KI-Halluzination: Wie falsche KI-Antworten Ihrer Marke schaden und was Sie dagegen tun

Was ist eine KI-Halluzination?

Eine KI-Halluzination ist eine Ausgabe eines Sprachmodells, die überzeugend formuliert ist, aber nicht durch korrekte Informationen gedeckt wird. Das Modell klingt sicher, obwohl es falsch liegt.

Die meistzitierte Übersichtsarbeit zum Thema, der Survey of Hallucination in Natural Language Generation von Ji et al. (2023) in den ACM Computing Surveys, unterscheidet zwei Grundtypen. Eine intrinsische Halluzination widerspricht dem Quellmaterial, das dem Modell vorliegt. Eine extrinsische Halluzination lässt sich aus diesem Material weder bestätigen noch widerlegen: Das Modell ergänzt etwas, das nirgends steht.

Für Unternehmen sind beide Typen relevant. Liest ein KI-Assistent Ihre Leistungsseite und gibt danach einen anderen Preis wieder, ist das intrinsisch. Schreibt er Ihnen eine Zertifizierung zu, die auf keiner Seite erwähnt wird, ist das extrinsisch.

Ganz verschwinden wird das Problem nicht. Sprachmodelle berechnen das wahrscheinlichste nächste Wort, und das wahrscheinlichste ist nicht immer das richtige. Bessere Modelle und eine Websuche im Hintergrund verringern Fehler, doch solange Antworten probabilistisch entstehen, bleibt ein Restrisiko. Das entspricht auch dem Forschungskonsens, den Ji et al. (2023) wiedergeben: Halluzination lässt sich aus den Ausgaben großer Sprachmodelle nicht vollständig eliminieren.

Welche Arten von KI-Halluzination treffen Unternehmen?

KI-Halluzinationen über Unternehmen folgen wiederkehrenden Mustern, die sich meist auf fehlende oder widersprüchliche Informationen im Web zurückführen lassen. Die folgende Übersicht ordnet die häufigsten Fehlerbilder ein.

Der gemeinsame Nenner: Halluzinationen entstehen dort, wo das Modell keine eindeutige, gut belegte Antwort findet. Wer diese Lücken schließt, senkt die Wahrscheinlichkeit falscher Darstellungen.

Warum wird KI-Halluzination für Marken riskanter?

Das Markenrisiko durch KI-Halluzination steigt, weil mehr Menschen Antworten direkt in KI-Oberflächen lesen und dabei seltener auf Quellen klicken. Ein Fehler erreicht damit mehr Menschen, und weniger von ihnen bemerken ihn.

Zwei Datenquellen zeigen die Richtung. Die Vergleichsanalyse von Iyappan (2026) im GOYBO International Journal of Marketing Intelligence stellt traditionelle Suche und KI-gestützte Systeme anhand eines Korpus von 162 Analyseeinheiten gegenüber. Darin sinkt das Verhalten, Quellen zu überprüfen, von 44 % auf 27 %, während der Anteil konversationeller Anfragen von 29 % auf 91 % steigt. Nahezu jede Interaktion ist damit eine Frage, auf die eine KI-synthetisierte Antwort folgt, statt einer Keyword-Suche mit Linkliste.

In dieselbe Richtung weist eine Auswertung des Pew Research Center auf Basis echter Browserdaten. In den Browserdaten von 900 US-Erwachsenen aus dem März 2025 klickten Nutzer bei Google-Suchen mit KI-Zusammenfassung nur in 8 % der Fälle auf ein klassisches Suchergebnis, ohne Zusammenfassung in 15 %. Auf einen Link innerhalb der Zusammenfassung klickten sie in 1 % der Fälle.

