Veraltet statt erfunden: Das eigentliche Problem für Standortnetze in der KI-Suche

Gefährlich ist die glaubwürdige Antwort

Ein erfundenes Unternehmen verrät sich selbst. Die Adresse führt ins Leere, die Telefonnummer existiert nicht, und wer gefragt hat, merkt bald, dass die Antwort falsch war.

Ein realer Standort mit veralteten Angaben verrät nichts. Eine Kundin fragt, ob die Filiale in Graz am Samstag geöffnet hat. Der Assistent nennt die richtige Filiale, die richtige Straße und plausible Öffnungszeiten. Nur gelten diese Zeiten seit dem Frühjahr nicht mehr. Nichts an der Antwort wirkt falsch, deshalb hat die Kundin keinen Grund, etwas nachzuprüfen, bis sie vor verschlossener Tür steht.

In der lokalen Suche kostet vor allem dieser zweite Fehler Marken mit vielen Standorten Geld. In den Standortnetzen, die wir betreuen, tritt er in wiederkehrenden Formen auf:

• reguläre Öffnungszeiten, die schlicht falsch sind;
• Sonderöffnungszeiten für einen Feiertag oder einen Umbau, die nie veröffentlicht wurden oder nach ihrem Ablauf weiter angezeigt werden;
• ein dauerhaft geschlossener Standort, der weiterhin empfohlen wird;
• eine Adresse aus der Zeit vor einem Umzug;
• eine frühere Telefonnummer, die heute oft in der Zentrale ankommt;
• unvollständige Angaben zu Leistungen, sodass einem Standort scheinbar fehlt, was er tatsächlich anbietet;
• eine Kategorie, die den Standort nicht mehr zutreffend beschreibt;
• eine Marken-Website, auf der noch die Angaben aus dem Vorjahr stehen;
• Quellen, die sich widersprechen, und eine Antwort, die sich auf die falsche stützt.

Wer die Antwort liest, erkennt in keinem dieser Fälle einen Fehler. Ein erfundenes Unternehmen ist offensichtlich falsch, sobald man darauf stößt. Ein realer Standort mit plausiblen, aber veralteten Angaben wirkt glaubwürdig. Genau das macht ihn gefährlich.

Was die Studien des Jahres 2026 zeigen

Im September und Oktober 2026 gehörte die Genauigkeit lokaler KI-Antworten zu den am intensivsten diskutierten Themen der lokalen Suche. Studien, Branchendatensätze und Beiträge aus der Praxis, die im Lauf des Jahres erschienen, kreisten immer wieder um dieselben Fragen: wie genau Assistenten lokale Unternehmen beschreiben, wie oft sie veraltete Informationen wiederholen, welche Quellen sie auswählen, wie stark API-Ausgaben von dem abweichen, was Verbraucher sehen, und welches Gewicht die unternehmenseigenen Daten haben.

Die Studien unterscheiden sich in Methode, Markt und Interessenlage, und ihre Zahlen sollte man nicht zusammenrechnen. Nebeneinander gelesen, beschreiben sie dasselbe Muster.

Erfundenes ist selten. Veraltetes nicht.

Methodisch am sorgfältigsten ist eine Forschungsarbeit, die im August 2026 auf arXiv erschien und KI-Empfehlungen für Restaurants, Cafés und Bars mit einer Vollerhebung des Marktes abglich^[1]. Der Autor erfasste zunächst anhand der Ortsdaten von Google jeden aktiven Gastronomiebetrieb in zwei Gebieten auf Bali, insgesamt 4.776. Anschließend wurden ChatGPT, Claude, Gemini und Perplexity sieben Tage lang 96 Fragen aus der Perspektive unterschiedlicher Personas gestellt: 2.208 Durchläufe mit 12.439 gültigen Nennungen von Betrieben.

Weil die Studie den gesamten Markt als Grundgesamtheit erfasst, lässt sich jede Nennung mit dem abgleichen, was tatsächlich existiert. Reine Erfindungen kamen kaum vor: Nach eingehender Prüfung blieb ein einziger Name, der wahrscheinlich erfunden ist. Er wurde 10-mal genannt, das entspricht 0,08 % der gültigen Nennungen. Auf dauerhaft geschlossene Betriebe entfielen dagegen 93 Nennungen, verteilt auf 14 Lokale, deren Schließung belegt ist.

Für die lokale Suche legen die Daten nahe, dass veraltete Informationen über reale Unternehmen ein deutlich praxisrelevanteres Fehlerbild sein können als vollständig erfundene Standorte. Die Assistenten haben so gut wie keine Orte erfunden. Sie haben Orte empfohlen, die es nicht mehr gab.

