Sprachfeld der Sichtbarkeit: Warum dieselbe Marke in unterschiedlichen Wettbewerbswelten lebt

Der Text „Sichtbarkeit im Spiegel von Sprache und Geografie“ analysiert die Mechanismen, über die Sprache die Sichtbarkeit beeinflusst. Hier blicken wir von der anderen Seite darauf — von den Daten zur Schlussfolgerung: Was genau geschieht mit einer konkreten Marke und ihren Wettbewerbern, wenn die Sprache gewechselt wird.

Wir wählten Notion — ein global bekanntes Produkt für Produktivität. Ganz bewusst: Wir brauchten eine Marke, die das Modell mit Sicherheit kennt, um die Erklärung „es gibt einfach zu wenige Daten“ auszuschließen. Fünf Ausführungen, fünf Sprachen, ein Modell, ein Korpus von Szenarien.

Der Score von Notion selbst schwankte moderat: von 62.9 im Französischen bis 75.7 im Deutschen, eine Spannweite von 12.8 Punkten. Die Konfidenzintervalle der Ausführungen überschneiden sich teilweise. Hätten wir hier aufgehört, wäre die Schlussfolgerung ruhig ausgefallen: „kleinere Schwankungen, möglicherweise Modellrauschen“.

Aber wir haben auf die Wettbewerber geschaut.

Die Spannweite bei Notion beträgt 12.8. Bei Slack liegt sie bei 54.9, bei Monday.com bei 39.5, bei Asana bei 30.4. Das sind fünf unterschiedliche Wettbewerbslandschaften, zusammengeführt in einer einzigen Tabelle.

Binäres Verschwinden: Slack

Im Russischen erhält Slack einen Score von 0.0 — das Modell erwähnt es im Kontext von Produktivität und Workspace-Tools überhaupt nicht. In den vier anderen Sprachen ist das Ergebnis stabil: 51–55 Punkte, bei einer Spannweite von nur 3.8 Punkten. Eine solche Stabilität in vier Sprachen bei einer vollständigen Null in der fünften ist ein starkes Argument dafür, dass es sich um eine stabile Eigenschaft des russischsprachigen Feldes handelt und nicht um einen zufälligen Ausreißer.

Die Erklärung liegt höchstwahrscheinlich in den Trainingsdaten: In englisch-, französisch- und deutschsprachigen Quellen wird Slack aktiv als Tool für Teamarbeit diskutiert. In russischsprachigen Quellen geschieht das praktisch nicht. Das Modell hat sein Wissen über Slack nicht verloren; es hat es in diesem Kontext nie erworben.

Graduelles Verschwinden: Monday.com

Monday.com zeigt einen gleichmäßigen Rückgang von 47.4 im Russischen auf 7.8 im Französischen. Das ist ein drittes Muster, das sich sowohl von der Stabilität bei Notion als auch von der binären Umschaltung bei Slack unterscheidet. Die Marke scheint beim Übergang zwischen den Sprachfeldern zu schmelzen — sie bleibt präsent, verliert aber an Gewicht.

Inversion: Microsoft Copilot

Dort, wo Notion am stärksten ist (Deutsch — 75.7), ist Copilot am schwächsten (24.8). Im Französischen zeigt sich das umgekehrte Bild: Notion 62.9, Copilot 51.1. Die beiden Marken scheinen auf einer Wippe zu arbeiten, und die Sprache bestimmt, wer oben steht. Nach unseren Beobachtungen könnte das mit der Aktivität von Microsoft in den frankophonen Märkten Europas zusammenhängen — für eine belastbare Aussage reichen die Daten jedoch nicht aus.

Eine unabhängige Analyse unserer Daten hat ein Muster sichtbar gemacht, das vielleicht wichtiger ist als die Wettbewerbsmatrix selbst.

Wenn die Marke im Prompt bereits genannt wird (diagnostischer Modus), antwortet das Modell in allen Sprachen gleich stabil über sie: 73–79 Punkte, Variationskoeffizient 3.7 %. Das Modell kennt Notion auf Russisch, Französisch und Deutsch gleich gut.

Die Unterschiede beginnen dort, wo der Nutzer die Marke noch nicht beim Namen genannt hat. Die durchschnittliche Position in der Antwort, die Aufnahme in die engere Auswahl der drei führenden Marken, die Zitation der Domain notion.so — all das hängt stark von der Sprache ab. Im Russischen wird notion.so in 24.5 % der Antworten zitiert, im Deutschen in 21.4 %, im Französischen in 0 %.

