Wie Softonic ein zehn Jahre altes KI-Reputationsproblem in 4 Monaten löste

Für wen sich diese Fallstudie lohnt: Marken-, SEO- und Kommunikationsteams in Unternehmen, die schon lange online sind und bei denen sich KI-Antworten noch auf Dinge stützen, die seit Jahren nicht mehr stimmen.

Das Wichtigste in Kürze

KI-Modelle stuften Softonic als riskante Download-Plattform ein, obwohl das Unternehmen jahrelang seinen Katalog bereinigt und seine Vertrauenssignale verbessert hatte. In den vier Monaten nach der Einführung von LLM Pulse ermittelte das Team die konkreten Prompts, die diese Wahrnehmung prägten, entwickelte darauf aufbauend einen gezielten Content- und PR-Plan und steigerte das positive Sentiment bei den Prompts ohne Markenbezug im Tracking um 7 Prozentpunkte.

Über Softonic

Softonic ist eine der weltweit größten Entdeckungsplattformen für Software und erreicht jedes Jahr mehr als 100 Millionen Menschen in über 20 Sprachen. Der Katalog reicht von Open-Source-Hilfsprogrammen bis zu kommerziellen Produktivitäts-Apps, und hinter jedem Eintrag stehen redaktionelle Testberichte und Sicherheitsscans.

Das Problem: eine Lücke im KI-Sentiment, die das Team nicht sehen konnte

Laut klassischen SEO- und Markenmonitoring-Tools war bei Softonic alles in Ordnung. Der organische Traffic war solide, die Suchanfragen nach der Marke blieben stabil, und Bewertungsportale vergaben gute Noten.

Dann begann das Team, ChatGPT, Perplexity und Gemini stichprobenartig zu prüfen, und das Bild sah ganz anders aus:

• „Is Softonic safe?“ ergab in 3 von 5 Modellen relativierende, vorsichtige Antworten.
• Bei ausführlichen Prompts zu Softwareempfehlungen tauchten häufig Warnhinweise zu früheren Problemen auf, die zehn Jahre zurücklagen.
• Wettbewerber mit kleineren Katalogen wurden in 47 % der Prompts mit Direktvergleich vor Softonic empfohlen.

Das Team brauchte eine Möglichkeit, diese Lücke zu quantifizieren, zu entscheiden, was zuerst behoben werden sollte, und zu messen, ob die Korrekturen wirkten.

So ging Softonic mit LLM Pulse vor

Schritt 1: Die Prompts ermitteln, auf die es wirklich ankommt

Mit Prompt-Tracking richtete das Team 450 Prompts mit hoher Kaufabsicht auf Englisch und Spanisch ein: Auf diese beiden Sprachen entfällt der Großteil des Risikos, dem Softonic in der KI-Suche ausgesetzt ist. Jeder Prompt wird wöchentlich in ChatGPT, Perplexity, Gemini, Google AI Mode (KI-Modus) und Google AI Overviews (in der deutschen Google-Suche: Übersichten mit KI) ausgeführt.

Nach dem ersten Durchlauf hatte das Team eine Rangliste der Prompts, bei denen Softonic die geringste Sichtbarkeit, das negativste Sentiment oder beides aufwies.

Schritt 2: Mit Sentiment-Tracking das Narrativ aufdecken

Das Sentiment-Tracking zerlegte jede Erwähnung von Softonic in drei Bestandteile: die Polarität (positiv, neutral oder negativ), die Themen dahinter (Sicherheit, Werbung, gebündelte Zusatzsoftware, App-Qualität) und die Quellen, die das Modell als Beleg zitierte.

Da machte es Klick. 78 % des negativen Sentiments stammten aus alten Foren-Threads und einem einzigen Vorfallsbericht aus dem Jahr 2014, den KI-Modelle über veraltete Zitierungen immer wieder abriefen.

Schritt 3: Zitierungen und Content-Empfehlungen in Maßnahmen umsetzen

Ab da ergab sich das Vorgehen von selbst:

• PR- und Outreach-Maßnahmen, um die zitierten Quellen nach Möglichkeit zu aktualisieren. Mehr als 95 % davon waren über 10 Jahre alt.
• Überarbeitung der Inhalte auf den 22 wirkungsstärksten Seiten, die in den Content-Empfehlungen markiert waren, mit Schwerpunkt auf Sicherheit, Transparenz und Vertrauenssignalen.
• Neue maßgebliche Landingpages für die Fragen, zu denen KI-Modelle nichts Aktuelles zitieren konnten.
• GEO Testing für A/B-Tests von Layout und Platzierung der Vertrauenssignale.

Schritt 4: Jede Woche messen

Jeden Montag prüft das Team die Sichtbarkeit je Prompt-Cluster (Erwähnungsrate und AI Visibility Score), die Veränderung des Sentiments im Wochenvergleich, neue Zitierungen, die die überarbeiteten Seiten erhalten haben, und den Share of Voice gegenüber den vier wichtigsten Wettbewerbern.

Die Ergebnisse nach vier Monaten

Der Netto-Sentiment-Score hat sich in vier Monaten um 7 Prozentpunkte verbessert. Wer jetzt ein KI-Modell nach Softonic fragt, erhält ein Bild des Unternehmens, wie es heute ist, statt eines Bildes, das von einem zehn Jahre alten Vorfallsbericht geprägt ist. Das Team wiederholt denselben Ablauf jede Woche und arbeitet weiter daran.

„Zu verstehen, wie LLMs unsere Marke wahrnehmen, ist nicht mehr optional. Es ist die nächste Stufe einer modernen SEO-Strategie. LLM Pulse gibt uns den tiefen Einblick, den wir brauchen, um genau zu sehen, was unsere KI-Sichtbarkeit beeinflusst. Es hat unser Bauchgefühl in eine Roadmap mit umsetzbaren Schritten verwandelt und sorgt dafür, dass unsere Inhalte in allen wichtigen Modellen korrekt wahrgenommen werden.“

Ferran Gavin, Leitung Katalog und Traffic, Softonic

Warum es funktioniert hat

• Abdeckung mehrerer Modelle. Softonic hörte auf, für ein einzelnes Modell zu optimieren, und optimierte stattdessen für die Antwort, die Menschen bekommen sollen, ganz gleich, welche KI gefragt wird.
• Prompts als Arbeitseinheit. Statt eines vagen Ziels wie „Markenwahrnehmung verbessern“ hatte das Team eine klar begrenzte Liste von Prompts und für jeden davon ein eindeutiges Kriterium, wann er als erledigt gilt.
• Sentiment und Zitierungen zusammen. Die Polarität allein hätte nur bestätigt, dass es ein Problem gab. Die Zitierungen zeigten dem Team, welche Quellen es gezielt korrigieren musste.

Gehen Sie genauso vor

Wenn Ihre Marke seit zehn Jahren online ist, antworten KI-Modelle womöglich noch mit Quellen, die Sie schon seit Jahren nicht mehr wiedererkennen. Starten Sie eine kostenlose Testphase und sehen Sie, welche Prompts und welche Quellen die Antworten über Ihre Marke heute prägen, oder sprechen Sie mit uns, wenn Sie das Ganze lieber zuerst mit jemandem durchgehen möchten.