Die digitale Marketing-Landschaft steht vor einem fundamentalen Wandel. Während Suchmaschinenoptimierung über Jahrzehnte hinweg das Rückgrat der Online-Sichtbarkeit bildete, etabliert sich mit Generative Engine Optimization ein neues Paradigma, das die Art und Weise, wie Inhalte gefunden und konsumiert werden, grundlegend verändert. GEO bezeichnet die strategische Optimierung von Inhalten speziell für KI-gestützte Suchsysteme und generative Sprachmodelle wie ChatGPT, Perplexity, Google SGE oder Claude. Im Gegensatz zur traditionellen Suchmaschinenoptimierung, die darauf abzielt, Websites in Suchergebnislisten möglichst weit oben zu platzieren, fokussiert sich GEO darauf, in den direkt generierten Antworten dieser KI-Systeme zitiert, erwähnt oder als Quelle herangezogen zu werden.
Diese neue Form der Optimierung verspricht Unternehmen und Content-Erstellern Zugang zu einem rasant wachsenden Kanal, über den Millionen von Nutzern täglich Informationen abrufen. Doch hinter dem Versprechen verbergen sich erhebliche Herausforderungen, Unsicherheiten und Risiken, die bei der strategischen Planung und Ressourcenallokation berücksichtigt werden müssen. Die Euphorie um GEO darf nicht darüber hinwegtäuschen, dass wir uns in einem experimentellen Stadium befinden, dessen Regeln, Wirksamkeit und langfristige Relevanz noch weitgehend ungeklärt sind.
Technische Grenzen von GEO
Unvorhersehbarkeit der KI-Modelle
Eine der grundlegendsten Herausforderungen bei der Optimierung für generative KI-Systeme liegt in ihrer inhärenten Unvorhersehbarkeit. Large Language Models funktionieren als komplexe Black Boxes, deren interne Entscheidungsprozesse selbst für Experten nur begrenzt nachvollziehbar sind. Anders als bei traditionellen Suchmaschinen, wo über Jahre hinweg bestimmte Ranking-Faktoren identifiziert und verstanden werden konnten, bleibt bei generativen Modellen weitgehend unklar, warum eine bestimmte Quelle zitiert wird und eine andere nicht. Diese fundamentale Intransparenz erschwert jede Form der systematischen Optimierung erheblich.
Erschwerend kommt hinzu, dass KI-Modelle in immer kürzeren Abständen aktualisiert werden. Was heute funktioniert, kann morgen bereits obsolet sein, wenn ein neues Modell mit verändertem Verhalten ausgerollt wird. Jedes Update kann die Präferenzen hinsichtlich Content-Struktur, Zitierstil oder Quellenauswahl fundamental verändern. Unternehmen, die erhebliche Ressourcen in die Optimierung für eine bestimmte Modellversion investiert haben, sehen sich dann plötzlich gezwungen, ihre Strategien zu überarbeiten, ohne dabei sicher sein zu können, dass die nächste Anpassung nicht wieder zunichte gemacht wird.
Zusätzlich existiert nicht das eine generative KI-System, sondern eine wachsende Vielfalt unterschiedlicher Modelle mit jeweils eigenen Charakteristika. ChatGPT von OpenAI verhält sich anders als Googles Gemini, das wiederum andere Präferenzen zeigt als Anthropics Claude oder Perplexity. Eine Content-Strategie, die für ein System optimal funktioniert, kann bei einem anderen System völlig wirkungslos bleiben. Diese Fragmentierung zwingt Unternehmen entweder zu einer aufwendigen Multi-Plattform-Strategie oder zu schwierigen Priorisierungsentscheidungen bei unsicherer Datenlage.
Messbarkeit und Erfolgskontrolle
Im digitalen Marketing gilt traditionell der Grundsatz, dass nur messbar ist, was auch optimiert werden kann. Bei GEO stößt dieser Ansatz jedoch an fundamentale Grenzen. Es existieren bislang keine standardisierten Metriken oder etablierten Analytics-Tools, die einen verlässlichen Einblick in die Performance von GEO-Maßnahmen bieten würden. Während traditionelle SEO auf Jahrzehnte der Metrikentwicklung zurückblicken kann und Tools wie Google Analytics, Search Console oder spezialisierte SEO-Plattformen detaillierte Einblicke ermöglichen, bewegen sich GEO-Praktiker weitgehend im Dunkeln.
