KI‑Systeme lesen Reviews. Sie nutzen diese Texte, um Betriebe einzuordnen und später zu empfehlen.
Was Kunden öffentlich schreiben, wird damit zu einem Teil Ihres „KI‑Profils“. Es beeinflusst, bei welchen Fragen Ihr Betrieb genannt wird.
Bewertungen und KI-Suche: Wie die in KI-Antworten fließen
Kurzfassung
- KI-Systeme wie Google AI Overviews, ChatGPT und Perplexity analysieren Reviews, um lokale Betriebe einzuordnen.
- Je konkreter und textreicher die Reviews eines Betriebs, desto präziser wird er von KI-Systemen repräsentiert.
- Menge, Aktualität und Inhalt der Reviews wirken zusammen als Vertrauenssignal.
- Wer Reviews mit allgemeinen Floskeln hat (top Service, gerne wieder), liefert wenig verwertbares Signal.
- Das Ziel ist kein Trick. Es ist ein Effekt echter, konkreter Kundenstimmen.
Ein Dachdeckerbetrieb in Hannover. Jemand fragt ChatGPT:
Welcher Dachdecker in Hannover ist bekannt für saubere Arbeit und gute Kommunikation?
ChatGPT gibt eine Antwort. Der Name des Betriebs taucht darin auf. Nicht weil er Werbung geschaltet hat, sondern weil seine Reviews genau diese Worte enthalten – in mehreren unabhängigen Texten.
Wie ordnen KI-Systeme lokale Betriebe ein?
KI-Systeme wie Google AI Overviews, ChatGPT und Perplexity basieren auf öffentlich verfügbaren Daten. Dazu gehören Google-Bewertungen, Brancheneinträge, Presseartikel und Website-Inhalte.
Fragen dieser Art werden zunehmend an KI-Systeme gestellt: Welcher Klempner in Frankfurt kommt auch am Wochenende? Gibt es in Köln einen Elektriker, der gut erklärt, was er macht?
Die Antwort basiert auf dem, was das System über den Betrieb weiß, und ein großer Teil davon stammt aus Reviews.
Beispiel: Ein Schreiner in München, in dessen Reviews mehrfach steht: hat genau erklärt, welches Holz für welchen Zweck passt, und: war ehrlich, wenn etwas nicht sinnvoll war wird bei einer KI-Frage nach kompetentem Schreiner in München wahrscheinlicher erwähnt als ein Betrieb mit vielen 5-Sterne-Einträgen ohne Text.
Was extrahieren KI-Systeme aus Reviews?
KI-Systeme werten keine Sternzahlen aus, sie lesen Texte.
Aus Review-Texten extrahieren sie:
- Konkrete Leistungsmerkmale (Notdienst, pünktlich, transparent bei Kosten)
- Verhaltenseigenschaften (erklärt, hört zu, meldet sich zurück)
- Ergebnisse aus Kundensicht (Problem gelöst, kein zweiter Termin nötig)
- Geografische Signale (Stadtteile, Regionen, Branchen)
Was das für lokale Betriebe bedeutet: Wer konkrete, textreiche Reviews hat, wird präziser repräsentiert. Wer nur Sternzahlen ohne Text hat, bleibt vage.
Was ist der Unterschied zwischen allgemeinen und konkreten Reviews?
Allgemeiner Review: 5 Sterne. Sehr nett, gerne wieder.
Konkreter Review: Kam innerhalb von 40 Minuten, hat das Leck sofort gefunden und die Ursache erklärt, ohne Zusätzliches aufzudrängen.
Für einen Menschen lesen sich beide positiv.
Für ein KI-System ist der zweite Text informationsreicher.
Der zweite Text enthält: Reaktionszeit, Diagnosequalität, Kommunikationsstil, Seriosität.
Der Erste enthält: nichts Verwertbares.
Beispiel: Zwei Sanitärbetriebe in Dortmund. Betrieb A: 80 Bewertungen, Schnitt 4,8. Fast alle ohne Text. Betrieb B: 35 Bewertungen, Schnitt 4,6. Die Mehrheit mit 2–3 Sätzen. Bei spezifischen KI-Suchen nach Notdienst oder Rohrbruch erscheint Betrieb B wahrscheinlicher.
