KI-Reputationsaudit: Wie ChatGPT & Co. Ihre Karriere bewerten

7. September 2026

Jemand hat gestern über Sie gesprochen. Es war kein Mensch.

Vor dem Pitch, vor der Vertragsverlängerung, vor der Berufung in eine Top-Manager- oder CEO-Position fragt heute jemand ein KI-System. Sekunden später steht dort, welche Expertise Ihnen zugeschrieben wird, was Sie zuletzt gemacht haben, und ob Sie für sein Problem die richtige Person sind.

An dieser Version Ihrer Reputation haben Sie nicht mitgeschrieben. Manche Details kennen Sie nicht einmal.

Seit April habe ich für rund 100 Top-Manager und Vorstände geprüft, welches Bild die KI von ihnen zeichnet

Nur selten entsprach es vollständig dem, wofür diese Experten tatsächlich stehen.
Ein KI-Reputationsaudit macht dieses Bild sichtbar. Es misst nicht Kompetenz, Bekanntheit oder tatsächliche Leistung. Es misst die Differenz zwischen Ihrer tatsächlichen Leistung und der öffentlichen Evidenz, auf die ein KI-System zurückgreifen kann.

Vier Begriffe werden dabei zuweilen verwechselt: Reputationsmanagement, Online Reputation Management, KI-Reputation und das KI-Reputationsaudit selbst.
Sie meinen vier verschiedene Dinge.

Begriff	Was er bedeutet
Reputationsmanagement	Die bewusste Gestaltung des Fremdbilds durch zugängliche, glaubwürdige Informationen und Erfahrungen Dritter
Online Reputation Management (ORM)	Die Steuerung dessen, was Suchmaschinen wie Google zu einem Namen, Unternehmen oder Thema sichtbar machen
KI-Reputation	Das Bild, das KI-Systeme aus öffentlichen, maschinenlesbaren Quellen über eine Person oder Organisation erstellen
KI-Reputationsaudit	Die systematische Prüfung von KI-Antworten, Quellen, Widersprüchen, Verifikationslücken und Verwechslungsrisiken

Reputationsmanagement arbeitet mit Belegen, die anderen gehören

Reputationsmanagement bezeichnet den organisierten Versuch, das Bild bzw. umgangssprachlich „das Image“ zu beeinflussen, das Dritte sich von einer Person oder einem Unternehmen machen. Es geht um das Fremdbild und um Belege, auf die andere zugreifen können.

Lange lief diese Arbeit über Menschen. Ihre Reputation wurde vertraulich im Frankfurter Airport Club besprochen, beim Abendessen im Bayerischen Hof oder beim Netzwerken während des Ludwig-Erhard-Gipfels am Tegernsee.

Wertvoll war Reputation – besonders CEO-Reputation – immer

In einer internationalen Befragung von Weber Shandwick und KRC Research schrieben Führungskräfte der Reputation ihres CEO im Schnitt 44 Prozent des Unternehmensmarktwerts zu. Das war ein Wahrnehmungswert, kein kausales Bewertungsmodell. Er zeigt dennoch, wie hoch Führungskräfte den Wert von Reputation bereits einschätzten, als ausschließlich Menschen über sie urteilten.

Diese Gespräche gibt es weiterhin. Nur ist diesen inzwischen eine neue Informationsinstanz vorgeschaltet.

Im Online Reputation Management blieb Ihre Lücke harmlos

Online Reputation Management, kurz ORM, meint die Steuerung dessen, was Suchmaschinen wie Google oder Bing zu einem Namen ausweisen: Reihenfolge der Treffer, Korrektur falscher Einträge, Aufbau eigener Quellen, die Problematisches auf Google-Seiten maximal weit nach hinten verschieben.

ORM funktionierte, weil ein Mensch dazwischensaß. Er sah die Quellen, bemerkte Widersprüche und gewichtete selbst. Vor allem sah er, was fehlte. Wer wenig hinterlassen hatte, erhielt wenige Treffer. Die Leerstelle blieb eine Leerstelle, sichtbar als solche und meistens folgenlos.

