--- title: "Semantic Drift: Warum die KI das Plausible dem Korrekten vorzieht" description: "Semantic Drift: LLMs wählen das Plausible statt des Korrekten. Warum KI-Systeme Falsches über Marken erzählen und wie Struktur im Text das verhindert." url: https://hechtinsgefecht.de/semantic-drift/ date_published: 2026-07-10 date_modified: 2026-10-08 organization: HECHT INS GEFECHT organization_url: https://hechtinsgefecht.de organization_knowledge_graph_id: /g/1pp2twrtc organization_sameas: - https://www.northdata.de/HECHT+INS+GEFECHT+GmbH,+Bremen/HRB+42926 - https://firmeneintrag.creditreform.de/28309/2051250968/HECHT_INS_GEFECHT_GMBH - https://www.companyhouse.de/HECHT-INS-GEFECHT-GmbH-Bremen - https://implisense.com/de/companies/hecht-ins-gefecht-gmbh-bremen--DETQXQBC7O52 - https://www.linkedin.com/company/hechtinsgefecht - https://www.xing.com/pages/hecht-ins-gefecht/ - https://social.hechtinsgefecht.de/@hig - https://x.com/hechtinsgefecht - https://www.facebook.com/HechtinsGefecht/ - https://www.instagram.com/hechtinsgefecht/ - https://de.pinterest.com/HechtinsGefecht/ - https://www.threads.com/@hechtinsgefecht - https://www.crunchbase.com/organization/hecht-ins-gefecht-digitalagentur-f%C3%BCr-webdesign-seo - https://clutch.co/profile/hecht-ins-gefecht - https://www.designrush.com/agency/profile/hecht-ins-gefecht - https://agencies.semrush.com/hecht-ins-gefecht/ - https://www.sortlist.de/agency/hecht-ins-gefecht - https://www.goodfirms.co/company/hecht-ins-gefecht - https://techbehemoths.com/company/hecht-ins-gefecht - https://themanifest.com/company/hecht-ins-gefecht - https://www.topseos.com/profile/hecht-ins-gefecht-digitalagentur-fur-webdesign-seo - https://www.semfirms.com/profile/hecht-ins-gefecht - https://www.omt.de/agentur-finden/agentur/hecht-ins-gefecht/ - https://onlinemarketing.de/dienstleister/online-marketing-agentur/bremen/hecht-ins-gefecht - https://www.agenturtipp.de/agentur/hecht-ins-gefecht/ - https://www.seo-united.de/seo-agenturen/hecht-ins-gefecht-3461/ - https://omr.com/de/reviews/service/hecht-ins-gefecht - https://www.ibusiness.de/dienstleister/jb/092582windolph.html - https://feedbax.de/anbieter/hecht-ins-gefecht - https://feedbax.ai/profile/hecht-ins-gefecht - https://www.werbeagentur.de/de/a/hecht-ins-gefecht - https://www.campixx.de/agenturen/seo/hecht-ins-gefecht/ - https://agenturfinder.com/agenturen/hecht-ins-gefecht/ - https://agencyvista.com/agency/hecht-ins-gefecht/marketing-agency/summary - https://www.bark.com/de/de/company/hecht-ins-gefecht/NlYy2/ - https://www.provenexpert.com/de-de/hecht-ins-gefecht/ - https://de.trustpilot.com/review/hechtinsgefecht.de - https://www.trustedshops.de/bewertung/hechtinsgefecht-de - https://www.awwwards.com/HECHTINSGEFECHT/ - https://www.bremen.de/visitenkarte/digitalagentur-hecht-ins-gefecht---webdesign--seo-46684197 - https://www.yelp.com/biz/hecht-ins-gefecht-bremen - https://maps.apple.com/place?place-id=IBAEFB4CEAFB63F7B author: Benny Windolph author_url: https://hechtinsgefecht.de/benny-windolph/ author_orcid: https://orcid.org/0009-0009-2458-3099 author_knowledge_graph_id: /g/11v4_sqnsh --- # Semantic Drift: Warum die KI das Plausible dem Korrekten vorzieht Im Juni 2026 hat das Team hinter dem Semantic-SEO-Tool WordLift drei Modelle aus Googles Gemini-Familie an einem Set von zehn Erbschaftsrätseln scheitern lassen. Im Beispielrätsel geht das Erbe laut Testament an das älteste lebende leibliche Enkelkind. Die Geschichte widmet der Schwiegertochter drei liebevolle Sätze. Sie verwaltete jahrzehntelang die Familienfinanzen und galt allen als Rückgrat der Familie. Der echte Erbe bekommt einen Satz. Gemini 2.5 Flash löste 3 von 10 Rätseln korrekt, Gemini 3.5 Flash und Gemini 3.1 Pro je 6. Bei mehreren Rätseln nannten alle drei Modelle denselben falschen Erben. Die drei Modelle irrten also in dieselbe Richtung. WordLift nennt dieses Verhalten Semantic Drift. Ein KI-Modell zieht dabei die plausible Antwort der formal korrekten vor. Aus meiner Sicht beeinflusst das, was KI-Systeme über deine Marke erzählen und welche Produkte sie empfehlen. Der SEO-Bereich optimiert seit einigen Jahren auf [LLM-Sichtbarkeit](https://hechtinsgefecht.de/llm-sichtbarkeit/). LLM steht für Large Language Model, das Sprachmodell hinter ChatGPT und Co. Ziel ist meist, möglichst viele Nennungen und Zitate in KI-Antworten zu sammeln und Bekanntheit aufzubauen. Zwischen „die KI kennt dich“ und „die KI empfiehlt dich korrekt“ liegt aber eine Lücke. Ein Teil dieser Lücke geht auf Semantic Drift zurück, ein anderer auf fehlende Auffindbarkeit. ## Inhalt 1. [Was Semantic Drift ist](#was-semantic-drift-ist) 2. [Kennen ist nicht Empfehlen: die zwei Ebenen der KI-Sichtbarkeit](#kennen-ist-nicht-empfehlen-die-zwei-ebenen-der-ki-sichtbarkeit) 3. [KI-Halluzinationen sind seltener Zufall, als du denkst](#ki-halluzinationen-sind-seltener-zufall-als-du-denkst) 4. [Drift-Lücke