Immer mehr Kunden fragen ChatGPT oder Perplexity, bevor sie bei dir anfragen. Wenn die KI dabei einen falschen Preis, ein eingestelltes Produkt oder eine erfundene Eigenschaft nennt, entscheiden Menschen gegen dich, ohne dass du es merkst. Dieser Guide zeigt, wie du das erkennst und korrigierst.
TL;DR
KI-Systeme behaupten manchmal Falsches über deine Marke, weil ihre Trainingsdaten veraltet sind, klare Quellen fehlen oder sie dich mit einer ähnlichen Firma verwechseln. Das ist geschäftsschädlich, weil Kunden auf Basis dieser Falschinformation entscheiden. Du kannst das Modell nicht direkt editieren, aber du kannst die Quellen korrigieren: klare, konsistente, autoritative Informationen schaffen und Widersprüche im Web bereinigen. Der erste Schritt ist, systematisch über mehrere Engines zu prüfen, was die KI aktuell sagt.
Eine KI-Halluzination ist eine Aussage, die flüssig und selbstbewusst klingt, aber sachlich falsch oder frei erfunden ist. Sprachmodelle sagen das nächste wahrscheinliche Wort voraus, statt Fakten in einer Datenbank nachzuschlagen. Fehlen belastbare Informationen über deine Marke, füllt das Modell die Lücke mit einer plausibel klingenden Erfindung, etwa einem falschen Preis oder einem Produkt, das du nie hattest.
Sprachmodelle wie die hinter ChatGPT oder Perplexity funktionieren nicht wie ein Lexikon. Sie schlagen nichts nach. Stattdessen sagen sie auf Basis riesiger Textmengen voraus, welches Wort als nächstes am wahrscheinlichsten ist. Das produziert erstaunlich gute Antworten, aber es hat eine strukturelle Schwäche: Das Modell kann nicht zwischen einer echten Information und einer plausibel klingenden Erfindung unterscheiden.
Genau das nennt man Halluzination. Das Modell gibt eine Antwort, die richtig klingt, aber falsch ist. Es lügt nicht im menschlichen Sinn, es kennt den Unterschied zwischen wahr und falsch schlicht nicht. Wenn es über deine Firma zu wenig verlässliche Informationen hat, rät es. Und es rät mit voller Überzeugung.
Für Unternehmen ist das ein Problem, weil KI-Antworten für viele Menschen inzwischen der erste Kontaktpunkt sind. Wenn jemand fragt „Ist Firma X seriös?" oder „Was kostet das Angebot von Firma X?", dann bekommt er eine Antwort, ganz gleich ob das Modell die Wahrheit kennt oder nicht. Wie und warum Halluzinationen entstehen, beschreibt OpenAI in seiner Erklärung zu Halluzinationen ausführlich.
Drei Ursachen dominieren: veraltete Trainingsdaten, die nur einen alten Stand kennen; fehlende oder widersprüchliche Quellen, sodass das Modell Lücken mit Annahmen füllt; und Verwechslung mit einer ähnlich benannten Marke. In allen drei Fällen liegt das Problem nicht am Modell allein, sondern an der Informationslage über dich im Web.
Es hilft, die drei häufigsten Ursachen sauber auseinanderzuhalten, weil jede eine andere Gegenmassnahme erfordert:
Modelle werden zu einem festen Zeitpunkt trainiert und kennen nur, was bis dahin im Web stand. Hast du seitdem den Preis geändert, ein Produkt eingestellt oder bist umgezogen, kennt das Basismodell diesen alten Stand und gibt ihn als aktuelle Wahrheit aus.
Gibt es über deine Firma nur wenige, unklare oder sich widersprechende Informationen im Web, hat das Modell keine solide Basis. Es füllt die Lücke mit der statistisch wahrscheinlichsten Annahme. Das Ergebnis klingt plausibel, ist aber erfunden.
Trägt eine andere Firma einen ähnlichen Namen oder ist in einer verwandten Branche aktiv, vermischt das Modell die beiden. Es überträgt Eigenschaften, Standorte oder Bewertungen der einen auf die andere, weil ihm eine klare Abgrenzung zwischen den beiden Entitäten fehlt.
Der gemeinsame Nenner: Das Modell arbeitet mit dem, was es über dich findet. Ist die Informationslage dünn, alt oder widersprüchlich, dann sind auch die Antworten dünn, alt oder widersprüchlich. Google beschreibt in seiner Dokumentation zu KI-Funktionen in der Suche, dass belastbare, gut strukturierte Inhalte die Grundlage dafür sind, korrekt wiedergegeben zu werden. Das gilt für Google AI Overviews genauso wie für andere Systeme.
