Ein LLM (Large Language Model) ist ein Sprachmodell, dessen Kernfunktion darin besteht, die Wahrscheinlichkeit zu schätzen, mit der ein Token auf eine Folge anderer Tokens folgt. Auf den Satzanfang „Wenn ich morgens aufwache, trinke ich als erstes …” schätzt ein Modell zum Beispiel „Kaffee” mit 18 %, „Wasser” mit 9 %, „Tee” mit 4 %. Aus solchen Schätzungen entsteht Wort für Wort eine Antwort.
Wie funktioniert ein LLM?
Ein LLM liest nicht in einem Index nach, sondern generiert. Sein Wissen liegt als Modellwissen in Milliarden Parametern, die beim Training aus Texten gelernt wurden: Webseiten, Bücher, Wikipedia, Foren, Code. Was nach dem Knowledge Cut-off passiert ist, kennt das Modell nicht — dafür braucht es eine Websuche, deren Ergebnisse als Kontext mitgegeben werden.
Weil ein LLM Wahrscheinlichkeiten zieht, ist Stochastik Teil des Systems. Dieselbe Frage direkt zweimal gestellt ergibt zwei verschiedene Antworten. Für die Messung von KI-Sichtbarkeit hat das eine Konsequenz: Ein Einzelwert sagt nichts, nur die Tendenz über viele Durchläufe trägt.
Warum ist das Verständnis von LLMs für die KI-Sichtbarkeit wichtig?
Wer versteht, dass ein LLM generiert statt nachzuschlagen, versteht drei Dinge, die in der Praxis zählen. Erstens gibt es keine „Position 1” in einer KI-Antwort, nur eine Wahrscheinlichkeit, genannt zu werden. Zweitens entscheidet nicht die Website allein, sondern alles, was das Modell über eine Marke gelesen hat — auch auf Drittseiten. Drittens muss ein Inhalt in kleine, für sich verständliche Einheiten zerlegbar sein, weil das Modell Passagen verarbeitet, nicht Seiten.
Was bedeutet das für Ihre Website?
Schreiben Sie so, dass ein Modell Sätze einzeln verwenden kann: klare Definitionen, kurze Sätze, konkrete Namen statt vager Sammelbegriffe. Und erwarten Sie keine reproduzierbare Position — messen Sie mit einem festen Promptset über viele Durchläufe, wie oft Ihr Unternehmen genannt wird.