Eine neue Studie des Londoner KI-Beraters Frank Vitetta hat interessante Einblicke in die Funktionsweise von ChatGPT bei der Beantwortung von Kaufanfragen geliefert. Die Untersuchung, die auf 8.555 Antworten von ChatGPT basiert, zeigt deutlich, dass die Länge der Suchanfrage einen erheblichen Einfluss darauf hat, ob in der Antwort eine Marke namentlich erwähnt wird. Die Ergebnisse deuten darauf hin, dass kurze Anfragen fast sieben Mal wahrscheinlicher eine Markenbenennung enthalten als längere Anfragen.
Die Analyse ergab, dass kurze Fragen im alltäglichen Stil «beste X für Y» in 46,7 % der Fälle zu einer Markennennung führten. Im Gegensatz dazu führten längere Anfragen von 120 Zeichen oder mehr nur in 6,5 % der Fälle zu einer Markennennung. Dies zeigt, dass eine längere Anfrage deutlich seltener eine spezifische Marke zur Folge hat.
Der Rückgang der Markensichtbarkeit mit zunehmender Länge der Anfrage war klar erkennbar. Fragen zwischen 35 und 69 Zeichen führten in 44 % bis 47 % der Fälle zu einer Markennennung. Bei Anfragen von 70 bis 89 Zeichen sank die Rate auf 35 %, und bei 90 bis 119 Zeichen lag sie bei 28 %. Bei Anfragen mit 120 oder mehr Zeichen wurden nur 75 von 1.147 Antworten mit einem Markennamen versehen.
Dieser Trend zeigt, wie ChatGPT auf unterschiedliche Fragetypen reagiert. Während kürzere Fragen oft Listen von Markennamen erzeugen, liefern längere Fragen, die ein Szenario beschreiben und um Rat bitten, eher allgemeine Ratschläge als spezifische Markenempfehlungen.
Die Ergebnisse der Studie haben praktische Implikationen für Marken, die ihre Sichtbarkeit in KI-generierten Antworten messen. Laut Vitetta können sich diese Sichtbarkeitswerte ändern, abhängig von der Mischung der verwendeten Fragetypen, ohne dass sich das Verhalten des KI-Assistenten tatsächlich verändert.
«Der Assistent selbst hat sich nicht verändert. Nur die Mischung der Fragen,» erklärt Vitetta in der Studie. Das Entfernen der längsten Fragen aus dem Datensatz führte dazu, dass die allgemeine Rate der Markennennungen von 36 % auf 40,5 % anstieg. Diese Verschiebung wurde ausschließlich durch die Zusammensetzung des Testsets verursacht und nicht durch eine Änderung in ChatGPT.
Die Forschung ist besonders relevant für das wachsende Feld der generativen Engine-Optimierung (GEO), der KI-Optimierung (AIO) und der Antwort-Engine-Optimierung (AEO). Diese Disziplinen konzentrieren sich darauf, Marken dabei zu helfen, in KI-generierten Antworten sichtbar zu sein, da Verbraucher zunehmend auf ChatGPT, Gemini und ähnliche Tools für Kaufentscheidungen zurückgreifen, anstatt auf traditionelle Suchmaschinen.
Vitetta empfiehlt, dass Marken ihre KI-Sichtbarkeitswerte nach kurzen und langen Fragen aufschlüsseln, die längeren und detaillierteren Anfragen testen, die echte Kunden wahrscheinlich in KI-Assistenten eingeben, und konsistente Fragesets über Berichtszeiträume hinweg beibehalten, um vergleichbare Ergebnisse zu gewährleisten.
Die vollständige Studie, einschließlich Methodik, Datencharts und Einschränkungen, ist auf der Website von Frank Vitetta verfügbar. Frank Vitetta ist ein in London ansässiger KI-Berater, der Teams bei der Vorbereitung ihrer Daten für KI-Anwendungen unterstützt. Er schreibt über die Art und Weise, wie KI-Assistenten wie ChatGPT Marken finden und benennen. Die Forschungsdaten wurden mit LLM Scout gesammelt.