Fragiles KI-Vertrauen: Darum streichtPerplexity die Ads

Perplexity stellt die Werbung vorerst ein und setzt nach eigener Aussageauf Verlässlichkeit im KI-Chat. Im Interview erklärt Mcanism-CEO GunnarMilitz, warum das Paid-Setup kippt und welche Messdaten künftig zählen.

Perplexity entfernt alle Werbeformate aus der eigenen KI-Suche und begründet das mit einem Risiko fürs Vertrauen in die Antworten. Damit rückt ein Zielkonflikt ins Visier, der im Chat schneller spürbar wird als in der klassischen Internet-Suche: Die Monetarisierung steht konträr zum Produktversprechen der neutralen Empfehlung.

Warum die Werbefrage im Chat problematischer wirkt

Im Chat ist nicht die Trefferliste das zentrale UI-Element, sondern die ausformulierte Antwort. Sobald bezahlte Platzierungen in derselben Oberfläche auftauchen, wird nicht nur der Anzeigenblock bewertet, sondern die Unabhängigkeit der gesamten Empfehlung in Frage gestellt. Im Markt laufen die Strategien auseinander: Während einige Anbieter Werbung in KI-Produkten testen, setzen andere auf Abo-Modelle oder halten ihre Chatbots bewusst werbefrei.

Gunnar Militz, Gründer und CEO des Affiliate-Netzwerks MCANISM mit Sitz in Hamburg, ordnet den Schritt von Perplexity im Gespräch mit W&V ein. Im Kern geht es um eine neue Vertrauensschwelle für Werbung in LLM Oberflächen, um alternative Erlösmodelle und um die Frage, welche Daten und Tests Marken künftig brauchen, um Wirkung belastbar zu belegen.

Herr Militz, ist der Werbe-Stopp bei Perplexity Ihrer Ansicht nach endgültig oder nur ein Zwischenstopp?

Aktuell wirkt es eher wie ein strategischer Kurswechsel als ein kurzer Test-Stopp. Perplexity begründet den Schritt explizit mit dem Risiko für Vertrauen und positioniert sich stärker als Abo- oder Enterprise-Produkt statt reichweiten getriebene Werbeplattform.

Gleichzeitig ist in der AI-Search-Welt nichts „für immer“ – wenn Nutzerwachstum, Wettbewerbsdruck oder Investorenerwartungen kippen, können Werbeformate zurückkehren. Dass Perplexity selbst das Thema Vertrauen so hoch hängt, macht eine schnelle Kehrtwende aber kurzfristig unwahrscheinlich. Siehe Neuausrichtung von Open AI, das zuerst als nonprofit gegründet wurde, und dann schnell in for-profit umgewandelt wurde.

Was passiert im Kopf der Nutzer, sobald im KI-Chat Werbung auftaucht: Misstrauen nur der Anzeige oder der ganzen Antwort gegenüber?

Im Chat ist die Antwort das Produkt. Sobald Werbung in derselben Oberfläche erscheint, wird im Kopf nicht nur das Placement, sondern die Objektivität der gesamten Ausgabe infrage gestellt. Genau davor warnt Perplexity selbst: Ads könnten die wahrgenommene Zuverlässigkeit der Antworten beschädigen.

Die Trennung zwischen "Antwortschicht" und "Paid Layer" ist im Chat viel kritischer als im Suchmaschinen-Layout.

Zitat: Gunnar Militz

Warum wirkt Werbung im Chat schneller wie ein Ratschlag als in klassischer Suche?

Weil das Interface eine Konversation ist: der Chat spricht in ganzen Sätzen, gibt Empfehlungen, wägt ab und priorisiert. Das ist psychologisch näher an Beratung als an Ergebnislisten. In klassischer Suche sehen Nutzer: “Das sind Treffer, ich entscheide selbst.” Im Chat sieht es aus wie: “Das ist die beste Lösung.” Wenn Werbung in diese Ratgeber-Logik rutscht, fühlt sie sich nicht wie eine Anzeige an, sondern wie ein beeinflusster Rat. Darum ist die Trennung zwischen “Antwortschicht” und “Paid Layer” im Chat viel kritischer als im Suchmaschinen-Layout.

Welche drei Warnsignale lassen eine KI-Antwort „verkaufsgetrieben“ wirken?

• Unnatürlich frühe Produktempfehlung ohne echtes Abwägen (keine Alternativen, keine Trade-offs, keine klaren Kriterien)
• Marken- oder Produktnennungen ohne Belege oder nur mit weichen Referenzen - hier kommen wir zurück zum Trust-Versprechen der AI)
• Sprache wie aus dem Werbetext (Superlative, “bestes Angebot”, “nur heute”) die nicht zum neutralen Antwortstil passt.

Was muss eine Plattform erklären, damit Werbung akzeptiert wird: reicht ein „Sponsored“ oder benötigt es ein „warum diese Anzeige“?