oder Retrievability-Lücke? Die Diagnose entscheidet](#drift-lucke-oder-retrievability-lucke-die-diagnose-entscheidet) 5. [Similar but not compatible: der teuerste Drift-Fall im E-Commerce](#similar-but-not-compatible-der-teuerste-drift-fall-im-e-commerce) 6. [Schutz vor Semantic Drift: Fakten als eigenständige Sätze](#schutz-vor-semantic-drift-fakten-als-eigenstandige-satze) 7. [Schema Markup: zweite Schicht, keine Magie](#schema-markup-zweite-schicht-keine-magie) 8. [Was WordLift richtig sieht und wo Ontologien Overkill sind](#was-wordlift-richtig-sieht-und-wo-ontologien-overkill-sind) 9. [Drift-Check für deine Marke: so findest du die Lücken](#drift-check-fur-deine-marke-so-findest-du-die-lucken) 10. [Quellen](#quellen) ## Was Semantic Drift ist Semantic Drift beschreibt ein systematisches Verhalten von LLMs. Das Modell folgt der stärksten semantischen Assoziation und lässt die formale Anforderung still fallen. Andrea Volpini ist CEO von WordLift und definiert es so: „The model follows what is emotionally and semantically related, and silently drops what is formally required.“ Übersetzt: Das Modell folgt dem, was emotional und inhaltlich verwandt ist, und lässt still fallen, was formal verlangt ist. Volpini beschreibt auch, wie Semantic Drift im Geschäftsalltag aussieht. Er nennt das Produkt, das ähnlich, aber nicht kompatibel ist, und die Aussage, die plausibel klingt, aber nicht gedeckt ist. Dazu kommen der Kunde, der relevant wirkt, aber die Voraussetzungen nicht erfüllt, und das Dokument, das zum Thema passt, aber keine maßgebliche Quelle ist. In der KI-Forschung steht der Begriff für etwas Engeres. Ein Team um Ava Spataru bei Meta zeigte 2024 an Biografien im Wikipedia-Stil, dass LLMs in langen Texten zuerst korrekte Fakten liefern und dann zunehmend zu falschen abdriften. WordLift verwendet den Begriff anders, für das Grundmuster, in dem Plausibilität Korrektheit schlägt. In dieser Lesart verwende ich Semantic Drift hier auch. Einen Grund sehe ich in der Arbeitsweise der Modelle. Ein LLM wählt die Fortsetzung eines Textes nach Wahrscheinlichkeiten. Wo deine Fakten mehrdeutig, implizit oder verstreut sind, füllt das Modell die Lücke mit der plausibelsten Annahme. ## Kennen ist nicht Empfehlen: die zwei Ebenen der KI-Sichtbarkeit Die Lage einer Marke in KI-Systemen teilt sich in zwei messbare Ebenen. Die Wissensebene beschreibt, ob das System die Marke kennt und korrekt einordnet. Die Empfehlungsebene beschreibt, ob die Marke auftaucht, wenn jemand eine kaufnahe Frage stellt. Ein [GEO-Audit von HECHT INS GEFECHT](https://hechtinsgefecht.de/geo-seo-audit/) vom Juli 2026 zeigt, dass die Wissensebene wenig über die Empfehlungsebene verraten kann. Untersucht wurde ein B2B-Anbieter. Gemini kannte die Marke aus dem Training und beschrieb sie korrekt und positiv. Bei einer kaufnahen Testfrage über die Programmierschnittstelle (API) ohne Websuche nannten die Modelle von OpenAI und Google jeweils eine Liste von Wettbewerbern. Fünf Namen standen auf beiden Listen, die Marke auf keiner. Mit Websuche sah das anders aus. Im Hauptlauf des Audits am 06.07.2026 nannte Gemini die Marke bei fünf von sieben Fragen ohne Markennamen. Googles AI Overviews erschienen bei vier der sieben Fragen und nannten die Marke in allen vier. Warum nannten OpenAI und Gemini ohne Websuche andere Anbieter? Im Audit standen die genannten Wettbewerber in Verzeichnissen, Fachportalen und der Presse, die Marke kaum. Nach meiner Erfahrung empfehlen KI-Systeme vor allem, was in Drittquellen wie Vergleichsportalen, Ratgebern, Branchenverzeichnissen und Bewertungsplattformen gut belegt ist. Wer dort fehlt, taucht in den Empfehlungen seltener auf. Wie Marken ihre Präsenz in Drittquellen aufbauen, steht im Beitrag über [Brand SEO](https://hechtinsgefecht.de/brand-seo/). Wie wenig Bekanntheit allein schützt, hat der WIRED-Journalist Reece Rogers im April 2026 gezeigt. Er fragte ChatGPT, welche Fernseher, Kopfhörer und Laptops seine eigene Redaktion empfiehlt. WIRED ist ein bekanntes US-Tech-Magazin. Rogers überschrieb seinen Bericht mit „Its Answers Were All Wrong“. Im Text spricht er von regelmäßigen Fehlern. ChatGPT nannte falsche Top-Empfehlungen und Produkte, die WIRED nicht empfohlen hatte. Reines Zählen von Nennungen greift deswegen zu kurz. Es misst, ob du vorkommst, aber nicht, ob stimmt, was die KI über dich sagt. Bei einem Ticket-Anbieter hat HECHT INS GEFECHT im April 2026 selbst nachgemessen, mit 20 Fragen an 11 KI-Systeme, zusammen 220 Abfragen. Nannte ein Modell den Markennamen, war in rund 40 % dieser Fälle eine allgemeine Beschreibung oder ein Namensvetter gemeint. Insgesamt zählten wir 43 solche Entity-Kollisionen, also Nennungen des Namens, die eine andere Entität meinten. Wer nur Nennungen zählt, zählt diese Verwechslungen als Erfolg mit. Die zwei Ebenen der KI-Sichtbarkeit: Wissensebene und Empfehlungsebene Die zwei Ebenen der