# Das Source-First Manifest

> Fünf Thesen zur Source-First Intelligence: warum Markt- und Wettbewerbsbeobachtung bei den Quellen beginnt, nicht bei Stichworten, mit Belegen und Einwänden.

- Autor: Dr. Karsten Richter
- Herausgeber: Picasi GmbH
- Thema: Was ist Source-First Intelligence?
- Stand: 2026-09-23
- Quelle: https://source-first-intelligence.com/de/manifest/
- Sprache: de


Source-First Intelligence ist Markt- und Wettbewerbsbeobachtung, die bei den Quellen beginnt: Man legt fest, wessen Veröffentlichungen man verfolgt, und wertet deren eigenen Content aus, statt nach Stichworten im offenen Netz zu suchen.

Das ist eine Denkweise, keine Software. Sie lässt sich mit jedem Werkzeug umsetzen, auch mit einer Tabelle und einem Lesezeichen-Ordner. Ihr Leitsatz lautet „Track who, not what.“

Dieses Manifest begründet die Denkweise in fünf Thesen. Eine [Kurzfassung der Thesen](https://picasi.com/de/manifest/) steht auf picasi.com. Die Fassung hier ist die ausführliche: jede These mit Erläuterung, mit Belegen und mit dem stärksten Einwand, der sich gegen sie vorbringen lässt.

## 1. Marktkenntnis ist entscheidend, und Marktteilnehmer sagen öffentlich viel über ihre nächsten Schritte

Wer Entscheidungen über Produkte, Preise oder Vertrieb trifft, braucht ein Bild davon, was Wettbewerber, Kunden, Lieferanten und Verbände vorhaben. Das meiste davon ist kein Geheimnis. Die Beteiligten sagen es selbst, auf ihren eigenen Kanälen.

Ein Teil dieser Veröffentlichungen ist Pflicht. Emittenten, deren Finanzinstrumente in der EU an einem Markt gehandelt werden, müssen Insiderinformationen, die sie unmittelbar betreffen, nach [Art. 17 Abs. 1 der Marktmissbrauchsverordnung](https://publications.europa.eu/resource/cellar/b5b43c29-3d97-11f1-814f-01aa75ed71a1.0006.02/DOC_1) unverzüglich bekannt geben. Dieselbe Vorschrift verlangt, dass der Emittent diese Informationen auf seiner Website veröffentlicht und dort mindestens fünf Jahre lang zeigt. Für Kapitalgesellschaften in Deutschland, die einen Lagebericht aufstellen müssen, schreibt [§ 289 HGB](https://www.gesetze-im-internet.de/hgb/__289.html) vor, im Lagebericht „die voraussichtliche Entwicklung mit ihren wesentlichen Chancen und Risiken“ zu beurteilen und zu erläutern.

Vieles andere ist freiwillig. Der LinkedIn-Post des Geschäftsführers eines Wettbewerbers, der Newsletter eines Verbands, das Produktvideo auf dem YouTube-Kanal eines Lieferanten, eine Stellenanzeige. Wei Shi, Professor an der Miami Herbert Business School, nennt in der [Harvard Business Review](https://hbr.org/2026/08/what-you-can-learn-from-a-competitors-job-postings) die offenen Stellen eines Wettbewerbers „one of the clearest and most accessible signals of strategic intent“. Viele Unternehmen, schreibt er, übersehen genau dieses Signal.

Allen diesen Veröffentlichungen ist eines gemeinsam: Man weiß, von wem sie stammen. Sie sind Primärquellen im Wortsinn, die Veröffentlichung des Absenders selbst.

Der naheliegende Einwand: Selbstdarstellung ist interessengeleitet. Eine Pressemitteilung zeigt, was ein Unternehmen zeigen will, nicht unbedingt, was es tut. Das stimmt, und die Denkweise bestreitet es nicht. Source-First heißt, zu wissen, wer spricht. Es heißt nicht, alles zu glauben. Wie man das Gesagte gewichtet, ist Gegenstand der vierten These. Und eine Grenze gilt von Anfang an: Beobachtet wird nur, was öffentlich veröffentlicht ist. Was ein Unternehmen nicht sagt, bleibt unsichtbar, und die Denkweise versucht nicht, daran etwas zu ändern.

