Kategoriesubstitution: wie eine Marke nicht nur gegen einen Wettbewerber, sondern auch gegen einen fremden Entscheidungsrahmen verliert

Eine Marke verkauft eine Plattform für Loyalitätsmanagement an Restaurantketten. Ein Marketingverantwortlicher tippt in AI Mode: „Wie halte ich Stammgäste in einer Kette aus 30 Restaurants?" — und erwartet, neben direkten Wettbewerbern aufzutauchen. Stattdessen formuliert das System die Aufgabe um zu „CRM-Automatisierung für die Gastronomie" — und liefert ein völlig anderes Set von Anbietern, von denen die Hälfte keine Loyalitätslösungen verkauft, sondern Buchhaltungssysteme mit einem Mailing-Modul. In der KI-Antwortumgebung ist dieses Modell jedoch zu eng. Hier kann eine Marke schon vor der Begegnung mit einem Wettbewerber verlieren — schlicht deshalb, weil das System die Frage anders rahmt. Der Nutzer fragt nicht nach einer Marke, sondern nach einer Aufgabe; die Maschine übersetzt die Frage in die Sprache einer Kategorie; die Kategorie zerfällt anschließend in eine Reihe von Kriterien; und erst innerhalb dieser Kriterien erscheinen andere Akteure, an die der Nutzer ursprünglich nicht einmal gedacht hatte. Genau das ist Kategoriesubstitution: eine Niederlage nicht im Vergleich von Marken, sondern in dem Rahmen, innerhalb dessen überhaupt entschieden wird, wen man für relevant hält.

Dieser Mechanismus ist in die Natur moderner KI-Suchsysteme selbst eingebaut. Google schreibt, dass AI Mode besonders für komplexe Vergleiche und nuancierte Fragen nützlich ist und dass AI Overviews und AI Mode eine Anfrage fächerförmig auf Unterthemen aufteilen und zusätzliche Suchanfragen zu verwandten Aspekten auslösen können [1]. In die Sprache kommerzieller Auswahl übersetzt bedeutet das Folgendes: Wenn ein Nutzer eine Frage zur Lösung einer Aufgabe stellt, muss sich das System nicht auf jene Marken beschränken, die dem Nutzer bereits bekannt sind. Es kann zunächst die verborgene Kategorie bestimmen, dann Kriterien herausarbeiten und erst danach eine Auswahl an Alternativen zusammenstellen, die diesen Kriterien entsprechen. In einer solchen Logik kann eine Marke lange vor dem direkten Vergleich mit Wettbewerbern verschwinden.

Empirische Daten bestätigen, dass der Typ der Anfrage hier entscheidend ist. In der Studie The Rise of AI Search zeigen die Forscher, dass KI-Antworten bei Fragen deutlich häufiger erscheinen als bei Navigationsanfragen, bei denen der Nutzer bereits weiß, wohin er gelangen will [2]. Anders gesagt: Eine Marke ist relativ sicher, wenn die Nachfrage bereits zu ihren Gunsten geformt ist — wenn ein Mensch den Namen des Unternehmens, des Produkts oder beinahe den direkten Weg dorthin eingibt. Doch gerade in der frühen und mittleren Phase der Auswahl, in der der Nutzer fragt „Was eignet sich besser für diese Aufgabe?“, „Womit soll ich anfangen?“ oder „Welches Werkzeug passt unter diesen Einschränkungen?“, erhält der Vermittler den größten Spielraum bei der Festlegung des Rahmens. Und genau dort entsteht der schmerzhafteste Verlust an Aufmerksamkeit.

Die Bedeutung dieses Mechanismus wächst nicht nur in der Theorie, sondern im massenhaften Nutzerverhalten. McKinsey schreibt, dass bereits etwa die Hälfte der Konsumenten KI-gestützte Suche nutzt und dass 44% dieser Nutzer sie als wichtigste Informationsquelle bei Kaufentscheidungen bezeichnen [5]. Wenn das so ist, wird Kategoriesubstitution nicht zu einem seltenen Fehler der Oberfläche, sondern zu einem systemischen Ort der Umverteilung von Nachfrage. Der Nutzer erhält den ersten Entscheidungsrahmen immer häufiger nicht von der Marke und nicht von seinen eigenen Suchpfaden, sondern von einem Vermittler, der selbst festlegt, in welcher Sprache die Aufgabe überhaupt beschrieben wird.