KI-Sichtbarkeit Ebene 1: Wissensebene Kennt die KI deine Marke und ordnet sie korrekt ein? Audit 07/2026: Gemini beschreibt den B2B-Anbieter korrekt. Ebene 2: Empfehlungsebene Taucht deine Marke bei kaufnahen Fragen auf? Testfrage 07/2026: OpenAI und Gemini nennen nur Wettbewerber. Die genannten Wettbewerber standen in Drittquellen. Wissen und Empfehlung sind zwei getrennte Ebenen. Abb. 1 · HECHT INS GEFECHT Abb. 1: Die zwei Ebenen der KI-Sichtbarkeit am Beispiel eines B2B-Anbieters, gekannt, aber nicht empfohlen. ## KI-Halluzinationen sind seltener Zufall, als du denkst Erfundene Fakten aus KI-Systemen heißen KI-Halluzinationen. Viele behandeln sie als zufällige Fehler, die man hinnehmen muss. Nach meiner Einschätzung geht ein Teil dieser Halluzinationen auf Drift zurück, und Drift folgt einem Muster. Der Unterschied ist praktisch relevant. Einen zufälligen Fehler kannst du nicht vorhersagen. Drift tritt dagegen dort auf, wo eine naheliegende Deutung die formale Vorgabe überlagert, etwa bei mehrdeutigen oder lückenhaften Informationen. Er wiederholt sich. Im WordLift-Experiment nannten drei Gemini-Modelle bei mehreren Rätseln denselben falschen Erben. WordLift erklärt das mit der Geschichte, die eine andere Figur in den Vordergrund stellte. Das heißt, einen Fehler mit Muster kannst du gezielt angehen. Deswegen lohnt sich der Blick auf die eigenen Inhalte. Ich gehe davon aus, dass ein Modell weniger raten muss, je eindeutiger deine Website ihre Fakten nennt. ## Drift-Lücke oder Retrievability-Lücke? Die Diagnose entscheidet Wenn eine Marke in KI-Antworten fehlt oder falsch dargestellt wird, gibt es zwei Ursachen, die sich trennen lassen. Eine Retrievability-Lücke ist eine Lücke in der Auffindbarkeit. Der Fakt ist dann nicht gecrawlt, nicht indexiert, nicht in Drittquellen vertreten oder hinter JavaScript und Firewalls versteckt. Bei einer Drift-Lücke ist der Fakt auffindbar, und das Modell rät trotzdem plausibel und falsch. Die Aussage ist dann mehrdeutig formuliert, nur angedeutet oder über die Website verstreut. Die Unterscheidung bestimmt die Maßnahme. Eine Drift-Lücke schließt du mit präziserem Text, eine Retrievability-Lücke mit besserer Auffindbarkeit. Wer die beiden Ursachen verwechselt, optimiert am Problem vorbei. Diagnose: Drift-Lücke oder Retrievability-Lücke Drift-Lücke oder Retrievability-Lücke? Symptom: Die KI-Antwort ist falsch, oder die Marke fehlt. Diagnose: Ist der kritische Fakt für KI-Systeme auffindbar? Nein Retrievability-Lücke Der Fakt ist nicht auffindbar: nicht indexiert, nicht in Drittquellen, hinter JavaScript oder Firewall versteckt. Maßnahme: Auffindbarkeit herstellen Ja Drift-Lücke Der Fakt ist auffindbar, das Modell rät trotzdem plausibel- falsch: mehrdeutig formuliert, nur impliziert oder verstreut. Maßnahme: Eindeutigkeit herstellen Wer die beiden Ursachen verwechselt, optimiert am Problem vorbei. Abb. 2 · HECHT INS GEFECHT Abb. 2: Die Diagnose-Weiche: Auffindbarkeit trennt Retrievability-Lücke von Drift-Lücke. ### Drift-Quelle 1: Deine eigene Website ist mehrdeutig Eine Augenklinik-Gruppe aus einem Audit von HECHT INS GEFECHT bekam im April 2026 von drei KI-Systemen drei verschiedene Gründungsjahre zugeschrieben. Zwei Systeme nannten 1989 beziehungsweise 1998, das dritte kombinierte zwei Jahreszahlen in einer Antwort. Die Website nannte damals je nach Seite unterschiedliche Jahreszahlen für verschiedene Ereignisse und Unternehmenseinheiten. Die Systeme hatten damit mehrere Jahreszahlen zur Auswahl. ### Drift-Quelle 2: Fremde Quellen beschreiben dein Geschäftsmodell Ein Onlineshop für Rollladen- und Fensterzubehör aus dem Kundenkreis von HECHT INS GEFECHT wurde im Mai 2026 von 10 der 11 getesteten KI-Plattformen erkannt, gemessen mit 45 Testfragen. Gleichzeitig zählte das Audit 92 Entity-Kollisionen, also Antworten, in denen der Name fiel, die Beschreibung aber nicht zum Shop passte. Laut Audit beschrieben die Systeme das Geschäftsmodell trotz richtiger Adresse und richtigem Geschäftsführer falsch, etwa als Im- und Export oder als Handel mit Haushaltswaren und Textilien. Beim Modell von OpenAI mit Websuche passten 9 von 10 Nennungen nicht zum Shop. Als Quelle fanden wir den allgemeinen Gesellschaftszweck aus dem Handelsregister, etwa „Handel mit Waren aller Art“, den Firmendaten-Portale ausspielen. Laut Audit fehlte auf der eigenen Website damals ein zitierfähiger Satz zum Geschäftsmodell. Nach meiner Einschätzung ergab es sich dort nur aus dem Sortiment, und die allgemeine Beschreibung aus den Portalen war damit die am besten belegte Information. Wie sauber definierte Entitäten dagegen wirken, erkläre ich im Beitrag über [Entity SEO](https://hechtinsgefecht.de/entity-seo/). ### Drift-Quelle 3: Veraltete Namen und Detailfragen Bei einem Elektrotechnik-Hersteller im Konzernverbund fand ein Audit von HECHT INS GEFECHT im Juni 2026 einen alten Markennamen in den KI-Antworten. Das