Sentiment
Sentiment bedeutet Empfindung, Stimmung oder Haltung gegenüber einem Gegenstand und lässt sich mit Tonalität übersetzen. Im Marketing und in der KI-Suche beschreibt es, ob über eine Brand positiv, neutral oder negativ gesprochen wird. KKP und das Tracking-Tool Peec AI weisen das Sentiment in KI-Antworten auf einer Skala von 0 bis 100 aus, nach KKP-Definition steht 50 für neutral.
Was bedeutet Sentiment?
Auf Deutsch bedeutet Sentiment Empfindung oder Gefühl. Das Wort kam im 17. Jahrhundert aus dem Französischen ins Deutsche und geht auf das lateinische Verb sentire zurück, das „fühlen, empfinden, wahrnehmen“ heißt. Im Deutschen ist es ein Neutrum, also das Sentiment, im Plural die Sentimente. Je nach Zusammenhang lässt es sich mit Stimmung, Haltung oder Tonalität wiedergeben.
In der Fachsprache hat sich eine engere Bedeutung durchgesetzt. Sentiment beschreibt die Haltung einer Person oder Gruppe gegenüber einem bestimmten Gegenstand, etwa einem Unternehmen, einem Produkt oder einem Markt. Diese Haltung hat eine Richtung und eine Stärke. Die Richtung ist positiv, neutral oder negativ. Die Stärke gibt an, wie ausgeprägt die Haltung ist, etwa leichte oder deutliche Ablehnung. Das verwandte Adjektiv sentimental meint dagegen gefühlsbetont oder rührselig und hat mit dieser Fachbedeutung nichts zu tun.
Sentiment an der Börse
An der Börse steht Sentiment für die allgemeine Stimmung und Erwartungshaltung der Marktteilnehmer. Gemeint ist, ob Anleger eher mit steigenden oder mit fallenden Kursen rechnen. Erfasst wird das Börsen-Sentiment über Umfragen unter Anlegern und Analysten, über Kennzahlen wie die Put-Call-Ratio, also das Verhältnis gehandelter Verkaufs- zu Kaufoptionen, oder über Volatilitätsindizes wie den VIX. Diese Bedeutung ist vom Sentiment im Marketing zu trennen. Das Börsen-Sentiment misst Erwartungen an Kurse, nicht die Bewertung eines Unternehmens als Anbieter.
Sentiment im Marketing
Im Marketing beschreibt Sentiment die Tonalität, mit der über eine Brand gesprochen wird. Klassische Quellen sind Kundenbewertungen, Social-Media-Beiträge, Foren und Presseartikel. Ein positives Sentiment heißt, dass die Brand überwiegend mit positiven Eigenschaften verbunden oder lobend beschrieben wird. Bei einem negativen Sentiment überwiegen Kritik, Beschwerden oder abwertende Zuschreibungen.
Mit der KI-Suche ist eine weitere Quelle dazugekommen. KI-Systeme wie ChatGPT, Gemini oder die Google AI Overviews beruhen auf Sprachmodellen und fassen das Wissen über eine Brand in einer einzigen Antwort zusammen. Dabei beschreiben sie die Brand nicht nur, sie ordnen sie auch ein. Diese Einordnung ist mit Sentiment in der KI-Suche gemeint.
Wie funktioniert eine Sentiment-Analyse?
Die Sentiment-Analyse ist die automatisierte Erkennung von Tonalität in Texten. Sie gehört zur maschinellen Sprachverarbeitung (Natural Language Processing, kurz NLP) und ordnet einen Text oder einzelne Aussagen als positiv, neutral oder negativ ein. Viele Verfahren geben zusätzlich an, wie stark die Tonalität ausfällt. Die Schreibweisen Sentimentanalyse, Sentiment-Analyse und das englische Sentiment Analysis meinen dasselbe.
Drei Verfahren haben sich etabliert.
- Lexikonbasiert. Wortlisten ordnen Begriffen eine Polarität zu, etwa „zuverlässig“ positiv und „teuer“ negativ. Der Text erhält seinen Wert aus der Summe seiner Wörter.
- Maschinelles Lernen. Ein Klassifikator lernt aus vielen von Menschen bewerteten Beispielen, welche Formulierungen auf welche Tonalität hindeuten.
- Sprachmodelle. Ein großes Sprachmodell bewertet den Text anhand einer Anweisung und bezieht dabei den Zusammenhang eines Satzes ein, zum Beispiel eine Verneinung wie „nicht schlecht“.