Eine Suchmaschine wie Google konnte sich entscheiden, zu schweigen. Fand sie nichts, zeigte sie nichts. Menschen erkennen eine dünne Quellenlage und ziehen im Zweifel keine weitreichende Schlussfolgerung.

KI-Systeme verhalten sich anders.

KI-Reputation: Entscheider prüfen Sie leise. Aber die KI antwortet zuerst

KI-Reputation bezeichnet das Bild, das ein Sprachmodell oder ein KI-gestütztes Suchsystem aus öffentlich zugänglichen, maschinenlesbaren Quellen über Sie zusammensetzt: aus Medienberichten, Fachbeiträgen, LinkedIn, Unternehmensseiten, alten Pressemitteilungen und gelegentlich aus Material, das mit Ihnen nichts zu tun hat.

Die Arbeit daran heißt AI Reputation Management.
Die technische Disziplin dahinter heißt Generative Engine Optimization, kurz GEO.

Für Sie ist der Unterschied schlichter. Ihr Gegenüber sieht keine zehn Quellen mehr, sondern ein Urteil, in dem Belegtes und Unbelegtes verschmolzen sind und beides gleich glaubwürdig-überzeugend klingt.
Der Headhunter vor der Erstellung der Kandidaten-Longlist, der Aufsichtsrat vor der Berufung, der Investor vor der Transaktion, die Einkaufsabteilung vor der Vergabe: Sie alle fragen zuerst die KI. Aber keiner erwähnt es Ihnen gegenüber pro-aktiv.

Diese Instanz kennt weder Ihren Intellekt noch Ihren Charme. Sie kennt nur Evidenz.

Karrieren beginnen heute nicht erst im Raum, sondern mit den Fragen, die jemand über Sie stellt, bevor Sie überhaupt den Raum betreten.

Laut einer FTI-Umfrage unter 551 institutionellen Investoren aus den USA, Europa und dem Nahen Osten nutzten 93 Prozent KI, um Unternehmensreputation zu analysieren.

Das bedeutet nicht, dass jede Berufung, Vergabe oder Investmententscheidung durch eine KI-Antwort entschieden wird. Aber es heißt durchaus: KI-Antworten liefern die erste mentale Einordnung, mit der jemand in eine spätere Recherche, ein Gespräch oder eine Entscheidung geht.

Das KI-Reputationsaudit prüft, welches Bild KI-Systeme von Ihnen liefern, bevor Sie selbst zu Wort kommen

Ein KI-Reputationsaudit untersucht systematisch, was relevante KI-Systeme über eine Person sagen, und auf welcher öffentlich verfügbaren Evidenz diese Aussagen beruhen.

Es misst weder Ihre tatsächliche Kompetenz noch Ihre Bekanntheit. Es zeigt, was sich über Sie öffentlich belegen lässt, welche Belege fehlen und welches Narrativ KI-Systeme daraus über Sie erzeugen.

Der Unterschied zu einem klassischen Monitoring liegt in der Prüfrichtung. Monitoring zählt Nennungen. Ein KI-Reputationsaudit prüft, ob diese Nennungen tragen.

Welche Aussagen sind durch unabhängige Quellen belegt? Wo widersprechen sich Quellen? Welche wichtigen Leistungen bleiben unsichtbar? Sowie: Auf welcher Grundlage entstehen Aussagen, für die sich keine eindeutige Quelle identifizieren lässt?

Suchmaschinen konnten Lücken lassen. Sprachmodelle formulieren daraus Antworten.

Genau hier liegt der Bruch:

Ist die Quellenlage dünn, verschwindet die Lücke nicht einfach.

Das Modell versucht, aus dem verfügbaren Material eine plausible Antwort zu erzeugen: aus alten Arbeitgeberprofilen, Branchenkontext, Presseartikeln, Erwähnungen Dritter oder Informationen über Personen mit ähnlichem Namen. So kann aus unvollständiger Evidenz eine vollständig klingende Aussage entstehen.

Ein Satz über Sie, den Sie nie geschrieben oder autorisiert haben. Der aber klingt, als sei er das Ergebnis einer Recherche.