Weil immer mehr Menschen KI fragen, bevor sie kaufen oder anfragen. Nennt die KI einen falschen Preis, ein eingestelltes Produkt, einen falschen Standort oder eine erfundene negative Eigenschaft, entscheidet der potenzielle Kunde auf Basis dieser Falschinformation, meist ohne je deine echte Website zu sehen. Der Schaden bleibt unsichtbar, weil die Anfrage nie bei dir ankommt.
Der Kern des Problems ist die Unsichtbarkeit. Bei einer schlechten Google-Bewertung siehst du wenigstens, dass sie existiert. Eine KI-Halluzination läuft im Hintergrund ab: Ein Interessent stellt eine Frage, bekommt eine falsche Antwort und wendet sich still ab. Du erfährst nie, dass es diese Anfrage überhaupt gab.
Ein paar konkrete Beispiele, wie sich das im Alltag auswirkt:
Jeder dieser Fälle kostet Anfragen. Und weil die KI mit Überzeugung antwortet, hat der Kunde keinen Grund, an der Aussage zu zweifeln. Er sieht keine Widersprüche, keine Alternativen, keinen Hinweis, dass die Information veraltet sein könnte. Genau deshalb ist es wichtig, aktiv zu prüfen, was die KI über dich sagt, statt darauf zu vertrauen, dass sie es schon richtig machen wird.
Stelle jeder Engine dieselben neutralen Testfragen zu deiner Marke und vergleiche die Antworten. Frage nach Fakten (Angebot, Preis, Standort), nach Bewertung (seriös, empfehlenswert) und nach Quellen. Teste mehrere Engines, weil ChatGPT, Perplexity, Claude und Google AI Overviews unterschiedlich aktuell sind. So findest du heraus, wo überall Falsches steht.
Die Prüfung ist einfacher, als viele denken. Du brauchst kein Werkzeug, um damit anzufangen, nur ein paar gut gewählte Testfragen und etwas Systematik. Wichtig ist, dass du dieselben Fragen in mehreren KI-Systemen stellst, denn die Antworten unterscheiden sich stark je nach Aktualität und Datenbasis.
Formuliere die Fragen neutral, so wie ein echter Interessent sie stellen würde. Vermeide Suggestivfragen, die eine Antwort vorwegnehmen. Ein guter Testfragen-Katalog sieht so aus:
Notiere für jede Engine, was stimmt und was nicht. Achte besonders auf die letzte Frage nach den Quellen: Wenn die KI eine Quelle nennt, kannst du dort ansetzen. Wenn sie keine nennen kann, ist das ein starkes Signal, dass die Aussage halluziniert ist und keine belastbare Grundlage hat.
Diese manuelle Prüfung ist der richtige Einstieg, hat aber eine Grenze: Sie ist ein Foto von heute. Morgen kann die Antwort schon wieder anders sein, weil ein Modell aktualisiert wurde oder eine neue Quelle indexiert wurde. Deshalb lohnt sich ein kontinuierliches Monitoring, das täglich prüft und dich warnt, sobald eine neue Falschaussage auftaucht.
Du korrigierst nicht das Modell, sondern die Quellen, aus denen es lernt. Schaffe klare, konsistente und autoritative Informationen auf deiner eigenen Website, stärke deine Entität mit strukturierten Daten und bereinige Widersprüche über verschiedene Web-Auftritte hinweg. Sind die Quellen eindeutig, korrigiert sich das KI-Bild über Zeit von selbst.
Die entscheidende Erkenntnis: Du kannst das Modell nicht anrufen und um eine Korrektur bitten. Aber du kannst die Informationslage verbessern, aus der es seine Antworten ableitet. Vier Hebel wirken hier am stärksten:
Sorge dafür, dass die korrekte Information unmissverständlich auf deiner eigenen Website steht: aktueller Preis, aktuelles Angebot, aktueller Standort. Deine Website ist die maßgebliche Quelle über deine Marke. Wenn sie eindeutig ist, hat die KI etwas Verlässliches, an dem sie sich orientieren kann.
Nutze Schema.org-Auszeichnungen wie Organization und LocalBusiness, um Name, Beschreibung, Standort und Angebot maschinenlesbar zu machen. So versteht die KI eindeutig, wer du bist, und verwechselt dich seltener mit ähnlichen Marken.
Prüfe alte Verzeichniseinträge, Social-Media-Profile und Branchenportale auf veraltete oder widersprüchliche Angaben. Jeder alte Preis und jede alte Adresse im Web ist eine potenzielle Fehlerquelle. Sorge dafür, dass alle Auftritte dieselbe, aktuelle Information zeigen.
Veröffentliche Inhalte, die genau die Fragen beantworten, bei denen die KI aktuell falsch liegt. Ein FAQ-Abschnitt mit klaren Antworten zu Preis, Angebot und Standort gibt der KI genau den Text, den sie zitieren kann, statt zu raten.
