Methodik: Wie wir die KI für Ihre Google-Bewertungsantworten auswählen

Warum die meisten KI-Antworten auf Google-Bewertungen nicht gut sind

Die meisten Bewertungs-Antwort-Tools verwenden ein Standard-LLM, ohne zu zeigen, wie sie es ausgewählt haben. Das Resultat: generische Corporate-Floskeln. „Vielen Dank für Ihre Worte, Ihre Zufriedenheit ist unsere oberste Priorität." Solche Antworten schaden der Marke mehr als sie helfen.

Eine gute Antwort auf eine Google-Bewertung verlangt drei Dinge: Erdung in dem, was der Kunde tatsächlich geschrieben hat (keine erfundenen Details), natürliche menschliche Stimme in der korrekten Schweizer Sprache und Tonlage, und Sicherheit bei rechtlich heiklen Bewertungen (kein Schuldeingeständnis, kein Datenleck). Welche Modelle das leisten, sehen wir nicht in Datenblättern, sondern indem wir es testen.

Unser Test-Setup

• 53 echte Bewertungen aus Schweizer KMU-Profilen, anonymisiert
• 6 Sprachen: Französisch (12), Englisch (25), Deutsch (3), Italienisch (11), Portugiesisch (1), Chinesisch (1)
• 13 Frontier-Modelle — alle aktuellen Top-Modelle von OpenAI, Anthropic, Google, Mistral
• Regel-basierte Bewertung: 37 verbotene Floskel-Patterns pro Sprache, Em-Dash-Erkennung, Wortanzahl, Latenz
• Manuelle Sicherheitsprüfung auf negativen DE/FR-Bewertungen, weil regel-basierte Tests Erdung und Tonlage nicht messen können

Stichproben-Hinweis: das Sample ist Restaurant-lastig und enthält nur 3 deutschsprachige Bewertungen. Die nächste Quartals-Evaluation wird auf ein Schweizer-DE-Mehrheits-Sample umgestellt.

Ergebnisse hängen vom Prompt, dem API-Modus, dem Datum des Tests und dem Eval-Sample ab. Regelkonformität allein beweist noch keine Produktions-Tauglichkeit — sie ist eine Mindesthürde.

Die 13 getesteten Modelle

Sortiert nach Median-Latenz. Niedrigere Latenz, weniger verbotene Phrasen und null Em-Dashes sind besser.

Was die Daten zeigen — Auffallende Failure Modes

Unsere Auswahlkriterien

Wir gewichten Modelle nach diesen Kriterien, in dieser Reihenfolge:

1. Sicherheit: Keine Erfindungen, kein Schuldeingeständnis, keine Datenlecks über andere Kunden oder Mitarbeiter
2. Erdung in der Bewertung: Antworten greifen auf, was der Kunde tatsächlich geschrieben hat. Keine generischen Floskeln, keine erfundenen Details.
3. Schweizer Mehrsprachigkeit: konsistente Qualität in DE-CH, FR-CH, IT-CH, mit korrekten Anredeformen (Sie / vous / lei) und Schweizer Idiomen
4. Tonlage je nach Branche: warm für Restaurants, deeskalierend bei negativen Bewertungen, professionell-empathisch im Gesundheitsbereich
5. Latenz: unter 5 Sekunden P95 — gute UX im Dashboard, wenn der Inhaber „Antwort generieren" klickt
6. Kosten: skalierbar bei SMB-Volumen (Hunderte bis Tausende Bewertungen pro Monat)

Wir optimieren nicht auf Geschwindigkeit alleine. Das schnellste Modell in unserem Test (gpt-4.1-mini, 1,2s) ist 2,5× schneller als unsere Wahl, aber generisch und ohne tiefe Erdung. Wir tauschen Geschwindigkeit gegen Qualität ein.

Was wir nicht offenlegen — und warum

Wir nennen hier nicht das Modell, das wir in Produktion verwenden. Wir evaluieren quartalsweise neu, und die Antwort auf „welches Modell ist das beste?" ändert sich, wenn neue Modelle erscheinen. Wir wollen wechseln können, ohne Marketing-Aussagen umzuschreiben. Der eigentliche Vorteil liegt im laufenden Eval-Prozess: Kriterien, Testfälle, manuelle Prüfungen und die Bereitschaft, Modelle zu wechseln. Methodik und Kriterien sind öffentlich, die Umsetzung ist unsere.

Was Sie mit StarReview bekommen

In unserem Mai-2026-Eval-Lauf erfüllte die Modellkonfiguration hinter StarReview unsere Schwelle: 0/53 verbotene Phrasen, 0 Em-Dashes und 0 erfundene operative Details; P95-Latenz unter 5 Sekunden in allen 6 getesteten Sprachen. Konkret heisst das:

• Antworten, die wie ein echter Inhaber klingen — 37 sprachspezifische Filter blockieren AI-Floskeln vor Veröffentlichung
• Geerdet in der konkreten Bewertung — bei der manuellen Sicherheitsprüfung 0/53 erfundene Details; mehrere nicht gewählte Modelle fügten operative Details hinzu
• Multilinguale Schweizer Tonlage in DE-CH, FR-CH, IT-CH und Englisch — getestet auf 53 echten Bewertungen
• Forbidden-Phrase-Filter mit 37 Patterns pro Sprache, gebaut aus identifizierten AI-Floskeln aus echten Schweizer Bewertungen
• Quartalsweise Re-Evaluation — nächster Lauf August 2026; wenn ein neues Modell unsere Schwelle übertrifft, wechseln wir

Wie wir für Branchen-Spezifika abstimmen

Bewertungs-Antworten haben branchen-spezifische Risiken. Bei einer Arzt-Praxis geht es um das Schweizer Berufsgeheimnis (StGB Art. 321) und darum, was die Antwort über das Patientenverhältnis sagen darf. Bei einer Garage geht es um Reparatur-Versprechen ohne schriftliche Grundlage. Bei einem Restaurant um pauschale Hygiene-Aussagen ohne konkrete Massnahme.

StarReview ist pro Branche unterschiedlich abgestimmt:

• Branchen-spezifische System-Prompts mit eingebauten Vorsichtsregeln
• Branchen-spezifische Phrasen-Filter, die typische Risiko-Formulierungen zur menschlichen Freigabe markieren oder vor Veröffentlichung neu generieren lassen
• Im Gesundheitswesen erfordern alle Antworten menschliche Freigabe, unabhängig vom Stern-Rating
• Smoke-Tests bei jeder Modell-Aktualisierung gegen typische Failure-Modes pro Branche

Die genauen Patterns und Prompts geben wir nicht öffentlich bekannt. Das ist Teil unseres Wettbewerbs-Stacks. Methodik und Kriterien sind öffentlich; die konkrete Implementierung ist unsere.