Mitarbeiterstimmen, Tonalität, Haltung sind unterschätzte Kultur-Signale für KI-Systeme

Unternehmen investieren erhebliche Ressourcen in Markenbotschaften, Arbeitgeberpositionierung, Leitbilder und Corporate Language. Gleichzeitig entsteht ein wachsender Teil des öffentlich wahrnehmbaren Unternehmensbildes an einer ganz anderen Stelle: in Interviews mit Beschäftigten, Karrierebeiträgen, Bewertungen, Projektberichten, LinkedIn-Posts, Podcasts, Videos, Kommentaren und persönlichen Erfahrungsberichten. Für Menschen waren solche Inhalte schon immer wichtige Indizien dafür, wie ein Unternehmen tatsächlich funktioniert. Mit generativen KI-Systemen gewinnen sie eine zusätzliche Bedeutung.

Denn Systeme wie ChatGPT, Google Gemini, Google AI Overviews, AI Mode, Microsoft Copilot oder Perplexity verarbeiten Unternehmen nicht ausschließlich über ihre offiziellen Leistungsbeschreibungen. Je nach System, Anfrage, Datenbasis und Retrieval-Verfahren können zahlreiche öffentlich verfügbare Informationen zusammengeführt werden. Dabei sind nicht nur Fakten relevant. Auch sprachliche Zusammenhänge, Bewertungen, wiederkehrende Themen, Perspektiven und Tonalitäten können Teil des semantischen Kontextes werden, aus dem eine Antwort erzeugt wird.

Mitarbeiterstimmen sind deshalb nicht nur ein Instrument des Employer Brandings. Sie können zu maschinenlesbaren Evidenzpunkten dafür werden, wofür ein Unternehmen steht, wie es handelt und welche Kultur ihm öffentlich zugeschrieben werden kann.

Können KI-Systeme Unternehmenskultur aus Mitarbeiterstimmen erkennen?

Nicht im menschlichen Sinne und nicht als objektive Messung.

KI-Systeme können Unternehmenskultur jedoch indirekt aus sprachlichen Mustern erschließen. Wenn öffentlich verfügbare Inhalte wiederholt bestimmte Eigenschaften mit einem Unternehmen verbinden – beispielsweise Offenheit, Innovationsbereitschaft, Hierarchie, Verantwortung, Nachhaltigkeit, Kundenorientierung, Lernbereitschaft oder Konfliktfähigkeit –, entsteht ein semantisches Muster.

Besonders relevant können dabei sein:

• konkrete Erfahrungen von Beschäftigten,
• wiederkehrende Aussagen verschiedener Personen,
• Wortwahl und Tonalität,
• beschriebene Entscheidungen und Verhaltensweisen,
• Bewertungen und Erfahrungsberichte,
• Führungskräfte- und Mitarbeiterinterviews,
• öffentliche Reaktionen auf Kritik,
• Karriere- und Unternehmenskommunikation,
• Fallbeispiele aus dem Arbeitsalltag,
• externe Erwähnungen dieser Aussagen.

Ein einzelnes Zitat beweist keine Unternehmenskultur. Viele voneinander unabhängige, inhaltlich konsistente Aussagen können jedoch ein deutlich stärkeres semantisches Signal bilden.

Von der Markenbotschaft zum Evidenzmuster

Klassische Unternehmenskommunikation funktioniert häufig nach einem Senderprinzip: Unternehmen definieren eine Botschaft und verbreiten diese möglichst konsistent.

Generative Systeme funktionieren anders.

Sie können eine Vielzahl von Quellen, Textpassagen und Zusammenhängen gegeneinanderstellen. Dadurch wird eine Behauptung wie:

„Bei uns steht der Mensch im Mittelpunkt.“

grundsätzlich weniger informationsreich als beispielsweise:

„Wenn neue Kolleginnen oder Kollegen in ein Projekt einsteigen, erhalten sie während der ersten Wochen feste Ansprechpartner und nehmen an den Redaktionskonferenzen von Beginn an teil.“

Die erste Aussage ist ein abstraktes Selbstbild. Die zweite Aussage liefert beobachtbares Verhalten.

