Wenn KI Falsches ueber Ihr Unternehmen sagt: Ursachen und Gegenmassnahmen

Warum KI ueberhaupt Falsches behauptet

Sprachmodelle wie ChatGPT, Gemini oder Perplexity wissen nichts im menschlichen Sinn. Sie berechnen, welches Wort statistisch am wahrscheinlichsten als naechstes folgt. Wenn zu deinem Unternehmen belastbare Daten fehlen, entsteht kein ehrliches Ich weiss es nicht, sondern eine plausibel klingende Erfindung. Fachleute nennen das Halluzination. Das Modell fuellt eine Luecke mit dem, was bei aehnlichen Unternehmen ueblich waere, und praesentiert die Vermutung mit der gleichen Souveraenitaet wie eine gesicherte Tatsache.

Dazu kommt der Zeitfaktor. Viele Modelle wurden auf Daten trainiert, die Monate oder Jahre alt sind. Ein Umzug, ein neuer Geschaeftsfuehrer, ein geaendertes Leistungsspektrum oder neue Oeffnungszeiten sind im Trainingsmaterial schlicht nicht enthalten. Die KI antwortet dann korrekt aus ihrer Sicht, aber falsch aus deiner. Ein Steuerberater, der seine Kanzlei fusioniert hat, ein Handwerksbetrieb mit neuem Inhaber oder eine Klinik mit neuer Fachabteilung erleben das regelmaessig.

Der dritte Grund sind widerspruechliche Quellen. Wenn im Netz drei verschiedene Telefonnummern, zwei Adressen und uneinheitliche Firmierungen kursieren, muss das Modell raten, welche Version stimmt. Es waehlt oft die haeufigste oder die am selbstbewusstesten formulierte, nicht die aktuellste. Genau hier entstehen die peinlichsten Fehler, weil sie fuer Aussenstehende voellig glaubwuerdig wirken.

Die haeufigsten Arten von Fehlaussagen

Nicht jeder Fehler ist gleich gefaehrlich. Verwechslungen mit einem gleichnamigen Unternehmen sind besonders tueckisch, weil die Antwort in sich stimmig klingt. Ein Ingenieurbuero teilt sich den Namen mit einem Onlineshop, und ploetzlich mischt die KI Produkte, Bewertungen und Standorte beider zu einem Phantom zusammen. Der Nutzer merkt nichts, weil die Antwort fluessig und detailliert ist.

Daneben gibt es die klassischen Faktenfehler: falsche Preise, veraltete Zertifikate, erfundene Auszeichnungen oder Leistungen, die du gar nicht anbietest. Auch das Gegenteil kommt vor. Die KI verschweigt eine deiner wichtigsten Leistungen, weil sie nirgends klar dokumentiert ist. Fuer einen Dienstleister ist das doppelt schaedlich, weil potenzielle Kunden ihn fuer die eigentliche Kernkompetenz gar nicht in Betracht ziehen.

Am schwersten wiegen rufschaedigende Aussagen. Eine KI, die aus einer alten, laengst geklaerten Beschwerde einen generellen Qualitaetsmangel ableitet, oder die ein Insolvenzgeruecht aus dem falschen Kontext uebernimmt, richtet realen Schaden an. Solche Faelle sind selten, aber sie erfordern schnelles, dokumentiertes Handeln.

Wie du Falschaussagen ueberhaupt entdeckst

Der erste Schritt ist banal und wird trotzdem selten gemacht: Frag die Systeme selbst. Stelle in ChatGPT, Gemini, Perplexity und Copilot dieselben Fragen, die auch ein Kunde stellen wuerde. Wer seid ihr, was kostet das, wo sitzt ihr, seid ihr zertifiziert. Notiere die Antworten woertlich. Wiederhole das mit leicht variierten Formulierungen, denn Modelle antworten je nach Frage unterschiedlich.

Wichtig ist Systematik statt Zufall. Lege eine feste Liste von Fragen an und pruefe sie in regelmaessigen Abstaenden, etwa monatlich. So erkennst du, ob ein Fehler neu ist oder sich haelt, und ob eine Korrektur gewirkt hat. Dokumentiere Datum, Modell und Antwort. Ohne diese Messung arbeitest du im Blindflug und merkst Verschlechterungen erst, wenn ein Kunde dich darauf anspricht.

Achte auch auf die Quellen, die manche Systeme angeben. Perplexity und Copilot zeigen oft, worauf sie sich stuetzen. Taucht dort ein veraltetes Branchenverzeichnis oder ein fremdes Profil auf, hast du die Fehlerquelle direkt gefunden. Das spart dir viel Ratearbeit bei der spaeteren Korrektur.