Die Attribution von Traffic und Conversions, die möglicherweise über KI-gestützte Systeme zustande kommen, gestaltet sich als nahezu unmöglich. Wenn ein Nutzer ChatGPT nach einer Produktempfehlung fragt, dort auf eine Website verwiesen wird und anschließend konvertiert, lässt sich dieser Pfad in den wenigsten Fällen nachvollziehen. Referrer-Informationen fehlen häufig oder sind unspezifisch, eine direkte Zuordnung zu GEO-Maßnahmen bleibt spekulativ. Diese Intransparenz macht es außerordentlich schwierig, den Return on Investment von GEO-Aktivitäten zu berechnen und Budgetentscheidungen auf fundierter Datenbasis zu treffen.
Selbst grundlegende Fragen bleiben oft unbeantwortet: Wie häufig wird eine bestimmte Quelle von einem KI-System zitiert? In welchen Kontexten geschieht dies? Welche Inhalte performen besser als andere? Ohne Antworten auf diese Fragen gleicht GEO einem Schuss ins Blaue, bei dem Erfolg oder Misserfolg mehr vom Zufall als von strategischer Planung abhängen. Die wenigen verfügbaren Monitoring-Tools befinden sich selbst noch in frühen Entwicklungsstadien und bieten nur fragmentarische Einblicke.
Technische Implementierungshürden
Die praktische Umsetzung von GEO-Strategien stellt Unternehmen vor erhebliche technische Herausforderungen. Content muss nicht nur geschrieben, sondern strukturiert, annotiert und in Formaten aufbereitet werden, die von KI-Systemen besonders gut verarbeitet werden können. Dies erfordert häufig tiefgreifende Anpassungen an bestehenden Content-Management-Systemen, die ursprünglich nicht für diese Anforderungen konzipiert wurden. Die Implementation strukturierter Datenformate wie Schema.org-Markup, die Aufbereitung von Inhalten in maschinenlesbaren Formaten oder die Optimierung von API-Schnittstellen können ressourcenintensive Projekte darstellen.
Besonders für kleinere Unternehmen oder solche mit begrenzten technischen Ressourcen können diese Anforderungen prohibitiv wirken. Während grundlegende SEO-Maßnahmen auch mit beschränkten Mitteln umgesetzt werden können, erfordert professionelle GEO oft spezialisiertes Know-how an der Schnittstelle von Content-Strategie, technischer SEO und KI-Verständnis. Die Kosten für externe Dienstleister oder den Aufbau entsprechender interner Kompetenzen können erheblich sein, insbesondere wenn der Business Case mangels belastbarer Daten unsicher bleibt.
Inhaltliche und strategische Grenzen
Content-Qualität versus KI-Optimierung
Eine der subtilsten, aber möglicherweise folgenreichsten Gefahren von GEO liegt im Spannungsfeld zwischen der Optimierung für KI-Systeme und der Qualität für menschliche Leser. Die Versuchung ist groß, Inhalte primär nach den vermeintlichen Präferenzen von Sprachmodellen zu gestalten, mit dem Risiko, dass diese Inhalte für Menschen weniger ansprechend, schwerer verständlich oder weniger überzeugend werden. Content, der mit Keywords überladen, in unnötig fragmentierte Absätze zerlegt oder mit redundanten Strukturen versehen wird, mag möglicherweise von KI-Systemen bevorzugt werden, schreckt aber menschliche Besucher ab.
Diese Problematik erinnert an die frühen Zeiten der Suchmaschinenoptimierung, als Websites ihre Qualität opferten, um Algorithmen zu gefallen, und dabei ihre eigentliche Zielgruppe aus den Augen verloren. Die Folge waren unleserliche Texte, sinnlose Keyword-Wiederholungen und eine allgemeine Verschlechterung der Content-Qualität im Web. Bei GEO droht eine ähnliche Entwicklung, wenn die Optimierung für KI-Systeme zum Selbstzweck wird und die Bedürfnisse der letztendlichen Nutzer vernachlässigt werden.
Hinzu kommt die Gefahr des Verlusts von Markenidentität und Differenzierung. Wenn alle Unternehmen einer Branche ihre Inhalte nach ähnlichen GEO-Prinzipien optimieren, entsteht eine Homogenisierung, die es einzelnen Marken erschwert, sich abzuheben. Der einzigartige Tonfall, die spezifische Perspektive oder der charakteristische Stil, die eine Marke auszeichnen, können der standardisierten Optimierung zum Opfer fallen. Was bleibt, ist generischer Content, der zwar von KI-Systemen gut verarbeitet werden kann, aber keine emotionale Bindung aufbaut und keine Markenloyalität schafft.
