357 von 472 untersuchten Weltmarktführern aus Deutschland erscheinen in ChatGPT-Anbieterlisten

Von einer Lübecker Stichprobe zu 472 Weltmarktführern aus dem Index

Wer für den eigenen Betrieb einen spezialisierten Zulieferer sucht, kann inzwischen auch ChatGPT nach führenden Herstellern fragen und bekommt eine Liste von Firmennamen serviert. Für die genannten Unternehmen ist das erst einmal eine handfeste Chance, überhaupt in den Kreis möglicher Partner zu geraten. Mich beschäftigt dabei vor allem eine Frage: Wie treffsicher erfassen solche Listen eigentlich jene Unternehmen, die in ihrem Marktsegment wirtschaftlich den Ton angeben? Wenn eine Firma laut einer unabhängigen Referenz zu den Weltmarktführern zählt, sollte sie bei einer passenden Branchenfrage doch zumindest eine realistische Chance haben, unter den fünf genannten Namen aufzutauchen.

Im August habe ich genau diesen Zusammenhang schon einmal für eine kleine Gruppe aus Lübeck untersucht. Die Lübecker Untersuchung zu Weltmarktführern und KI-Sichtbarkeit hat damals gezeigt, dass ChatGPT spezialisierte Lübecker Unternehmen bei offenen Fragen nach führenden Anbietern seltener nannte als bekannte Vergleichsfirmen. Auch die Quellen unterschieden sich deutlich, je nachdem, ob ich direkt nach einer Firma oder offen nach führenden Anbietern gefragt hatte. Allerdings hatte ich die Firmen seinerzeit selbst ausgewählt, nur ein einziges Modell an drei Tagen beobachtet und ohne unabhängigen Zweitprüfer gearbeitet. Eine verlässliche Aussage über eine große, von außen sauber definierte Gruppe ließ sich daraus verständlicherweise noch nicht ableiten.

Für die neue Untersuchung habe ich deshalb auf den „wmfi.eu – Weltmarktführer-Index DACH (Prof. Dr. Christoph Müller, UEC gGmbH)“ als unabhängige Referenz zurückgegriffen. Dieser Index erfasst Unternehmen aus Deutschland, Österreich und der Schweiz und weist aus, in welchem Marktsegment sie weltweit führend sind. Für meine Auswertung waren die dort als „Champions“ geführten Weltmarktführer mit dem Ländereintrag Deutschland maßgeblich (nicht die ebenfalls verzeichneten „Future Champions“), einschließlich jener Firmen, die internationale Eigentümer haben. Laut den Auswahlkriterien des Weltmarktführer-Index belegt ein Champion in seinem Weltmarktsegment die erste oder zweite Position.

Aus diesem extern abgegrenzten Kreis habe ich alle 472 Unternehmen untersucht, deren Marktsegment sich nach den dokumentierten Regeln ohne Nennung des Firmennamens als neutrale Frage formulieren ließ. Die Studie steht methodisch auf eigenen Beinen. Die vorangegangene Lübecker Stichprobe war zwar der eigentliche Auslöser, ihre Zahlen lassen sich wegen der anderen Unternehmen, der abweichenden Fragestellungen, des anderen Modells und des veränderten Prüfverfahrens aber nicht unmittelbar mit den neuen Daten vergleichen.

217 von 357 genannten Champions stehen direkt an erster Stelle

Bei verfügbarer Websuche landeten 217 von 472 Unternehmen auf dem ersten Platz der Antwortliste. Bezogen auf die gesamte Untersuchungsgruppe entspricht das 46 Prozent (95-Prozent-Intervall: 42 bis 50 Prozent). Unter den 357 genannten Weltmarktführern verteilten sich die Plätze so: 217 standen an erster, 56 an zweiter, 41 an dritter, 24 an vierter und 19 an fünfter Stelle. Wer überhaupt im Antworttext vorkam, wurde also meist gleich ganz oben aufgeführt.

Diese Platzierung beschreibt allerdings nur die Reihenfolge im Antworttext. Ich habe ChatGPT um eine nummerierte Liste gebeten, nicht um eine Rangfolge nach Marktanteilen oder gar um eine Bewertung der Produktqualität. Der erste Listenplatz ist demnach weder ein belegter Spitzenrang im Weltmarkt noch eine Begründung dafür, warum ein Einkäufer ausgerechnet diesen Anbieter wählen sollte.