Welche Konsequenzen eine dünne Quellenlage hat, beschreibt der Reputationsmonitor am Beispiel neu ernannter CEOs. Sie starten oft mit einem Vertrauensvorschuss, weil die Modelle sie seltener mit Altlasten verknüpfen. Gibt es aber wenig Berichterstattung, kann eine einzelne Quelle das Bild prägen. In einem anonymisierten Fall stützte sich ein Modell auf Kritik aus Leserbriefen und gab ihr mehr Gewicht, als sie sonst erhalten hätte.

Dasselbe Problem entsteht mit veralteter Evidenz. Sprachmodelle unterscheiden nicht automatisch zwischen dem, wofür Sie heute stehen, und dem, was über Jahre hinweg öffentlich dokumentiert wurde. Ein sieben Jahre altes Interview kann deshalb sichtbarer sein als fünf Jahre exzellente Arbeit unter NDA.

Die FTI-Untersuchung 2025 zu DAX40-Unternehmen und ihren CEOs zeigt diesen Effekt deutlich

53 Prozent der reputationskritischen Aussagen zu Unternehmen bezogen sich auf Ereignisse, die mindestens zwölf Monate zurücklagen; 75 Prozent davon lagen sogar drei Jahre oder länger zurück. Bei den CEOs bezogen sich 39 Prozent der kritischen Aussagen auf mindestens zwölf Monate zurückliegende Ereignisse, 61 Prozent davon auf Vorfälle von vor drei oder mehr Jahren.

Ausgerechnet Ihre stärksten Jahre sind für Sprachmodelle die leisesten

Wer glaubt, dieses Problem treffe vor allem die Unbekannten, irrt leider.
Auf den oberen Führungsebenen ist die Evidenzlücke oft am größten.

Denn gerade dort bleibt die wichtigste Arbeit häufig unsichtbar. Die entscheidenden Mandate bzw. Projekte waren vertraulich. Die Transformation lief unter der Unternehmensmarke, nicht unter Ihrem Namen. Gremienarbeit hinterlässt kaum öffentliche Spuren. Karrieren entwickeln sich heute schneller als die öffentlichen Spuren, die sie hinterlassen.

Wer die vergangenen fünf Jahre in Mandaten, Aufsichtsräten und Vorstandssitzungen verbracht hat, kann deshalb ausgerechnet für diese Jahre digital erstaunlich wenig vorweisen.

Nicht mangelnde Leistung ist das Problem, sondern mangelnde Evidenz.

Genau diese Diskrepanz zeigt sich in meinen KI-Reputationsaudits immer wieder: Die tatsächliche Substanz ist vorhanden. Aber sie ist für das System nicht ausreichend sichtbar, überprüfbar oder Ihrer Person eindeutig zuzuordnen. Genau daran lässt sich arbeiten.

Was unabhängige Dritte über Sie schreiben, zählt am meisten

Eigene Quellen wie Website, Biografie, LinkedIn-Profil und Fachbeiträge schaffen Identität, Aktualität und Konsistenz. Unabhängige Drittquellen wie Medienberichte, Fachinterviews, Rankings und Auszeichnungen schaffen Validierung, weil sie nicht von Ihnen selbst stammen.

Eine resiliente AI-Reputation braucht beides: eine eindeutige, aktuelle Selbstbeschreibung sowie unabhängige Belege für Ihr Narrativ.

Quellen: FTI Consulting „KI-Reputationsmonitor 2025„; Muck Rack „What Is AI Reading?“ (Mai 2026)

Über alle Themen hinweg nennen laut einer Semrush-Analyse von 325.000 Prompts rund 11 Prozent der KI-Antworten LinkedIn als Quelle. Bei Fragen nach Personen zählt LinkedIn zu den meistgenutzten Quellen. ChatGPT Search und Google AI Mode verweisen dabei häufiger auf persönliche Profile als auf Unternehmensseiten.

Wie solche Drittquellen planvoll entstehen, welche Fachmedien, Formate und Themen dafür infrage kommen, ist Gegenstand meiner strategischen PR- und Positionierungsarbeit für Personen- und Unternehmensmarken.

