Seit Jahren beklagten sich B2B-Einkäufer darüber, dass ihnen zu wenige Informationen zur Verfügung stünden.
Heute haben sie das gegenteilige Problem.
Mit ChatGPT, Claude, Perplexity und KI-gestützter Suche können Einkäufer Anbieter vergleichen, Anforderungen analysieren, Auswahllisten erstellen und Alternativen innerhalb von Minuten statt Wochen bewerten. Sie können nach einem Marktüberblick, einem Funktionsvergleich, einer Beschaffungscheckliste oder einer Anbieterempfehlung fragen und erhalten fast sofort eine fundierte Antwort.
Das Ergebnis liegt auf der Hand: Mehr Informationen sollten zu besseren Entscheidungen führen.
Aber ist das wirklich so?
Oder verwechseln wir den Zugang zu Informationen mit der Richtigkeit der Informationen?
Diese Unterscheidung ist wichtiger denn je. KI verändert die Art und Weise, wie Käufer Lösungen recherchieren, bewerten und in die engere Wahl nehmen. Sie kann den Aufwand reduzieren, die Recherche beschleunigen und komplexe Märkte verständlicher machen. Manchmal können die Informationen, auf denen eine KI-generierte Antwort basiert, unvollständig, veraltet oder voreingenommen sein – oder einfach so oft wiederholt werden, dass sie glaubwürdig klingen. In solchen Fällen führt eine schnellere Recherche möglicherweise nicht zu besseren Entscheidungen.
Sie führt möglicherweise nur zu Entscheidungen, die mit größerer Sicherheit getroffen werden.
Das Restaurant, das es nie gab
Vor einigen Jahren war es noch relativ einfach, ein gefälschtes Unternehmen im Internet zu entlarven. Vielleicht sah die Website verdächtig aus oder die Fotos wirkten unecht. Oder vielleicht war die Präsenz in den sozialen Medien dürftig, oder die Geschichte hielt keiner näheren Prüfung stand.
Heute ist das nicht mehr immer der Fall.
Nehmen wir zum Beispiel „Ethos“, das KI-generierte Restaurant in Austin, das große Aufmerksamkeit auf sich zog, obwohl es gar kein echtes Restaurant war. Es wies alle Merkmale auf, die Menschen mit Seriosität assoziieren: eine Online-Präsenz, professionell wirkende Food-Fotografie, Interaktion in den sozialen Medien, Medienaufmerksamkeit und Zehntausende Follower auf Instagram. Mehrere Medien berichteten, dass das Restaurant nicht existierte, obwohl viele Menschen mit seinen Inhalten interagierten, als wäre es echt.
Und auch wenn man leicht zu dem Schluss kommen könnte, dass die Menschen einfach leichtgläubig sind, ist das nicht die Lehre, die wir hier ziehen sollten. Die Lehre lautet vielmehr, dass in einer digitalen Welt Sichtbarkeit oft mit Wahrheit verwechselt wird.
„Ethos“ wirkte glaubwürdig, weil es jene Signale aufwies, denen wir zu vertrauen gelernt haben: Professionalität, Aktivität, Aufmerksamkeit und Reichweite. Doch diese Signale bewiesen nichts über das Restaurant – außer, dass es sich um eine äußerst überzeugende Illusion handelte.
Dasselbe Problem wirkt sich nun auch auf Entscheidungen mit höheren Risiken aus.
KI „weiß“ nicht wirklich
Ein Käufer könnte annehmen, dass eine Aussage der KI bedeutet, dass diese die Antwort überprüft hat.
Aber so funktionieren große Sprachmodelle (LLMs) nicht.
KI-Tools sind leistungsstark, wenn es darum geht, Informationen abzurufen, Quellen zu vergleichen, Perspektiven zusammenzufassen, Muster zu erkennen und Ergebnisse zusammenzufassen. Sie können große Mengen an Inhalten schneller aufbereiten, als es ein einzelner Käufer allein vernünftigerweise leisten könnte.
Was sie jedoch nicht immer leisten, ist, eigenständig zu beurteilen, ob jede Quelle sachlich korrekt, aktuell, objektiv oder für einen bestimmten geschäftlichen Kontext relevant ist.