Unterschieden wird außerdem nach der Ebene der Analyse. Eine Bewertung auf Dokumentebene vergibt einen Wert für den ganzen Text. Die aspektbasierte Sentiment-Analyse bewertet einzelne Eigenschaften getrennt, etwa „Beratung freundlich, Gebühren hoch“. Für Brands ist diese Ebene meist die aufschlussreichere, weil sie zeigt, woran ein Gesamtwert hängt.
Schwierig bleiben gemischte Aussagen. Ein Satz wie „zuverlässig, aber teuer“ enthält eine positive und eine negative Zuschreibung. Je nachdem, wie ein Verfahren solche Aussagen gewichtet, fällt der Gesamtwert anders aus.
LLM-as-a-Judge
LLM-as-a-Judge (englisch für „Sprachmodell als Richter“, LLM steht für Large Language Model) bezeichnet ein Verfahren, bei dem ein Sprachmodell Texte nach festgelegten Kriterien bewertet, etwa nach Qualität, Richtigkeit oder Tonalität. Bekannt wurde der Ansatz durch eine Studie von Lianmin Zheng und weiteren Forschenden aus dem Jahr 2023. Darin stimmten starke Modelle wie GPT-4 als Bewerter in über 80 % der Fälle mit menschlichen Präferenzen überein, also etwa so oft wie Menschen untereinander. Die Studie benennt aber auch typische Verzerrungen. Bewertende Modelle bevorzugen teils die zuerst gezeigte Antwort, längere Antworten oder Antworten des eigenen Modells.
Ein automatisch vergebener Sentiment-Wert ist selbst das Ergebnis einer Modellentscheidung. Vor Maßnahmen sollten deshalb die zugrunde liegenden Antworttexte gelesen werden.
Sentiment in KI-Antworten
In der KI-Suche bezeichnet Sentiment die Tonalität, mit der eine KI-Antwort eine Brand einordnet, wenn sie sie nennt. Formulierungen wie „gilt als günstig und innovativ“ oder „wird häufig als schwer erreichbar beschrieben“ sind solche Einordnungen. Voraussetzung ist eine Brand Mention, also die Nennung der Brand im Antworttext. Ohne Nennung gibt es kein Brand-Sentiment.
Sentiment ist damit eine von drei Größen, die oft vermischt werden. Die Mention zeigt, ob eine Brand genannt wird. Die Citation zeigt, ob eine Domain als Quelle referenziert oder verlinkt wird. Das Sentiment zeigt, wie die Brand dargestellt wird. Mention und Citation treten unabhängig voneinander auf. Sentiment setzt eine Mention voraus, sagt aber nichts darüber, wie oft sie vorkommt. Eine Brand kann häufig genannt und trotzdem kritisch beschrieben werden.
Die Sentiment-Skala von 0 bis 100
Nach KKP-Definition steht 50 für neutral, Werte darüber zeigen eine überwiegend positive Darstellung, Werte darunter eine überwiegend negative. Laut Dokumentation von Peec AI liegen die meisten Werte zwischen 65 und 85. Ein Wert von 70 ist deshalb positiv, aber unauffällig. KKP und Peec AI nutzen dieselbe Skala, aber nicht unbedingt dasselbe Rechenverfahren (siehe Vergleichbarkeit).
Aussagekräftig wird ein Wert erst im Vergleich. Entscheidend ist, wie eine Brand gegenüber ihren Wettbewerbern im selben Promptset abschneidet und wie sich der Wert über mehrere Monate entwickelt.
Sentiment in der Bankenbranche
Wie weit Sentiment-Werte auseinanderliegen können, zeigt der KKP Industry Report Bankenbranche. Ausgewertet wurden 64.592 KI-Antworten aus fünf KI-Kanälen über 273 Tage, vom 01.01. bis 30.09.2026. Erfasst wurden ChatGPT, Perplexity, Google AI Overviews, Google AI Mode und Gemini, die im Juli 2026 abgeschaltete OpenAI Search API ist herausgerechnet. Datenquelle war Peec AI. Der Report berechnet Sentiment als Anteil positiver Zuschreibungen an allen wertenden Zuschreibungen, die KI-Modelle einer Brand geben. Ein Wert von 50 heißt also, dass positive und negative Zuschreibungen gleich häufig sind.
Unter den zwölf Brands im Sentiment-Ranking reicht die Spanne von 89,3 für Smava bis 39,5 für die Sparkasse. Der Durchschnitt liegt bei 62,2. Drei Brands liegen unter 50, bei ihnen überwiegen negative Zuschreibungen.
