Wie Personas die Sichtbarkeit in KI stärken

Die wichtigsten Ergebnisse der Semly-Studie

Die Sichtbarkeit einer Marke in KI sollte im Zusammenhang mit den Bedürfnissen der fragenden Person und dem Verlauf ihres Gesprächs mit dem Modell untersucht werden. Dass eine Marke in der Antwort auf eine allgemeine Frage erscheint, zeigt noch nicht, ob das System sie einem passenden Nutzer empfiehlt. Bei Semly übernimmt Leon die Rolle eines durch eine Persona beschriebenen Nutzers und baut im Gespräch Kontext auf, bevor er die gezielte Kaufentscheidung abfragt.

Bei Semly entwickeln wir diesen Ansatz mit KI-Agent Leon. Sechs Monate lang führten wir Untersuchungen und Experimente zu Abfragen von ChatGPT und Gemini durch. Der für diesen Bericht bereitgestellte Datensatz umfasst 1,2 Millionen Abfragen, 24 aggregierte Datensätze und 12 Vergleichspaare. Analysiert werden sechs Kohorten und zwei Ansätze zur Content-Erstellung: ohne und mit Persona.

Die durchschnittliche Zeit bis zum gleichen Sichtbarkeitsziel betrug ohne Persona 100 Tage und mit Persona 70 Tage. Das entspricht einer Verkürzung um 30%, also durchschnittlich 30 Tagen. Die Content-Relevanz stieg von 61,5% auf 77,5% - um 16 Prozentpunkte. In beiden Systemen beobachten wir die gleiche Richtung des Unterschieds.

Die Ergebnisse unterstützen den Einsatz von Personas in Content-Planung und Sichtbarkeitsanalyse. Sie bilden die Grundlage für ein konkreteres Briefing: Für wen entsteht der Inhalt, welche Auswahlkriterien soll er erklären und welche Einwände soll er beantworten? Die Wiederholbarkeit von Antworten und der Einfluss auf die Conversion benötigen eigene Kennzahlen; aus diesem Datensatz geben wir dafür keinen zahlenmäßigen Effekt an.

Warum die Frage allein die Kundenbedürfnisse nicht beschreibt

Die Frage „Wo kann ich bequeme Laufschuhe kaufen?“ nennt weder Untergrund, Erfahrung, Budget noch Verwendungszweck. Eine Empfehlung kann deshalb auf eine breite Produktkategorie abzielen, während die Marke wissen muss, ob sie einen Freizeitläufer im Wald, einen Anfänger auf Asphalt oder einen Wettkampfläufer erreicht.

Die Information „Ich laufe vor allem in meiner Freizeit auf Waldwegen und suche Schuhe für kurze Trainingseinheiten“ grenzt die Situation ein. Bei Semly kann Leon diesen Kontext zu Gesprächsbeginn vorstellen und nach Interpretation der Antwort zur Zielfrage übergehen. Das grundlegende Kaufbedürfnis bleibt gleich, die Messbedingungen umfassen aber Persona, Absicht und frühere Nachrichten im Gespräch. Das ist für die Interpretation steigender oder sinkender Sichtbarkeit relevant.

Eine Persona definiert die Rolle und das Szenario des Nutzers, die Leon im Gespräch mit dem Modell verwendet. Der Agent baut darin seinen eigenen Kontext auf und nähert die Untersuchung der menschlichen Chat-Nutzung an. Die Geschichte eines bestimmten realen Nutzers wird dabei nicht rekonstruiert. Ausgangspunkt sollten produktbezogene Bedürfnisse und Einschränkungen sein. Alter, Geschlecht und weitere demografische Merkmale müssen im untersuchten Szenario begründet sein.

Die offiziellen Hinweise von OpenAI und Google zeigen, dass relevanter Kontext hilft, die Aufgabe und ihre Einschränkungen zu bestimmen [1][2]. Dies bildet eine Grundlage für die Gestaltung von Abfragen.

Wie KI-Agent Leon Markenwissen mit dem Nutzerkontext verbindet

Leon erstellt Personas anhand seines Wissens über die Marke, ihre Produkte, Dienstleistungen und vorhandenen Inhalte. Anschließend übernimmt er in der Untersuchung die Rolle eines Nutzers mit dem gewählten Profil. Er beginnt ein Gespräch, stellt sich dem Modell vor und interpretiert dessen Antwort. Daraufhin erkennt er, wann er den Zielprompt mit Kontext und Absicht stellen kann. Das Ergebnis beantwortet eine praktische Frage: Berücksichtigt KI die Marke im Gespräch eines Nutzers, dessen Bedürfnisse zum Angebot passen?