## 2. Social Listening und Keyword-Monitoring wurden für Marken- und Themenbeobachtung gebaut, nicht für Marktanalyse

Keyword-Monitoring beginnt bei Suchbegriffen. Man bekommt alle Treffer, in denen ein Wort vorkommt, egal wer es verwendet. Die [Hilfeseite zu Google Alerts](https://support.google.com/websearch/answer/4815696?hl=de) beschreibt das Prinzip so: Man erhält E-Mail-Benachrichtigungen, „wenn in der Google-Suche neue Ergebnisse zu einem Thema erscheinen“. Einstellen lassen sich laut Hilfeseite Häufigkeit, Art der Websites, Sprache, Region, Zahl der Ergebnisse und die Konten, an die der Alert geht. Eine Einstellung für den Absender nennt die Seite nicht. Fair ist der Hinweis, dass die Google-Suche, auf der die Alerts beruhen, [Operatoren wie site:](https://support.google.com/websearch/answer/2466433?hl=de) kennt, mit denen sich Ergebnisse auf eine bestimmte Website eingrenzen lassen. Damit lässt sich der Absender teilweise festlegen, aber nur über die Domain. Der LinkedIn-Post einer Geschäftsführerin steht nicht auf der Website ihres Unternehmens.

Social Listening wertet in der Praxis aus, was Dritte in sozialen Netzwerken und im Web über eine Marke, ein Produkt oder ein Thema sagen, oft mit Stimmungsanalyse. Der Ausgangspunkt ist das Gespräch über jemanden, nicht die Aussage von jemandem. Die Forschung fasst den Begriff weiter. [Stewart und Arnold (2018)](https://digitalcommons.unf.edu/unf_faculty_publications/1553/) schlagen im International Journal of Listening vor, Social Listening als neue Form des Zuhörens zu verstehen („an emerging type of listening“), die über vermittelte Kanäle zwischenmenschliche Information und soziales Wissen erschließt. Die Werkzeuge, die unter diesem Namen verkauft werden, sind dagegen meist auf Marken und Themen zugeschnitten.

Beide Werkzeuge beantworten eine berechtigte Frage: Wo taucht ein Thema auf, und wie wird über uns gesprochen? Für Marktanalyse lautet die Frage aber anders: Was hat dieser Wettbewerber vor, was sagt dieser Kunde, was plant dieser Verband?

Warum sich die zweite Frage mit Stichworten schlecht beantworten lässt, erklärt die Informationsforschung. Im Standardlehrbuch von [Manning, Raghavan und Schütze](https://nlp.stanford.edu/IR-book/html/htmledition/information-retrieval-system-evaluation-1.html) heißt es: Relevanz bemisst sich am Informationsbedürfnis, nicht an der Suchanfrage. Ein Dokument ist relevant, wenn es das Informationsbedürfnis anspricht, „not because it just happens to contain all the words in the query“.

Das Informationsbedürfnis der Marktanalyse enthält fast immer einen Absender. „Was plant Wettbewerber X?“ ist ein anderes Bedürfnis als „Wo kommt das Wort X vor?“. Eine Stichwortsuche kann den Absender kaum ausdrücken, im Kern gleicht sie Wörter ab. Wer sie trotzdem dafür nutzt, landet im bekannten Zielkonflikt zwischen Genauigkeit und Vollständigkeit. Dasselbe Lehrbuch zeigt, dass beide Größen [gegeneinander laufen](https://nlp.stanford.edu/IR-book/html/htmledition/evaluation-of-unranked-retrieval-sets-1.html): Vollständigkeit ist immer erreichbar, indem man alle Dokumente liefert, dann aber mit sehr geringer Genauigkeit. Ein weit gefasster Alert liefert Rauschen, ein eng gefasster verpasst, was der Wettbewerber mit anderen Worten sagt.

Eine Quellenliste löst diesen Konflikt nicht durch bessere Stichworte. Sie macht den Absender zum Teil der Anfrage.

Fair ist auch die Gegenrechnung. Für Krisenkommunikation und Reputationsmanagement ist Social Listening das richtige Werkzeug. Dort zählt gerade, was Dritte sagen, und genau dafür ist das Werkzeug gebaut. Ähnlich beim Entdecken. Wer noch nicht weiß, wer in einem Markt relevant ist, findet neue Anbieter und Stimmen oft über ein Thema. Stichworte helfen beim Finden, Quellen beim Verfolgen. Die ausführliche Abgrenzung steht unter [Quellen statt Stichworte](https://source-first-intelligence.com/de/quellen-statt-stichworte/).