Wenn genügend Quellen denselben Punkt wiederholen, stuft ein KI-System diesen Punkt möglicherweise als glaubwürdig ein. Wird beispielsweise ein Anbieter häufig auf Vergleichsseiten, in Listenartikeln, Partnerinhalten, Bewertungsseiten und Blogbeiträgen erwähnt, könnte er für ein LLM wie ein Marktführer erscheinen. Oder wenn eine veraltete Behauptung an mehreren Stellen auftaucht, könnte sie künftige Antworten noch lange nach dem Wandel des Marktes beeinflussen.
Kurz gesagt: KI ist hervorragend darin, einen Konsens zu erkennen. Aber sie ist nicht immer so hervorragend darin, die Wahrheit zu erkennen.
Und dieser Unterschied ist entscheidend, denn B2B-Käufer nutzen KI zunehmend schon in früheren Phasen ihrer Kaufentscheidung.
Gartner hat festgestellt, dass Technologiekäufer KI bereits zur Untermauerung ihrer Kaufentscheidungen nutzen, wobei generative KI häufig in der Recherche- und Evaluierungsphase zum Einsatz kommt. Das Unternehmen macht jedoch auch die wichtige Unterscheidung, dass die besten Einkäufer KI nutzen, um bessere Entscheidungen zu treffen – und nicht nur schnellere.
Von gefälschten Restaurants bis hin zu Software-Empfehlungen
Stellen Sie sich nun die B2B-Technologie-Version des Ethos-Problems vor.
Ein Einkäufer bittet eine KI, Master-Data-Management-Plattformen (MDM) zu vergleichen, die beste Lösung für den Einzelhandel zu empfehlen oder eine Auswahlliste von Anbietern für ein komplexes Projekt zur digitalen Transformation zu erstellen.
B2B-Technologieentscheidungen wie diese bringen ein Maß an Komplexität mit sich, das bei den meisten alltäglichen Interaktionen mit KI einfach nicht erforderlich ist. Die Auswahl eines Restaurants, die Planung einer Reise oder der Vergleich von Produkten erfordert oft nur eine begrenzte Anzahl von Variablen. Bei Unternehmenskäufe sind jedoch mehrere Entscheidungsträger, konkurrierende Prioritäten, langfristige Geschäftsergebnisse, Integrationsanforderungen, Governance-Aspekte und zukünftige Kompromisse zu berücksichtigen – die Liste ließe sich fortsetzen. Diese Komplexität verändert die Rolle, die KI im Entscheidungsprozess spielt.
Nehmen wir zum Beispiel an, Sie recherchieren nach MDM-Lösungen. Dabei könnten Sie Fragen wie diese stellen:
- Was sind die besten MDM-Plattformen?
- Welche Lösung eignet sich am besten für den Einzelhandel?
- Vergleichen Sie Anbieter A und Anbieter B.
- Erstellen Sie eine Auswahlliste für mein Unternehmen.
Die Antworten, die Sie erhalten, mögen strukturiert und überzeugend wirken. Sie könnten Anbieternamen, Stärken, Schwächen und Empfehlungen enthalten. Sie könnten sogar objektiv klingen.
Was aber, wenn die Quellen hinter diesen Antworten veraltete Produktinformationen, fehlende Funktionen, voreingenommene Rankings, ungenaue Positionierungen, von Anbietern selbst verfasste Behauptungen oder Vergleichsinhalte enthalten, die nie unabhängig überprüft wurden?
Ein menschlicher Analyst könnte diese Schwachstellen erkennen. Ein Beschaffungsberater könnte die Annahmen hinterfragen. Ein Fachexperte weiß möglicherweise, welche Behauptungen nicht mehr zutreffend sind.
Eine von einer KI erstellte Zusammenfassung könnte diese Informationen jedoch einfach übernehmen, weil sie in Quellen enthalten sind, die seriös erscheinen.
Das ist jedoch kein Grund, KI im Einkaufsprozess gänzlich zu meiden. Vielmehr ist es ein Grund, die Stärken und Grenzen der KI zu verstehen, damit Sie wissen, wo KI Ihr Vertrauen noch verdienen muss.
Denn obwohl es stimmt, dass KI die Softwarebewertung beschleunigen kann, führt diese Geschwindigkeit nicht automatisch zu einer besseren Beurteilung. Und in manchen Fällen – möglicherweise häufiger, als uns bewusst ist – kann sie dazu führen, dass schwache oder falsche Informationen eine größere Verbreitung finden.