Für Ihre Marke heißt das: Stellt eine KI-Antwort Ihr Angebot falsch dar, ist die Chance gering, dass der Leser Ihre Website besucht und den Fehler dort selbst korrigiert. Nach Iyappans Zahlen prüfen in 73 % der KI-gestützten Suchvorgänge die Nutzer die Antwort anschließend nicht. Das ist laut seinen Daten bereits die etablierte Norm, und sie folgt weniger aus nachlässigen Nutzern als aus einer Oberfläche, die Antworten mit der Sicherheit eines Experten präsentiert. Fogg et al. (2002) stellten in ihrer Forschung zur Bewertung von Web-Glaubwürdigkeit fest, dass die wahrgenommene Glaubwürdigkeit einer Quelle maßgeblich bestimmt, ob Nutzer Informationen übernehmen. In der KI-Suche trägt das KI-System selbst dieses Glaubwürdigkeitssignal: Nutzer schreiben der KI-Oberfläche Genauigkeit zu, statt einzelne Quellen zu bewerten, und eine halluzinierte Aussage über Ihr Unternehmen erbt so das Vertrauen, das Nutzer dieser Oberfläche entgegenbringen. Mehr zu diesem Verhalten lesen Sie in unserer Analyse zur Zero-Click-Suche.

Schützen Quellenangaben vor KI-Halluzination?

Quellenangaben in KI-Antworten schützen nur begrenzt vor Halluzination, weil eine zitierte Quelle nicht beweist, dass das Modell sie tatsächlich verwendet hat. Ein Link unter einer Antwort wirkt wie ein Beleg, ist aber nicht automatisch einer.

Wallat, Heuss, de Rijke und Anand haben das in ihrer Arbeit „Correctness is not Faithfulness in RAG Attributions" (ICTIR 2025) untersucht. Ihr Befund: Bis zu 57 % der Zitate in ihren Experimenten waren nicht „treu". Das Modell hatte die Antwort also aus anderen Mustern erzeugt und die Quelle erst nachträglich passend zugeordnet. Die Autoren sprechen von Post-Rationalisierung.

Daraus folgt zweierlei. Erstens kann Ihre Website als Quelle erscheinen, obwohl die Aussage daneben nicht von ihr stammt. Zweitens reicht es nicht, irgendwo genannt zu werden: Entscheidend ist, dass die Fakten auf Ihrer Seite so eindeutig und leicht extrahierbar sind, dass das Modell sie tatsächlich übernimmt. Wie unterschiedlich KI-Systeme Quellen auswählen, beschreibt unser Beitrag zur Glaubwürdigkeit in der KI-Suche.

Warum ist sachliche Genauigkeit ein Sichtbarkeitssignal?

Sachliche Genauigkeit wirkt in der KI-Suche als Sichtbarkeitssignal, weil generative Systeme Inhalte bevorzugen, deren Aussagen sich mit anderen Quellen decken und klar belegt sind. Bei klassischen Rankings war Genauigkeit eher eine Frage der Seriosität als ein Rankingfaktor.

Iyappan (2026) beschreibt in seiner Korrelationstabelle den Zusammenhang zwischen „Factual accuracy and sourcing" und der Bewertung als KI-Vertrauenssignal als „sehr stark positiv", die höchste Stufe seiner vierstufigen Skala. Er formuliert den Bruch mit dem alten Paradigma explizit: „Generative KI-Systeme integrieren Prüfung auf sachliche Konsistenz und Bewertung der Quellenglaubwürdigkeit in das Retrieval-Scoring und schaffen damit strukturelle Anreize für epistemisch rigorose Inhaltsproduktion." In der generativen Suche ist Genauigkeit damit ein Rankingfaktor. Die Logik dahinter ist nachvollziehbar: Eine Aussage, die sich in mehreren Quellen gleich wiederfindet, ist für ein System leichter zu übernehmen als eine, die nur einmal und ohne Beleg auftaucht.

Praktisch bedeutet das: Präzise Angaben, belegte Zahlen und benannte Verantwortliche helfen doppelt. Sie verringern die Lücken, in denen Halluzinationen entstehen, und machen Ihre Inhalte zitierfähiger. Den größeren Rahmen dafür beschreibt unser Leitfaden zur Generative Engine Optimization.

Wie reduzieren Entity-Signale das Halluzinationsrisiko?

Entity-Signale reduzieren das Risiko einer KI-Halluzination, weil sie einem Modell eindeutige, maschinenlesbare und übereinstimmende Fakten über Ihr Unternehmen liefern. Je weniger das System raten muss, desto seltener erfindet es etwas.

