Hier erfährst du, was passiert, wenn Unternehmen den Definitionsschritt überspringen – und wie du das vermeiden kannst.

Wenn «KI» alles bedeutet, bedeutet es nichts

Der Begriff «KI» umfasst derzeit eine enorme Bandbreite an Technologien – regelbasierte Automatisierung, Empfehlungsmaschinen, Modelle für maschinelles Lernen, grosse Sprachmodelle wie GPT-5.5 und vollständig autonome KI-Assistenten. Das sind grundlegend verschiedene Dinge mit unterschiedlichen Kosten, Fähigkeiten und Ausfallmöglichkeiten. Dennoch werden sie alle in Vorstandssitzungen und Budgetgesprächen als «KI» bezeichnet.

Stell dir das so vor, als würde man alles, was einen Motor hat, als «Fahrzeug» bezeichnen. Technisch korrekt, aber nicht hilfreich, wenn du entscheiden musst, ob du einen Gabelstapler oder einen Firmenwagen brauchst.

In der Praxis führt diese Unschärfe zu drei konkreten Problemen für alle, die Entscheidungen treffen müssen:

• Für Kunden macht es die Bewertung von Anbietern fast unmöglich – du kannst keine Lösungen vergleichen, wenn du nicht weisst, welches Problem du lösen willst.
• Für interne Teams entsteht Verwirrung darüber, was erwartet wird und wie Erfolg gemessen werden soll.
• Für die Compliance macht es die Bewertung von Risiken, Verantwortlichkeiten oder der Einhaltung gesetzlicher Vorschriften fast unmöglich.

Gerade in der Schweiz, wo die Compliance-Anforderungen hoch sind und KMU unter strenger behördlicher Aufsicht stehen, ist «wir führen KI ein» keine ausreichende Antwort für Auditoren, Datenschutzbeauftragte oder Beschaffungsprüfer. Definitorische Unklarheit ist keine akademische Frage – sie birgt echte rechtliche und finanzielle Risiken.

Wenn ein neuer Kunde sagt «wir brauchen KI», stellt unser Team bei what. immer zuerst dieselben klärenden Fragen:

• Welche konkrete Aufgabe oder Entscheidung möchtest du verbessern oder automatisieren?
• Wo genau stockt der aktuelle Prozess oder verlangsamt er sich?
• Erfordert das Urteilsvermögen und Anpassungsfähigkeit, oder handelt es sich um eine vorhersehbare, regelbasierte Aufgabe?
• Woran willst du erkennen, ob es funktioniert?
• Wer trägt die Verantwortung für das Ergebnis, wenn etwas schiefgeht?

Das sind keine Fragen, die nur der Vorabprüfung dienen. Sie sind die Grundlage für jedes Projekt, das tatsächlich umgesetzt wird.

Warum vage KI-Ziele Projekte zum Scheitern bringen, bevor sie beginnen

Unternehmen setzen oft auf KI, weil es sich dringend anfühlt – die Konkurrenz «macht KI», die Führung fragt danach, und niemand will den Anschluss verpassen. Das ist verständlich. Aber KI einzuführen, weil sie gerade im Trend liegt, anstatt weil du ein konkretes Problem identifiziert hast, das sie löst, führt dazu, dass Budgets verschwinden, ohne dass etwas vorzuweisen ist.

Ohne eine klare Definition dessen, was die KI-Automatisierung leisten soll, werden drei Dinge wirklich unmöglich:

Das knüpft direkt an etwas an, worüber wir bereits geschrieben haben: das «Garbage in, garbage out»-Prinzip. Wie wir in «Bevor du KI einsetzt, optimiere zuerst deine Workflows» untersucht haben, behebt KI, die auf fehlerhaften oder undefinierten Prozessen aufbaut, diese Prozesse nicht – sie lässt die Verwirrung nur schneller laufen.

Wie eine brauchbare KI-Definition aussieht

Anstatt abstrakt darüber zu diskutieren, was KI «ist», lautet die produktivere Frage: Was muss sie für dein Unternehmen leisten, und braucht es dafür tatsächlich KI?

Bevor du ein KI-Projekt startest, arbeite diese Checkliste durch:

• Welche konkrete Aufgabe soll dieses System erfüllen? (Eine Aufgabe, genau definiert)
• Muss es lernen, sich anpassen oder mit mehrdeutigen Eingaben umgehen – oder würde eine einfachere, regelbasierte Automatisierung die Aufgabe genauso gut erfüllen?
• Wie viel menschliche Aufsicht ist erforderlich, und an welchen Stellen?
• Wie wird der Erfolg gemessen, und in welchem Zeitrahmen?
• Unterscheidet sich das wesentlich von der Standardautomatisierung?

Die letzte Frage ist die wichtigste. Wenn die ehrliche Antwort «nicht wirklich» lautet – ist das kein Misserfolg. Es ist ein Signal, das einfachere, kostengünstigere und zuverlässigere Tool zu nutzen.

Das ist besonders im Schweizer Kontext wichtig. Die Arbeitskosten hier gehören zu den höchsten weltweit. Jedes schlecht konzipierte KI-Projekt ist doppelt teuer: einmal durch die direkten Kosten und einmal durch die Arbeitsstunden, die durch ein nicht richtig funktionierendes Tool verloren gehen. Von vornherein präzise zu sein, ist kein Over-Engineering – es ist grundlegende finanzielle Disziplin.

Viele Probleme, die als KI-Probleme dargestellt werden, sind in Wirklichkeit Integrationsprobleme. Wenn ein Kunde uns erzählt, dass sein Team stundenlang damit beschäftigt ist, Daten zwischen CRM, ERP und Buchhaltungssystem manuell abzugleichen, geht er oft davon aus, dass er KI braucht, um das zu beheben. Meistens ist das nicht der Fall. Die Systeme müssen einfach miteinander kommunizieren. Unsere Tool-Integration löst die meisten dieser Situationen ohne jegliches KI-Modell – und das schneller und zuverlässiger.

Was unser KI-Experte sagt

Was unser KI-Experte sagt

Die meisten Kunden haben kein KI-Problem – sie haben ein Problem mit der Klarheit. Sobald wir die eigentliche Aufgabe definiert haben, wird die richtige Lösung meist klar, und sie ist oft einfacher als erwartet.

Sergei Gordeichuk

Technischer Leiter bei what.

Erst definieren, dann umsetzen

Die Unternehmen, die mit KI echte Ergebnisse erzielen, sind nicht unbedingt diejenigen, die am schnellsten vorankommen. Es sind diejenigen, die sich über das zu lösende Problem am klarsten waren, bevor sie sich auf eine Lösung festgelegt haben.

Ein präziser Auftrag – der die Aufgabe, die Erfolgskriterien, die Datenanforderungen und die Erwartungen an die Governance definiert – ist mehr wert als jedes Tool. KI-Automatisierung wird erst dann wirklich leistungsstark, wenn diese Grundlage geschaffen ist. Kein Hype, keine Demo, die nach einem Monat in der Schublade landet. Echte Hebelwirkung, angewendet auf ein gut verstandenes Problem.

Wenn du dir unsicher bist, ob es sich bei dem, was du vor dir hast, um ein KI-Problem, ein Automatisierungsproblem oder ein Integrationsproblem handelt, ist das genau die richtige Frage, die du klären solltest, bevor du Geld ausgibst. Nimm Kontakt mit unserem KI-Automatisierungsteam auf – wir helfen dir, die ehrliche Antwort zu finden.

The post KI ohne klare Definition: Warum das schiefgeht appeared first on what. AG.

Frag die KI nach der aktuellen Preispolitik deines Unternehmens, und sie zitiert vielleicht eine Version von vor zwei Jahren. Frag sie nach einer Fallstudie mit echten ROI-Zahlen, und sie erfindet dir vielleicht eine, die plausibel klingt, aber nicht existiert. Das nennt man eine Halluzination – oder Drift, wenn sich das Muster wiederholt.

Warum passiert das? Das Modell wurde mit Daten trainiert, die vor deiner Frage existiert haben. Es hat keinen Zugriff auf das, was du intern geschrieben, kürzlich aktualisiert oder in deinen Systemen gespeichert hast. Manche Modelle können zwar das Internet durchsuchen, um Lücken zu füllen – aber das ist weder zuverlässig noch effizient, wenn es um unternehmensspezifisches Wissen geht. Also füllt das Modell die Lücken mit der statistisch wahrscheinlichsten Antwort. Und die ist nicht immer die richtige.

RAG – kurz für Retrieval-Augmented Generation – ist die praktischste Lösung für dieses Problem. Anstatt sich auf das Gedächtnis des Modells zu verlassen, verbindet RAG es in Echtzeit mit deiner tatsächlichen Wissensdatenbank. Unternehmensrichtlinien, Verkaufsunterlagen, interne Handbücher, FAQs – wenn jemand eine Frage stellt, sucht das System zuerst die relevanten Passagen aus deinen Inhalten heraus, fügt sie als Kontext hinzu und generiert erst dann eine Antwort auf dieser Grundlage.

Das ist sehr effektiv. Deine interne Dokumentation kann so etwas wie ein operatives Orakel werden, das in klarer Sprache antwortet. Aber es ist keine Zauberei – und es ist nicht für jede Situation das richtige Tool.

Am Ende dieses Artikels weisst du, was RAG wirklich macht, wie du deine Inhalte dafür vorbereitest und wann es die richtige Wahl ist – und wann du strukturierter vorgehen solltest.

Wie RAG funktioniert (ohne Fachjargon)

RAG sitzt unsichtbar zwischen deiner Frage und der Antwort der KI. Das Modell antwortet nicht allein aus dem Gedächtnis (eigene Wissensbasis) – es ruft zuerst relevantes Material aus deiner Wissensdatenbank ab und nutzt das als Grundlage für seine Antwort.

So läuft der Prozess ab, auf das Wesentliche reduziert:

1. Inhaltsvorbereitung: Du lädst deine Dokumente (Richtlinien, FAQs, Verfahren) in einem strukturierten, lesbaren Format ins System.
2. Indizierung: Das System verarbeitet diese Inhalte mit zwei sich ergänzenden Ansätzen – klassischer Stichwortsuche (Keyword-Search) und semantischer Suche (mehr dazu weiter unten).
3. Content-Retrieval: Wenn eine Frage eingeht, zieht der Index die relevantesten Passagen heraus.
4. Generierung: Die KI erstellt eine Antwort auf Basis dieser abgerufenen Passagen sowie ihres Allgemeinwissens.

Das Ergebnis ist eine Antwort, die auf deinen tatsächlichen Inhalten basiert – nicht von Grund auf neu generiert.

Warum hybride Suche wichtig ist

Die Stichwortsuche (Keyword-Search) funktioniert gut, wenn jemand genau den Begriff verwendet, der in einem Dokument steht. Die semantische Suche geht einen Schritt weiter: Sie versteht die Bedeutung – nicht nur die Wörter.

Ein Beispiel: «Wie man die Unternehmensmarge steigert» und «Betriebskosten senken» meinen dasselbe Konzept, haben aber kaum gemeinsame Stichwörter. Die semantische Suche findet relevante Inhalte auch dann, wenn die Formulierung unterschiedlich ist. Gut aufgebaute RAG-Systeme nutzen in der Praxis beide Ansätze zusammen. Stichwörter greifen bei präzisen Verweisen, Produktcodes und Eigennamen. Die semantische Suche übernimmt alles, wo die Absicht wichtiger ist als die genaue Wortwahl.

RAG vs. Fine-Tuning

Diese beiden Begriffe werden oft durcheinandergebracht. RAG verändert das Modell selbst nicht – es nutzt ein fertiges LLM (wie Claude oder GPT) und übergibt ihm bei jeder Frage die passenden Ausschnitte aus deiner Wissensdatenbank. Aktualisierst du die Wissensdatenbank und indizierst sie neu, bleiben die Antworten aktuell.

Fine-Tuning funktioniert anders. Es passt das Verhalten oder den Stil des Modells dauerhaft an. Das ist sinnvoll, wenn du einen einheitlichen Tonfall oder domänenspezifisches Verhalten brauchst – nicht aber, wenn es hauptsächlich darum geht, präzise und aktuelle Antworten aus Dokumenten zu bekommen.

Ein wichtiger Punkt: RAG ist nur so gut wie sein Content-Retrieval. Falscher Kontext als Eingabe führt zu einer selbstbewussten, aber falschen Antwort. Mehr abgerufene Inhalte bedeuten auch mehr verarbeitete Tokens – und damit höhere Kosten. Dieses Gleichgewicht musst du bewusst gestalten. «Mehr Dokumente gleich bessere Antworten» stimmt eben nicht.

Bei what. entwickeln wir RAG nicht immer von Grund auf neu. Wir wählen den Ansatz, der zum tatsächlichen Bedarf passt – massgeschneidertes RAG, Managed-Search-Lösungen oder eine Kombination – damit du dort investierst, wo es sich wirklich lohnt.

Auch lesen: Warum brauchst du überhaupt KI-Automatisierung für deine Abläufe?

Deine KI-Wissensdatenbank vorbereiten: Warum das Format wichtiger ist, als du denkst

RAG greift auf das zurück, was du geschrieben hast. Wenn deine Dokumente unstrukturiert, fragmentiert oder schlecht aufgebaut sind, versteht das System dein Geschäft nicht wie von selbst – es findet nur schwache Stellen, und das Modell füllt die Lücken mit selbstsicherem Inhalt. Genau dann schleichen sich Halluzinationen wieder ein.

Die Qualität des Retrievals hängt fast genauso stark von deinen Inhalten ab wie vom Algorithmus dahinter.

Markdown vs. PDF

PDFs sind grossartig zum Lesen und Teilen. Für RAG sind sie oft ein Problem. Komplexe Layouts, fehlerhafte Tabellen, gescannte Seiten – all das braucht OCR oder einen Parsing-Schritt, bevor es indexiert werden kann. Das verursacht zusätzliche Kosten, verlängert die Verarbeitungszeit und birgt das Risiko, dass verzerrter Text in deiner Wissensdatenbank landet. Tools wie LlamaIndex werden häufig eingesetzt, um das zu handhaben, wenn PDF unvermeidbar ist – aber es ist immer aufwändiger als sauber strukturierter Text.

Markdown funktioniert besser, weil die Struktur eindeutig ist: Überschriften, Abschnitte und Listen sagen dem Indizierungssystem genau, wo ein Thema aufhört und ein anderes beginnt. Für ein KI-Modell, das den richtigen Abschnitt abrufen will, macht diese Klarheit einen grossen Unterschied.

Markdown ist ausserdem formatunabhängig. Es lässt sich sauber in HTML, Word, PDF und die meisten CMS-Exporte konvertieren – deine RAG-Pipeline ist also nicht an einen bestimmten Anbieter oder ein bestimmtes Tool gebunden. Und es ist seit Jahren Standard in der Software-Dokumentation, weil es Klartext ist, sich gut versionieren lässt und leicht zu pflegen ist.

Die Faustregel: Behalte PDFs für die Archivierung und Verteilung. Verwende Markdown (oder gleichwertigen strukturierten Text) als Arbeitsformat für alles, was in RAG einfliessen soll. Wenn du nur gescannte PDFs hast, plane Budget für die Extraktion ein – es ist machbar, kostet aber mehr und birgt ein höheres Fehlerrisiko.