Aktualität und Freshness
Generative KI-Modelle operieren grundsätzlich mit einem Knowledge Cutoff, einem Stichtag, bis zu dem ihr Trainingsdatensatz reicht. Auch wenn zunehmend Mechanismen implementiert werden, um auf aktuelle Informationen zugreifen zu können, bleibt eine fundamentale Zeitverzögerung zwischen der Publikation neuer Inhalte und ihrer Berücksichtigung durch KI-Systeme bestehen. Für Unternehmen, deren Geschäftsmodell auf Aktualität basiert wie beispielsweise Nachrichtenmedien, Finanzinformationsdienste oder Trend-Berichterstattung stellt dies eine erhebliche Limitation dar.
Selbst wenn ein Artikel unmittelbar nach Veröffentlichung online verfügbar ist, können Wochen oder Monate vergehen, bis dieser Inhalt in die Wissensbasis eines KI-Modells integriert wird oder von dessen Retrieval-Mechanismen erfasst werden kann. In dynamischen Märkten oder bei zeitkritischen Themen kann diese Verzögerung bedeuten, dass Content seine Relevanz verliert, bevor er überhaupt die Chance hat, über generative KI-Systeme Reichweite zu erzielen. Die traditionelle SEO profitiert hier von der nahezu Echtzeit-Indexierung durch Suchmaschinen, die neue Inhalte innerhalb von Minuten oder Stunden in ihren Index aufnehmen können.
Branchenspezifische Limitationen
Die Wirksamkeit von GEO variiert erheblich zwischen verschiedenen Branchen und Geschäftsmodellen. Während informationsorientierte Websites, die Ratgeber, Tutorials oder Faktenwissen bereitstellen, vergleichsweise gute Chancen haben, von KI-Systemen als Quellen herangezogen zu werden, gilt dies nicht für alle Bereiche gleichermaßen. E-Commerce-Websites beispielsweise stehen vor der Herausforderung, dass KI-Systeme zwar Produktinformationen bereitstellen können, der eigentliche Kaufprozess aber außerhalb dieser Systeme stattfindet. Die Conversion-Hürde ist hier deutlich höher als bei direkten Suchanfragen.
Im B2B-Kontext gestaltet sich GEO oft noch schwieriger. Komplexe, erklärungsbedürftige Produkte oder Dienstleistungen, lange Sales Cycles und die Bedeutung persönlicher Beziehungen im Verkaufsprozess passen schlecht zu den schnellen, direkten Antworten, die generative KI-Systeme liefern. Auch lokale Unternehmen profitieren weniger von GEO als von traditioneller Local SEO, wo Google My Business, lokale Verzeichnisse und geo-spezifische Suchanfragen eine etablierte Infrastruktur bieten.
Wirtschaftliche Risiken
Return on Investment
Die wirtschaftliche Rechtfertigung von GEO-Investitionen stellt Unternehmen vor erhebliche Herausforderungen. Die Implementierung einer umfassenden GEO-Strategie erfordert Ressourcen auf multiple Ebenen: Content muss überarbeitet oder neu erstellt werden, technische Infrastruktur angepasst, Mitarbeiter geschult und möglicherweise externe Expertise eingekauft werden. Diese Investitionen können schnell fünf- oder sechsstellige Beträge erreichen, während der zu erwartende Return hochgradig unsicher bleibt.
Anders als bei etablierten Marketing-Kanälen, wo auf Erfahrungswerte und Benchmarks zurückgegriffen werden kann, fehlen bei GEO verlässliche Daten zur erwartbaren Performance. Ein Unternehmen, das 100.000 Euro in eine umfassende GEO-Initiative investiert, kann nicht mit hinreichender Sicherheit prognostizieren, ob diese Investition zusätzlichen Traffic, Leads oder Umsatz in vergleichbarer Höhe generieren wird. Diese Unsicherheit macht es schwierig, Budgets zu rechtfertigen, insbesondere in wirtschaftlich angespannten Zeiten, wenn jede Marketing-Ausgabe auf den Prüfstand gestellt wird.