Für eine Marke ist das eine unbequeme Schlussfolgerung: Das Wissen des Modells über Sie ist eine notwendige, aber keine hinreichende Bedingung. Die entscheidende Frage ist, ob Sie in der engeren Auswahl erscheinen, wenn der Nutzer Ihren Namen noch nicht ausgesprochen hat. Die Antwort auf diese Frage hängt von der Sprache ab.

Wir sehen drei Kanäle, über die Sprache das Wettbewerbsfeld neu ordnet. Alle drei sind Hypothesen, die durch die Daten dieser Ausführungen gestützt, aber experimentell nicht validiert sind.

Der erste ist die Asymmetrie der Trainingskorpora. Das Modell wurde auf Texten trainiert, in denen unterschiedliche Marken in unterschiedlichen Sprachen mit unterschiedlicher Häufigkeit diskutiert werden. Russischsprachige Texte über Produktivität erwähnen Slack fast nie; englischsprachige erwähnen es ständig.

Der zweite sind unterschiedliche Webquellen. Im Web-Modus sucht das Modell in der Sprache der Anfrage und findet andere Rezensionen, Vergleiche und Rankings — mit anderer Zusammensetzung von Marken. Die französische Suche liefert französische Quellen, in denen Notion zwar bekannt ist, notion.so aber nicht zitiert wird.

Der dritte sind unterschiedliche assoziative Graphen der Kategorie. In jeder Sprache baut das Modell seine eigene Karte der Kategorie „Produktivität“ auf. Auf Russisch sind das Notion, Asana, ClickUp, Monday.com. Auf Französisch sind es Notion, Slack, Microsoft Copilot, ClickUp. Die Zusammensetzung der Akteure unterscheidet sich — und genau das bestimmt, wer in die Empfehlung gelangt.

Für die führende Marke der Kategorie ist VLF eher eine strategische Aufgabe als eine Krise. Ihr eigener Score schwankt nur moderat, doch die Wettbewerber, mit denen Sie in einer Sprache konkurrieren, können in einer anderen ganz andere sein. Eine Strategie, die um ein einziges Set von Wettbewerbern herum aufgebaut wurde, riskiert daher, im benachbarten Sprachmarkt irrelevant zu sein.

Für eine Marke, die nicht der dominante Akteur ist, ist die Situation härter. Monday.com verliert beim Übergang vom Russischen ins Französische 40 Punkte. Slack verschwindet im Russischen vollständig. Wenn Ihre Marke auf Platz zwei oder drei steht, ist VLF ein direktes Geschäftsrisiko: Sichtbarkeit, die in einer Sprache erarbeitet wurde, lässt sich nicht automatisch auf eine andere übertragen.

Die praktische Empfehlung ist einfach: In jeder Sprache des Zielmarkts eine eigene Studie durchführen. Nicht nur den eigenen Score vergleichen, sondern auch die Zusammensetzung des Wettbewerbsfelds. Eine Strategie zum Ausbau der Sichtbarkeit muss die konkreten Wettbewerber berücksichtigen, die in jeder Sprache existieren — denn in unterschiedlichen Sprachen können das unterschiedliche Unternehmen sein.

Die Daten beruhen auf fünf Ausführungen für eine Marke (Notion) auf dem Modell GPT-5.4. Alle Ausführungen nutzten das standardisierte AI100-Korpus mit 200 Szenarien. Zwei Ausführungen (RU und FR) wurden am 2. April durchgeführt, drei (EN, DE, ES) am 3. April 2026. Unterschiede zwischen den Tagen (Tageseffekt) wurden nicht vom Spracheffekt getrennt.

Die Konfidenzintervalle der finalen Scores überschneiden sich teilweise. Der Cochran-Q-Test schätzt die Wahrscheinlichkeit, dass die gesamte Spannweite durch Modellrauschen erklärt wird, auf 4–8 % — an der Grenze statistischer Signifikanz. Die strukturellen Muster — die Stabilität von Slack in vier Sprachen bei einer Null in der fünften, der Gradient bei Monday.com, die Inversion bei Copilot — lassen sich durch Stochastik jedoch nur schwer erklären.

Die wichtigste Einschränkung lautet: eine Marke, ein Modell, eine Kategorie, eine Ausführung pro Sprache. Für eine belastbare Validierung braucht es Wiederholungen (mindestens 5 pro Sprache) und Tests mit anderen Marken und Modellen. Wir nennen diese Beobachtung VLF und halten sie für ausreichend begründet, um veröffentlicht zu werden, aber nicht für hinreichend validiert, um daraus endgültige Schlussfolgerungen zu ziehen.