Diese Rolle Leons verbindet Monitoring mit Content-Planung. In den Antworten lassen sich Auswahlkriterien, Einwände und Informationen erkennen, mit denen das Modell Empfehlungen begründet. Fehlen für ein Szenario Angaben auf der Markenwebsite, kann die Analyse zu einem Briefing für die Ergänzung von Inhalten führen.

Leon führt das Gespräch als Nutzer

Die Untersuchung durch Leon verläuft als Gespräch. Der Agent stellt sich dem Modell zunächst entsprechend der Persona in der Rolle des untersuchten Nutzers vor. Damit führt er dessen Situation und Bedürfnisse ein. Nach Erhalt der Antwort liest und interpretiert er diese im Hinblick auf das Gesprächsziel.

Die Interpretation der Antwort ist Teil der Arbeitsweise des Agenten. Leon bewertet, ob er bereits zur Zielfrage übergehen kann. Ihr Zeitpunkt ergibt sich aus dem Gesprächsverlauf und der erhaltenen Antwort. Der Zielprompt enthält Kontext und Absicht des Nutzers und wird in einem Gespräch gestellt, in dem das Modell bereits Informationen über ihn erhalten hat.

Diese Abfrageweise ähnelt stärker der menschlichen Chat-Nutzung. Ein Nutzer beschreibt seine Situation, liest die Antwort und formuliert daraufhin die nächste Frage. Leon übernimmt diese Rolle in der Studie. So lässt sich die Markenempfehlung im Kontext eines sich entwickelnden Gesprächs analysieren.

Die Absicht beschreibt die Entscheidung, die der Nutzer treffen möchte. Im Laufbeispiel kann Freizeitlaufen auf Waldwegen der Kontext sein, die Auswahl und der Kauf geeigneter Schuhe die Absicht. Leon fragt nach einer Empfehlung, sobald er die vorherige Antwort interpretiert und erkannt hat, dass er die Zielfrage stellen kann.

Für die Ergebnisinterpretation wird der gesamte Gesprächsverlauf relevant. Dieselbe abschließende Frage kann unterschiedliche Antworten erzeugen, wenn frühere Nachrichten andere Bedürfnisse einführen. Deshalb sollten sowohl der Zielprompt als auch das Gespräch, in dem er gestellt wurde, identifiziert werden.

Die Prozessbeschreibung erläutert Leons Rolle und die Annäherung an eine Chat-Interaktion. Die bereitgestellten Aggregate isolieren jedoch weder den Effekt der Vorstellung noch der Antwortinterpretation oder der Wahl des Fragezeitpunkts. Die Ergebnisse von 30% und 16 Prozentpunkten schreiben wir keinem dieser Schritte einzeln zu.

Was eine Zeitverkürzung um 30 Prozent bedeutet

Der Datensatz setzt einen gemeinsamen Ausgangswert von 20% Sichtbarkeit und ein gemeinsames Ziel von 40% voraus. Sichtbarkeit ist die Anzahl der Antworten, die eine Marke empfehlen, geteilt durch die Anzahl der Abfragen. Das entspricht einem Anstieg um 20 Prozentpunkte. Die Ansätze beschreiben die Content-Erstellung; gemäß den Annahmen werden die Ergebnisse am gleichen Ziel und Fragenpanel gemessen.

Die durchschnittliche Zeit bis zum Ziel beträgt ohne Persona 100 Tage und mit Persona 70 Tage. Die Verkürzung berechnen wir als (100 - 70) / 100 × 100%, also 30%. Der Unterschied beträgt 30 Tage. Die präzise Beschreibung lautet: „30% weniger Zeit bis zum gleichen Ziel“.

Für ein Team, das Sichtbarkeit aufbaut, bedeutet dies potenziell einen kürzeren Zyklus von der Bedarfsermittlung bis zum gewünschten Ergebnis. Die operative Interpretation ist relevant: Gezieltere Inhalte können weitere Überarbeitungen reduzieren. Der Datensatz isoliert jedoch weder die redaktionelle Arbeitszeit noch einzelne Ursachen des Unterschieds. Daher schreiben wir den gesamten Effekt nicht ausschließlich Leons Automatisierung zu.

