Suche nach "Meta AI" in X-Bios liefert 14.673 Treffer. Genauso wie die Suche nach nur "AI."

„Welches AI-Lab hat die meisten Leute auf X?“ klingt nach einer Frage, die man durch Durchsuchen von Bios nach Firmennamen und Zählen beantworten könnte. Wir hatten 697.439 nicht-leere X-Bios in einem Suchindex und versuchten genau das. Die Suchtechnologie zerbrach an der Frage, bevor es die Daten taten.

Die Anführungszeichen bewirken nichts

Der Suchparameter q des X-Users-Endpunkts ist dokumentiert als Volltextsuche über Username, Name, Bio und Standort. Tatsächlich ist es eine ODER-Token-Suche — sie trifft Bios, die irgendeines der eingegebenen Wörter enthalten, nicht die exakte Phrase, und das Einschließen in Anführungszeichen ändert daran nichts. Suche "Meta AI", und du suchst eigentlich Meta ODER AI:

„AI“ allein (Kontrolle)14.112

„Meta AI“ (zitiert)14.673

„Stability AI“ (zitiert)~14.200

„Google DeepMind“ (zitiert)2.218

"Meta AI" liefert mehr Treffer als das reine AI — die Abfrage trifft jede Bio mit dem Wort „AI“ darin, plus eine Handvoll mit „Meta“. "Stability AI," "Perplexity AI," "Mistral AI," "Moonshot AI" und "Microsoft AI" landen alle im selben 14.000–15.000er-Bereich aus demselben Grund: Jeder Zwei-Wort-Name, bei dem ein Wort „AI“ ist, ist praktisch nicht von der Suche nach „AI“ allein zu unterscheiden. "Google DeepMind" liefert eine kleinere Zahl, aber dasselbe Versagen — 2.218 Treffer, dominiert vom gebräuchlichen Wort „Google“, nicht vom unverwechselbaren. Keine davon ist als Firmen-Erwähnungszahl brauchbar. Eine Phrase in Anführungszeichen zu setzen — der intuitive Weg, um nach einem exakten Firmennamen zu suchen — bewirkt an diesem Endpunkt still und leise gar nichts.

Was bleibt: einzelne unverwechselbare Tokens, und wie viel davon tatsächlich echt ist

Lässt man die gebräuchliche Worthälfte des Namens weg und sucht das unverwechselbare Token allein — DeepMind statt "Google DeepMind", OpenAI statt "Open AI" — werden die Zahlen klein, spezifisch und von Hand überprüfbar:

OpenAI373

DeepMind150

xAI79

Anthropic51

Cohere31

Mistral24

DeepSeek10

Qwen8

Kleine Zahlen sind zählbar, also lasen wir jeden Treffer für jedes Token — bis zu 30 pro Token, oder die vollständige Menge bei Tokens unter 30 — und sortierten jeden Treffer von Hand in „tatsächlich lab-bezogen“ (der offizielle Account, oder eine Bio, die eine dortige Rolle nennt) oder „Kollision“ (eine unabhängige Person, ein Ort oder ein Produkt, das zufällig dasselbe Wort teilt):

Zwei Dinge sind es wert, dabei zu verweilen. Erstens: Die Verifizierungsrate zeigt nicht, wie „echt“ ein Token ist — Mistral und xAI weisen ähnliche Blue-Check-Raten wie die sauberen Tokens auf, weil Verifizierung zeigt, ob jemand 8 Dollar bezahlt hat, nicht ob die Bio vom gesuchten Unternehmen handelt. Zweitens: Der Anteil der Treffer, die tatsächlich Angestellte sind, statt Fans, Nutzer:innen oder unabhängige Kollisionen, fällt bei den zwei kleinsten Tokens steil ab: DeepSeek und Qwen liegen beide bei geschätzt 20–40 % echt mitarbeiterbezogenen Treffern, gegenüber 90 %+ bei OpenAI und DeepMind.

