Brand-First vs. Attribute-First: das Tesla-Problem
Kurz gesagt
Fragen Sie eine KI „Welche Eigenschaften hat Marke X?", wird die Marke fast immer korrekt beschrieben. Fragen Sie umgekehrt „Welche Marken haben Eigenschaft Y?", taucht dieselbe Marke oft kaum auf. Dieses Auseinanderfallen — das „Tesla-Problem" — entsteht, weil beide Richtungen unterschiedliche Quellen heranziehen. Für KI-Sichtbarkeit zählt vor allem die zweite Richtung, weil sie weiter oben im Kaufprozess steht.
Das Tesla-Beispiel
Fragt man eine KI „Welche Attribute hat Tesla?", nennt sie nahezu sicher „schnell". Dreht man die Frage um — „Nenne schnelle Automarken" — taucht Tesla oft nur in einem kleinen Teil der Antworten auf. Dieselbe Marke, dasselbe Attribut, völlig verschiedene Sichtbarkeit. Genau dieser Mismatch ist die Falle: Marken überschätzen ihre Sichtbarkeit, weil sie sich selbst (Brand-First) abfragen, statt so zu fragen, wie Kund:innen suchen.
Warum die Richtungen auseinanderfallen
Bei der Marke→Attribut-Frage zitiert die KI vor allem die Marken-eigene Website — die beschreibt sich ja selbst. Bei der Attribut→Marken-Frage greift die KI dagegen auf Drittquellen zurück: Vergleichsartikel, „Listicles" („Die 10 schnellsten Autos"), Fachmedien, Bewertungsportale. Wer dort nicht vorkommt, fehlt in der Antwort — egal wie gut die eigene Website ist. Und die Attribut-Richtung ist die kommerziell wichtigere, weil sie am Anfang der Kaufentscheidung steht, bevor eine Marke feststeht.
Was Sie tun sollten
Optimieren Sie beide Richtungen und schließen Sie gezielt die Lücke. Für die Attribut-Richtung brauchen Sie Präsenz in Drittquellen: in Vergleichs- und Bestenlisten genannt werden, PR und Fachbeiträge mit den Attributen, für die Sie stehen wollen, Bewertungsplattformen. Messen Sie beide Fragetypen getrennt — nur so erkennen Sie, ob Sie nur sich selbst beschreiben oder auch dann auftauchen, wenn jemand nach Ihrer Kategorie sucht.
Wichtigste Erkenntnisse
- Marke→Attribut und Attribut→Marke liefern stark unterschiedliche KI-Antworten.
- Selbstabfragen (Brand-First) überschätzen Ihre echte Sichtbarkeit.
- Die Attribut-Richtung zählt mehr — sie steht früher im Kaufprozess.
- Sie wird über Drittquellen gewonnen: Listicles, PR, Fachmedien, Bewertungen.
Quellen
- Knowhow_GEO_Landwehr.md (Podcast Landwehr/Peec AI) — Tesla-Beispiel, Brand-First vs. Attribute-First, Listicles und Drittquellen.
- Alpar et al.: Generative Engine Optimization, Rheinwerk 2026 (Quellenwahl je nach Fragetyp).
Häufige Fragen
Warum reicht es nicht, dass die KI meine Marke korrekt beschreibt?
Weil Kund:innen meist nach der Kategorie oder dem Attribut suchen, nicht nach Ihrem Namen. Genau dort (Attribut→Marke) entscheidet sich die Vorauswahl — und dort fehlen viele Marken.
Wie schließe ich die Attribut-Lücke (Attribut→Marke)?
Über Drittquellen: in Vergleichs- und Bestenlisten genannt werden, PR und Fachbeiträge mit den Attributen, für die Sie stehen wollen, sowie starke Bewertungsprofile. Die eigene Website allein reicht hier nicht.
Muss ich Brand-First und Attribute-First pro Attribut einzeln messen?
Ja. Für jedes wichtige Attribut bzw. Kategorie-Wort sollten Sie separat prüfen, ob Sie in der Attribut→Marken-Antwort auftauchen — sonst übersehen Sie genau die Lücken, die zählen.
Über den Autor
Christoph Schempershofe, Gründer von VISIBILIS. Seit dem Studium verbindet er Marketing mit IT: von Websites und Markenaufbau über Suchmaschinenmarketing bis zur KI-Sichtbarkeit (GEO). Als Dozent an FOM und IU lehrt er Marketing, Online- und Suchmaschinenmarketing sowie Content-Management-Systeme.