Zwei Details sind für Marken mit vielen Standorten wichtig. Von den Nennungen, die sich zunächst keinem Betrieb der Erhebung zuordnen ließen, erwiesen sich 38,4 % als Namensvarianten erfasster Betriebe: Umbenennungen, Spitznamen und Transliterationen. Dass Namen und Identitäten auseinanderdriften, ist also selbst in einem Markt unabhängiger Cafés verbreitet. Außerdem deckt sich die Erklärung des Autors für die geschlossenen Betriebe mit dem Mechanismus, den wir in der operativen Arbeit sehen: Die Systeme geben getreu wieder, was ihre Quellen sagen, und diese Quellen sind veraltet. Bewertungen, Listenartikel und Blogbeiträge über ein geschlossenes Café überdauern das Café.

Die Studie hat Grenzen. Sie betrachtet einen Markt und eine Branche, die Assistenten wurden über ihre APIs statt über die Apps für Endnutzer abgefragt, und es handelt sich um einen Preprint; finanziert hat ihn, wie die Arbeit selbst offenlegt, ein kommerzieller Anbieter für KI-Sichtbarkeit. Warum geschlossene Betriebe in den Antworten bleiben, ist die Deutung des Autors; gemessen wurde es nicht. Glaubwürdig wird das Muster durch das Studiendesign: Die Bezugsgröße bildet eine Vollerhebung des Marktes.

Die Fehler stecken in alltäglichen Feldern

Im Einzelhandel zeigt sich dieselbe Art von Fehler. Ein Branchentest vom Juli 2026 stellte ChatGPT, Gemini und Perplexity mehr als 72.000 Fragen zu britischen High-Street-Händlern und bewertete jede Antwort anhand der verifizierten Angaben des jeweiligen Händlers^[2]. Bei rund zwei von drei Händlern lieferten die Systeme mindestens eine falsche Tatsachenangabe, und etwa jede 16. Antwort war falsch. Am häufigsten wurde eine Filiale einer falschen Postleitzahl zugeordnet, selbst wenn die Frage den Ort oder die Stadt bereits nannte.

Ein großer Branchenindex zu Marken mit vielen Standorten, veröffentlicht im Januar 2026, bezifferte bei Assistenten, die nicht von Google stammen, die Genauigkeit bei Kontaktdaten von Unternehmen auf nur rund 68 %; der auf Google Maps gestützte Assistent war deutlich genauer und konsistenter^[3]. Wie diese Genauigkeit ermittelt wurde, legt der Index nicht offen; wir werten die Zahl deshalb nur als Anhaltspunkt. Sie bezieht sich ausschließlich auf Kontaktdaten und gehört nicht zur Vergleichsbasis unserer eigenen Kundenanalyse weiter unten.

Jede dieser Zahlen misst etwas anderes: einen Anteil an Unternehmen, einen Anteil an Antworten, einen Anteil an Kontaktdaten. Gemeinsam ist ihnen die Art des Fehlers. Postleitzahlen, Telefonnummern, Betriebsstatus: Genau diese Angaben aktuell zu halten, ist die Aufgabe von Location Operations.

Was die API liefert, ist nicht das, was Kunden sehen

Forschung, die API-Ausgaben mit den Antworten der Nutzeroberfläche vergleicht, fügt dem Genauigkeitsproblem ein Messproblem hinzu^[4]. Eine Branchenstudie aus dem Jahr 2026 legte fünf KI-Produkten dieselben 1.000 Prompts mit zwei Methoden vor, über die Nutzeroberfläche und über die API, und erhob an einem einzigen Tag im August 13.779 Antworten aus 14 Kombinationen von Modell und Methode. Die in beiden Varianten einer Antwort genannten Marken überschnitten sich nur zu 15,5 bis 31,6 %, je nachdem, wie Namen normalisiert wurden. Auf Seitenebene deckten sich die zitierten Quellen bei den Produkten, für die sich das messen ließ, zu etwa 5 bis 20 %. Über die Nutzeroberfläche von ChatGPT zitierte eine Antwort im Schnitt 12,1 Quellen, über die API 3,1.

Falsch ist die API deshalb nicht. Ein KI-Produkt für Endnutzer ist mehr als das Modell hinter seiner API. Es bringt eine eigene Retrieval-Ebene mit, ein eigenes Suchverhalten, eine eigene Quellenauswahl, Systemanweisungen und Produktlogik, und jedes dieser Elemente verändert die Antwort. Ein Tool für KI-Sichtbarkeit, das auf API-Abfragen aufbaut, kann daher etwas anderes messen als das, was Kunden tatsächlich angezeigt wird.