Für die maschinelle Einordnung eines Unternehmens sind solche konkreten Zusammenhänge besonders interessant, weil sie Entitäten, Eigenschaften und Handlungen miteinander verbinden.

Aus Unternehmen + Menschlichkeit wird beispielsweise:

Unternehmen + Onboarding + feste Ansprechpartner + Beteiligung + Arbeitsorganisation.

Semantisch ist das wesentlich reichhaltiger.

KI-Systeme lesen keine Kultur – sie modellieren sprachliche Zusammenhänge

Eine zentrale Fehlannahme wäre, dass ein Large Language Model eine Organisation „analysiert“ und anschließend objektiv entscheidet: „Dieses Unternehmen besitzt eine offene Unternehmenskultur.“

So funktionieren generative Systeme nicht.

Vereinfacht betrachtet verarbeiten moderne Such- und KI-Systeme Informationen über statistische, semantische und kontextuelle Beziehungen zwischen Sprachelementen, Dokumenten, Quellen und Entitäten.

1. Semantische Repräsentationen

Texte werden nicht ausschließlich anhand identischer Wörter verglichen. Moderne Retrieval- und Sprachsysteme können auch inhaltlich ähnliche Aussagen erkennen.

Die Aussagen

„Unsere Führungskräfte entscheiden gemeinsam mit den Teams.“

und

„Mitarbeitende werden frühzeitig in Entscheidungen einbezogen.“

enthalten unterschiedliche Wörter, beschreiben aber ähnliche Konzepte. Beide können semantisch Themen wie Partizipation, Führungskultur, Mitarbeiterbeteiligung und Entscheidungsprozesse verstärken.

2. Entitätsbeziehungen

Für generative Antworten ist entscheidend, welche Eigenschaften und Aussagen mit einer Organisation verbunden werden.

Ein Unternehmen kann beispielsweise wiederholt gemeinsam mit Begriffen wie Weiterbildung, Vertrauen, Innovationskultur, Nachhaltigkeit, Teamarbeit oder Kundennähe auftreten.

Je konsistenter solche Beziehungen über hochwertige und voneinander unterscheidbare Quellen sichtbar werden, desto klarer kann das öffentlich verfügbare Informationsbild einer Organisation werden.

3. Sentiment und aspektbezogene Bewertung

Natural-Language-Processing-Verfahren können längst mehr unterscheiden als lediglich „positiv“ und „negativ“. Bei einer aspektbezogenen Sentimentanalyse lässt sich beispielsweise unterscheiden, ob sich eine positive oder negative Bewertung auf Führung, Kommunikation, Vergütung, Arbeitszeit, Weiterbildung, Kollegialität oder Prozesse bezieht.

Ein Text wie „Die Kollegen sind großartig, aber Entscheidungen dauern ewig“ enthält damit mindestens zwei unterschiedliche Kultursignale:

• Kollegialität: positiv
• Entscheidungsprozesse: negativ

Genau diese Differenzierung macht Mitarbeiterstimmen strategisch interessant.

Das Kultur-Signal-Dreieck: Stimme, Tonalität und Haltung

Mitarbeiterstimme: Was wird konkret erzählt?

Mitarbeiterstimmen liefern Erfahrungswissen. Besonders wertvoll sind Aussagen, die konkrete Situationen beschreiben:

• „Bei einem schwierigen Kundenprojekt haben wir …“
• „Nach meinem Einstieg wurde …“
• „Wenn ein Fehler passiert, besprechen wir …“
• „Unsere Projektteams organisieren …“

Solche Aussagen liefern Ereignisse, Akteure und Handlungen. Sie besitzen damit häufig eine höhere semantische Informationsdichte als allgemeine Imageformulierungen.

Tonalität: Wie wird darüber gesprochen?

Tonalität entsteht nicht nur durch einzelne Adjektive. Sie zeigt sich beispielsweise durch:

• Distanz oder persönliche Nähe,
• Sicherheit oder Unsicherheit,
• Begeisterung oder Routine,
• Offenheit oder defensives Formulieren,
• konkrete oder ausweichende Sprache,
• hierarchische oder partnerschaftliche Formulierungen.

Besonders interessant wird Tonalität, wenn sie über zahlreiche Inhalte hinweg konsistent auftritt.

Haltung: Welche Prinzipien zeigen sich im Handeln?

