Autorin: Dr. Lydia Prexl

Reputation entsteht immer häufiger in KI-Antworten. Sprachmodelle bündeln öffentliche Diskurse, ordnen sie ein und geben sie als scheinbar objektives Wissen zurück. Für Kommunikationsverantwortliche bedeutet das: Sie müssen nicht nur beobachten, was über ein Unternehmen gesagt wird – sondern auch, was KI daraus macht.

Immer mehr Menschen informieren sich nicht mehr über klassische Suchmaschinen, sondern verlassen sich auf die Antworten von KI-Sprachmodellen (LLMs). Diese funktionieren jedoch grundlegend anders als Google & Co.: Sie verlinken nicht auf einzelne Websites, sondern fassen Informationen aus zahlreichen Quellen zusammen und liefern eine interpretierte Antwort. Damit ist eine KI-Antwort nicht nur Information, sondern immer auch Deutung, und genau diese prägt zunehmend die Wahrnehmung von Unternehmen, Marken und Themen.

Kommunikationsverantwortliche stehen damit vor zwei Herausforderungen: Erstens müssen sie klären, ob ihr Unternehmen überhaupt in KI-Modellen auftaucht. Zweitens müssen sie prüfen, wie es dort erscheint – in welchem Ton und mit welchen Assoziationen.

KI als Reputationsakteur und Analyseinstrument

Sprachmodelle sind dabei Untersuchungsgegenstand und Werkzeug zugleich.

Einerseits geht es um das Monitoring KI-generierter Aussagen über Unternehmen, die reputationswirksam sind. Im Fokus steht die Frage: Was sagen KI-Systeme über ein Unternehmen? Gemeint ist die systematische Erfassung, Analyse und Bewertung von Antworten, die Sprachmodelle auf typische Nutzerfragen geben, etwa zu Qualität, Vertrauenswürdigkeit, Skandalen, Nachhaltigkeit oder Arbeitgeberattraktivität. Dieses Monitoring ähnelt dem klassischen Medien- oder Social-Media-Monitoring, bezieht sich jedoch auf einen neuen Akteur: die KI selbst als „Kommunikator“.

Andererseits geht es um die Nutzung von KI zur Beobachtung und Messung von Reputation – also um ein KI-gestütztes Reputationsmonitoring. Hier ist KI nicht das Objekt, sondern das Werkzeug. Sprachmodelle werden eingesetzt, um große Textmengen auszuwerten und daraus Reputationsindikatoren wie Tonalität, Themen, Vertrauen, Risiken oder Narrative abzuleiten.

Beide Ebenen greifen ineinander. Denn die Trainingsdaten und Antwortmuster von Sprachmodellen speisen sich aus öffentlichen Diskursen, die zugleich durch KI analysiert werden. Reputation entsteht damit zunehmend in einem Kreislauf aus öffentlicher Kommunikation, KI-gestützter Auswertung und KI-basierter Wiedergabe – ein Wandel, der strategisches Reputationsmanagement neu definiert.

Warum Sprachmodelle keine Messinstrumente sind

Wie kann ein KI-gestütztes Reputationsmonitoring aussehen?

Etablierte Modelle der Reputationsmessung wie RepTrak oder der Reputation Quotient (RQ) basieren auf umfangreichen Befragungen. Sie sind objektiv, reliabel und valide und erfüllen damit die zentralen Gütekriterien empirischer Forschung.

Sprachmodelle erfüllen keines dieser Kriterien. Ihre Antworten hängen stark vom Prompt, vom Kontext, von der Sprache und sogar von der Reihenfolge der Fragen ab. Sie sind daher nicht objektiv im messtheoretischen Sinn, sondern prompt-sensitiv. Auch ihre Reliabilität ist eingeschränkt: Derselbe Prompt erzeugt ähnliche, aber nie identische Antworten. Sprachmodelle sind damit nicht reliabel im strengen Sinne, sondern lediglich stilistisch stabil. Schließlich sind sie auch nicht valide, denn sie messen nichts. Stattdessen erzeugen sie Texte, die wie Messungen wirken. 

Gerade diese Defizite zeigen, dass Sprachmodelle nicht als Messinstrumente missverstanden werden dürfen. Und dennoch eignen sie sich erstaunlich gut als Proxy für Reputation, sofern man sie richtig einsetzt.

Denn in der digitalen Öffentlichkeit entsteht Reputation weniger durch individuelle Erfahrungen als durch Sprache, Wiederholung und mediale Sichtbarkeit. Was ein Unternehmen „ist“, ergibt sich aus dem, was kontinuierlich über es gesagt, geschrieben und zitiert wird. Zuschreibungen wie „innovativ, aber chaotisch“ oder „teuer, aber hochwertig“ prägen Entscheidungen auch bei Menschen ohne eigene Erfahrung. Reputation ist keine objektiv messbare Eigenschaft, sondern das Ergebnis kollektiver Wahrnehmung.

Von erlebter zu diskursiver Reputation

Vor diesem Hintergrund sind LLMs keine Instrumente zur Messung erlebter, sondern diskursiver Reputation. Es geht nicht darum, was reale Kunden nach konkreten Interaktionen denken, sondern welches Bild sich im öffentlichen Sprachraum stabilisiert hat.

Genau hier liegt die Stärke von Sprachmodellen. Sie sind auf enorme Textmengen trainiert und besonders gut darin, dominante Narrative zu erkennen und zu verdichten. Sie verarbeiten Inhalte aus Medien, sozialen Netzwerken, Foren oder Review-Plattformen und fassen den öffentlichen Diskurs zusammen. Anders gesagt: Sprachmodelle haben keinen direkten Zugang zur Wirklichkeit, aber ein leistungsfähiges Modell darüber, wie Menschen über Unternehmen und Marken sprechen.