Die KI-Modelle beschreiben Fintechs und Neobroker als innovativ und benutzerfreundlich. Smava ordnen sie die Eigenschaften benutzerfreundlich, transparent und sicher zu, Scalable Capital kosteneffizient, innovativ und benutzerfreundlich. Klassische Institute erhalten zwar das positive Attribut „sicher“, direkt dahinter folgen aber „unerreichbar“ und „altmodisch“. Sicherheit allein reicht in den KI-Antworten nicht für eine positive Einordnung.
Brand Perception in KI-Antworten
Sentiment gibt die Richtung der Bewertung an. Die Brand Perception beschreibt ihren Inhalt, also die Eigenschaften, die KI-Systeme einer Brand zuschreiben. Zwei Brands können ähnliche Sentiment-Werte aus ganz unterschiedlichen Gründen haben. Die eine gilt als günstig, die andere als zuverlässig. Für Maßnahmen sind diese Eigenschaften wichtiger als die Zahl.
Die Beispiele zeigen auch, dass Sichtbarkeit und Sentiment getrennte Kennzahlen sind. Die Sparkasse wurde in KI-Antworten häufiger genannt als Smava und hatte trotzdem das niedrigste Sentiment unter den zwölf Brands im Ranking. Bei den Versicherern ist der Unterschied in der Sichtbarkeit noch größer. Die Allianz ist der sichtbarste Versicherer im Report und hat zugleich das niedrigste Sentiment unter den zwölf Versicherern im Ranking. Genannt zu werden heißt also nicht, gut bewertet zu werden.
Neben der Tonalität zählt die Richtigkeit. KI-Antworten können veraltete Konditionen oder falsche Produktmerkmale wiedergeben. In einer Umfrage von Semrush unter 481 Befragten aus Marketing und SEO gaben 30 % an, ihre Brand werde in KI-Antworten falsch beschrieben (Einordnung im Artikel zur KI-Sichtbarkeit auf verschiedenen Plattformen). Die Prüfung der zugeschriebenen Eigenschaften im Vergleich zum Wettbewerb, inklusive veralteter oder falscher Aussagen, ist deshalb ein eigener Baustein der AI-Search-Beratung von KKP.
Wie lässt sich das Sentiment in KI-Antworten verbessern?
KI-Systeme bilden ihr Urteil über eine Brand aus den Quellen, die sie abrufen, und aus ihren Trainingsdaten. Die eigene Website ist dabei nur eine Quelle unter vielen. Fachmedien, Vergleichsportale, Bewertungsplattformen und Communities prägen das Bild mit. Im Bankenreport wurde handelsblatt.com kanalübergreifend in 35,4 % der KI-Antworten als Quelle genutzt, bei Perplexity in 56,5 %.
Im Stufenmodell von KKP, der AI Search Visibility Pyramide, steht Sentiment auf der vierten von fünf Stufen. Davor kommen ein solides SEO-Fundament, zitierfähige Inhalte und die Präsenz in Fremdquellen. Wer am Sentiment arbeitet, bevor die eigenen Inhalte überhaupt zitiert werden, setzt an der falschen Stelle an. Für die Arbeit am Sentiment selbst gilt dann diese Reihenfolge.
- Antworten mit Nennung auswählen. Werte aus Antworten ohne Brand-Nennung beschreiben die Tonalität gegenüber dem Thema oder dem Markt, nicht gegenüber der Brand.
- Nach Relevanz priorisieren. Zuerst kommen wirtschaftlich wichtige Produkte mit dem schwächsten Sentiment.
- Die Ursache im Antworttext lesen. Oft steckt ein „ja, aber“ dahinter, etwa ein hoher Leistungsumfang bei einer sehr weiten Preisspanne.
- Maßnahmen trennen. Klarere Preis- und Leistungsangaben lassen sich im Content umsetzen. Was am Produkt oder am Service liegt, gehört an den Fachbereich.
- Drittquellen pflegen. Bewertungen beantworten und Missverständnisse in Communities sachlich klären. Gefälschte Bewertungen und inszenierte Beiträge sind tabu.
Welche Missverständnisse gibt es beim Sentiment?
Ein hoher Wert beweist keine gute Wahrnehmung
Ein Sentiment-Wert gilt nur für die Fragen, die gemessen werden. Enthält das Promptset vor allem Fragen nach den besten Anbietern, fehlen kritische Antworten von vornherein. Ein Ergebnis ganz ohne negative Antworten ist deshalb eher ein Prüfsignal als ein Erfolg. Belastbar wird der Wert erst, wenn das Set auch Fragen zu Kosten, Kündigung oder Erfahrungen enthält.
