Wie LLMs (Large Language Models) ihre nächste Aktion wählen
Von Robin Laseur
Wie entscheidet ein KI-Modell wie ChatGPT oder Google Gemini, was es als Nächstes tut – mitten im Gespräch oder mitten in einem Workflow? Diese Frage steht im Zentrum, wenn man verstehen will, wie LLMs ihre nächste Aktion wählen. Von dieser Entscheidung hängt ab, wie genau, wie relevant und wie brauchbar am Ende herauskommt, was das Modell liefert.
Ein Large Language Model (LLM) sagt aus dem Kontext heraus das nächste Wort, den nächsten Satzteil oder die nächste Anweisung voraus. Das klingt einfach, dahinter stehen jedoch Wahrscheinlichkeitsrechnungen, eine Transformer-Architektur, die den Kontext verwaltet, und Anpassungen auf Basis früherer Daten. Für B2B, E-Commerce und SEO bedeutet dieses Verständnis mehr Kontrolle: über das Verhalten Ihres Chatbots, über Produktempfehlungen und über personalisierte Inhalte.
In diesem Artikel zerlegen wir die Mechanik hinter der „nächsten Aktion“, zeigen, welche Prompting-Techniken diese Entscheidung beeinflussen, und greifen Erkenntnisse von Praktikern wie Luca Fancello auf. Damit bauen Sie KI-Workflows, die präzise arbeiten und messbar etwas einbringen.
Wie ein Large Language Model entscheidet
Im Kern sind Large Language Models Wahrscheinlichkeitsmaschinen. Ein LLM wie GPT-5 berechnet für den aktuellen Kontext eine Verteilung über alle möglichen nächsten Tokens und wählt daraus eines aus, nach einer festgelegten Decoding-Strategie. Diese Schleife wiederholt sich Schritt für Schritt, bis ein zusammenhängender Text entsteht. Tokens sind die kleinsten Einheiten, die das Modell liest und schreibt: ganze Wörter, Wortteile, Leerzeichen und Satzzeichen.
Möglich macht das die Transformer-Architektur. Ihre Attention-Layer lernen, welche Teile des Prompts für die nächste Aktion am meisten zählen. In der Praxis heißt das: Das Modell erkennt Bezüge über große Abstände hinweg, ohne sich Schritt für Schritt zurückzuhangeln, und bleibt auch bei langen Texten schnell.
Der Entscheidungsweg besteht aus vier Schritten:
Tokenisierung: Die Eingabe wird in Tokens zerlegt, die das Modell verarbeiten kann.
Kontext-Mapping: Die Attention-Layer berechnen, wie die Tokens zusammenhängen.
Wahrscheinlichkeitsverteilung: Das Modell vergibt Log-Wahrscheinlichkeiten an alle infrage kommenden nächsten Tokens.
Decoding: Das nächste Token wird per Greedy-Auswahl oder Sampling bestimmt; gesteuert wird das meist über Temperature und top_p Nucleus Sampling.
Die Einstellungen beim Decoding machen einen Unterschied. Eine niedrige Temperature führt zu gleichförmigeren, besser vorhersagbaren Antworten, eine höhere Temperature zu mehr Variation. Nucleus Sampling begrenzt die Auswahl auf die kleinste Gruppe von Tokens, deren summierte Wahrscheinlichkeit den Schwellenwert top_p erreicht. Eingeführt wurde die Methode, um blasse und sich wiederholende Texte zu vermeiden.
GPT-5 selbst führt OpenAI als aktuelles Spitzenmodell. Die System Card beschreibt, wie das Modell Aufgaben verteilt und wann es tiefer nachdenkt. Wer über nächste Aktionen spricht, hat mit diesen Unterlagen eine aktuelle Modellbeschreibung zur Hand.
Was Fachleute über die nächste Aktion von LLMs sagen
Wenn es ums Zitieren und Crawlen von Websites geht, ist der LinkedIn-Beitrag von Jérôme Salomon eine der aufschlussreichsten Quellen. Als Senior Technical SEO bei Oncrawl hat er aufgeschlüsselt, wie ChatGPT Search Quellen bewertet und auswählt, die dann in der Antwort landen.