So strukturierst du deine Dokumente für das Content-Retrieval

Ein paar einfache Gewohnheiten machen einen grossen Unterschied bei der Leistung von RAG:

• Ein Thema pro Abschnitt. Verwende klare Überschriften. Vermeide riesige Einzeldateien, die alles abdecken – bevorzuge themenbezogene Dokumente oder klar getrennte Abschnitte, damit das Retrieval zusammenhängende Blöcke liefert und nicht ein halbes Kapitel voller irrelevanter Inhalte.

• Beschreibende, spezifische Titel. «Einleitung» oder «Anhang» helfen bei der Suche nicht. «Richtlinien Remote-Work – Schweiz» oder «Umgang mit Preisvorbehalten – Unternehmenskunden» schon. Der Titel ist oft das Erste, das abgeglichen wird.

• Codes und Referenzen früh einbauen. Wenn du interne Verfahrenscodes, Modulnamen oder SKUs verwendest, füge sie in die Überschrift oder die erste Zeile ein. So trifft die Stichwortsuche sofort ins Schwarze.

• Nummerierte Listen für Prozesse verwenden. Schritt-für-Schritt-Anleitungen lassen sich besser abrufen und zitieren als dichte Textabschnitte. Wenn es eine Abfolge gibt, formatiere sie als Abfolge.

• Ballast rauswerfen. Wiederholte Kopf- und Fusszeilen, rechtliche Hinweise auf jeder Seite, doppelte Versionen desselben Dokuments – all das belastet deinen Index. Saubere Inhalte lassen sich sauber abrufen.

Ein Hinweis zum Chunking

Lange Dokumente werden zur Indizierung in kleinere Chunks aufgeteilt. Zu grosse Chunks bringen zu viel Rauschen mit sich; zu kleine verlieren den roten Faden. Das Aufteilen an Markdown-Überschriften hält verwandte Inhalte auf natürliche Weise zusammen und reduziert das Risiko, ein Konzept in zwei Hälften zu zerschneiden.

Gute Indizierungspipelines nutzen auch Überlappungen – ein paar Zeilen aus benachbarten Abschnitten werden in jeden Block aufgenommen, damit das Modell an den Grenzen nicht den Kontext verliert. Wenn ein Dokument kurz ist und in einem bestimmten Kontext immer relevant ist, funktioniert es manchmal besser, es vollständig einzubeziehen, als sich nur auf abgerufene Fragmente zu verlassen.

Die ehrliche Frage, die du dir stellen solltest, bevor du in ein teureres Modell oder eine teurere Plattform investierst: Ist deine Wissensdatenbank überhaupt auffindbar? Ein gut konzipiertes RAG mit sauberen Inhalten wird bei gleichen API-Kosten durchweg besser abschneiden als eine mittelmässige Konfiguration mit chaotischen PDFs.

Nicht alles gehört auf die gleiche Weise in RAG

Es lohnt sich, bewusst zu entscheiden, was wohin gehört. Drei Kategorien sind hilfreich:

Ein häufiger Fehler ist es, kritische Schritt-für-Schritt-Anleitungen in RAG zu speichern und zu hoffen, dass das Modell sie der Reihe nach befolgt. Das funktioniert nicht zuverlässig. Das Content-Retrieval findet relevante Fragmente – es ersetzt keine Workflow-Engine mit erzwungener Reihenfolge.

Zum Thema: Bevor du KI einsetzt, optimiere zuerst deine Workflows.

Wann RAG ausreicht – und wann du mehr brauchst

Das ist die Frage, die Teams davor bewahrt, zu viel oder zu wenig zu entwickeln.

RAG in Kombination mit einem LLM ist die richtige Konfiguration, wenn jemand eine Frage stellt und eine fundierte Antwort braucht. Es ist nicht die richtige Konfiguration, wenn die Interaktion einen Prozess mit obligatorischen Schritten erfordert, einen über Sitzungen hinweg verfolgten Status oder aufeinanderfolgende Entscheidungen, die nicht übersprungen werden können.

Zwei Denkmodelle:

Einfache Faustregel: eine Frage, eine Antwort, keine vorgeschriebene Abfolge über Sitzungen hinweg – fang mit RAG und einem LLM an. Gleicher Nutzer, mehrere Runden, Schritte, die nicht übersprungen werden können – füge Orchestrierung hinzu. RAG dient dann als unterstützende Bibliothek, nicht als Rückgrat des Prozesses.

Drei Fälle, in denen RAG + LLM die richtige Wahl ist

• Interne FAQ oder HR-Richtlinien. «Wie lauten unsere Richtlinien zur Remote-Arbeit für Mitarbeitende in der Schweiz?» – Ein gut indexierter Korpus, eine Antwort, die auf dem tatsächlichen Richtliniendokument basiert, kein mehrstufiger Prozess nötig. Finden, erklären, fertig.

• Sales Enablement. «Haben wir eine Logistik-Fallstudie mit ROI?» – Eine Bibliothek mit Geschäftsdokumenten, die Nutzende je nach Absicht durchsuchen, nicht nach einem festen Skript. RAG bewältigt das ganz natürlich.

• Produkt-Support (L1). «Wie setze ich die Verbindung auf Gerät X zurück?» – Eine Frage, eine Antwort, direkt mit dem Handbuch verknüpft. Wenn das Retrieval fehlschlägt, korrigiere das Dokument – nicht die gesamte Architektur.

Drei Fälle, in denen du eine stärkere Architektur brauchst

• Digitales Coaching oder Beratung mit einem Playbook. Mehrwöchige Projekte, bei denen du Ziele verfolgst, Optionen durcharbeitest und mit einem Plan abschliessen willst. Die aktuellen Schritt- und Sitzungsregeln müssen ausserhalb des Modells liegen – in einer Datenbank oder einer Zustandsmaschine. RAG bringt Frameworks und Beispiele ein, wenn dieser Schritt sie erfordert. Ohne Orchestrierung überspringt die KI Phasen oder vergisst, was vor zwei Sitzungen vereinbart wurde.

• Onboarding von Mitarbeitenden oder Partnern. Woche eins: Dokumente. Woche zwei: Schulung. Woche drei: Kompetenzcheck. Diese Reihenfolge kann vertraglich oder durch Compliance-Vorgaben festgelegt sein. Das richtige PDF zu finden reicht nicht – du kannst Modul drei erst öffnen, wenn Modul zwei abgeschlossen ist. RAG liefert den Inhalt; eine Zustandsmaschine steuert den Ablauf.

• Geführte Verkaufsanalyse. Qualifizierung, dann Bedarfsanalyse, dann Angebot – mit obligatorischen Fragen in jeder Phase. RAG ruft Preise, Battle Cards und Einwandbehandlungen ab. Ein Orchestrator sorgt für die Reihenfolge: «Keine Preisdiskussion, bevor der Bedarf nicht ermittelt wurde.» Ohne das gibt die KI zu früh Angebote ab oder erfindet ein Framework, das nicht deins ist.

Verbessere deine Inhalte, bevor du dem Modell die Schuld gibst

Wenn RAG hinter den Erwartungen zurückbleibt, ist die Versuchung gross, das Modell zu aktualisieren oder auf eine teurere Plattform umzusteigen. Meistens ist das der falsche Schritt.

Die meisten Retrieval-Probleme lassen sich auf die Qualität der Inhalte zurückführen – nicht auf die Leistungsfähigkeit des Modells. Dokumente, die zu lang sind, schlechte Titel haben oder in verschiedenen Versionen doppelt vorhanden sind, verwirren selbst das beste Content-Retrieval-System. Die Lösung liegt in der redaktionellen Bearbeitung, nicht in der Architektur.

Bevor du in die Infrastruktur investierst, überprüfe drei Dinge:

1. Sind die Inhalte bereit? Strukturiert, im eigenen Besitz, auf dem neuesten Stand – keine Mischung aus verstreuten PDFs und sechs Versionen desselben Richtliniendokuments.
2. Handelt es sich um ein Such-und-Antwort-Problem oder ein Folge-einem-Pfad-Problem? FAQs und Richtlinien brauchen in der Regel RAG + LLM. Playbooks und mehrstufige Onboarding-Prozesse erfordern zusätzlich Orchestrierung.
3. Ist der Erfolg klar definiert? «Nützliche Antworten, die mit Quellen verknüpft sind» ist ein Erfolgskriterium. «Es klingt clever» ist keines.

Ein schneller Weg, um herauszufinden, wo der eigentliche Engpass liegt: Wähle einen Bereich aus, stelle 20 bis 30 Dokumente zusammen und schreib 10 echte Fragen auf, die dein Team tatsächlich stellt. Lass es laufen. Innerhalb weniger Tage weisst du, ob das Problem beim Retrieval, bei der Inhaltsqualität oder bei der Architektur liegt – und hast dafür fast nichts ausgegeben.

Brauchst du KI-Automatisierungsworkflows, die von Anfang bis Ende zuverlässig sind – nicht nur beim Retrieval? Unsere Tool-Integration verbindet die Systeme, auf die deine RAG-Pipeline angewiesen ist – damit Daten sauber in deine Wissensdatenbank fliessen und ohne manuellen Aufwand aktuell bleiben.

Bereit, eine Wissensdatenbank aufzubauen, die wirklich funktioniert?

Die richtige Frage lautet nicht: «Welche KI-Plattform soll ich kaufen?» Sondern: «Habe ich eine Wissensdatenbank, die es wert ist, abgefragt zu werden – und einen Prozess, der weiss, wann man sich auf RAG verlassen sollte und wann nicht?»

Genau bei dieser Art von Fragen helfen wir Teams weiter. Als KI-Automatisierungsagentur arbeitet what. mit Unternehmen zusammen, um RAG-Setups zu entwickeln, die zum tatsächlichen Anwendungsfall passen – nicht komplexer als nötig, aber auch nicht zu schwach für die Aufgabe. Ob das nun ein schlankes RAG-only-Setup oder einen vollständig orchestrierten KI-Workflow bedeutet: Wir helfen dir, den richtigen Umfang zu ermitteln, bevor du irgendetwas entwickelst.

Melde dich für eine gezielte Beratung. Kein Verkaufsgespräch – nur ein ehrlicher Blick darauf, ob RAG das Richtige für dich ist und was es braucht, damit es gut funktioniert.

The post RAG erklärt: Wie du KI mit deiner Wissensdatenbank verbindest appeared first on what. AG.

Diesen Wandel zu verstehen ist wichtig für alle, die heute im Web3-Bereich entwickeln oder sich darin bewegen.

Von monolithischen Ketten zur modularen Infrastruktur

Frühe Blockchains waren darauf ausgelegt, alles an einem Ort zu erledigen. Ein einziges Netzwerk kümmerte sich um die Transaktionsausführung, erzielte Konsens, stellte Datenverfügbarkeit sicher und sorgte für finale Abwicklung. Bitcoin und das frühe Ethereum sind die klarsten Beispiele: einheitliche Systeme, bei denen jeder Knoten an jeder Funktion beteiligt ist.

Das Problem dabei ist die Skalierbarkeit. Wenn eine Kette alles übernehmen muss, stösst sie schnell an ihre Grenzen. Mehr Nachfrage bedeutet höhere Gebühren, langsamere Transaktionen und den Druck, Kompromisse zwischen Dezentralisierung und Leistung einzugehen.

Der modulare Ansatz teilt diese Aufgaben auf. Ausführung, Abwicklung, Konsens und Datenverfügbarkeit werden zu eigenständigen Schichten, die unabhängig voneinander optimiert werden können. Ein Rollup beispielsweise wickelt die Ausführung ausserhalb der Hauptkette ab und überträgt Transaktionsdaten an eine separate Datenverfügbarkeitsschicht wie Celestia oder EigenDA – während die Abwicklung auf Ethereum erfolgt. Jede Komponente erledigt eine Aufgabe gut, statt dass ein einziges System alles nur mittelmässig macht.

Dieser architektonische Wandel spiegelt wider, was in der Softwareentwicklung breiter passiert ist – der Übergang von monolithischen Anwendungen zu Microservices. Die Logik ist dieselbe: Spezialisierung ermöglicht Skalierung.

Für Entwickler und Innovatoren im Kryptobereich hat diese modulare Grundlage neue Möglichkeiten eröffnet. Entwickler können jetzt anwendungsspezifische Blockchains starten, ohne die Validator-Infrastruktur von Grund auf aufbauen zu müssen, sich in gemeinsame Sicherheitsschichten einbinden und Datenverfügbarkeitslösungen wählen, die zu ihren Anforderungen und ihrem Budget passen.

Der Stack geht über die Blockchain-Skalierung hinaus

Hier wird es wirklich interessant. Der modulare Blockchain-Stack begann als Antwort auf ein Skalierungsproblem – entwickelt sich aber zunehmend zu etwas anderem: einer Infrastruktur, über die autonome KI-Assistenten kommunizieren, Transaktionen durchführen und sich koordinieren können.

Das klingt vielleicht weit hergeholt, aber die Logik ergibt sich ganz natürlich. KI-Assistenten – Softwaresysteme, die im Namen eines Nutzers Aktionen ausführen, Entscheidungen treffen und mit externen Diensten interagieren können – werden leistungsfähiger und autonomer. Wenn sie anfangen, an realer wirtschaftlicher Aktivität teilzunehmen, brauchen sie verlässliche Infrastruktur im Hintergrund. Sie müssen nachweisen, wer sie autorisiert hat, Zahlungen vornehmen, die Vertrauenswürdigkeit anderer Assistenten überprüfen und nachvollziehbare Aufzeichnungen ihrer Handlungen hinterlassen.

Die Kerneigenschaften der Blockchain – transparente Aufzeichnungen, programmierbare Regeln, übertragbare Identität und manipulationssichere Protokolle – passen fast perfekt zu dem, was agentische KI braucht. Der Stack ersetzt KI nicht; er liefert die Vertrauens- und Verantwortungsschicht, die autonome Assistentenaktivität sicher und überprüfbar macht.

Die Konvergenz von agentischer KI und dezentraler Infrastruktur ist kein Zukunftsszenario – sie beeinflusst bereits heute, wie wir über Web3‑Architekturen denken. Die Projekte, die die nächste Phase definieren werden, bauen nicht nur auf der Blockchain auf, sondern schaffen die Koordinationsschicht, die es autonomen Systemen ermöglicht, mit Vertrauen, Verantwortung und wirtschaftlichem Zweck zu handeln.

Liwaa Chehayeb

Leiter Web3 bei what.

Auch relevant: Das aktuelle Zeitalter der Tokenisierung zeigt einen parallelen Wandel – die Blockchain bewegt sich von rein spekulativer Infrastruktur hin zu Systemen, die echten wirtschaftlichen Wert unterstützen. Agentische KI beschleunigt genau diesen Kurs.

Die Protokolle, die den agentischen Web3-Stack prägen

Mehrere aufkommende Protokolle und Standards erweitern den modularen Stack gezielt zur Unterstützung von KI-Assistenten-Aktivitäten. Zusammen bilden sie etwas, das man als agentische Handelsinfrastruktur bezeichnen könnte.

Assistentenkommunikation: A2A

A2A (Agent-to-Agent-Protokoll) regelt, wie KI-Assistenten miteinander kommunizieren. Die Zukunft agentischer KI besteht nicht aus einem allwissenden Assistenten, der alles erledigt – sondern aus einem Netzwerk spezialisierter Assistenten, von denen jeder einen bestimmten Bereich abdeckt.

Ein Assistent kümmert sich um die Recherche, ein anderer um Zahlungen, ein weiterer um Compliance-Prüfungen. A2A liefert die gemeinsame Sprache, mit der diese Assistenten Aufgaben untereinander koordinieren und delegieren.