Zwei Tokens, für die wir keine Zahl veröffentlichen

Kimi (Moonshot AIs Modell) liefert 17 Bio-Treffer. Wir berichten das nicht als Erwähnungszahl, weil das Lesen der Treffer zeigt, dass fast keiner davon das AI-Lab betrifft — Kimi ist ein gängiger Vorname und ein gängiges X-Handle, und die Stichprobe war dominiert von unabhängigen Personen, einem japanischen Schauspieler, einem Fan-Account eines Musiklabels und einer professionellen Dominatrix, die es als Spitznamen nutzt. Zwei Treffer waren tatsächlich Moonshots offizielle Produkt-Accounts.

Moonshot (wie in Moonshot AI, dem Lab hinter Kimi) liefert 8 Treffer — und deren Lektüre zeigt, dass das Token schlimmer als nutzlos ist: ein Podcast-Netzwerk, eine Filmproduktionsfirma, eine afrikanische Startup-Konferenzmarke, eine Biologie-Forschungsstiftung, ein Nanotechnologie-Hobbyprojekt und Google Xs eigener „the moonshot factory“-Slogan überflügeln allesamt das AI-Lab. Nur einer von acht ist tatsächlich Moonshot AI. „Moonshot: 8 Erwähnungen“ ohne diesen Kontext zu veröffentlichen, würde den Befund stärker verzerren als gar keine Zahl zu veröffentlichen.

Die ehrliche Form davon, keine Rangliste

Es wäre leicht, die Token-Tabelle oben in „OpenAI schlägt Anthropic 373 zu 51 auf X“ umzumünzen — und dieser Rahmen wäre auf jeder relevanten Achse falsch. Die Zahlen sind über Labs hinweg nicht vergleichbar (OpenAI ist älter, größer und hat mehr Ex-Mitarbeitende, die die Erwähnung in ihrer Bio behielten), sie sind keine Kopfzahl (373 Bio-Erwähnungen gegen ein Unternehmen mit Tausenden von Mitarbeitenden sind ein Rundungsfehler, und die meisten Bios erwähnen nie einen Arbeitgeber — siehe unsere Studie darüber, wie die X-Bio selbst verschwindet), und — wie der Abschnitt oben zeigt — ein bedeutender Anteil selbst der „sauberen“ Tokens sind keine Angestellten.

Was die Zahlen zuverlässig zeigen: X-Bios sind ein schwaches und stark verzerrtes Signal dafür, „wer bei einem AI-Lab arbeitet“. Die absoluten Zahlen sind winzig gegenüber einem 697.439-Bio-Korpus. Die Suchtechnologie kann einen Zwei-Wort-Markennamen nicht vom gebräuchlichen Wort darin trennen, was die meisten Labs ausschließt, die jemand tatsächlich nachschlagen möchte. Und die Labs, die überhaupt auftauchen, neigen stark zu westlichen, englischsprachigen Entwickler:innen- und Forschungskreisen — DeepSeek, Qwen, Kimi und Moonshot sind hier kaum sichtbar, nicht weil chinesische Labs weniger Personal hätten, sondern weil dieser Index aus Wikidata, GitHub und Xs englischsprachigem Suchgraphen geseedet ist, was genau diese Population untererfasst. Diese Verzerrung, nicht eine echte Kopfzahl-Lücke, ist die ehrlichere Geschichte.

Was das zeigt und was nicht

Was unserer Meinung nach hält: Einzelne unverwechselbare Markennamen-Tokens (OpenAI, DeepMind, Anthropic, Cohere) liefern kleine, meist echte Mengen an Bio-Erwähnungen, und der Anteil echter Treffer variiert stark je Lab — von ~90 %+ bis hinunter zu ~20–40 % bei den kleinsten Tokens. Zwei-Wort-Namen kollabieren zu Such-Rauschen und sind nicht brauchbar. Zwei Tokens (Kimi, Moonshot) sind von unabhängigen Kollisionen dominiert, und wir berichten sie als nicht messbar, statt eine irreführende Zahl zu geben.