“Sponsored” ist die Mindestanforderung die gegeben sein muss. Im Chat reicht das aber oft nicht, da der Nutzer wissen will, ob die Empfehlung wahr oder bezahlt ist. Die Akzeptanz steigt hingegen, wenn die Plattform zusätzlich transparent macht:

1. Wurde ein einzelner Link oder die gesamte Antwortlogik bezahlt?

2. Welche Matching-Kriterien wurden erfüllt? (Standort, Preisrange, Verfügbarkeit?

3. Auf welcher Datenbasis (z.B. Feed, Produktkatalog) basiert die Antwort?

Meine klare Haltung: in Chat-UX braucht man eher ein ein “Warum sehe ich diese Anzeige?” als in klassischer Suche. Sonst kippt das Vertrauensgefühl.

Wenn nicht Werbung: Womit verdienen KI-Suchplattformen dann auf lange Sicht realistisch Geld?

Wer Werbung, wie Perplexity, als “heikles” Modell sieht, braucht Geschäftsmodelle, die mit dem Trust-Versprechen kompatibel sind. Realistisch sind drei Pfade, welche auch bereits öffentlich diskutiert werden:

• Subscriptions/Pro-Tiers: der naheliegendste Weg ist, dass Nutzer für bessere Modelle, mehr Nutzung, schnelle Antworten oder spezielle Features zahlen. Perplexity positioniert den Kurswechsel genau in diese Richtung. Das hat zum Vorteil, dass auf den Nutzerwert und nicht auf Klicks optimiert wird. Da die Zahlungsbereitschaft jedoch begrenzt ist, braucht es eine klare Differenzierung in Sachen Performance oder Funktionen. Bei OpenAI hat das sehr gut funktioniert, wobei sie auch hier der First Mover waren.
• Enterprise/Team-Lizenzen: In Unternehmen sind Budgets da, wenn Sicherheit, Compliance, Admin und Produktivität geliefert werden. Das ist auch der Grund, warum viele AI-Search-Player in Richtung unternehmenseigener Knowledge-Assistants schielen.
• Partnerschaften: Deals mit Geräteherstellern, Browsern oder Plattformen, also “Default”-Platzierungen oder integrierte Suche in bereits bestehende Ökosysteme. Das kann planbarer sein als Werbung und kollidiert weniger mit Trust, solange es offen gelegt wird.

Ohne Ads gewinnt nicht, wer am lautesten ist, sondern wer als zuverlässige Option lesbar und prüfbar ist.

Zitat: Gunnar Militz

Was müssen Marken liefern, damit sie in Empfehlungen (ohne Ads!) auftauchen?

Ohne Ads gewinnt nicht, wer am lautesten ist, sondern wer als zuverlässige Option lesbar und prüfbar ist. In der Praxis heißt das zuerst: strukturierter, konsistente Produktdaten, die Preis,Verfügbarkeit, Varianten, Lieferzeiten und Spezifikationen sauber abbilden. Denn KI-Shoppingist stark daten- und feedgetrieben. Gleichzeitig müssen Marken Inhalte liefern, die echte Vergleichbarkeit ermöglichen: Klare Kriterien, konkrete Use Cases, nachvollziehbare Trade-offs statt reiner Werbeclaims. Dazu kommen Trust-Signale, die eine KI überhaupt zitieren und gewichten kann - unabhängige Tests, belastbare Reviews, transparente Policies und eine gute Informationsarchitektur, die Antworten sauber zusammenfassen. Wichtig ist, dass Werbung deutlich als solche gekennzeichnet ist.

Welche Zahlen sind für Marken entscheidend, damit Budgets aus Performance-Töpfen fließen?

Aus diesen Töpfen fließt Budget nur, wenn zwei Dinge zusammenkommen: belastbare Zurechenbarkeit und der Nachweis, dass der Effekt wirklich zusätzlich ist. Entscheidend ist dabei die Inkrementalität, also der Umsatz oder noch besser Profit, der ohne diesen Touchpoint nicht entstanden wäre. Auch Qualitätsmetriken werden immer wichtiger, da KI Empfehlungen sonst zwar “Sales” treiben können, aber das System und die Marke langfristig beschädigen: Retouren, Warenkorbqualität, Neukundenanteil. Ganz pragmatisch gilt: wer diese Zahlen nicht stabil messen kann, verliert interne Budgetkämpfe. Auch deshalb ist die technische Messbasis so zentral, weil sie überhaupt erst die Voraussetzung für verlässliche Performance-KPIs schafft.

Wie testet man das sauber, damit man Wirkung nachweisen kann?

Sauber testen heißt vor allem: Den Einwand “das wäre sowieso passiert” methodisch auszuschalten. Der Goldstandard sind sogenannte Holdout-Experimente, also eine Kontrollgruppe, die die Maßnahme nicht bekommt (zum Beispiel nach Region oder Nutzersegment), während eine Testgruppe sie bekommt, und dann misst man die Differenz ininkrementellen Sales oder Profit.

Wenn Randomisierung nicht möglich ist, funktionieren Matched-Market- oder Matched-Time Ansätze: Man vergleicht ähnlich gelagerte Regionen oder Zeiträume, aber abgesichert gegen Saisonalität und parallel laufende Kampagnenänderungen. In der Praxis braucht es dazu fast immer eine robuste Messgrundlage - idealerweise First-Party - plus konsequente Conversion Validation, sonst misst man am Ende vor allem Rauschen.