Haltung entsteht für KI-Systeme nicht dadurch, dass auf einer Website „Unsere Werte“ steht. Sie wird deutlich stärker, wenn Werte mit konkreten Situationen verbunden werden.

Ein Unternehmen kann behaupten:

„Wir übernehmen Verantwortung.“

Informationsreicher wäre:

„Als sich während des Projekts herausstellte, dass der geplante Zeitrahmen nicht realistisch war, haben wir den Kunden frühzeitig informiert und gemeinsam eine neue Priorisierung entwickelt.“

Haltung wird semantisch belastbarer, wenn ein abstrakter Wert durch konkrete Handlungssituationen belegt wird.

Warum Mitarbeiterstimmen wertvolle GEO-Inhalte sein können

Für Generative Engine Optimization sind vor allem Inhalte interessant, die nicht beliebig austauschbar sind. Allgemeine Ratgebertexte lassen sich leicht reproduzieren. Echte Mitarbeitererfahrungen dagegen enthalten unternehmensspezifisches Wissen.

Eine KI kann allgemeine Aussagen über Unternehmenskultur generieren. Sie kann jedoch nicht authentisch wissen:

• wie ein bestimmtes Unternehmen ein konkretes Problem gelöst hat,
• was eine bestimmte Projektleiterin dabei erlebt hat,
• warum ein Team eine bestimmte Entscheidung getroffen hat,
• welche internen Erfahrungen daraus entstanden sind,
• wie sich ein bestimmter Mitarbeiter beruflich entwickelt hat.

Dieses Erfahrungswissen gehört zu den Informationen, die ein Unternehmen tatsächlich exklusiv besitzt. Genau deshalb können authentische Stimmen für GEO – Generative Engine Optimization – besonders wertvoll sein.

Von Keyword-Dichte zu semantischer Belegdichte

Die klassische SEO-Diskussion konzentrierte sich über viele Jahre stark auf Keywords. Bei generativen Suchsystemen sollte zusätzlich über einen anderen Begriff nachgedacht werden:

semantische Belegdichte.

Sie beschreibt, wie viele konkrete, nachvollziehbare und voneinander unterscheidbare Informationen ein Inhalt beziehungsweise ein öffentliches Informationsumfeld zu einer bestimmten Aussage liefert.

Nehmen wir die Behauptung:

„Unternehmen X besitzt eine ausgeprägte Weiterbildungskultur.“

Dafür könnten öffentlich folgende Informationen existieren:

• ein Mitarbeiter beschreibt seine berufliche Weiterbildung,
• eine Teamleiterin erklärt das interne Mentoring,
• eine Case Study beschreibt ein Weiterbildungsprojekt,
• eine Karriereseite erläutert Fortbildungsangebote,
• ein externer Arbeitgeberbericht erwähnt Entwicklungsmöglichkeiten,
• ein LinkedIn-Beitrag dokumentiert eine interne Schulung,
• ein Fachinterview beschreibt den Kompetenzaufbau,
• eine Arbeitgeberbewertung erwähnt regelmäßige Weiterbildung.

Jede einzelne Quelle besitzt unterschiedliche Aussagekraft. Gemeinsam entsteht jedoch ein wesentlich dichteres Informationsnetz.

Konsistenz ist wichtig – sterile Einheitlichkeit dagegen problematisch

Unternehmen haben jahrzehntelang versucht, Kommunikation möglichst vollständig zu kontrollieren: jede Formulierung vereinheitlichen, jedes Interview glätten und jede Aussage an die Corporate Language angleichen.

Für eine generative Informationswelt kann das kontraproduktiv werden.

Denn zehn nahezu identische Aussagen erzeugen nicht automatisch zehn hochwertige Informationsbelege. Wertvoller ist inhaltliche Konsistenz bei sprachlicher Vielfalt.

Ein Mitarbeiter sagt beispielsweise:

„Ich kann meinem Chef widersprechen.“

Eine andere Mitarbeiterin sagt:

„Bei uns werden Entscheidungen im Team intensiv diskutiert.“

Ein Projektleiter berichtet:

„Auch Junioren präsentieren ihre Einschätzung direkt beim Kunden.“

Die Aussagen sind sprachlich verschieden. Semantisch verstärken sie jedoch ein gemeinsames Muster: Diskussionskultur, Beteiligung und geringe kommunikative Distanz.

