Zum Inhalt springen
ARO

Messung

Wo die Konzerne verschwinden

Zwei Fragen aus derselben Kaufsituation, an dieselben drei Systeme. Die eine wird von Accenture, Deloitte und IBM beantwortet, die andere von Häusern mit dreistelliger Mitarbeiterzahl. Wir konnten nachvollziehen, warum.

Autor
Tim Hilgendorf
Lesezeit
8 Min.
Status
Entwurf, unveröffentlicht

Woher die Zahlen stammen

Dieser Beitrag enthält eigene Messdaten, erhoben im August 2026 über ChatGPT, Gemini und Claude mit aktiver Websuche. Der Aufbau: fünf kaufnahe Fragen aus einer Kategorie, jede dreimal, jeder Durchlauf in einer eigenen, leeren Konversation — 15 Durchläufe je Modell und Frageform. Bei dieser Stichprobengröße liegt das 95-%-Intervall bei rund ± 25 Prozentpunkten. Wir berichten deshalb Kontraste statt Einzelprozente und legen Fragewortlaut wie Rohdaten offen, damit jede Aussage hier nachgeprüft werden kann.

Dieser Befund entstand aus einem Zweifel. In einer früheren Auswertung fehlten auffällig viele mittelständische Anbieter bei einem der drei Systeme — so viele, dass ein Messfehler naheliegender schien als ein echtes Ergebnis.

Es war kein Messfehler. Es war ein Muster, das wir vorher nicht gesehen hatten, und es ist das Nützlichste, was wir bisher gemessen haben.

Zwei Fragen, zwei verschiedene Märkte

Beide Fragen zielen auf dieselbe Kaufsituation: ein Unternehmen sucht einen Partner für die Migration von SAP ECC auf S/4HANA. Beide wurden dreimal an drei Systeme gestellt, am selben Tag, mit aktiver Websuche.

  • „Wir wollen von SAP ECC auf S/4HANA migrieren. Welche fünf Anbieter gehören auf unsere Auswahlliste?“ — 56 Anbieternennungen, davon 43 globale Konzerne. 77 Prozent.
  • „Welche Anbieter bieten ein deutsches Beratungsteam und Festpreis? Nenne fünf konkrete Anbieter.“ — 43 Anbieternennungen, davon 0 globale Konzerne. Keine einzige.

Als globale Konzerne gezählt wurden Accenture, Deloitte, Capgemini, IBM, PwC, KPMG, EY, Infosys, Wipro, TCS, HCLTech, Cognizant, Atos, DXC, T-Systems und NTT Data.

Zur Einordnung des Größenverhältnisses: Der Unterschied zwischen den drei Systemen lag in derselben Messung bei 13 Prozentpunkten im Median. Der Unterschied zwischen diesen beiden Frageformen liegt bei 77. Die Frage schlägt das Modell um ein Vielfaches.

Der Mechanismus steht in den Quellenangaben

Interessant wurde es beim Blick darauf, welche Websites die Systeme während der Beantwortung tatsächlich aufgerufen haben. Die beiden Fragen führten in zwei völlig verschiedene Ecken des Netzes.

  • Bei der Frage nach der Auswahlliste: deloitte.com, infosys.com, ibm.com, cognizant.com, hcltech.com, t-systems.com.
  • Bei der Frage nach deutschem Team und Festpreis: all-for-one.com, akos-sap.de, gambit-group.com, crewharbor.de, wi-ag.de, stellwerk.net.

Wir haben eine dieser Domains stichprobenartig geprüft, weil uns die Firma unbekannt war. Auf crewharbor.de stehen die Worte „Festpreis“ und „deutschsprachige SAP-Berater“ — exakt die beiden Anforderungen aus der Frage. Das System hat nichts erfunden. Es hat eine Seite gefunden, die die Frage beantwortet, und die Firma genannt, der sie gehört.

Was wir hier noch nicht wissen

Der Zusammenhang zwischen zitierter Quelle und Nennung ist sichtbar, aber nicht experimentell isoliert. Der saubere Test wäre, auf einer Seite gezielt eine Anforderungsformulierung zu ergänzen und dieselbe Frage danach erneut zu stellen. Genau das prüfen wir gerade an einem kontrollierten Fall. Bis dahin gilt: Der Kontrast von 77 zu 0 Prozent ist gemessen, die Erklärung dafür ist gut belegt, aber sie ist eine Erklärung.

Was das für mittelständische Anbieter heißt

Die übliche Sorge lautet: Gegen Accenture und Deloitte kommen wir in KI-Antworten nie an. Nach dieser Messung stimmt das für die eine Hälfte der Fragen und ist für die andere Hälfte falsch.

Bei breiten Fragen — wer sind die führenden Anbieter, wen sollten wir uns ansehen — gewinnt Markenmasse. Wer dort um Sichtbarkeit kämpft, kämpft gegen jahrzehntelange Präsenz in jedem verfügbaren Text. Das ist verlorene Mühe.

Bei Anforderungsfragen kippt das Verhältnis vollständig. Branche, Unternehmensgröße, Region, Vertragsmodell, Systemumgebung — sobald eine Bedingung im Spiel ist, verschwinden die Konzerne, und es gewinnt, wessen Website die Bedingung beantwortet. In unserer Messung war das mehrfach ein Haus mit dreistelliger Mitarbeiterzahl.

Und das ist die kaufnähere Frage. Wer nach Festpreis und deutschem Team fragt, steht kurz vor einer Anfrage. Wer nach den führenden Anbietern fragt, sammelt.

Warum wir diesen Befund für den wichtigsten halten

Die meisten Aussagen über KI-Sichtbarkeit enden in einer Sackgasse: Man kann das Modell nicht steuern, die Trainingsdaten nicht ändern, die Gewichte nicht anfassen. Alles, was folgt, klingt nach Hoffen.

Dieser Befund zeigt einen Kanal, der offen ist. Die Systeme lesen bei Anforderungsfragen öffentlich zugängliche Seiten und nennen deren Betreiber. Diese Seiten gehören dem Anbieter. Sie sind das einzige Glied in der ganzen Kette, das er selbst in der Hand hat.

Was wir daraus gebaut haben

Drei Festlegungen, die direkt aus dieser Messung stammen:

  • Jedes Prompt-Set enthält beide Sorten — breite Fragen und Anforderungsfragen. Wer nur breit misst, misst ausschließlich Markenmasse und übersieht den Teil, an dem sich arbeiten lässt.
  • Wir werten die Anforderungsfragen getrennt aus. Eine Gesamtquote über beide Sorten vermischt einen Wettbewerb, der entschieden ist, mit einem, der offen ist.
  • Wir erheben zu jeder Antwort die zitierten Quellen. Ohne sie hätten wir den Kontrast gesehen und nicht verstanden — und ohne Verständnis keine Maßnahme.

Das Learning in einem Satz: Nicht jede KI-Sichtbarkeit ist gleich erreichbar — aber der erreichbare Teil ist genau der, der am nächsten an der Kaufentscheidung liegt.

Der erste Schritt ist eine Messung, keine Maßnahme.

Wir starten mit einem definierten Prompt-Set aus Ihrer Kaufsituation und messen, wo Sie heute stehen. Ohne diese Ausgangslage lässt sich später nicht beurteilen, ob eine Veränderung eingetreten ist.