Lassen Sie uns sprechen, falls PR für Sie ein Thema ist:

Zehn Reputationsrisiken, die ein KI-Audit sichtbar macht

Die Befunde eines KI-Reputationsaudits lassen sich meist auf drei Grundmuster zurückführen: Substanz ohne Sichtbarkeit, Sichtbarkeit ohne belastbare Substanz und Widersprüche zwischen den Quellen.

Daraus entstehen zehn Risiken, die mir in Audits immer wieder begegnen:

• Substanz ohne Spur
  Jahrzehnte an Verantwortung sind vorhanden, öffentlich aber kaum dokumentiert. Was nicht belastbar belegt ist, kann ein KI-System Ihnen nur schwer eindeutig zuordnen.
• Widersprüchliche Quellen
  LinkedIn sagt das eine, die Unternehmensseite das andere, ein alter Artikel etwas Drittes. Wer das sieht, wird misstrauisch, auch wenn sich alles harmlos erklären lässt.
• Sichtbarkeit ohne Substanz
  Positionierungsclaims sind schnell formuliert. Fehlen unabhängige Belege, bleibt für das System vor allem die Behauptung sichtbar.
• Veraltete Evidenz
  Eine frühere Rolle, ein Interview von 2019 oder eine alte Krise sind weiterhin gut dokumentiert, während die Gegenwart kaum Spuren hinterlassen hat. So kann Vergangenes überproportional viel Gewicht bekommen.
• Fremdnarrative
  Wo eigene Evidenz fehlt, entsteht Kontext aus dem, was öffentlich verfügbar ist: Arbeitgeber, Branche, Vorgänger, Transaktionen oder Konflikte. Das Ergebnis kann plausibel klingen und trotzdem nicht Ihre Geschichte sein.
• Verwechslungen
  Namensgleiche Personen, ähnliche Unternehmen oder überschneidende Karrieren können dazu führen, dass Informationen falsch zugeordnet werden.
• Übergewicht negativer Quellen
  Kritische Berichterstattung, Rechtsstreitigkeiten oder alte Konflikte sind nicht allein deshalb problematisch, weil sie existieren. Entscheidend ist, welchen Anteil sie an der insgesamt verfügbaren Evidenz haben.
• Keine erkennbare Positionierung
  Sie sind auffindbar, aber nicht eindeutig mit einem spezifischen Thema, einer Expertise oder einem Problem verknüpft. Sichtbarkeit allein schafft noch keine Relevanz.
• Die Aktualitätslücke
  Die letzte belegbare Spur ist Jahre alt. Für ein System kann das nach Stillstand aussehen, unabhängig davon, was tatsächlich passiert ist.
• Der unsichtbare Reputationsschaden
  Sie erfahren nicht, wenn ein potenzieller Mandant, Headhunter oder Aufsichtsrat nach einer KI-Recherche anders entscheidet.
  Es gibt keine Absage mit dem Hinweis: „Ihre digitale Beweislage war zu dünn.“

Die FTI-Studie 2025 macht schon sichtbar, wie konkret sich solche Risiken verdichten können

83 Prozent der DAX40-Unternehmen wiesen mindestens ein Reputationsrisiko in ChatGPT auf; bei 40 Prozent wurden zwei und bei 20 Prozent drei oder mehr Risikothemen genannt. Besonders häufig betrafen die Risiken Litigation und Compliance, finanzielle Entwicklung sowie ökologische Auswirkungen.

Bei den DAX40-CEOs hatten 70 Prozent mindestens ein potenziell reputationsschädigendes Thema in ChatGPT. In 55 Prozent der Fälle erweiterten CEO-bezogene Risikothemen die Risikolage des Unternehmens; in 30 Prozent nannte ChatGPT beim CEO mehr kritische Punkte als beim Unternehmen selbst.