Die Ursachen an der Wurzel packen

Die wirksamste Gegenmassnahme ist unspektakulaer: konsistente Fakten ueberall dort, wo Maschinen sie lesen. Firmenname, Adresse, Telefonnummer und Kernleistungen muessen auf deiner Website, in Branchenverzeichnissen, in Kartendiensten und in Social-Media-Profilen identisch sein. Jede Abweichung ist ein Einfallstor fuer Verwechslung. Diese Grundhygiene klingt langweilig, entscheidet aber ueber achtzig Prozent der Faelle.

Zusaetzlich hilft strukturierte Auszeichnung. Mit maschinenlesbaren Daten, etwa dem Schema-Standard, sagst du Suchmaschinen und indirekt auch den KI-Systemen unmissverstaendlich, wer du bist. Eine klare Ueber-uns-Seite, eine eindeutige Leistungsuebersicht und eine gepflegte Kontaktseite wirken staerker als jede Werbebotschaft, weil Modelle Fakten bevorzugen, die sie eindeutig zuordnen koennen.

Kuemmere dich gezielt um die Quellen, die haeufig zitiert werden. Wikipedia, grosse Branchenportale, offizielle Register und etablierte Bewertungsplattformen haben ein hohes Gewicht. Ein falscher Eintrag dort wiegt schwerer als zehn korrekte auf kleinen Seiten. Korrigiere zuerst die Quellen mit der groessten Reichweite, dann arbeitest du dich nach unten.

Was tun bei akuter Rufschaedigung

Wenn eine KI etwas objektiv Falsches und Schaedliches behauptet, dokumentiere es zuerst mit Screenshot, Datum, Modell und exakter Frage. Diese Beweissicherung ist die Grundlage fuer jeden weiteren Schritt und wird oft vergessen, weil Antworten sich beim naechsten Aufruf wieder aendern. Ohne Nachweis stehst du spaeter mit leeren Haenden da.

Die grossen Anbieter haben Meldewege fuer fehlerhafte Ausgaben. Nutze sie sachlich und mit Belegen, statt zu argumentieren. Gib an, was falsch ist, was stimmt und woher die korrekte Information stammt. Parallel korrigierst du die zugrundeliegende Quelle im Netz, denn eine Meldung allein aendert selten das Verhalten des Modells dauerhaft.

Bei ernsthafter, anhaltender Rufschaedigung mit wirtschaftlichem Schaden ist rechtlicher Rat sinnvoll. In Deutschland greifen Persoenlichkeits- und Wettbewerbsrecht auch gegenueber automatisierten Aussagen. Das ist der letzte Schritt, nicht der erste, aber du solltest wissen, dass er existiert und dass deine Dokumentation ihn erst moeglich macht.

Realistische Erwartungen an die Korrektur

Sei ehrlich zu dir selbst: Du kannst KI-Ausgaben nicht direkt bearbeiten wie einen Datenbankeintrag. Du beeinflusst sie indirekt, ueber die Informationslage im Netz. Das bedeutet Geduld. Zwischen einer Korrektur an der Quelle und der sichtbaren Aenderung in den Modellen koennen Wochen bis Monate liegen, je nachdem, wann und wie das System seine Daten auffrischt.

Manche Systeme mit Live-Zugriff auf das Web reagieren schnell, weil sie aktuelle Seiten in Echtzeit lesen. Reine Trainingsmodelle ohne Websuche brauchen laenger, oft bis zum naechsten Trainingszyklus. Deshalb lohnt es sich, beide Typen getrennt zu beobachten. Eine gute Nachricht ist zugleich eine Warnung: Was du heute veraeffentlichst, praegt die KI-Antworten von morgen mit.

Erwarte keine hundertprozentige Kontrolle. Ziel ist nicht perfekte Steuerung, sondern eine Faktenlage, die so klar und konsistent ist, dass die wahrscheinlichste Antwort auch die richtige wird. Wer das erreicht, reduziert Fehlaussagen deutlich, ohne sie je vollstaendig ausschliessen zu koennen.

Ein praktischer Fahrplan

Fang nicht mit Werkzeugen an, sondern mit einer Bestandsaufnahme. Sammle deine korrekten Kernfakten an einer Stelle, pruefe dann die wichtigsten KI-Systeme und die haeufigsten Quellen im Netz. Erst wenn du weisst, wo die Wahrheit von der oeffentlichen Darstellung abweicht, kannst du gezielt handeln statt blind zu optimieren.

Danach arbeitest du in Wellen. Zuerst die eigene Website und die grossen Verzeichnisse konsistent machen, dann die reichweitenstarken Fremdquellen korrigieren, zuletzt die kleineren. Miss nach jeder Welle erneut, damit du siehst, was wirkt. Diese Schleife aus Messen, Korrigieren und erneut Messen ist der eigentliche Kern der Arbeit, nicht ein einmaliges Projekt.