Auch Widersprüche sind Kultur-Signale

GEO- und Reputationsstrategien dürfen deshalb nicht nur darauf ausgerichtet sein, möglichst viele positive Aussagen zu produzieren. Relevant ist auch die Konsistenz unterschiedlicher Quellen.

Stellen wir uns folgendes öffentliches Informationsbild vor:

Unternehmenswebsite:

„Flache Hierarchien und maximale Eigenverantwortung.“

Karriereportal:

„Bei uns übernimmt jeder früh Verantwortung.“

Mitarbeiterinterview:

„Ich konnte bereits im zweiten Monat mein erstes Kundenprojekt leiten.“

Arbeitgeberbewertungen:

„Jede Entscheidung muss über drei Führungsebenen.“

Nun existiert ein semantischer Konflikt. Ein generatives System muss daraus nicht automatisch eine negative Bewertung ableiten. Es können aber verschiedene öffentlich verfügbare Perspektiven Bestandteil der Antwort werden.

Deshalb wird Quellenkonsistenz zu einer wichtigen Dimension digitaler Reputation.

Mitarbeiterkommunikation wird Teil der Corporate Reputation

Bislang wurden verschiedene Kommunikationsdisziplinen häufig getrennt betrachtet:

• Employer Branding kümmert sich um Beschäftigte und Bewerber.
• PR kümmert sich um Öffentlichkeit und Medien.
• SEO kümmert sich um Suchmaschinen.
• Social Media kümmert sich um Reichweite.
• Reputation Management kümmert sich um Bewertungen.
• GEO kümmert sich um generative Such- und Antwortsysteme.

Diese Trennung wird zunehmend künstlich.

Für ein generatives System sind diese Inhalte potenziell Informationen über dieselbe Entität: das Unternehmen.

Corporate Reputation wird damit zunehmend zu einem verteilten semantischen Informationssystem.

Welche Mitarbeiterinhalte besitzen besonders hohe Signalqualität?

Nicht jede Mitarbeiterstory ist automatisch wertvoll.

Austauschbare Aussagen wie:

• „Ich arbeite gerne hier.“
• „Wir sind ein tolles Team.“
• „Kein Tag ist wie der andere.“

besitzen nur geringe Informationsdichte.

Interessanter sind Inhalte, die konkrete Informationen transportieren.

Was passiert tatsächlich im Arbeitsalltag?

„Unsere Redaktionsrunde beginnt jeden Montag mit den offenen Problemen aus den laufenden Projekten.“

Wie werden Entscheidungen getroffen?

„Bei größeren Projekten entscheiden Redaktion, Design und Projektleitung gemeinsam über die inhaltliche Struktur.“

Wie geht das Unternehmen mit Fehlern um?

„Nach problematischen Projekten führen wir eine eigene Nachbesprechung durch und dokumentieren, welche Abläufe wir verändern müssen.“

Wie entsteht Kompetenz?

„Neue Kollegen begleiten zunächst mehrere Kundentermine und übernehmen anschließend schrittweise eigene Gesprächsabschnitte.“

Wie wird mit Konflikten umgegangen?

„Meinungsverschiedenheiten werden nicht über E-Mail-Ketten gelöst, sondern normalerweise direkt im Projektteam besprochen.“

Solche Aussagen beschreiben Kultur über Verhalten.

Der Unterschied zwischen Claim, Beleg und Evidenznetz

Stufe 1: Claim

„Wir haben eine innovative Unternehmenskultur.“

Das Unternehmen behauptet etwas über sich selbst.

Stufe 2: Beleg

„Unsere Entwickler können einen Teil ihrer Arbeitszeit für eigene Prototypen verwenden.“

Eine konkrete Information stützt die Behauptung.

Stufe 3: Evidenznetz

Mehrere Mitarbeiter berichten über daraus entstandene Projekte. Eine Case Study beschreibt einen tatsächlich entwickelten Prototyp. Eine Fachpublikation erwähnt die Lösung. Auf Social Media diskutiert das Team die Ergebnisse.

