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

Wenn ein Unternehmen ein KI-Tool bewertet, beginnt das Gespräch fast immer beim Modell. „Ist es GPT oder Claude?“ „Welche Version?“ „Das neue Modell ist schlauer, also muss das Produkt besser sein, oder?“ Die Frage ist verständlich — und ungefähr so nützlich, wie einen Handwerker nach der Marke seines Laptops auszuwählen.

Nehmen Sie dasselbe Modell — sagen wir das Flaggschiff von Anthropic — und betrachten Sie es in zwei verschiedenen Produkten. Das erste ist Cursor, ein Coding-Agent. Erwähnen Sie ihn in Slack mit einer Aufgabe, und er startet eine virtuelle Maschine, klont Ihr Repository, schreibt Code, führt Tests aus und liefert einen Pull Request. Ein brillanter Ingenieur.

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

Innen dasselbe Modell. Außen zwei völlig verschiedene Spezialisten. Fragen Sie den Coding-Agenten nach einer Strategie für die Kundenkommunikation, und er wird schon irgendetwas antworten — das Modell ist schließlich klug. Aber es wird die Meinung eines Klempners zur Wohnzimmereinrichtung sein: ein fähiger Mensch, der schlicht mit anderem Werkzeug und in einer anderen Rolle erschienen ist.

Der Harness ist alles, was ein Modell umgibt und es von einem Gehirn im Glas in ein arbeitendes Werkzeug verwandelt.

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

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

Eine schöne Website auf schwerem clientseitigem JavaScript kann für den Parser unsichtbar sein. Eine Seite ohne klare Struktur — Überschriften, Fakten, Konkretes — wird gelesen, aber nie zitiert: Das Modell findet nichts zum Herausgreifen. Ohne Erwähnungen in externen Quellen wird der Suchschritt Sie schlicht nicht finden.

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?“

Wenn Sie ein KI-Tool auswählen — schauen Sie am Modell vorbei und prüfen Sie, wie gut der Harness zu Ihrer Aufgabe passt. Ein Tool mit einem „kleineren“ Modell, aber den richtigen Instrumenten und Zugriff auf Ihre Daten schlägt ein Flaggschiff-Modell in einem generischen Chatfenster.

Wenn Sie KI im eigenen Unternehmen aufbauen — beginnen Sie nicht mit der Modellauswahl, sondern mit dem Design des Harness: welche Rolle der Agent spielt, was er sieht, was er tun darf, wo seine Grenzen liegen. Das Modell kommt später hinzu und lässt sich fast schmerzlos austauschen.

Und wenn Sie wollen, dass KI-Systeme Ihr Unternehmen empfehlen — denken Sie Ihre Website als Teil des Harness von jemand anderem. Ihre Seiten werden der Kontext von irgendjemandem sein. Die einzige Frage ist, ob sie dafür taugen.