Tool-Zugriff: MCP

MCP (Model Context Protocol) regelt den Zugriff auf Tools. Es ermöglicht Assistenten, sich mit externen Systemen zu verbinden – Datenbanken, APIs, Blockchain-Explorer, Geschäftsabläufe, Zahlungsdienste.

Ohne MCP ist ein Agent im Grunde isoliert. Mit MCP kann er tatsächlich mit der digitalen Welt interagieren: eine Transaktion on-chain prüfen, ein Dokument abrufen, eine Preis-API aufrufen oder einen Geschäftsprozess auslösen.

Zahlungsautorisierung: AP2

AP2 (Agent Payments Protocol) konzentriert sich auf die Autorisierung. Wenn ein KI-Assistent eine Zahlung im Namen eines Nutzers vornimmt, stellt sich eine entscheidende Frage: War das tatsächlich autorisiert? AP2 wurde entwickelt, um genau diese Frage zu beantworten.

Es geht weniger um die Mechanismen des Geldtransfers als um Zustimmung, Berechtigungsbereiche und Rechenschaftspflicht. Am besten stellt man es sich als die Autorisierungsschicht vor, die über der eigentlichen Zahlung liegt.

Zahlungsausführung: x402

x402 kümmert sich um die Zahlungsausführung. Es greift den alten HTTP-402-Statuscode «Payment Required» wieder auf und macht ihn zu einem funktionierenden Standard für internetnative Mikrozahlungen.

Ein Assistent kann für eine Premium-Datenanfrage oder einen API-Aufruf bezahlen oder sogar einen anderen Assistenten für die Erledigung einer Teilaufgabe vergüten – alles automatisch, ohne menschliches Eingreifen bei jedem Schritt. AP2 belegt, dass der Assistent autorisiert war; x402 kümmert sich um den eigentlichen Transaktionsablauf.

Assistentenidentität und Reputation: ERC-8004

ERC-8004 befasst sich mit der Identität und Reputation von Assistenten. Da Assistenten zunehmend mit anderen Assistenten ausserhalb ihrer eigenen Plattform oder Organisation interagieren, brauchen sie eine Möglichkeit, Vertrauenswürdigkeit zu bewerten.

Wer hat diesen Assistenten entwickelt? Hat er frühere Aufgaben erfolgreich abgeschlossen? Können seine Angaben überprüft werden? ERC-8004 zielt darauf ab, eine offene Reputationsschicht für Interaktionen zwischen Assistenten zu schaffen – im Wesentlichen, um Assistenten dabei zu helfen zu entscheiden, wem sie vertrauen und wen sie bezahlen sollten.

Smart Wallets, Ausgabenlimits und eingeschränkte Autonomie

Eine der wichtigsten Designfragen bei agentischer KI ist simpel: Wie viel finanzielle Autonomie sollte ein Assistent haben?

Die Antwort: eingeschränkte. Kein unbegrenzter Zugriff auf eine Wallet, sondern programmierbarer, an Richtlinien gebundener Zugriff. Smart Wallets und Account Abstraction machen das möglich. Ein Nutzer oder ein Unternehmen kann einen Assistenten so konfigurieren, dass er nur bis zu einem bestimmten Betrag pro Tag ausgibt, nur mit genehmigten Gegenparteien Transaktionen durchführt, ab einem bestimmten Schwellenwert manuelle Freigabe einholt oder bestimmte Transaktionsarten gänzlich vermeidet. Jede Aktion wird zur Überprüfung protokolliert.

Das ist wichtig, denn das Ziel ist nicht maximale Autonomie – sondern nützliche Autonomie innerhalb klarer Grenzen. Ein KI-Reiseassistent, der den günstigsten Flug innerhalb deines Budgets bucht, ist hilfreich. Ein KI-Assistent mit uneingeschränktem Zugriff auf dein Geld ist ein Risiko.

Kettenübergreifende Koordination und die UX-Chance

KI-Assistenten interessiert es nicht, auf welcher Blockchain ein Dienst läuft. Sie interessiert, ob die Aufgabe schnell, günstig und sicher erledigt werden kann. Das macht Interoperabilität zu einem zentralen Anliegen für den agentischen Web3-Stack.

Ein Assistent muss möglicherweise in einem Netzwerk bezahlen, Daten in einem anderen verifizieren und einen Dienst nutzen, der in einem dritten abgerechnet wird. Eine kettenübergreifende Infrastruktur, die dieses Routing unsichtbar abwickelt – ohne dass der Assistent oder der Nutzer Brücken und Gas-Tokens manuell verwalten muss –, ist unerlässlich, damit diese Vision in der Praxis funktioniert.

Das knüpft an eine der beständigen Herausforderungen von Web3 an: die Benutzererfahrung. Die Verwaltung von Wallets, privaten Schlüsseln, Gasgebühren und kettenübergreifenden Transfers hat die meisten Menschen von blockchain-basierten Diensten ferngehalten. KI-Assistenten könnten all diese Komplexität übernehmen. Anstatt dass ein Nutzer direkt mit der dezentralen Infrastruktur interagiert, kümmert sich der Assistent darum – und der Nutzer erhält einfach die Ergebnisse.

Das ist ein wirklich überzeugendes Argument für eine breitere Web3-Akzeptanz. Die nächste grosse Schnittstelle für Web3 ist vielleicht keine Wallet oder eine dApp – sondern ein KI-Assistent. Projekte wie das DMCC-Krypto- und KI-Ökosystem schaffen bereits regulatorische und kommerzielle Rahmenbedingungen, die genau diese Art der Konvergenz vorwegnehmen.

Vertrauen, Verantwortung und die verbleibenden Risiken

Autonome Assistenten stellen echte Herausforderungen für das Vertrauen dar. Sie handeln schneller, als Menschen sie überwachen können, interagieren möglicherweise mit unbekannten Diensten und können echtes Geld ausgeben. Fehler sind möglich – ebenso wie Manipulation: gefälschte oder minderwertige Assistenten, die Reputationssysteme ausnutzen, kompromittierte Wallets oder unsichere API-Verbindungen.

Blockchain hilft, Teile dieses Problems anzugehen. Transparente Ausführungsaufzeichnungen, durch Smart Contracts durchgesetzte Regeln, überprüfbare Identitäten und nachvollziehbare Transaktionshistorien reduzieren die Angriffsfläche. Aber Blockchain ist nicht das Gehirn eines KI-Assistenten – sie ist die Verantwortungsschicht drumherum. Der Assistent entscheidet und handelt; die Blockchain stellt sicher, dass diese Handlungen aufgezeichnet, autorisiert und nachvollziehbar sind.

Ehrlich gesagt steckt die Integration von agentischer KI und Web3 noch in den Kinderschuhen. Standards sind fragmentiert, Haftungsfragen sind ungeklärt und regulatorische Rahmenbedingungen haben noch nicht aufgeholt. Ähnlich wie beim Positionierungsproblem der Tokenisierung ist die Technologie oft weiter als die Governance- und Kommunikationsstrukturen, die nötig sind, damit sie in der Praxis funktioniert. Das Ziel sollte eingeschränkte Autonomie sein – Assistenten, die innerhalb klar definierter Regeln, Budgets und Verantwortungsrahmen effektiv handeln können, nicht Assistenten, die ohne sinnvolle Aufsicht agieren.

Ein agentischer Workflow in der Praxis

Abstrakte Protokollnamen sind eine Sache. Aber wie verhält sich der vollständige agentische Web3-Stack in einem realen Szenario? Hier ist ein konkretes Beispiel.

Angenommen, ein Logistikunternehmen möchte die Lieferantenbeschaffung automatisieren. Es konfiguriert einen KI-Assistenten mit einem klaren Auftrag: einen zertifizierten Frachtpartner für eine Sendung von Dubai nach Rotterdam zu finden, innerhalb eines vordefinierten Budgets zu verhandeln und die Buchung abzuschliessen – alles ohne manuelles Eingreifen.

Das passiert dabei im Hintergrund:

• Der Nutzer definiert die Aufgabe und legt Parameter in einer Smart Wallet fest: maximale Ausgaben von 8000 $, nur zugelassene Lieferantenkategorien, manuelle Freigabe ab 10’000 $ erforderlich. Der Assistent macht sich an die Arbeit.

• Mithilfe von MCP verbindet er sich mit Frachtdatenbanken, Logistik-APIs und Compliance-Registern, um aktuelle Tarife, Zertifizierungen der Spediteure und gesetzliche Anforderungen für die Route abzurufen.

• Er benötigt Unterstützung bei der Bewertung der CO2-Kompensations-Compliance für den EU-Abschnitt. Über A2A delegiert er diese Teilaufgabe an einen spezialisierten Compliance-Agenten. Dieser prüft die relevanten Register, bestätigt den Compliance-Status und erstattet Bericht.

• Bevor er sich für einen Anbieter entscheidet, überprüft der Assistent das ERC-8004-Reputationsprofil des Spediteurs. Dieser hat über 400 verifizierte grenzüberschreitende Buchungen abgeschlossen, verfügt über eine starke On-Chain-Bilanz und hat keine Streitfälle in der Vergangenheit. Vertrauenswürdig genug, um fortzufahren.

• Die API des Spediteurs antwortet mit einer x402-Zahlungsanforderung für die Buchungsanzahlung. Der Agent fragt bei AP2 nach, ob die Zahlung innerhalb der genehmigten Parameter liegt. Das ist der Fall.

• Die Smart Wallet gleicht die Ausgabe mit den Richtlinien des Nutzers ab und führt die Transaktion durch. Die Buchung wird bestätigt, die Transaktion on-chain protokolliert und ein vollständiger Prüfpfad automatisch erstellt.

• Der Nutzer erhält eine Benachrichtigung. Gesamtdauer: wenige Minuten. Erforderliche manuelle Schritte: null.

Für Unternehmen, die erfahren wollen, wie KI-Automatisierung solche Workflows antreiben kann, stimmen die zugrunde liegenden Prinzipien eng mit dem überein, was unser Team für KI-Automatisierungs-Services heute für Kunden entwickelt. Der Unterschied besteht darin, dass die Web3-Infrastruktur die Ebenen Vertrauen, Zahlung und Identität hinzufügt, die diese Workflows überprüfbar und wirtschaftlich autonom machen.

Ebenfalls lesenswert: «2026 wird das Jahr der autonomen Workflows» untersucht, wie KI-gesteuerte Automatisierung Geschäftsabläufe im weiteren Sinne neu gestaltet.

Was du im Blick behalten solltest, während sich der Assistenten‑Stack entwickelt

Die hier besprochenen Protokolle und Standards befinden sich noch in der Entwicklung, aber einige Trends sollten genau beobachtet werden:

• Einführung von x402 für Mikrozahlungen auf API-Ebene und Vergütungen zwischen Assistenten
• AP2 als Standard für überprüfbare Zahlungsautorisierung von Assistenten im Unternehmenskontext
• Entwicklung von ERC-8004 als Vertrauens- und Reputationsschicht für plattformübergreifende Interaktionen zwischen Assistenten
• Reifung der Smart-Wallet-Infrastruktur zur Unterstützung komplexer, multi-agentischer Ausgaberichtlinien
• Stablecoin-Mikrozahlungen, die Machine-to-Machine-Transaktionen in grossem Massstab ermöglichen
• Assistent-Marktplätze, auf denen spezialisierte KI-Assistenten anderen Assistenten oder Nutzern Dienste anbieten

Jedes dieser Elemente ist Teil eines grösseren Ganzen: einer Web3-Infrastruktur, die ursprünglich zur Skalierung von Blockchains entwickelt wurde und sich nun weiterentwickelt, um autonome digitale Aktivitäten über Netzwerke, Assistenten und Wirtschaftssysteme hinweg zu koordinieren.

Der modulare Blockchain-Stack ist nicht nur eine bessere Methode, um Blockchains aufzubauen. Er wird zur Koordinations- und Vertrauensschicht für die nächste Generation des Internets – einer, in der KI-Assistenten aktive wirtschaftliche Teilnehmer sind und nicht bloss Werkzeuge, die Fragen beantworten.

Wenn du in diesem Bereich entwickelst oder darüber nachdenkst, wie agentische KI und dezentralisierte Infrastruktur mit deinem Unternehmen zusammenpassen, arbeitet unser Team bei what. genau an dieser Schnittstelle mit Krypto- und Web3-Projekten. Entdecke unsere Web3- & Krypto-Services und erfahre, wie wir dir helfen können, dich in dieser sich entwickelnden Landschaft zurechtzufinden und dort aufzubauen.

The post Wie der modulare Blockchain-Stack agentische KI und Web3 antreibt appeared first on what. AG.

Wie KI-basiertes Schreiben deine Sichtbarkeit steigert

Klassisches SEO dreht sich um Keywords und Rankings – aber die Algorithmen von heute brauchen mehr als das. KI-basiertes Schreiben bedeutet, Inhalte so zu gestalten, dass KI-Systeme deine Seiten gezielt lesen, einordnen und weiterempfehlen können.

Wenn du Informationen klar strukturierst, Metadaten hinzufügst und einen logischen Aufbau beibehältst, fällt es der KI leichter, deine Absicht zu verstehen. Das wirkt sich direkt darauf aus, wie deine Inhalte auf KI-gestützten Such- und Sprachplattformen erscheinen.

So nutzt du diese AIO-Checkliste

Egal ob du deinen Webauftritt neu gestaltest oder deinen Online-Shop optimieren willst – mit diesen Richtlinien für KI-Optimierung und KI-Schreiben maximierst du Einheitlichkeit und Wirkung.

• Nutze das Q&A-Format
• Füge Zitate ein
• Verwende Aufzählungslisten
• Schreibe klare Überschriften
• Verwende klare Metadaten
• Füge TL;DR- / Zusammenfassungsboxen oder Kernpunkte ein
• Schreibe kurze Absätze
• Vermeide Keyword-Stuffing
• Verlinke intern
• Zeige Autoreninformationen an
• Implementiere Schema.org
• Prüfe den Crawling-Zugriff
• Blockiere keine LLM-Bots
• Reiche Sitemaps ein

KI-Schreiben & KI-Optimierung – Best Practices

Um die Sichtbarkeit zu maximieren, sollte KI-Schreiben sowohl sprachlichen als auch technischen Best Practices folgen.

Technische Empfehlungen

Die folgenden Massnahmen stellen sicher, dass KI-Systeme deine Inhalte auf Such-, Social-Media- und neuen KI-Plattformen effizient crawlen, interpretieren und darstellen können.

Sichtbarkeit über alle Kanäle hinweg

Omnichannel-Optimierung sorgt dafür, dass deine Inhalte an allen Kontaktpunkten funktionieren: Suche, Social Media, Video und Sprache. Das 4P-Framework – Präsenz, Performance, Personalisierung und Persistenz – definiert, wie KI-Optimierung die Reichweite deiner Marke ausbaut.

• Präsenz: Optimiere Keywords und Metadaten für die Auffindbarkeit
• Performance: Verfolge Sichtbarkeitskennzahlen plattformübergreifend
• Personalisierung: Passe Ton und visuelle Gestaltung der Inhalte an die jeweilige Zielgruppe an
• Persistenz: Aktualisiere und optimiere Inhalte regelmässig neu

Google AI Overview

KI-Übersichten präsentieren kuratierte, hochgradig vertrauenswürdige Antworten ganz oben in den Suchergebnissen. Wer dort erscheint, bringt seine Marke direkt in die Recherche- und Entdeckungsphase der Nutzer. Diese frühe Präsenz schafft Bekanntheit, Vertrauen und erhöht die Wahrscheinlichkeit einer späteren Conversion.