So sucht ChatGPT
Aus Jérômes Recherche und seinen Gesprächen mit dem Support-Team ergeben sich diese Schritte:
Prompt-Umwandlung: Der Prompt wird in eine oder mehrere Suchanfragen umgewandelt.
Antwort der Suchmaschine: Bing liefert eine Ergebnisliste zurück, mit URLs, Titeln, Snippets und Metadaten.
Quellenauswahl: ChatGPT wählt die passenden Ergebnisse aus und schickt seinen Bot los, der die Inhalte in Echtzeit crawlt.
Zitat: Die gecrawlten Inhalte landen mit Quellenangabe in der fertigen Antwort.
Die „nächste Aktion“ des Modells ist also mehr als die Vorhersage des nächsten Tokens. Sie ist auch die Entscheidung, welchen externen Quellen es vertraut und welche es in die Antwort holt.
Vier Kriterien für die Quellenauswahl
ChatGPT stützt sich auf vier Hauptkriterien, wenn es entscheidet, welche Seiten es crawlt:
Titel: wie beschreibend er ist und wie gut er zur Suchanfrage passt.
Snippet/Meta-Description: wie klar und wie zutreffend der Vorschautext ist.
Aktualität: ob der Inhalt auf dem neuesten Stand ist.
Glaubwürdigkeit der Domain: das Gewicht der Website (Wichtig: „Domain Authority“ meint hier keinen technischen Wert wie den von Moz, sondern schlicht, wie viel Vertrauen das Modell der Seite aufgrund seiner Trainingsdaten entgegenbringt.)
Zusammen bestimmen diese Faktoren, welche externen Quellen das Modell zitiert. Titel und Meta-Descriptions bleiben zentrale Signale. Das sind alte SEO-Grundlagen, nur in einem neuen Zusammenhang.
Konkrete Tipps für Marken
Wer als zitierte Quelle in ChatGPT Search oder vergleichbaren generativen Systemen auftauchen will, sollte Folgendes tun:
Titel schreiben, die konkret und zutreffend beschreiben, worum es geht.
Dafür sorgen, dass die Meta-Description den Inhalt der Seite wiedergibt.
Klarheit vor Clickbait stellen.
Wer die Metadaten seiner Website an diesen Signalen ausrichtet, erhöht die Chance, dass ein LLM genau diesen Inhalt als nächste Aktion auswählt. Diese Analyse betrifft ChatGPT Search. Andere Systeme wie Google Gemini, Bing Copilot oder Perplexity AI arbeiten ähnlich, aber nicht identisch, je nach Trainingsdaten, Retrieval-Pipeline und Zitierregeln.
Prompting-Strategien, die die nächste Aktion steuern
Wie Sie ein LLM ansprechen, bestimmt unmittelbar, wie es die nächste Aktion wählt. Unter der Transformer-Mechanik liegt eine zweite Ebene: Aufbau und Klarheit des Prompts wirken wie Leitplanken für die Qualität der Entscheidung.
Zero-Shot, One-Shot und Few-Shot Prompting
Je nach Prompting-Stil hat das Modell mehr oder weniger Kontext, bevor es entscheidet:
Zero-Shot: Das Modell handelt ohne Beispiel. Das reicht für allgemeine Anweisungen, führt aber oft zu beliebigen oder unsicheren Aktionen.
One-Shot: Der Prompt enthält ein einziges Beispiel als Anker. Damit trifft das Modell das gewünschte Format der Aktion deutlich besser.
Few-Shot: Der Prompt enthält mehrere Beispiele und gibt dem Modell ein klares Muster vor. In komplexen Workflows grenzt Few-Shot Prompting die nächste Aktion besonders eng ein.
Untersuchungen zeigen, dass Few-Shot Prompting die Genauigkeit deutlich erhöht, vor allem bei Denkaufgaben und strukturierten Ausgaben. Für Unternehmen heißt das: Wer Prompts mit Beispielen füttert, die zum eigenen Ton und zum eigenen Ziel passen, bekommt weniger Streuung in Chatbots und automatisierten Marketing-Flows.
