Entity Management Case Study: 13 B2B Firmen geprüft, keine ist für die KI eine Entität

1. Einführung

Ein Unternehmen kann jeden Rechtsträger, jede Beteiligung und jede Frist perfekt im Griff haben und in ChatGPT trotzdem nicht existieren. Diese Lücke trennt zwei Welten, die denselben Namen tragen: Entity Management. Die eine Welt ordnet juristische Einheiten für Compliance und Governance, sauber, geprüft, auditfest. Die andere macht die Marke für KI-Systeme als Entität lesbar. Beide arbeiten mit derselben Datenquelle, nur reden sie selten miteinander.

Die Case Study zeigt an einem typischen B2B Fall, wie aus verstreuten Angaben eine einzige, verlässliche Entity wird. Warum entscheidet genau diese Ordnung heute über Ihre Sichtbarkeit? Der rote Faden ist das saubere Entity Management, wie es auch die beiden Seiten des Entity Managements beschreiben, hier aber als Beweisführung statt als Definition. Der Fall ist bewusst reduziert. Die Lehre daraus ist übertragbar.

Kennen Sie das Gefühl, dass Ihre Firma im Handelsregister sauber geführt ist, im Web aber wie ein Fremder wirkt? Genau dort setzt die Knowledge-Graph-Optimierung an, denn ein Knowledge Graph ist die Faktenkarte, aus der Suchmaschinen und KI-Systeme ihr Wissen über ein Unternehmen ziehen. Die Optimierung übersetzt Ihre internen Eigentumsverhältnisse in ein Signal, das Maschinen verstehen.

Was das für Sie heißt

Für Ihren Betrieb heißt das: Dieselben gepflegten Angaben helfen zwei Abteilungen gleichzeitig. Wer für Prüfer und Banken ordentliche Stammdaten vorhält, hat die Grundlage schon da, die auch nach außen für Sichtbarkeit sorgt. Das lässt sich als ein Vorhaben rechnen statt als zwei. Der erste Schritt ist die Frage, wo diese Angaben heute eigentlich liegen.

2. Ausgangslage: Zwei Welten, ein Datenproblem

Legal Entity Management ordnet die juristische Realität eines Unternehmens, von Gesellschaften über Tochtergesellschaften und Beteiligungen bis zu Fristen, und die Zahlen dazu sind ernüchternd. Laut einer im Mai veröffentlichten Befragung von 350 General Counsel durch CSC erreichen nur 7 Prozent volle Compliance über alle ihre Entities hinweg. 83 Prozent arbeiten mit mehreren Corporate-Service-Providern in verschiedenen Ländern.

Ian McConnel, Chief Legal Officer bei CSC, ordnet das so ein: „The pace of regulatory change is accelerating globally, with new frameworks emerging across multiple jurisdictions that increasingly overlap.“
(„Das Tempo des regulatorischen Wandels beschleunigt sich weltweit, mit neuen Regelwerken über viele Länder hinweg, die sich zunehmend überschneiden.“)

CSC befragte Organisationen aus Branchen wie Healthcare, Real Estate und Finance. 44 Prozent trauen sich derzeit wohl nicht zu, grenzüberschreitende Anforderungen an eine sichere Datenhaltung zu erfüllen, während ihre Beteiligungsstrukturen trotzdem immer verschachtelter werden.

Die Wurzel ist fast immer dieselbe: fragmentierte Daten. Im AscentAI RegTech Benchmark nennen 39 Prozent fragmentierte Daten ohne zentrale Wahrheitsquelle als größte Compliance-Hürde, bei großen Banken 67 Prozent. Entity-Daten liegen in Excel und lokalen Ordnern statt in einer zentralen Datenbank. Wichtige Entscheidungen benötigen dann Tage statt Minuten. Das bremst jede Prüfung.

Entity-Daten in verstreuten Tabellen sind wie ein Adressbuch, das nur Sie selbst lesen können. Solange niemand sonst hineinschaut, fällt der Nachteil nicht auf.

