Arbeiten

Meist aus einem von drei Gründen: Die Modelle haben im Training verstreute, teils veraltete Drittquellen über Sie gelesen. Ihre Identität lässt sich nicht eindeutig auflösen — Sie werden mit ähnlich benannten Organisationen vermischt. Oder es fehlt eine maschinenlesbare Primärquelle, gegen die ein KI-System Aussagen prüfen könnte. Korrigieren lässt sich das nicht per Beschwerde, sondern nur strukturell: eindeutige Identifikatoren, belegte Substanz, maschinenlesbare Auslieferung.

Fragen Sie die Systeme selbst — systematisch, nicht anekdotisch: dieselben Fragen über mehrere Modelle (ChatGPT, Claude, Gemini, Perplexity), zu Identität, Angebot, Führung und zur Abgrenzung von Namensvettern. Notieren Sie, welche Quellen zitiert werden. Genau diese Messung, wiederholt vor und nach Massnahmen, ist der Kern unserer Methodik — das Working Paper zur Schweizer Politlandschaft führt sie an einem neutralen Gegenstand vor.

Ja — der Beleg ist unser eigener Fall. jasswiki.ch — 520 Artikel als Knowledge-Graph, jedes Item Wikidata-verankert — wurde innerhalb von drei Monaten nach Publikation von Microsoft Copilot, Perplexity und DuckDuckGo AI als Primärquelle zitiert: ohne Backlinks, ohne Domain-Autorität, ohne Werbebudget. Struktur und Belegtheit haben gereicht. Das Prinzip ist übertragbar; die Voraussetzung ist echte Substanz.

In drei Bewegungen. Zuerst die Messung: Was sagen die Modelle heute über Sie, welche Quellen nutzen sie, wo wird verwechselt oder erfunden? Dann die Architektur: eindeutige Identifikatoren (Wikidata), maschinenlesbare Auszeichnung (Schema.org/JSON-LD), belegte Substanz dort, wo Lücken sind. Am Ende die Nachmessung mit denselben Fragen wie zu Beginn — Wirkung wird dokumentiert, nicht behauptet.

Zwei Geschwindigkeiten. Retrieval-gestützte Systeme (Perplexity, ChatGPT Search, Google AI Overviews) lesen das Web laufend — dort können neue strukturierte Inhalte innert Tagen bis Wochen in Antworten auftauchen. Das antrainierte Wissen der Modelle selbst ändert sich dagegen erst mit der nächsten Modell-Generation, also über Monate. Deshalb wirkt die Methode zuerst über zitierfähige Quellen und erst mit Verzögerung im Modell-Wissen.

Das Model Context Protocol (von Anthropic im November 2024 als offener Standard vorgestellt) macht Datenbestände für KI-Agenten direkt abrufbar — statt dass Modelle Ihre Website interpretieren, fragen sie einen definierten Endpunkt ab. Unser swiss-health-mcp zeigt das mit 1.6 Millionen amtlichen BAG-Datensätzen. Sinnvoll ist ein eigener MCP-Server, wenn Sie strukturierte Substanz besitzen, die Agenten verlässlich abrufen sollen — für die meisten Organisationen ist er die zweite Etappe, nicht der Einstieg.

Mit der Ist-Messung — sie kostet am wenigsten und entscheidet über alles Weitere. Erst wenn dokumentiert ist, was die Systeme heute über Sie sagen und woran es hängt, lässt sich priorisieren: Identität zuerst (Verwechslungen beseitigen), dann Auszeichnung, dann Substanz. Schreiben Sie mir Ihre Ausgangslage — remo@agenticrelations.ch.