Die bereitgestellten Daten enthalten Ausgangswert, Endwert und Zeit bis zum Ziel, aber keine tägliche Sichtbarkeitszeitreihe. Das Diagramm zeigt daher die Zeit bis zum gemeinsamen Ergebnis. Daraus zeichnen wir keine Kurve, die einen gleichmäßigen Anstieg des Effekts suggerieren würde.

Diagramm 1. Durchschnittliche Zeit bis zum gemeinsamen Ziel von 40% Sichtbarkeit: 100 und 70 Tage. Grundlage: 12 Vergleichspaare in den Semly-Daten. Unterschied: 30 Tage, also eine Verkürzung um 30%.

Content-Relevanz und Antwortgenauigkeit sind unterschiedliche Messgrößen

Content-Relevanz bezeichnet im Datensatz den Anteil bewerteter Inhalte, die als passend zu den Bedürfnissen der Persona eingestuft wurden. Jeder Datensatz umfasst 100 Bewertungen. Ohne Persona sind insgesamt 738 von 1200 Inhalten relevant, mit Persona 930 von 1200. Daraus ergeben sich 61,5% beziehungsweise 77,5%.

Der Unterschied beträgt 16 Prozentpunkte. Der relative Anstieg gegenüber 61,5% liegt bei ungefähr 26,0%. Dies sind zwei Beschreibungen derselben Daten, aber unterschiedliche Einheiten. Im Text und Diagramm bleibt die Differenz in Prozentpunkten die Hauptkennzahl.

Content-Relevanz ist nicht gleichbedeutend mit der Richtigkeit einer Modellantwort. Eine Antwort kann den Nutzerbedürfnissen entsprechen und zugleich eine falsche Produktspezifikation enthalten. Die Antwortgenauigkeit sollte deshalb separat bewertet werden: Berücksichtigt das Modell Anforderungen, ist die Empfehlung passend und sind genannte Informationen durch Quellen belegt?

Das Ergebnis von 77,5% zeigt beim Persona-Ansatz einen höheren Anteil bedarfsgerechter Inhalte. Es erlaubt, die Content-Auswahl innerhalb dieses Datensatzes als relevanter zu beschreiben. Da nur aggregierte Daten ohne Einzelbewertungen und detailliertes Bewertungsraster vorliegen, nennt der Bericht keine statistische Signifikanz und setzt Content-Relevanz nicht mit der faktischen Richtigkeit sämtlicher KI-Antworten gleich.

Diagramm 2. Content-Relevanz: 61,5% und 77,5%, Unterschied 16 Prozentpunkte. Grundlage: jeweils 1200 Bewertungen pro Ansatz in den Semly-Daten. Die Kennzahl beschreibt die Übereinstimmung mit Persona-Bedürfnissen und ist keine Conversion-Rate.

Ergebnisse für ChatGPT und Gemini

Bei ChatGPT beträgt die durchschnittliche Zeit bis zum Ziel ohne Persona 95 Tage und mit Persona 66,5 Tage. Bei Gemini sind es 105 beziehungsweise 73,5 Tage. In beiden Systemen entspricht dies einer Verkürzung um 30%. Der Vergleich zeigt in den analysierten Gruppen dieselbe Richtung des Unterschieds.

Die Content-Relevanz der ChatGPT-Datensätze beträgt ohne Persona 60,5% und mit Persona 76,5%. Bei Gemini sind es 62,5% und 78,5%. In jedem System beträgt die Differenz 16 Prozentpunkte. Jede Kombination aus System und Ansatz umfasst 600 Content-Bewertungen.

Die Aufteilung nach Systemen prüft, ob der Gesamtmittelwert unterschiedliche Ergebnisse verdeckt. In diesem Datensatz sind die Unterschiede zwischen den Ansätzen bei ChatGPT und Gemini konsistent. Dies ist jedoch kein Qualitätsranking der Modelle selbst: Zeiten und Relevanz beschreiben die untersuchten Maßnahmen und Inhalte.

In der Praxis sind getrennte Sichtbarkeitsprofile für jedes System sinnvoll. Dieselben Inhalte und Nutzerbedürfnisse können unterschiedlich dargestellt werden. Leons Empfehlungen lassen sich dann für ein konkretes System und Szenario bewerten, ohne die gesamte Markenpräsenz auf eine einzige Zahl zu reduzieren.