Zudem ist die Time-to-Value bei GEO typischerweise länger als bei vielen anderen digitalen Marketing-Aktivitäten. Während bezahlte Werbung nahezu sofort Ergebnisse liefert und selbst organische SEO innerhalb von Monaten messbare Fortschritte zeigen kann, können bei GEO lange Zeiträume vergehen, bis sich Erfolge einstellen, falls sie sich überhaupt einstellen. Diese lange Amortisationszeit erhöht das finanzielle Risiko und die Wahrscheinlichkeit, dass Budgets umgeschichtet werden, bevor eine Strategie ihre volle Wirkung entfalten konnte.
Kannibalisierung bestehender Kanäle
Ein oft unterschätztes Risiko von GEO liegt in der potenziellen Kannibalisierung etablierter Traffic-Quellen. Wenn Nutzer ihre Informationsbedürfnisse direkt über generative KI-Systeme befriedigen können, ohne die ursprüngliche Website zu besuchen, verlieren Unternehmen wertvollen direkten Traffic. Dies mag auf den ersten Blick wie ein akzeptabler Trade-off erscheinen („Sichtbarkeit gegen Traffic“), entpuppt sich bei näherer Betrachtung jedoch als problematisch.
Direkter Website-Traffic bietet Unternehmen zahlreiche Vorteile, die bei Zitierungen in KI-Antworten verloren gehen. Besucher auf der eigenen Website können durch strategische Content-Platzierung, Calls-to-Action, Newsletter-Anmeldungen oder Produktpräsentationen zu Conversions bewegt werden. Sie hinterlassen Daten, die für Retargeting genutzt werden können, interagieren möglicherweise mit Chatbots oder anderen Engagement-Tools und haben die Möglichkeit, tiefer in das Content-Angebot einzutauchen. All diese Möglichkeiten entfallen, wenn ein KI-System die Kernaussage eines Artikels zusammenfasst und der Nutzer keine Veranlassung sieht, die Originalquelle zu besuchen.
Diese Entwicklung führt zu einer wachsenden Abhängigkeit von Drittplattformen, die die Beziehung zwischen Unternehmen und ihrer Zielgruppe kontrollieren. Ähnlich wie Social Media Platforms, die organische Reichweite kontinuierlich reduzierten und Unternehmen in bezahlte Werbemodelle drängten, könnten auch Betreiber generativer KI-Systeme künftig Monetarisierungsmodelle einführen, die bevorzugte Platzierungen kostenpflichtig machen. Unternehmen, die dann bereits erheblich von diesem Kanal abhängig sind, befinden sich in einer schwachen Verhandlungsposition.
Wettbewerbsdynamik
Die Natur generativer KI-Antworten führt zu einer Verschärfung der Wettbewerbssituation. Anders als bei traditionellen Suchergebnissen, wo zehn oder mehr Websites prominent platziert werden können, zitieren KI-Systeme typischerweise nur eine begrenzte Anzahl von Quellen, die oft nicht mehr als drei bis fünf pro Antwort enthalten. Dies schafft einen Winner-takes-all-Effekt, bei dem die zitierten Quellen nahezu die gesamte Aufmerksamkeit erhalten, während alle anderen leer ausgehen.
Diese Konzentration der Sichtbarkeit auf wenige Gewinner intensiviert den Konkurrenzdruck erheblich. Unternehmen sehen sich gezwungen, immer mehr Ressourcen in GEO zu investieren, um nicht abgehängt zu werden, was zu einer Eskalation der Optimierungskosten führt. Ähnlich wie bei einem Wettrüsten steigen die notwendigen Investitionen, während die Erfolgswahrscheinlichkeit nicht proportional zunimmt. Kleine und mittlere Unternehmen, die mit den Budgets großer Konzerne nicht mithalten können, drohen systematisch benachteiligt zu werden.
Rechtliche und ethische Risiken
Urheberrecht und Content-Nutzung
Die rechtlichen Rahmenbedingungen für GEO befinden sich in einem Zustand fundamentaler Unsicherheit. Wenn ein KI-System Inhalte von einer Website extrahiert, verarbeitet und in eigenen Antworten wiedergibt, wirft dies komplexe urheberrechtliche Fragen auf. Während Zitierungen mit angemessener Attribution traditionell als fair use gelten können, ist die Situation bei KI-generierten Zusammenfassungen weniger klar. Insbesondere wenn längere Textpassagen nahezu wörtlich übernommen oder Kerninhalte so umfassend wiedergegeben werden, dass ein Besuch der Originalquelle überflüssig wird, könnten Urheberrechtsverletzungen vorliegen.