Was bedeutet das für die Review-Strategie?
Diese Erkenntnis verändert, wie Reviews angefragt werden sollten.
Wer Kunden bittet, etwas zu beschreiben, statt nur Sterne zu klicken, erhält Reviews, die für Menschen und KI-Systeme gleichermaßen wertvoller sind.
Was dabei hilft:
- Die Anfrage konkret formulieren: Wenn Sie kurz beschreiben könnten, was Ihnen besonders geholfen hat das wäre sehr wertvoll für uns.
- Nicht steuern: Den Kunden beschreiben lassen, was er erlebt hat nicht was man hören möchte.
- Keine Vorlagen: Texte, die Kunden kopieren, wirken unecht. KI-Systeme stufen sie als weniger zuverlässig ein.
Wie wirken Menge, Aktualität und Inhalt zusammen?
Ein einzelnes konkretes Review verändert nichts.
Ein Muster aus 20–30 konkreten Reviews über längere Zeit verändert, wie KI-Systeme einen Betrieb einordnen.
Die drei Signale, die KI-Systeme kombinieren:
- Menge: Gibt es genügend Stimmen, um ein Bild zu zeichnen?
- Aktualität: Ist der Betrieb noch aktiv und relevant?
- Inhalt: Was genau sagen Kunden und wie konkret?
Mehr zu Menge, Aktualität und Streuung: Nicht nur der Schnitt zählt
Was funktioniert nicht und warum?
Es gibt Ansätze, die auf den ersten Blick logisch klingen — aber nicht funktionieren oder schädlich sind:
Fake Reviews: KI-Systeme und Google erkennen Muster in gefälschten Bewertungen. Das Risiko überwiegt jeden kurzfristigen Vorteil bei Weitem.
Keyword-Vorgaben an Kunden: Wer Kunden bittet, bestimmte Wörter zu schreiben, verstößt gegen die Richtlinien und erzeugt Texte, die unnatürlich klingen.
Review-Schub ohne Inhalt: Eine große Menge allgemeiner Reviews in kurzer Zeit wirkt wie ein künstlicher Schub — das ist für Algorithmen erkennbar.
Das Ziel ist kein Trick. Es ist ein Effekt echter, regelmäßiger, konkreter Kundenstimmen — über Zeit aufgebaut.
Häufige Fragen
Werden meine Bewertungen wirklich von ChatGPT gelesen?
ChatGPT und andere große Sprachmodelle werden mit öffentlichen Internetdaten trainiert; dazu gehören Google-Bewertungen, Yelp, Trustpilot und andere Plattformen.
Zusätzlich nutzen Systeme wie Perplexity und Google AI Overviews aktuelle Webdaten für ihre Antworten.
Wie lange dauert es, bis sich der Effekt zeigt?
Das ist kein schneller Prozess. Der Aufbau eines konkreten, aktuellen Review-Profils dauert Monate, nicht Wochen.
Wer kontinuierlich anfrägt, baut dieses Profil automatisch auf.
Reicht es, viele Bewertungen zu haben?
Menge allein reicht nicht. Ein Betrieb mit 200 allgemeinen Bewertungen wird bei spezifischen KI-Anfragen oft schlechter repräsentiert als einer mit 40 konkreten.
Weiter im System
- Wenn Sie verstehen möchten, wie Review-Signale gemessen werden: lesen Sie Menge, Aktualität und Streuung richtig lesen
- Wenn Sie konkrete Reviews fördern möchten: lesen Sie Bewertungen anfragen: Wann, wie und mit welchem Ton
- Wenn Sie verstehen möchten, was in Review-Texten steckt: lesen Sie Bewertungs-Text als Markt-Sprache
Diese Seite in die Praxis umsetzen
- Level 1 · Reviews: Bewertungen: Antworten – Muster + kurzer Umstieg ins Private
- Level 2 · Reviews: Bewertungen: Wochenroutine – 15 Minuten (Check, Antworten, Nachfragen)
→ Alle Übungen im Toolkit