Welche Rolle Verlauf und Kontext spielen
Der Gesprächsverlauf ist ein weiterer Faktor für die nächste Aktion. Je länger das Kontextfenster, desto mehr Signale kann das Modell abwägen. Zu viel Kontext kippt jedoch ins Gegenteil: Das Modell halluziniert oder stößt an seine Token-Grenze.
Eine Untersuchung zu LLMs mit langem Kontext zeigt: Relevanter Verlauf macht die Ausgabe präziser, überflüssiger Verlauf verwässert sie. Damit wird die Auswahl des Kontexts selbst zur Kernkompetenz – zu wissen, was bleibt und was weg kann.
In der Praxis:
Bei Support-Bots gehören der jüngste Gesprächsverlauf und der Ticketstatus hinein, nicht aber die gesamte Kundenakte.
Bei SEO und Content-Automatisierung helfen strukturierte Metadaten wie Produktattribute oder regional ausgerichtete Keywords, damit die nächste Aktion zur Suchintention passt.
Bei Produktempfehlungen im E-Commerce reichen Daten aus der laufenden Session (Warenkorb, angesehene Kategorie); die vollständige Bestellhistorie lenkt das Modell nur ab.
Prompts bauen, die zu guten Entscheidungen führen
Klare Prompts schlagen lange und vage Prompts, jedes Mal. Die Prompts, die funktionieren, enthalten meist:
ein einziges klares Ziel
eine festgelegte Menge erlaubter Aktionen
knappe Eingaben, wenn möglich strukturiert
ausdrückliche Regeln für die Wahl der nächsten Aktion
Der Prompt-Engineering-Guide von OpenAI bestätigt das: Präzise Formulierungen führen meist dazu, dass Anweisungen genauer befolgt werden, während zusätzliche Details ohne Struktur wenig bringen.
Anwendungen in B2B, E-Commerce und SEO
Zu wissen, wie LLMs ihre nächste Aktion wählen, ist nicht nur etwas für KI-Entwickler. Überall dort, wo Präzision direkt auf Umsatz und Sichtbarkeit durchschlägt, zahlt sich dieses Wissen aus.
Klügere Chatbots und Support-Flows
In B2B und E-Commerce stehen Support-Bots ständig an einer Weggabelung: eine FAQ-Antwort geben, an einen Menschen übergeben oder einen Workflow auslösen. Wer den Prompt mit ausdrücklichen Entscheidungsregeln versieht, lenkt das LLM auf den kürzesten Weg. Schon eine Anweisung wie „nur übergeben, wenn die Wissensdatenbank keinen Treffer liefert“ senkt die Zahl unnötiger Übergaben und verkürzt die Antwortzeit.
Personalisierte Marketing-Automatisierung
Marketing-Teams, die mit Shopify oder Klaviyo arbeiten, können Kampagnen bauen, die in Echtzeit auf das Verhalten der Kunden reagieren. Bekommt das Modell Session-Daten, Produktvorlieben und den bisherigen Kontakt mit der Marke, wählt es die nächste Aktion selbst: eine Erinnerungsmail schicken, einen Rabattcode erzeugen oder ein passendes Zusatzprodukt vorschlagen. So wird aus einer Vorhersage eine Handlung, die Kunden hält.
Content für generative Suche optimieren
Generative KI verändert, wie Inhalte gefunden werden. ChatGPT und andere KI-Systeme wählen ihre Quellen nach Titel, Snippet, Aktualität und Glaubwürdigkeit aus. Wer seine Metadaten an diesen Kriterien ausrichtet, hat die besseren Karten, „die ausgewählte Quelle“ zu werden. Genau hier setzt Generative Engine Optimization (GEO) an.
GEO richtet Inhalte nicht nur auf klassische Suchmaschinen aus, sondern auch auf generative Systeme, die Inhalte laufend abrufen, bewerten und zitieren. Mit klaren, zutreffenden Metadaten und strukturiertem Kontext lenken Sie die nächste Aktion des LLM auf Ihre Seite.
Der strategische Vorteil für SEO
Für SEO-Teams ist die Folge eindeutig: Prompt-Design und Metadaten gehören zur Suchstrategie. Seitentitel und Descriptions, die halten, was sie versprechen, regelmäßige Aktualisierungen und eine Domain, der man traut: All das fließt in die Logik der nächsten Aktion ein. Optimieren für LLMs heißt, in generativen Antworten ausgewählt zu werden.