Auch relevant: Lerne, wie KI-Übersichten das Suchverhalten verändern und was Zero-Click-Suche für deine Marke bedeutet. Lies unseren Leitfaden zur Optimierung von KI-Übersichten und Zero-Click-Suche.

Richtlinien zur KI-Inhaltsoptimierung

Um das Beste aus der KI-Optimierung herauszuholen, sollten deine Inhalte nicht nur für Suchmaschinen gedacht sein, sondern auch für KI-Systeme, die sie interpretieren und über mehrere Kanäle verbreiten. Starte mit dem Fokus auf die Nutzerabsicht – statt dich zu sehr an der Keyword-Dichte festzubeissen.

Damit KI-Schreiben und KI-Optimierung wirklich etwas bringen, müssen deine Inhalte echten Mehrwert liefern und auf Fülltext verzichten. Dünne, vage oder übermässig werbliche Inhalte werden von KI-Systemen oft übergangen. Setze stattdessen auf Konkretheit, Klarheit und Nutzerergebnisse – und zeig echte Fachkompetenz, indem du Folgendes einbaust:

• Einzigartige Erkenntnisse auf Basis von Erfahrung oder Recherche
• Praktische Ratschläge, die Nutzer sofort umsetzen können
• Eigene Frameworks oder Beispiele aus erster Hand

Strukturiere Inhalte rund um nutzerorientierte Fragen im FAQ- oder Q&A-Format. Überschriften sollten natürliche Suchphrasen widerspiegeln, zum Beispiel: «Wie wirkt sich AIO auf die SEO-Strategie aus?» Gib auf jede Frage eine klare, prägnante Antwort.

Gliedere komplexe Ideen mithilfe strukturierter Listen für Schritte, Vorteile, Funktionen oder Vergleiche. Das hilft sowohl Lesern als auch KI-Modellen, Inhalte effizient zu überfliegen. Verwende natürlichsprachliche Überschriften statt abstrakter oder technischer Begriffe:

✔ Was ist der Unterschied zwischen AEO und GEO? 

✘ Vergleichende KI-Optimierungs-Frameworks

Achte auf eine einheitliche H2- und H3-Struktur für die Lesbarkeit. Überarbeite und verwerte Inhalte regelmässig neu: Aktualisiere veraltete Informationen, füge neue Antworten hinzu, um dem sich wandelnden Suchverhalten Rechnung zu tragen, und fasse dünne Beiträge zu umfassenden Evergreen-Seiten zusammen. Und vergiss nicht, kurze, belegte Zitate aus vertrauenswürdigen Quellen oder von Experten gezielt einzubauen – das stärkt deine Glaubwürdigkeit.

Verwandter Beitrag: Sind AIO und GEO neu für dich? In unserem Artikel «Von SEO zur KI-Suche» erfährst du, was diese Begriffe eigentlich bedeuten und warum sie wichtig sind.

Empfehlungen für strukturierte Daten

Strukturierte Daten ermöglichen es KI-Systemen, deine Inhalte in Rich Results korrekt zu interpretieren und anzuzeigen. Richtiges Markup verbessert die Sichtbarkeit in den Suchergebnissen und die Klickraten – und damit auch, wie Suchmaschinen deine Autorität wahrnehmen. Nutze Googles Rich Results Testing Tool und Schema.org, um Markups zu validieren. Achte darauf, dass die Schemas korrekt sind und mit dem Seiteninhalt übereinstimmen.

Empfehlungen für externe Verweise

Externe Links signalisieren sowohl Nutzern als auch KI-Systemen Glaubwürdigkeit. Verweise stärken das Vertrauen und die kontextuelle Relevanz.

• Verlinke auf massgebliche Quellen mit hoher Domain-Autorität (z. B. .edu, .gov, führende Publikationen).
• Verwende kontextbezogenen Ankertext, der die Relevanz verdeutlicht.
• Aktualisiere oder entferne defekte Links regelmässig.
• Kombiniere interne und externe Verlinkungen, um den Autoritätsfluss auszubalancieren.

Wikipedia ist für viele LLMs ein wichtiger Bezugspunkt und wird von generativen KI-Suchtools wie ChatGPT, Gemini und Perplexity genutzt. Untersuchungen zeigen, dass fast 10 % aller von diesen KI-Systemen verwendeten Zitate aus Wikipedia stammen – damit gehört es neben Plattformen wie Reddit und YouTube zu den am häufigsten zitierten Quellen.

GEO und KI-Schreiben – wie sie sich ergänzen

KI-Schreiben und GEO (Generative Engine Optimization) sind keine getrennten Disziplinen – sie sind zwei Seiten derselben Medaille. Gutes KI-Schreiben liefert KI-Systemen das Rohmaterial, das sie brauchen. GEO sorgt dafür, dass dieses Material auch tatsächlich an den richtigen Stellen auftaucht.

Wenn deine Inhalte gut strukturiert, semantisch klar und technisch zugänglich sind, hilfst du nicht nur einer Suchmaschine beim Crawlen deiner Seite – du gibst KI-Engines wie ChatGPT, Perplexity und Google AI Overviews die Signale, die sie brauchen, um deine Marke in generierte Antworten einzubeziehen.

Genau deshalb unterstützen die in diesem Leitfaden beschriebenen Praktiken direkt eine umfassendere GEO-Strategie. Saubere Formatierung, Schema-Markup und eine natürliche Q&A-Struktur sind alles Faktoren, auf die KI-Engines sich stützen, wenn sie entscheiden, wessen Inhalte sie zitieren.

Sichere deine Sichtbarkeit für die Zukunft mit what.

KI-Schreiben und KI-Optimierung sind die Zukunft des digitalen Wachstums. Mit strukturierten, omnichannel-orientierten Content-Strategien bleibt deine Sichtbarkeit auch bei algorithmischen Veränderungen stabil. Als führende GEO- und Growth-Hacking-Digitalagentur macht what. deine Marke zukunftssicher – mit KI-optimierten und GEO-Strategien, die Sichtbarkeit, Relevanz und messbare Ergebnisse fördern.

Möchtest du wissen, wo deine Marke tatsächlich in KI-generierten Antworten auftaucht – und wo nicht? Genau dafür sind unsere GEO-Services da. Wir tracken deine KI-Sichtbarkeit, identifizieren Lücken und optimieren deine Präsenz in ChatGPT, Perplexity, Google AI Overviews und darüber hinaus.

Melde dich, um deinen Ansatz für KI-Schreiben und -Optimierung zu besprechen: Buche deine kostenlose Beratung bei what.

The post KI-basiertes Schreiben & KI-Optimierung – Leitfaden & Best Practices appeared first on what. AG.

Gemeinsam mit der ETH Zürich haben wir den ETH Companion entwickelt: einen AI-Leadership-Coach, der ausschliesslich auf wissenschaftlichen Quellen basiert und über 3000 Führungskräfte der ETH unterstützt. Hier sind die ehrlichen Erkenntnisse dahinter.

Die ETH Zürich – Forschung auf Weltklasseniveau

Die ETH Zürich ist eine der renommiertesten Forschungsuniversitäten weltweit. Seit ihrer Gründung 1854 steht sie für wissenschaftliche Exzellenz in Naturwissenschaften, Technologie, Ingenieurwesen und Mathematik.

Mit über 13’000 Mitarbeitenden aus rund 120 Ländern ist die ETH nicht nur eine Schweizer Institution, sondern ein globaler Akteur in Bildung und Forschung. Wer hier arbeitet, bewegt sich in einem hochkomplexen, internationalen Umfeld – mit entsprechend hohen Anforderungen an Führung und Entscheidungsfindung.

Genau da setzt der ETH Companion an.

Was diesen AI-Coach wirklich besonders macht

Die eigentliche Frage zu Beginn war nicht technischer Natur – sondern eine strategische: Wie macht man hochwertiges Leadership-Coaching für tausende Führungskräfte zugänglich, ohne dafür hohe Summen in individuelle Coaching-Programme zu investieren? Klassisches 1:1-Coaching skaliert nicht. Digitales Coaching schon.

Der Schlüssel liegt in der Qualität der Wissensbasis. Der ETH Companion zieht ausschliesslich Informationen aus vertrauenswürdigen Artikeln von ETH-Psychologen. Keine Inhalte aus beliebigen Internetquellen – nur wissenschaftlich abgesicherte Inhalte, entwickelt von der ETH für die ETH.

Und das ist kein kleiner Unterschied. Ein persönliches Leadership-Coach-Programm kostet schnell mehrere hunderttausend Franken pro Jahr – wenn man ernsthaft Führungsentwicklung im grossen Massstab betreiben will. Der ETH Companion skaliert genau das: wissenschaftlich fundiertes Leadership-Coaching, zugänglich für jede Führungskraft, jederzeit.

Das Ziel ist nicht, einen Chatbot zu bauen. Es geht darum, ein Tool zu schaffen, das Führungskräfte bei echten Herausforderungen begleitet – basierend auf Ansätzen, die funktionieren, weil sie wissenschaftlich belegt sind.

Das klingt simpel, ist aber konzeptionell anspruchsvoll. Man muss sehr früh klären: Welche Inhalte kommen rein? Wer kuratiert sie? Wie wird sichergestellt, dass der Coach im Scope bleibt?

Diese Fragen sollte man lösen, bevor man auch nur eine Zeile Code schreibt.

MVP definieren ist schwerer als MVP bauen

Der herausfordernste Moment des Projekts war nicht technisch – es war die Definition des MVP (Minimal Viable Product).

Was gehört rein? Was kommt später? Wo ist die Grenze zwischen «gut genug zum Testen» und «zu roh, um echten Wert zu zeigen»? Diese Diskussionen dauern länger als erwartet, sind aber entscheidend.

Wir haben in Scope-Definition-Workshops mit dem ETH-Team gearbeitet, User Stories erstellt und das Framework schrittweise aufgebaut. Das hat sich gelohnt – aber es kostet Zeit, die man einplanen muss.

Ein klarer Tipp: Fang klein an und skalier dann. Konzentrier dich im MVP auf das absolut Wesentliche, schau, ob es funktioniert – und erweitere erst dann mit zusätzlichen Features. Was du im MVP nicht geklärt hast, kostet dich später das Doppelte.

User-Testing zeigt, was Dokumente nie zeigen

Der schönste Moment des gesamten Projekts war während der User-Testing-Interviews.

Wir haben gesehen, wie Führungskräfte mit dem Companion interagiert haben – und die echte Begeisterung war spürbar. Das validiert nicht nur das Produkt, sondern auch alle Entscheidungen davor.

Aber User-Testing hat uns auch konkrete Erkenntnisse geliefert, die wir vorher nicht hatten:

• Wie Führungskräfte Fragen formulieren und was das für die Gesprächsführung des Coaches bedeutet
• Wo der Dialog zu generisch wurde und mehr Tiefe brauchte
• Welche Einstiegspunkte intuitiv sind – und welche nicht

Ohne diese Phase wäre das Produkt schlechter geworden. Kein Dokument, kein interner Test ersetzt echte Interaktionen.

Sicherheit ist kein optionales Add-on

Ein Security-Audit gehörte zum Entwicklungsprozess – und das war richtig so.

Bei einem Tool, das auf sensiblen Leadership-Situationen basiert und von tausenden Führungskräften genutzt werden soll, ist Sicherheit keine Kür. Sie ist Pflicht.

Plane das von Anfang an ein – nicht als letzten Schritt kurz vor dem Launch.

Was wirklich zählt: langfristige Integration, nicht kurzfristige Nutzung

Kurz nach dem Launch liegt der Fokus verständlicherweise auf der Frage: Sind die Nutzer zufrieden mit den Antworten?

Das ist legitim – aber zu kurz gedacht. Die eigentliche Vision des ETH Companions ist eine andere: Der AI-Leadership-Coach soll langfristig ein fester Bestandteil des Arbeitsalltags werden und die Entscheidungsqualität von Führungskräften nachhaltig verbessern.

Und die Vision geht noch weiter: Was heute für ETH-Führungskräfte gebaut wurde, soll morgen auch für grosse Unternehmen ausserhalb der ETH verfügbar sein – als skalierbare Lösung für Organisationen, die Leadership-Entwicklung ernst nehmen, ohne dafür hunderttausende Franken in individuelle Coaching-Programme zu investieren.

Das ist ein anderer Massstab. Und er braucht andere Metriken als «Hat die KI heute eine gute Antwort gegeben?»

Was wir geliefert haben – und was weitergeht

Das Ergebnis ist ein funktionierender, stabiler AI-Leadership-Coach mit einem durchdachten Design, der produktiv im Einsatz ist. Was nach dem Launch kommt, ist genauso wichtig wie der Launch selbst.

Wir arbeiten in kontinuierlichen Sprints an der Weiterentwicklung – weil ein KI-Tool dieser Art kein abgeschlossenes Projekt ist, sondern ein lebendiges Produkt.

Was du daraus mitnehmen kannst

Wenn du ein ähnliches Projekt planst, sind das die Erkenntnisse, die wirklich zählen:

• Differenzierung entsteht durch Inhalt, nicht durch Technik – die Qualität der wissenschaftlichen Datenbasis und der klare Fokus des Coaches machen den Unterschied.
• Klein anfangen, dann skalieren – MVP-Scope schriftlich festlegen, validieren, dann erst erweitern.
• User-Testing ist nicht optional – plane es als echte Phase, nicht als Checkbox am Ende.
• Sicherheit und Skalierbarkeit müssen von Anfang an mitgedacht werden, nicht nachträglich.

Interessiert dich, wie KI-Automatisierung konkret in deinem Unternehmen aussehen könnte? Genau das ist es, womit wir uns täglich beschäftigen.

The post ETH Zürich AI-Leadership-Coach: Unsere Learnings appeared first on what. AG.

Hier erfährst du, wie wir bei what. dem DMCC geholfen haben, einen der aktivsten Blockchain- und Web3-Hubs in den Vereinigten Arabischen Emiraten (VAE) aufzubauen – und was wir dabei mitgenommen haben.

DMCC im Überblick: Warum der Dubai-Hub für Krypto & Blockchain massgeblich ist

DMCC – das Dubai Multi Commodities Centre – ist mehr als eine Freihandelszone. Es ist ein staatlich gefördertes Ökosystem, das gezielt Blockchain-, Krypto-, Web3- und KI-Unternehmen anzieht, die sich in den VAE etablieren wollen.

Dubai liegt innerhalb von acht Flugstunden von Märkten entfernt, die 65 % des globalen BIP ausmachen. Dieser geografische Vorteil ist real – aber nur, wenn die richtigen Gründer, Entwickler und Investoren sich dessen bewusst sind.

Das Ziel von DMCC war klar: die erste Adresse für Krypto- und KI-Unternehmen in der Region werden, qualifizierte Leads generieren und eine Community aufbauen, die echten Mehrwert liefert.

Da kamen wir ins Spiel.

DMCC Crypto Centre: ein physischer Hub für Web3-Unternehmen

Das DMCC Crypto Centre ist mehr als ein Coworking Space. Es ist eine ganze Etage im Uptown Tower, die darauf ausgerichtet ist, Krypto-, Blockchain- und Web3-Unternehmen unter einem Dach zu vereinen.