Unternehmen hat ihn vor Jahren abgelegt, trotzdem tauchte er mehrfach auf. Außerdem wuchs die Fehlerquote mit der Spezifität der Frage. Auf Kategorie-Ebene war knapp ein Drittel der Nennungen falsch zugeordnet (17 von 58), auf Produktebene mehr als die Hälfte (43 von 72). Warum, zeigt das Audit nicht. Nach meiner Einschätzung finden die Modelle für Detailfragen weniger eindeutige Angaben. ### Der Kontrastfall: Retrievability-Lücke statt Semantic Drift Eine europäische Premium-Modemarke aus einem Audit von HECHT INS GEFECHT vom Juni 2026 stand auf der Wissensebene gut da. Rund 91 % der Nennungen meinten tatsächlich die Marke, Verwechslungen mit Namensvettern gab es keine, und die Tonalität der Antworten war im Schnitt positiv. Bei zehn Fragen zu ihrem wichtigsten Produktthema nannten die KI-Systeme sie trotzdem nur in 13 von 108 Antworten. Die Diagnose lautete hier Retrievability-Lücke. Die Kategorieseite zum Kernthema enthielt keinen Satz über das Material. Der zentrale Produktdaten-Feed führte 967 Spalten über alle Länderversionen, im Feed für das Google Merchant Center kamen 33 an. Die Firewall beantwortete im Juli 2026 Anfragen mit den Kennungen von GPTBot, OAI-SearchBot, ChatGPT-User, PerplexityBot und ClaudeBot mit dem Fehlercode 403. Beim B2B-Anbieter vom Anfang lautete die Diagnose im Juli 2026 ebenfalls Retrievability, laut Audit kam die Marke in Drittquellen kaum vor. Im Workshop stand die Vermutung im Raum, das breit gemischte Sortiment erschwere die Einordnung durch KI-Systeme. Die Daten stützten eine andere Erklärung. Laut Audit fehlten außerdem ein Eintrag im Knowledge Graph von Google und ein Satz, der das Unternehmen definiert. Dazu kommt ein Markenname, der zugleich ein gängiges deutsches Wort ist. Ohne klare Abgrenzung von der Wortbedeutung (Disambiguierung) erschwert das nach meiner Einschätzung die Zuordnung zusätzlich. Welche der beiden Lücken eine Marke hat, zeigt erst die Messung. ## Similar but not compatible: der teuerste Drift-Fall im E-Commerce Für Onlineshops hat Semantic Drift eine direkte kommerzielle Seite. Laut OpenAI beginnen immer mehr Menschen ihre Produktsuche in ChatGPT. Ein typischer Fehler folgt nach meiner Erfahrung dem Muster „similar but not compatible“, also ähnlich, aber nicht kompatibel. Das Produkt sieht ähnlich aus, gehört zur selben Gattung und passt trotzdem nicht. Ein Beispiel ist Rollladen-Zubehör. Gurtwickler gibt es für 14-mm-Gurte (Mini) und 23-mm-Gurte (Maxi), einzelne elektrische Modelle nehmen beide Breiten auf. Dazu unterscheiden sich Aufputz- und Unterputz-Systeme und bei Ersatzteilen die Motorserien. Für ein Sprachmodell sehen diese Produkte und ihre Beschreibungen sehr ähnlich aus. Für den Kunden ist es die Differenz zwischen „funktioniert“ und „Retoure“. In einem Workshop von HECHT INS GEFECHT im Mai 2026 sprach ich mit einem Shop-Betreiber aus unserem Kundenkreis über Anwendungsfragen seiner Kunden. Oft geht es darum, ob ein Produkt auch für einen anderen Zweck taugt. Mein Beispiel waren Pads aus Gummigranulat unter der Waschmaschine. Das klingt plausibel, weil Gummi dämpft. Er antwortete als Fachmann, dass Waschmaschinen mit unterschiedlichen Frequenzen arbeiten und es dafür eigentlich kein universelles Produkt gibt. Eine hundertprozentige Garantie könne niemand geben, wer sie gebe, sei unseriös. Nach meiner Einschätzung liegt einem LLM aber genau diese pauschale Zusage nahe, wenn die Eignungsgrenzen nicht ausdrücklich im Text stehen. Beim Preis zeigte sich im Juli 2026 dasselbe Muster. Bei einem Shop für Sonnenschutz nach Maß stand der Basispreis von 17,99 € ohne „ab“ im HTML, das der Server ausliefert. Perplexity antwortete aus seinem Suchindex und machte daraus einen Festpreis („kostet 17,99 € inkl. MwSt.“), ohne die preisbestimmenden Faktoren zu nennen. Für Maßware ist das falsch. Andere getestete Systeme nannten den Preis als Mindestpreis oder mit seinen Abhängigkeiten. ### Der Live-Test: sechs Kompatibilitätsfragen, zwölf KI-Systeme Wie groß ist das Drift-Risiko bei Kompatibilitätsfragen 2026? Der Live-Test von HECHT INS GEFECHT vom Juli 2026 liefert dazu eine Zahl. Die harte Drift-Quote lag bei 3,3 % über 61 auswertbare Antworten, gezählt wurden Antworten mit falschem Endergebnis. Für den Test haben wir sechs Kompatibilitätsfragen mit belegter richtiger Antwort formuliert, zu Rollladengurt-Breiten, Druckerpatronen-Serien und Bosch-Akkus für E-Bikes. Gestellt haben wir sie an zwölf KI-Systeme, fünf über die Programmierschnittstelle (API) und sieben über ihre Oberflächen für Endnutzer, darunter ChatGPT, Perplexity, Copilot und Googles AI Mode. Das ergab 72 Anfragen. Die KI-Systeme schnitten dabei gut ab. Es gab 58 korrekte Antworten, 2 harte Drift-Fälle und 1 ausweichende Antwort. Die restlichen 11 Anfragen blieben außerhalb der Wertung. Acht scheiterten technisch, sechs davon bei einem System, das komplett ausfiel. Bei drei Anfragen spielte