App und Schnittstelle stimmen bei 28 von 30 Fragen überein

Die Hauptuntersuchung lief über die Programmierschnittstelle von OpenAI, die sogenannte API. Über diesen Weg lassen sich Fragen und Einstellungen genau standardisieren und alle Antworten lückenlos protokollieren. Das ist für eine saubere wissenschaftliche Wiederholung ideal, führt aber direkt zur nächsten Frage: Entsprechen diese Ergebnisse überhaupt dem, was ein normaler Nutzer im Alltag in der ChatGPT-App auf dem Bildschirm sieht?

Um das zu prüfen, habe ich am selben Messtag 30 vorab gezogene Fragen von Hand in der ChatGPT-App eingegeben. Bei 28 von 30 Fragen kamen App und Schnittstelle zum selben Ergebnis darüber, ob das gesuchte Unternehmen genannt wurde oder nicht. Die App nannte 22, die Schnittstelle mit verfügbarer Websuche 24 der 30 Unternehmen. Der Unterschied von minus 6,7 Prozentpunkten (95-Prozent-Intervall: minus 19,0 bis 5,1 Prozentpunkte) ist nach dem vorab festgelegten Kriterium nicht eindeutig. Die kleine Stichprobe belegt also weder einen Unterschied noch eine Deckungsgleichheit von App und Schnittstelle.

Hinzu kommt, dass die App anders gearbeitet hat: Bei allen 30 Fragen hat sie sichtbar im Web gesucht und Quellen oder Links angezeigt. Sie lief zudem in einem Arbeitsbereich-Konto mit der voreingestellten Stufe „Medium“ für den Denkaufwand, während über die Schnittstelle das Instant-Modell chat-latest antwortete (in der App ist „Instant“ die Stufe unterhalb von „Medium“). Der Abgleich vergleicht also auch unterschiedliche Modellmodi. Auf private Nutzerkonten oder andere Einstellungen lassen sich die Ergebnisse daher nicht ohne Weiteres übertragen.

Einzelne Nennungen bleiben weitgehend stabil, die Listen drumherum wechseln deutlich

Bei einem Kontrolldurchlauf mit 100 vorab gezogenen Unternehmen fiel die Entscheidung über die Nennung in 93 Fällen gleich aus. Der Anteil genannter Firmen lag im Wiederholungslauf um 1,0 Prozentpunkte niedriger (95-Prozent-Intervall: minus 6,8 bis 4,7 Prozentpunkte). Nach dem vorab festgelegten Kriterium ist das nicht eindeutig: Ein Unterschied ist damit nicht belegt, bei nur 100 Unternehmen aber auch keine Gleichwertigkeit. Die übrigen Namen der Fünferlisten wechselten dagegen deutlich häufiger: Im Schnitt stimmten zwei Listen zur selben Frage nur in etwa dreieinhalb von fünf Namen überein. Das Maß ist grob, denn schon eine andere Schreibweise desselben Anbieters zählt dabei als Unterschied. Eine vergleichsweise verlässliche Nennung des gesuchten Unternehmens bedeutet also noch lange keine stabile Gesamtliste.

Das deckt sich mit einer anderen aktuellen Untersuchung. Rand Fishkin, Mitgründer des US-Unternehmens SparkToro, und Patrick O’Donnell haben in ihrer im Januar 2026 veröffentlichten Studie zu Marken- und Produktempfehlungen von KI-Chatbots ebenfalls festgestellt, dass die vollständigen Empfehlungslisten stark schwanken, selbst wenn bestimmte Marken immer wieder auftauchen. Ihre Erhebung bezog sich auf andere Branchen und Fragen und neben ChatGPT auch auf Claude und die KI-Funktionen der Google-Suche. Als direkter Messvergleich taugt sie deshalb nicht, sie zeigt aber deutlich, warum man das bloße Erscheinen eines Namens und die Zusammensetzung der gesamten Liste getrennt voneinander bewerten muss.

Der methodische Aufbau im Detail

Als Referenz diente ein Export des Weltmarktführer-Index mit Stand vom 1. Oktober 2026. Er enthielt 479 Champions mit dem Ländereintrag Deutschland. Nach der dokumentierten Bereinigung (zwei Einträge mit widersprüchlicher Länderangabe, eine doppelt geführte Firma, zwei Einträge ohne Segment) blieben 474 Unternehmen. Bei 472 davon ließ sich das Marktsegment ohne Firmennamen als neutrale Frage formulieren, bei zwei war das nicht möglich, weil das Segment über einen unternehmenseigenen Begriff beschrieben ist. Alle 472 habe ich in die Untersuchung aufgenommen, es handelt sich also um eine echte Vollerhebung dieser definierten Grundgesamtheit. Die beiden übrigen Unternehmen habe ich zusätzlich mit ihrem ursprünglichen Segment abgefragt: Mit Websuche wurde eines von ihnen genannt, ohne Websuche keines.

