Jenseits klassischer Suchmaschinen: LLM-basierte Entscheidungsfindung im B2B-Bereich
Traditionelle Suche vs. LLM-basierte Suche – Die wichtigsten Unterschiede
Laut Spatharioti et al. (2023) haben die jüngsten Fortschritte in Large Language Models (LLMs) neue Möglichkeiten für die Online-Suche eröffnet und die Interaktion mit Informationen grundlegend verändert. Traditionelle Suchmaschinen wie Google liefern in der Regel eine Liste von Links und kurzen Zusammenfassungen, sodass Nutzer:innen mehrere Quellen durchsuchen müssen, um relevante Informationen zu sammeln und zu bewerten. Diese Methode bietet zwar Vorteile – wie die Vielfalt der Quellen und Glaubwürdigkeitsindikatoren (z. B. vertrauenswürdige Domains) – hat aber auch Einschränkungen. Nutzer:innen müssen oft mehrere Anfragen eingeben, um ihre Suche zu verfeinern, insbesondere wenn sie nach spezifischen oder komplexen Antworten suchen. Dieser Prozess kann zeitaufwendig sein und oft fehlt das nötige Kontextverständnis für nuancierte Fragen.
Im Gegensatz dazu bietet die LLM-basierte Suche eine konversationelle Benutzeroberfläche, die Informationen aus verschiedenen Quellen zu einer kohärenten Antwort zusammenfügt. Nutzer:innen können komplexe, kontextreiche Suchanfragen stellen und erhalten direkte, strukturierte Antworten, ohne durch mehrere Links navigieren zu müssen.
Die Forschung von Spatharioti et al. (2023) zeigt, dass LLM-basierte Suchwerkzeuge die Benutzerzufriedenheit und Effizienz erheblich verbessern können, insbesondere bei entscheidungsrelevanten Aufgaben, da sie sowohl die benötigte Zeit als auch die Anzahl der Suchanfragen reduzieren.
Allerdings weist die Studie auch auf eine zentrale Herausforderung hin: die übermässige Abhängigkeit von LLM-generierten Antworten. Da LLMs gelegentlich faktisch falsche Informationen erzeugen (ein Phänomen, das als „Halluzination“ bekannt ist), besteht das Risiko, dass Nutzer:innen den Ergebnissen blind vertrauen, ohne sie zu überprüfen. Dies kann zu suboptimalen Entscheidungen führen, insbesondere wenn Fehler nicht sofort erkennbar sind. Um dies zu adressieren, experimentierten die Forscher:innen mit vertrauensbasierten Markierungen und fanden heraus, dass farbcodierte Unsicherheitsindikatoren den Nutzer:innen halfen, potenziell irreführende Informationen zu identifizieren und zu überprüfen.
In den folgenden Abschnitten zeigen wir, wie sich diese theoretischen Unterschiede zwischen traditioneller und LLM-basierter Suche in einem realen Geschäftsszenario auswirken und welchen Einfluss generative KI auf die B2B-Entscheidungsfindung haben kann.
Praxisbeispiel: Die Suche nach nachhaltigen Verpackungslösungen
Stellen wir uns folgendes Szenario vor: Ein Schweizer KMU aus der Konsumgüterbranche bereitet sich auf das Weihnachtsgeschäft vor – eine Zeit mit stark steigender Nachfrage. Dieses Jahr setzt das Unternehmen jedoch verstärkt auf Nachhaltigkeit, um den veränderten Kundenbedürfnissen und CSR-Zielen gerecht zu werden. Eine der zentralen Herausforderungen ist die Beschaffung nachhaltiger Verpackungslösungen für den Versand grosser Produktmengen innerhalb der Schweiz.
Die Suche soll nicht nur einen beliebigen Verpackungslieferanten finden, sondern lokale, umweltfreundliche und kosteneffiziente Lösungen, die auch für hohe Versandvolumen geeignet sind.
Die Google-Suche
Mit einer klassischen Google-Suche nach „Beste nachhaltige Verpackungslieferanten für B2B-Weihnachtsversand in der Schweiz“ erscheinen verschiedene Links und Ressourcen, darunter:
• Ein Artikel über fünf nachhaltige Verpackungslieferanten in Europa – jedoch befindet sich nur einer davon in der Schweiz, sodass weitere Recherchen notwendig sind.
• Die Website der Model Group Schweiz mit nachhaltigen Verpackungslösungen – allerdings müssen sich Nutzer:innen erst durch die Website navigieren, um relevante Informationen zu finden.
