Der entscheidende Wandel liegt weniger in der Technologie selbst als in ihrer Funktion: Generative Systeme agieren zunehmend als vorgelagerte Instanz zwischen verfügbaren Informationen und menschlicher Wahrnehmung. Sie selektieren, verdichten und rahmen Inhalte und beeinflussen damit, was als relevant, glaubwürdig oder repräsentativ wahrgenommen wird.

Von Ergebnissen zu Antworten

Suchmaschinen folgen traditionell einer Logik der Auswahl. Nutzerinnen und Nutzer erhalten eine Liste potenziell relevanter Quellen und entscheiden selbst, welche Inhalte sie konsultieren und wie sie diese einordnen. Diese Struktur verteilt Verantwortung für Interpretation bewusst auf die menschliche Seite.

Generative KI Systeme verändern diese Logik grundlegend. Sie präsentieren keine Auswahl, sondern eine kohärente Antwort, die Informationen aus unterschiedlichen Quellen zusammenführt und synthetisiert. Quellen werden dabei, sofern vorhanden, selektiv eingebunden oder implizit verarbeitet (Aggarwal et al., 2024).

Die zentrale Frage verschiebt sich damit von „Welche Informationen finde ich?" zu „Welche Darstellung erhalte ich?".

Generative KI als aktiver Informationsfilter

In dieser Rolle fungiert generative KI nicht als neutraler Vermittler. Sie filtert Informationen anhand von Trainingsdaten, Modellarchitekturen, Prompt Kontexten und internen Gewichtungsmechanismen. Diese Filterlogiken sind für Aussenstehende nur begrenzt nachvollziehbar und unterscheiden sich zwischen Modellen (Indig, 2025a).

Entscheidend ist, dass diese Filter nicht nur bestimmen, welche Informationen erscheinen, sondern auch wie sie gerahmt werden. Gewichtung, Reihenfolge, Tonalität und Auswahl von Quellen prägen die Wahrnehmung von Themen, Organisationen und Akteuren. Damit wird generative KI zu einem aktiven Bestandteil der Bedeutungsproduktion.

Auswirkungen auf Organisationen und Reputation

Für Organisationen entsteht dadurch eine neue Form von Sichtbarkeit. Relevanz ergibt sich nicht mehr ausschliesslich aus eigener Kommunikation oder klassischer Medienpräsenz, sondern zunehmend aus der Darstellung innerhalb KI generierter Antworten.

Zentrale Fragen sind unter anderem:

• In welchem Kontext werden Organisationen genannt?
• Welche Eigenschaften oder Narrative werden ihnen zugeschrieben?
• Auf welche Quellen stützen sich diese Darstellungen?
• Welche Aspekte werden systematisch betont oder ausgeblendet?

Empirische Studien zeigen, dass diese Darstellungen zwischen Modellen variieren und sich über Zeit verändern können (GEO Bench, 2024; AutoGEO, 2023). Gleichzeitig entfalten sie Wirkung, weil sie von Nutzerinnen und Nutzern als verdichtete Wissensrepräsentationen wahrgenommen werden.

Vertrauen durch Verdichtung

Die Autorität generativer Systeme entsteht weniger durch Transparenz als durch Kohärenz und Verdichtung. Antworten wirken vertrauenswürdig, weil sie komplexe Sachverhalte konsistent zusammenführen und sprachlich überzeugend präsentieren.

Gerade diese Verdichtung birgt jedoch Risiken. Wenn Auswahl und Gewichtungsprozesse intransparent bleiben, wird es schwierig, Aussagen kritisch einzuordnen oder alternative Perspektiven zu erkennen. Für Organisationen kann dies bedeuten, dass sich Wahrnehmungen verfestigen, die nur begrenzt steuer oder korrigierbar sind.