Kategoriesubstitution kann in mindestens vier Formen auftreten. Die erste ist ein Wechsel der Aufgabenbezeichnung. Die Marke glaubt, in einer bestimmten Kategorie zu arbeiten, während das System das Nutzerbedürfnis in einer anderen sieht. Ein Unternehmen verkauft beispielsweise eine „Umgebung für intelligente Analytik im Handel“, die KI übersetzt dies jedoch in das einfachere „Reporting-Tool für Online-Shops“. Die zweite Form ist ein Wechsel der Kriterien. Die Marke hat ihre Positionierung um Präzision, Tiefe und Integration aufgebaut, die Maschine entscheidet jedoch, dass in dieser Frage einfache Einführung und niedrige Einstiegshürden die wichtigsten Kriterien sind. Die dritte Form ist eine Verengung oder Ausweitung der Alternativen. Das System kann unerwartet Services aus einer benachbarten Kategorie in den Vergleich einbeziehen, wenn es der Auffassung ist, dass sie besser auf die Nutzerfrage antworten. Die vierte Form ist die Verdrängung der Marke durch eine Beschreibung der Lösungsklasse. In diesem Fall kommt die Antwort ganz ohne Unternehmensnamen aus und bleibt auf der Ebene „Man sollte besser Tools mit diesen Eigenschaften wählen“. Formal hat die Marke nicht gegen einen direkten Wettbewerber verloren. De facto ist sie jedoch bereits aus dem Moment der Auswahl verdrängt.

In der Antwortumgebung ist das vor allem für Unternehmen mit einer komplexen oder übermäßig technischen Selbstbezeichnung gefährlich. Nutzer kommen nur selten mit der fertigen Terminologie der Marke zur KI. Sie beschreiben das Problem in lebendiger Sprache: „Ich will schneller implementieren“, „Ich bin nicht bereit für eine schwere Integration“, „Ich brauche ein Tool, das das Team ohne eigenen Analysten versteht“, „Ich suche eine Lösung für den Mittelstand und nicht für einen riesigen Konzern“. Wenn eine Marke jahrelang in der Sprache ihrer internen Kategorien über sich gesprochen hat, ohne diese mit der realen Sprache der Nachfrage zu verbinden, ordnet das System sie leicht einem fremden Korb zu — oder findet gar keinen Grund, sie überhaupt einzuordnen.

Microsoft schreibt in Materialien zu neuen Metriken der KI-Suche, dass der Nutzerpfad kürzer wird, zugleich aber tiefer in die Antwortumgebung integriert ist: Die Intention wird in jedem Dialogschritt präzisiert, und ein Teil der Auswahl erfolgt bereits vor dem Besuch der Website [3]. Dieses Detail steht in direktem Zusammenhang mit Kategoriesubstitution. Je größer der Anteil der Entscheidung ist, der innerhalb des Gesprächs getroffen wird, desto stärker ist der Einfluss jener Kriterien und Vergleiche, die das System selbst an die Oberfläche bringt. Ein Nutzer kann das Gespräch mit einer relativ neutralen Aufgabe beginnen und sich bereits im zweiten oder dritten Schritt in einem Rahmen wiederfinden, in dem ganz andere Klassen von Lösungen betrachtet werden.