479 Champions mit Ländereintrag Deutschland → 474 nach Bereinigung → 472 mit neutral formulierbarem Segment

Firmennamen, Marken, Produktbezeichnungen und redaktionelle Hinweise des Index wurden vorab nach festen Regeln aus den Segmentbeschreibungen gestrichen. Diese Streichungen haben Claude und ich unabhängig voneinander vorgenommen und anschließend abgeglichen. Bei neun der 488 Segmentteile (manche Unternehmen führt der Index mit mehreren Segmenten) kannte ich Claudes Entscheidung jedoch vorab, in den übrigen 479 stimmten wir vollständig überein. Die 27 Tippfehlerkorrekturen hat Claude vorgeschlagen, ich habe jede einzeln bestätigt. Vorangegangene Testläufe mit Schweizer und österreichischen Champions haben Messung und Auswertung vorbereitet und fließen nicht in das Ergebnis ein.

Die zentrale Abfrage lautete für jeden Fall:

Welche fünf Unternehmen gehören weltweit zu den führenden Anbietern im Marktsegment „[SEGMENT]“? Nenne genau fünf Unternehmen als nummerierte Liste. Verwende keine allgemeine Branchenbeschreibung und begründe die Auswahl nicht.

Jede Anfrage wurde als eigener Durchlauf gestartet, ohne vorherigen Chatverlauf. Gemessen habe ich am 4. Oktober 2026 mit dem Modell chat-latest über die OpenAI-Schnittstelle. Wie aus der OpenAI-Dokumentation zu Chat Latest hervorgeht, verweist diese Kennung auf das Instant-Modell, das ChatGPT aktuell verwendet, und dieses Modell wird regelmäßig aktualisiert. Die Ergebnisse beschreiben daher den Stand dieses Tages. Tauscht OpenAI das Modell hinter der Kennung aus, lässt sich das am zurückgemeldeten Modellnamen nicht ablesen. Ein Bruch innerhalb des Messlaufs ist allerdings nicht erkennbar: Im ersten Drittel der zufälligen Abfragereihenfolge nannte das Modell mit verfügbarer Websuche 124 von 158 Unternehmen, im zweiten 117 von 157 und im dritten 116 von 157.

Alle Unternehmen wurden sowohl mit als auch ohne verfügbare Websuche abgefragt. War die Websuche verfügbar, durfte das Modell höchstens einen Suchaufruf je Antwort ausführen, mit knappem Suchkontext und Deutschland als ungefährem Standort. Zusätzlich waren eine Alternativformulierung aus der Perspektive eines Einkäufers, die Wiederholungsmessung sowie der App-Vergleich von vornherein im Prüfplan festgeschrieben. Insgesamt habe ich am Messtag über die Schnittstelle 1.620 Anfragen gestellt. Alle haben eine auswertbare Antwort mit fünf Listeneinträgen geliefert, fehlende Fälle gibt es also keine. Die Einkäufer-Formulierung lautete:

Ich suche einen Lieferanten im Bereich „[SEGMENT]“. Welche fünf Hersteller oder Anbieter sind weltweit führend? Antworte nur mit einer nummerierten Liste von fünf Unternehmensnamen.

Mit der Einkäufer-Formulierung nannte das Modell ohne Websuche 353 von 472 Unternehmen, 2,5 Prozentpunkte mehr als mit der Hauptfrage (95-Prozent-Intervall: minus 0,2 bis 5,3 Prozentpunkte). Bei 100 vorab gezogenen Unternehmen mit verfügbarer Websuche waren es 78 statt 74 (plus 4,0 Prozentpunkte, 95-Prozent-Intervall: minus 3,1 bis 11,2 Prozentpunkte). Beide Unterschiede sind nach dem vorab festgelegten Kriterium nicht eindeutig. Da die Einkäufer-Variante zeitlich immer nach der Hauptfrage lief, ließe sich ein etwaiger Unterschied ohnehin nicht sauber auf die Formulierung oder den späteren Messzeitpunkt zurückführen.