Der blinde Fleck liegt außen. Denn dieselbe Marke, die intern hundert Rechtsträger verwaltet, tritt nach außen oft ohne jede maschinenlesbare Identität auf. Wir haben im Juli 13 Websites deutscher B2B‑Beratungen geprüft. 9 lieferten strukturierte Daten per JSON-LD, 8 wiesen sich als Organisationen aus, aber nur 4 legten strukturierte Rechtsträger-Angaben offen, und keine einzige verknüpfte sich mit einem Wikidata-Eintrag. Wikidata ist die offene Datenbank hinter Wikipedia, aus der viele Systeme ihre Grunddaten über Unternehmen ziehen. Das Muster deckt sich mit unseren Knowledge Graph Audits. Der Befund lautet dort meist: intern gepflegt, extern unsichtbar.

3. Der Fall: Ein B2B Dienstleister zwischen Aktenschrank und KI Suche

Stellvertretend für viele B2B Firmen steht ein mittelständischer Dienstleister mit über hundert Gesellschaften und Beteiligungen in mehreren Ländern. Nach innen lief das Legal Entity Management über eine gewachsene Management Software plus etliche Tabellen, während nach außen die Marke für KI-Systeme praktisch nicht existierte, obwohl sie im Handelsregister lückenlos geführt war.

Die Herausforderung war doppelt. Erstens: Reporting und Governance kosteten zu viel Zeit, weil die Entity-Daten nicht an einem Ort lagen. Zweitens: In Perplexity und ChatGPT tauchte das Unternehmen bei Branchenfragen nicht auf, während kleinere Wettbewerber genannt wurden. Für einen Anbieter, dessen Kunden zunehmend per KI recherchieren, ist das ein stiller Umsatzverlust. Niemand sah es im Reporting. Trotzdem war es da.

Wie steht es um Ihre eigene Auffindbarkeit? Wer bei einer KI-Suche nach den führenden Anbietern der eigenen Nische nicht genannt wird, verliert Anfragen, ohne es im Analytics-Tool zu sehen.

4. Unser Vorgehen: Entity Management für die KI als eine Datenquelle

Der Leitgedanke war simpel: eine Entity, eine Wahrheit an einem Ort. Statt zwei getrennter Projekte für Compliance und Sichtbarkeit hängt beides an derselben zentralen Datenbasis. Was intern akkurat und konstistnt und up-to-date gepflegt ist, wird nach außen im selben Zustand für KI-Systeme lesbar. Das schafft zugleich Effizienz, Transparenz und Klarheit, intern für Prüfer, extern für KI-Systeme.

Die folgende Gegenüberstellung zeigt, warum interne und externe Disziplin dieselbe Substanz benötigen.

5. Umsetzung: Von der Excel Liste zur maschinenlesbaren Entität

Schritt 1: Alle Entity-Daten zentralisieren

Zuerst wanderten Rechtsträger, Beteiligungen und Kernfakten aus verstreuten Tabellen in eine zentrale Datenbank. Gründungsdaten und offizielle Namen über alle Länder hinweg werden konsolidiert und einmal sauber geprüft. Das Management dieser Entity Data läuft über definierte Prozesse statt über Zuruf. Diese eine Wahrheitsquelle ist die Voraussetzung für alles Weitere, intern wie extern. Eine Quelle. Eine Wahrheit.

Schritt 2: Die Marke als Organisation auszeichnen

Aus den zentralen Daten kann dann ein sauberes Organization-Schema mit offiziellem Namen entstehen mit Logo und der sameAs Eigenschaft. Google beschreibt sameAs als „die URL einer Seite auf einer anderen Website mit zusätzlichen Informationen über Ihre Organisation“. Genauso verbindet man die eigene Website mit belegten Profilen.

sameAs ist der Personalausweis für Maschinen. Ohne diesen amtlichen Verweis bleibt jede Marke eine von vielen gleich klingenden.

Schritt 3: Die Entität extern verankern

Zuletzt sollte die Marke dann in offenen Wissensquellen verankert werden, allen voran ein konsistenter Wikidata-Eintrag als Anker für den Knowledge Graph. Dazu kommen Erwähnungen in verlässlichen Medien, denn Ahrefs zeigt über 75.000 Marken: Marken-Erwähnungen korrelieren mit KI-Sichtbarkeit zu 0,66, Backlinks nur zu rund 0,15. Wie man diese Verweise systematisch aufbaut, zeigen unsere Hinweise zu Erwähnungen in verlässlichen Medien. Die sameAs-Verweise selbst sollten Sie danach technisch sauber prüfen.

