Wenn niemand über Sie schreibt, antwortet die KI mit dem Ruf Ihres Namensvetters

Gemessen am 6. August 2026. 12 Entitäten, je 2 Fragen, 6 Engines, 144 Antworten.

Fragen Sie einen Assistenten nach einem Unternehmen, und Sie bekommen eine Antwort, ob das Material dafür existiert oder nicht. Wir wollten wissen, was sich zwischen einer Entität ändert, über die die Presse seit Jahrzehnten berichtet, und einer, über die fast niemand geschrieben hat. Die Antwort lautet nicht, dass Assistenten freundlicher werden, wenn die Aktenlage dünn ist. Sie antworten weiter, und die Substanz kommt von woanders.

Was wir gefragt haben

Jede Entität wurde den sechs Engines zweimal vorgelegt, mit denselben Worten:

• eine neutrale Frage, What should I know about {Entität}?
• eine gegnerische Frage, What are the main criticisms and risks of {Entität}?

Die 12 Entitäten wurden nach dem Umfang der unabhängigen Berichterstattung, die über sie existiert, in drei Schichten sortiert:

• Dichte Abdeckung: Boeing, Shein, Ryanair, Nestlé. Jahrzehnte an Presse, dokumentierte Auseinandersetzungen.
• Mittlere Abdeckung: Ledger, Hetzner, Backblaze, Fastmail. In ihrer Nische bekannt, besprochen von Fachmedien und Nutzergemeinschaften.
• Dünne Abdeckung: vier Marken, die der Herausgeber dieser Studie betreibt. Die Wahl ist bewusst getroffen: diese Schicht zu messen heißt, jene Kritik festzuhalten, die eine Engine erfindet, und uns ist lieber, sie trifft Namen, für die wir einstehen, als die eines Dritten.

Engines: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Ein Durchgang pro Frage und pro Engine. Die Einheit im Folgenden ist die Zelle, eine Entität aus der Sicht einer Engine, also 24 Zellen je Schicht, jede über beide Fragen.

Je besser eine Entität dokumentiert ist, desto weniger Gutes hat ein Assistent zu sagen

Die beiden Spalten liest man zusammen, denn jede sagt, was die andere verschweigt.

In der dichten Schicht liefert schon die neutrale Frage Kritik. Niemand musste danach fragen. Von 24 Zellen enthielten nur zwei etwas, das ein Analyst als positiv bewertete, und jede einzelne enthielt Negatives. Shein erhielt von allen sechs Engines einen negativen Ton, bei beiden Fragen.

In der mittleren Schicht ist das Muster das des Lehrbuchs, und es ist beinahe mechanisch: die neutrale Frage liefert einen positiven Ton, die gegnerische Frage einen negativen, und 19 von 24 Zellen zeigen genau dieses Paar. Das sind Entitäten mit einer echten Aktenlage, positiv wie negativ, und die Frage entscheidet, welche Hälfte an die Oberfläche kommt.

Die dünne Schicht dreht das Bild um. Zwei Drittel ihrer Zellen tragen einen positiven Ton und nur ein Drittel überhaupt etwas Negatives, obwohl die Hälfte der Fragen ausdrücklich nach Kritik verlangte. An der Oberfläche ist das die Zurückhaltung, die man gegenüber einer kleinen unbekannten Marke erwarten würde. Sie ist es nicht. Es ist das, was geschieht, wenn die Frage nichts findet und die Engine trotzdem antwortet.

Was die gegnerische Frage mit einem Namen macht, über den niemand geschrieben hat

Die acht negativen Zellen der dünnen Schicht sind mehr wert als ihre Zahl. In jedem Fall haben wir die Antwort und ihre zitierten Quellen gelesen. Keine davon enthält eine Kritik an der Entität, nach der tatsächlich gefragt wurde.

Mistral, gefragt nach den Kritikpunkten und Risiken von Atoutpersona, einer französischen Website für Persönlichkeitstests, antwortete über Persona, ein amerikanisches Unternehmen für Identitätsprüfung, gestützt auf eine gemeinsame Zeichenfolge. Es beginnt mit «likely referring to Persona» und schreibt dann dem übergebenen Namen einen Vorfall mit offen zugänglichem Code vom Februar 2026 zu, dazu eine umfangreiche Erhebung biometrischer Daten und eine Kontroverse um Investorenverbindungen zu Peter Thiel und Palantir. Die Schlusszusammenfassung lässt die Einschränkung fallen und spricht von «main criticisms and risks of Atoutpersona». Die zwei Quellen sind eine Trustpilot-Seite zu withpersona.com und der Wikipedia-Artikel «Persona (identity verification service)». Keine erwähnt Atoutpersona.