Wie groß die Lücken in der Praxis sind, zeigt unsere eigene Studie zur KI-Sichtbarkeit niederländischer KMU mit 310 Websites: 52 % hatten kein Organization- oder LocalBusiness-Schema, 89 % keine maschinenlesbare Adresse und 41 % kein maschinenlesbares Datum. Bei 20 % der Websites (60 von 296) hatte GPTBot keinen oder nur unzureichenden Zugang. Genau diese Lücken füllt ein Modell im Zweifel mit Vermutungen.

Die wichtigsten Bausteine:

• Organization-Schema auf der Startseite. Name, Beschreibung, Adresse, Kontakt, Logo und sameAs-Verweise auf Ihre Profile geben jedem System einen festen Bezugspunkt. Google betont in seinem Leitfaden zu KI-Funktionen in der Suche, dass strukturierte Daten dem sichtbaren Text der Seite entsprechen sollen und dass für AI Overviews kein spezielles Markup nötig ist. Schema ersetzt also keine klaren Inhalte, es bestätigt sie.
• Einheitliche Stammdaten (NAP). Name, Adresse und Telefonnummer sollten auf Website, Google-Unternehmensprofil und in Branchenverzeichnissen identisch sein. Widersprüchliche Angaben zwingen das Modell zur Auswahl.
• Ein gepflegtes Google-Unternehmensprofil. Öffnungszeiten, Leistungen und Kategorie dort aktuell zu halten, verhindert, dass veraltete Angaben in Google-Oberflächen weiterleben.
• Redaktionelle Erwähnungen. Genaue Berichte in Fachmedien sind unabhängige Bestätigungen Ihrer Fakten. Je mehr übereinstimmende Quellen existieren, desto stabiler wird das Bild.
• Wikidata, wo angemessen. Ein korrekter Eintrag liefert eine von Ihrer Website unabhängige Quelle, sofern Ihr Unternehmen die Relevanzkriterien erfüllt.

Wie Sie eine konsistente Markenidentität systematisch aufbauen, erklärt unser Beitrag zur Brand Entity als GEO-Signal.

Was tun, wenn Sie eine KI-Halluzination über Ihr Unternehmen entdecken?

Bei einer entdeckten KI-Halluzination korrigieren Sie nicht die Antwort selbst, sondern die Quellen, aus denen das System schöpft. Ein Meldeformular wie bei Google-Suchergebnissen gibt es für die meisten KI-Assistenten nicht in vergleichbarer Form.

1. Fehler dokumentieren. Stellen Sie in ChatGPT, Perplexity, Gemini und Copilot dieselben Fragen zu Ihrem Unternehmen, Ihren Leistungen und Ihrer Region. Halten Sie Datum, Plattform, Frage und Antwort fest. Tools wie Otterly.ai oder Peec AI können solche Abfragen automatisieren. Warum eine einzelne Plattform dafür nicht reicht, beschreibt unser Beitrag zum KI-Suche-Monitoring.
2. Quelle finden. Perplexity zeigt seine Quellen offen an. Prüfen Sie, ob die falsche Angabe aus einer alten Seite, einem Verzeichnis oder einem fremden Artikel stammt.
3. Eigene Seiten korrigieren. Aktualisieren Sie veraltete Inhalte, leiten Sie eingestellte Angebote sauber weiter und formulieren Sie Kernfakten so, dass sie in einem Satz stehen und ohne Kontext verständlich sind.
4. Externe Einträge bereinigen. Korrigieren Sie Verzeichniseinträge, Ihr Google-Unternehmensprofil und, falls vorhanden, Wikidata.
5. Schema validieren. Falsch deklarierte strukturierte Daten, etwa eine alte Adresse oder ein falscher Unternehmenstyp, verstärken Fehler. Prüfen Sie Ihr Markup regelmäßig mit dem Rich Results Test und dem Schema Markup Validator.
6. Unabhängige Bestätigung schaffen. Ein aktueller, sachlich korrekter Artikel in einem relevanten Fachmedium gibt den Systemen eine zusätzliche Quelle, die ältere, ungenaue Angaben mit der Zeit überlagern kann.