6. Ergebnisse: Was sich messbar veränderte

Zwei Dinge lassen sich hier klar trennen: harte Zahlen und beobachtete Wirkung. Die harte Zahl liefert unsere Stichprobe. Sie markiert exakt die Lücke, die dieses Vorgehen schließt: 0 von 13 geprüften B2B‑Firmen waren als Wikidata-Entität verknüpft. Wer diesen einen Schritt geht, kann schnell dort stehen, wo viele derzeit noch nicht sind.

Die Wirkung im Projekt beschreiben wir bewusst qualitativ, ohne erfundene Prozentzahlen. In unseren Knowledge Graph Tests sehen wir nach Aufräumaktionen häufig ähnliche Impacts: Reporting und interne Governance laufen zusammen und effizient, weil die Daten an einem Ort liegen und automatisch aktualisiert werden. Dann wird die Marke in KI-Antworten häufiger korrekt genannt, weil das KI-System eine eindeutige Entität statt widersprüchlicher Fragment-Schnipsel findet.

Für einen Dienstleister heißt das konkret: weniger manuelle Verarbeitung, ein passendes Setup, das mit dem Unternehmen wächst, und eine Marke, die auch für remote arbeitende Kunden durchgängig auffindbar ist. Aus einem Projekt kann so eine dauerhafte Fähigkeit werden, nicht nur ein einmaliges Investment ohne Wirkung in Finance und Controlling.

Das ist der eigentliche Return: Dieselbe Daten-Disziplin, die intern das Compliance-Risiko senkt, erhöht zugleich nach außen die Sichtbarkeit in KI-Antworten, ohne dass theoretisch ein zweites Projekt nötig wäre. Ein Projekt. Zwei Wirkungen.

7. Was Sie daraus mitnehmen können

Die meisten Case Studies zu Entity Management enden bei der Software für die Rechtsabteilung. Unsere Position: Das greift zu kurz. Dieselben zentralen, akkuraten Entity Daten, die Compliance sichern, sind der Rohstoff Ihrer KI-Sichtbarkeit. Wer nur eine der beiden Seiten pflegt, verschenkt die andere.

Eine Marke ohne saubere Entität ist wie ein Bewerber ohne Zeugnisse: vielleicht hervorragend, aber für den Prüfer nicht verifizierbar. Maschinen zitieren nur, was sie eindeutig zuordnen können.

Für den Anfang genügt Disziplin, keine teure Lösung und keine schwergewichtiges Software-Paket mit hohem Preis: eine zentrale Quelle, ein sauberes, professionell gepflegtes Organization-Schema, ein Wikidata-Eintrag. Diese schlanke Implementierung stärkt die Fähigkeit Ihres Teams und lässt sich später ausbauen. Gerade für KMU ist das ein erreichbarer Vorsprung, weil so wenige Wettbewerber ihn aktuell systematisch heben.

8. Fazit

Entity Management endet somit nicht im Aktenschrank. Es beginnt erst da und kann so bis in die Antwort, die ChatGPT einem Ihrer Kunden gibt, reichen. Der Weg dazwischen ist kurz, wenn die Daten zentral und korrekt sind, und lang, wenn sie in Tabellen verstreut liegen. Der kurze Weg lohnt sich doppelt.

9. Anhang: Checkliste für sauberes Entity Management

• Alle Rechtsträger, Beteiligungen und Ownership Strukturen an einem Ort zentralisiert und einmal geprüft.
• Offizieller Name, Gründungsdatum und Kernfakten konsistent über alle Kanäle.
• Organization-Schema mit Logo und sameAs auf der Startseite hinterlegt.
• Wikidata-Eintrag angelegt und mit der eigenen Website verknüpft.
• Erwähnungen in verlässlichen Medien als externe Trust-Signale aufgebaut.
• Nennung der Marke in ChatGPT, Perplexity und Gemini regelmäßig geprüft.

FAQ – Häufig gestellte Fragen

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. KI-Systeme entwickeln sich schnell; genannte Zahlen sind verlinkten Quellen entnommen und können sich ändern. Der beschriebene Fall ist ein anonymisiertes, für unsere Audit-Praxis typisches Muster ohne erfundene Kennzahlen.