Googles Bewertungsfilter: Ein Blick darauf, wie maschinelles Lernen gefälschte Bewertungen findet

Google stellt kein Handbuch für seine Erkennung gefälschter Bewertungen zur Verfügung. Doch aus Blogbeiträgen des Unternehmens, Regierungserklärungen und Expertenanalysen wird das Design des Systems klar – und es ist weitaus fortschrittlicher, als viele annehmen.

Jeden Tag landen 20 Millionen Beiträge auf Google Maps und in der Suche. Das sind Bewertungen, Bilder, Änderungen und Ideen. Die überwiegende Mehrheit ist echt. Ein bemerkenswerter Teil nicht. Dieses Volumen zu sortieren, ist keine Aufgabe für Menschen. Es ist eine Aufgabe für maschinelles Lernen, und diese Maschine ist extrem effektiv geworden.

Um zu verstehen, wie Googles Filter funktioniert, müssen Sie zuerst die Zahlen erfassen. Täglich kommen zwanzig Millionen nutzergenerierte Inhalte an. Das sind etwa 230 pro Sekunde, rund um die Uhr, aus allen Teilen der Welt, in jeder Sprache, auf jedem Gerätetyp. Die Vorstellung, dass Menschen auch nur einen winzigen Teil davon überprüfen könnten – geschweige denn dies konsequent tun könnten – ist ein grundlegendes Missverständnis. Dies war nie ein Problem, das Menschen lösen konnten.

Stattdessen hat Google ein mehrschichtiges Durchsetzungssystem aufgebaut, das immer aktiv ist. Im Jahr 2023 wurden 170 Millionen Bewertungen entfernt, die gegen die Regeln verstießen, 45 % mehr als im Vorjahr. Im Jahr 2024 stieg die Gesamtzahl auf 240 Millionen. Dieser jährliche Anstieg bedeutet nicht nur, dass mehr gefälschte Bewertungen geschrieben werden, obwohl dies ein Faktor sein könnte. Es bedeutet, dass die Erkennungstechnologie schneller besser wird als die Methoden, sie zu umgehen.

Für Unternehmen steht immens viel auf dem Spiel. Eine Studie aus dem Jahr 2023 im Journal of Business Research ergab, dass gefälschte negative Bewertungen überproportional auf erfolgreiche Restaurants abzielen und genau jenen Unternehmen schaden, die am meisten auf ihren wohlverdienten Ruf angewiesen sind. Auf der Angebotsseite haben Googles eigene Anwälte Verkäufer gefälschter Bewertungen verklagt, darunter einen Fall aus dem Jahr 2023 gegen einen Anbieter in Bangladesch, dessen Website, Bigboostup.com, gefälschte Bewertungen für amerikanische lokale Unternehmen erstellte.

Warum kommen gefälschte Bewertungen immer noch durch?

Wenn Google jährlich Hunderte Millionen gefälschter Bewertungen entfernt, warum schaffen es dann noch welche auf ein Profil? Es ist derselbe Grund, warum einige Spam-E-Mails trotz guter Filter immer noch in Ihrem Posteingang landen. Umgehungsmethoden werden intelligenter, und es gibt eine feine Linie zwischen falsch-positiven (echte, fälschlicherweise gelöschte Bewertungen) und falsch-negativen (gefälschte Bewertungen, die durchkommen). Google stimmt sein System so ab, dass es das Löschen authentischer Bewertungen vermeidet, was bedeutet, dass clevere Fälschungen länger bestehen können als offensichtliche.

Joy Hawkins, Gründerin von Sterling Sky und führende Forscherin im Bereich lokales SEO, hat dieses Ungleichgewicht detailliert untersucht. Ihre Arbeit zeigt, dass Googles Filter manchmal Gruppen legitimer Bewertungen löschen kann, insbesondere für Anwälte und Ärzte, wo mehrere tatsächliche Klienten dasselbe WLAN im Wartezimmer nutzen könnten. Der Filter ist in keiner Richtung perfekt.

Google hat kein technisches Handbuch für sein Bewertungsmoderationssystem veröffentlicht. Wir haben Blogbeiträge des Unternehmens, Erklärungen an die FTC und die Analyse von Forschern, die die Aktionen des Systems beobachten. Zusammengenommen deuten diese Quellen auf einen fünfteiligen Prozess hin, der ständig neben den normalen Funktionen von Google Maps läuft.