## 3. KI-generierter Content flutet das Web, und Content ist zur Massenware geworden

Mit Sprachmodellen lässt sich Text in großer Menge erzeugen. Was das für die Menge an Content bedeutet, lässt sich bisher nur in Ausschnitten messen, und die Ausschnitte zeigen in dieselbe Richtung.

Liang und Kollegen haben in einer als Preprint veröffentlichten Studie [950.965 wissenschaftliche Aufsätze](https://arxiv.org/abs/2404.01268) untersucht, erschienen zwischen Januar 2020 und Februar 2024 auf arXiv, bioRxiv und in Zeitschriften des Nature-Portfolios. Ihr statistisches Verfahren schätzt den Anteil von Text, der mit Sprachmodellen wesentlich verändert oder erzeugt wurde, für ganze Korpora, nicht für einzelne Aufsätze. Sie finden einen stetigen Anstieg, am stärksten in der Informatik mit bis zu 17,5 Prozent. Thompson und Kollegen zeigen für die [Findings of ACL 2024](https://aclanthology.org/2024.findings-acl.103/), dass maschinell übersetzter Content von geringer Qualität in ressourcenarmen Sprachen einen großen Teil des gesamten Web-Contents ausmacht.

Wie groß der Anteil maschinell erzeugter Texte am Web insgesamt ist, misst keine dieser Studien. Zahlen dazu kursieren viele. Eine Zahl für das Web insgesamt bräuchte eine Messung, die keine dieser Studien liefert. Dieses Manifest nennt deshalb keine.

Die Folgen reichen über die reine Menge hinaus. Shumailov und Kollegen haben in [Nature](https://www.pure.ed.ac.uk/ws/portalfiles/portal/460496122/ShumailovEtalNature2024AIModelsCollapseWhen.pdf) gezeigt, dass Sprachmodelle, die wahllos mit modellerzeugtem Content trainiert werden, dauerhaft Schaden nehmen: Die Ränder der ursprünglichen Verteilung verschwinden. Sie schreiben auch, dass unklar ist, wie sich von Sprachmodellen erzeugter Content in großem Maßstab nachverfolgen lässt. Die Frage nach der Herkunft eines Textes stellt sich also sogar für die, die diese Modelle bauen.

Der Gesetzgeber reagiert. Nach [Art. 50 Abs. 2 der KI-Verordnung](https://publications.europa.eu/resource/cellar/b1730fb2-8f1c-11f1-9262-01aa75ed71a1.0003.02/DOC_1) müssen Anbieter von KI-Systemen, die synthetische Audio-, Bild-, Video- oder Textinhalte erzeugen, die Ausgaben maschinenlesbar kennzeichnen. Die Pflicht gilt seit dem 2. August 2026, für Systeme, die vorher auf den Markt kamen, nach Art. 111 Abs. 4 ab dem 2. Dezember 2026.

Für Marktbeobachtung heißt das: Mehr Content bringt nicht mehr Erkenntnis, sondern mehr Arbeit beim Filtern und Prüfen. Wer nach Stichworten sucht, bekommt die wachsende Menge ungefiltert mitgeliefert.

Man kann einwenden, dass auch Wettbewerber ihre Pressemitteilungen und Posts inzwischen von Sprachmodellen entwerfen lassen. Hilft die Quelle dann überhaupt noch? Sie hilft, und zwar aus einem Grund, den die KI-Verordnung selbst kennt. Veröffentlicht ein Betreiber maschinell erzeugten Text zu Fragen von öffentlichem Interesse, entfällt für ihn nach Art. 50 Abs. 4 die Pflicht offenzulegen, dass der Text maschinell erzeugt wurde, wenn der Text menschlich geprüft wurde und eine Person die redaktionelle Verantwortung trägt. Die maschinenlesbare Markierung durch den Anbieter nach Abs. 2 bleibt davon unberührt. Das Gesetz knüpft die Offenlegung also an die Frage, ob jemand für den Text einsteht. Für die Marktanalyse ist es zweitrangig, ob ein Text mit Hilfe eines Modells entstand. Entscheidend ist, ob ein erkennbarer Absender dafür einsteht. Die Pressemitteilung eines Wettbewerbers bleibt seine Aussage, wer sie auch formuliert hat. Ein anonymer Text, der ein Stichwort enthält, ist niemandes Aussage.