Google keine AI Overview aus. Im Juli 2026 beantworteten Systeme mit Websuche eindeutige Ja-Nein-Kompatibilitätsfragen fast durchweg richtig. Die Mini-Maxi-Grenze bei Rollladengurten steht in mehreren Shops ausdrücklich im Text, drei davon haben wir für den Test dokumentiert. Wo eine Grenze gut dokumentiert ist, muss ein Modell nach meiner Einschätzung seltener raten. Live-Test-Ergebnis: 6 Kompatibilitätsfragen an 12 KI-Systeme Live-Test: 6 Fragen an 12 KI-Systeme Eigener Test, Juli 2026: 72 Anfragen zu Kompatibilitätsgrenzen 3,3 % harte Drift-Quote über 61 gewertete Antworten Korrekte Antworten 58 Harte Drift-Fälle 2 Ausweichende Antwort 1 Nicht gewertet (8 Ausfälle, 3 ohne AI Overview) 11 Bei klaren Grenzen waren fast alle Antworten richtig. Abb. 3 · HECHT INS GEFECHT Abb. 3: Live-Test von HECHT INS GEFECHT im Juli 2026 mit 72 Anfragen, 61 gewerteten Antworten und einer harten Drift-Quote von 3,3 %. ### Zwei Drift-Fälle und ein Grenzfall aus dem Live-Test Die zwei harten Drift-Fälle kamen von einer Oberfläche für Endnutzer und von einem System ohne Websuche. Der erste Fall betrifft Perplexity. Über die API beantwortete Perplexity die Frage, ob eine HP-305-Patrone in einen OfficeJet Pro 9019e passt, korrekt mit Nein. Die Oberfläche für Endnutzer desselben Anbieters antwortete auf dieselbe Frage: „Kurze Antwort: Ja, die HP 305 Patronen passen in den HP OfficeJet Pro 9019e“. Die Begründung danach war erfunden und widersprach sich im nächsten Satz selbst. Der Drift trat also auf der Oberfläche auf, die Endkunden nutzen. Der zweite Fall betrifft Mistral Large. Das Modell lief im Test ohne Websuche und empfahl für 14-mm-Gurte zwei konkrete Gurtwickler samt Preisen und Amazon-Links. Als Gurtwickler fanden wir beide Produkte nicht. Beide Links trugen dieselbe erfundene Artikelnummer. Die Namen kombinierten echte Herstellernamen mit plausibel klingenden Produktbezeichnungen. Bei WIRED waren die genannten Produkte wenigstens echt. Der Grenzfall betrifft den Anfang der Antworten. Auf die Frage, ob ein 14-mm-Gurt in einen Gurtwickler für 23-mm-Gurte passt, begannen drei Antworten mit „Ja“ oder „technisch möglich“. Die entscheidende Einschränkung folgte erst danach. Mit einem Hybrid-Wickler für beide Breiten geht das tatsächlich, mit einem normalen Maxi-Wickler nicht. Googles AI Mode gab dazu einen Montagetipp für die Kombination. Wer nur den ersten Satz liest, nimmt ein Ja mit, das nur für Sonderfälle gilt. In der Bilanz von HECHT INS GEFECHT zählen diese drei Antworten als korrekt, weil die entscheidende Einschränkung im Antworttext folgt. Gewertet haben wir das Endergebnis jeder Antwort. Zwei von acht geplanten Testfragen haben wir vor dem Start gestrichen, weil die Primärquellen die vermutete richtige Antwort nicht deckten. Eine davon war die Frage nach den Gummipads unter der Waschmaschine, denn Händler verkaufen solche Pads für beide Zwecke. Die vermutete richtige Antwort ließ sich damit nicht halten. Sechs Fragen in einem Durchlauf sind eine Stichprobe. In dieser Stichprobe waren Kompatibilitätsfragen mit eindeutiger Antwort selten ein Drift-Risiko. Offene Empfehlungsfragen sind nach meiner Einschätzung riskanter, das hat dieser Test aber nicht systematisch geprüft. Wie Produkt- und Kategorieseiten insgesamt aufgebaut sein sollten, beschreibe ich im Beitrag über [Onlineshop-SEO](https://hechtinsgefecht.de/onlineshop-seo/). Für den Produkttext gehören Kompatibilität und Eignung zu den wichtigsten Angaben. ## Schutz vor Semantic Drift: Fakten als eigenständige Sätze Aus meiner Sicht schützt vor allem Disziplin beim Schreiben gegen Semantic Drift. Die Grundregel lautet, jeden kritischen Fakt als Satz auf die Seite zu stellen, der ohne den Satz davor verständlich ist. Viele KI-Systeme zerlegen Texte in Abschnitte, sogenannte Chunks, und ziehen einzelne Passagen für ihre Antworten heraus. Ein Satz, der seinen Kontext nicht mitbringt, lässt sich dort schwer verwerten. Ein Beispiel stammt aus einem Kundentermin im Juni 2026. „Das Sortiment richtet sich an Handwerker, Heimwerker und Bauprofis“ ist schlecht zitierfähig, weil ohne den Absatz drumherum unklar ist, wessen Sortiment gemeint ist. „Das Sortiment von [Marke] richtet sich an Handwerker, Heimwerker und Bauprofis“ ist dagegen eine eigenständige Aussage. Sie lässt sich eins zu eins übernehmen, und die Entität wird gleich mitgeliefert. Menschen denken sich beim Lesen den Zusammenhang dazu. Ein Retrieval-System, also die Suchkomponente, die passende Textabschnitte heraussucht, tut das in der Regel nicht. Für Eignung und Kompatibilität heißt das konkret: für wen, wofür, in welchen Grenzen. Bei den Grenzen gibt es allerdings einen Zielkonflikt. Eine ausdrückliche Verneinung („passt NICHT zu 14-mm-Gurten“) grenzt formal am saubersten ab. Produktseiten voller Verneinungen wirken aber negativ, nach meiner Einschätzung auch auf die Tonalität, mit der KI-Systeme über die Marke sprechen. Die Lösung ist positive Begrenzung: „Passt ausschließlich zu Gurten mit 23 mm Breite.