Messung
Sentiment (KI-Nennungen)
Kurz gesagt: Sentiment beschreibt, in welchem Ton ein KI-System deine Marke nennt: empfehlend, neutral oder mit Einschränkung – und damit, ob eine Nennung dir nützt oder schadet.
Sentiment (KI-Nennungen): die Kurzfassung
Die Sentiment-Auswertung ergänzt die Zählung von Nennungen um deren Richtung. Eine Marke kann genannt werden, weil sie empfohlen wird, weil sie als neutrales Beispiel dient oder weil ein Vorbehalt an ihr festgemacht wird. Anders als die klassische Sentiment-Analyse in Social Media, die Meinungen von Menschen misst, bewertet sie die Darstellung durch ein Modell. Diese Darstellung stammt aus Trainingsdaten oder live abgerufenen Quellen und lässt sich über diese Quellen beeinflussen.
Was dahintersteckt
In der Praxis genügen drei Stufen: empfehlend, neutral erwähnt, mit Einschränkung genannt. Feinere Skalen suggerieren eine Genauigkeit, die bei der Einordnung freier Texte nicht existiert. Zwei Personen, die dieselbe Antwort auf einer Zehnerskala bewerten, liegen selten gleich; bei drei Stufen stimmen sie meistens überein.
Automatisierung ist möglich, aber mit Vorsicht. Viele Tools lassen ein zweites Sprachmodell die Antworten bewerten. Die Forschung nutzt das ebenfalls: Das GEO-Paper von Aggarwal und Kollegen misst mit dem Verfahren G-Eval unter anderem, wie stark eine Antwort auf eine Quelle setzt und wie prominent diese erscheint. Für Marketingzwecke gilt: Stichproben von Hand prüfen. Klassische Sentiment-Modelle stolpern über Vergleichstexte, weil ein Satz wie „teurer als X, aber mit besserem Support“ für die Marke je nach Zielgruppe positiv oder negativ ist.
Der interessante Teil sind die Einschränkungen. Wenn ein System eine Marke wiederholt mit demselben Vorbehalt nennt, etwa „nur regional tätig“ oder „eher für Großkunden“, stammt dieser Vorbehalt fast immer aus einer bestimmten Quelle: einem alten Fachartikel, einer Bewertung auf einem Bewertungsportal, einer veralteten Über-uns-Beschreibung. Bei Systemen mit Live-Abruf steht diese Quelle oft direkt in der Quellenliste. Bei Antworten aus dem Modellwissen hilft ein Blick darauf, welche Texte zur Marke im Netz am häufigsten auftauchen.
Wichtig ist die Abgrenzung zur Halluzination. Ist der Vorbehalt schlicht falsch und in keiner Quelle belegt, hat das Modell ihn erfunden oder falsch kombiniert. Dann hilft eine klare, konsistente Darstellung der Fakten an mehreren verlässlichen Stellen. Ist er belegt, aber veraltet, korrigierst du die Quelle selbst oder sorgst für aktuellere Texte, die ihn ablösen. Beides wirkt oft stärker als jede zusätzliche Erwähnung. Die Tonalität gehört deshalb in jede KI-Wettbewerbsanalyse, auch für die Wettbewerber.
An einem Fall erklärt
Ein Anbieter von Laborsoftware wird in vielen Antworten genannt, aber häufig mit dem Zusatz, er richte sich an Konzerne. Die Quellenlisten führen zu einem mehrere Jahre alten Branchenartikel über ein Großprojekt. Der Anbieter veröffentlicht aktuelle Anwendungsbeispiele kleiner Labore, aktualisiert seine Profile in zwei Fachverzeichnissen und bittet die Redaktion um eine Ergänzung. Die folgenden Messungen prüfen, ob der Zusatz seltener wird.
Wenn du das nicht selbst aufbauen willst: Prompt-Monitoring: KI-Sichtbarkeit laufend messen →
Was oft gefragt wird
Lässt sich Sentiment in KI-Antworten automatisiert messen?
Ansatzweise. Einige Tools lassen die Antworten von einem zweiten Sprachmodell bewerten, die Zuordnung bleibt aber bei Vergleichen und Einschränkungen unscharf. Bei kleinen Sets ist eine manuelle Einordnung in drei Stufen genauer. Bei großen Sets lohnt eine automatische Vorsortierung mit Stichprobenprüfung.
Was tue ich bei negativen Nennungen?
Die Quelle suchen. Fast jede wiederkehrende Einschränkung lässt sich auf einen konkreten Text zurückführen, oft sichtbar in der Quellenliste der Antwort. Ist der Text veraltet, sorgst du für eine Korrektur oder aktuellere Darstellungen; ist er berechtigt, liegt die Aufgabe beim Angebot selbst.
Ist eine neutrale Nennung schlecht?
Nein. Neutral heißt: Die Marke ist als relevanter Anbieter anerkannt, ohne dass das System eine Empfehlung ausspricht. Das ist oft die Vorstufe zur Empfehlung. Kritisch wird es erst, wenn neutrale Nennungen dauerhaft mit einem bestimmten Vorbehalt verknüpft sind.
Begriffe im Umfeld
Quellen: Aggarwal et al.: GEO – Generative Engine Optimization (arXiv/KDD 2024) (Stand September 2026) · Liu et al.: G-Eval – NLG Evaluation using GPT-4 with Better Human Alignment (arXiv 2023) (Stand September 2026)
Definitionen im Glossar sind redaktionell geprüft, ersetzen aber keine Beratung für deinen Einzelfall. Zurück zum Glossar
Wirst du in KI-Antworten genannt?30 Minuten, kostenlos, mit ehrlicher Einschätzung.
Reden wir 30 Minuten darüber
Kostenlos, unverbindlich und mit einer ehrlichen Einschätzung, ob sich GEO bei dir gerade lohnt.