Diagramm 3. Durchschnittliche Zeit bis zum gemeinsamen Ziel bei ChatGPT und Gemini. Grundlage: jeweils 6 Vergleichspaare pro System, Semly-Daten. Das Ergebnis beschreibt die untersuchten Ansätze und kein Ranking der Modellqualität.

Ergebnisse in sechs Kohorten

Der Datensatz umfasst die Kohorten M1-M6. Die durchschnittliche Zeit bis zum Ziel, je Kohorte über beide Systeme berechnet, beträgt ohne Persona 75, 85, 95, 105, 115 und 125 Tage. Mit Persona sind es 52,5, 59,5, 66,5, 73,5, 80,5 und 87,5 Tage.

Der Unterschied ist bei kürzeren und längeren Zielerreichungszeiten sichtbar. In M1 beträgt er 22,5 Tage, in M6 37,5 Tage. In allen bereitgestellten Vergleichspaaren entspricht die Zeit mit Persona 70% der Zeit ohne Persona. Diese konstante Relation zeigen wir ausdrücklich und verwenden sie nicht als Maß für die Wiederholbarkeit von Modellantworten.

M1-M6 beschreiben Kohorten, nicht sechs aufeinanderfolgende Sichtbarkeitsmessungen derselben Marke. Steigende Zeiten dürfen nicht als sinkende Wirksamkeit in späteren Monaten gelesen werden. Für Saisonalität und zeitliche Veränderungen sind Kalenderdaten sowie tägliche oder wöchentliche Messungen erforderlich.

Eine vollständige Bewertung der Zeit bis zum Ziel sollte auch Fälle erfassen, die den Schwellenwert vor Beobachtungsende nicht erreicht haben. Der bereitgestellte Datensatz weist solche Fälle nicht gesondert aus. Dies sollte bei der Planung künftiger Vergleiche berücksichtigt werden.

Diagramm 4. Zeit bis zum Ziel in sechs Kohorten, Mittelwert zweier Systeme, Semly-Daten. Die Kohorten M1-M6 sind keine monatliche Sichtbarkeitszeitreihe einer Marke.

Dieselbe Frage für mehrere Personas

Im Rahmen unserer Arbeit bei Semly untersuchten wir auch dieselbe Ausgangsfrage für mehrere Personas. Leon übernimmt die Rolle eines Nutzers mit dem jeweiligen Profil und führt vor der Zielfrage ein Gespräch. So lässt sich erkennen, wie Bedürfnisse, Absicht und früherer Kontext Empfehlungen und kaufrelevante Informationen beeinflussen. Bei Laufschuhen lassen sich etwa ein Anfänger auf Asphalt, ein Freizeitläufer im Wald und ein Nutzer mit längeren Geländetrainings vergleichen. Die folgende Matrix illustriert die Methode. Sie ist keine Transkription von Studienantworten.

Für jede Antwort sollten empfohlene Marken, Auswahlargumente, technische Anforderungen, Einwände und zitierte URLs festgehalten werden. Der Vergleich zeigt, welche Informationen in mehreren Szenarien wiederkehren und welche nur einen konkreten Bedarf betreffen. Daraus kann ein Briefing mit einem gemeinsamen Themenkern und ergänzenden Abschnitten für die Unterschiede entstehen.

Semly nutzt Beobachtungen aus der Arbeit mit mehreren Personas als Grundlage für relevantere Content-Empfehlungen. Der bereitgestellte Datensatz enthält jedoch keine Persona-Kennungen, vollständigen Prompts oder Modellantworten. Deshalb ordnet der Bericht keiner einzelnen Persona einen zahlenmäßigen Effekt zu und zeigt kein Ranking der von ihr empfohlenen Marken.

Wie Antworten mehrerer Personas zu einem Content-Briefing werden

Der Gesprächsverlauf kann schon vor der abschließenden Empfehlung Informationen für ein Briefing liefern. Eine frühere Modellantwort kann zeigen, welche Kriterien erklärt werden müssen; Leons Zielfrage verbindet sie mit der Nutzerabsicht. Die Analyse des gesamten Gesprächs erschließt hilfreiche Inhalte für die einzelnen Entscheidungsphasen.

Zunächst müssen Auswahlkriterien von Markennamen getrennt werden. Eine Liste empfohlener Firmen erklärt noch nicht deren Nennung. Für eine Redaktion ist wertvoller zu erfahren, dass ein Nutzer einen Anwendungsvergleich, eine Erklärung zur Kompatibilität oder klare Rückgabebedingungen benötigt.