Ein Jahr später: der FTI-KI-Reputationsmonitor 2026

Für den Monitor 2026 hat FTI Consulting im Juni 2026 nicht mehr nur ChatGPT befragt, sondern die frei verfügbaren Versionen von ChatGPT, Claude, Copilot und Perplexity. Bei jedem DAX40-Unternehmen fand mindestens eines dieser Systeme ein Reputationsrisiko (also +17%punkte). Verschoben hat sich auch der Schwerpunkt: Am häufigsten nennen die Modelle jetzt die finanzielle Entwicklung (42 Prozent der Antworten). Litigation und Compliance ist zum kleinsten Risikofeld geworden.

Zehn Chancen eines KI-Reputationsaudits

Ein Reputationsaudit, das nur Risiken auflistet, wäre eine Anklageschrift. Sein eigentlicher Wert liegt darin, zu zeigen, wo sich Ihre Positionierung gezielt verbessern lässt.

• Der Außenblick
  Sie kennen Ihre Laufbahn, Ihre Leistungen und Ihren Kontext. Ihr Gegenüber sieht nur das, was öffentlich auffindbar und plausibel zuzuordnen ist. Das Audit zeigt die Differenz.
• Die Evidenzlücken
  Welche Leistungen, Erfahrungen und Erfolge sind für Dritte nicht unabhängig überprüfbar? Genau dort wird aus tatsächlicher Substanz ein Reputationsproblem.
• Belege, die längst existieren
  Interviews, Vorträge, Fachbeiträge, Auszeichnungen oder Panels existieren oft längst, sind aber schlecht auffindbar, nicht verknüpft oder Ihrer Person nicht eindeutig zugeordnet. Hier liegt häufig der schnellste Hebel.
• Die stärksten Beweisstücke
  Nicht jede Positionierung braucht zwanzig neue Inhalte. Häufig genügen wenige belastbare Belege, die Ihre Expertise besonders klar belegen.
• Klarheit über Ihre tatsächliche Positionierung
  Wofür stehen Sie in den Augen der LLMs? Meistens für weniger als gedacht und selten für das, was Ihnen professionell wirklich am Herzen liegt.
• Korrigierbare Fehler
  Veraltete Rollen, falsche Arbeitgeberangaben, Namensverwechslungen oder widersprüchliche Biografien lassen sich häufig mit vergleichsweise geringem Aufwand bereinigen.
• Deutlich mehr Kohärenz
  Unternehmenswebsite, LinkedIn, Medienberichte und weitere öffentliche Quellen können ein konsistentes Bild ergeben. Wo sie auseinanderlaufen, wird Ihre Positionierung unnötig schwach.
• Klare Prioritäten
  Statt pauschal „mehr Sichtbarkeit“ zu erzeugen, lässt sich bestimmen, welche Evidenz fehlt, und an welcher Stelle sie am meisten Wirkung entfalten kann.
• Besseres Timing
  Vor einem Wechsel, einer Berufung, einem Pitch oder in den ersten hundert Tagen lassen sich Lücken noch schließen, bevor andere daraus ihre Schlüsse ziehen.
• Überprüfbare Entwicklung
  Ein späteres Re-Audit zeigt, ob sich Quellenlage, Zuordnung und Konsistenz verbessert haben, und ob die gewünschte Positionierung in den Antworten stärker erkennbar wird.

Eine Parteizugehörigkeit, die es nie gab, aber fast eine Vorstandskarriere kostete

Wie unangenehm konkret das wird, zeigt ein Fall aus meiner Mandatsarbeit.

Ein Top-Manager, eine Ebene unter dem Vorstand, wollte aus einem großen Automobilkonzern in eine Leitungsfunktion einer sicherheitsrelevanten Industrie wechseln. Erfahrung, Referenzen, Zeitpunkt: alles passte. Trotzdem behandelten ihn die Personalberater zurückhaltend, ohne dass jemand aussprach, warum.

Ein KI-System sprach es aus. Auf eine einfache Frage nach seiner Person erschien eine Parteizugehörigkeit, die er nie hatte. Sie gehörte einem Namensvetter, der nicht einmal denselben Vornamen trug. Nur den zugegeben seltenen Nachnamen.

