Large Language Models: Grundlagen für Marketer

Large Language Model in einem Satz

Ein Large Language Model (LLM) ist ein KI-System, das aus riesigen Textmengen gelernt hat, Sprache statistisch fortzusetzen: Es sagt jeweils das nächste wahrscheinlichste Wort voraus und erzeugt so zusammenhängende Antworten. Genau solche Modelle stecken hinter ChatGPT, Google Gemini, Perplexity und den AI Overviews – und damit hinter der KI-Suche, für die du deine Inhalte optimierst.

Für GEO musst du kein LLM bauen. Aber du solltest verstehen, wie es „denkt", denn daraus folgt direkt, warum manche Inhalte zitiert werden und andere nicht – und warum eine KI manchmal Falsches über deine Marke behauptet. Dieser Artikel erklärt die Grundlagen so weit, wie sie fürs Marketing zählen.

Wie ein LLM Sprache verarbeitet

Ein LLM versteht Text nicht wie ein Mensch. Es rechnet mit Wahrscheinlichkeiten. Vereinfacht gesagt: Das Modell hat aus Milliarden von Textbeispielen gelernt, welche Wörter typischerweise aufeinander folgen. Fragst du es etwas, setzt es Wort für Wort die statistisch plausibelste Fortsetzung zusammen.

Das erklärt zwei Dinge auf einen Schlag. Erstens, warum LLMs erstaunlich flüssig und überzeugend klingen – sie sind darauf trainiert, natürlich zu formulieren. Zweitens, warum sie sich irren können, ohne es zu merken: Ein plausibel klingender Satz ist nicht automatisch ein wahrer Satz. Das Modell optimiert auf Sprachfluss, nicht auf Wahrheit.

Tokens und Kontextfenster

Zwei Begriffe begegnen dir immer wieder, und beide sind schnell erklärt.

Tokens sind die kleinen Einheiten, in die ein LLM Text zerlegt – oft ganze Wörter, manchmal Wortteile oder Zeichen. Das Modell arbeitet nicht mit Buchstaben oder Sätzen, sondern mit diesen Token-Bausteinen. Als grobe Faustregel entspricht ein Token im Deutschen etwa einer Silbe bis einem kurzen Wort.

Das Kontextfenster ist die Menge an Tokens, die ein Modell gleichzeitig „im Blick" behalten kann – also die Gesprächshistorie plus deine aktuelle Frage plus die abgerufenen Quellen. Ist das Fenster voll, fällt Älteres aus dem Blickfeld. Für GEO heißt das: Deine wichtigste Aussage sollte kompakt und eigenständig dastehen, damit sie auch dann trägt, wenn nur ein Ausschnitt deiner Seite ins Kontextfenster gelangt.

Wissensstichtag: Das Modell kennt die Gegenwart nicht

Ein LLM lernt sein Wissen während des Trainings – und dieses Training endet zu einem festen Zeitpunkt, dem Wissensstichtag (englisch „knowledge cutoff"). Alles, was danach passiert, kennt das reine Modell nicht. Fragst du ein LLM ohne Websuche nach einem Ereignis von letzter Woche, kann es davon schlicht nichts wissen.

Deshalb kombinieren moderne KI-Suchsysteme das Modell mit einem Live-Abruf aus dem Web. Sie holen aktuelle Quellen dazu und lassen das LLM daraus antworten. Dieses Verfahren heißt Retrieval Augmented Generation und ist die Grundlage dafür, dass deine frischen Inhalte überhaupt in einer Antwort landen können – ausführlich im Artikel RAG: Retrieval Augmented Generation erklärt.

Warum LLMs Fakten falsch wiedergeben

Der wichtigste Punkt für Marken: LLMs halluzinieren. So nennt man es, wenn ein Modell etwas Falsches erfindet und dabei völlig überzeugt klingt. Das ist kein Bug im klassischen Sinn, sondern eine Folge der Funktionsweise – das Modell setzt plausible Wörter aneinander, auch wenn ihm die belastbare Information fehlt.

Typische Auslöser sind:

• Wissenslücken: Zu einer Nischenfrage oder einer kleineren Marke fehlen dem Training belastbare Daten. Das Modell füllt die Lücke mit Plausiblem.
• Veraltetes Wissen: Ohne Live-Abruf antwortet es auf dem Stand seines Wissensstichtags – etwa mit einem alten Preis oder einer längst geänderten Produktbezeichnung.
• Widersprüchliche Quellen: Wenn im Web unterschiedliche Angaben zu deiner Marke kursieren, mischt das Modell sie womöglich zu einer falschen Aussage.

Was das für deine Marke bedeutet

Für dein Marketing hat das eine unbequeme Konsequenz: Eine KI kann Falsches über dich behaupten – einen veralteten Standort, ein eingestelltes Produkt, eine erfundene Statistik. Und weil KI-Antworten überzeugend klingen, glauben Nutzer sie oft ungeprüft.

Beeinflussen kannst du das vor allem über die Faktenbasis, aus der die KI schöpft:

1. Konsistenz schaffen: Halte zentrale Fakten – Name, Leistungen, Zahlen – über deine Website, Verzeichnisse und Profile hinweg einheitlich. Widersprüche im Web erhöhen das Halluzinationsrisiko.
2. Aktualität pflegen: Korrigiere veraltete Angaben aktiv, damit der Live-Abruf frische, richtige Werte findet.
3. Klar und eigenständig formulieren: Sätze, die eine Aussage vollständig und ohne Kontext transportieren, lassen weniger Interpretationsspielraum – und damit weniger Raum für Fehler.
4. Als Entität erkennbar sein: Je klarer deine Marke im Web als eigenständige, konsistente Quelle etabliert ist, desto verlässlicher ordnet die KI Informationen dir zu.

Wie generative Systeme aus dem verfügbaren Material dann konkret auswählen und zitieren, vertieft der Artikel Wie LLMs Inhalte auswählen und zitieren. Den größeren Marketing-Kontext ordnet Generative KI im Marketing ein.

Fazit

Ein Large Language Model erzeugt Sprache, indem es Wort für Wort die wahrscheinlichste Fortsetzung vorhersagt – flüssig, aber nicht von Natur aus wahr. Es arbeitet in Tokens, hat ein begrenztes Kontextfenster und einen festen Wissensstichtag, weshalb es ohne Live-Abruf weder aktuell noch zuverlässig faktentreu ist. Halluzinationen sind die Kehrseite dieser Funktionsweise. Für Marken heißt das: Du kannst nicht das Modell ändern, aber die Faktenbasis, aus der es schöpft. Konsistente, aktuelle und klar formulierte Inhalte sind der beste Schutz davor, dass die KI Falsches über dich erzählt – und die Voraussetzung dafür, korrekt zitiert zu werden.