Jetzt existiert nicht nur eine Behauptung und ein Beleg. Es existiert ein Netzwerk miteinander verbundener Informationen.

Aus Sicht einer GEO-Strategie ist das besonders interessant.

Die stärksten Kultursignale entstehen oft außerhalb klassischer Kulturtexte

Wer GEO-Sichtbarkeit zur Unternehmenskultur verbessern möchte, sollte nicht einfach zahlreiche neue Artikel über „unsere Werte“ veröffentlichen.

Wertvollere Informationsquellen können beispielsweise sein:

• Mitarbeiterinterviews,
• Projektberichte,
• Case Studies,
• Behind-the-Scenes-Beiträge,
• Fachinterviews,
• Podcast-Transkripte,
• Video-Transkripte,
• Karrieregeschichten,
• Onboarding-Berichte,
• Führungskräfteinterviews,
• Ausbildungsberichte,
• Erfahrungsberichte,
• Veranstaltungsberichte,
• Kundenreferenzen mit Mitarbeiterzitaten,
• externe Interviews und Gastbeiträge.

Entscheidend ist nicht die Content-Menge, sondern die Informationsqualität.

Externe Mitarbeiterstimmen besitzen eine besondere Rolle

Die eigene Website bleibt wichtig. Sie ist jedoch zwangsläufig eine kontrollierte Unternehmensquelle. Zusätzliche Bedeutung können deshalb externe Quellen erhalten:

• Arbeitgeberbewertungsplattformen,
• Branchenmedien,
• Podcasts anderer Anbieter,
• Hochschulseiten,
• Veranstalterseiten,
• Verbände,
• Fachportale,
• Partnerunternehmen,
• Medieninterviews,
• öffentliche Social-Media-Profile.

Wenn ein Unternehmen ausschließlich selbst erklärt, dass seine Kultur besonders offen sei, bleibt es eine Eigenbehauptung.

Wenn unterschiedliche externe Quellen vergleichbare Eigenschaften erkennen lassen, wächst die semantische Breite des Informationsbildes.

Employer Branding und GEO wachsen zusammen

Bisher lautet eine typische Fragestellung:

„Überzeugt diese Mitarbeiterstory potenzielle Bewerber?“

Künftig sollte eine zweite Frage hinzukommen:

„Welche konkreten Informationen über unser Unternehmen werden durch diese Mitarbeiterstory öffentlich dokumentiert?“

Eine gute Story kann gleichzeitig vermitteln:

• Arbeitgeberattraktivität,
• Fachkompetenz,
• Unternehmensstruktur,
• Führungsstil,
• Technologiekompetenz,
• Kundennähe,
• Arbeitsweise,
• Werte,
• Lernkultur.

Damit wird Employer Content zu öffentlich verfügbarem Unternehmenswissen.

Unternehmen sollten ihre „Culture Entity“ systematisch entwickeln

Strategisch lässt sich daraus eine Art Culture Entity ableiten: das semantische Unternehmensbild, das aus öffentlich auffindbaren Informationen über Kultur, Verhalten und Arbeitsweise entsteht.

Dafür sollte zunächst definiert werden, welche Eigenschaften tatsächlich charakteristisch für das Unternehmen sind.

Beispielsweise:

• eigenverantwortlich,
• fachlich anspruchsvoll,
• direkt,
• kollegial,
• technologieorientiert,
• lernorientiert,
• nachhaltig,
• kundenorientiert.

Anschließend sollte nicht gefragt werden:

„Wie oft können wir diese Begriffe auf unserer Website verwenden?“

Sondern:

„Welche realen Beispiele belegen jede dieser Eigenschaften?“

Ein praktischer GEO-Kultur-Audit

1. Welche Eigenschaften sollen Menschen und KI-Systeme mit unserem Unternehmen verbinden?
2. Welche konkreten öffentlich zugänglichen Belege existieren dafür?
3. Sprechen ausschließlich Unternehmenssprecher darüber oder auch Beschäftigte?
4. Existieren unterschiedliche Perspektiven und Formulierungen?
5. Gibt es externe Quellen, die vergleichbare Wahrnehmungen dokumentieren?
6. Widersprechen sich Eigenbild und externe Wahrnehmung deutlich?
7. Sind die wichtigsten Inhalte indexierbar, verständlich und eindeutig unserem Unternehmen zuzuordnen?