Das Problem der Rückkopplungsschleife
Unter der Oberfläche verbirgt sich ein weiteres, noch größeres Risiko.
KI ist mittlerweile in der Lage, überzeugende Inhalte in großem Umfang zu generieren. Dazu gehören Produktzusammenfassungen, Vergleichsseiten, Bewertungen, Marktkommentare und Anbieteranalysen. Sobald diese Inhalte veröffentlicht sind, können andere Websites darauf verweisen, Suchmaschinen sie indexieren und KI-Systeme sie verarbeiten. Zukünftige Empfehlungen können sich dann auf dieselben Informationen stützen.
Mit der Zeit kann Wiederholung den Anschein von Fachwissen erwecken.
Untersuchungen haben bereits gezeigt, wie schwierig dies im Konsumentenbereich sein kann. Eine Studie ergab, dass Menschen nicht zuverlässig zwischen echten und von KI generierten gefälschten Bewertungen unterscheiden konnten, wobei die gemeldete Genauigkeit bei 53,2 % lag. Eine weitere Studie ergab, dass sowohl Menschen als auch Maschinen von LLMs generierte gefälschte Produktbewertungen nur schwer von echten Bewertungen unterscheiden konnten, wobei Menschen insgesamt eine durchschnittliche Trefferquote von 50,8 % erreichten.
Das B2B-Äquivalent ist nicht schwer vorstellbar.
KI generiert Inhalte, Websites veröffentlichen sie, andere Seiten verweisen darauf, LLMs verarbeiten sie, und zukünftige KI-generierte Empfehlungen stützen sich dann auf dieselben Informationen. Dieser Kreislauf setzt sich dann endlos fort, und Sichtbarkeit sowie Wiederholung werden nach und nach mit Fachkompetenz verwechselt.
Eine Empfehlung könnte gut geschrieben, schlüssig und sogar nützlich sein. Doch wenn sie von einer KI generiert wurde, bedeutet das nicht, dass sie auf den besten verfügbaren Erkenntnissen basiert, um echte Entscheidungen zu stützen.
Das bedeutet, dass hier ein potenziell gefährlicheres Risiko besteht als nur Fehlinformationen: unangebrachtes Vertrauen.
Warum das gerade jetzt wichtig ist
Dennoch – ob riskant oder nicht – wird KI zu einem festen Bestandteil der B2B-Recherche und -Bewertung.
Ein Analyst stellte fest, dass Kaufentscheidungen mittlerweile durch KI getroffen oder unterstützt werden und dass der Einsatz von KI zu einer strategischen Notwendigkeit in verschiedenen Bereichen wird, darunter Entscheidungsfindung und Unternehmensarchitektur. Forrester bestätigt dies und berichtet, dass die KI-gestützte Suche ein schnell wachsender Treiber für den organischen Suchverkehr im B2B-Bereich ist und dass Käufer generative KI in allen Phasen des Kaufprozesses nutzen, einschließlich der Entdeckung, Bewertung und Entscheidung für Lösungen.
KI kann ein leistungsstarkes Kaufinstrument sein, doch das Vertrauen in ihre Antworten muss erst noch gewonnen werden.
Da KI zu einer der ersten Anlaufstellen auf dem Kaufweg wird, benötigen Käufer eine bessere Möglichkeit, nicht nur die Empfehlungen der KI zu bewerten, sondern auch zu prüfen, ob diese Empfehlungen fundiert genug sind, um ihnen zu vertrauen.
Fünf Dinge, die jedes Unternehmen tun sollte, bevor es entscheidet, wie es KI skalieren will
Dies ist bei jedem KI-gestützten Kauf von Bedeutung. Am wichtigsten ist es jedoch, wenn das, was Sie kaufen, die Grundlage für ein kontrolliertes, präzises und handlungsfähiges Unternehmen bildet.