## 4. Deshalb beginnt Source-First Intelligence mit WER, nicht WAS: den Quellen zuhören, denen man vertrauen kann

Die Frage lautet nicht „Wer hat dieses Stichwort erwähnt?“, sondern „Was sagt dieser Wettbewerber?“. Wer so fragt, legt zuerst die Quellen fest und liest dann deren Content.

Dass man zuerst den Absender und dann die Aussage bewertet, ist keine Erfindung der Wettbewerbsbeobachtung. Das militärische Nachrichtenwesen arbeitet so. Die britische Doktrin [JDP 2-00](https://assets.publishing.service.gov.uk/media/653a4b0780884d0013f71bb0/JDP_2_00_Ed_4_web.pdf) (4. Auflage, 2023) beschreibt die Bewertung eingehender Informationen in zwei getrennten Urteilen: die Zuverlässigkeit der Quelle und die Glaubwürdigkeit der Information. Beide werden getrennt bewertet, im NATO-Schema mit Buchstaben von A bis F für die Quelle und Ziffern von 1 bis 6 für die Information. Eine sonst zuverlässige Quelle kann Unzutreffendes liefern, und gelegentlich kommt sehr Glaubwürdiges von einer meist unzuverlässigen Quelle. Die Zuverlässigkeit einer Quelle ergibt sich dabei vor allem aus ihrer bisherigen Berichterstattung über die Zeit. Ausdrücklich gilt das auch für Organisationen, nicht nur für Personen.

Content ohne erkennbaren Absender lässt nur die halbe Bewertung zu. Man kann prüfen, ob eine Aussage plausibel ist und ob andere sie bestätigen. Wie verlässlich der Absender bisher war, kann man nicht prüfen, denn es gibt keinen. Und Zuverlässigkeit entsteht erst aus einer Geschichte, also daraus, dass man eine Quelle über längere Zeit verfolgt. Genau das tut Source-First Intelligence.

„Vertrauen“ heißt in dieser These deshalb nicht Gutgläubigkeit. Es heißt: eine Quelle, deren bisherige Aussagen man kennt und an denen man neue messen kann. Angenommen, ein Wettbewerber kündigt zum dritten Mal eine Produktlinie an, die dann nicht erscheint. Dann ist er für Produktankündigungen eine wenig zuverlässige Quelle. Seine Stellenanzeigen für ein neues Werk können trotzdem sehr ernst zu nehmen sein. Das zu unterscheiden gelingt nur, wenn man weiß, wer spricht.

Ernst zu nehmen ist die Sorge, dass eine feste Liste von Quellen blinde Flecken erzeugt. Was außerhalb der Liste passiert, sieht man nicht. Das Risiko ist real. Die Doktrin verlangt, einmal getroffene Bewertungen regelmäßig zu überprüfen. Für eine Quellenliste heißt das in der Praxis zusätzlich, neue Quellen aufzunehmen und andere zu streichen. Wie man Quellen auswählt, bewertet und die Liste pflegt, beschreibt [Source-First in der Praxis](https://source-first-intelligence.com/de/source-first-in-der-praxis/).

## 5. Die Wahl: verfolgen, was irgendjemand über den Markt sagt, oder was vertrauenswürdige Marktakteure selbst sagen

Die ersten vier Thesen laufen auf eine Entscheidung zu. Sie betrifft nicht in erster Linie Werkzeuge, sondern den Ausgangspunkt der Beobachtung.

| | Beginnt beim Stichwort | Beginnt bei der Quelle |
|---|---|---|
| Leitfrage | Wo taucht das Thema auf? | Was sagt dieser Marktteilnehmer? |
| Einstieg | Suchbegriffe, Hashtags, Markennamen | Liste von Unternehmen, Personen, Verbänden und ihren Kanälen |
| Ergebnis | Erwähnungen aus beliebigen Quellen, darunter Duplikate und Spam | Content bekannter Absender |
| Passend für | Markenwahrnehmung, Krisen, Entdecken neuer Akteure | Wettbewerbsbeobachtung, Marktanalyse, Vorbereitung von Entscheidungen |