Beobachtung als Voraussetzung für gezielte Entscheidungen

Vor diesem Hintergrund greifen klassische Optimierungsansätze nur bedingt. Versuche, generative Systeme punktuell zu beeinflussen, ohne ihre Funktionslogiken zu verstehen, bleiben oft wirkungslos oder führen zu Fehlinterpretationen.

Zunehmend relevant wird daher die systematische Beobachtung von KI Antworten:

• über verschiedene Modelle hinweg,
• über längere Zeiträume,
• mit Fokus auf Quellenwahl, Gewichtung und Darstellung.

Erst auf dieser Grundlage lassen sich fundierte Entscheidungen in Kommunikation, Reputationsmanagement und strategischer Orientierung treffen.

Ein neues Informationsregime

Generative KI markiert keinen inkrementellen Fortschritt, sondern den Übergang in ein neues Informationsregime. Antworten ersetzen Ergebnislisten. Verdichtung ersetzt Auswahl. Wahrnehmung wird zunehmend vorstrukturiert.

Für Organisationen, Forschung und Institutionen stellt sich damit weniger die Frage, ob generative KI relevant ist, sondern wie ihre Wirkungen verstanden, gemessen und eingeordnet werden können.

The decisive shift lies less in the technology itself than in its function: generative systems increasingly act as an upstream instance between available information and human perception. They select, condense, and frame content, thereby influencing what is perceived as relevant, credible, or representative.

From results to answers

Search engines traditionally follow a logic of selection. Users receive a list of potentially relevant sources and decide for themselves which content to consult and how to interpret it. This structure deliberately distributes responsibility for interpretation to the human side.

Generative AI systems fundamentally change this logic. They do not present a selection, but a coherent answer that brings together and synthesises information from different sources. Sources are selectively integrated or implicitly processed (Aggarwal et al., 2024).

The central question thus shifts from "What information can I find?" to "What representation do I receive?".

Generative AI as an active information filter

In this role, generative AI does not function as a neutral intermediary. It filters information based on training data, model architectures, prompt contexts, and internal weighting mechanisms. These filtering logics are only partially comprehensible to outsiders and differ between models (Indig, 2025a).

Crucially, these filters determine not only which information appears, but also how it is framed. Weighting, order, tonality, and selection of sources shape the perception of topics, organisations, and actors. This makes generative AI an active component of meaning production.

Impact on organisations and reputation

For organisations, this creates a new form of visibility. Relevance no longer arises exclusively from their own communication or traditional media presence, but increasingly from representation within AI generated answers.

Key questions include:

• In what context are organisations mentioned?
• What characteristics or narratives are attributed to them?
• What sources do these representations rely on?
• Which aspects are systematically emphasised or omitted?

Empirical studies show that these representations vary between models and can change over time (GEO Bench, 2024; AutoGEO, 2023). At the same time, they have an effect because users perceive them as condensed knowledge representations.

Trust through condensation

The authority of generative systems arises less from transparency than from coherence and condensation. Answers appear trustworthy because they consistently bring together complex matters and present them in a linguistically convincing manner.

However, this very condensation carries risks. When selection and weighting processes remain opaque, it becomes difficult to critically assess statements or recognise alternative perspectives. For organisations, this can mean that perceptions solidify that are difficult to control or correct.

Observation as a prerequisite for informed decisions

Against this background, traditional optimisation approaches have limited effectiveness. Attempts to influence generative systems on an ad hoc basis without understanding their functional logics often remain ineffective or lead to misinterpretations.

Systematic observation of AI answers is therefore becoming increasingly relevant:

• across different models,
• over longer periods,
• with a focus on source selection, weighting, and representation.

Only on this basis can informed decisions be made in communication, reputation management, and strategic orientation.

A new information regime

Generative AI does not mark incremental progress, but the transition to a new information regime. Answers replace result lists. Condensation replaces selection. Perception is increasingly pre-structured.

For organisations, research, and institutions, the question is therefore less whether generative AI is relevant, but how its effects can be understood, measured, and contextualised.