Ob ein Unternehmen als genannt galt, hat ein automatischer, deterministischer Namensabgleich ermittelt, der bei gleicher Eingabe stets dasselbe Ergebnis liefert: Ein Skript glich jede Antwort mit einer zuvor belegten Tabelle zulässiger Unternehmensnamen ab. Antworten, die das Skript als Zweifelsfall markiert hatte, haben Claude und ich unabhängig voneinander begutachtet, ohne dass die Prüfliste verriet, unter welcher Bedingung sie entstanden waren. Vollständig verblindet war das allerdings nicht: Quellenlinks in einer Antwort können auf die Websuche hinweisen, und die 30 App-Antworten kannte ich bereits. Zusätzlich haben wir eine Kontrollstichprobe von 48 Antworten ohne Zweifelshinweis geprüft, ohne das Ergebnis des Skripts zu kennen: Der programmierte Abgleich stimmte in allen 48 Fällen mit der manuellen Prüfung überein. Erst nach Abschluss dieser Qualitätskontrolle wurden überhaupt Quoten berechnet, was Befehlsprotokoll und Sitzungsverlauf belegen.

Der rein automatische Abgleich ergab ebenfalls 357 Nennungen, die Entscheidungen der Prüfer haben das Hauptergebnis also nicht verändert. Zuletzt haben wir alle 115 Antworten, in denen ein Champion fehlte, noch einmal gezielt auf Lücken in der Namenstabelle überprüft. Dabei fiel ein Fall auf, in dem eine nicht erfasste Tochtergesellschaft des Unternehmens genannt war. Nach dem vorab festgelegten Plan bleibt das Hauptergebnis davon unberührt, mit diesem Fall wären es 358 von 472. Alle vorab festgelegten Varianten der Auswertung, etwa ohne Segmentbeschreibungen mit Aufzählungen oder mit den beiden ausgeschlossenen Unternehmen, lagen zwischen 73 und 76 Prozent.

Die ausgewiesenen Konfidenzintervalle bilden die zufällige Schwankung der Modellantworten näherungsweise ab. Einen Stichprobenfehler bei der Auswahl der Unternehmen beschreiben sie nicht, da die definierte Gruppe vollständig erfasst wurde. Für die Anteile kam das Wilson-Verfahren zum Einsatz, für Unterschiede zwischen zwei Bedingungen bei denselben Unternehmen das Verfahren nach Newcombe. Was diese Intervalle nicht abbilden können, sind Abweichungen durch andere Fragen, spätere Modellversionen oder unentdeckte Fehler in der Indexreferenz und im Namensabgleich.

Finanzierung, eigene Interessen und KI-Einsatz

Ich bin beruflich im Bereich der Suchmaschinen- und KI-Sichtbarkeit tätig und biete dazu Beratungsleistungen an. Diese Untersuchung habe ich vollständig aus eigener Tasche finanziert; die reinen API-Kosten beliefen sich auf rund 21 US-Dollar. Es gab weder einen Auftraggeber noch eine finanzielle Unterstützung oder Einflussnahme durch OpenAI, Anthropic oder die untersuchten Unternehmen. Prof. Dr. Christoph Müller hat die Daten des Index zur Verfügung gestellt und der Veröffentlichung zusammengefasster Ergebnisse zugestimmt. An Planung, Messung und Auswertung war er nicht beteiligt.

Bei Konzeption, Programmierung, Durchführung und Auswertung der Messung kamen KI-Werkzeuge zum Einsatz: bis zum 31. August 2026 OpenAI Codex, seit dem 1. Oktober 2026 Anthropic Claude. Claude war zudem erster Prüfer bei der Bereinigung der Marktsegmente und bei unklaren Namenszuordnungen, woraufhin ich die Fälle unabhängig zweitgeprüft habe. Vor dem Start der Messungen haben Claude Fable und OpenAI Codex das methodische Design gegengeprüft. Offenlegen will ich dabei, dass Codex vom selben Hersteller stammt wie das untersuchte Modell chat-latest. Diese Vorabprüfung bezog sich jedoch nur auf die Methode, Ergebnisse gab es zu diesem Zeitpunkt noch keine. Claude wiederum stammt von Anthropic, einem Wettbewerber von OpenAI, und hat Messung und Auswertung technisch ausgeführt. Ob ein Unternehmen genannt wurde, hat dabei aber in aller Regel der deterministische Namensabgleich festgestellt, und sein rein automatisches Ergebnis stimmt mit dem Hauptergebnis überein.