Verankere die Kontrolle als Routine. Ein fester Termin pro Monat, an dem du dieselben Fragen stellst und die Antworten mit dem Vormonat vergleichst, reicht fuer die meisten kleinen und mittleren Unternehmen. So bleibst du handlungsfaehig, bevor aus einem kleinen Fehler ein Problem wird, das dich Kunden kostet.

• Kernfakten zentral und schriftlich festhalten
• Vier bis fuenf KI-Systeme mit Kundenfragen testen
• Website und grosse Verzeichnisse konsistent machen
• Reichweitenstarke Fremdquellen zuerst korrigieren
• Monatlich messen und mit Vormonat vergleichen

Branchenunterschiede: Wo Fehlaussagen besonders wehtun

Nicht jede Branche traegt das gleiche Risiko. Im Gesundheits-, Finanz- und Rechtsbereich koennen falsche KI-Aussagen unmittelbar Schaden anrichten: Wenn ein Sprachmodell deiner Praxis eine Leistung andichtet, die du gar nicht anbietest, oder deiner Kanzlei ein Fachgebiet zuschreibt, das du nie hattest, entstehen Haftungsfragen und verlorenes Vertrauen. Hier lohnt sich engmaschiges Monitoring und schnelle Korrektur, weil einzelne Falschaussagen teuer werden.

Im Handel und in der Gastronomie stehen dagegen eher operative Details im Vordergrund: falsche Oeffnungszeiten, veraltete Preise, ein geschlossener Standort, der noch als offen gilt. Solche Fehler kosten dich direkt Kundschaft, sind aber meist leichter zu beheben, weil sie an klar strukturierten Datenquellen wie Branchenverzeichnissen haengen. B2B-Dienstleister wiederum leiden vor allem unter falsch zugeordneten Referenzen oder erfundenen Case Studies. Ueberlege dir also, welche Art von Fehlaussage in deiner Branche am meisten wiegt, und richte dein Monitoring genau darauf aus.

Ein durchgerechnetes Beispiel: Was eine Falschaussage wirklich kostet

Nimm einen mittelgrossen Handwerksbetrieb, der ueber KI-Assistenten und Suchsysteme faelschlich als nur regional taetig dargestellt wird, obwohl er bundesweit liefert. Angenommen, pro Monat stellen 400 potenzielle Kundinnen und Kunden eine KI-gestuetzte Anfrage zu diesem Leistungsbereich. Verliert der Betrieb davon durch die Falschaussage nur 5 Prozent, sind das 20 Anfragen weniger. Bei einer realistischen Abschlussquote von 10 Prozent und einem durchschnittlichen Auftragswert von 2.500 Euro fehlen so jeden Monat rund 5.000 Euro Umsatz.

Aufs Jahr gerechnet sind das 60.000 Euro, die schleichend verloren gehen, ohne dass jemand den Zusammenhang bemerkt. Dem gegenueber steht der Aufwand, die Datenquellen zu bereinigen und die Korrektur anzustossen: oft wenige Arbeitstage plus laufendes Monitoring. Diese Rechnung zeigt dir zweierlei. Erstens: Selbst kleine Fehlaussagen summieren sich, weil sie dauerhaft wirken. Zweitens: Die Investition in saubere Daten amortisiert sich meist schnell. Setz die Zahlen deines eigenen Betriebs ein, dann siehst du, wie hoch deine Prioritaet fuer das Thema sein sollte.

Haeufige Fragen und Missverstaendnisse

Ein verbreiteter Irrtum lautet: Wenn ich der KI einfach einmal die richtigen Informationen schicke, ist der Fehler behoben. So funktioniert es nicht. Sprachmodelle lernen nicht in Echtzeit aus einzelnen Nachrichten, und ein Chatverlauf aendert nichts an den zugrundeliegenden Trainingsdaten oder Live-Quellen. Nachhaltige Korrektur entsteht nur, wenn du die Quellen veraenderst, aus denen die Systeme schoepfen: deine Website, Verzeichnisse, Wikipedia-nahe Datenbanken, Presseartikel.

Ein zweites Missverstaendnis: Je lauter ich widerspreche, desto schneller verschwindet die Falschaussage. Tatsaechlich hilft weder oeffentliche Empoerung noch das massenhafte Melden. Was zaehlt, ist Konsistenz ueber viele glaubwuerdige Quellen hinweg, sodass die korrekte Version zur klaren Mehrheit wird. Und schliesslich glauben viele, das Problem betreffe nur grosse Marken. Das Gegenteil stimmt oft: Gerade bei kleineren Unternehmen mit duenner Datenlage fuellt die KI Luecken mit Vermutungen, und genau daraus entstehen die haufigsten Fehler. Wer wenig ueber sich veroeffentlicht, gibt den Systemen mehr Spielraum zum Raten.