Rechnen Sie nicht mit sofortigen Ergebnissen. Wie schnell Korrekturen ankommen, hängt davon ab, ob ein System live im Web sucht oder auf älteres Trainingswissen zurückgreift.

Häufig gestellte Fragen

Was ist eine KI-Halluzination einfach erklärt?

Eine KI-Halluzination ist eine falsche Aussage, die ein KI-System so formuliert, als wäre sie korrekt. Sie entsteht, weil Sprachmodelle wahrscheinliche Wortfolgen erzeugen und nicht in einer Faktendatenbank nachschlagen. Ji et al. unterscheiden Aussagen, die dem Quellmaterial widersprechen, und solche, die sich daraus gar nicht ableiten lassen.

Wie häufig halluzinieren KI-Systeme über Unternehmen?

Eine allgemeingültige Fehlerquote für Unternehmensdarstellungen gibt es nicht. Die Häufigkeit hängt stark davon ab, wie viele eindeutige und übereinstimmende Informationen über ein Unternehmen im Web stehen. Kleine Unternehmen mit wenigen Erwähnungen und ohne strukturierte Daten sind strukturell anfälliger als bekannte Marken, weil ein Modell über sie weniger Belege findet.

Kann ich kontrollieren, was ChatGPT über mein Unternehmen sagt?

Direkt kontrollieren können Sie die Antworten nicht, beeinflussen aber sehr wohl. ChatGPT und andere Assistenten stützen sich auf Inhalte aus dem Web. Klare Fakten auf Ihrer Website, korrektes Schema, einheitliche Stammdaten und unabhängige Erwähnungen verschieben die Grundlage, aus der die Antworten entstehen.

Werden KI-Halluzinationen seltener?

Das lässt sich nicht pauschal sagen: Je nach Modell und Aufgabe fallen die Fehlerraten sehr unterschiedlich aus. Klar ist dagegen, dass das geschäftliche Risiko nicht automatisch sinkt. Mehr Menschen lesen KI-Antworten, und weniger prüfen die Quellen (laut Iyappan 2026 sinkt die Quellenüberprüfung von 44 % auf 27 %), sodass auch ein seltener Fehler viele Menschen erreichen kann.

Verhindert Schema-Markup KI-Halluzinationen?

Schema-Markup verhindert Halluzinationen nicht, verringert aber ihren Spielraum. Es liefert maschinenlesbare Fakten wie Name, Adresse und Leistungen, die ein System nicht erraten muss. Voraussetzung ist, dass das Markup korrekt ist und mit dem sichtbaren Text übereinstimmt; fehlerhaftes Schema kann Fehler sogar verstärken.

Wie lange dauert es, bis eine Korrektur in KI-Antworten ankommt?

Das ist je nach System unterschiedlich und lässt sich nicht garantieren. Assistenten mit Live-Websuche wie Perplexity können aktualisierte Seiten nach der nächsten Indexierung nutzen. Antworten, die auf Trainingswissen beruhen, ändern sich oft erst mit einem neuen Modellstand.

Wie wirkt sich sachliche Genauigkeit auf die Sichtbarkeit in der KI-Suche aus?

Positiv und deutlich. In Iyappans (2026) Korrelationsanalyse zeigt sachliche Genauigkeit eine sehr starke positive Korrelation mit der Bewertung als KI-Vertrauenssignal, die höchste Stufe der Studie. Genaue, belegte Aussagen schützen damit vor Halluzinationen und machen Ihre Inhalte zugleich zitierfähiger.

Sind Quellenangaben in KI-Antworten ein Beleg für Richtigkeit?

Nein, eine Quellenangabe zeigt nur, dass ein System eine Seite zuordnet, nicht, dass die Aussage daraus stammt. Wallat et al. fanden in ihren Experimenten bis zu 57 % Zitate, auf die sich das Modell gar nicht gestützt hatte. Bei wichtigen Entscheidungen lohnt es sich, die verlinkte Seite selbst zu öffnen.