Bei Bekleidung misst ein AI-Visibility-Score die Fragen
Dekuple Insights Studie zu ChatGPT und Gemini zählte 496 Marken in 560 Bekleidungsantworten, die breiteste Streuung unter sechs französischen Handelsbranchen. Das arXiv-Paper eines Visibility-Anbieters zeigt, dass aggregierte Markenprofile wegbrechen, sobald sich die Fragen ändern. Die Zahl, die ein Bekleidungshändler nutzen kann, ist deshalb die Intention, für die ihn jede Engine nennt.

Admiral Neritus Vale
Dekuple Insight hat zwei Monate lang aufgezeichnet, wie ChatGPT und Gemini französische Händler in sechs Branchen empfehlen. Comarketing-News hat die Pressemitteilung veröffentlicht, die 496 Marken in 560 Bekleidungsantworten zählt. Der AI-Visibility-Score eines Bekleidungshändlers beschreibt die Fragen, auf denen er berechnet wurde. Die Zahl, die sich lohnt, ist enger gefasst: die Intention, für die die jeweilige Engine den Händler nennt. Die Mitteilung verrät nicht, wie oft jede Marke vorkam. Die Zählung misst also Breite, nicht Stabilität.
Bekleidung streut weiter als jede andere Branche der Studie. Teilt man die Marken jeder Branche durch ihre Antworten, kommt Bekleidung nach unserer Rechnung auf 0,89, den höchsten Wert der sechs. Lebensmittel liegen bei 0,18. EcommerceMag und e-marketing.fr haben die sechs Werte am 2. Oktober veröffentlicht, beide aus derselben Pressemitteilung. Für die Quote gibt es zwei harmlose Erklärungen. Die Mode hat ein weit größeres Markenuniversum als der Lebensmittelhandel, und die Mitteilung beschreibt nicht, wie Dekuple festlegt, was als Marke zählt.
Dekuples zentrale These, von The Media Leader FR am 29. September aufgegriffen, lautet: Jede Intention baut ihr eigenes Wettbewerbsfeld auf. Die branchenspezifische Intention bei Bekleidung waren Trends. Nach unserer Lesart, die die Mitteilung nicht bestätigt, laden Trendfragen zu neuen Labels ein, sodass ein Teil der Streuung bei Bekleidung in der Prompt-Liste liegen könnte. Die Mitteilung ergänzt, dass nur die etabliertesten Marktführer relativ stabil blieben, während sich die Nebenplätze mit Modell, Quellen und Zeitraum verschoben. Dieser Befund gilt für die gesamte Studie, nicht nur für Bekleidung. Die Mitteilung nennt zwölf Händler, keinen davon für Bekleidung, und Dekuple hat über seine Stichprobenzahlen hinaus keine Methode veröffentlicht.
Dmitrij Żatuchin, Gründer des AI-Visibility-Anbieters Rankfor.AI, zeigt in einem am 23. September bei arXiv eingereichten Paper, dass eine einzelne Antwort die Engine verrät, die sie geschrieben hat. Sein Korpus enthält Antworten von fünf im Einsatz befindlichen Systemen, darunter GPT-5.2 und Gemini 3 Flash, auf Fragen zu Geschenken, zur Unternehmensreputation und zur Kategorieführerschaft, bei der gefragt wird, welche Marke eine Kategorie besetzt. Die Antworten wurden im vergangenen Winter erhoben. Bekleidung hat er nicht untersucht, die Analogie hier stammt also von uns. Bei auf die ersten 800 Zeichen gekürzten Antworten erkannte eine einzelne Antwort für sich das System, das sie geschrieben hatte, in 97,84 % der Fälle. Das Signal verortet das Paper überwiegend im Layout: Das Maskieren von Markennamen und großgeschriebenen Tokens veränderte es kaum.
Das Markenverhalten, also der Stoff, den ein AI-Visibility-Report zusammenfasst, überstand keinen Wechsel der Domäne. Żatuchin aggregierte die Antworten zu Profilen der Markengewohnheiten jedes Systems, und ein Klassifikator, der auf Profilen zur Kategorieführerschaft trainiert war, ordnete jedes Geschenkprofil dem falschen System zu. In Geschenkantworten nannte Gemini 3 Flash 8,41 Marken pro Antwort, GPT-5.2 dagegen 0,94. Bei der Kategorieführerschaft kehrte sich die Reihenfolge um, die scheinbare Lücke zwischen den Engines hing also von der Frage ab. Zwei Einschränkungen gelten: Das Markenwörterbuch des Papers unterschätzt die Geschenkmarken von GPT-5.2, und die Umkehrung beruht auf der Minderheit der Gemini-Antworten, die nicht gekürzt wurden. Żatuchin sagt, die Umkehrung sei mit dem Transferversagen vereinbar, aber nicht als dessen Ursache belegt.