Wie schnell diese Massnahmen wirken, hängt vom KI-System ab. Systeme mit Echtzeit-Websuche wie Perplexity oder ChatGPT mit Browsing nehmen korrigierte Quellen oft innerhalb von zwei bis sechs Wochen auf, sobald sie gecrawlt und indexiert sind. Das Basismodell ohne Websuche übernimmt eine Korrektur erst mit dem nächsten Trainingszyklus, was Monate dauern kann.
Es gibt also keine Garantie für eine Frist. Aber die Richtung ist klar: Je eindeutiger, konsistenter und autoritativer deine Quellen sind, desto schneller und zuverlässiger korrigiert sich das Bild, das KI-Systeme von deiner Marke haben. Wer möchte, findet in unserem Guide zu Entity-SEO für KI die technischen Details, wie du deine Entität sauber definierst.
Du kannst das Modell nicht direkt editieren und keine einzelne Falschaussage per Knopfdruck löschen. Es gibt keinen Bearbeiten-Button für das, was ChatGPT über dich denkt. Auch ein Chat, in dem du dem Modell die Wahrheit erklärst, wirkt nur in diesem einen Gespräch und ändert nichts dauerhaft. Nachhaltige Korrektur läuft ausschließlich über die Quellen.
Es ist wichtig, hier realistisch zu sein, weil im Netz viele überzogene Versprechen kursieren. Ein Sprachmodell ist kein Wiki-Eintrag, den du bearbeitest. Es ist ein über Monate trainiertes System mit Milliarden von Parametern. Niemand, auch nicht der Betreiber, dreht dort einen einzelnen Fakt über deine Firma von Hand zurecht.
Konkret bedeutet das: Wenn du im Chat schreibst „Das ist falsch, wir sitzen in Zürich, nicht in Bern", dann akzeptiert das Modell das für dieses Gespräch, vergisst es aber danach wieder. Der nächste Nutzer bekommt erneut die falsche Antwort. Auch das Melden über Feedback-Funktionen ist nützlich, aber es ist kein direkter, garantierter Hebel und wirkt bestenfalls indirekt und langsam.
Die gute Nachricht: Was du steuern kannst, ist genau das, worauf es ankommt. Die Quellen im Web sind der einzige verlässliche Hebel, und sie liegen in deiner Hand. Wer die Quellen sauber und konsistent hält, gewinnt die Kontrolle über das KI-Bild seiner Marke zurück, auch ohne Zugriff auf das Modell selbst.
Pantra prüft täglich automatisiert über 100 Abfragen an ChatGPT, Perplexity, Claude und Google AI Overviews und wertet aus, wie deine Marke erwähnt wird. Taucht eine neue oder falsche Aussage auf, siehst du es im Monitoring, statt darauf zu warten, dass ein Kunde es dir zufällig erzählt. Danach liefert Pantra konkrete Content-Fixes, um die Quelle zu korrigieren.
Die manuelle Prüfung weiter oben ist ein guter Anfang, aber sie kostet Zeit und zeigt nur einen Moment. Genau hier setzt Pantra an. Das tägliche Monitoring stellt automatisch relevante Fragen an alle vier großen KI-Systeme und protokolliert, ob deine Marke korrekt, falsch oder gar nicht erwähnt wird.
Verändert sich etwas, etwa weil ein Modell aktualisiert wurde oder eine neue Quelle indexiert wurde, bemerkst du es früh und nicht erst, wenn dir Anfragen entgehen. Pantra schließt den Loop: Es misst nicht nur, wo Falsches steht, sondern liefert direkt konkrete Empfehlungen, welchen Inhalt du auf deiner Seite schaffen solltest, damit die KI beim nächsten Mal die richtige Antwort gibt.
Genau darum geht es: nicht nur wissen, dass die KI Falsches sagt, sondern die Quelle so verbessern, dass sich das Bild korrigiert. Andere Werkzeuge messen deine KI-Sichtbarkeit. Pantra misst und löst. Wie dieser geschlossene Kreislauf im Detail funktioniert, erklärt unser Guide zum GEO Loop.
MERKSATZ
Du kannst das KI-Modell nicht bearbeiten, aber du kannst die Quellen kontrollieren, aus denen es lernt. Klare, konsistente, autoritative Informationen sind der einzige verlässliche Weg, eine Falschaussage über deine Marke zu korrigieren.
Pantra prüft täglich über vier KI-Systeme, wie deine Marke erwähnt wird, meldet Falschaussagen und liefert konkrete Empfehlungen, um die Quelle zu korrigieren. Pantra Complete: CHF 79 pro Monat und Website.
KI-Sichtbarkeit prüfen