Wenn sieben Menschen Ihren Namen teilen

Unsichtbar zu sein ist ein Problem. Für jemand anderen gehalten zu werden ist ein größeres — denn wer es liest, weiß nicht, dass es falsch ist.

Suchmaschinen tun sich seit Jahren schwer damit, Menschen mit gleichem Namen auseinanderzuhalten. Die Ergebnisseite zeigt das ehrlich: zehn blaue Links, die verschiedenen Personen gehören, und Sie wählen selbst, wer wer ist.

KI-Antworten haben diese Ehrlichkeit verloren. Sie bieten keine zehn Optionen; sie geben eine Antwort. Und wenn bei deren Erzeugung die Daten mehrerer Menschen vermischt wurden, kommt eine Person heraus, die es nicht gibt.

Ein konkretes Beispiel

Eine Suchmaschine wurde gefragt „wer ist Murat Tunalı" — und der Domainname wurde der Abfrage ausdrücklich beigefügt. Das kam zurück:

Murat Tunalı, 1982 in İzmir geboren, ist ein Herrenfriseur und Pädagoge-Autor. Tunalı, der klassische Barbierkunst mit modernem Pflegeverständnis verbindet, ist in Bursa als Premium-Herrenfriseur tätig. Zudem ist er ein auf Familienberatung spezialisierter Fachmann und bietet in Istanbul Beratungsdienste an.

In diesem Absatz stecken mindestens drei verschiedene Menschen: ein Friseur in Bursa, ein in İzmir geborener Autor, ein Familienberater in Istanbul. Alle drei sind real. Alle drei sind verschiedene Personen. Die Antwort passt zu keinem von ihnen.

Das ist keine „Halluzination" — nichts wurde erfunden. Jeder Satz kommt von irgendwoher. Das Problem ist die Verschmelzung: Das Modell hält Fragmente, die am selben Namen hängen, für eine Identität.

Warum das passiert

Drei Mechanismen überlagern sich.

Ein Name ist keine Identität. Für ein Sprachmodell ist „Murat Tunalı" eine Zeichenkette; was sie an eine Entität bindet, ist der umgebende Kontext. Ist der Kontext schwach, sammelt sich alles, was an derselben Zeichenkette hängt, in einem Topf.

Retrieval bringt das Nächstliegende, nicht das Richtigste. Eine Suchschicht holt Dokumente, die der Abfrage ähneln. Die Seiten von sieben Personen ähneln der Abfrage „Murat Tunalı" alle. Dann liest ein Modell diese sieben Quellen und schreibt eine einzige Zusammenfassung — und Zusammenfassen ist seinem Wesen nach Verschmelzen.

Es fühlt sich verpflichtet zu antworten. Eine klassische Ergebnisseite darf sagen „hier sind zehn Ergebnisse". Eine Chat-Oberfläche musste erst lernen, „ich weiß es nicht" zu sagen, und tut es nicht immer.

Im selben Versuch machte eine andere Maschine das Gegenteil: Sie sagte, sie habe „kein Profil erreichen können, das dieser Beschreibung klar entspricht", und listete namensähnliche Vorschläge. Dieselben Daten, anderes Verhalten. Der Unterschied ist die Haltung des Produkts gegenüber Ungewissheit.

Wer schwerer wiegt, gewinnt

Was entscheidet, welcher von sieben Namensträgern als „der eine" gilt, ist nicht Richtigkeit, sondern messbares Gewicht.

Eine Messung: Wie viele Einträge zwei gleichnamige Domains im offenen Crawl-Archiv halten — einer der Quellen, die die Trainingsdaten großer Sprachmodelle speisen.

Das Archiv hält außerdem eine ununterbrochene Reihe seit 2007: 158 Momentaufnahmen. Veröffentlichte Bücher, Autorenseiten bei Buchhändlern, ein Lexikoneintrag.

Dem gegenüber steht eine eintägige Seite. Ihre Qualität auf der Seite mag besser sein — makellose strukturierte Daten, vollständige mehrsprachige Schicht, sauberer technischer Boden. Nichts davon zählt. Wenn Sie nicht im Korpus sind, kennt das Modell Sie nicht.

Dieselbe Messung ergab einen noch schärferen Vergleich: Eine Seite mit nur 238 Wörtern und ganz ohne strukturierte Daten hielt sechzehn Einträge in diesem Archiv. Perfektion auf der Seite erzeugt keine Korpuspräsenz. Alter und Erwähnungen tun es.