Gerade der letzte Punkt wird häufig vergessen. Ein hervorragendes Video ohne Transkript kann für textbasierte Retrieval-Prozesse weniger zugänglich sein als ein sauber strukturierter Artikel.

Ein Mitarbeiterzitat ohne Namen, Funktion oder Unternehmenskontext besitzt zudem weniger Entitätsklarheit.

Strukturierte Daten helfen bei der Einordnung – ersetzen aber keine Inhalte

Auch strukturierte Daten können dabei helfen, Entitäten eindeutig zu beschreiben. Relevant können – abhängig vom jeweiligen Inhalt – beispielsweise Schema.org-Typen wie Organization, Person, Article, VideoObject, PodcastEpisode oder Event sein.

Strukturierte Daten erzeugen jedoch keine Reputation und keine Unternehmenskultur. Sie helfen Maschinen dabei, vorhandene Informationen besser einzuordnen.

Schema beschreibt die Information. Es ersetzt die Information nicht.

Was Unternehmen nicht tun sollten

Aus der wachsenden Bedeutung solcher Signale lässt sich leicht eine falsche Strategie ableiten: möglichst viele positive Mitarbeiterstatements produzieren.

Problematisch sind insbesondere:

• erfundene Mitarbeiterzitate,
• künstlich erzeugte Bewertungen,
• massenhaft generierte Kulturtexte,
• Keyword-Wiederholungen,
• identische Aussagen auf verschiedenen Plattformen,
• künstliche externe Erwähnungen,
• ausschließlich positive Hochglanzkommunikation ohne konkrete Erfahrungen.

Generative Systeme machen authentische Kommunikation nicht überflüssig. Sie erhöhen langfristig eher deren Wert.

Kultur muss erzählbar werden

Die entscheidende Aufgabe für Unternehmen lautet deshalb nicht:

„Wie optimieren wir unsere Unternehmenskultur für ChatGPT?“

Die bessere Frage ist:

„Welche realen Erfahrungen machen unsere Kultur sichtbar – und wo werden diese Erfahrungen öffentlich dokumentiert?“

Denn Kultur besteht nicht aus Claims.

Kultur zeigt sich in:

• Entscheidungen,
• Konflikten,
• Routinen,
• Sprache,
• Prioritäten,
• Reaktionen,
• Zusammenarbeit,
• Führung,
• Fehlern,
• konkretem Verhalten.

Genau darüber können Mitarbeiter glaubwürdig berichten.

Fazit: Die Stimme der Mitarbeiter wird Teil der digitalen Unternehmensidentität

Generative KI verändert nicht nur die Art, wie Informationen gesucht werden. Sie verändert auch, welche Unternehmensinformationen strategischen Wert besitzen.

Eine Organisation wird im digitalen Raum nicht ausschließlich durch ihre Startseite, Pressemitteilungen oder SEO-Landingpages beschrieben. Ihr Bild entsteht aus einem wachsenden Netz von Quellen, Aussagen, Personen und Kontexten.

Mitarbeiterstimmen besitzen darin eine besondere Qualität. Sie können abstrakte Unternehmenswerte in konkrete Erfahrungen übersetzen.

Tonalität kann zeigen, wie Menschen über ihre Organisation sprechen. Haltung zeigt sich dort, wo Mitarbeiter nicht nur Werte nennen, sondern Situationen beschreiben, in denen diese Werte tatsächlich handlungsleitend waren.

Unternehmen sollten deshalb nicht versuchen, Maschinen ihre Kultur zu erklären. Sie sollten ihre tatsächliche Kultur durch überprüfbare Geschichten, Erfahrungen und Handlungen sichtbar machen.

Je stärker unterschiedliche, glaubwürdige Quellen dieselben Eigenschaften durch konkrete Erfahrungen belegen, desto stabiler kann das digitale Informationsbild eines Unternehmens werden.

Die vielleicht wichtigste neue Disziplin der Unternehmenskommunikation besteht deshalb nicht darin, noch mehr Content zu produzieren. Sie besteht darin, reale Erfahrungen in auffindbare, verständliche und zitierfähige Evidenz zu verwandeln.