ChatGPT, Perplexity, Gemini, Claude: Wie jede Engine ihre Quellen wählt
Perplexity, ChatGPT, Gemini, Claude: Jede KI-Engine hat je nach Architektur andere Gewohnheiten bei der Quellenauswahl. Ein vorsichtiger Überblick, ohne unzulässige Verallgemeinerungen.
Die vier großen generativen Mainstream-Engines wählen ihre Quellen nicht auf dieselbe Weise aus, weil sie auf unterschiedlichen Architekturen und Partnerschaften beruhen. Diese Unterschiede lassen sich in der Praxis beobachten, entwickeln sich aber ständig weiter: Das Folgende beschreibt Tendenzen, keine festen Regeln.
Warum diese Unterschiede bestehen
Bevor wir Engine für Engine durchgehen, lohnt sich ein Blick darauf, woher diese Unterschiede kommen. Zwei Faktoren wiegen besonders schwer: der Anteil an "internem" Wissen (während des Trainings des Modells gelernt) im Vergleich zur Echtzeit-Websuche, und ob kommerzielle Partnerschaften mit Content-Verlagen bestehen, die beeinflussen können, wie häufig bestimmte Quellen erscheinen. Eine Engine, die sich vor allem auf internes Wissen stützt, reagiert langsam auf neu veröffentlichte Inhalte; eine Engine, die sich vor allem auf Echtzeitsuche stützt, reagiert schnell, hängt dann aber stark von der technischen Qualität der Indexierung ab. Ein weiterer relevanter Faktor ist der Stichtag des Trainingswissens ("Knowledge Cutoff") jedes Modells: Eine Engine, deren Training mehrere Monate vor der Inbetriebnahme endete, kann aktuelle Entwicklungen in Ihrer Branche übersehen, sofern sie dies nicht durch aktive Websuche ausgleicht. Dieses Datum variiert von Modell zu Modell und verschiebt sich mit jeder neuen Version, was eine regelmäßige Überprüfung deutlich sinnvoller macht als eine einmal festgelegte Einschätzung.
Perplexity: die konversationelle Suchmaschine
Perplexity ist um die Echtzeit-Websuche herum aufgebaut: Jede Antwort stützt sich auf eine Reihe von Suchergebnissen, die im Moment der Anfrage abgerufen und dann mit nummerierten Zitaten synthetisiert werden, die auf die Quellseiten verweisen. Diese Architektur macht Perplexity besonders abhängig von der Aktualität und der technischen Zugänglichkeit von Inhalten (siehe die Lektion zu llms.txt und XML-Sitemap für den technischen Teil). In der Praxis zitiert Perplexity tendenziell ein breites Spektrum an Quellen, darunter Foren, Nachrichtenseiten und Dokumentationsseiten, was es zu einer der Engines mit der höchsten Anzahl sichtbarer Quellen pro Antwort macht.
ChatGPT (mit Browsing): zwischen trainiertem Wissen und Live-Suche
ChatGPT kombiniert Wissen, das während des Trainings des Modells gelernt wurde, mit – sofern Web-Browsing aktiviert ist – live abgerufenen Ergebnissen. Diese Doppelnatur bedeutet, dass die Präsenz Ihrer Marke in ChatGPT-Antworten sowohl davon abhängt, wie sie in den für das Training verwendeten Inhalten erwähnt wurde (also von vergangenen Erwähnungen, die sich rückwirkend kaum beeinflussen lassen), als auch von ihrer aktuellen Sichtbarkeit im Web, wenn die Suche aktiv ist. OpenAI unterhält Content-Partnerschaften mit mehreren Verlagen, was beeinflussen kann, wie häufig bestimmte Quellen erscheinen, ohne dass dies umfassend und öffentlich dokumentiert wäre.
Gemini: die Integration in das Google-Ökosystem
Gemini profitiert von direktem Zugriff auf die Suchinfrastruktur von Google, was es naturgemäß näher an die Logik heranrückt, die bereits im klassischen Google-Ranking und in den AI Overviews wirkt (behandelt in einer eigenen Lektion zu Google AI Overviews). Inhalte, die bereits gut für traditionelles SEO positioniert und technisch solide sind, haben daher tendenziell bessere Voraussetzungen, in Gemini-Antworten zu erscheinen, als bei anderen Engines, die auf anderer Logik aufbauen – ohne dass dies eine systematische Übernahme garantiert.
Claude: Vorsicht und begrenzte Quellenangaben
Claude, entwickelt von Anthropic, nimmt historisch eine vorsichtigere Haltung als seine Wettbewerber gegenüber Web-Browsing und der Zitierung externer Quellen ein, mit einer Tendenz, sich stärker auf das interne Wissen des Modells zu stützen und explizite Vorbehalte zu formulieren, wenn eine Information nicht in Echtzeit überprüft werden kann. Diese Vorsicht kann die Häufigkeit direkter Zitate aktueller Webquellen im Vergleich zu einer Engine wie Perplexity verringern, macht es aber umso wichtiger, dass Ihre Marke in weit verbreiteten, häufig aufgegriffenen Referenzinhalten präsent ist, die mit höherer Wahrscheinlichkeit in das Wissen des Modells eingeflossen sind.
Was trotz der Unterschiede zu beachten ist
Diese architektonischen Unterschiede sollten nicht zu einer zersplitterten, Engine-für-Engine-Strategie führen: Die Grundlagen, die Inhalte zitierfähig machen (Klarheit, Quellenangaben, in sich abgeschlossene Information, wahrgenommene Markenautorität), gelten überall. Was variiert, ist das relative Gewicht jedes Faktors und die Aktualität der herangezogenen Quellen. Eine gute Praxis besteht darin, regelmäßig zu beobachten, wie Ihre Marke in den Antworten jeder dieser Engines auf für Ihre Branche repräsentative Anfragen erscheint (oder nicht), statt sich auf Verallgemeinerungen zu verlassen, die angesichts der schnellen Entwicklung dieser Produkte rasch veralten. Konkret bedeutet das, denselben Fragenkatalog in regelmäßigen Abständen an Perplexity, ChatGPT, Gemini und Claude zu stellen, die zitierten Quellen sowie die Art der Darstellung Ihrer Marke zu notieren und diese Erhebungen dann im Zeitverlauf zu vergleichen, statt sich auf eine einzelne, isolierte Beobachtung zu verlassen. Diese Disziplin der wiederholten, Engine-für-Engine-Beobachtung ist aussagekräftiger als ein einmaliges Audit: Sie erlaubt es zu erkennen, ob eine Änderung an Ihren Inhalten oder eine Vertriebspartnerschaft tatsächlich einen Effekt auf Ihre Präsenz hatte.
Denken Sie auch daran, dass sich dieses Verhalten mit jedem Update der einzelnen Produkte ändert: Ein zu einem bestimmten Zeitpunkt festgehaltener Überblick veraltet schnell, weshalb es sich lohnt, die allgemeine Entwicklung der Suchlandschaft zu verfolgen, statt eine feste Regel für jede einzelne Engine zu übernehmen.