Ein Stern unter fünf: Warum negative Bewertungen in KI-Antworten so laut wirken

Ein Betrieb mit 4,8 von 5 Sternen bei über 60 Bewertungen – und trotzdem zitiert ChatGPT ausgerechnet die eine Ein-Stern-Kritik aus dem Vorjahr, während Perplexity in der Zusammenfassung von "durchwachsenen Erfahrungen" spricht. Dieses Muster ist kein Zufall, sondern folgt nachvollziehbaren Ursachen, die sich der Reihe nach prüfen und beheben lassen. Der folgende Artikel sortiert die häufigsten Gründe, warum einzelne negative Bewertungen in KI-Antworten überproportional laut wirken – inklusive Prüfschritt und Lösung je Ursache.

Das Symptom: Eine schlechte Bewertung überstrahlt zehn gute

Das Symptom zeigt sich meist in drei Varianten: Erstens zitiert ein KI-Assistent explizit eine negative Einzelbewertung, obwohl der Durchschnitt deutlich besser ausfällt. Zweitens formuliert die KI vage Einschränkungen ("teilweise kritische Stimmen", "gemischtes Feedback"), ohne die tatsächliche Verteilung zu nennen. Drittens wird ein Wettbewerber mit weniger, aber neueren und beantworteten Bewertungen bevorzugt empfohlen – obwohl die eigene Sternezahl höher liegt. In allen drei Fällen lohnt sich keine Schadensbegrenzung durch Reputationsmanagement allein, sondern eine strukturierte Diagnose der Ursache.

Die vier häufigsten Ursachen – geordnet nach Häufigkeit

Ursache 1 (am häufigsten): Fehlende Transparenz zur Echtheitsprüfung

Nach Bundesministerium der Justiz, § 5b Abs. 3 UWG, gelten Informationen darüber, ob und wie ein Unternehmer sicherstellt, dass veröffentlichte Bewertungen von tatsächlichen Nutzern stammen, als wesentliche Information. Fehlt dieser Hinweis, werten sowohl Verbraucher als auch zunehmend KI-Systeme, die Vertrauenssignale auswerten, das gesamte Bewertungsprofil als weniger belastbar ein – negative Einzelstimmen bekommen dadurch relativ mehr Gewicht. Laut IHK Hannover muss ein Unternehmer selbst dann informieren, wenn er gar keine Maßnahmen zur Echtheitsprüfung ergreift.

Prüfschritt: Öffnen Sie Ihre Bewertungsseite (Google-Profil, eigene Website, Verzeichniseintrag) und suchen Sie gezielt nach einem Hinweis zur Echtheitsprüfung. Fehlt er komplett, ist das die wahrscheinlichste Ursache.

Lösung: Ergänzen Sie einen klaren, wahrheitsgemäßen Hinweis – etwa "Bewertungen werden nicht vorab auf Echtheit geprüft" oder eine Beschreibung des tatsächlichen Prüfprozesses. Diese Maßnahme gehört in jede saubere GEO für lokale Unternehmen-Grundausstattung, da KI-Assistenten Vertrauenssignale aus mehreren Quellen zusammenführen.

Ursache 2: Erkennbare Fake-Bewertungsmuster

Die Verbraucherzentrale nennt als Warnsignale unter anderem viele positive Bewertungen in sehr kurzer Zeit, fehlende Kritikpunkte und ausschließlich 5-Sterne-Bewertungen desselben Nutzers. Solche Muster schwächen nicht nur das Vertrauen menschlicher Leser, sondern auch die Glaubwürdigkeit, die ein KI-Assistent dem gesamten Profil zuschreibt – mit der Folge, dass eine einzelne authentisch wirkende negative Bewertung relativ stärker gewichtet wird. Verschärfend kommt laut Legal Tribune Online hinzu, dass manche Wettbewerber selbst negative Fake-Bewertungen für Konkurrenzprodukte abgeben.

Prüfschritt: Sortieren Sie Ihre Bewertungen chronologisch und prüfen Sie auf Häufungen, identische Formulierungen oder auffällige zeitliche Cluster.

Lösung: Melden Sie erkennbare Fake-Bewertungen der jeweiligen Plattform, sammeln Sie echte Bewertungen kontinuierlich statt in Kampagnen und dokumentieren Sie verdächtige Muster für den Fall einer rechtlichen Auseinandersetzung.

Ursache 3: Fehlendes oder fehlerhaftes Review-Markup

Nach Google Search Central ist ein Review-Snippet ein kurzer Auszug aus einer Bewertung oder Einstufung, und für aggregierte Bewertungen (AggregateRating) muss die Durchschnittsbewertung korrekt angegeben werden, damit das Rich-Snippet überhaupt angezeigt wird. Fehlt dieses strukturierte Markup, sehen weder klassische Suchergebnisse noch KI-Crawler den tatsächlichen Durchschnitt – sie finden dann im Fließtext eher einzelne, textlich hervorstechende Bewertungen, die oft die kritischen sind.

Prüfschritt: Prüfen Sie den Quellcode Ihrer Bewertungsseite auf schema.org/Review und AggregateRating oder nutzen Sie ein Testtool für strukturierte Daten.

Lösung: Markup technisch korrekt implementieren und regelmäßig aktualisieren. Wie Sie die technische Grundlage für KI-Crawler insgesamt prüfen, beschreibt der Wissensbereich von KI-Sichtbarkeit24 im Detail.

Ursache 4 (seltener, aber folgenreich): Unbeantwortete negative Bewertungen

Fehlt eine öffentliche Antwort auf eine kritische Bewertung, steht der Vorwurf unwidersprochen im Raum – ein KI-Assistent, der Textpassagen zusammenfasst, findet keine Gegendarstellung und übernimmt tendenziell die unbeantwortete Kritik unverändert. Dieser Effekt lässt sich nicht aus dem Dossier beziffern, folgt aber direkt aus der Funktionsweise von Zusammenfassungssystemen, die Kontext aus vorhandenem Text ziehen.

