Der Tag der Arbeit ist vorbei.
Es ist Tag 86 meiner fortlaufenden Nextdoor-Fallstudie, und nachdem ich mich gestern gefragt hatte, ob Nextdoor ein verlängertes Feiertagswochenende einlegt, habe ich heute noch einmal nachgesehen.
Ich habe keine Mitteilung bezüglich der beiden von mir angeforderten detaillierten Insights-Studien erhalten.
Und NXDR?
Zum jetzigen Zeitpunkt notiert der Kurs bei 2,20 US-Dollar. Marktquellen berichteten heute Nachmittag von rund 2,24 US-Dollar, nachdem die Aktie am Freitag ebenfalls bei 2,24 US-Dollar geschlossen hatte. Der genaue Kurs ändert sich also noch.
Hey, wenigstens reden wir jetzt von Centbeträgen.
Hat Nextdoor Schwierigkeiten?
Ich versuche das immer noch herauszufinden.
Aber etwas, das Nirav Tolia am 3. September auf X gepostet hat, erregte meine Aufmerksamkeit.
„Eine Studie aus dem Jahr 2025 ergab…“
In dem Beitrag schrieb Nirav:
„Eine Studie aus dem Jahr 2025 ergab, dass KI-generierte gefälschte Bewertungen mittlerweile nicht mehr von echten zu unterscheiden sind…“
Und sofort dachte ich:
Jetzt geht das schon wieder los.
Eine Studie.
Welche Studie?
Wer hat es geschrieben?
Wo wurde es veröffentlicht?
Welche Methodik wurde angewendet?
Wie groß war die Stichprobe?
Was genau bedeutete „ununterscheidbar“?
Das dürfte jedem bekannt vorkommen, der meine 86-tägige Reise in die Welt der Transparenz bei Nextdoor-Recherchen verfolgt hat.
Und hier kommt der interessante Teil: Ich habe nachgeschaut, und es gibt eindeutig wissenschaftliche Belege für Niravs Aussage.
In einem am selben Tag veröffentlichten Artikel in Fortune identifizierte Nirav es genauer als eine Studie der Nottingham University Business School aus dem Jahr 2025.
Im Jahr 2025 werden von Experten begutachtete Studien KI-generierte gefälschte Bewertungen untersuchen, darunter eine Studie des Journal of Retailing and Consumer Services, die 714.016 Bewertungen analysierte und aussagekräftige sprachliche Unterschiede zwischen KI-generierten gefälschten Bewertungen, von Menschen erstellten gefälschten Bewertungen und authentischen Bewertungen feststellte.
Meine Kritik lautet also nicht:
„Die Studie existiert nicht.“
Meine Frage lautet:
Warum wird es nicht im Originalbeitrag zitiert?
Wenn Sie Forschungsergebnisse nutzen, um Glaubwürdigkeit zu erlangen, geben Sie den Lesern genügend Informationen, damit diese die Forschungsergebnisse selbst beurteilen können.
Studienname. Autoren. Publikation. Link.
Vier Dinge.
Erledigt.
Insbesondere wenn man der CEO eines Unternehmens ist, das derzeit die Idee propagiert, dass Herkunft wichtig ist.
Das ist fast schon zu perfekt.
Gefälschte Bewertungen kamen bei ChatGPT nicht an
Ein weiterer Aspekt dieser Diskussion stört mich.
Künstliche Intelligenz hat keine gefälschten Bewertungen erfunden.
KI hat die Produktion in großem Maßstab beschleunigt, verbilligt und vereinfacht.
Die Menschheit manipuliert Rufmanipulationen schon seit sehr, sehr langer Zeit.
Tatsächlich ist die Geschichte ziemlich unterhaltsam.
Im 19. Jahrhundert veröffentlichte Walt Whitman anonym überschwängliche Rezensionen seines eigenen Gedichtbandes „Leaves of Grass“. Das ist im Grunde die Version des 19. Jahrhunderts davon, einen Fake-Account anzulegen und sich selbst fünf Sterne zu geben.
Anfang des 20. Jahrhunderts hatten Zeitungen bereits mit erfundenen Informationen, übertriebenen Behauptungen und „Fälschern“ zu kämpfen. 1913 gründete die New York World ein Büro für Genauigkeit und Fairness, unter anderem um Beschwerden nachzugehen und „Fälschungen und Fälscher auszumerzen“.
Werbung vor dem Internet: Unternehmen nutzten Erfahrungsberichte und Empfehlungen als Marketinginstrumente, wodurch dasselbe grundlegende Problem entstand, mit dem wir heute konfrontiert sind: Empfiehlt diese Person das Produkt, weil sie es wirklich liebt – oder weil jemand von der Empfehlung profitiert?
Frühes Internet: Messageboards, Bewertungsportale und schließlich E-Commerce ermöglichten es Unternehmen und Privatpersonen, Konten zu erstellen und Lob zu verbreiten – oder Konkurrenten anzugreifen.
