Sichtbarkeit im Spiegel von Sprache und Geografie

Im Korpus AI100 gibt es bereits einen Text über die „Antwortblase“ – den Effekt, bei dem eine Marke in ChatGPT, Google, Copilot und Perplexity unterschiedlich erscheint. Doch es gibt noch eine weitere Ebene von Unterschieden, die Unternehmen seltener bemerken: dieselbe Marke, dieselbe Plattform, aber eine andere Sprache der Anfrage – und die Antwort verändert sich radikal. Ein Unternehmen, das in den Top-3-Empfehlungen von ChatGPT auf Englisch zuverlässig erscheint, kann in der Antwort auf dieselbe Frage auf Russisch, Arabisch oder Japanisch überhaupt nicht mehr auftauchen.

Das ist kein Fehler. Es ist eine Folge der Art, wie moderne KI-Systeme aufgebaut sind. Ein Sprachmodell wird auf Textkorpora trainiert, und die Verteilung dieser Texte über die Sprachen hinweg ist extrem ungleich. Englisch dominiert in den Trainingsdaten der meisten großen Modelle. Das bedeutet, dass das Modell für englischsprachige Anfragen über eine dichtere und aktuellere Karte von Entitäten, Eigenschaften und Beziehungen verfügt. Für schwächer repräsentierte Sprachen ist diese Karte ausgedünnt: Einige Marken sind darin enthalten, andere nicht, und wieder andere sind zwar vorhanden, aber mit verzerrten Attributen.

Das Problem ist nicht mehr marginal, seit Antwortsysteme den englischsprachigen Raum in großem Maßstab verlassen haben. Google AI Overviews waren bis Mai 2025 in mehr als 200 Ländern und in 40 Sprachen verfügbar [1]. AI Mode, im März 2025 zunächst nur auf Englisch gestartet, wurde bis Februar 2026 in drei großen Wellen auf nahezu 100 Sprachen erweitert: November 2025 (35 Sprachen), Februar 2026 (53 Sprachen) [2]. ChatGPT bedient weltweit mehr als 900 Millionen wöchentlich aktive Nutzer, von denen ein erheblicher Teil nicht auf Englisch arbeitet [3].

Für internationale Marken bedeutet das, dass KI-Sichtbarkeit nicht in einer einzigen Sprache, sondern in jeder Sprache geprüft werden muss, in der ihre Märkte operieren. Ein einziger Durchlauf auf Englisch sagt nichts darüber aus, wie die Marke auf Spanisch, Deutsch oder Chinesisch erscheint.

Der erste Mechanismus ist die Asymmetrie der Trainingsdaten. Eine Marke, die in englischsprachigen Medien, Rezensionen und Katalogen ausführlich beschrieben wird, kann im russischsprachigen oder arabischsprachigen Teil des Internets nur schwach vertreten sein. Das Modell kennt sie in der einen Sprache, „erinnert“ sich an sie in der anderen aber buchstäblich nicht. Das ist keine Frage der Übersetzung – es ist eine Frage der Präsenz in den Quellen des jeweiligen Sprachsegments.

Der zweite Mechanismus ist das unterschiedliche Verhalten der Web-Extraktion. Wenn ein Antwortsystem zur Ergänzung seiner Antwort eine Websuche nutzt (wie ChatGPT Search, AI Overviews oder Perplexity), sucht es nach Quellen in der Sprache der Anfrage. Wenn eine Marke keine hochwertigen Inhalte in dieser Sprache hat, findet das System Wettbewerber, die solche Inhalte haben. Der Nutzer erhält eine Empfehlung ohne Ihre Marke – nicht weil Sie schlechter sind, sondern weil Sie in dieser Sprache nicht vorhanden sind.

Der dritte Mechanismus ist die Kategoriesubstitution über die Sprache. Ein und dasselbe Produkt kann in verschiedenen Sprachkulturen unterschiedlichen Kategorien zugeordnet werden. Was im Englischen als „analytics platform“ beschrieben wird, kann im Russischen als „Berichtsservice“ oder „Business-Intelligence-System“ interpretiert werden – und jeder dieser Begriffe zieht ein anderes Set von Wettbewerbern und Vergleichskriterien nach sich. Das Modell übernimmt diese kategorialen Unterschiede aus den Trainingsdaten.

Sprache ist nicht die einzige Variable. Auch die Geografie verändert die Antwort. Google AI Mode und AI Overviews berücksichtigen bei der Formulierung der Antwort den Standort des Nutzers [1]. Perplexity extrahiert Webquellen unter Berücksichtigung regionaler Relevanz. Das bedeutet, dass dieselbe Anfrage auf Englisch aus London und aus Singapur unterschiedliche Ergebnisse liefern kann – mit anderen Wettbewerbern, anderen Preisen und anderen Empfehlungen.

Für Marken mit mehreren regionalen Versionen ihrer Website erzeugt das eine zusätzliche Komplexitätsebene. Es reicht nicht zu prüfen: „Sind wir auf Englisch sichtbar?“ Man muss auch prüfen: „Sind wir auf Englisch aus dem Vereinigten Königreich sichtbar?“, „Sind wir auf Englisch aus Indien sichtbar?“, „Sind wir auf Deutsch aus Deutschland und aus der Schweiz sichtbar?“

Das Problem wird dadurch verschärft, dass Antworten von KI-Systemen ihrer Natur nach stochastisch sind. Nach Daten von SparkToro liegt die Wahrscheinlichkeit, dass ChatGPT oder Google AI bei 100 Wiederholungen derselben Anfrage in wenigstens zwei Antworten dieselbe Markenliste liefern, unter 1 % [4]. Jede Antwort ist eine probabilistische Ziehung und kein deterministisches Ergebnis. Ein Wechsel von Sprache und Geografie fügt dieser Stochastik eine weitere Ebene hinzu.

Für die Diagnose bedeutet das, dass ein einzelner Durchlauf selbst in einer Sprache nicht genügt. Und für eine internationale Marke erfordert bereits eine minimal sinnvolle Diagnose eine Matrix: mehrere Sprachen × mehrere Plattformen × mehrere Wiederholungen.

Für ein Unternehmen, das in mehreren Märkten tätig ist, ist die sprachliche und geografische Diagnose kein Luxus, sondern Grundhygiene. Das Minimum, das sinnvoll ist:

Die Sichtbarkeit in jeder Sprache prüfen, in der die Marke sichtbar sein will. Nicht davon ausgehen, dass sich eine starke Position auf Englisch automatisch auf andere Sprachen überträgt.

Inhalte in der Zielsprache erstellen und sich nicht auf automatische Übersetzung verlassen. Modelle werden auf menschlichen Texten trainiert, und die Sprache maschineller Übersetzung fällt oft nicht mit der Sprache der realen Nachfrage in der jeweiligen Kultur zusammen.

Sicherstellen, dass die externe Vertrauenskontur (Rezensionen, Kataloge, Branchenmedien) die Zielsprachen abdeckt. Eine Marke, die 50 englischsprachige Rezensionen und null russischsprachige hat, bleibt für das Modell bei einer Anfrage auf Russisch unsichtbar.

Mehrsprachige Bezeichnungen in Wikidata ergänzen. Das ist einer der schnellsten Wege, KI-Systemen eine Entitätsverankerung in mehreren Sprachen zu geben.