Das Problem verschärft sich dadurch, dass Marken sich häufig anhand markenbezogener Nachfrage messen und daraus falsche Schlüsse über den Markt ziehen. Wenn Nutzer, die das Unternehmen bereits kennen, es weiterhin über den Namen finden, entsteht der Eindruck von Stabilität. Google hat jedoch nicht zufällig in der Search Console einen eigenen Filter für markenbezogene und nicht markenbezogene Suchanfragen eingeführt [4]. Die Plattform erkennt damit an, dass diese beiden Welten unterschiedlichen Wachstumslogiken folgen. Eine markenbezogene Anfrage zeigt die Stärke bereits ausgebildeten Wissens über ein Unternehmen. Eine nicht markenbezogene Anfrage zeigt die Fähigkeit einer Marke, dort zu erscheinen, wo der Nutzer noch nicht entschieden hat, über wen er eigentlich fragt. In der KI-Antwortumgebung wird gerade diese zweite Welt zum wichtigsten Kampffeld.

Für ai100 kann Kategoriesubstitution zu einer besonders ergiebigen Forschungsreihe werden. Für jede Branche lässt sich ein Korpus realer Nutzerformulierungen aufbauen und beobachten, in welche Kategorien verschiedene Systeme sie übersetzen. Wie häufig bleibt die Marke innerhalb der ursprünglichen Kategorie? Wie häufig ersetzt das System den Kriterienkatalog? Welche Typen benachbarter Lösungen werden dem Vergleich beigemischt? Wie wirkt sich die Veränderung von ein oder zwei Formulierungen in der Aufgabenstellung aus? Solche Studien zeigen rasch, dass ein Verlust in der KI längst nicht immer so aussieht, als habe „der Wettbewerber unseren Platz eingenommen“. Viel häufiger ist er ein leiser Verlust des Rechts, überhaupt in den Entscheidungsrahmen aufgenommen zu werden.

Die praktische Antwort auf dieses Problem beginnt mit der Neuzusammensetzung der eigenen Sprache. Eine Marke muss sich nicht nur in jener Kategorie verankern, die sie selbst für richtig hält, sondern auch in den benachbarten Nutzerformulierungen der Aufgabe. Das bedeutet, dass Inhalte, Dokumentation, externe Übersichten, Vergleichsmaterialien und maschinenlesbare Beschreibungen nicht nur die interne Positionierung transportieren dürfen, sondern auch Brücken zur realen Sprache der Nachfrage schlagen müssen. Wenn ein Produkt „für einen schnellen Start ohne lange Implementierung“ geeignet ist, muss das ebenso klar formuliert sein wie seine architektonischen Vorzüge. Wenn ein Unternehmen nicht nur mit dem großen Unternehmenssegment assoziiert werden will, muss dies durch externe Fallstudien und Beschreibungen bestätigt werden und darf keine unternehmensinterne Wunschvorstellung bleiben.

Daraus folgt auch ein breiteres strategisches Fazit. In der klassischen Suche konnte es sich eine Marke teilweise leisten, in der eigenen Kategorie zu leben und darauf zu warten, dass der Nutzer selbst dorthin findet. In der Antwortumgebung wartet der Vermittler nicht. Er baut selbst die Brücke vom Problem zur Lösung — und entscheidet damit auch selbst, welche Kategorien er für relevant hält. Der heutige Kampf um Sichtbarkeit ist deshalb nicht nur ein Kampf um die Erwähnung einer Marke, sondern auch um das Recht, das Vokabular der Aufgabe selbst zu definieren. Wer im Vokabular verliert, beginnt bereits vor dem Produktvergleich zu verlieren.

Gerade deshalb ist Kategoriesubstitution eines der wichtigsten Themen für ein reifes Verständnis des KI-Marktes. Sie zeigt, dass die neue Niederlage einer Marke für klassische Analytik nahezu unsichtbar sein kann. Die Website hat nach dem eigenen Namen keine Positionen verloren. Der Wettbewerber hat die Marke scheinbar nicht frontal „geschlagen“. Doch die Nachfrage ist bereits in einen anderen Rahmen abgeflossen, in dem nach fremden Kriterien und unter fremden Anbietern gewählt wird. In dieser neuen Umgebung gewinnt nicht nur, wer bekannt ist, sondern vor allem, wer rechtzeitig zur naheliegenden Antwort auf die Aufgabe des Nutzers geworden ist, bevor die Maschine diese Aufgabe auf ihre eigene Weise umbenannt hat.