Was das begrenzt:

• Dies ist eine Bio-Erwähnungszahl, kein Mitarbeiter-Zensus. Eine Erwähnung ist kein Beweis aktueller Anstellung (viele Treffer sagen „prev“ oder „ex-“), und das Fehlen einer Erwähnung ist kein Beweis, dass jemand nicht dort arbeitet — die meisten Bios nennen überhaupt keinen Arbeitgeber.
• Die Mitarbeiter-Relevanzanteile in der Tabelle sind von Hand gelesene Kleinstichproben-Schätzungen, kein systematischer Klassifikator — gelesen anhand von 8–30 Treffern pro Token, mit größerer Unsicherheit bei den kleinsten Tokens (DeepSeek, Qwen).
• Der Datensatz ist ein geseedeter Index etablierter/auffindbarer X-Accounts, keine Zufallsstichprobe oder ein Zensus — siehe das X-Users-Dataset zur Seedung und ihrer westlichen/englischsprachigen Verzerrung. Diese Verzerrung erklärt plausibel den größten Teil der Lücke zwischen westlicher und chinesischer Lab-Sichtbarkeit hier.
• Wir veröffentlichen ausschließlich Aggregate — Bio-Erwähnungszahlen und Verifizierungsraten pro Token, keine individuellen Accounts oder Bio-Texte, die mit namentlich genannten Personen verknüpft sind.

Quellen

Methodik

Wir fragten den Suchparameter q des X-Users-Suchendpunkts (Volltext über Username, Name, Bio und Standort) mit has_bio=true für jeden Kandidaten-AI-Lab-Namen ab, zuerst als zitierte Zwei-Wort-Phrase, dann als sein einzelnes unverwechselbares Token. Der Endpunkt dokumentiert q als Volltextsuche; empirisch ist es eine ODER-Token-Suche über die Wörter der Abfrage, sodass eine zitierte Zwei-Wort-Phrase, bei der ein Wort gebräuchlich ist (wie „AI“ oder „Google“), eine Ergebnismenge liefert, die von diesem gebräuchlichen Wort dominiert wird, nicht von der Phrase. Wir bestätigten dies, indem wir zitierte Zwei-Wort-Abfragen mit einer Kontrollabfrage für das gebräuchliche Wort allein verglichen und nahezu identische Gesamtzahlen fanden ("Meta AI": 14.673 vs. AI allein: 14.112).

Für jede Einzeltoken-Abfrage mit einer Gesamtzahl unter 30 lasen wir jedes Ergebnis; bei Tokens mit 30 oder mehr lasen wir eine nach Relevanz sortierte 30-Ergebnis-Seite. Jeder Treffer wurde von Hand klassifiziert als tatsächlich lab-bezogen (der offizielle Firmen-Account, oder eine Bio, die eine aktuelle oder frühere Rolle dort nennt) oder eine Kollision (eine unabhängige Person, ein Ort, ein Produkt oder eine Nutzung desselben Worts). Wir zogen auch die is_blue_verified-Facette für jedes Token. Die Korpusgröße (796.611 Profile insgesamt, 697.439 mit nicht-leerer Bio) und alle Zahlen wurden live abgefragt und sind zum Zeitpunkt dieser Studie aktuell; ein Datensatz dieser Größe und Abfrageoberfläche verändert sich mit der Zeit, sodass eine erneute Ausführung leicht andere Gesamtzahlen liefern kann.

Willst du deinen eigenen Schnitt fahren? Das X-Users-Dataset dokumentiert das Abfragemuster und seine westliche/englischsprachige Verzerrung ausführlicher; unsere Studie darüber, wie sich die X-Bio selbst verändert behandelt den breiteren Rückgang des „Berufstitel + Arbeitgeber“-Bio-Formats, auf dem diese Studie aufbaut.