Die Frage der Attribution in KI-Antworten bleibt ebenfalls ungeklärt. Während manche Systeme sorgfältig Quellen angeben, behandeln andere Informationen aus verschiedenen Quellen als gemeinsames Wissensgut ohne spezifische Zuordnung. Für Unternehmen, deren Geschäftsmodell auf der Exklusivität ihrer Inhalte oder Analysen basiert, kann dies existenzbedrohend sein. Wenn proprietäre Research, aufwendig erstellte Datenzusammenstellungen oder exklusive Insights ohne angemessene Kompensation oder auch nur Nennung durch KI-Systeme verwertet werden, stellt dies einen massiven Wertabfluss dar.
Parallel dazu bewegen sich Unternehmen, die selbst KI-generierte Inhalte zur GEO-Optimierung einsetzen, auf rechtlich unsicherem Terrain. Die Frage, ob und inwieweit KI-generierte Inhalte urheberrechtlich geschützt sind, wird derzeit kontrovers diskutiert und unterschiedlich beurteilt. Unternehmen, die massiv auf KI-Content setzen, könnten feststellen, dass diese Inhalte nicht den erhofften Schutz genießen oder dass sie unbeabsichtigt Rechte Dritter verletzen, wenn die KI in ihrem Trainingsprozess auf geschützte Werke zurückgegriffen hat.
Manipulation und Spam
Mit der wachsenden Bedeutung von GEO ist absehbar, dass auch manipulative Praktiken zunehmen werden. Ähnlich wie die Geschichte der Suchmaschinenoptimierung von zahlreichen Spam-Techniken geprägt wurde wie etwa Keyword Stuffing, Link-Farmen oder Cloaking dürfte auch GEO ihre eigenen Formen des Missbrauchs hervorbringen. Unternehmen könnten versuchen, durch systematische Manipulation von Quelldaten, durch die Erstellung von Masse-Content ohne echten Mehrwert oder durch technische Tricks KI-Systeme zu täuschen.
Die Betreiber generativer KI-Systeme werden darauf reagieren müssen, ähnlich wie Suchmaschinen-Betreiber auf SEO-Spam reagiert haben. Dies könnte zu Abstrafungen, Blacklistings oder anderen Sanktionen führen, die Unternehmen treffen, die als manipulativ eingestuft werden. Das Problem: Die Grenze zwischen legitimer Optimierung und unzulässiger Manipulation ist oft fließend und kann von verschiedenen Akteuren unterschiedlich gezogen werden. Was ein Unternehmen als kreative GEO-Strategie betrachtet, könnte von einem KI-Betreiber als Spam klassifiziert werden, mit potenziell verheerenden Folgen für die Sichtbarkeit.
Ethisch stellt sich zudem die grundsätzliche Frage, inwieweit die Beeinflussung von KI-Systemen, die sich als objektive Informationsquellen präsentieren, überhaupt legitim ist. Wenn Nutzer generativen KI-Systemen vertrauen, weil sie davon ausgehen, unverfälschte, ausgewogene Informationen zu erhalten, untergräbt eine systematische Optimierung zur Bevorzugung bestimmter Quellen dieses Vertrauen. Die Parallele zu redaktioneller Unabhängigkeit und journalistischen Standards ist offensichtlich, mit dem Unterschied, dass es bei KI-Systemen keine etablierten deontologischen Codes gibt, die hier Orientierung bieten würden.
Datenschutz und Transparenz
GEO wirft auch datenschutzrechtliche Fragen auf, insbesondere wenn Unternehmen versuchen, die Wirksamkeit ihrer Maßnahmen zu tracken. Um zu verstehen, wie Nutzer über generative KI-Systeme auf ihre Website gelangen, müssten möglicherweise zusätzliche Tracking-Mechanismen implementiert werden, die mit den Anforderungen der DSGVO in Konflikt geraten könnten. Die Erfassung und Verarbeitung von Nutzerdaten zu Analysezwecken unterliegt strengen rechtlichen Vorgaben, deren Einhaltung zusätzliche Compliance-Kosten verursacht.