Eine belastbare Quelle ließ sich nicht finden. Zwei Biografien waren zu einer vermeintlichen Tatsache verschmolzen. In einer sensiblen Berufungs- oder Vergabesituation kann eine solche falsche Zuschreibung Vertrauen beschädigen, ohne dass die betroffene Person je erfährt, weshalb sie nicht weiterkommt.

Der Fall ist bis heute nicht vollständig ausgeräumt.

Darin liegt der Befund über den Einzelfall hinaus. Eine Erfindung ohne auffindbare Quelle lässt sich nicht wie ein fehlerhafter Presseartikel korrigieren. Es gibt keine Redaktion, der man eine Gegendarstellung schickt, und keinen einzelnen Eintrag, den ein Anwalt einfach entfernen lassen kann. Sie lässt sich nur überschreiben: durch eine öffentliche Spur, die eindeutiger und besser belegt ist als die Verwechslung.

Gefunden wurde sie, weil systematisch gesucht wurde. Von allein wäre sie nie aufgefallen.

Was ein KI-Reputationsaudit nicht leisten kann

Vier Grenzen lege ich vor jedem KI-Audit offen:

1. Momentaufnahme. Jeder Befund gilt für die geprüften Systeme, Modelle und den definierten Prüfzeitraum. Antworten der LLMs können sich verändern.
2. Keine Ergebnisgarantie. Das Audit zeigt Befund, Evidenzlücken und Handlungsoptionen. Es kann nicht garantieren, wie ein externes KI-System künftig über Sie antwortet.
3. Kein 100%iger Kausalnachweis. Ein schwaches oder widersprüchliches KI-Profil kann ein Reputationsrisiko sein. Es beweist nicht, dass deshalb ein Mandat, eine Position oder eine Berufung verloren ging.
4. Keine Profile über Dritte. Andere Personen werden nicht zum Gegenstand des Klientendokuments. Eine Ausnahme gilt nur, wenn eine mögliche Namens- oder Identitätsverwechslung für den eigenen Befund geklärt werden muss.

Mein eigenes KI-Reputationsaudit zeigt: Die Vergangenheit ist besser belegt als die Gegenwart

Mit blinden Flecken hatte ich gerechnet. Gefunden habe ich etwas anderes: Die Systeme beschrieben ziemlich präzise, wofür ich lange stand.

Über 10.000 platzierte Beiträge in europäischen Leitmedien. Ein Managementbuch, das im Sommer auf der Bestsellerliste des manager magazins stand. Nichts davon trägt meinen Namen. Einmal saß ich beim WEF in Davos im Publikum, während ein CEO eine Keynote hielt, die ich für ihn entwickelt hatte. Mein Sitznachbar lobte, der Mann könne die Zukunftserzählung seines Unternehmens wirklich überzeugend skizzieren. Ich habe genickt.

Das war/ist mein Job: Andere sichtbar machen, CEOs und strategische Narrative so positionieren, dass sie Relevanz gewinnen. Dreißig Jahre lang habe ich das für die ganze Aufgabe gehalten.

Die KI ordnete mich also nicht falsch ein. Sie ordnete mich nach dem ein, was öffentlich belegt war.
Genau darin liegt das Problem: Wer seine heutige Positionierung nicht öffentlich belegt, wird von der KI aus seiner Vergangenheit erklärt.

Was soll die KI morgen über Sie erzählen?

Wenn morgen jemand Ihren Namen eingibt: Welche drei Belege soll diese Person finden? Existieren sie heute schon öffentlich, in einer Form, die sie ohne Ihre Hilfe überprüfen kann? Und die Frage dahinter, die schwerer wiegt: Trägt die Zuschreibung, die sie dort vorfindet, Ihren nächsten Schritt? Oder hält sie Sie in dem fest, wer Sie bisher waren?

Ein KI-Reputationsaudit beantwortet diese Fragen, bevor jemand anderes sich aus einer lückenhaften öffentlichen Spur ein Urteil über Sie bildet.

Fragen Sie jetzt hier Ihr KI-Reputationsaudit an!