Physische Nähe ist in dieser Branche entscheidend. Einfach den Flur entlangzugehen und dabei den nächsten Investor oder technischen Mitgründer zu treffen – das schafft einen Netzwerkeffekt, den keine Telegram-Gruppe ersetzen kann.

Das Crypto Centre bietet Unternehmen nicht nur Lizenzen, sondern Zugang zu einem aktiven Ökosystem – Berater, Regulierungsbehörden, Dienstleister und andere Entwickler, die alle im selben Umfeld arbeiten.

Diese Infrastruktur gab uns etwas Konkretes, das wir vermarkten konnten.

DMCC AI Centre: Infrastruktur für KI-Unternehmen

Neben dem Crypto Centre betreibt DMCC auch ein eigenes AI Centre – ebenfalls Teil der Technologie-Ökosystem-Etage im Uptown Tower.

Die Strategie war dieselbe: KI-Startups, Forscher und Unternehmensteams an einem physischen Ort zusammenbringen, wo Zusammenarbeit ganz natürlich entsteht. KI- und Krypto-Bereiche teilen Ressourcen, Events und ein regulatorisches Umfeld, das Innovation ohne Hürden fördert.

Für uns bei what. bedeutete die Betreuung der digitalen Präsenz beider Bereiche: Überschneidungen verstehen und in der Content-Strategie abbilden.

Die Ziele von DMCC: Lead-Generierung, Positionierung und Community-Wachstum

DMCC verfolgte drei Ziele: sich als führender Krypto- und KI-Hub in den VAE zu positionieren, Lizenz-Leads von qualifizierten Unternehmen zu generieren und eine engagierte Community rund um das Ökosystem aufzubauen.

Die Lizenzlandschaft in den VAE ist wettbewerbsintensiv. Freihandelszonen in Dubai und anderen Emiraten konkurrieren alle um dieselben Web3- und KI-Unternehmen.

Um sich abzuheben, musste DMCC echten Community-Wert demonstrieren – den Wert, der durch Veranstaltungen, gemeinsame Infrastruktur und Zugang zu Entscheidungsträgern entsteht.

Unsere Aufgabe war es, diesen Wert digital zu verstärken.

Wie what. die gesamte digitale Präsenz von DMCC betreut hat

Wir bei what. haben die vollständige digitale Präsenz des Tech-Ökosystems von DMCC übernommen – mit Fokus auf die Krypto- und KI-Bereiche.

Konkret umfasste unsere Arbeit:

• Verwaltung und Ausbau aller Social-Media-Konten auf X, Instagram und LinkedIn
• Live-Berichterstattung von physischen Blockchain- und KI-Veranstaltungen in den VAE
• Betrieb und Moderation des DMCC Telegram Community Servers
• Veröffentlichung von Blogbeiträgen und PR-Massnahmen zur Unterstützung von Lead-Generierung und Positionierung

Wir haben nicht einfach Beiträge verfasst. Wir haben eine Community-Infrastruktur aufgebaut – wertvoll für Mitglieder, glaubwürdig nach aussen.

Blockchain- und Web3-Events als Wachstumskanal

Im Laufe unserer Zusammenarbeit veranstaltete DMCC über 25 physische Events. Wir waren bei 24 davon dabei und haben live darüber berichtet – mit Echtzeit-Inhalten auf Instagram und anderen Kanälen.

Die Live-Berichterstattung war aber nur ein Teil der Strategie. Die wichtigere Arbeit bestand darin, ein System rund um diese Events aufzubauen – eine Nachanalyse, die festhielt, was tatsächlich aus jedem einzelnen hervorgegangen ist.

Welche Gespräche führten zu Lizenzanfragen? Welche Themen erzeugten das grösste Engagement?

Physische Events im Krypto- und Blockchain-Bereich leisten etwas, das Social Media nicht so einfach nachahmen kann: Sie bringen Vordenker, Investoren und Entwickler in denselben Raum.

Wir haben uns darauf konzentriert, diesen Wert einzufangen und online sichtbar zu machen.

Unsere grössten Herausforderungen: Community-Aufbau und strenge Rahmenbedingungen

Eine Community wächst nur, wenn jeder davon profitiert. Selbstverständlich? Ja – doch genau hier scheitern die meisten Ökosysteme.

Zugehörigkeit lässt sich nicht erzwingen. Ohne greifbaren Mehrwert – Kontakte, Wissen, Chancen – hält kein Content-Output die Community langfristig.

DMCC hat das früh verstanden. Sie haben physische Infrastruktur aufgebaut, regelmässig Events veranstaltet und Umgebungen geschaffen, in denen wertvolle Kontakte entstehen konnten.

Unsere Aufgabe war es, dieses Signal digital zu verstärken.

Marketing für eine halbstaatliche Organisation bringt strikte Markenrichtlinien, strukturierte Freigabeprozesse und wenig Spielraum für Fehler mit sich.

Zu Beginn des Projekts sorgten Genehmigungsabläufe für Verzögerungen. Inhalte kamen zu spät online – in einem schnelllebigen Bereich wie Krypto und KI ist das entscheidend.

Wir haben daran gearbeitet, den Prozess von innen heraus zu verbessern: Engpässe identifiziert, die Kommunikation zwischen den Teams verbessert und das Hin-und-her reduziert, ohne die Compliance zu gefährden.

Das Ergebnis war ein schnellerer, effizienterer Prozess für die Freigabe und Veröffentlichung von Inhalten – der alles andere erst möglich gemacht hat.

Ergebnisse der Zusammenarbeit von what. mit DMCC

Aus diesem Projekt können wir folgende Kernergebnisse nennen:

• Über 800 Web3- und KI-Unternehmen, die über DMCC in Dubai lizenziert wurden
• 24 physische Blockchain- und Krypto-Events, an denen wir teilgenommen und live berichtet haben
• Über 10’000 organische Community-Mitglieder, die über soziale Plattformen hinweg gewachsen sind

Der Anstieg von 500 auf 700 lizenzierte Unternehmen innerhalb eines einzigen Jahres – und die weitere Zunahme auf über 800 – zeigt, was passiert, wenn Lead-Generierung, Community-Aufbau und Positionierung sich gegenseitig verstärken.

Es ging hier nicht um einen viralen Beitrag oder eine erfolgreiche Veranstaltung. Es ging darum, ein System aufzubauen, in dem jedes Element zum gleichen Ziel beitrug.

Unsere wichtigste Erkenntnis zum Thema Community

Die grösste Lektion aus diesem Projekt: Community ist keine Content-Strategie. Sie ist ein Wertversprechen.

Wenn die Menschen in deinem Ökosystem keinen greifbaren Nutzen daraus ziehen, dort zu sein, wird kein noch so hoher Posting-Aufwand echte Zugehörigkeit erzeugen.

Die physische Infrastruktur des DMCC gab uns bei what. etwas Reales, das wir vermarkten konnten. Das Crypto Centre, das AI Centre, die Events, das Netzwerk aus über 800 Unternehmen – das sind echte Gründe für einen Gründer, sich für Dubai und DMCC zu entscheiden.

Unsere Aufgabe war es, diesen Wert für die richtige Zielgruppe sichtbar und überzeugend zu machen.

Nächste Schritte: dein Krypto-, Blockchain- oder KI-Ökosystem aufbauen

Wenn du ein Krypto-, Blockchain- oder KI-Projekt aufbaust oder skalieren möchtest und ein Team suchst, das die technische Landschaft versteht und weiß, wie man darin eine Zielgruppe aufbaut – sprich gerne mit uns bei what.

Schau dir unsere Web3- und Krypto-Marketing-Services an, um zu sehen, wie wir Community-Aufbau, Lead-Generierung und Positionierung für Blockchain- und KI-Unternehmen angehen.

Oder buche eine kostenlose Beratung, um herauszufinden, was für dein Projekt möglich ist.

The post DMCC Krypto- & KI-Ökosystem: Wachstum auf 800+ Unternehmen appeared first on what. AG.

KI-Übersicht und Zero-Click-Suche – Definition

Von einer Zero-Click-Suche spricht man, wenn ein Nutzer die gesuchten Informationen direkt auf der Suchergebnisseite oder in einer KI-Übersicht erhält – ohne auf eine Website weiterzuklicken. Dieser Trend hat mit dem Aufkommen von Featured Snippets, Knowledge Panels, Sprachassistenten und generativen KI-Zusammenfassungen stark zugenommen.

• Fast 60 % der Google-Suchen in den USA und der EU enden ohne einen Klick auf eine Website.
• Im März 2025 lösten über 13 % der Suchanfragen KI-Übersichten aus – ein steiler Anstieg gegenüber nur 6,5 % im Januar.
• Weltweit zeigen rund 18 % der Google-Suchen inzwischen KI-generierte Übersichten an, die organische Klickraten um etwa 35 % senken.

Für Marketer bedeutet das vor allem: Klassische Klick-Metriken werden immer unzuverlässiger. Statt nur Besuche zu messen, müssen Unternehmen heute bewerten, wie ihre Marke in KI-Antworten und Such-Snippets erscheint – und genau hier kommt GEO (Generative Engine Optimization) ins Spiel.

Zero-Click-Suche: Chancen für Unternehmen

Auf den ersten Blick klingt Zero-Click-Suche nach Traffic-Verlust. Doch für Unternehmen eröffnet sie auch neue Wege, Markenbekanntheit und Autorität aufzubauen. Anstatt sich nur auf Klicks zu fokussieren, können Marken KI-Übersichten und Snippets nutzen, um ihr Fachwissen direkt vor potenziellen Kunden zu platzieren.

Markensichtbarkeit ohne Klicks

Auch wenn Nutzer nicht klicken, kann deine Marke Sichtbarkeit gewinnen – nämlich dann, wenn sie in KI-gesteuerten Snippets oder Übersichten erscheint. Das ist besonders wertvoll für den Aufbau von Thought Leadership und Markenerinnerung. Wer direkt in einer Antwortbox oder KI-Zusammenfassung auftaucht, signalisiert sowohl Nutzern als auch Suchmaschinen Autorität.

Auch wenn nicht immer Traffic folgt: Das gewonnene Vertrauen und die Bekanntheit können spätere Kaufentscheidungen beeinflussen.

Wenn eine Marke beispielsweise regelmässig in KI-generierten Ergebnissen zu Gesundheit oder Finanzen erscheint, erinnern sich Nutzer daran – und entscheiden sich für sie, wenn sie bereit sind, den nächsten Schritt zu machen. Das ist einer der Hauptgründe, warum GEO für zukunftsorientierte Marken zur Priorität geworden ist.

First-Mover-Vorteil bei AIO und GEO

Unternehmen, die heute in AIO und GEO investieren, haben die Chance, langsameren Konkurrenten einen entscheidenden Schritt voraus zu sein. Da KI-Übersichten und Zero-Click-Suche noch relativ neu sind, ist der Wettbewerb um einen Platz in diesen Ergebnissen deutlich geringer als bei etablierten SEO-Praktiken.

Dieser First-Mover-Vorteil bedeutet: Marken, die früh mit strukturierten Daten, Experteninhalten und Omnichannel-Präsenz experimentieren, sichern sich eher feste Plätze in KI-generierten Antworten – und halten sie auch.

Deine Position als vertrauenswürdige Autorität

Die Zero-Click-Suche belohnt Inhalte, die Vertrauen und Kompetenz ausstrahlen. Wenn KI-Systeme entscheiden, welche Inhalte sie hervorheben, stützen sie sich auf Signale wie Glaubwürdigkeit, Genauigkeit und Konsistenz über Plattformen hinweg. Marken, die gut recherchierte, fachkundige Inhalte produzieren, werden häufiger als massgebliche Quellen präsentiert.

Mit der Zeit stärkt die wiederholte Erwähnung in KI-Übersichten deinen Ruf als erste Anlaufstelle. Gerade in Branchen wie Gesundheit, Finanzen oder Bildung sind Autorität und Vertrauen besonders wichtig. Diese Rolle frühzeitig in der KI-Suche zu etablieren – durch solide GEO-Praktiken – schafft einen langfristigen Wettbewerbsvorteil.

So optimierst du für Zero-Click-Suche und GEO

Die Anpassung an die Zero-Click-Suche erfordert ein Umdenken. Statt sich ausschliesslich auf Klicks zu verlassen, müssen Unternehmen ihre Inhalte so strukturieren, dass KI-Systeme und Suchmaschinen sie erkennen, extrahieren und hervorheben können. Die folgenden Ansätze zeigen, wie du in einer KI-first-Suchlandschaft sichtbar bleibst.

Expertengeführte Inhalte

Um für KI-Übersichten oder Zero-Click-Snippets ausgewählt zu werden, müssen Inhalte Fachwissen und Präzision widerspiegeln. Such- und KI-Systeme priorisieren autoritative Quellen, die klare, genaue und gut strukturierte Informationen liefern. Unternehmen sollten auf Fachexperten setzen, glaubwürdige Quellen zitieren und in einem Stil schreiben, der Fragen direkt beantwortet.

Strukturierte Formate wie FAQs, Listen und Schritt-für-Schritt-Anleitungen erhöhen die Chancen, ausgewählt zu werden. Die Kombination von E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) mit Klarheit und Einfachheit ist entscheidend. Das Ziel ist nicht nur das Ranking – es geht darum, Informationen in einem Format bereitzustellen, das KI leicht extrahieren und hervorheben kann. Das ist die Grundlage effektiven GEOs.

Omnichannel-Strategien

Die Zero-Click-Suche beschränkt sich nicht auf Google. KI-Systeme sammeln Informationen aus dem gesamten digitalen Ökosystem – darunter Wikipedia, Blogs, YouTube, Reddit, Quora, LinkedIn und Nachrichtenseiten. Um effektiv zu optimieren, brauchen Marken eine starke Präsenz auf mehreren Plattformen.

Das erhöht die Wahrscheinlichkeit, in KI-generierten Antworten genannt zu werden – unabhängig vom Kanal. Omnichannel-Strategien machen die Sichtbarkeit zukunftssicher und stellen sicher, dass die Inhalte deiner Marke auffindbar und relevant sind, egal ob jemand bei Google sucht, einen Smart Speaker fragt oder einen KI-Assistenten konsultiert.

Zero-Click-Anfragen identifizieren

Das Erkennen von Anfragen mit hohem Zero-Click-Potenzial ist entscheidend, um zu entscheiden, ob ein Keyword die Mühe wert ist und wie du deine GEO-Strategie ausrichten solltest. Das wichtigste Signal: die Keyword-Intention. Informationsanfragen lösen am ehesten KI-Übersichten, Featured Snippets oder andere SERP-Features aus – Produktvergleiche mit kommerzieller Absicht erscheinen ebenfalls häufig.

Hast du mit spezialisierten Tools eine relevante Suchanfrage identifiziert, ist der nächste Schritt die aktuelle SERP-Landschaft zu prüfen. Löst das Keyword Features wie Snippets, Knowledge Panels oder KI-Übersichten aus? Falls ja, musst du entscheiden, ob du in den Wettbewerb um diese Position investieren oder deine Energie lieber auf andere Suchanfragen lenken möchtest.

Zero-Click-Suche: Herausforderungen und Einschränkungen

Von sinkendem Website-Traffic bis hin zu begrenzter Kontrolle über die Darstellung von Inhalten – die Zero-Click-Suche wirft echte Fragen rund um Sichtbarkeit, Attribution und Erfolgsmessung auf.