Eine einzelne Antwort ergibt keinen belastbaren Sentiment-Wert
KI-Antworten schwanken stark. Laut einer Untersuchung von SparkToro liegt die Chance, dass ChatGPT oder Googles KI-Antworten bei 100 Anfragen zweimal dieselbe Liste von Brands liefern, unter 1 zu 100. Ein Screenshot zeigt eine Momentaufnahme. Belastbar sind nur Mittelwerte über viele Läufe, wie sie im Artikel zum AI Visibility Tracking beschrieben sind.
Sentiment-Werte verschiedener Tools und Reports sind nicht vergleichbar
Die Berechnung unterscheidet sich. Peec AI bewertet die Gesamttonalität der Antworten. Die KKP Industry Reports nutzen Peec AI als Datenquelle, weisen als Sentiment aber den Anteil positiver an allen wertenden Zuschreibungen aus. Auch innerhalb einer Report-Reihe kann sich das Verfahren ändern. Die erste Ausgabe des Versicherungsreports (04/2026) maß noch das Verhältnis positiver zu negativer Signalwörter, seit der Ausgabe Q2/2026 gilt der Anteil positiver Zuschreibungen. Peec AI und beide Report-Ausgaben nutzen zwar die Skala von 0 bis 100, die Werte stammen aber aus unterschiedlichen Verfahren. Werte beider Ausgaben lassen sich deshalb nicht direkt vergleichen. Vergleichbar sind Werte nur innerhalb derselben Messung, also mit demselben Verfahren und demselben Promptset. Für den Vergleich zwischen Brands muss zusätzlich der Zeitraum übereinstimmen.
Häufige Fragen zu Sentiment
Was versteht man unter Sentiment?
Sentiment bezeichnet eine Empfindung, Stimmung oder Haltung gegenüber einem bestimmten Gegenstand, etwa einem Unternehmen, einem Produkt oder einem Markt. Im Marketing und in der KI-Suche ist damit die Tonalität gemeint, also ob über eine Brand positiv, neutral oder negativ gesprochen wird.
Was bedeutet Sentiment bei Aktien?
An der Börse beschreibt Sentiment die allgemeine Stimmung und Erwartungshaltung der Marktteilnehmer, also ob sie eher mit steigenden oder fallenden Kursen rechnen. Erfasst wird es zum Beispiel über Anlegerumfragen, Put-Call-Ratios oder Volatilitätsindizes wie den VIX.
Was ist Sentiment-Analyse?
Sentiment-Analyse ist die automatisierte Erkennung der Tonalität in Texten. Die Verfahren reichen von Wortlisten mit positiven und negativen Begriffen über trainierte Klassifikatoren bis zu Sprachmodellen, die Texte anhand einer Anweisung bewerten.
Was ist ein guter Sentiment-Wert in KI-Antworten?
Auf der Skala von 0 bis 100 steht 50 für neutral, Werte darüber zeigen eine überwiegend positive Darstellung. Laut Peec AI liegen die meisten Werte zwischen 65 und 85, deshalb sagt der Vergleich mit Wettbewerbern im selben Promptset mehr als der absolute Wert.
Was ist der Unterschied zwischen Sentiment und Sichtbarkeit?
Die Sichtbarkeit zeigt, in welchem Anteil der KI-Antworten eine Brand genannt wird, das Sentiment, wie sie dabei dargestellt wird. Im KKP Industry Report Bankenbranche war die Sparkasse sichtbarer als Smava (13,0 % gegenüber 10,5 %), hatte aber mit 39,5 das niedrigste Sentiment unter den zwölf Brands im Ranking.
Weiterführende Ressourcen und Quellen
- DWDS: Sentiment (Bedeutung und Herkunft)
- boerse.de: Sentiment im Börsenlexikon
- Peec AI Docs: Sentiment (Skala 0 bis 100)
- KKP Industry Report: AI Visibility in der Bankenbranche (Q3/2026)
- KKP Industry Report: AI Visibility in der Versicherungsbranche (Q2/2026)
- Zheng et al.: Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena (NeurIPS 2023)
- Semrush: Umfrage zur Integration von AI Search und SEO, 481 Befragte (06/2026)
- SparkToro: AIs are highly inconsistent when recommending brands or products (01/2026)
Einsatz von künstlicher Intelligenz
Dieser Beitrag wurde mithilfe künstlicher Intelligenz erstellt und von unseren Fachexperten sorgfältig überprüft, um sicherzustellen, dass die Informationen korrekt, verständlich und nützlich sind.
AI Search Guide: Sichtbar in ChatGPT & Co.
Der Praxis-Guide zeigt auf 164 Seiten, wie eine Brand in ChatGPT, Google AI Overviews, Gemini und Perplexity sichtbar wird, von den Grundlagen über Messung und KPIs bis zu konkreten Maßnahmen.
Kostenlos herunterladen →