“ Das „ausschließlich“ schließt alle anderen Breiten aus, und der Satz bleibt positiv formuliert. So grenzt du die falsche Kombination ab und bleibst im positiven Ton. Drei Bausteine schützen Produkttexte vor Drift: der eigenständige Satz mit Entitätsanker, die positive Begrenzung bei Eignung und Kompatibilität und die Kompatibilitätstabelle bei harten technischen Grenzen. Ein Entitätsanker ist der Name der Marke oder des Produkts im Satz. Dazu kommen konsistente Entitätsnamen im gesamten Text statt kreativer Synonyme. Die handwerklichen Details dazu stehen im Beitrag über [Content-Formatierung für LLMs](https://hechtinsgefecht.de/content-formatierung-llm/) und im Grundlagen-Post zum [semantischen SEO](https://hechtinsgefecht.de/semantisches-seo/). Drei Bausteine schützen Produkttexte vor Semantic Drift Drei Bausteine gegen Semantic Drift 1 Eigenständiger Satz mit Entitätsanker Jeder kritische Fakt funktioniert ohne den Satz davor. „Das Sortiment von [Marke] richtet sich an Handwerker.“ 2 Positive Begrenzung Trägt den harten Ausschluss, ohne zu verneinen. „Passt ausschließlich zu Gurten mit 23 mm Breite.“ 3 Kompatibilitätstabelle Macht harte technische Grenzen maschinenlesbar, Serie für Serie, ohne Interpretationsspielraum. Eindeutigkeit ist Schreibdisziplin: für wen, wofür, in welchen Grenzen. Abb. 4 · HECHT INS GEFECHT Abb. 4: Drei Bausteine machen Produkttexte drift-fest: Entitätsanker, positive Begrenzung, Kompatibilitätstabelle. **Pro-Tipp:** Prüfe, wo deine kritischen Fakten im Layout stehen. Bei derselben Premium-Modemarke standen auf den Kategorieseiten im Quelltext im Median nur 28 Wörter. Rund 700 waren es erst nach dem Ausführen von JavaScript. Die Crawler von OpenAI, Anthropic und Perplexity führten laut einer Auswertung von Vercel und MERJ kein JavaScript aus. Kritische Fakten gehören deswegen ins ausgelieferte HTML. Auf den Produktseiten steht die Beschreibung bei einer Stichprobe im Oktober 2026 zwar im HTML, aber eingeklappt in Akkordeons. Das Audit empfahl, die eingeklappten Texte offen auszuspielen. ## Schema Markup: zweite Schicht, keine Magie Bei Schema Markup halte ich mich an eine einfache Reihenfolge, erst der Text, dann das Markup. Inhalte gelangen auf drei Wegen in ein KI-System, über das Training, über einen Suchindex und über den Live-Abruf einer Seite während der Antwort. Welcher Weg Markup wie auswertet, ist von außen kaum verlässlich zu sagen. Deswegen gehört jeder kritische Fakt zuerst sichtbar in den Text, schnell auffindbar und eigenständig formuliert. Dazu kommt ein vollständiges [Schema Markup](https://hechtinsgefecht.de/schema-strukturierte-daten/), weil du für Google und LLMs gleichzeitig schreibst. Google sagt allerdings, dass für seine KI-Funktionen keine speziellen strukturierten Daten nötig sind, und eine Wirkung auf KI-Zitate ist nicht belegt. In der Debatte gibt es zwei Lager, und ehrlicherweise haben beide einen Punkt. Der britische SEO Mark Williams-Cook hält die Belege dafür, dass Schema KI-Zitate bringt, für „remarkably thin“, also bemerkenswert dünn. Schema empfiehlt er trotzdem. Ein Test des SEO-Tools searchVIU vom Oktober 2025 passt dazu. Einen Produktpreis, der nur im JSON-LD stand, dem Format für strukturierte Daten im Quelltext, fand keines der fünf getesteten KI-Systeme. Drei davon riefen die Seite live ab, zwei antworteten aus ihrem Suchindex. Die Gegenseite hat prominente Stimmen. Fabrice Canel war damals Principal Product Manager bei Bing und ist seit Juli 2026 im Ruhestand. Auf der SMX München im März 2025 soll er gesagt haben, dass Schema Markup den Sprachmodellen von Microsoft beim Verstehen hilft. Überliefert ist das über einen LinkedIn-Post von David Mihm, den Canel in den Kommentaren bestätigte. Im Oktober 2025 empfahl Microsoft Schema auch schriftlich, und Copilot läuft laut Microsoft auf dem Suchindex von Bing. John Mueller, Search Advocate bei Google, gab laut Search Engine Roundtable im Januar 2026 ausdrücklich seine persönliche Sicht wieder. Er hält es für „basically impossible“, also praktisch unmöglich, Preise, Versand und Verfügbarkeit für Shopping-Funktionen präzise aus Fließtext zu lesen. Für Zahlen wie „3,6-fach häufiger zitiert dank Schema“, die in Anbieter-Blogs kursieren, gibt es keine belastbare Quelle. Eine Kontrollstudie von Ahrefs mit 1.885 Seiten fand im Mai 2026 keinen nennenswerten Zuwachs an KI-Zitaten durch ergänztes JSON-LD. Schema mit falschen Angaben kann Drift nach meiner Einschätzung sogar verstärken. Beim erwähnten Rollladen-Shop listete das ItemList-Markup einer wichtigen Kategorieseite im Mai 2026 zwei Produkt-URLs, beide lieferten den Fehler 404. Eine ItemList ist eine strukturierte Produktliste. Das Markup ist inzwischen entfernt. Jede Angabe im Schema braucht einen sichtbaren Beleg im Text der Seite. Auch Google