Transparenzpflichten gegenüber Nutzern stellen eine weitere Herausforderung dar. Wenn Inhalte spezifisch für die Verarbeitung durch KI-Systeme optimiert werden, sollten Nutzer darüber informiert werden, oder ist dies eine rein technische Angelegenheit ohne Offenlegungspflicht? Wenn durch GEO-Maßnahmen die Darstellung von Informationen in KI-Antworten beeinflusst wird, entstehen möglicherweise Kennzeichnungspflichten ähnlich denen bei bezahlter Werbung oder gesponserten Inhalten. Die rechtliche Bewertung dieser Fragen steht noch am Anfang, was für Unternehmen ein erhebliches Rechtsrisiko bedeutet.
Abhängigkeiten und Kontrollverlust
Platform Risk
Eine der gravierendsten strategischen Gefahren von GEO liegt in der Abhängigkeit von einzelnen Plattformen. Unternehmen, die erhebliche Ressourcen in die Optimierung für ein bestimmtes KI-System investieren, machen sich von dessen fortgesetzter Existenz, Zugänglichkeit und Funktionsweise abhängig. Diese Abhängigkeit birgt multiple Risiken. Der Betreiber könnte seine Geschäftspolitik ändern und Zugang beschränken oder monetarisieren, technische Probleme oder Ausfälle könnten die Erreichbarkeit beeinträchtigen, oder das System könnte schlichtweg an Bedeutung verlieren, wenn Nutzer zu Alternativen abwandern.
Die fehlende Kontrolle über die Darstellung von Inhalten in KI-Antworten verschärft dieses Problem. Anders als auf der eigenen Website, wo Unternehmen Layout, Präsentation und Kontext vollständig bestimmen können, haben sie bei generativen KI-Systemen keinen Einfluss darauf, wie ihre Inhalte wiedergegeben werden. Zitate können aus dem Kontext gerissen, verkürzt oder mit anderen Quellen vermengt werden, ohne dass der ursprüngliche Urheber dies verhindern könnte. Im schlimmsten Fall werden Inhalte falsch wiedergegeben oder entstellt, was Reputationsschäden nach sich ziehen kann.
Das Risiko plötzlicher Plattform-Änderungen ist real und historisch gut dokumentiert. Die Geschichte digitaler Plattformen ist voll von Beispielen, wo Unternehmen, die stark von Facebook, Twitter oder anderen sozialen Netzwerken abhängig waren, durch Algorithmus-Änderungen oder Policy-Updates schwer getroffen wurden. Bei generativen KI-Systemen, die sich noch in einem frühen Stadium befinden, ist die Wahrscheinlichkeit fundamentaler Änderungen sogar noch höher. Eine Investitionsstrategie, die stark auf GEO setzt, sollte dieses Plattform-Risiko explizit berücksichtigen und durch Diversifikation abfedern.
Algorithmische Kontrolle
Die fehlende direkte Beeinflussbarkeit von KI-Modellen stellt einen qualitativen Unterschied zu traditionellen Marketing-Kanälen dar. Bei bezahlter Werbung können Unternehmen präzise steuern, wann, wo und wem ihre Botschaft gezeigt wird. Bei SEO existiert zumindest ein gewisses Maß an Kontrolle durch technische Optimierung, Content-Strategie und Link-Building. Bei GEO hingegen bleibt die Kontrolle weitgehend illusorisch. Unternehmen können zwar Content bereitstellen und hoffen, dass KI-Systeme ihn auf gewünschte Weise nutzen, garantieren können sie es nicht.
Die intransparenten Ranking-Faktoren, die bestimmen, welche Quellen ein KI-System bevorzugt, entziehen sich systematischer Optimierung. Während in der SEO über Jahre Faktoren wie Backlinks, Content-Qualität, technische Performance und User Experience als relevant identifiziert werden konnten, bleiben die Mechanismen der Quellenauswahl bei generativen KI-Systemen weitgehend undurchsichtig. Diese Intransparenz macht methodisches Arbeiten schwierig und lässt viele GEO-Maßnahmen zu „educated guesses“ werden, deren Wirksamkeit erst im Nachhinein, wenn überhaupt, beurteilt werden kann.
Ein besonders problematisches Element stellt der mögliche Bias in KI-Modellen dar, der bestimmte Inhaltstypen, Perspektiven oder Quellen systematisch benachteiligen kann. Wenn ein Modell aufgrund seines Trainingsdatensatzes bestimmte Publikationsformen, sprachliche Stile oder inhaltliche Ausrichtungen präferiert, können Unternehmen, die nicht in diese Präferenz-Schemata passen, strukturell benachteiligt sein. Anders als bei menschlichen Redakteuren oder transparenten Algorithmen ist dieser Bias oft weder erkennbar noch anfechtbar.