Möglicher Rückgang des organischen Traffics

Ein grosser Nachteil der Zero-Click-Suche ist der potenzielle Verlust an organischem Traffic. Wenn Nutzer Antworten direkt in KI-Zusammenfassungen oder Snippets erhalten, besuchen sie die ursprüngliche Website möglicherweise nie. Das stellt herkömmliche Performance-Indikatoren und klickabhängige Umsatzmodelle vor echte Herausforderungen.

Um dem entgegenzuwirken, müssen Marken zunehmend auf Bekanntheit, Autorität und langfristiges Vertrauen setzen. Auch wenn der direkte Traffic zurückgeht, kann die durch Zero-Click-Präsenz – und durch konsequente GEO-Massnahmen – gewonnene Sichtbarkeit Conversions weiterhin indirekt unterstützen.

Begrenzte Kontrolle über die Darstellung von Inhalten

Eine weitere Herausforderung: Unternehmen haben wenig Kontrolle darüber, wie ihre Inhalte in KI-Übersichten oder Snippets erscheinen. Suchmaschinen und KI-Modelle formatieren Informationen neu, kürzen sie oder paraphrasieren sie. Das bedeutet, dass die Darstellung deiner Marke nicht immer mit deiner Botschaft oder deinem Ton übereinstimmt – und in manchen Fällen werden Zitate nicht einmal korrekt zugeordnet.

Um dem entgegenzuwirken, müssen Unternehmen Klarheit, Genauigkeit und Konsistenz in den Vordergrund stellen. Strukturierte Daten, Schema-Markup und proaktive GEO-Strategien erhöhen die Chancen, in KI-Suchergebnissen korrekt dargestellt zu werden.

Fehlende KPIs

Den Erfolg in Zero-Click-Umgebungen zu messen wird zunehmend schwieriger. Klassische KPIs wie Klicks, Impressionen oder Absprungraten liefern kaum Erkenntnisse, wenn Nutzer Websites gar nicht mehr besuchen. Das macht es für Marketer schwer, den ROI von GEO und KI-Suchoptimierung nachzuweisen.

Neue Metriken entstehen – Markenerwähnungen in KI-Ausgaben, Häufigkeit der Einbindung in KI-Übersichten und Stimmungsanalyse von KI-generierten Verweisen. Unternehmen müssen ihre Analytics-Frameworks anpassen, um diese Signale zu erfassen. Auch wenn sie nicht perfekt sind, liefern diese alternativen KPIs ein realistischeres Bild von Sichtbarkeit und Autorität – in einer Suchlandschaft, in der Traffic nicht mehr das einzige Mass ist.

Wird die Zero-Click-Suche SEO ersetzen?

Die Zero-Click-Suche wird SEO nicht ersetzen – aber sie verändert grundlegend, wie Unternehmen digitale Sichtbarkeit angehen. Klassisches SEO bleibt entscheidend, um Traffic zu generieren, Backlinks aufzubauen und für gezielte Keywords zu ranken.

Gleichzeitig sorgen KI und Generative Engine Optimization dafür, dass Inhalte für KI-Systeme auffindbar und nutzbar sind. Unternehmen müssen sich nicht nur ums Ranking kümmern, sondern auch darum, wie ihre Inhalte von KI präsentiert und interpretiert werden – SEO und GEO müssen also Hand in Hand gehen, nicht isoliert voneinander.

Auch relevant: Lies auch unseren Blogbeitrag zu AIO und GEO: So wirst du bei der KI-Suche sichtbar.

Steigere deine digitale Präsenz mit GEO – what.

Um wettbewerbsfähig zu bleiben, brauchen Unternehmen eine hybride Strategie. SEO sorgt weiterhin für Klicks und Interaktion, während GEO (Generative Engine Optimization) Marken als vertrauenswürdige Quellen in ChatGPT, Perplexity, Google AI Overviews und darüber hinaus positioniert.

Vom Website-Relaunch bis zur umfassenden GEO-Strategie – bei what. machen wir deine digitale Präsenz zukunftssicher: mit SEO- und Generative Engine Optimization-Methoden, die Sichtbarkeit, Autorität und Interaktion auf jeder KI-relevanten Plattform stärken. Wir verfolgen, wo du in KI-generierten Antworten erscheinst – und wo nicht – und optimieren deine Präsenz in jeder wichtigen KI-Engine.
Bereit, in der KI-Suche gefunden zu werden – nicht nur bei Google? Buche deine kostenlose Beratung bei what.

The post Optimierung von KI-Übersichten und Zero-Click-Suche – Chancen & Herausforderungen appeared first on what. AG.

Was ist AIO (Artificial Intelligence Optimization)?

KI-Optimierung bedeutet, Inhalte so aufzubereiten, dass KI-Suchsysteme sie leicht finden und verwenden können. Anders als SEO, das auf das Ranking in klassischen Suchergebnissen ausgerichtet ist, zielt AIO darauf ab, deine Inhalte in Antworten und Übersichten von KI-Systemen zu platzieren. AIO lässt sich weiter unterteilen in AEO (Answer Engine Optimization) und GEO (Generative Engine Optimization) – zwei unterschiedliche, aber sich ergänzende Ansätze für KI-Sichtbarkeit.

Was ist AEO (Answer Engine Optimization)?

AEO optimiert deine Inhalte so, dass KI-gestützte Systeme wie Googles KI-Übersicht, Sprachassistenten (z. B. Siri, Alexa) und Featured Snippets direkte Antworten aus deiner Website oder deinem Online-Shop extrahieren und anzeigen können.

Das Ziel von AEO ist es, deine Inhalte als die massgebliche Antwort auf eine Suchanfrage zu positionieren. Die Antwort wird direkt aus deinen Inhalten gezogen – in vielen Fällen Wort für Wort – und in Suchzusammenfassungen, Sprachergebnissen und Knowledge Panels angezeigt.

Die grösste Herausforderung dabei sind Zero-Click-Ergebnisse: Der Nutzer bekommt seine Antwort, ohne je auf deiner Website zu landen. Deshalb funktioniert AEO am besten in Kombination mit starkem Branding, interner Verlinkung und strategischer Positionierung – um Sichtbarkeit und Autorität auch dann aufrechtzuerhalten, wenn kein Traffic folgt.

Damit AEO für dich funktioniert, müssen deine Inhalte:

• klar und strukturiert sein, oft im Q&A- oder Aufzählungsformat
• faktenbasiert sein, mit präzisen und eindeutigen Informationen
• mit strukturierten Daten (wie Schema.org) ausgezeichnet sein, damit KI den Kontext versteht
• in einem natürlichen, gesprächigen Ton verfasst sein, der der Art entspricht, wie Menschen Fragen stellen

Was ist GEO (Generative Engine Optimization)?

GEO (Generative Engine Optimization) bedeutet, deine Inhalte so aufzubereiten, dass KI-Systeme wie ChatGPT, Google Gemini und Perplexity sie nutzen können, um präzise Antworten zu generieren.

Anders als bei AEO, wo Inhalte direkt von deiner Website abgerufen werden, geht es bei GEO darum, wie KI-Modelle deine Informationen verarbeiten und umformulieren. Deine Inhalte werden Teil einer breiteren Wissensbasis, auf die KI zurückgreift, um Fragen zu beantworten – meist ohne dich direkt zu zitieren oder zu verlinken.

Damit deine Inhalte für GEO gut aufgestellt sind, sollten sie:

• klar, präzise und gut strukturiert sein, damit KI sie leicht verarbeiten kann
• thematisch fundiert sein, um deine Website als vertrauenswürdige Quelle zu positionieren
• den E-E-A-T-Kriterien (Experience, Expertise, Authoritativeness, Trustworthiness) entsprechen, um KI-Modellen Glaubwürdigkeit zu signalisieren
• einen dialogorientierten und natürlichen Ton haben, der widerspiegelt, wie Nutzer Fragen in Chat-Oberflächen formulieren

Chancen und Herausforderungen der KI-Suche

Die KI-gesteuerte Suche eröffnet Unternehmen spannende neue Möglichkeiten – bringt aber auch einige Herausforderungen mit sich. Auf der positiven Seite können Marken ihre Reichweite durch KI-Assistenten erheblich vergrössern, durch Zitate in Antworten mehr Autorität aufbauen und neue Wege erkunden, um Aufmerksamkeit zu gewinnen, weil Inhalte direkt in KI-generierten Ergebnissen erscheinen.

Gleichzeitig fehlt es den inneren Abläufen dieser Systeme oft an Transparenz. Die Auswahlkriterien bleiben unklar, was eine gezielte Optimierung erschwert. Klassische KPIs verlieren an Aussagekraft, weil Klickraten und Impressionen immer weniger bedeuten. Hinzu kommt eine wachsende Abhängigkeit von KI-Modellen Dritter, deren Algorithmen und Datenquellen du nicht kontrollieren kannst.

Wer wettbewerbsfähig bleiben will, muss Strategien und Kennzahlen überdenken und sich auf die veränderte Suchlandschaft einstellen.

Wird die KI-Suche die traditionelle SEO ersetzen?

Die KI-Suche verändert, wie Menschen Informationen abrufen – aber sie wird klassisches SEO so bald nicht ersetzen. Rund zwei Drittel der Gen Z und der «Zillennials» nutzen bereits KI-Tools wie ChatGPT für private und berufliche Aufgaben, während 34 % der Gen Z KI-Chatbots als ihre wichtigste Suchmethode verwenden – ein deutlich höherer Anteil als bei älteren Bevölkerungsgruppen.

Prognosen deuten darauf hin, dass KI-gesteuerte Suche bis 2030 rund 40–50 % aller Online-Suchanfragen ausmachen könnte. Manche gehen sogar davon aus, dass schon bis 2028 die Hälfte aller Informationssuchen auf KI umgestellt sein könnte.

SEO bleibt aber weiterhin entscheidend: Klassische Suchmaschinen generieren nach wie vor über 90 % des weltweiten Website-Traffics, und Googles KI-Übersichten erschienen Anfang 2025 nur bei rund 13 % der Suchanfragen.

KI-Suche wird SEO also eher ergänzen als ersetzen. Unternehmen müssen sich auf eine hybride Landschaft einstellen, in der Sichtbarkeit sowohl in KI-generierten Antworten als auch in klassischen Suchrankings über den Erfolg entscheidet.

Wie KI das traditionelle SEO verändern wird

KI-Suche verdrängt SEO nicht – sie gestaltet es neu. Unternehmen müssen ihre Strategien und Kennzahlen anpassen, um in KI-gesteuerten Ergebnissen sichtbar zu bleiben.

KI revolutioniert SEO-Kennzahlen

Klassische SEO-Kennzahlen wie Klickraten, Keyword-Rankings und Impressionen werden immer unzuverlässiger, da KI-generierte Übersichten das Sucherlebnis zunehmend dominieren. Nutzer bekommen die Antworten, die sie suchen, direkt von der KI – ohne auf eine Website zu klicken. Das führt zu einem starken Anstieg von Zero-Click-Suchen.

Dieser Wandel erfordert einen neuen Ansatz bei der Messung. Rein traffic-basierte Kennzahlen reichen nicht mehr aus. Stattdessen müssen alternative Indikatoren in den Fokus rücken: Wie oft wird deine Marke in KI-generierten Ergebnissen erwähnt? Ist sie in KI-Übersichten sichtbar? Wie häufig werden deine Inhalte von KI-Systemen referenziert oder zitiert? Diese neuen KPIs geben ein klareres Bild davon, wie gut deine Inhalte in einer KI-orientierten Suchlandschaft performen.

Verstärkter Fokus auf Omnichannel

KI-Suche beschränkt sich nicht auf Google. KI-Systeme ziehen Daten aus dem gesamten digitalen Ökosystem – von sozialen Medien und Foren bis hin zu YouTube, Blogs und KI-Assistenten. Das bedeutet: Sichtbarkeit kann sich nicht mehr nur ums Ranking auf einer einzigen Plattform drehen. Unternehmen brauchen eine Omnichannel-Strategie, die sicherstellt, dass ihre Marke überall auffindbar ist, wo KI nach Informationen sucht.

Entscheidend ist es, auf allen relevanten Plattformen eine konsistente Botschaft und massgebliche Inhalte zu pflegen. Egal ob jemand eine Frage auf ChatGPT stellt oder die Sprachsuche auf einem Smart Speaker nutzt: Je breiter und konsistenter deine Präsenz, desto wahrscheinlicher ist es, dass KI-Systeme deine Inhalte in ihre Antworten einbeziehen.

KI-optimiertes Verfassen von Inhalten

Da KI immer mehr zum primären Interpreten und Verbreiter von Inhalten wird, muss sich das Schreiben weiterentwickeln. Es geht nicht mehr nur darum, Keywords zu treffen oder die Suchabsicht zu bedienen – sondern darum, Inhalte zu erstellen, die KI-Systeme wirklich verstehen können.

Das bedeutet, so zu schreiben, dass es sowohl maschinenlesbar als auch angenehm für Menschen ist. Semantische Vielfalt – also die Verwendung unterschiedlicher, aber verwandter Begriffe und Strukturen – hilft der KI, Umfang und Tiefe deiner Inhalte besser zu erfassen. Das Ziel: Inhalte schaffen, die KI-Systemen beibringen, wie sie über dein Thema «denken» sollen – und gleichzeitig den menschlichen Leser ansprechen.

KI-freundliche Formatierung

Generative KI-Systeme orientieren sich stark daran, wie Inhalte strukturiert sind, um zu entscheiden, welche Informationen relevant sind und wie sie genutzt werden. Gut formatierte Inhalte verbessern die Chance, in KI-generierten Ergebnissen referenziert oder zitiert zu werden – egal ob in Suchübersichten oder Chatbot-Antworten.

Klare Überschriften, kurze Absätze und ein logischer Aufbau helfen der KI, sich in deinen Inhalten besser zurechtzufinden. FAQ-Abschnitte, Zusammenfassungsboxen und Schema-Markup erhöhen die Lesbarkeit zusätzlich. Diese Elemente machen es der KI leichter, deine Inhalte als massgeblich einzustufen, Kernpunkte zu extrahieren und sie in Antworten einzubauen – auch wenn deine Website nicht ganz oben in den klassischen Suchergebnissen steht.

Google Overview gewinnt an Bedeutung

Googles KI-Übersicht verändert schon heute die User Journey. KI-generierte Zusammenfassungen erscheinen ganz oben in vielen Suchergebnissen und ersetzen oft klassische Links. Für Unternehmen ist das gleichzeitig Herausforderung und Chance. Wer seine Inhalte nicht für die Aufnahme in KI-Übersichten optimiert, riskiert, unsichtbar zu werden – selbst wenn er organisch gut rankt.

Um aufgenommen zu werden, müssen deine Inhalte Nutzerfragen vorwegnehmen und relevante, kontextbezogene Antworten in einem prägnanten Format liefern. Marken, die auf Klarheit, Autorität und Struktur setzen, sind besser positioniert, um an diesen gut sichtbaren Stellen zu erscheinen und die Antworten zu beeinflussen, die KI-Systeme Millionen von Nutzern liefern.

5 wichtige Strategien für die KI-Suchoptimierung

Mit diesen Strategien machst du deine Sichtbarkeit durch effektives GEO und AIO zukunftssicher:

1. Technische Bereitschaft sicherstellen: Geschwindigkeit und saubere Strukturen sind entscheidend, da KI-Systeme oft strenge Zeitlimits und begrenzte Rendering-Fähigkeiten haben. Inhalte sollten in einfachen, strukturierten Formaten aufbereitet sein – mit klaren Metadaten, schema.org-Markup und zugänglichen Sitemaps. Vermeide es, LLM-Crawler über robots.txt oder CDN-Einschränkungen zu blockieren, da das verhindern kann, dass deine Inhalte von generativen Suchmaschinen indexiert werden.