Wie veraltete Daten in KI-Antworten gelangen

Am Anfang steht eine Änderung. Für den Winter gelten neue Öffnungszeiten. Eine Filiale schließt zwei Wochen lang wegen Umbaus. Ein Geschäft zieht in derselben Straße 300 Meter weiter. Eine Klinikgruppe übernimmt eine Praxis und benennt sie um. Eine Bank leitet die Anrufe für ihre Filialen an ein regionales Servicecenter um. Für das Unternehmen ist jede dieser Änderungen Routine, und für jedes System, das niemand informiert hat, bleibt sie unsichtbar.

Dann muss die Änderung ihren Weg finden. In einem großen Standortnetz existiert jeder Standort in vielen Kopien: im Stammdatensatz (manchmal in mehreren), im Google Unternehmensprofil, in Apple Business Connect und Bing Places, bei den Datenlieferanten der Navigationssysteme, auf der eigenen Website samt Store Locator und in einer langen Reihe von Verzeichnissen, Bewertungsportalen und Artikeln, die sich der Kontrolle der Marke entziehen. Was die Marke selbst kontrolliert, lässt sich innerhalb von Stunden aktualisieren. Der Rest zieht in eigenem Tempo nach, wenn überhaupt.

Zugleich ändern die Plattformen selbst Daten. Google kann ein Profil anhand von Nutzerhinweisen und lizenzierten Daten aktualisieren, und Nutzer von Google Maps können Änderungen an Öffnungszeiten, Adressen und Telefonnummern vorschlagen. Manche dieser Änderungen sind richtig, manche überschreiben korrekte Daten. An anderer Stelle beschreiben wir die sechs Wege, auf denen Live-Daten von ihrer Quelle abweichen, und die Schließungen, Umzüge und Rebrandings, bei denen solche Abweichungen am häufigsten beginnen.

Ein Assistent, der aus diesen Quellen eine Antwort zusammensetzt, übernimmt ihre Widersprüche und kann nicht verlässlich erkennen, welche Angabe aktuell ist. Oft ist die alte Version eines Standorts die besser dokumentierte.

Was gut strukturierte Standortnetze gemeinsam haben

Die externen Studien führten uns zu einer nützlicheren Frage: Was passiert, wenn die unternehmenseigene Standortdatenschicht tatsächlich gut strukturiert ist?

Über alle Kunden hinweg betreut MapsExperts mehr als 13.400 Standorte, im Rahmen des Managed Service, in Hybridmodellen und über die direkte Nutzung unserer Plattform. Darunter ist ein Handelsnetz mit mehr als 600 Standorten, für das wir das vollständige Google-Business-Profile-Programm betreiben. Dadurch sehen wir sehr unterschiedliche Ausgangslagen: von Netzen, die nur als Einträge auf Drittplattformen existieren, bis zu Netzen mit eigener Standortinfrastruktur.

In unserer internen Kundenanalyse lag die Genauigkeit von Standortdaten in KI-Antworten bei Standortnetzen mit strukturiertem Store Locator, eigenen Local Landing Pages und gepflegten unternehmenseigenen Standortdaten beim 3,2-Fachen der vergleichbaren Branchen-Benchmarks zur Datengenauigkeit, die wir für diese Analyse ausgewertet haben.

Wir verstehen das Ergebnis als Beobachtung zur Architektur. In diesen Netzen nennt die eigene Website Standort für Standort dieselben aktuellen Fakten wie die Profile. Ein System, das über eine einzelne Plattform hinaus sucht, findet deshalb Bestätigung statt Widerspruch. Ein ergänzender Beitrag beschreibt diese Architektur im Detail.

Was wir im laufenden Betrieb sehen

Schwächer aufgestellte Netze scheitern an Stellen, die selten in einem Dashboard sichtbar werden:

• Ein Standort kann überall veröffentlicht und trotzdem falsch sein. Die Datendistribution bestätigt nur, dass die Daten angekommen sind, nicht, dass sie stimmen.
• Die regulären Öffnungszeiten können stimmen, während die Sonderöffnungszeiten veraltet sind. Genau danach fragen Kunden in Feiertagswochen.
• Nach einem Umzug können zwei Identitäten im Umlauf sein: die alte Adresse in einigen Systemen, die neue in anderen.
• Aktualisiert eine Marke den Datenfeed für ihre Plattformeinträge vor der eigenen Website, widerspricht sie sich selbst.
• Ein Standort kann nach seiner Schließung auffindbar bleiben, wenn nachgelagerte Systeme die Änderung nicht nachgezogen haben.
• Ein interaktiver Store Locator kann für Menschen gut funktionieren und Crawlern trotzdem kaum etwas Lesbares bieten.