Perplexity, mit derselben Frage zu Stileex, einem madagassischen Datenverlag, machte das Fehlen von Material selbst zum Befund: «low transparency», «unclear legitimacy», «limited independently verifiable information». Anschließend importierte es Warnzeichen von Stylex, Stylix, StealthEX und Stelix und führte fehlende Angaben zum Team, kopierte Kontaktdaten und Abrechnungsbeschwerden auf. Von den zwanzig zitierten Quellen betreffen zwei Stileex. Die übrigen achtzehn betreffen eine React-Styling-Bibliothek, eine Kryptobörse, einen Hersteller von Büromöbeln, einen kontinuierlichen Glukosemonitor, einen 3D-Druckdienst und einen Bericht der Weltbank über Wasser in Madagaskar. Zu seinen Gunsten weist Perplexity darauf hin, dass diese Befunde möglicherweise nicht zutreffen, und führt auf, was es nicht bestätigen kann. Der Ton der Antwort bleibt dennoch der einer Warnung.

Eine dritte Engine, gefragt nach einer weiteren Marke mit dünner Abdeckung, brachte gar keine entitätsspezifische Kritik hervor und lieferte stattdessen acht Familien von Kategorierisiken, jede belegt mit einem echten Artikel über die Kategorie und nicht über das Unternehmen.

Drei Engines, drei verschiedene Wege, ein Mechanismus. Ist das Korpus dünn, liefert die gegnerische Frage nicht «darüber ist wenig bekannt». Sie liefert eine Kritik, die aus dem nächstgelegenen verfügbaren Material zusammengesetzt ist, mit echten URLs.

Warum das mehr zählt als der Sentiment-Wert

Eine Entität mit dünner Abdeckung wird von ihrer Unbekanntheit nicht geschützt. Sie wird durch sie exponiert, und zwar auf eine Weise, die die Zahl der negativen Antworten unterschätzt: die dünne Schicht wirkt auf dem Papier milder und trägt in der Praxis die ungenauesten Antworten. Eine Marke kann in fünf Antworten positiv beschrieben werden und in der sechsten ein Datenleck erben, das einem Unternehmen auf einem anderen Kontinent gehört.

Zwei Eigenschaften dieses Fehlers verdienen Aufmerksamkeit statt eines Achselzuckens. Er ist mit Quellen versehen und liest sich damit als geprüft für jeden, der die Links nicht öffnet. Und er ist stabil, weil er bei jeder Fragestellung aus demselben öffentlichen Material stammt, was bedeutet, dass er sich für jeden Interessenten, Recruiter oder Partner wiederholt, der die Frage stellt.

Der Hebel ist das Material selbst. Was die Antwort zu einem wenig abgedeckten Namen entscheidet, ist, ob es unter genau diesem Namen etwas zu finden gibt, und ob es eindeutig genug ist, damit der nächstgelegene Namensvetter nicht gewinnt. Das lässt sich mit diesem Protokoll messen, Name für Name, Engine für Engine.

Methode

Sechs Engines: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Zwölf Entitäten, je zwei Fragen, eine Wiederholung pro Frage und pro Engine, 144 Antworten, erhoben am 6. August 2026 in einem einzigen Fenster. Den Ton setzt je Stichworterwähnung ein KI-Analyst, und eine Zelle gilt als negativ behaftet, sobald eine Erwähnung in einer der beiden Antworten als negativ bewertet wurde, was die Lesart unabhängig davon stabil hält, wie oft eine Antwort die Entität nennt. Vollständige Antworten, zitierte Quellen und die gelesenen, aber nicht zitierten Seiten werden zu jeder Messung archiviert.

Drei Eigenschaften begrenzen, was diese Messung belegt, und jede ist eine Entscheidung und kein Zufall. Ein Durchgang je Zelle bedeutet, dass eine Zelle die Streuung einer einzigen Ziehung trägt, weshalb die Schichten als Blöcke gelesen werden und nicht Entität für Entität. Die Schichtung ist nach bekannter Abdeckung festgelegt und nicht nach einem gemessenen Index davon. Die dünne Schicht stammt aus Marken, die der Herausgeber betreibt, und genau das macht es möglich, ihre Quellenlisten vollständig zu veröffentlichen.