verlangt, dass strukturierte Daten nur Inhalte auszeichnen, die Besucher auf der Seite sehen. ## Was WordLift richtig sieht und wo Ontologien Overkill sind Die Diagnose Semantic Drift trifft aus meiner Sicht den Kern des Problems, aber die Lösung von WordLift ist für die meisten Websites zu aufwendig. WordLift trainiert kleine Sprachmodelle aus Googles Gemma-Familie nach und nutzt dabei eine formale Ontologie als Belohnungsfunktion. Eine Ontologie ist ein maschinenlesbares Regelwerk über erlaubte Beziehungen. Das beste Modell mit 4 Milliarden Parametern löste 5 von 10 Rätseln eines schweren Testsets. Ein späteres Modell mit 12 Milliarden Parametern kam dort auf 8 von 10, Gemini 2.5 Flash in derselben Tabelle auf 3 von 10. Für den Alltag eines Shops bleibt dieser Ansatz aus meiner Sicht Forschung. Ontologien, Belohnungsfunktionen und Training auf Grafikprozessoren lohnen sich eher für Konzerne mit Millionen Produktdatensätzen. Einem Shop mit 5.000 Produkten helfen der Satz „Passt ausschließlich zu Gurten mit 23 mm Breite“ auf der Produktseite, eine Kompatibilitätstabelle und ein Product-Schema mit korrekten Angaben. Das kostet vor allem Schreibarbeit. Volpinis Satz „Structure is the moat“ heißt sinngemäß, dass Struktur den Vorsprung sichert. Er meint damit maschinenlesbare Strukturen wie Ontologien. Dass Struktur schützt, sehe ich auch so, für die meisten Websites reicht sie aber im sichtbaren Text. ## Drift-Check für deine Marke: so findest du die Lücken Der Drift-Check läuft in vier Schritten: kaufnahe Prompts sammeln, vier KI-Systeme abfragen, jede Antwort klassifizieren, die Maßnahme der Diagnose zuordnen. Wichtig ist ein festes Prompt-Set statt spontaner Einzelfragen, denn nur identische Fragen machen Veränderung messbar. Das Vorgehen stammt aus den Audits von HECHT INS GEFECHT und lässt sich verkleinert nachbauen. Drift-Check für deine Marke in vier Schritten Drift-Check in vier Schritten 1 Kaufnahe Prompts sammeln 15 bis 30 Fragen, wie deine Kunden sie stellen. Die Themen liefert deine eigene Navigation. 2 Mehrere Systeme abfragen ChatGPT, Gemini, Perplexity und Copilot, Antworten wörtlich und mit Datum festhalten. 3 Jede Antwort klassifizieren Fehlende Nennung deutet auf Retrievability, Falschdarstellung trotz Nennung ist Drift. 4 Maßnahme der Diagnose zuordnen Retrievability-Lücken brauchen Auffindbarkeit, Drift-Lücken brauchen Eindeutigkeit. Erst die Messung zeigt, welche Lücke deine Marke wirklich hat. Abb. 5 · HECHT INS GEFECHT Abb. 5: Der Drift-Check in vier Schritten, von den Prompts bis zur Maßnahme. ### Schritt 1: Kaufnahe Prompts sammeln Formuliere 15 bis 30 Fragen, wie sie deine Kunden stellen würden: Empfehlungsfragen („Welcher Anbieter für X ist empfehlenswert?“), Wissensfragen („Was macht [Marke]?“) und Kompatibilitäts- oder Eignungsfragen zu deinen Produkten. Die Themen dafür liefert deine eigene Navigation statt eines Keyword-Tools. Wie sich [Generative Engine Optimization (GEO)](https://hechtinsgefecht.de/geo-generative-engine-optimization/) vom klassischen Keyword-Denken unterscheidet, beschreibe ich in einem eigenen Beitrag. ### Schritt 2: Mehrere Systeme abfragen und dokumentieren Stelle dieselben Fragen an ChatGPT, Gemini, Perplexity und Copilot, jeweils im Standard-Modus. Halte die Antworten wörtlich fest, mit Datum. Einzelne Antworten sind Anekdoten, erst das dokumentierte Set lässt sich mit späteren Läufen vergleichen. ### Schritt 3: Jede Antwort klassifizieren Klassifiziere jede Antwort entlang von vier Prüfpunkten: Markenkenntnis, korrekte Beschreibung deines Geschäfts, Empfehlung auf kaufnahen Fragen, passende Produktempfehlung bei Kompatibilitätsfragen. Notiere pro Prüfpunkt und System ein Ja oder Nein. Fehlende Nennungen deuten auf eine Retrievability-Lücke. Falsche Beschreibungen, falsche Zuordnungen und falsche Produktempfehlungen trotz vorhandener Nennung sind Drift. ### Schritt 4: Die Maßnahme der Diagnose zuordnen Bei Retrievability-Lücken geht es um Auffindbarkeit: Indexierung, fehlende Inhalte, Präsenz in Drittquellen, Fakten raus aus PDFs und aus Inhalten, die erst per JavaScript laden, KI-Crawler nicht aussperren. Bei Drift-Lücken geht es um Eindeutigkeit: eigenständige Sätze mit Entitätsanker, positive Begrenzung bei Kompatibilität, Kompatibilitätstabellen, konsistente Namen, Schema-Claims mit Textbeleg. In meinen Audits brauchen Websites häufig beides, auf verschiedenen Seiten. **Pro-Tipp:** Wiederhole das Set monatlich mit identischen Prompts in identischer Reihenfolge. Drift-Befunde ändern sich, wenn sich Quellen und Modelle ändern. Ohne Zeitreihe siehst du nur Momentaufnahmen und kannst keine Wirkung nachweisen. Letztlich hat Semantic Drift auch mit deinen eigenen Texten zu tun. Nach meiner Erfahrung setzt sich das Plausible vor allem dort durch, wo das Korrekte nicht eindeutig genug dasteht. Wie eindeutig deine Fakten dastehen, entscheidest du mit jedem Produkttext