Angenommen, ein Hersteller von Industriepumpen richtet einen Alert auf den Namen seines wichtigsten Wettbewerbers ein. Er bekommt Treffer zu Namensvettern aus anderen Branchen, Händlerangebote und Stellenanzeigen auf Jobportalen. Ausgerechnet den LinkedIn-Post, in dem die Geschäftsführerin des Wettbewerbers ankündigt, künftig Wartungsverträge zu verkaufen, findet er darin nicht, denn sie schreibt „wir“ und nicht den Firmennamen. Hätte er die Kanäle dieses Wettbewerbers und seiner Geschäftsführung verfolgt, hätte er den Post am selben Tag gelesen.

Die Wahl ist kein Entweder-oder für alle Zeiten. Sinnvoll ist oft beides: Social Listening für die eigene Marke, eine Quellenliste für den Markt. Wichtig ist, die beiden Fragen nicht zu verwechseln. Wer mit Werkzeugen für Markenwahrnehmung Marktanalyse betreibt, bekommt Antworten auf eine Frage, die er nicht gestellt hat.

Die These hat eine zweite Seite, die leicht übersehen wird. Sekundärquellen haben ihren Platz: Berichterstattung ordnet ein, verbindet, deckt auf. Die Wahl richtet sich nicht gegen sie. Sie richtet sich gegen die Gewohnheit, das Gerede über einen Marktteilnehmer für dessen Aussage zu halten.

## Was daraus folgt

Aus den fünf Thesen ergeben sich vier Themenfelder, die diese Website ausführlich behandelt:

- [Quellen statt Stichworte](https://source-first-intelligence.com/de/quellen-statt-stichworte/) grenzt Source-First Intelligence von Keyword-Monitoring, Medienbeobachtung, Social Listening und Alerts ab und behandelt die typischen Einwände.
- [Source-First in der Praxis](https://source-first-intelligence.com/de/source-first-in-der-praxis/) beschreibt, wie man Quellen auswählt, ihre Kanäle findet, Content auswertet und daraus Signale ableitet.
- [Source-First im Feld der Marktbeobachtung](https://source-first-intelligence.com/de/source-first-einordnung/) ordnet die Denkweise gegenüber Competitive Intelligence, Market Intelligence, OSINT (Open Source Intelligence, Erkenntnisgewinn aus öffentlich zugänglichen Informationen) und Medienbeobachtung ein.
- [Fallbeispiele](https://source-first-intelligence.com/de/source-first-fallbeispiele/) zeigt Situationen, in denen die Beobachtung von Quellen einen Unterschied macht.

## Warum die Frage nach dem Absender bleibt

Werkzeuge ändern sich. Die Frage „Wer sagt das?“ bleibt, und sie wird wichtiger, je billiger Text wird. Ein Markt besteht aus Akteuren, die entscheiden, investieren, einstellen und ankündigen. Wer verstehen will, was sie vorhaben, hört ihnen zu. Nicht allen, die über sie reden.

Track who, not what.