Prüfschritt: Zählen Sie, wie viele Ein- und Zwei-Sterne-Bewertungen der letzten zwölf Monate eine Unternehmensantwort erhalten haben.

Lösung: Etablieren Sie einen festen Prozess, jede kritische Bewertung sachlich, zeitnah und öffentlich zu beantworten. Wer unsicher ist, wie stark dieser Punkt im eigenen Fall wiegt, kann das in einem kostenlosen Erstgespräch anfragen lassen.

Wie stark wiegt das wirklich? Fünf Prüfkriterien vor der Reaktion

Bevor Ressourcen in Reputationsmanagement fließen, lohnt sich eine nüchterne Einordnung anhand von fünf Kriterien, die bestimmen, wie stark eine einzelne negative Bewertung tatsächlich ins Gewicht fällt:

• Genauigkeit der Darstellung: Gibt die KI-Antwort die Bewertung sinngemäß korrekt wieder oder verzerrt sie den Inhalt?
• Relevanz zur Suchanfrage: Bezieht sich die zitierte Kritik überhaupt auf die gestellte Frage, oder wird sie unpassend eingeblendet?
• Fehlerrate bei veralteten Daten: Stammt die zitierte Bewertung aus einem Zeitraum, der inzwischen durch neuere, bessere Bewertungen überholt ist?
• Aktualität der Quelle: Wie alt ist die letzte Bewertung insgesamt, und gibt es seitdem überhaupt neuen Content, der die KI umstimmen könnte?
• Quellenvielfalt: Stützt sich die KI nur auf eine Plattform, oder gleicht sie mehrere Bewertungsquellen gegeneinander ab?

Die Reihenfolge dieser Kriterien zeigt zugleich, warum reines "Sterne-Polieren" selten hilft: Eine KI, die mehrere Quellen abgleicht, lässt sich durch eine einzelne manipulierte Plattform kaum beeinflussen. Dazu passt ein Befund aus dem Bitkom-Studienbericht 2026: Sicherheit und Vertrauen werden von 51 Prozent der befragten Online-Shopper als sehr wichtiges Kriterium bei der Shop-Auswahl genannt, während Empfehlungen und Community-Aspekte mit 9 Prozent die geringste Rolle spielen. Übertragen auf KI-Antworten bedeutet das: Vertrauenssignale wie Impressum, Widerrufsrecht, Datenschutzhinweise und transparente Echtheitsprüfung wiegen in der Gesamtbetrachtung oft schwerer als die reine Anzahl positiver Empfehlungen.

Praxisbeispiel: Vom Ein-Stern-Ausreißer zur ausgewogenen KI-Antwort

Beispiel (konstruiert, zur Veranschaulichung): Ein Dienstleistungsbetrieb hat 61 Bewertungen, davon 60 mit vier oder fünf Sternen und eine einzelne Ein-Stern-Bewertung aus dem Vorjahr. Rechnerisch macht die negative Bewertung nur rund 1,6 Prozent aller Stimmen aus (1 geteilt durch 61). Trotzdem taucht sie in der KI-Zusammenfassung prominent auf. Die Diagnose nach obigem Schema ergibt: Auf der Bewertungsseite fehlt ein Hinweis zur Echtheitsprüfung (Ursache 1), die Ein-Stern-Bewertung ist bis heute unbeantwortet (Ursache 4), und es existiert kein AggregateRating-Markup auf der eigenen Website (Ursache 3). Nach Ergänzung des Transparenzhinweises, einer sachlichen öffentlichen Antwort und der technischen Nachrüstung des Markups verschiebt sich die KI-Zusammenfassung in der Folge auf eine ausgewogenere Darstellung, die den tatsächlichen Durchschnitt von rund 4,8 Sternen widerspiegelt.

Einschätzung

Einschätzung: Negative Bewertungen fließen in KI-Empfehlungen aus unserer Beobachtung heraus nicht proportional zu ihrer Anzahl ein, sondern proportional zu ihrer Sichtbarkeit und Kontextlosigkeit. Wer Transparenzpflichten erfüllt, strukturierte Daten korrekt setzt und kritische Stimmen konsequent beantwortet, verschiebt die Wahrscheinlichkeit deutlich zugunsten einer ausgewogenen Darstellung – unabhängig davon, ob die Anfrage über Google, ChatGPT oder Perplexity erfolgt. Reines Löschen-Lassen oder Ignorieren einzelner Kritik bewirkt dagegen meist das Gegenteil, da unbeantworteter Text in automatisierten Zusammenfassungen besonders leicht übernommen wird.

Rechtlicher Hinweis: Die Angaben zu § 5b UWG spiegeln den Stand der aktuellen Fassung zum 25. Oktober 2026 wider; eine Prüfung im Einzelfall, etwa durch eine Rechtsberatung, wird empfohlen, bevor Formulierungen zur Bewertungs-Transparenz final übernommen werden.

Wer prüfen möchte, wie die eigene Sichtbarkeit in ChatGPT aktuell aussieht, findet erste Ansatzpunkte unter Sichtbarkeit in ChatGPT. Ergänzend lohnt sich ein Blick auf die ChatGPT-Empfehlungen 2026: GEO-Checkliste, da viele der dort genannten Prüfpunkte direkt mit der Bewertungs-Thematik zusammenhängen. Wer zusätzlich Fachartikel oder Verzeichniseinträge zur Vertrauensbildung nutzen möchte, findet in der Vergleichstabelle Pressemitteilung, Fachartikel oder Verzeichniseintrag eine Entscheidungshilfe.

Häufige Fragen