• Eine Nachhaltigkeitsseite von Swiss Food & Nutrition Valley, die Nestlés Recyclinginitiativen erwähnt – jedoch nicht direkt für Verpackungsbeschaffung relevant ist.
• Informationsseiten von FedEx und DHL über umweltfreundliche Versandoptionen – aber ohne direkten Bezug zu B2B-Verpackungslieferanten in der Schweiz.
Die Google-Suche liefert eine breite Palette an Informationen, erfordert jedoch manuelle Nachbearbeitung, Filterung und Verifikation.
Die ChatGPT-Suche
Mit ChatGPT formuliert das Unternehmen eine detailliertere Anfrage:
„Welche sind die besten nachhaltigen Verpackungsoptionen für den Versand grosser Mengen an Weihnachtsprodukten für B2B in der Schweiz, mit Fokus auf umweltfreundliche und kosteneffiziente Lösungen?“
ChatGPT liefert eine strukturierte Liste mit Schweizer Lieferanten, einschliesslich:
1. PAWI Verpackungen (Winterthur, Schweiz) – spezialisiert auf nachhaltige Papier- und Kartonverpackungen.
2. Model Group (Weinfelden, Schweiz) – bekannt für recycelbare Verpackungslösungen.
3. Ecobiopack (Schweiz) – nachhaltige Verpackungen für die Gastronomie.
4. EcoPack (Entlebuch, Schweiz) – CO2-neutrale Holzverpackungen.
5. Steinfels Swiss (Winterthur, Schweiz) – Verpackungen aus 100 % recyceltem Kunststoff.
Jeder Eintrag enthält den Namen des Unternehmens, den Standort und eine kurze Zusammenfassung seiner nachhaltigen Praktiken. Das Ergebnis ist eine übersichtlich organisierte Liste von Optionen, die direkt auf die spezifischen Anforderungen der Suchanfrage eingeht. Es ist nicht notwendig, mehrere Links zu öffnen oder verschiedene Websites zu vergleichen – die Informationen sind in einer einzigen Antwort zusammengefasst und sofort verwertbar.
Zentrale Erkenntnisse aus dem Vergleich
1. Effizienz und Geschwindigkeit: Die Antwort von ChatGPT zeigt einen der grössten Vorteile der LLM-basierten Suche: Sie liefert eine umfassende, gut strukturierte Antwort in einem einzigen Schritt. Für ein Unternehmen mit engen Fristen ist diese Effizienz von unschätzbarem Wert. Die Google-Ergebnisse sind zwar informativ, erfordern jedoch zusätzliche Schritte, um ein vergleichbares Mass an Spezifität und Benutzerfreundlichkeit zu erreichen, was zeitaufwendig sein kann.
2. Kontextuelle Relevanz: Die Google-Ergebnisse bieten allgemeine Informationen mit einigen relevanten Links, aber der geografische Fokus ist breiter gefasst und erstreckt sich über Europa, anstatt sich ausschliesslich auf die Schweiz zu konzentrieren. ChatGPT hingegen liefert spezifisch Schweizer Lieferanten, die direkt auf den Bedarf des Unternehmens nach lokalen und nachhaltigen Verpackungslösungen eingehen. Diese präzise Kontextanpassung verdeutlicht die Stärke von LLMs bei der Bearbeitung komplexer, ortsspezifischer Anfragen.
3. Vergleichbarkeit: In den ChatGPT-Ergebnissen wird jeder Lieferant mit ausreichend Details beschrieben, sodass ein sofortiger, direkter Vergleich möglich ist. Die strukturierte Antwort ermöglicht es dem Unternehmen, schnell zu beurteilen, welche Anbieter am besten zu seinen Anforderungen passen, ohne verschiedene Websites aufrufen zu müssen. Im Gegensatz dazu erfordert die Google-Suche, dass Nutzer:innen jeden Link einzeln besuchen, was den Vergleich erheblich erschwert.
4. Nutzererlebnis: ChatGPT bietet eine kuratierte Erfahrung, bei der die wichtigsten Informationen leicht verständlich und sofort nutzbar bereitgestellt werden. Die konversationelle Antwort passt sich exakt an die Bedürfnisse des Unternehmens an, während die Google-Ergebnisse zusätzliche Filterung und manuelle Recherche erfordern. Dieser Unterschied zeigt, wie ChatGPT eine überlegene Benutzererfahrung für spezifische, nuancierte B2B-Anfragen bieten kann.