Das zentrale Designprinzip – das Google in seinem Blog „Keeping Reviews Authentic“ erwähnt hat – ist, dass der Prozess nicht endet, wenn eine Bewertung veröffentlicht wird. Eine Bewertung, die eine erste Freigabe erhält, kann Tage oder Wochen später erneut überprüft werden, wenn neue Informationen eingehen. Wenn Konto A am Montag eine positive Bewertung erhält, aber am Donnerstag mit einem Cluster von zwölf anderen Konten verknüpft wird, die gerade markiert wurden, werden die veröffentlichten Bewertungen von Konto A erneut überprüft. Aus diesem Grund sehen Unternehmen manchmal, dass Bewertungen lange nach ihrem ersten Erscheinen verschwinden.

Die Rolle menschlicher Analysten

Automatisierte Systeme kümmern sich um die Fälle mit hohem Volumen, bei denen das System sehr sicher ist. Die Grenzfälle gehen an menschliche Ermittler. Dies sind knifflige Fälschungen, die Lücken in den Statistiken finden, oder echte Bewertungen, die wie ein verdächtiges Muster aussehen. Diese Google-Mitarbeiter sehen sich die direkten Beweise an: Screenshots von Scammer-Chats, Muster in Berichten von Geschäftsinhabern und Sprachanalysen. Was sie finden, wird zum erneuten Training des Modells verwendet. So geschah die Entfernung eines 5-Millionen-Bewertungsnetzwerks im Jahr 2023: Menschen definierten das Muster, das Modell absorbierte es, und neue Erkennungen wurden automatisch.

Dieser Feedback-Zyklus ist das wichtigste Designelement des Systems. Ziel ist es nicht, eine Liste von Regeln zu erstellen. Es geht darum, ein so fortschrittliches Modell zu schaffen, dass es seine eigene Definition von Betrug fast in Echtzeit überarbeitet.

Textanalyse und NLP

Ein weniger bekanntes Aspekt der Erkennung gefälschter Bewertungen betrifft den Text selbst. Modelle zur Verarbeitung natürlicher Sprache (NLP) können sprachliche Anzeichen erkennen, die bei gefälschten Bewertungen häufig vorkommen: zu viele Superlative, mangelnde konkrete Details, übermäßiger Gebrauch von „ich“ und sich wiederholende Phrasen über verschiedene Konten hinweg. Eine Studie im Journal of Marketing Analytics zeigte, dass psychologische Sprachmarker – wie kognitive Anstrengung und emotionaler Ton – gefälschte Bewertungen mit großer Genauigkeit von echten trennen können. Googles eigenes NLP, das 2024 mit Gemini erweitert wurde, leistet diese Arbeit in großem Maßstab.

Google hat keine vollständige Liste seiner Erkennungssignale bereitgestellt. Durch die Kombination von offiziellen Erklärungen, FTC-Zeugenaussagen, Expertenstudien und sorgfältiger Beobachtung dessen, was markiert wird und was nicht, können wir jedoch die wichtigsten Signalsätze zusammenstellen. Zehn davon sind für den Großteil der Durchsetzung verantwortlich.

Diese zehn Signale sind keine einfache Checkliste; es sind gewichtete Datenpunkte in einem Wahrscheinlichkeitsmodell. Ein Signal allein reicht selten aus, um eine Aktion auszulösen. Das System sucht nach Kombinationen – Mustern, bei denen sich mehrere Signale gegenseitig bestätigen. Ein neues Konto von einer gemeinsamen IP-Adresse, das Vorlagentext ohne Fotos verwendet, trifft vier Signale gleichzeitig, und diese Mischung ergibt einen hohen Konfidenzwert für die Entfernung.

Der Konto-Burst: Googles aussagekräftigstes Muster

Von allen Signalen ist die Erkennung von Konto-Bursts das effektivste, um groß angelegte Bewertungsbetrügereien zu zerschlagen. Wenn ein Verkäufer fünfzig gefälschte Konten erstellt, um das Profil eines Kunden zu bewerten, teilen diese Konten oft Erstellungsdaten, auch wenn sie unterschiedliche IPs und Geräte verwenden. Sie könnten ähnliche E-Mail-Anbieter haben, nacheinander registriert sein oder identische Starteinstellungen aufweisen. In seinem Transparenzbericht 2023 führte Google ausdrücklich die graphenbasierte Clusterbildung als Technologie an, die in nur wenigen Wochen 5 Millionen gefälschte Bewertungen aus einem Betrugsnetzwerk entfernte.