Ironischerweise war Nirav selbst 1999 Mitbegründer von Epinions , einer der ersten nutzergenerierten Bewertungsplattformen. Er räumt heute ein, dass die Bewertungsökonomie schließlich anfällig für Manipulationen wurde.
2010er Jahre: Der Handel mit gefälschten Bewertungen entwickelte sich zu einer eigenen Branche. Unternehmen konnten positive Bewertungen kaufen, Konkurrenten konnten mit negativen Bewertungen angegriffen werden, und Rezensenten konnten mehrere Identitäten nutzen.
2020er Jahre: Bewertungsfabriken wurden immer raffinierter. Ermittler entdeckten koordinierte Bewerter, die länderübergreifend unabhängige Unternehmen lobten, wobei identische Bewertungen mitunter unter verschiedenen Namen erschienen.
Heute: Generative KI hat die Wirtschaftswelt grundlegend verändert. Anstatt Menschen für das manuelle Verfassen hunderter Rezensionen zu bezahlen, kann nun jemand in kürzester Zeit enorme Mengen überzeugender Texte generieren. Studien zeigen, dass sprachlich intelligente Systeme (LLM) irreführende Rezensionen mit menschenähnlichen Fähigkeiten erstellen können, obwohl Forscher statistisch noch einige sprachliche Unterschiede feststellen können.
Derselbe Betrug.
Weitaus bessere Maschinen.
Was mich zurück zu Nextdoor bringt
Nextdoors aktuelles Argument lautet, dass verifizierte Identität und die Verantwortlichkeit innerhalb der Nachbarschaft die Empfehlungen vertrauenswürdiger machen können.
Das ist eine interessante Strategie.
Doch die Überprüfung allein macht eine Meinung noch nicht wahrheitsgemäß.
Auch ein Mensch kann übertreiben.
Auch eine verifizierte Person kann einen Groll hegen.
Ein echter Nachbar kann die Firma seines Freundes empfehlen.
Ein legitimer Kunde kann eine Prämie erhalten.
Zwei verifizierte Nachbarn können völlig unterschiedliche Erfahrungen mit demselben Geschäft machen.
Und, wie ich bereits dokumentiert habe, hatte ich selbst Zweifel daran, wie robust das Verifizierungssystem von Nextdoor tatsächlich ist.
also ein Vertrauenssignal.
Es ist kein magisches Wahrheitsserum.
Herkunft spielt eine Rolle? Da stimme ich zu.
Genau das macht Niravs Beitrag so interessant.
Seine weitergehende Argumentation lautet im Wesentlichen:
Die Herkunft von Informationen ist wichtig.
Ich stimme zu.
Vollständig.
Deshalb sagt der CEO:
„Eine Studie aus dem Jahr 2025 ergab…“
Ich möchte die Herkunft wissen.
Nennen Sie die Studie.
Nennen Sie die Forscher.
Hier ist der Link.
Lassen Sie die Leser es prüfen.
Und genau das habe ich Nextdoor gebeten, in Bezug auf ihre eigenen Recherchen bereitzustellen.
Für 86 Tage.
Nextdoor hat die Ergebnisse von Insights veröffentlicht.
Nextdoor teilte seinen Lesern öffentlich mit, dass sie detaillierte Daten anfordern könnten.
Ich habe es angefordert.
Ich habe eine E-Mail geschickt.
Ich habe nachgehakt.
Ich habe den Vertrieb erweitert.
Ich habe am Samstag eine weitere Anfrage gesendet.
Und ich warte immer noch auf die beiden detaillierten Studien.
Tag 86
Gestern war Tag der Arbeit.
Heute frage ich:
Hat Nextdoor Schwierigkeiten?
Weil ich die Arbeit noch erledige.
Ich warte darauf, dass jemand bei Nextdoor die Fragen beantwortet.
Nirav argumentiert in seinem Beitrag, dass die Herkunft eine Rolle spielt.
In diesem Punkt stimmen wir überein.
Hier also mein Vorschlag für Tag 86:
Üben Sie es.
Wenn Sie Forschungsergebnisse zitieren, zeigen Sie uns bitte die Forschungsergebnisse.
Wenn Nextdoor Forschungsergebnisse veröffentlicht, zeigt uns bitte die Methodik.
Wenn Sie in Ihrem eigenen Blog den Lesern mitteilen, dass sie detaillierte Daten anfordern können, dann liefern Sie diese detaillierten Daten – oder erklären Sie, warum Sie dies nicht tun werden.
Denn egal ob es sich um eine Restaurantkritik, eine KI-generierte Empfehlung oder einen Unternehmensbericht handelt, das Prinzip ist dasselbe:
Sag mir nicht einfach, ich solle darauf vertrauen. Gib mir genügend Informationen, damit ich selbst entscheiden kann, ob ich darauf vertrauen soll.
Verfolgen Sie die fortlaufende Nextdoor-Fallstudie unter NielFlamm.com/blog.
