Testen Sie, ob Ihr Unternehmen als Entität im neuronalen Netz und den nativen Trainingsdaten führender Large Language Models (LLMs) verankert ist.
Dieses kostenfreie Tool führt eine simultane Zero-Shot-Abfrage über die APIs von 7 führenden KI-Modellen durch. Es misst die historische Markenautorität und die Präsenz Ihres digitalen Fußabdrucks im reinen Systemwissen der Künstlichen Intelligenz.
Inhaltsverzeichnis
Analyse des LLM-Basiswissens Ihrer Marke
Diese Analyse zeigt Ihnen die historische Relevanz und Autorität Ihrer Marke. Prüfen Sie, ob führende KI-Modelle Ihre Marke bereits fest in ihrem „Gehirn“ abgespeichert haben.
Die kostenfreie Analyse ist komplett unabhängig von Grounding oder Websuchen. Je höher die Erkennungsrate hier ist, desto tiefer ist Ihre Marke im KI-Ökosystem verankert.
Analyse des KI-Basiswissens 🧠 über Ihre Marke
Überprüfen Sie die Verankerung Ihrer Marke im Kernwissen (Trainingsdaten) führender KI-Modelle. (Consumer Models), (Zero-Shot), (LLM Base-Weight-Analysis), (Temperature 0.0)
Warum die Entitäten-Prüfung für Marken essenziell ist
Suchmaschinen entwickeln sich zu Antwortmaschinen (AI Overviews, SGE). LLMs synthetisieren Antworten nicht primär aus URLs, sondern aus verknüpften Entitäten.
Wenn ein Sprachmodell Ihre Marke oder Sie als Person in seinen Trainingsdaten nicht zuverlässig erkennt, existieren Sie im Kontext generativer KI-Antworten nicht. Eine starke Sichtbarkeit in traditionellen SERPs garantiert heute nicht mehr automatisch eine Nennung in KI-generierten Outputs.
Dieser kostenfreie KI Entitäts-Check der DHEMANT Consulting GmbH macht Ihre Markenautorität in den Trainingsdaten von weit verbreiteten Sprachmodellen (Consumer Models) messbar. Die Analyse zeigt auf, ob Ihre bisherige PR- und Content-Arbeit ausreichte, um einen bleibenden Abdruck im Trainingskorpus der großen KI-Anbieter zu hinterlassen.
💡 Ein LLM ist keine relationale Datenbank, die eine Suchanfrage (SQL) ausführt und bei null Treffern ein NULL zurückgibt. Es ist ein Next-Token-Predictor. Es „weiß“ nicht, was es weiß.
Wenn Sie fragen: 🗣️ „Kennst du Entität X?“, greift sofort die Bestätigungstendenz (Sycophancy): Das Modell berechnet Wahrscheinlichkeiten für Wörter, die mit X zu tun haben, und fängt möglicherweise an zu halluzinieren, um den Nutzer zufriedenzustellen.
Aber ich habe das Tool KI Entitäts-Check Ihrer Marke durch drei ineinandergreifende, technische Prompt-Engineering-Ebenen so nah an die Wahrscheinlichkeit herangeführt, wie es die aktuelle Architektur zulässt.
Einblick in die Architektur des Tools KI Entitäts-Check 👀
Argmax-Sampling (temperature: 0.0)
Indem wir die Temperatur auf exakt null setzen, deaktivieren wir das probabilistische Sampling der Modelle. Das LLM wählt für den nächsten Token nicht mehr aus einer gewichteten Liste möglicher Wörter aus, sondern ist gezwungen, immer den mathematisch absolut wahrscheinlichsten Token zu wählen. Das reduziert die „Kreativität“ (und damit die Halluzinationsrate) drastisch.
Umkehrung der Sycophancy (Negative Constraints)
Normalerweise wollen LLMs eine gestellte Frage positiv beantworten. Wir haben diese Vektor-Ausrichtung im System-Prompt massiv manipuliert: DEFAULT ASSUMPTION: The entity DOES NOT EXIST. und Hallucinating is a critical failure. Wir verschieben die „Straf-Gewichtung“ im Prompt. Das Modell wird instruiert, dass eine erfundene Antwort ein kritischer Systemfehler ist, während ein Eingeständnis von Unwissenheit das gewünschte, sichere Verhalten darstellt.
Zwang zu Chain-of-Thought (CoT) im JSON-Schema
Das ist der wichtigste, oft übersehene Hebel in unserem aktuellen Code. Schauen Sie sich die Reihenfolge unseres JSON-Outputs an: wir fordern zuerst „reasoning“ und erst danach den logischen Schalter „known„. LLMs können nicht „vorausdenken“. Würden wir zuerst „known“: true abfragen, müsste das Modell danach eine Begründung erfinden, um seine eigene Behauptung zu stützen. Indem wir zuerst das „reasoning“ erzwingen, muss das Modell sein Wissen (die Vektoren) im Ausgabefenster ausbreiten. Findet es in seinen Vektoren keine belastbaren Fakten für die Begründung, kippt die Wahrscheinlichkeit für den anschließenden Booleschen Wert mathematisch fast unausweichlich auf „known“: false.
Wie man es noch deterministischer machen könnte (Ausblick)
Die einzige Möglichkeit, dieses System auf ein absolutes, unverwundbares deterministisches Level zu heben, wäre eine Verifizierungs-Schleife (Honeypot/Grounding). Der Nutzer müsste im Frontend nicht nur den Namen eingeben, sondern z. B. zwingend auch die korrekte Branche oder das Gründungsland auswählen. Das Backend vergleicht dann den Output des LLMs mit der harten Eingabe des Nutzers. Stimmt die vom LLM generierte Branche nicht mit der Vorgabe überein, überschreibt unser PHP-Code das Ergebnis deterministisch auf Entity Unknown.