## Belege

1. Europäische Union: Verordnung (EU) Nr. 596/2014 über Marktmissbrauch (Marktmissbrauchsverordnung), Art. 17, konsolidierte Fassung vom 05.06.2026. [https://publications.europa.eu/resource/cellar/b5b43c29-3d97-11f1-814f-01aa75ed71a1.0006.02/DOC_1](https://publications.europa.eu/resource/cellar/b5b43c29-3d97-11f1-814f-01aa75ed71a1.0006.02/DOC_1) (abgerufen am 23.09.2026)
2. Bundesministerium der Justiz: Handelsgesetzbuch, § 289 Inhalt des Lageberichts. [https://www.gesetze-im-internet.de/hgb/__289.html](https://www.gesetze-im-internet.de/hgb/__289.html) (abgerufen am 23.09.2026)
3. Wei Shi: What You Can Learn from a Competitor’s Job Postings. Harvard Business Review, 10.08.2026. [https://hbr.org/2026/08/what-you-can-learn-from-a-competitors-job-postings](https://hbr.org/2026/08/what-you-can-learn-from-a-competitors-job-postings) (abgerufen am 23.09.2026)
4. Google: Alert erstellen. Google Suche-Hilfe. [https://support.google.com/websearch/answer/4815696?hl=de](https://support.google.com/websearch/answer/4815696?hl=de) (abgerufen am 23.09.2026)
5. Margaret C. Stewart, Christa L. Arnold: Defining Social Listening: Recognizing an Emerging Dimension of Listening. International Journal of Listening 32 (2), S. 85–100, 2018. DOI 10.1080/10904018.2017.1330656. Abstract im Repositorium der University of North Florida: [https://digitalcommons.unf.edu/unf_faculty_publications/1553/](https://digitalcommons.unf.edu/unf_faculty_publications/1553/) (abgerufen am 23.09.2026)
6. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze: Introduction to Information Retrieval, Abschnitt „Information retrieval system evaluation“. Cambridge University Press, 2008. [https://nlp.stanford.edu/IR-book/html/htmledition/information-retrieval-system-evaluation-1.html](https://nlp.stanford.edu/IR-book/html/htmledition/information-retrieval-system-evaluation-1.html) (abgerufen am 23.09.2026)
7. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze: Introduction to Information Retrieval, Abschnitt „Evaluation of unranked retrieval sets“. Cambridge University Press, 2008. [https://nlp.stanford.edu/IR-book/html/htmledition/evaluation-of-unranked-retrieval-sets-1.html](https://nlp.stanford.edu/IR-book/html/htmledition/evaluation-of-unranked-retrieval-sets-1.html) (abgerufen am 23.09.2026)
8. Weixin Liang u. a.: Mapping the Increasing Use of LLMs in Scientific Papers. Preprint, arXiv 2404.01268, 01.04.2024. [https://arxiv.org/abs/2404.01268](https://arxiv.org/abs/2404.01268) (abgerufen am 23.09.2026)
9. Brian Thompson, Mehak Dhaliwal, Peter Frisch, Tobias Domhan, Marcello Federico: A Shocking Amount of the Web is Machine Translated: Insights from Multi-Way Parallelism. Findings of the Association for Computational Linguistics: ACL 2024, S. 1763–1775, August 2024. [https://aclanthology.org/2024.findings-acl.103/](https://aclanthology.org/2024.findings-acl.103/) (abgerufen am 23.09.2026)
10. Ilia Shumailov, Zakhar Shumaylov, Yiren Zhao, Nicolas Papernot, Ross Anderson, Yarin Gal: AI models collapse when trained on recursively generated data. Nature 631, S. 755–759, 24.07.2024. DOI 10.1038/s41586-024-07566-y, Verlagsfassung im Repositorium der University of Edinburgh. [https://www.pure.ed.ac.uk/ws/portalfiles/portal/460496122/ShumailovEtalNature2024AIModelsCollapseWhen.pdf](https://www.pure.ed.ac.uk/ws/portalfiles/portal/460496122/ShumailovEtalNature2024AIModelsCollapseWhen.pdf) (abgerufen am 23.09.2026)
11. Europäische Union: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 50 und Art. 111 Abs. 4, konsolidierte Fassung vom 27.07.2026. [https://publications.europa.eu/resource/cellar/b1730fb2-8f1c-11f1-9262-01aa75ed71a1.0003.02/DOC_1](https://publications.europa.eu/resource/cellar/b1730fb2-8f1c-11f1-9262-01aa75ed71a1.0003.02/DOC_1) (abgerufen am 23.09.2026)
12. UK Ministry of Defence: Joint Doctrine Publication 2-00, Intelligence, Counter-intelligence and Security Support to Joint Operations, 4. Auflage, August 2023, Nr. 3.39 und 3.40. [https://assets.publishing.service.gov.uk/media/653a4b0780884d0013f71bb0/JDP_2_00_Ed_4_web.pdf](https://assets.publishing.service.gov.uk/media/653a4b0780884d0013f71bb0/JDP_2_00_Ed_4_web.pdf) (abgerufen am 23.09.2026)
13. Google: Google-Suchanfragen optimieren. Google Suche-Hilfe. [https://support.google.com/websearch/answer/2466433?hl=de](https://support.google.com/websearch/answer/2466433?hl=de) (abgerufen am 23.09.2026)