Implikationen und Risiken
Das Beispiel der Suche nach nachhaltigen Verpackungslieferanten zeigt, wie LLM-basierte Suchwerkzeuge wie ChatGPT die Entscheidungsfindung für B2B-Unternehmen erheblich verbessern können. Durch schnelle, synthetisierte Antworten auf komplexe Anfragen ermöglicht generative KI es Unternehmen, informierte Entscheidungen schneller zu treffen, insbesondere in Situationen, in denen Zeit eine kritische Rolle spielt.
Risiken, die berücksichtigt werden sollten
Trotz der klaren Vorteile gibt es auch Risiken im Zusammenhang mit der Nutzung von LLM-basierten Suchwerkzeugen:
1. Potenzielle Ungenauigkeiten: LLMs wie ChatGPT können gelegentlich „Halluzinationen“ erzeugen – also faktisch falsche, aber plausibel klingende Informationen. Im geschäftlichen Umfeld könnten ungenau recherchierte Daten zu suboptimalen Entscheidungen oder teuren Fehlern führen, wenn sie nicht überprüft werden. Die Forschung zeigt, dass eine übermässige Abhängigkeit von LLM-generierten Antworten ohne Überprüfung riskant sein kann, insbesondere bei geschäftskritischen Entscheidungen.
2. Fehlende Quellennachweise: Im Gegensatz zu traditionellen Suchmaschinen, die direkt auf Originalquellen verlinken, fasst ChatGPT Informationen zusammen, ohne immer eine klare Quellenangabe zu liefern. Diese fehlende Transparenz kann es für Nutzer:innen erschweren, Informationen direkt zu verifizieren. B2B-Entscheider:innen sollten LLM-basierte Ergebnisse daher als Ausgangspunkt betrachten und sie mit zusätzlichen Quellen absichern, um ihre Genauigkeit sicherzustellen.
3. Eingeschränkte Eignung für spezialisierte Anfragen: Während LLMs bei allgemeinen und moderat komplexen Anfragen glänzen, können sie bei hochgradig spezialisierten oder technischen Fragen an ihre Grenzen stossen. Für solche nischenspezifischen Recherchen können traditionelle Suchmaschinen nach wie vor zuverlässigere Einblicke bieten.
KI und menschliches Urteilsvermögen ausbalancieren
Um die Vorteile der LLM-basierten Suche optimal zu nutzen, sollten B2B-Unternehmen diese Werkzeuge als Ergänzung zu einer umfassenden Entscheidungsstrategie betrachten. ChatGPT kann für erste Recherchen und Ideenfindung genutzt werden, doch es ist entscheidend, weiterhin auf traditionelle Verifikationsmethoden zu setzen und kritische Datenquellen zu vergleichen. Indem Unternehmen KI-gestützte Einblicke mit menschlichem Fachwissen kombinieren, können sie die Produktivität steigern, die Entscheidungsqualität verbessern und gleichzeitig die potenziellen Risiken minimieren.
Die LLM-basierte Suche verändert grundlegend, wie Unternehmen Informationen abrufen und Entscheidungen treffen. Dennoch erfolgen rund 80% der Suchanfragen weiterhin über klassische Suchmaschinen und traditionelle Recherchemethoden. Dies verdeutlicht, dass trotz der Fortschritte in KI-gestützten Werkzeugen viele Unternehmen weiterhin auf etablierte Suchpraktiken setzen. Der Schlüssel liegt in der intelligenten Integration beider Ansätze – KI zur Effizienzsteigerung, traditionelle Methoden zur Verifizierung. Durch die Kombination der Stärken beider Welten können Unternehmen ihre Entscheidungsprozesse optimieren, Fehler minimieren und gleichzeitig die Zuverlässigkeit und Glaubwürdigkeit ihrer Daten sicherstellen.
Die Zukunft der KI-Suche: Mehr als nur Informationsbeschaffung
Die Entwicklung der KI-gestützten Suche schreitet rasant voran, und Agentic AI, wie OpenAIs Operator, könnte diesen Wandel noch weiter beschleunigen. Im Gegensatz zu heutigen Suchwerkzeugen soll Operator nicht nur Informationen bereitstellen, sondern auch aktiv handeln – sei es durch automatische Lieferantenrecherchen, oder sogar den Einkauf.
Stellen Sie sich eine Zukunft vor, in der KI Beschaffungsprozesse autonom verwaltet und Kaufentscheidungen trifft. Während diese Technologie noch in der Entwicklung ist, deutet sie darauf hin, dass KI nicht nur Entscheidungen unterstützt – sondern sie bald auch ausführen könnte.