Ethik und Geografie
Bei der nächsten Aktion von LLMs lohnt es sich, zwei Blickwinkel auseinanderzuhalten. Im vorigen Abschnitt ging es um Generative Engine Optimization (GEO), also um die Frage, wie LLMs Inhalte auswählen und zitieren. Hier steht „Geo“ für geografische Faktoren: dafür, wie Modelle sich in verschiedenen Regionen und Kulturen verhalten.
Verzerrung und Fairness
LLMs übernehmen die Muster ihrer Trainingsdaten. Das verzerrt die Wahl der nächsten Aktion: Dominante Sprachen und große Marken kommen häufiger vor, kleinere lokale Anbieter seltener. Wer international wächst, sollte die Ausgaben des Modells deshalb prüfen und nachsteuern, damit sie fair und breit bleiben.
Transparenz und Verantwortung
LLMs legen selten offen, warum sie eine Aktion gewählt haben. In regulierten Branchen wie Gesundheit, Finanzen oder öffentlicher Verwaltung ist das ein Problem. Entscheidungswege protokollieren, Aktionspfade überwachen und Menschen prüfen lassen: Ohne das gibt es weder Compliance noch Vertrauen.
Lokalisierung und kulturelle Unterschiede
Was in einem Land funktioniert, geht im nächsten daneben. Ein Empfehlungssystem in den USA rechnet in Zoll und Pfund, in Europa muss dasselbe Modell metrisch denken. Auch Ton, Redewendungen und Bilder entscheiden mit, ob eine Aktion passend oder unangebracht wirkt. Im internationalen E-Commerce sollten Prompt-Design und Metadaten die lokalen Gewohnheiten aufgreifen.
Automatisierung und menschliche Kontrolle im Gleichgewicht
Automatisierung skaliert Entscheidungen, aber allein auf die KI zu setzen erhöht das Risiko von Fehlern und kulturellen Fehltritten. Kontrollpunkte durch Menschen – eine Freigabe bei heiklen Ausgaben, eine QA pro Region – halten die nächsten Aktionen im Rahmen: ethisch vertretbar, dem Kontext angemessen und markensicher.
Zur Erinnerung: In diesem Abschnitt meint Geo die geografische Lokalisierung, nicht die weiter oben behandelte Generative Engine Optimization (GEO). Beide Blickwinkel zählen. Der eine bestimmt, welche Inhalte KI-Systeme auswählen, der andere sorgt dafür, dass diese Aktionen in jedem Markt passend und verantwortbar bleiben.
Von der Modellentscheidung zum Geschäftsergebnis
Wer versteht, wie LLMs ihre nächste Aktion wählen, sieht mehr als technisches Innenleben. Er sieht, wie Wahrscheinlichkeit, Prompt und Kontext bestimmen, wie KI mit Menschen umgeht, welche Informationen sie auswählt und was das geschäftlich bringt. Von Jérôme Salomons Aufschlüsselung der Signale in ChatGPT Search bis zur Rolle der Metadaten bei Generative Engine Optimization gilt dasselbe: Marken, die ihre Inhalte und Abläufe sauber strukturieren, werden eher ausgewählt, von Algorithmen wie von Kunden.
Für E-Commerce- und B2B-Unternehmen heißt das: Prompts mit klaren Regeln bauen, den Kontext bewusst auswählen und die Metadaten an den Signalen ausrichten, auf die generative Systeme achten. Und es heißt, diese Aktionen ethisch und regional anzupassen, damit sie über Kulturen hinweg passen und den Vorschriften genügen.
Flatline schlägt die Brücke zwischen Technik und Strategie. Als Shopify Plus Partner und Spezialist für Automatisierung bauen wir Workflows und KI-gestützte Strategien, die den Weg Ihrer Kunden mit messbaren Ergebnissen verbinden.
Möchten Sie Ihre KI- und E-Commerce-Strategie danach ausrichten, wie LLMs tatsächlich arbeiten? Sprechen Sie mit unserem Team und bauen Sie Systeme, die nicht nur automatisch laufen, sondern auch klug auswählen.
Verwandte Artikel