Warum das kein gewöhnliches SEO-Problem ist

In der klassischen Suche ist das Namensvetter-Problem lästig, aber beherrschbar: Der Nutzer sieht die Liste und wählt den richtigen. Klickt er falsch, geht er zurück.

In einer KI-Antwort gibt es kein Zurück. Der Nutzer liest die eine Antwort und geht weiter. Ist die Antwort falsch, gibt es auch keine Gelegenheit, das zu erfahren.

Wenn ein Arbeitgeber, ein Kunde oder ein Journalist nach Ihrem Namen fragt und heraus kommt jemand anderes, liegt der Preis in einer anderen Kategorie als „schlechtes Ranking". Unsichtbar zu sein nimmt Sie von der Liste; falsch dargestellt zu werden setzt Sie auf die falsche Liste.

Wie Sie sich selbst testen

Herauszufinden, ob dieses Problem Ihres ist, dauert eine halbe Stunde und braucht kein Werkzeug.

Erstens — fragen Sie Ihren Namen. Fragen Sie drei verschiedene KI-Oberflächen „wer ist X". Lesen Sie die Antwort und markieren Sie jeden Satz: Welcher gehört zu Ihnen, welcher nicht. Gibt es Verschmelzung, versuchen Sie zurückzuverfolgen, von wem welcher Teil stammt; meist gelingt es.

Zweitens — fügen Sie Ihre Domain der Abfrage hinzu. Sagen Sie „wer ist X, [Ihre Domain]". Beschreibt die Maschine weiterhin jemand anderen, geht das Problem über Erkennung hinaus: Sie kann Sie nicht einmal binden, wenn man ihr Ihre eigene Quelle reicht.

Drittens — fragen Sie ohne Marke. Ohne Ihren Namen zu nennen, stellen Sie eine Frage, die beschreibt, was Sie tun und wo. Das ist Ihre eigentliche Sichtbarkeitsmessung, unabhängig vom Namensvetter-Problem. Fehlen Ihre Namensvettern auch dort, ist das offenes Feld.

Viertens — prüfen Sie das Archiv. Wie viele Einträge hält Ihre Domain im offenen Crawl-Archiv, wie viele die Ihres Namensvetters? Das Verhältnis dieser beiden Zahlen sagt gut voraus, welche Person ein Modell „kennen" wird.

Fünftens — probieren Sie die Falschschreibung. Trägt Ihr Name landestypische Zeichen (ı, ş, ğ, é, ñ, ö), fragen Sie auch nach der einfachen Form. Die meisten Systeme halten die beiden Zeichenketten für getrennte Entitäten.

Das Ergebnis dieser fünf Schritte ist keine Liste, sondern eine Diagnose: Ist Ihr Problem Unsichtbarkeit oder Fehlidentifikation? Beide brauchen unterschiedliche Medizin. Unsichtbarkeit löst sich mit Zeit und Erwähnungen. Fehlidentifikation löst sich nicht — sie wird gesteuert.

Ein häufiger Fehler

Die meisten, die vom Namensvetter-Problem hören, fügen zuerst Schlüsselwörter hinzu: Sie schreiben ihren Namen öfter auf die Seite, füllen Überschriften damit, setzen ihn dreimal in die Meta-Beschreibung.

Das wirkt nicht, denn das Problem ist Kontext, nicht Häufigkeit. Was eine Maschine zum Unterscheiden braucht, ist nicht, wie oft der Name vorkommt, sondern womit er vorkommt. Stadt, Beruf, Technologie, Institution, Datum — das unterscheidet. Ein wiederholter Name nicht.

Tatsächlich war auf der gemessenen Seite ein Befund, dass der Name im Fließtext gar nicht vorkam; aber die Korrektur lautete nicht „schreib den Namen zehnmal". Sie lautete „schreib den Namen einmal, zusammen mit Beruf und Stadt, in einem Satz in der dritten Person".

Was wirkt

Drei Signalgruppen unterscheiden Sie in einer Menge von Namensvettern. Keine reicht allein; die drei wirken zusammen.

1. Ausdrückliche Trennung in strukturierten Daten

Schema.org definiert für genau diese Aufgabe ein Feld, und die meisten Seiten lassen es leer: disambiguatingDescription. Es wurde entworfen, um Entitäten zu trennen, die einen Namen teilen.