selbst. ### Was ist Semantic Drift? Semantic Drift ist das systematische Verhalten von Sprachmodellen, der stärksten semantischen Assoziation zu folgen und formale Anforderungen dabei fallen zu lassen. Das Modell gibt die plausibel klingende Antwort statt der korrekten. Meta-Forscher verwendeten den Begriff 2024 für das Abdriften von Fakten in langen Texten. WordLift nutzt ihn 2026 für Modelle, die feste Vorgaben zugunsten des Naheliegenden übergehen. ### Ist Semantic Drift dasselbe wie eine KI-Halluzination? Nein. Halluzination ist der Oberbegriff für erfundene Inhalte in KI-Antworten. Semantic Drift beschreibt nach meiner Einschätzung einen Mechanismus hinter einem Teil davon. Das Modell wählt wiederholt die plausibelste Deutung mehrdeutiger oder lückenhafter Informationen. Eindeutige Inhalte können Drift deshalb verringern. ### Wie erkenne ich, ob meine Marke betroffen ist? Stelle ein festes Set aus Wissens-, Empfehlungs- und Eignungsfragen an die großen KI-Systeme und klassifiziere die Antworten. Fehlende Nennungen deuten auf eine Retrievability-Lücke (Inhalte nicht auffindbar). Falsche Beschreibungen, Zuordnungen oder Produktempfehlungen trotz Nennung sind Drift-Befunde. ### Schützt Schema Markup vor Semantic Drift? Ein Schutz vor Semantic Drift durch Schema Markup ist nicht belegt, das Markup ist höchstens eine zweite Schicht. In einem Test von searchVIU im Oktober 2025 fand keines von fünf KI-Systemen einen Preis, der nur im JSON-LD stand. Microsoft schreibt, Schema helfe Suchmaschinen und KI-Systemen beim Verstehen, mehr KI-Zitate fand eine Ahrefs-Studie dadurch nicht. Kritische Fakten gehören deshalb zuerst als eigenständige Sätze in den sichtbaren Text und zusätzlich ins Markup. Schema-Angaben ohne Textbeleg auf der Seite können Drift sogar verstärken. ### Warum empfehlen KI-Systeme inkompatible Produkte? Nach meiner Einschätzung passiert das vor allem, wenn die Kompatibilitätsgrenzen nicht ausdrücklich im Text stehen. Produktvarianten sehen für ein Sprachmodell dann sehr ähnlich aus. Das Modell wählt in diesem Fall ein naheliegendes Produkt, das ähnlich, aber nicht kompatibel ist. Bei sechs Fragen mit belegter richtiger Antwort lagen im Live-Test von HECHT INS GEFECHT im Juli 2026 nur 2 von 61 gewerteten Antworten falsch. Eindeutige Eignungssätze wie „passt ausschließlich zu Gurten mit 23 mm Breite“ und Kompatibilitätstabellen machen die Grenze für das Modell eindeutig. ## Quellen - Andrea Volpini, Chiara Carrozza (WordLift): [Sangue e Grafi: Teaching a Small Model to Read the Bloodline](https://wordlift.io/blog/en/sangue-e-grafi/), Juni 2026 - Ava Spataru et al. (Meta): [Know When To Stop: A Study of Semantic Drift in Text Generation](https://arxiv.org/abs/2404.05411), NAACL 2024 - searchVIU: [Schema Markup and AI in 2025: What ChatGPT, Claude, Perplexity & Gemini really see](https://www.searchviu.com/en/schema-markup-and-ai-in-2025-what-chatgpt-claude-perplexity-gemini-really-see/), Dezember 2025 (Test Oktober 2025) - Mark Williams-Cook: [Schema & LLMs: The low bar for evidence in GEO](https://www.searchenginejournal.com/schema-llms-the-low-bar-for-evidence-in-geo/576090/), Search Engine Journal, Juni 2026 - Barry Schwartz: [Microsoft Bing/Copilot use schema for its LLMs](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455), Search Engine Land, März 2025 - Barry Schwartz: [John Mueller On If Schema Helps With LLMs & Google](https://www.seroundtable.com/mueller-schema-helps-llms-google-40693.html), Search Engine Roundtable, Januar 2026 - Google Search Central: [KI-Funktionen und deine Website](https://developers.google.com/search/docs/appearance/ai-features?hl=de) - Google Search Central: [Allgemeine Richtlinien für strukturierte Daten](https://developers.google.com/search/docs/appearance/structured-data/sd-policies?hl=de) - Krishna Madhavan: [Optimizing Your Content for Inclusion in AI Search Answers](https://about.ads.microsoft.com/en/blog/post/october-2025/optimizing-your-content-for-inclusion-in-ai-search-answers), Microsoft Advertising Blog, Oktober 2025 - Matt G. Southern: [Fabrice Canel, Longtime Bing Search Leader, Retires From Microsoft](https://www.searchenginejournal.com/fabrice-canel-longtime-bing-search-leader-retires-from-microsoft/581247/), Search Engine Journal, Juli 2026 - Louise Linehan: [We Tracked 1,885 Pages Adding Schema. AI Citations Barely Moved.](https://ahrefs.com/blog/schema-ai-citations/), Ahrefs, Mai 2026 - Reece Rogers: [I Asked ChatGPT What WIRED’s Reviewers Recommend. Its Answers Were All Wrong](https://www.wired.com/story/i-asked-chatgpt-what-wired-reviewers-recommend-its-answers-were-all-wrong/), WIRED, April 2026 - OpenAI: [Powering Product Discovery in ChatGPT](https://openai.com/index/powering-product-discovery-in-chatgpt/), März 2026 - Vercel: [The rise of the AI crawler](https://vercel.com/blog/the-rise-of-the-ai-crawler), Vercel Blog, Dezember 2024