2. Sichtbarkeit über alle Kanäle maximieren: KI-Modelle bewerten nicht nur, wo du erwähnt wirst, sondern auch die Glaubwürdigkeit und Beständigkeit dieser Erwähnungen. Zitate in verlässlichen Quellen wie Wikipedia, Nachrichtenportalen, Reddit-Foren oder LinkedIn stärken die Autorität. Studien zeigen, dass Wikipedia allein fast 10 % aller Zitate in KI-Engines ausmacht – eine der einflussreichsten Domains für effektives GEO.

3. Echten Mehrwert liefern: Nutze konkrete Erkenntnisse, Daten und umsetzbare Ratschläge – und vermeide leere Phrasen. Strukturiere Inhalte mit natürlichsprachigen Überschriften, FAQ-Formaten und prägnanten Listen, die der Art entsprechen, wie Nutzer Fragen formulieren. Aktualisiere ältere Inhalte regelmässig, verwende bewährte Assets wieder und binde Zitate von glaubwürdigen Experten ein, um Autoritätssignale zu stärken.

4. Für Google AI Overview optimieren: Gemini befindet sich zwar noch in der Weiterentwicklung, bevorzugt aber tendenziell dialogorientierte Inhalte, Long-Tail-Keywords und strukturierte Antworten. Hochwertige, gut formatierte Seiten, die direkt der Nutzerabsicht entsprechen und auf autoritativen Domains erscheinen, werden häufiger ausgewählt. Unterstützende Elemente wie Bildmaterial, Pillar-Seiten und Backlinks erhöhen die Chance auf Aufnahme zusätzlich.

5. Glaubwürdigkeit stärken: Setze auf strukturierte Daten und externe Verweise. Schema.org-Markups für Artikel, FAQs, Organisationen und Produkte stellen sicher, dass KI-Engines Inhalte korrekt verarbeiten können. Externe Vertrauenssignale wie Backlinks von hochrangigen Websites und neutrale, überprüfbare Erwähnungen sind entscheidend für Relevanz und Markenbekanntheit in LLM-Datensätzen.

Fazit: Mach deine Sichtbarkeit noch heute mit AIO zukunftssicher

Langfristige Sichtbarkeit in der KI-Suche braucht einen dualen Ansatz – eine starke Basis im klassischen SEO, kombiniert mit zukunftsorientierten KI-Praktiken wie GEO. Als führende GEO-Agentur macht what. deine Präsenz zukunftssicher – mit KI-optimierten Ansätzen, die Sichtbarkeit, Relevanz und echte Ergebnisse auf jeder Plattform fördern, die von KI berührt wird.

Lass uns deine massgeschneiderte GEO-Lösung gemeinsam entdecken: Buche deine kostenlose Beratung bei what.

The post Von SEO zur KI-Suche – Was sind AIO und GEO und warum sind sie wichtig? appeared first on what. AG.

Diese Technologien können für kleinere Teams erhebliche Effizienzsteigerungen ermöglichen. Sie bringen jedoch auch neue Risiken für den Datenschutz und die Sicherheit mit sich, die viele Unternehmen unterschätzen.

Herkömmliche Softwaresysteme arbeiten nach klar definierten Regeln. KI-Systeme verhalten sich anders. Sie interpretieren natürliche Sprache, generieren Antworten dynamisch und greifen oft auf Daten über mehrere Systeme hinweg zu. KI-Assistenten gehen noch einen Schritt weiter, indem sie autonom Aktionen ausführen und mit internen Tools, Dokumenten und APIs interagieren.

Für Schweizer KMU entsteht dadurch eine zentrale Herausforderung: Wie lässt sich KI sicher einsetzen, während sensible Daten geschützt und Datenschutzanforderungen eingehalten werden?

Bei der KI-Sicherheit geht es nicht nur um den Schutz von Modellen. Es erfordert eine sorgfältige Kontrolle darüber, wie KI-Systeme innerhalb des Unternehmens auf Daten zugreifen, diese verarbeiten und offenlegen.

Warum KI-Systeme neue Datenschutzrisiken schaffen

KI bringt Sicherheits- und Datenschutzherausforderungen mit sich, die sich von denen herkömmlicher Unternehmenssoftware unterscheiden. Diese Risiken ergeben sich daraus, wie KI-Systeme mit Daten interagieren und sich in verschiedene Tools integrieren.

KI-Systeme interagieren dynamisch mit Daten

Die meisten Geschäftsanwendungen folgen einer festen Logik. Entwickler legen fest, wie Daten durch das System fliessen und welche Ergebnisse erzeugt werden.

KI-Systeme verhalten sich anders. Sie interpretieren Eingaben oder Anweisungen und generieren Antworten auf der Grundlage von Mustern, die sie während des Trainings gelernt haben.

Ein Mitarbeiter könnte beispielsweise einen internen KI-Assistenten fragen:

«Fasse das neueste Dokument zur Vertriebsstrategie zusammen.»

Wenn die KI Zugriff auf interne Dateisysteme oder Dokumentenarchive hat, kann sie sensible Informationen abrufen. Ohne die richtigen Sicherheitsvorkehrungen könnte sie Inhalte offenlegen, die nur bestimmten Mitarbeitenden zugänglich sein sollten.

Da KI Antworten dynamisch generiert, ist die Offenlegung von Daten schwerer vorherzusagen als bei herkömmlicher Software.

Trainingsdaten können sensible Informationen enthalten

Viele Unternehmen verbessern die KI-Leistung, indem sie Modelle mit internen Daten trainieren, wie zum Beispiel:

• interne Dokumentation
• Kundenkommunikation
• Betriebsdaten
• Finanzinformationen

Für KMU kann das besonders attraktiv sein, weil KI-Systeme so unternehmensspezifische Prozesse verstehen lernen.

Wenn jedoch sensible Daten ohne angemessene Kontrollen einbezogen werden, können Modelle versehentlich Elemente dieser Daten speichern oder reproduzieren.

Selbst bei der Nutzung externer KI-Anbieter solltest du sorgfältig darauf achten, welche Informationen du an KI-Systeme übermittelst.

KI-Assistenten arbeiten systemübergreifend

KI-Assistenten erweitern die KI-Fähigkeiten, indem sie es Systemen ermöglichen, Aufgaben über verschiedene Tools hinweg auszuführen.

Ein KI-Assistent könnte zum Beispiel:

• Informationen aus einem CRM abrufen
• interne Dokumentation durchsuchen
• Datensätze aktualisieren
• Mitteilungen versenden

Für ein Schweizer KMU kann diese Art der Automatisierung die Effizienz erheblich steigern. Sie vergrössert aber auch die potenzielle Angriffsfläche.

Wenn ein KI-Assistent Zugriff auf mehrere Systeme hat, könnte eine Sicherheitslücke sensible Informationen im gesamten Unternehmen offenlegen oder verändern.

Auch relevant: Entdecke praktische Anwendungsfälle für KI-Assistenten in Schweizer KMU, um zu sehen, wie Automatisierung in der Praxis funktioniert.

Wichtige Datenschutzrisiken beim Einsatz von KI

Unternehmen, die KI-Systeme einsetzen, sehen sich mit mehreren gängigen Kategorien von Datenschutz- und Sicherheitsrisiken konfrontiert.

Datenlecks durch Eingabeaufforderungen

Eines der häufigsten Risiken entsteht, wenn Mitarbeitende sensible Informationen in KI-Tools eingeben.

Beispiele hierfür sind:

• Kontaktdaten von Kunden
• vertrauliche Kundenprojekte
• Finanzprognosen
• interne Strategiedokumente

Wenn diese Eingaben von externen KI-Anbietern verarbeitet werden, können Unternehmen die Kontrolle darüber verlieren, wie die Daten gehandhabt werden.

Für KMU, die mit Kundendaten arbeiten oder in regulierten Branchen tätig sind, kann das zu ernsthaften Compliance-Risiken führen. Klare interne Richtlinien zur KI-Nutzung sind dabei unerlässlich.

Unkontrollierter Zugriff auf interne Systeme

Viele KI-Implementierungen sind in interne Systeme integriert, wie zum Beispiel:

• CRMs
• Dokumentenmanagementsysteme
• Datenbanken
• interne Wissensdatenbanken

Wenn die Berechtigungen zu weit gefasst sind, können KI-Tools Zugriff auf Informationen erhalten, die über das Notwendige hinausgehen.

Ein KI-Assistent im Marketing benötigt beispielsweise vielleicht nur Produktdokumentation, könnte aber versehentlich auf vertrauliche Finanzberichte zugreifen, wenn die Berechtigungen schlecht konfiguriert sind.

Das Prinzip der geringsten Berechtigungen anzuwenden ist bei der Absicherung von KI-Systemen entscheidend. Das wird besonders wichtig, wenn du KI an deine umfassendere Tools-Integrationsinfrastruktur anschliesst, in der Daten über mehrere Geschäftssysteme hinweg fliessen.

Angriffe auf Modellinferenz

Erfahrene Angreifer versuchen möglicherweise, Informationen direkt aus KI-Modellen zu extrahieren.

Durch wiederholte Abfragen können Angreifer manchmal feststellen, ob bestimmte Informationen in den Trainingsdaten enthalten waren.

Obwohl diese Angriffe relativ komplex sind, veranschaulichen sie ein wichtiges Prinzip: KI-Modelle können unbeabsichtigt sensible Informationen kodieren.

Dieses Risiko ist besonders relevant für Unternehmen, die Modelle auf proprietären Datensätzen trainieren.

Risiken durch Modelle von Drittanbietern

Die meisten KMU verlassen sich auf externe KI-Plattformen, anstatt ihre eigenen Modelle zu hosten.

Das wirft wichtige Fragen auf:

• Speichert der Anbieter Eingabeaufforderungen?
• Werden die Daten zum Trainieren zukünftiger Modelle verwendet?
• Wo werden die Daten verarbeitet und gespeichert?

Schweizer Unternehmen müssen zudem die Datenschutzverpflichtungen gemäss dem Bundesgesetz über den Datenschutz (DSG) und in einigen Fällen die Anforderungen der DSGVO berücksichtigen.

Es ist daher unerlässlich zu verstehen, wie KI-Anbieter mit Daten umgehen.

Spezifische Sicherheitsrisiken bei KI-Assistenten

KI-Assistenten bringen im Vergleich zu herkömmlichen KI-Tools zusätzliche Herausforderungen mit sich.

Autonome Entscheidungsfindung

Assistenten sind darauf ausgelegt, Aufgaben selbstständig auszuführen. Dazu können gehören:

• Aktualisieren von Datensätzen
• Versenden von E-Mails
• Abrufen und Verarbeiten von Daten
• Auslösen von Workflows

Diese Automatisierung kann für KMU mit begrenztem Personal zwar äusserst nützlich sein, bedeutet aber auch, dass Systeme Aktionen ohne direkte menschliche Überprüfung ausführen können.

Bei falscher Konfiguration könnte ein Assistent sensible Informationen offenlegen oder verändern.

Menschliche Aufsicht bleibt wichtig.

Prompt-Injection-Angriffe

Prompt-Injection ist eine aufkommende Bedrohung in der KI-Sicherheit.

Bei diesen Angriffen werden böswillige Anweisungen in Inhalte eingebettet, die die KI verarbeitet, wie zum Beispiel:

• Webseiten
• E-Mails
• Dokumente

Wenn ein KI-Assistent diesen Inhalt liest, könnte er den böswilligen Anweisungen folgen, anstatt seine ursprüngliche Aufgabe auszuführen.

Ein Dokument könnte zum Beispiel versteckte Anweisungen enthalten, die den Assistenten anweisen, interne Daten preiszugeben.

Um sich davor zu schützen, sind strenge Kontrollen darüber erforderlich, wie Assistenten Anweisungen interpretieren und ausführen.

Missbrauch von Tools und API-Exploits

KI-Assistenten sind bei der Ausführung von Aufgaben oft auf Tools und APIs angewiesen.

Dazu können gehören:

• CRM-Integrationen
• Finanzsysteme
• Messaging-Plattformen
• Terminplanungs-Tools

Wenn Angreifer das Verhalten eines Assistenten manipulieren, können sie indirekten Zugriff auf diese Systeme erlangen.

Eine sorgfältige Verwaltung von API-Berechtigungen und Systemintegrationen ist daher unerlässlich.

Ebenfalls relevant: Erfahre, wie KI-Assistenten Datenflut in brauchbare Erkenntnisse verwandeln und dabei die Sicherheit gewährleisten.

Datenschutzvorschriften und KI

Schweizer KMU, die KI einsetzen, müssen auch gesetzliche Anforderungen berücksichtigen.

Das Schweizer Bundesgesetz über den Datenschutz (DSG) legt Verpflichtungen fest, wie personenbezogene Daten verarbeitet und geschützt werden müssen. Unternehmen, die international tätig sind, müssen möglicherweise auch die DSGVO einhalten.

Zu den wichtigsten Grundsätzen gehören:

Datenminimierung

In KI-Systemen sollten nur die notwendigen Daten verwendet werden.

Das Trainieren von Modellen mit übermässigen Datensätzen erhöht das Risiko.

Zweckbindung

Daten, die für einen bestimmten Zweck erhoben wurden, sollten nicht automatisch ohne klare Begründung für das KI-Training wiederverwendet werden.

Transparenz

Kunden und Nutzer sollten verstehen, wann ihre Daten von KI-Systemen verarbeitet werden können.

Grenzüberschreitende Datenverarbeitung

Viele KI-Plattformen verarbeiten Daten ausserhalb der Schweiz. Unternehmen müssen sicherstellen, dass angemessene Schutzmassnahmen vorhanden sind.

Das Ignorieren dieser Punkte kann sowohl rechtliche als auch Reputationsrisiken mit sich bringen.

Bewährte Verfahren zur Absicherung von KI-Systemen

Schweizer KMU können KI-Sicherheitsrisiken durch einige praktische Schutzmassnahmen deutlich reduzieren.

KI-Daten-Governance umsetzen

Unternehmen sollten klare Richtlinien definieren, die Folgendes abdecken:

• welche Daten mit KI-Tools verwendet werden dürfen
• welche Datensätze eingeschränkt sind
• wie KI-Tools intern genehmigt werden

Selbst kleinere Organisationen profitieren von klaren Richtlinien zur KI-Nutzung.

Datenzugriff für KI-Systeme einschränken

KI-Systeme sollten nur auf die Daten zugreifen, die zur Erfüllung ihrer Aufgaben notwendig sind.

Dazu gehören:

• die Einschränkung von Datenbankberechtigungen
• die Trennung sensibler Systeme
• die Beschränkung des Zugriffs auf Dokumente

Das Prinzip der geringsten Berechtigungen reduziert das potenzielle Risiko erheblich.

KI-Eingaben und -Ausgaben überwachen

Das Protokollieren und Überwachen von KI-Aktivitäten hilft dabei, ungewöhnliches Verhalten zu erkennen.

Unternehmen sollten Folgendes nachverfolgen:

• in KI-Systeme eingegebene Prompts
• von Modellen generierte Antworten
• von Assistenten ausgelöste Aktionen

Diese Transparenz ist unerlässlich, um potenziellen Missbrauch zu identifizieren.