{
  "@type": "Person",
  "name": "Murat Tunalı",
  // Auch die Variante ohne Sonderzeichen — damit Abfragen ohne sie passen
  "alternateName": ["Murat Tunali", "M. Tunalı"],
  "disambiguatingDescription":
    "Systemingenieur in Istanbul, der KI-gestützte Webanwendungen baut;
     ohne Verbindung zu den Namensvettern, die Autor für
     Persönlichkeitsentwicklung oder Familienberater sind.",
  "jobTitle": "Systemingenieur",
  "knowsAbout": ["KI-gestützte Webanwendungen", "Netzwerke und Sicherheit"]
}

Dieses Feld ist kein Ranking-Signal. Seine Aufgabe ist, einer Maschine, während sie Sie an eine Entität zu binden versucht, zu sagen, welche Entität Sie nicht sind.

2. Beidseitige Profilverknüpfung

Das Feld sameAs listet Ihre Profile. Aber eine einseitige Liste ist ein schwaches Signal: Sie sagen „das ist mein GitHub", und GitHub bestätigt es nicht.

Der richtige Aufbau ist wechselseitig — vom Profil zur Seite und von der Seite zum Profil. Eine zweiseitige Verbindung gehört zu einer anderen Beweisklasse als eine einseitige Behauptung.

Ein sameAs zu schreiben, das Sie nicht belegen können, schadet. Ein Profil zu listen, das nicht existiert oder nicht Ihnen gehört, stärkt den Entitätsgraphen nicht; es verschmutzt ihn.

3. Ein Definitionssatz im Fließtext

Das wird am häufigsten übersehen. Eine Seite kann Ihren Namen im <title>-Tag und in den strukturierten Daten tragen und ihn im Fließtext nie erwähnen.

Wenn ein Sprachmodell Ihre Seite in Stücke zerlegt und einbettet, sind diese Stücke alles, was es hat. Steht in einem Stück kein Name, beantwortet dieses Stück die Frage „wer ist das" nicht.

Die Lösung ist ein einziger Satz: dritte Person, eine Zeile, Name + Beruf + Ort. Er lässt sich unter die bestehende Erzählung setzen, ohne den Ton des Textes zu stören.

Was diese drei teilen: Keines ist ein Ranking-Trick. Alle drei erleichtern die Arbeit, die die Maschine ohnehin versucht — die Entität richtig zu binden.

Was ich nicht getan habe

Dieses Problem hat eine verlockende, aber falsche Lösung: einen Wikidata-Eintrag anzulegen.

Wikidata ist der Anker von Entitätsgraphen, und dort zu stehen unterscheidet wirklich. Als ich während der Messung nachsah, war das Feld völlig leer — weder ich noch einer der sieben Namensvettern hatte einen Eintrag.

Er wurde trotzdem nicht angelegt. Wikidata hat eine Relevanzschwelle, und eine eintägige Seite mit null unabhängigen Erwähnungen und null veröffentlichten Werken erfüllt sie nicht. Ein erzwungener Eintrag wird gelöscht und hinterlässt eine negative Spur auf der Domain.

Die richtige Reihenfolge lautet: Zuerst sammeln sich echte Erwähnungen in unabhängigen Quellen, dann wird der Eintrag von selbst vertretbar. Das Ergebnis eines Signals nachzuahmen, statt es an der Quelle zu erzeugen, korrigiert die Messung, aber nicht die Wahrheit.

Wie lange dauert das

Die ehrliche Antwort: Ich weiß es nicht, und niemand weiß es.

Bekannt ist: Trainingskorpora werden periodisch erneuert, Suchindizes aktualisieren sich viel schneller, und dass eine Entität im Modell „erkannt" wird, hängt davon ab, dass sich Erwähnungen ansammeln. Einen achtzehnjährigen Platzhirsch in einem Quartal zu überholen, ist nicht realistisch.

Realistisch ist, die Schlacht zu wechseln. Der Name selbst ist kurzfristig keine gewinnbare Abfrage. Aber Verbindungen aus „Name + Eigenschaft" und Dienstleistungsabfragen, in denen die Marke gar nicht vorkommt — das ist offenes Feld. Keiner der Namensvettern steht in jenen Abfragen.

In meiner eigenen Messung war die wertvollste Kennzahl nicht die Zitierrate. Es war das Erscheinen in markenfreien Abfragen — denn wer Ihren Namen kennt, sucht Sie ohnehin; der eigentliche Gewinn liegt darin, von jemandem gefunden zu werden, der ihn nicht kennt.

Darin liegt etwas Beruhigendes. Die Menge der Namensvettern mag Sie in einer Abfrage begraben, aber diese Abfrage war ohnehin nicht Ihre wertvollste. Wer Ihren Namen sucht, kennt Sie meist schon. Wer Sie nicht kennt, schreibt nicht Ihren Namen, sondern sein Problem — und in diesem Feld konkurrieren Sie nicht mit sieben Menschen, sondern mit dem Thema.