FAQ

Was ist ein KI-Reputationsaudit?

Ein KI-Reputationsaudit prüft systematisch, was KI-Systeme wie ChatGPT, Claude oder Perplexity über eine Person sagen und auf welchen öffentlichen Quellen diese Aussagen beruhen. Es misst nicht Kompetenz oder Bekanntheit, sondern die Differenz zwischen tatsächlicher Leistung und öffentlich belegbarer Evidenz. Entwickelt hat das KI-Reputationsaudit Susanne Mathony, Gründerin von Mathony Brand Strategists (#MBS), für Top-Manager und Vorstände.

Was ist der Unterschied zwischen KI-Reputation und Online Reputation Management (ORM)?

Online Reputation Management (ORM) steuert, welche Treffer Suchmaschinen wie Google zu einem Namen anzeigen. KI-Reputation ist das Bild, das Sprachmodelle aus öffentlichen Quellen zu einer Antwort verdichten. Eine Suchmaschine zeigt Fundstellen, ein Sprachmodell hingegen formuliert ein Urteil.

Welche Quellen nutzen KI-Systeme für Aussagen über Top-Manager und Vorstände?

Vor allem Nachrichtenmedien, Fachmedien, LinkedIn und Unternehmensseiten. Bei DAX40-CEOs stammten laut FTI Consulting 27 Prozent der ChatGPT-Quellen aus Nachrichtenmedien, 20 Prozent aus Fachmedien und 18 Prozent aus LinkedIn.

Was zeigt der FTI KI-Reputationsmonitor 2026?

FTI Consulting hat im Juni 2026 die DAX40-Unternehmen und ihre CEOs in vier KI-Systemen untersucht: ChatGPT, Claude, Copilot und Perplexity. Jedes Unternehmen wurde in mindestens einem System mit einem Reputationsrisiko verbunden. Die Systeme stützen sich auf unterschiedlich viele und unterschiedliche Quellen; ein einzelnes System zeigt deshalb nur einen Ausschnitt.

Warum haben gerade erfahrene Führungskräfte oft ein lückenhaftes KI-Profil?

Weil ihre wichtigste Arbeit selten öffentliche Spuren hinterlässt. Vertrauliche Mandate, Gremienarbeit und Transformationen unter der Unternehmensmarke sind für Sprachmodelle kaum sichtbar. Ältere Interviews oder frühere Rollen sind dagegen oft gut dokumentiert.

Lassen sich falsche KI-Aussagen korrigieren?

Nicht so einfach wie ein fehlerhafter Presseartikel. LLMs wie ChatGPT, Perplexity & Co. haben keine Redaktion für eine Gegendarstellung. Falsche Zuschreibungen müssen daher durch öffentliche Spuren etwa in den Leitmedien überschrieben werden, die eindeutiger und besser belegt sind.

Wie geht das KI-Reputationsaudit von #MBS mit schwankenden Antworten um?

KI-Systeme antworten nicht jedes Mal gleich. Bei den KI-Reputationsaudits von Mathony Brand Strategists werden die Abfragen deshalb zu mehreren Zeitpunkten und mit unterschiedlichen Prompts wiederholt. So lassen sich stabile Muster von Zufallsbefunden unterscheiden und Verzerrungen durch einzelne Formulierungen deutlich bis ganz reduzieren.

Wann ist der richtige Zeitpunkt für ein KI-Reputationsaudit?

Vor einem Wechsel, einer Berufung auf eine Vorstandsposition, einem Pitch oder in den ersten hundert Tagen einer neuen Rolle. Dann lassen sich Lücken noch schließen, bevor andere aus der öffentlichen Spur ihre Schlüsse ziehen.

Wann ist ein Re-Audit sinnvoll?

In der Regel nach sechs Monaten. Wer in dieser Zeit intensiv an seiner Positionierung arbeitet, etwa durch strategische Pressearbeit in den Leitmedien, gezieltes Thought Leadership/Studienmarketing oder auf LinkedIn, kann auch früher prüfen lassen, ob sich Quellenlage, Zuordnung und Konsistenz verbessert haben.