Wenn Reputation als Ergebnis diskursiver Verdichtung verstanden wird, lässt sie sich heuristisch entlang dreier Dimensionen strukturieren: Bekanntheit, Einstellung und Zuschreibung. Alle drei lassen sich mit Hilfe von Sprachmodellen systematisch beobachten – wenn auch auf unterschiedliche Weise.

Bekanntheit: Wird das Unternehmen überhaupt mitgedacht?

Bekanntheit beschreibt, ob und wie stark ein Unternehmen im kognitiven Raum des Marktes existiert. In einem KI-vermittelten Umfeld bedeutet das vor allem: Taucht das Unternehmen in den Antworten von Sprachmodellen auf, wenn reale Entscheidungs- und Orientierungsfragen gestellt werden?

In der Praxis kombiniere ich zwei Ansätze. Einerseits nutze ich spezialisierte Tools, die die Sichtbarkeit von Unternehmen in verschiedenen Sprachmodellen erfassen. Andererseits arbeite ich mit standardisierten, neutral formulierten Prompts wie „Welche Anbieter sind führend im Bereich …?“ oder „Welche Unternehmen gelten als vertrauenswürdig, wenn es um … geht?“. Diese werden identisch über mehrere Modelle hinweg gestellt.

Entscheidend ist nicht die einzelne Nennung, sondern das aggregierte Muster: Wie häufig wird ein Unternehmen genannt? In welchen Kontexten? Und welche Position nimmt es im Vergleich zu Wettbewerbern ein? So wird sichtbar, ob eine Marke zur engeren Auswahl gehört oder kaum eine Rolle spielt. Bekanntheit zeigt sich hier als diskursive Präsenz in relevanten Entscheidungssituationen.

Einstellung: Wie wird das Unternehmen emotional bewertet?

Die zweite Ebene betrifft die emotionale Färbung dieser Präsenz. Hier geht es darum, ob die Wahrnehmung überwiegend positiv, negativ oder ambivalent ist. Diese Dimension lässt sich nicht direkt aus KI-Antworten ablesen, da Sprachmodelle selbst keine Bewertungen vornehmen, sondern Diskurse verdichten.

Daher ist ein Zwischenschritt nötig, der die aggregierte Marktstimme mit realen Nutzungserfahrungen verbindet. In der Praxis bedeutet das: Aktuelle Kundenbewertungen werden systematisch aufbereitet und als Datengrundlage genutzt.

Rezensionen aus relevanten Quellen, wie etwa Trustpilot, App-Stores oder branchenspezifischen Plattformen, werden für einen definierten Zeitraum exportiert, konsolidiert, bereinigt und strukturiert. Anschließend analysieren mehrere Sprachmodelle denselben Datensatz, ohne externes Wissen einzubeziehen. Sie erkennen Stimmungen, identifizieren wiederkehrende Themen und machen zeitliche Veränderungen sichtbar.

Die Ergebnisse werden verdichtet: typische Erfahrungsmuster, dominante Zufriedenheit oder wiederkehrende Frustrationspunkte. Da alle Anbieter mit identischer Datengrundlage und identischen Prompts analysiert werden, entsteht ein konsistentes Vergleichsbild der emotionalen Marktbewertung.

Zuschreibungen und Assoziationen: Wofür steht das Unternehmen?

Die dritte Dimension betrifft die inhaltliche Bedeutung einer Marke: Wofür steht ein Unternehmen im Markt? Welche Eigenschaften, Themen und Bedeutungen werden ihm zugeschrieben?

Dies lässt sich erfassen, indem wiederkehrende Begriffe, Eigenschaften und Assoziationen systematisch identifiziert und gebündelt werden. Kommunikationsverantwortliche definieren dafür einheitliche Prompts wie: „Gilt das Unternehmen als seriös?“, „Mit welchen Themen wird es am häufigsten verbunden?“ oder „Ist die Positionierung klar oder widersprüchlich?“. Diese werden von mehreren Sprachmodellen beantwortet.

Anschließend werden die Antworten verglichen. Konsistente Beschreibungen deuten auf eine kohärente Reputation hin, starke Abweichungen auf eine fragmentierte Marktidentität. Die genannten Themen und Attribute werden strukturiert und als positiv, negativ oder ambivalent eingeordnet.

So entstehen Reputationscluster, die zeigen, ob eine Marke vor allem mit Vertrauen, Innovation, Regulierung, Risiko oder Kontroversen verbunden wird. Abschließend wird die Klarheit der Positionierung bewertet: Stimmen die Beschreibungen weitgehend überein, gilt das Profil als stabil; laufen sie auseinander, entsteht ein unscharfes Bild, das gezielt kommunikativ bearbeitet werden sollte.

Über Dr. Lydia Prexl 

Lydia Prexl ist Strategin für Kommunikation mit über fünfzehn Jahren Erfahrung. Seit 2021 verantwortet die promovierte Anglistin die interne und externe Kommunikation beim europäischen Zahlungsdienstleister Unzer. Zuvor baute sie die Kommunikationsfunktion des Fintech-Versicherers Getsafe auf. Außerdem ist sie Autorin und Herausgeberin mehrerer Bücher und Leitfäden zu Kommunikation und Schreiben, darunter Wie kommunizieren Startups?