digitale Workflows sprach. Die KI-Antwort vermischte beides manchmal zu einem Software-Beratungs-Hybrid. Ein Mensch würde nachfragen. Die Maschine machte eine Kategorie.
Das ist ein Grund, warum ich Profilbereinigung nicht mag, wenn sie nur prüft, ob Details „korrekt“ sind. Korrekt reicht nicht. Das Profil muss die Behauptung stützen, die das Unternehmen von Antwortsystemen wiederholt sehen will. Wenn die Firma ein Dienstleistungsunternehmen ist, das Tools nutzt, sollte das Profil das Tool nicht wie das Produkt klingen lassen. Wenn die Firma Industriekunden bedient, sollte das Profil das nicht hinter Bürolage-Sprache vergraben. Wenn das Unternehmen kein allgemeiner Outsourcing-Anbieter ist, braucht eine breite administrative Kategorie Korrektur oder Gegengewicht durch stärkere Quellen.
Eine stumpfe Quelle kann nützlich sein. Sie muss nur in die richtige Richtung stumpf sein.
Die Unternehmensseite muss ihre Profile übererklären
Einige Marketingteams wollen zuerst jede externe Quelle reparieren. Das kann nötig sein, besonders wenn ein reichweitenstarkes Verzeichnis einen offensichtlichen Fehler trägt. Aber die Unternehmensseite muss meistens die härtere Arbeit leisten: Sie muss die öffentlichen Profile übererklären, ohne zu einem Verteidigungsdokument zu werden.
Eine starke Entitätsseite für KI-Suche muss nicht schreien. Sie braucht einen klaren Identitätssatz, Dienstleistungs- oder Produktgrenzen, Käuferkontext, Geografie, Nachweis und Sprache, die angrenzende Kategorien unterscheidet. Für die Compliance-Firma würde das bedeuten, zu sagen, dass das Unternehmen Compliance-Dokumentation und Supplier-Onboarding-Dienstleistungen für mittelständische Industrieunternehmen erbringt, und dann zu erklären, wo Software die Dienstleistung unterstützt, ohne Software zur Entitätskategorie zu machen. Es würde auch bedeuten, die Region ehrlich zu nennen, ohne das Servicegebiet auf die Bürostadt zu reduzieren.
Die deutsche und die englische Version brauchen diese Struktur in ihrer eigenen Sprache. Die englische Seite sollte nicht einfach breite SaaS-Sprache übernehmen, weil sie Exportkäufern vertraut klingt. Die deutsche Seite sollte nicht annehmen, dass Fachbegriffe allein die Kategorie schützen. Beide Seiten sollten dasselbe Geschäft wiedererkennbar machen.
Externe Profile können dann gegen diese Bezugsquelle verglichen werden. Nicht weil die Unternehmensseite von KI-Systemen automatisch stärker vertraut wird. Das wird sie nicht. Sondern weil Bereinigung ohne klare eigene Referenz zu verstreutem Polieren wird. Ein Verzeichnis wird korrigiert. Ein anderes bleibt breit. Ein Beschaffungsportal trägt weiter eine alte Kategorie. Ein englisches Profil nutzt weiterhin einen früheren Dienstleistungsnamen. Das Antwortsystem sieht die Mischung und verhält sich entsprechend.
Der Entity Footprint wird stabil, wenn der öffentliche Datensatz dieselben Kernfakten an mehreren Stellen wiederholt.
Reparatur beginnt mit dem Profil, das die Rolle geändert hat
Nicht alle öffentlichen Profile sind gleich. Manche haben geringe Reichweite und sind harmlos. Manche sind sichtbar, aber vage. Manche tragen die exakte Formulierung, die KI-Systeme wiederholen. Diese verdienen zuerst Aufmerksamkeit.
Ich priorisiere Profilreparatur nach Zitierreichweite, dann nach Bedeutung, dann nach Bearbeitbarkeit. Eine reichweitenstarke Verbandsseite, die die Unternehmenskategorie falsch angibt, zählt mehr als ein kleines Verzeichnis mit schwacher Beschreibung. Ein Beschaffungsportal, das den falschen Lieferantentyp zuweist, kann wichtig sein, auch wenn es schwer zu ändern ist. Ein niedrigwertiges Listing, das leicht zu bearbeiten ist, kann warten, wenn es Antworten nicht prägt.
Die Arbeit ist langsam auf die Weise, wie nützliche Reparaturen langsam sind. Sie heißt, die KI-Antwort zu lesen, die Quelle zu finden, die die Behauptung getragen hat, zu prüfen, ob diese Quelle die Behauptung stützt, und dann zu entscheiden, ob man editiert, ausgleicht oder es lässt. Einige Quellen lassen sich nicht ändern. In diesem Fall braucht das Unternehmen stärkere eigene Seiten und besser ausgerichtete Profile anderswo. KI-Suche verlangt keinen perfekten öffentlichen Datensatz. Sie bestraft aber einen öffentlichen Datensatz, in dem die einfachste Quelle das Falsche sagt.
Die aufschlussreichste Frage ist einfach: Welches öffentliche Profil hat das Unternehmen zuerst umbenannt?