Das ist die Falle. Einkäufer nutzen KI möglicherweise dazu, genau jene Lösungen zu recherchieren, zu vergleichen und in die engere Wahl zu nehmen, die ihre zukünftige KI vertrauenswürdiger machen sollen. Doch wie wir gesehen haben, kann KI Sichtbarkeit mit Wahrheit und Konsens mit Genauigkeit verwechseln. Wenn sich ein Einkäufer also zu stark auf ein System verlässt, das mit Sicherheit falsch liegen kann, wählt er möglicherweise die falsche Grundlage für jede nachfolgende KI-Initiative.
Das Ergebnis ist, dass Schwachstellen in genau jene Ebene eingebaut werden, von der alles andere abhängt. Doch für diese Käufer ist kritisches Denken kein „Nice-to-have“. Es ist das A und O.
Bevor Sie also zulassen, dass eine KI-generierte Auswahlliste die Entscheidung beeinflusst, sollten Sie diese fünf Schritte befolgen.
1. Hinterfragen Sie die Auswahlliste, bevor Sie ihr vertrauen
Eine von einer KI erstellte Auswahlliste kann sehr überzeugend wirken – genau deshalb sollte man sie genau unter die Lupe nehmen. Sie spiegelt zwar wider, welche Anbieter in den verschiedenen Quellen am häufigsten auftauchen, aber nicht unbedingt diejenigen, die am besten in der Lage sind, eine kontrollierte und präzise KI in großem Maßstab zu unterstützen.
Stellen Sie dieselbe Frage bei ChatGPT, Claude, Perplexity und anderen KI-Tools. Beobachten Sie, wie sich die Rangfolge verändert. Fragen Sie dann jedes einzelne Tool, was es ausgelassen hat, welche Annahmen es getroffen hat und warum bestimmte Anbieter aufgeführt wurden, andere hingegen nicht.
Die Diskrepanzen zwischen den Antworten verraten oft mehr als jede einzelne Auswahlliste. Sie zeigen auf, wo Sichtbarkeit, Wiederholungen und die Verfügbarkeit von Quellen die Empfehlung möglicherweise stärker beeinflussen als die tatsächliche Eignung.
2. Fragen Sie, was die KI tatsächlich misst
Wenn die KI eine Lösung als „beste“ bezeichnet, lautet die naheliegende Folgefrage: „Am besten in welcher Hinsicht?“
Viele von der KI generierte Empfehlungen sind stillschweigend auf Beliebtheit, Marktpräsenz, Funktionsumfang oder die Menge der online verfügbaren Inhalte optimiert. Diese Signale mögen nützlich sein, aber sie sagen nichts darüber aus, ob eine Lösung Unternehmensdaten präzise, kontrolliert, kontextbezogen und in großem Maßstab nutzbar halten kann.
Legen Sie die Kriterien offen. Basiert die Empfehlung auf Daten-Governance? Auf Vertrauenswürdigkeit? Auf der Fähigkeit, KI-Systemen zuverlässigen Kontext zu liefern? Auf domänenübergreifender Konsistenz? Auf bewährten Implementierungsergebnissen? Oder handelt es sich lediglich um eine Rangliste von Anbietern, basierend darauf, wie oft sie in verfügbaren Quellen auftauchen?
Wenn die KI nicht erklären kann, was sie misst, misst ihre Empfehlung möglicherweise nicht das, worauf es ankommt.
3. Verlangen Sie Beweise, die ein „Look-alike“ nicht liefern kann
Ethos wirkte glaubwürdig, weil es viele der Merkmale aufwies, die Menschen mit Legitimität assoziieren. Die Behauptungen von Anbietern können auf dieselbe Weise wirken. Eine ausgefeilte Sprache, eine breit gefasste Positionierung und wiederholte Formulierungen wie „reguliert“, „präzise“ oder „KI-fähig“ reichen nicht aus.
Verlangen Sie Beweise, die ein Nachahmer nicht ohne Weiteres fälschen könnte.
Das bedeutet namentlich genannte Referenzen von Unternehmenskunden, Fallstudien mit messbaren Ergebnissen, Bestätigungen durch Analysten, einsehbare Produktdokumentation und klare Beispiele dafür, wie Governance in der Praxis funktioniert. Für eine KI-Grundlage ist der Nachweis der Governance besonders wichtig: Datenherkunft, Qualitätskontrollen, Eigentumsmodelle, Validierungsprozesse und Nachvollziehbarkeit.