Anschließend werden diese Bedürfnisse mit den Markeninhalten verglichen. Eine fehlende Antwort kann die Aktualisierung einer bestehenden Seite begründen. Unterschiede zwischen Nutzergruppen können einen eigenen Abschnitt oder Vergleich rechtfertigen. Maßgeblich sollte der Nutzen für Menschen sein, nicht die mechanische Vervielfachung von Seiten für jede Persona.

Ein Beispielbriefing kann Nutzerszenario, anstehende Entscheidung, wichtigste Kriterien, überprüfbare Produktdaten, Einwände und Quellen enthalten. Betrifft die Analyse Waldwege, sollte der Inhalt Verwendung und Grenzen des Produkts erklären.

So vorbereitete Inhalte können für Personen, die aus einer KI-Antwort kommen, relevanter sein. Dies begründet die Hypothese einer besseren Conversion. Ihre Bestätigung verlangt jedoch einen Vergleich des Nutzerverhaltens und der Verkaufsergebnisse nach der Umsetzung.

Wiederholbarkeit erfordert wiederholte Messungen

Eine feste Persona-Beschreibung und konsistente Gesprächsregeln erleichtern den Messvergleich. Da Leon die Antwort vor dem Zielprompt interpretiert, müssen auch Gesprächsverlauf und Entscheidungsregeln kontrolliert werden. Die Wiederholbarkeit des Prozesses und die Übereinstimmung abschließender Antworten sollten getrennt gemessen werden.

Im vorgeschlagenen Test bleiben Modellversion, Suchmodus, Sprache, Standort und Regeln für den Sitzungsbeginn gleich. Verglichen werden sollten sowohl vollständige Gespräche mit derselben Persona und demselben Ziel als auch Antworten bei identisch rekonstruiertem Kontext. Der erste Vergleich bewertet die Variation des gesamten Prozesses, der zweite die Variation der abschließenden Antwort. Basis- und Persona-Panel sollten parallel laufen.

Messbar sind Stabilität der Markenpräsenz, Übereinstimmung der empfohlenen Markenmengen und Übereinstimmung zitierter Quellen. Für zwei Markenmengen A und B ist der Anteil gemeinsamer Marken an der Menge aller Marken beider Antworten ein einfaches Übereinstimmungsmaß. Fälle mit zwei leeren Mengen benötigen eine gesonderte Berichtsregel.

Wiederholbarkeit innerhalb einer Persona und Unterschiede zwischen Personas beantworten verschiedene Fragen. Stabile Empfehlungen für ein Profil können neben deutlichen Unterschieden zwischen Profilen bestehen. Leons strukturierte Persona-Beschreibungen unterstützen konsistentere Abfragebedingungen. Im Datensatz fehlen jedoch Übereinstimmungsmaße aufeinanderfolgender Antworten; deshalb quantifizieren wir keine Verbesserung der Wiederholbarkeit.

Wie der Einfluss auf die Conversion geprüft werden kann

Die Geschäftsmessung sollte Markenpräsenz in einer Antwort, Website-Zitat, Seitenbesuch und ausgeführte Handlung unterscheiden. Jeder Schritt benötigt eine eigene Kennzahl. Die Anzahl der Empfehlungen entspricht weder der Anzahl der Besuche noch diese der Anzahl der Käufe.

Nach der Umsetzung sollten Sitzungen aus erkennbaren KI-Quellen, Engagement, Anfragen, Transaktionen und Umsatz verfolgt werden. Ein Teil des Traffics besitzt möglicherweise keine eindeutige Quellenkennzeichnung; deshalb muss der Umfang zugeordneter Sitzungen beschrieben werden. Die Conversion-Rate benötigt einen klar definierten Nenner, etwa qualifizierte Sitzungen.

Eine verlässlichere Bewertung ermöglicht der Vergleich ähnlicher Seiten oder Content-Gruppen bei einheitlicher Conversion-Definition und Beobachtungsdauer. Andere Veränderungen wie Aktionen, Preise, Verfügbarkeit und Kampagnen müssen dokumentiert werden. Sonst kann ein Umsatzanstieg fälschlich der Content-Strategie zugeschrieben werden.

Der Bericht formuliert somit eine konkrete Hypothese: Inhalte, die reale Nutzerbedürfnisse aufgreifen, können Entscheidungen erleichtern. Die Größe des Verkaufseffekts bleibt zu messen. Die Tabelle enthält keine Sitzungen, Leads oder Transaktionen.

