Category Framing steuert KI-Markenempfehlungen

Viele Marken stellen bei der KI-Sichtbarkeit die falsche Frage: Wie werden wir als Entity stärker, damit Sprachmodelle uns häufiger empfehlen? In der Entity-SEO-Praxis lautet der Rat oft, den Knowledge Graph auszubauen, Schema zu ergänzen und mehr Presse zu erzeugen. Diese Logik setzt voraus, dass das Modell die Marke bewertet und entscheidet, ob sie für jede passende Anfrage gut genug ist. Tatsächlich bewertet das Modell die Anfrage und gleicht sie mit den Kategorie-Assoziationen ab, die es aus Drittinhalten rund um die Marke aufgebaut hat.

Der Unterschied ist in der Praxis enorm. Wiedererkennung ist nicht dasselbe wie Empfehlung. Eine bekannte Marke ist deshalb nicht automatisch eine starke Marke in der KI-Suche. Entscheidend ist, ob die Kategorie, mit der Kundinnen und Kunden suchen, zu jener Kategorie passt, in die das LLM die Marke kodiert hat.

Was die Studiendaten zeigen

Maryanna Franco und João da Silva untersuchten zwölf Sportbekleidungsmarken im Vereinigten Königreich über sieben Tage. Insgesamt liefen 14.140 API-Durchläufe über ChatGPT, Gemini, Perplexity, Claude und Google AI Overviews. Dieselben Marken wurden mit zwei Kategorie-Framings getestet: Athleisure und Athletic Footwear. Nach Analysen zu Co-Mentions änderte das Team gezielt nur das Kategorie-Wort im Prompt.

Die Ergebnisse waren so symmetrisch, dass Zufall nahezu ausgeschlossen ist. New Balance stieg von einem Prozent in Athleisure-Prompts auf 90 Prozent bei Footwear. lululemon fiel von 90 Prozent auf null. Alo Yoga und Gymshark verloren ebenfalls stark unter dem Footwear-Framing, während Nike in beiden Varianten hoch blieb.

Es geht nicht um bloße Korrelation, sondern um eine kontrollierte Beobachtung: Nur das Kategorie-Wort im Prompt wurde verändert. Die Schwankung von rund 0,9 Punkten in beide Richtungen gleichzeitig unterstreicht, wie stark Framing die Empfehlungslogik steuert.

Warum Category Coding entscheidet

Nike, New Balance und Reebok teilen dieselbe Google-Knowledge-Graph-Beschreibung: „Footwear company“. Aus Entity-Sicht starten sie identisch und werden von allen getesteten LLMs zuverlässig erkannt. Unter unterschiedlichen Kategorie-Framings verhalten sie sich dennoch völlig unterschiedlich. Der Grund ist Category Coding: die Kombination aus dem KG-Beschreibungsfeld und dem Drittinhaltskorpus rund um eine Marke in einer Kategorie.

Die KG-Beschreibung verankert die Marke in der Modellrepräsentation und beeinflusst die Wiedererkennung. Der Drittkorpus aus Artikeln, Reviews, redaktionellen Vergleichen und Roundups füllt aus, wie diese Kategorie-Assoziation konkret aussieht – und steuert damit die Empfehlung.

Das Beispiel New Balance

Bei New Balance bestätigt der externe Korpus die Footwear-Zuordnung über Laufschuhe, Performance-Schuhe und Trainingsthemen. Fragt jemand nach Athleisure-Marken, findet das Modell New Balance dort kaum. Stattdessen erscheinen lululemon, Alo Yoga und Gymshark, deren Korpus aus Fashion-Publikationen und Activewear-Roundups besteht. Wechselt die Anfrage zu Athletic Footwear, dreht sich die Retrieval-Lage um.

Das Modell bewertet keine Markenqualität. Es matcht eine Anfrage-Kategorie gegen eine Inhalts-Kategorie. Stimmen beide überein, erscheint die Marke. Stimmen sie nicht überein, bleibt sie unsichtbar – unabhängig davon, wie etabliert sie ist.

Reicht es, die KG-Beschreibung umzuschreiben?

Der naheliegende Shortcut lautet: Knowledge-Graph-Beschreibung ändern. Die KG-Beschreibung ist jedoch nur die Hälfte von Category Coding. Die andere Hälfte ist der Drittinhaltskorpus. Ändert sich nur das Feld, bleibt die externe Historie zu Performance-Footwear und Training bestehen. Das Modell erhält einen neuen Anker ohne belastbare Anbindung.

Der wirksame Hebel ist gezielte Drittinhaltsarbeit in genau dem Kategorie-Framing, das Kundinnen und Kunden nutzen: in den Publikationen, aus denen Modelle abrufen, und neben Marken, die den Raum bereits definieren. Die KG-Beschreibung kann diese Arbeit stützen, sobald der Korpus existiert.

Folgen für die GEO-Strategie

Klassische GEO-Empfehlungen zielen auf eine stärkere Entity: konsistenter Name, sauberes Schema, starke About-Seite und mehr Presse. Das hilft bei Wiedererkennung und Empfehlung innerhalb der kodierten Kategorie. Für angrenzende Kategorie-Anfragen reicht es nicht. Empfehlung dort hängt davon ab, ob der Drittkorpus zum Framing der Kundensprache passt.

• Sind wir in der KI sichtbar?
• In welche Kategorie hat das LLM uns kodiert?
• Ist das die Kategorie, in der Kundinnen und Kunden tatsächlich suchen?

Ist eine Marke in einer Kategorie stark, während Kundinnen und Kunden zunehmend angrenzende Sprache nutzen – etwa Athleisure statt Sportswear – und der Drittkorpus diesen Sprachwechsel nicht mitgeht, bleibt die Marke genau in den relevanten Anfragen unsichtbar. Nike ist der positive Fall der Studie: 77 Prozent in Athleisure und 90 Prozent in Athletic Footwear, obwohl der Knowledge Graph Footwear signalisiert. Nike hat genügend athleisure-kodierte Drittinhalte aufgebaut, inklusive Fashion-Coverage und Co-Mentions mit Athleisure-Marken.

Die Audit-Frage vor weiterer Entity-Optimierung

Bevor Teams weiter in Entity-Optimierung investieren, lohnt ein Diagnostiklauf: Fünf oder sechs Kategorie-Formulierungen über zwei oder drei LLMs testen und notieren, welche Varianten die Marke surfacing lassen. Fehlt die Marke, sind drei Folgefragen zentral: Nutzt Drittinhalt diese Sprache? Wird die Marke in Publikationen dieser Kategorie thematisiert? Erscheint sie in redaktionellen Roundups mit genau dieser Formulierung?

Lautet die Antwort nein, liegt der Startpunkt klar: in die externen Gespräche eintreten, die die Sprache dieser Anfrage sprechen, und in den Kategorie-Vergleichsinhalten mitwirken, die definieren, wer zum Raum gehört. Die Erkenntnisse stammen aus dem Paper „The recognition-recommendation gap“ von Maryanna Franco und João da Silva, offen zugänglich auf Zenodo.