Warum ist „Welches LLM nutzen Sie?“ die falsche Frage?

Unternehmen beginnen die Bewertung einer KI-Anwendung oft mit der Frage, welches Modell sie nutzt: GPT oder Claude, welche Version und ob die neueste Version das Produkt besser macht. Das sind vernünftige Fragen, aber sie verraten wenig über die Werkzeuge und Informationen, die das Produkt für eine Aufgabe einsetzen kann.

Nehmen Sie dasselbe Modell, etwa das Flaggschiff von Anthropic, in zwei Produkten. Cursor ist ein Coding-Agent: Erhält er über Slack eine Aufgabe, kann er eine virtuelle Maschine starten, ein Repository klonen, Code schreiben, Tests ausführen und einen Pull Request liefern.

Das zweite ist Claude Tag, ein „Allzweck-Teamkollege“ im selben Slack. Er liest den Kanalverlauf, merkt sich den Projektkontext und verbindet sich mit Ihren Dokumenten und Kalendern. Er kann auch Code schreiben, geht aber ebenso selbstverständlich den Schriftverkehr mit einem Kunden durch und schlägt vor, wie Sie auf die dritte Rabattanfrage antworten.

Das zugrunde liegende Modell ist dasselbe, aber die Produkte geben ihm unterschiedliche Rollen, Werkzeuge und Kontexte. Ein Coding-Agent kann vielleicht über ein Kundengespräch sprechen, doch ihm fehlen die Informationen und der Arbeitsablauf einer Anwendung, die für diese Aufgabe gebaut ist.

Ein Harness ist die Software und Konfiguration um ein Modell herum: die Anweisungen, Werkzeuge, der Kontext und der Arbeitsablauf, die daraus ein nutzbares Produkt machen.

Ändern Sie den Harness, wird dasselbe Modell zu einem anderen Produkt. Bleibt der Harness schwach, ändert ein Modell-Upgrade fast nichts.

All das gilt nicht nur für die Anwendungen, die Sie kaufen, sondern auch dafür, wie KI Ihr Unternehmen sieht. Fragt ein potenzieller Kunde ChatGPT, Claude oder Perplexity: „Welchen Anbieter soll ich für X wählen?“, antwortet das Modell nicht aus dem Gedächtnis. Es arbeitet in seinem eigenen Harness: Ein Suchwerkzeug findet Seiten, ein Parser extrahiert den Text, und erst dann formuliert das Modell eine Antwort. Bei jedem Schritt besteht Ihre Website den Filter oder eben nicht.

Eine schöne Website, die stark auf clientseitigem JavaScript beruht, kann für den Parser unsichtbar sein. Eine Seite ohne klare Struktur – Überschriften, Fakten, Konkretes – wird gelesen, aber nie zitiert: Das Modell findet nichts, was es übernehmen könnte. Ohne Nennungen in externen Quellen findet der Suchschritt Sie schlicht nicht.

Genau darum geht es bei GEO (Generative Engine Optimization): nicht für einen Ranking-Algorithmus zu optimieren, sondern für den Harness generativer Systeme – dafür, wie KI-Agenten Ihre Inhalte entdecken, lesen und wiedergeben. Klassisches SEO fragte: „Wie kommen wir in die Top 10 der Links?“ GEO fragt: „Wie kommen wir in die Antwort selbst?“

Prüfen Sie bei der Wahl einer KI-Anwendung, ob ihre Werkzeuge, ihr Datenzugriff und ihr Arbeitsablauf zur Aufgabe passen. Das kann wichtiger sein als die Frage, ob sie das leistungsfähigste Modell nutzt.

Legen Sie beim Bau einer internen KI-Anwendung zuerst fest, welche Rolle der Agent hat, welche Informationen er sehen darf, welche Handlungen er ausführen kann und wo er anhalten muss. Wählen Sie das Modell innerhalb dieses Entwurfs; es lässt sich später austauschen, wenn sich die Anforderungen ändern.

Überlegen Sie für die Sichtbarkeit Ihrer Website, was ein Assistent von Ihren Seiten abrufen und verwenden kann. Klare, zugängliche Angaben liefern ihm brauchbaren Kontext, wenn er die Frage eines Kunden beantwortet.