Meist entsteht der Fehler, bevor Google oder ein Assistent überhaupt ins Spiel kommt. Die Öffnungszeiten wurden in der Filiale geändert, im Stammdatensatz aber nicht. Eine Schließung wurde im Immobiliensystem erfasst und nie für die Kanäle freigegeben. Die Standortseiten pflegt ein anderes Team in einem anderen CMS. Technisch kann ein Standort veröffentlicht und operativ trotzdem falsch sein.

Oft bemerken Endkunden den Fehler zuerst

Eine unserer veröffentlichten Referenzen zeigt, wie das sichtbar wird. Eine Gesundheits- und Klinikgruppe kam mit Profilen zu uns, die veraltete Angaben und uneinheitliche Kategorien enthielten. Zu den Problemen, die die Gruppe unterschätzt hatte, gehörten vor allem die Öffnungszeiten am Wochenende; die Kundenbewertungen halfen, sie sichtbar zu machen.

Wir haben die Profilgrundlage korrigiert, wiederkehrende Hinweise an das Team der Gruppe zurückgespielt und die Antworten auf Bewertungen sorgfältig betreut. Nachdem die Anliegen der Rezensenten gelöst waren, stieg die durchschnittliche Google-Bewertung der Gruppe um 0,4 Sterne. Das ist das Problem veralteter Daten in seiner alltäglichsten Form: reale Standorte, falsche Öffnungszeiten. Und weil dieselben Daten aus Google Maps inzwischen auch Gemini-basierte Antworten stützen können, bleibt ein solcher Fehler nicht mehr auf eine Plattform beschränkt.

Was das für Marken mit vielen Standorten bedeutet

Kunden fragen Assistenten nicht abstrakt nach einer Marke. Sie fragen nach einem Standort, meist verbunden mit einer Bedingung:

• „Welche Filiale in meiner Nähe hat heute Abend geöffnet?“
• „Hat das Geschäft in Linz am Sonntag geöffnet?“
• „Wo ist der nächste Standort mit Parkplatz?“
• „Welche Ihrer Filialen repariert noch am selben Tag?“

Jede dieser Antworten hängt davon ab, dass die Angaben zum einzelnen Standort samt aller Ausnahmen überall dort aktuell sind, wo der Assistent sie abruft. Bei fünf Standorten ist eine gelegentliche Inkonsistenz ein Ärgernis, das jemand bemerkt und behebt. Bei 100, 500, 1.000 oder 10.000 Standorten ist sie eine Frage der Infrastruktur.

In dieser Größenordnung ist Genauigkeit kein einmaliges Bereinigungsprojekt. Sie ist eine Betriebsdisziplin mit klaren Verantwortlichen, einer führenden Datenquelle und einer Feedbackschleife. In der Praxis läuft das auf wenige Entscheidungen hinaus:

• Einen Datensatz pro Standort als führende Datenquelle festlegen und jede Änderung daran mit einem Zeitstempel versehen, auch Sonderöffnungszeiten und vorübergehende Schließungen.
• Aus diesem Datensatz alle Kanäle speisen, die Sie selbst kontrollieren, auch die eigene Website, damit keine zweite Kopie entsteht, die abdriften kann.
• Den Live-Stand Feld für Feld mit dem Datensatz abgleichen und über jede Abweichung entscheiden: übernehmen, korrigieren oder eskalieren. Googles eigene Updates und Änderungsvorschläge machen das auch dann nötig, wenn Ihr interner Prozess sauber ist.
• Nach dem möglichen Schaden für Kunden priorisieren: zuerst Betriebsstatus und Schließungen, dann reguläre und Sonderöffnungszeiten, Adresse und Kartenposition, Telefon, danach Kategorien und Leistungen.
• KI-Antworten dort messen, wo Kunden sie sehen, nach Suchintention getrennt und wiederholt, und API-basiertes Monitoring für das einsetzen, was es gut kann. So behandeln wir KI-Sichtbarkeit in unserer Arbeit zu Location Intelligence.

Keine dieser Maßnahmen garantiert, wie ein bestimmter Assistent einen bestimmten Standort beschreibt; das kann niemand versprechen. Sie entscheiden aber darüber, ob die aktuellen Fakten verfügbar, konsistent und leicht zu finden sind, wenn ein Assistent danach sucht.

Von Plattformeinträgen zur eigenen Standortdatenschicht

Eine Kartenplattform mag wissen, dass es einen Ort gibt. Eine gut gebaute Standortseite hilft Maschinen zu verstehen, was für genau diesen Ort gilt.

Um diesen Unterschied geht es in einem ergänzenden Beitrag: warum Store Locator und Local Landing Pages zum Teil der Standortdaten-Infrastruktur einer Marke werden und was sie enthalten müssen, um diese Aufgabe zu erfüllen.