Sichere Modellbereitstellung nutzen

Manche KMU entscheiden sich für Unternehmens-KI-Plattformen, die stärkere Sicherheitskontrollen bieten, wie zum Beispiel:

• private Bereitstellungen
• erweiterte Zugriffskontrollen
• Richtlinien für den sicheren Umgang mit Daten

Das kann mehr Vertrauen beim Umgang mit sensiblen Daten schaffen.

Menschliche Aufsicht einführen

Vollständig autonome Systeme bleiben riskant.

Das Einführen von Kontrollpunkten für sensible Aktionen – wie Finanzaktualisierungen oder Kundenkommunikation – kann kostspielige Fehler verhindern.

Weiterführende Lektüre: Bevor du KI einsetzt, solltest du zunächst deine Workflows optimieren, um sicherzustellen, dass deine Grundlage solide ist.

Ein praktischer Rahmen für Datenschutz und Sicherheit bei KI

Ein strukturierter Ansatz kann KMU dabei helfen, KI sicher zu implementieren.

Ein nützliches Modell ist der AI Security Stack.

1. Daten-Governance

Definiere Richtlinien zu:

• Trainingsdaten
• Verwendung von Prompts
• Umgang mit sensiblen Informationen

2. Modellsicherheit

Schütze das Modell selbst durch:

• sichere Hosting-Umgebungen
• Zugriffskontrollen
• Versionsverwaltung

3. Prompt- und Interaktionskontrollen

Implementiere Sicherheitsvorkehrungen, um Prompt-Injektionen oder böswillige Anweisungen zu verhindern.

Dazu gehören:

• Validierung von Eingaben
• Einschränkung des Modellverhaltens
• Beschränkung des Zugriffs auf sensible Tools

4. Systemberechtigungen

Verwalte sorgfältig, worauf KI-Systeme zugreifen dürfen.

Assistenten sollten nur mit genehmigten Systemen unter Verwendung begrenzter Berechtigungen interagieren.

5. Überwachung und Auditierung

Überwache KI-Aktivitäten kontinuierlich.

Audit-Protokolle sollten Folgendes erfassen:

• Abfragen
• Antworten
• Systemaktionen

Das schafft Verantwortlichkeit und unterstützt die Untersuchung von Vorfällen.

Die Zukunft der KI-Sicherheit

Die Einführung von KI in Schweizer KMU wird weiter zunehmen, da die Tools immer zugänglicher und leistungsfähiger werden.

Gleichzeitig legen Regulierungsbehörden und Sicherheitsexperten grösseren Wert auf KI-Governance und einen verantwortungsvollen Einsatz.

Neue Rahmenwerke wie das NIST AI Risk Management Framework und sich weiterentwickelnde europäische Vorschriften unterstreichen die Bedeutung einer strukturierten Aufsicht.

Für KMU bietet es einen klaren Vorteil, sich frühzeitig mit Datenschutz und Sicherheit bei KI zu befassen. Unternehmen, die verantwortungsvolle KI-Praktiken umsetzen, sind besser aufgestellt, um Kundenvertrauen und langfristige Widerstandsfähigkeit aufzubauen.

Auch relevant: Verstehe, warum dein Unternehmen KI-Automatisierung überhaupt braucht und wie man sie verantwortungsvoll einsetzt.

Fazit

KI-Systeme und autonome Assistenten bieten Schweizer KMU erhebliche Chancen – sie ermöglichen es kleineren Teams, Arbeitsabläufe zu automatisieren und effizienter zu arbeiten.

Allerdings bringen diese Systeme auch neue Herausforderungen in Bezug auf Datenschutz, Systemzugriff und Sicherheitsrisiken mit sich.

Da KI dynamisch mit Daten interagiert und zunehmend systemübergreifende Aktionen ausführt, reichen traditionelle Sicherheitsansätze nicht mehr aus.

Schweizer Unternehmen, die KI einsetzen, sollten sich auf Folgendes konzentrieren:

• klare Datenverwaltung
• kontrollierten Systemzugang
• Überwachung von KI-Interaktionen
• die Einführung menschlicher Aufsicht

Indem Sicherheit und Datenschutz von Anfang an in KI-Implementierungen eingebaut werden, können KMU die Vorteile der KI sicher nutzen – und gleichzeitig ihre Daten, Kunden und ihren Ruf schützen.

Wenn dein Unternehmen KI-Tools oder KI-Assistenten in Betracht zieht, ist es wichtig sicherzustellen, dass deine Systeme von Anfang an mit strengen Datenschutz- und Sicherheitspraktiken konzipiert werden.

Bist du bereit, KI sicher zu implementieren? Als Spezialisten für KI-Automatisierungsservices helfen wir Schweizer KMU dabei, intelligente Automatisierung zu entwerfen und einzuführen, bei der Sicherheit, Datenschutz und Compliance von Anfang an im Vordergrund stehen. Unser Ansatz verbindet technisches Fachwissen mit einem Verständnis der schweizerischen regulatorischen Anforderungen und stellt sicher, dass deine KI-Systeme Effizienzsteigerungen liefern, ohne Kompromisse beim Schutz einzugehen.

Nimm Kontakt mit unserem Team auf, um deine aktuelle Situation zu bewerten und eine sichere KI-Strategie zu entwickeln, die auf deine geschäftlichen Anforderungen zugeschnitten ist.

The post Datenschutz und Sicherheit für KI-Systeme und -Assistenten appeared first on what. AG.

KI in ein chaotisches Backoffice zu werfen ist wie einen Turbolader in ein Auto mit platten Reifen einzubauen. Bevor du über eine KI-Transformation nachdenkst, gibt es eine wichtigere Frage zu stellen.

Die Realität Schweizer KMU: Im Kern stark, drum herum voller Probleme

Schweizer KMU sind oft hervorragend in dem, was sie tun. Ob Fertigung, Logistik, professionelle Dienstleistungen, Handel oder Tätigkeiten im Gesundheitswesen – das Handwerk stimmt meistens. Schwierig wird es bei allem, was das Kernprodukt umgibt:

• Kundendaten werden manuell aus dem ERP in die Buchhaltung und dann wieder ins CRM kopiert.
• Angebote entstehen mit zwölf offenen Browser-Tabs.
• Genehmigungen wandern per WhatsApp hin und her.
• Wiederkehrende Aufgaben werden manuell erledigt – nicht weil sich jemand dafür entschieden hätte, sondern weil «die Software das nicht kann» – oder, was noch häufiger vorkommt, weil sie niemand je richtig eingerichtet hat.
• Die Berichterstattung hängt von einer einzigen Person ab, die irgendwie «die Magie kennt» – und sobald sie im Urlaub ist, stockt alles.

Die Schweiz bringt hier noch eine eigene Ebene der Komplexität mit. Mehrere Sprachen, strenge Compliance-Anforderungen, hohe Arbeitskosten und Kunden, die ruhigen, kompetenten Service erwarten – diese Kombination macht jede Stunde, die für Adminarbeit draufgeht, zu einer wirklich teuren Stunde. Das summiert sich im Hintergrund, bis es richtig zu Buche schlägt.

Wenn ein KMU also fragt «Sollten wir KI einsetzen?», ist die bessere Frage: Wo genau geht heute Zeit verloren – und warum?

Was du tun solltest, bevor du KI anfasst: Ein praktischer Audit

Das ist kein sechsmonatiges Beratungsritual. Es ist ein klarer Blick darauf, wie Arbeit in deinem Unternehmen wirklich vonstattengeht – und wo sie ins Stocken gerät.

Schritt 1: Erfasse die Arbeit so, wie sie wirklich abläuft

Wähle einen Arbeitsablauf aus, der teuer erscheint. Kunden-Onboarding, Rechnungsbearbeitung, Angebotserstellung, Serviceanfragen, Terminplanung – nimm denjenigen, den dein Team als «immer ein Chaos» bezeichnen würde.

Dann erfasse ihn in einfacher Sprache: Wer stösst ihn an, welche Informationen werden gebraucht, wo befinden sich diese, wie viele Übergaben sind nötig und wo kommt es immer zu Verzögerungen oder doppelten Eingaben?

Du suchst hier nicht nach KI-Möglichkeiten. Du suchst nach Problempunkten.

Schritt 2: Beziffere die Admin-Kosten

Die meisten KMU unterschätzen, wie viel Zeit in administrative Routinearbeit versickert – weil sie auf viele Personen in kleinen Schritten verteilt ist. Zwei Minuten hier, fünf Minuten dort – das wirkt unbedeutend, bis man es über einen Monat zusammenrechnet und merkt, dass es im Hintergrund zu einem zweiten Job geworden ist.

Verbringe ein bis zwei Wochen damit, die Zeit zu erfassen, die fürs Kopieren und Einfügen zwischen Systemen, die Suche nach der neuesten Dateiversion, das Einholen von Genehmigungen, den Abgleich nicht übereinstimmender Daten und das Beheben von Fehlern draufgeht, die nur existieren, weil ein manueller Schritt schiefgelaufen ist.

Das Ergebnis dieser Übung ist eine Zahl. Und Zahlen schlagen Bauchgefühl jedes Mal.

Schritt 3: Bring das System in Ordnung, bevor du es automatisierst

Hier tappen viele Unternehmen in die Falle: Einen kaputten Prozess zu automatisieren, repariert ihn nicht. Es macht die Verwirrung nur noch grösser.

Bevor irgendetwas automatisiert wird:

• Leg eine einzige Quelle der Wahrheit für Kundendaten fest.
• Standardisiere deine Vorlagen – Angebote, Rechnungen, Aufnahmeformulare.
• Reduziere das Genehmigungshin-und-her, indem du klärst, wer tatsächlich für welche Entscheidung zuständig ist.
• Bereinige Namenskonventionen und Ordnerstrukturen.
• Und ganz wichtig: Entferne alle Prozessschritte, die nur existieren, weil «wir den Daten nicht trauen» – das ist ein Signal, dass das Datenproblem zuerst gelöst werden muss, nicht umgangen.

Sobald das System Sinn ergibt, entscheidest du, was davon automatisiert werden soll.

Warum «langweilige» Automatisierung oft besser ist als KI

Hier kommt der Teil, den dir die meisten KI-Anbieter nicht sagen werden: Einige der grössten Effizienzgewinne in Schweizer KMU entstehen durch Veränderungen, die fast schon peinlich unspektakulär sind.

• Automatische Regeln für den Rechnungsabgleich,
• strukturierte Aufnahmeformulare statt Freitext-E-Mails,
• eine übersichtliche CRM-Pipeline mit Pflichtfeldern, die tatsächlich ausgefüllt werden,
• ein Angebotsgenerator, der Daten aus einer einheitlichen Quelle bezieht,
• geplante Exporte in die Buchhaltung, anstatt dass jemand jeden Freitag manuell eine Datei hochlädt,
• Dokumentenerstellung aus Vorlagen,
• und – wohl am wirkungsvollsten – eine saubere Integration zwischen deinem Shop, ERP und Buchhaltungssystem, damit Daten nicht mehr manuell zwischen Plattformen hin- und hergeschoben werden müssen.

Nichts davon braucht KI. Es braucht Systeme, die wirklich miteinander kommunizieren, und Arbeitsabläufe, die zeigen, wie Arbeit fliessen sollte – und nicht, wie sie sich über Jahre organisch entwickelt hat.

Genau hier zeigen sich schnell echte Einsparungen. In verwaltungsintensiven Umgebungen ist es nicht ungewöhnlich, dass 40–50 % des Aufwands vermeidbar sind, wenn man doppelte Eingaben, Nacharbeit und die Zeit für die Suche nach Informationen eliminiert, die in Sekunden auffindbar sein sollten. Nicht weil jemand faul ist. Weil das System unübersichtlich ist.

Die wichtigste Erkenntnis ist simpel: Automatisierung muss nicht clever sein, um wirkungsvoll zu sein. Sie muss zuverlässig sein.

Wann macht KI also wirklich Sinn?

KI-Automatisierung wird unter bestimmten Bedingungen richtig überzeugend – und es lohnt sich, ehrlich zu sein, was diese Bedingungen sind:

• Du hast es mit grossen Mengen unstrukturierter Inhalte zu tun – E-Mails, PDFs, Support-Tickets, Notizen – und du weisst genau, was du daraus extrahieren oder bearbeiten willst.
• Ein Prozess ist stabil genug, dass du definieren kannst, wie ein «gutes Ergebnis» aussieht.
• Deine Datenqualität ist bereits solide, oder du hast die Arbeit investiert, sie zu verbessern.
• Die Fehlerquoten sind akzeptabel und du hast ein System, um Probleme zu erkennen, wenn etwas schiefläuft.
• Der ROI ist nachgewiesen und messbar.

Anders gesagt: KI ist grossartig, wenn dein Haus bereits steht.

Fehlt das Fundament, wird KI meist zu einer Demo, die nie im Alltag ankommt. Sie wird getestet, in einem Meeting gelobt und dann still und leise nicht mehr genutzt – weil niemand ihr wirklich vertraut, oder weil sie Ergebnisse liefert, die mehr manuelle Korrekturen erfordern als der ursprüngliche manuelle Prozess.

Der häufigste Grund, warum KI-Transformationen scheitern, ist nicht die Technologie – es ist das fehlende Fundament darunter. Mehr dazu erfährst du in unserem Blogbeitrag über die 5 Fehler, die du wahrscheinlich bei deiner KI-Transformation machst.

Ein einfaches Entscheidungsmodell für KMU

Wenn du eine sinnvolle Reihenfolge suchst, hier ist sie:

• Zuerst der Prozess. Erfasse, was passiert, finde die Problempunkte und vereinfache, bevor du optimierst.
  
• Dann die Automatisierung. Verbinde deine Systeme, standardisiere deine Vorlagen und eliminiere manuelle Schritte, die nicht manuell sein müssen.
  
• KI an dritter Stelle. Setz sie dort ein, wo sie wirklich einen einzigartigen Beitrag leistet – bei textlastigen Arbeitsabläufen, Aufgaben, die kontextbezogenes Urteilsvermögen in grossem Massstab erfordern, bei der Triage, Zusammenfassung oder der Verarbeitung unstrukturierter Eingaben.

Wenn du mit dem letzten Schritt anfängst, riskierst du, eine ausgeklügelte Lösung für ein im Grunde langweiliges Problem zu kaufen. Und bei langweiligen Problemen geht Geld genau dann unbemerkt verloren.

Saubere Workflows zuerst, KI als Multiplikator

Der echte Wettbewerbsvorteil für Schweizer KMU im Jahr 2026 ist nicht KI. Es sind saubere Daten, klare Prozesse und zuverlässige Automatisierung, die jeden Tag funktioniert – ohne dass jemand sie manuell vorantreiben muss.

Sobald du dieses Fundament geschaffen hast, ist KI kein Glücksspiel mehr, sondern ein echter Multiplikator. Keine Zauberei. Kein Hype. Nur Hebelwirkung – angewendet auf ein System, das tatsächlich bereit dafür ist.

Wenn du nicht sicher bist, wo du anfangen sollst – ob es darum geht, deine Prozesslandschaft zu bereinigen, deine Tools zu verbinden oder herauszufinden, wo KI-Automatisierung wirklich Sinn macht – hol dir am besten Unterstützung von einer spezialisierten Agentur.

Als KI-Automatisierungsagentur mit fundiertem Fachwissen in der Tools-Integration arbeiten wir mit Schweizer KMU zusammen, um die wertvollsten Möglichkeiten zu identifizieren und Systeme aufzubauen, die messbare Ergebnisse liefern.

The post Bevor du KI einsetzt, optimiere zuerst deine Workflows appeared first on what. AG.