In Żatuchins Daten überstand die Handschrift einer Engine einen Wechsel der Fragen, ihre Markengewohnheiten dagegen nicht.
Der Anhang des Papers zeigt, wie weit solche Zahlen sich verbreiten können, bevor sie jemand neu berechnet. Er korrigiert eine frühere Version, deren Werte teilweise „in Vorträgen, Posts und einem Buch aufgetaucht“ seien, und zieht Behauptungen zurück, für die es, wie er schreibt, keinen Code gibt. Das am besten zitierbare Opfer, eine Sentiment-Lücke zwischen GPT und Gemini, schrumpft von +0,511 auf +0,043, sobald die GPT-Antworten auf die Länge der gepaarten Gemini-Antworten gekürzt werden. Der Großteil der gemessenen Wärme war Länge. Sein Urteil für alle, die AI-Visibility-Zahlen lesen: Ein Profil des Markenverhaltens „überträgt sich in diesem Korpus nicht zwischen den beiden Domänen, in denen es getestet werden konnte“.
Das beste Argument für den Score lautet, dass er sich nie übertragen lassen musste. Ein Händler, der jeden Monat dasselbe Prompt-Set neu laufen lässt, so wie Markentracker einen Fragebogen wiederholen, lernt aus den Veränderungen, auch wenn das Niveau wenig aussagt. Das gilt unter einer Bedingung: Die Veränderungen müssen auf das zurückgehen, was der Händler getan hat. Dekuples Ergebnisse deuten in die andere Richtung, denn die instabilen Nebenplätze, die das Unternehmen fand, verschoben sich mit der Engine und ihren Quellen ebenso wie mit der Zeit. Ein monatliches Delta kann nicht sagen, was davon die Verschiebung bewirkt hat, und zusätzliche Prompts würden den Effekt des Händlers nicht vom Effekt der Engine trennen.
Die Einheit, die ein Bekleidungshändler nutzen kann, ist die Intention, für die er genannt wird, und Dekuples Sport-Ergebnisse zeigen, warum. Decathlon tauchte in 80 % der ChatGPT-Antworten auf Qualitätsfragen im Sport auf, stand aber nur in 30 % davon an erster Stelle. Ein Präsenz-Score schreibt Decathlon die Frage gut, das Ranking gibt sie meistens jemand anderem. Die Engines weisen Decathlon nach Dekuples Lesart die Rolle von Zugänglichkeit und Preis-Leistung zu, Au Vieux Campeur die der technischen Expertise.
Die Intention muss Engine für Engine gelesen werden, denn ChatGPT und Gemini beschreiben nicht denselben Markt. Bei technischen Sportfragen nannte Gemini 34 verschiedene Marken und ChatGPT 15. Gemini weitete sich auf Nischenspezialisten aus, ChatGPT konzentrierte sich auf einen Kern von Marktführern. Ein Nischenlabel kann daher bei derselben Frage in der einen Engine auftauchen und in der anderen fehlen. Żatuchins Geschenkantworten zeigen eine ähnliche Lücke bei einer anderen Kennzahl, den Marken pro Antwort, und sie kehrt sich bei der Kategorieführerschaft um. Wer beide Engines zu einem Score zusammenfasst, mittelt genau den Unterschied weg, auf den ein Händler reagieren könnte.
Die Intention zeigt auch, welche Belege ein Händler in Ordnung bringen sollte, denn die Quellen der Engines wechseln mit der Frage. Bei operativen Fakten wie Lieferung, Verfügbarkeit und Click-and-Collect liefern die eigenen Websites der Marken die Antwort. Sie machen 91 % der Domains aus, die die Engines für Omnichannel-Services im Hightech-Bereich nutzten. Dekuple hat das im Hightech-Bereich gemessen, die Übertragung auf Bekleidung ist unsere Analogie. Urteile über Qualität, Preis und Zuverlässigkeit schicken die Engines zu Verbraucherverbänden, Vergleichsseiten, Fachmedien und Bewertungsplattformen. Ein Bekleidungshändler, der diesen Herbst ein AI-Visibility-Audit einkauft, kann für eine einzige Zahl zahlen, die von der Prompt-Liste des Anbieters abhängt, oder für ein Raster aus Intentionen und Engines, das beschreibt, was er verändern kann. Kauft er die Zahl, dient sein Budget am Ende den Fragen des Anbieters.