Logprobs (Logarithmic Probabilities) [Der Goldstandard]
Die Logprobs (Logarithmic Probabilities) hingegen geben uns den direkten Blick in das „Gehirn“ (den Softmax-Layer) der KI. Sie zeigen die nackte, mathematische Wahrscheinlichkeit für exakt dieses eine Wort. Wenn wir die Logprobs auslesen, könnten wir genau sehen, mit welcher mathematischen Sicherheit das Modell beim Key „known“ das Token true gegenüber dem Token false abgewogen hat. Wenn true nur eine Wahrscheinlichkeit von 52 % hat, wissen wir algorithmisch absolut sicher: Die KI rät – und wir könnten das Ergebnis serverseitig deterministisch auf „Unknown“ überschreiben.
Warum nutze ich Logprobs (noch) nicht?
Der Grund ist reiner Pragmatismus aufgrund von API-Fragmentierung. Wir feuern aus einem einzigen WordPress-Snippet auf 7 völlig verschiedene Architekturen: OpenAI & Meta (via Groq) / xAI: Hier wäre es ein Traum. Wir könnten einfach „logprobs“: true in den Request-Body packen und bekämen wunderschöne, saubere Wahrscheinlichkeitswerte für jedes Token zurück. Anthropic (Claude): Anthropic ist notorisch restriktiv und liefert über die Standard-Messages-API historisch keine sauberen Token-Logprobs aus. Sie kapseln die Modelle stark ab. Google Gemini: Die Standard-API (generateContent) handhabt Metadaten und Probabilities anders als der de-facto OpenAI-Standard. Perplexity: Da es sich um eine RAG-Pipeline (Retrieval-Augmented Generation) handelt, sind klassische Next-Token-Logprobs für die finale Antwort oft verfälscht oder über die API gar nicht erst zugänglich, da die Suche das Generative überlagert.
Wie das Tool KI Entitäts-Check technisch arbeitet
Um valide und reproduzierbare Daten zu erhalten, nutzt das Tool KI Entitäts-Check einen strikten technischen Rahmen und fragt die Modelle über ihre direkten API-Endpunkte ab. Ich schließe die üblichen Chat-Interfaces (wie ChatGPT oder die Gemini-Weboberfläche) bewusst aus, um unverfälschte Rohdaten zu erhalten.
Abfrage der Basisgewichte (Base Weights)
Wir testen hier ausschließlich das „Langzeitgedächtnis“ der Modelle. Basisgewichte sind die fixierten mathematischen Parameter, die ein LLM während seines initialen Pre-Trainings gebildet hat. Das Tool KI Entitäts-Check verbietet den Modellen den Zugriff auf externe Datenbanken oder das Live-Internet (mit Ausnahme von Perplexity). Das Modell muss die Entität (Ihre Marke oder Person) also nativ „kennen“.
Zero-Shot Prompting mit negativen Constraints
Die Tool-Abfrage erfolgt als „Zero-Shot“. Das LLM erhält im Prompt keinerlei Kontext oder Beispiele, wie etwa: „Dies ist ein deutsches Softwareunternehmen„. Gleichzeitig nutze ich harte negative Constraints (Restriktionen) im System-Prompt. Den Modellen wird explizit befohlen, die Existenz der Entität zu verneinen, sofern keine hohe Datendichte vorliegt.
Die analysierten KI-Modelle im Überblick
Der KI Entitäts-Check fragt die Architektur von 7 unterschiedlichen Foundation-Modellen parallel ab. Es sind Modelle mit Fokus auf Basisgewichte (Parametrisches Wissen). Diese Modelle arbeiten isoliert und greifen ausschließlich auf ihren trainierten Textkorpus zurück. Ein „Entity Known“ bei diesen Modellen ist der ultimative Beweis für historische Markenpermanenz.
- OpenAI (GPT-4o mini)
- Anthropic (Claude Sonnet)
- Google (Gemini 3.5 Flash)
- Microsoft Azure (GPT-4o mini via Azure-Infrastruktur)
- Meta (Llama 3.1 8B via Groq)
- xAI (Grok 4.3)
Modelle mit Fokus auf RAG / Live-Websuche:
- Perplexity (Sonar): Perplexity nimmt hier eine architektonische Sonderrolle ein. Es ist darauf trainiert, das Live-Internet zu durchsuchen, bevor es eine Antwort generiert. Ein Treffer bei Perplexity spiegelt somit nicht zwingend das historische Basiswissen wider, sondern beweist einen exzellenten, aktiven SEO-Fußabdruck in Echtzeit.
Interpretation der Ergebnisse
Das kostenfreie Tool KI Entitäts-Check liefert pro Modell drei Metriken:
- Status (Known / Unknown): Die binäre Entscheidung, ob die Entität faktisch erkannt wurde.
- Confidence Score: Ein prozentualer Wert, der die Sicherheit des Modells widerspiegelt. Werte über 85% deuten auf eine sehr hohe Nennungsdichte in den Trainingsdaten hin.
- Data Context & Vector Reasoning: Ein kurzer Einblick in die „Gedankengänge“ des Modells. Hier listet die KI auf, aus welchen Quell-Clustern (z.B. Fachzeitschriften, Finanzberichte, Firmenverzeichnisse) sie das Wissen über die Entität extrahiert hat.
Hinweis zum Caching: Zur Schonung der API-Ressourcen und für eine verzögerungsfreie Auslieferung bei wiederkehrenden Abfragen werden die Resultate dieses KI Entitäts-Check für exakt 30 Tage serverbasiert zwischengespeichert (Cache). Über die Funktion „Copy Share Link“ können Sie den generierten Audit-Report inklusive eindeutiger Audit-ID jederzeit mit Ihrem Team teilen.