Warum einige Fälschungen immer noch durchkommen

Kein Erkennungssystem kann 100 % der Fälschungen erfassen, ohne gleichzeitig eine katastrophale Anzahl echter zu Unrecht zu markieren. Googles System ist darauf abgestimmt, echten Bewertungen den geringsten Schaden zuzufügen. Das bedeutet, dass eine sehr gut gemachte Fälschung – eine von einem echten, älteren Konto, auf einer privaten IP-Adresse in der richtigen Stadt, mit einer Historie anderer Bewertungen – die erste Überprüfung bestehen und wochenlang bestehen bleiben könnte. Die Ergänzung des Systems um Gemini im Jahr 2024 soll genau dieses Problem lösen, indem eine tiefe Verhaltensanalyse durchgeführt wird, die selbst statistische Modelle übersehene winzige Inkonsistenzen finden kann.

Nicht jeder Versuch, eine gefälschte Bewertung zu veröffentlichen, hat die gleiche Chance, entdeckt zu werden. Das Risiko reicht von subtilen Taktiken, die der Filter oft übersieht, bis hin zu offensichtlichem Verhalten, das fast sofort zur Entfernung führt. Zu wissen, wo eine Taktik in diesem Bereich landet, trennt die Anfänger von den Profis – und deshalb wird Googles Erkennung immer besser.

Was das für Unternehmen bedeutet, ist einfach: Das Erkennungsrisiko wächst viel schneller als die Anzahl der Bewertungen. Zwanzig Bewertungen von einem billigen Anbieter zu kaufen, ist exponentiell riskanter als fünf von einem High-End-Anbieter. Bei zwanzig Bewertungen reicht die Ankunftsgeschwindigkeit allein aus, um die Erkennung auszulösen, egal wie gut die Konten sind. Das Volumen ist das Einzige, was das System am zuverlässigsten vom Beobachten zum Handeln bewegt.

Abstrakte Gespräche über Erkennungssignale sind eine Sache. Sie in Aktion bei spezifischen Entfernungen zu sehen, macht es real. Die vier hier aufgeführten Fälle stammen aus öffentlichen Informationen, juristischen Dokumenten und Berichten. Es handelt sich nicht um erfundene Geschichten, sondern um reale Situationen, in denen Googles System Betrugssysteme für Bewertungen gefunden und darauf reagiert hat.

Der gemeinsame Nenner in allen vier Fällen ist, dass nicht die Qualität einer einzelnen Bewertung zu ihrer Entdeckung führte. Es waren die Muster: Geschwindigkeit, Standort, Kontoverbindungen und plattformübergreifende Aktivität. Das System liest eine Bewertung nicht wie ein Mensch. Es liest die Daten, die sie umgeben.

Im April 2024 kündigte Google an, Gemini – sein leistungsstärkstes Sprachmodell – in das Moderationssystem von Google Business Profile zu integrieren. Dies war eine große Veränderung. Geminis Fähigkeit, mit mehreren Signalen zu argumentieren und langfristiges Verhalten zu analysieren, behob den größten blinden Fleck des Systems: die gut gemachte, einmalige Fälschung. Ältere Modelle betrachteten Signale einzeln. Gemini kann die gesamte Geschichte der Aktionen eines Kontos verstehen – das Timing seiner Bewertungen, die Logik seiner Bewertungen für verschiedene Unternehmen und ob sein Aktivitätspfad sinnvoll ist.

Der Effekt war in den Daten klar: 240 Millionen gefälschte Bewertungen wurden 2024 entfernt, ein Anstieg um 40 % gegenüber 2023. Noch wichtiger ist, dass mehr vor der Veröffentlichung gestoppt wurden – bevor sie jemand sah. Dieser Übergang von reaktiver Löschung zu proaktiver Blockierung ist das Zeichen eines intelligenteren Modells. Das bedeutet, dass weniger Unternehmen mit Bewertungsschüben zu kämpfen haben, weniger Menschen gefälschte Inhalte lesen und die gesamte Plattform dem näher kommt, was Google will.

