Bias-Drift-Index

Bias Drift Index (BDI) ist eine Drift-Kennzahl für generative Systeme. Sie erfasst, ob aktuelle Ausgaben sich in wesentlichem Maß von einer Basisverteilung unterscheiden, die Sie zuvor für Fairness, Repräsentation, Sentiment oder ein thematisches Gleichgewicht freigegeben haben.

Das ist im Generative Engine Optimization wichtig, weil KI-Sichtbarkeit nicht nur bedeutet, dass man erwähnt wird. Es geht darum, wie Entitäten, Quellen und Sichtweisen ausgewählt und gerahmt werden. Wenn ein Modell beginnt, eine bestimmte Verlegertyp-Kategorie übermäßig zu zitieren, bestimmte Marken unterrepräsentiert oder das Sentiment zu einem Thema verzerrt, kann Ihre GEO-Arbeit in Ahrefs oder Semrush stabil wirken, während die eigentliche KI-Ebene darunter driftet.

Wie Teams ihn berechnen

Die Mechanik ist einfach. Das Schwierige ist, eine Basis zu wählen, die es wert ist, verteidigt zu werden.

1. Erfassen Sie eine Baseline-Stichprobe bei Launch oder nach einem validierten Modell-Update.
2. Kennzeichnen Sie Ausgaben mithilfe eines festen Schemas: Quellentyp, Sentiment, Entitätsklasse, demografisches Attribut, Themen-Cluster oder Zitier-Mix.
3. Wandeln Sie diese Labels in Verteilungen um.
4. Vergleichen Sie die aktuelle Verteilung mit der Baseline mithilfe einer Divergenzkennzahl wie Jensen-Shannon-Divergenz, KL-Divergenz oder Earth Mover’s Distance.
5. Normieren Sie das Ergebnis zu einem Score, häufig von 0 bis 1.

In der Praxis setzen viele Teams Warnschwellen um 0,10 bis 0,15 und kritische Schwellen um 0,25 bis 0,30. Diese Werte sind nicht universell. Ein Healthcare-Assistent sollte weniger Drift tolerieren als ein Generator für Rezepte.

Warum BDI für GEO wichtig ist

BDI ist besonders hilfreich, wenn Sie AI Overviews, Antwortmaschinen, interne Copilots oder Retrieval-Augmented-Systems überwachen, die die Entdeckung beeinflussen. Ein steigender Score kann darauf hinweisen, dass das Modell verändert, welchen Quellen es vertraut, welche Entitäten es einer Abfrageklasse zuordnet oder welche Sichtweisen es verstärkt.

Das zeigt sich in der echten Arbeit. Möglicherweise sehen Sie stabile Impressionen in der Google Search Console, während KI-Zusammenfassungen Foren 40% häufiger zitieren als Publisher-Seiten. Oder eine Marke, die zuvor in 18% der generierten Vergleiche vorkam, fällt nach einem Modell-Refresh auf 6%. Screaming Frog wird das nicht erkennen. Surfer SEO wird das nicht erkennen. Sie brauchen Output-Sampling und -Labeling.

Wo BDI seine Grenzen hat

Hier die Einschränkung: BDI ist nur so gut wie die Baseline und die Labels. Wenn Ihre Baseline bereits verzerrt war, misst BDI lediglich die Treue zu einem schlechten Startpunkt. Das beweist keine Fairness. Es beweist Veränderung.

Außerdem wird es bei kleinen Stichproben, schwachen Klassifikatoren oder Änderungen im Prompt-Mix schnell verrauscht. Wenn sich Ihr Query-Set von branded Prompts hin zu informationalen Prompts verschiebt, kann der Score steigen, obwohl das Modell nichts falsch gemacht hat. Deshalb unterteilen reife Teams nach Query-Klasse und verfolgen BDI gemeinsam mit Citation Share, Quellenvielfalt und Sentiment-Varianz.

John Mueller von Google hat Teams wiederholt dazu gedrängt, sich auf beobachtbare, nutzerseitige Qualität zu konzentrieren und nicht auf abstrakte interne Scores. Das gilt hier ebenfalls. BDI ist eine Monitoring-Kennzahl, kein Ranking-Faktor, kein Compliance-Schild und kein Ersatz für manuelles Review.

Praktische Umsetzung

Nutzen Sie mindestens wöchentliches Sampling. Versionieren Sie Ihre Baselines. Halten Sie 500 bis 1.000 Outputs pro major Prompt-Cluster bereit, wenn Sie stabile Tendenzaussagen möchten. Verknüpfen Sie dann Alerts mit konkreten Maßnahmen: Prompt-Änderungen, Retrieval-Tuning, Quellengewichtung oder gezieltes Fine-Tuning. Wenn Sie nicht erklären können, welche operative Änderung ein hoher BDI auslösen sollte, sammeln Sie eine Vanity-Metrik.