Manipulation von KI-Produktempfehlungen per TextsequenzManipulating Large Language Models to Increase Product Visibility

Kumar, Lakkaraju · Harvard; arXiv 2404.07981 · 2024

Eine algorithmisch erzeugte, für Menschen unlesbare Textsequenz auf einer Produktseite konnte eine fiktive Kaffeemaschine in einem Llama-2-Test häufig zur Top-Empfehlung machen.

5,5MFK-Score von 10 · Ergebnis: bestätigt

Studiendesign4

Datenbasis3

Unabhängigkeit10

Replikation6

Übertragbarkeit4

Kleiner Laborversuch unabhängiger Autoren; Mechanismus von Nestaas et al. in echten Systemen gestützt. Die verbreitete Aussage hält der Prüfung stand. Wie der Score entsteht →

Die Zahlen

ca. 40 %

Anteil der Auswertungen mit zufälliger Produktreihenfolge, in denen das Zielprodukt durch die Sequenz besser rankte

Methode: Fiktiver Katalog mit 10 Geräten, offenes Modell Llama-2, Optimierung einer 'Strategic Text Sequence', 200 Durchläufe.
Datenbasis: 10 fiktive Produkte, 200 Durchläufe
Einschränkungen und häufige Fehlzitate: Keine kommerzielle Suchmaschine getestet; Black-Hat-Technik, keine Empfehlung; rechtlich riskant (verschleierte Werbung).
Interessenlage: Akademisch; keine bekannt
Quelle: https://arxiv.org/pdf/2404.07981 (frei zugänglich)

Im Podcast

Folge 31 (erscheint demnächst)

Zitieren

Marketing Facts Kompakt (Hrsg.): „Manipulation von KI-Produktempfehlungen per Textsequenz“. MFK-Studiendatenbank, Stand 2026-11-06. https://marketing-facts.de/studien/kumar-lakkaraju-llm-product-visibility-2024/

bestätigtGEO & KI-SucheHandel & Commerce

← Alle Studien