Das Label „Verdächtige gefälschte Bewertungen“

Zusammen mit dem Algorithmus-Update brachte das Jahr 2024 eine neue Funktion für Verbraucher: eine Warnung vor „verdächtigen gefälschten Bewertungen“. Wenn ein Unternehmensprofil seltsame Muster aufweist – wie eine plötzliche Flut von Bewertungen von minderwertigen Konten –, zeigt Maps jetzt ein Banner an, um potenzielle Kunden zu warnen. Die Funktion erschien Ende 2024 in den USA, Großbritannien und Indien und begann im Mai 2025 mit der weltweiten Einführung. Dies markiert eine Änderung der Politik von der reinen Durchsetzung hin zur Bereitstellung von Transparenz. Auch wenn Google eine Bewertung nicht löscht, kann es den Nutzern jetzt seine eigene Unsicherheit darüber zeigen, ob sie echt ist.

Die Richtung ist klar. Im Jahr 2021 hatte eine gut geplante Kampagne mit gefälschten Bewertungen – unter Verwendung alter Konten, privater IPs und einer guten geografischen Mischung – eine gute Chance, monatelang bestehen zu bleiben. Bis 2026 steht dieselbe Kampagne einer Gemini-gestützten Analyse gegenüber, die Inkonsistenzen erkennen kann, die frühere Modelle nicht konnten. Die Lebensdauer einer gefälschten Bewertung wird jedes Jahr kürzer. Gleichzeitig verschlimmern sich die negativen Folgen – Bewertungsgefängnis, Kontosperrungen und FTC-Strafen.

Zu wissen, wie Googles Erkennungssystem aufgebaut ist, verändert das Spiel für jedes Unternehmen, das seine Bewertungsstrategie überdenkt. Der Filter sucht nicht nach Bewertungen, die „gefälscht klingen“. Er sucht nach Mustern, die nicht natürlich sind. Dieser Unterschied ist riesig. Viele Unternehmen, die nie eine einzige gefälschte Bewertung gekauft haben, haben gesehen, wie echte gefiltert wurden, während einige clevere gefälschte Kampagnen eine Weile bestehen blieben.

Die Lehre ist, dass eine Bewertungsstrategie so gestaltet sein muss, dass sie auf Musterebene natürlich aussieht, nicht nur auf Inhaltsebene. Eine perfekt geschriebene Bewertung ist wertlos, wenn das Konto, das sie veröffentlicht hat, einen Geschwindigkeitsalarm auslöst oder eine Standortprüfung nicht besteht. Das Signal, das für Google am wichtigsten ist, ist nicht „scheint diese Bewertung echt zu sein?“. Es ist „sieht die gesamte digitale Spur dieses Rezensenten wie die eines echten Kunden aus?“

Warum ein natürliches Bewertungstempo hohes Volumen schlägt

Die beständigste Lehre aus der Untersuchung von Googles Erkennung gefälschter Bewertungen ist, dass die Geschwindigkeit der größte Risikofaktor für die Durchsetzung ist. Ein Unternehmen, das 50 echte Bewertungen über sechs Monate erhält, hat kein Erkennungsrisiko, egal wie es danach gefragt hat. Ein Unternehmen, das 50 Bewertungen in einer Woche erhält – selbst wenn sie alle echt sind – könnte einen Anomaliealarm auslösen und einige gefiltert bekommen. Der Algorithmus kann das reale Ereignis, das zu einer Bewertung führte, nicht sehen. Er beurteilt die Legitimität anhand der statistischen Glaubwürdigkeit des Musters. Ein stetiges, natürliches Tempo ist das Muster, das eine echte Bewertungssammlung anstreben sollte.

Der positive Rückkopplungseffekt echter Bewertungen

Der Aufbau einer Basis authentischer Bewertungen hat einen kumulativen Vorteil. Konten, die viel Aktivität auf Maps aufweisen und eine Historie anderer Bewertungen haben, signalisieren dem System Legitimität. Wenn diese Konten Ihr Unternehmen bewerten, hat ihr Input mehr Autorität und wird weniger wahrscheinlich gefiltert. Genau deshalb scheitern Dienste, die dedizierte „Rezensenten“-Konten verwenden – die keine andere Historie als das Posten gefälschter Bewertungen haben – so vorhersehbar. Ihre Fälschung ist für den Algorithmus transparent. Das eigentliche Argument für authentische Bewertungen geht nicht nur darum, Ärger zu vermeiden. Es geht darum, dass echte Konten Bewertungssignale erzeugen, die mit der Zeit stärker werden, während gefälschte Konten Signale erzeugen, die bei genauerer Betrachtung zerfallen.

Direkte Antworten auf Fragen, die nicht in Googles offiziellen Dokumenten zu finden sind – basierend auf öffentlichen Daten, Expertenanalysen und beobachtetem Systemverhalten.