Was eine Methodenänderung für Sichtbarkeitsergebnisse bedeutet

Personas und Leons Gesprächsführung verändern die Bedingungen der Modellabfragen. Die Antwort auf den Zielprompt berücksichtigt auch frühere Nachrichten. Ein Ergebnis kann steigen, wenn die Marke besser zu den beschriebenen Bedürfnissen passt, oder sinken, wenn das System ein anderes Angebot wählt. Vergleiche sollten daher sowohl die Frage als auch den Aufbau des Gesprächskontexts berücksichtigen.

Am transparentesten werden Basis- und Persona-Panel nebeneinander dargestellt. Ist ein gemeinsamer Mittelwert erforderlich, sollten Persona-Anteile auf offengelegten Annahmen zur Zielgruppe beruhen. Gleiche Gewichte sind eine einfache analytische Option, beweisen aber keinen gleich großen Anteil jeder Gruppe an der realen Nachfrage.

Die Bedürfnisorientierung ist auch bei der Persona-Auswahl relevant. Ein ausschließlich aus Angebotssicht entwickeltes Profil kann Kaufbarrieren oder ungeeignete Produktsituationen auslassen. Anspruchsvolle Szenarien sollten einbezogen werden, statt das Panel nur auf Nutzer auszurichten, denen sich die Marke leicht empfehlen lässt.

Zusammenfassung des Berichts

Die Semly-Studie zeigt, dass Personas helfen, Inhalte besser an Nutzerbedürfnisse anzupassen und die Zeit zum Aufbau von KI-Sichtbarkeit zu verkürzen. Im analysierten Datensatz betrug die durchschnittliche Zeit bis zum gemeinsamen Ziel ohne Persona 100 Tage und mit Persona 70 Tage - 30% weniger. Die Content-Relevanz stieg von 61,5% auf 77,5%, also um 16 Prozentpunkte. Dieselbe Richtung des Unterschieds beobachteten wir bei ChatGPT und Gemini.

Leon gibt diesem Ansatz eine Gesprächsform. Als Nutzer stellt er sich gemäß Persona vor, interpretiert die Modellantwort und erkennt den Zeitpunkt für die Zielfrage mit Kontext und Absicht. Dadurch analysiert Semly Empfehlungen unter Bedingungen, die der menschlichen Chat-Nutzung näherkommen.

Dieselbe Ausgangsfrage für mehrere Personas macht unterschiedliche Auswahlkriterien, Einwände und Informationsbedürfnisse sichtbar. Daraus können konkretere Briefings, Vergleiche und entscheidungsunterstützende Inhalte entstehen. Höhere Content-Relevanz unterstützt diesen Ansatz; der Conversion-Effekt muss separat am Nutzerverhalten und an Geschäftsergebnissen gemessen werden.

Konsistente Personas und Gesprächsregeln schaffen die Grundlage für vergleichbares Monitoring. Die Wiederholbarkeit der Antworten muss dennoch in weiteren Messungen unter Berücksichtigung von Gesprächsverlauf und Abfragebedingungen geprüft werden. Die Ergebnisse quantifizieren weder eine Verbesserung der Wiederholbarkeit noch einen Conversion-Anstieg.

Die praktische Konsequenz für Marken ist klar: Untersuchen, wem und in welcher Situation KI ein Angebot empfiehlt, und diese Informationen für die Content-Entwicklung nutzen. Semly verbindet damit Sichtbarkeitsmonitoring mit Forschung zu Kontext, Absicht und Modellempfehlungen.

Quellen

Semly-Material: „Über eine Million Abfragen, sechs Monate Forschung. Warum Semly Personas in das KI-Sichtbarkeitsmonitoring einführt“, ergänzt durch die Semly-Beschreibung von Leons Gesprächsführung - Quellen für die Beschreibung des Agenten und der Forschungsarbeit.

[1] OpenAI, Prompt engineering. Hinweise zur Angabe relevanten Kontexts in Abfragen. https://developers.openai.com/api/docs/guides/prompt-engineering

[2] Google AI for Developers, Prompt design strategies. Hinweise zu Kontext und Aufgabenbeschränkungen. https://ai.google.dev/gemini-api/docs/prompting-strategies

[3] Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó, One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization, ACL 2026. https://aclanthology.org/2026.acl-long.2079/

Teilen:

Link kopieren