Jeder Anbieter kann von Vertrauen sprechen, aber nur die richtige Grundlage kann belegen, wie Vertrauen in realen Unternehmensumgebungen geschaffen, aufrechterhalten und skaliert wird.
4. Prüfen Sie, ob die Lösung nicht nur Daten, sondern auch deren Bedeutung versteht
Präzise KI benötigt mehr als nur bereinigte Daten. Sie benötigt Daten mit Kontext, Beziehungen und geschäftlicher Bedeutung.
Eine Lösung, die lediglich Datensätze, Felder und Attribute von einem System in ein anderes überträgt, lässt die KI möglicherweise weiterhin im Unklaren. Sie könnte dieselben Unklarheiten, Duplikate und Inkonsistenzen weitergeben, die automatisierte Entscheidungen von vornherein unzuverlässig machen.
Suchen Sie nach der Ebene, die die Bedeutung erfasst. Kann die Lösung erkennen, wenn zwei Datensätze denselben Kunden repräsentieren? Kann sie ein Produkt mit den Vorschriften, Lieferanten, Märkten und Vertriebskanälen verknüpfen, die Einfluss darauf haben, wie es verwendet werden sollte? Kann sie aufzeigen, wie Begriffe, Entitäten und Beziehungen unternehmensweit zusammenpassen?
Diese semantische Grundlage ist entscheidend. Sie macht den Unterschied zwischen einer KI, die aus einem geregelten Kontext Schlussfolgerungen ziehen kann, und einer KI, die aus unzusammenhängenden Daten improvisiert.
5. Bewerten Sie die Grundlage, nicht die Liste der Funktionen
Funktionen lassen sich gut demonstrieren. Grundlagen lassen sich skalieren.
Man lässt sich leicht von einer einzelnen KI-Fähigkeit in einem kontrollierten Anwendungsfall blenden. Die eigentliche Frage ist jedoch, ob kontrollierte, präzise und kontextreiche Daten vertrauenswürdig sind und in der nächsten KI-Initiative – und der darauffolgenden – wiederverwendet werden können.
Fragen Sie sich, ob jeder neue Anwendungsfall automatisch dieselbe Vertrauensgrundlage übernehmen würde oder ob Ihre Teams Governance, Kontext und Validierung jedes Mal von Grund auf neu aufbauen müssten. Fragen Sie sich, ob die Lösung KI über Domänen, Abteilungen, Arbeitsabläufe und zukünftige eigenständige Initiativen hinweg unterstützen kann – und nicht nur den Anwendungsfall, der heute vor Ihnen liegt.
Eine Funktionsliste zeigt, was eine Lösung derzeit leisten kann, aber die Grundlage entscheidet darüber, ob Ihre KI auch bei Skalierung vertrauenswürdig bleibt.
Besser informiert zu sein bedeutet nicht immer, besser vorbereitet zu sein
KI kann Käufern innerhalb von Sekunden eine Auswahlliste liefern. Was sie ihnen jedoch nicht immer sagen kann, ist, ob die Lösungen auf dieser Liste die kontrollierte, präzise und kontextreiche Grundlage bieten, die für vertrauenswürdige KI in großem Maßstab erforderlich ist.
Dieser Unterschied ist entscheidend. Vor allem dann, wenn die Kaufentscheidung nicht nur einen einzelnen Arbeitsablauf betrifft, sondern die Qualität jedes KI-Systems, das das Unternehmen in Zukunft entwickelt.
Um dies richtig zu handhaben, muss KI dazu genutzt werden, den Kaufprozess zu beschleunigen, ohne dass sie den Bewertungsprozess ersetzt. Jede Empfehlung muss weiterhin einer gründlichen Prüfung unterzogen werden: Welche Belege stützen sie, welche Annahmen haben sie geprägt, welcher Kontext fehlt und ob die Grundlage zukünftige KI-Entscheidungen vertrauenswürdiger machen kann.
Da KI Empfehlungen schneller und sicherer ausspricht, liegt der eigentliche Vorteil darin, zu wissen, welche Antworten fundiert genug sind, um den nächsten Schritt zu leiten.
Denn in einer Zeit sofortiger, selbstbewusster Empfehlungen liegt der eigentliche Vorteil bei denen, die wissen, welche Antworten es verdienen, die nächsten Schritte zu bestimmen.
