Halluzination (LLM Hallucination)

Typische Halluzinations-Muster

• Erfundene Quellen — Studien-Namen, die nicht existieren, mit „verlässlich" wirkenden Autor-Namen.
• Falsche Zahlen — Statistiken, die plausibel klingen, aber keiner echten Quelle entstammen.
• Falsche Datums-/Namens-Zuordnungen — Mischung verschiedener Personen, falsche Geburtsjahre.
• Plausibel klingende, aber inkorrekte Code-Snippets — Funktionsaufrufe mit erfundenen Parametern.
• Falsche Domain-/Tool-Zuordnungen — Features Brand A zugeschrieben, die nur Brand B hat.
• Übertriebene Selbstsicherheit — die Antwort wirkt definitiv, obwohl die Faktenlage unsicher ist.

Was Halluzinationen reduziert

• RAG mit autoritativen Quellen — wenn das Modell aus verlinkten Quellen antwortet statt aus dem Trainingsspeicher, sind Halluzinationen seltener.
• Schema.org-Markup auf Quellen — KI-Engines können Fakten besser parsen und korrekt zitieren.
• Klare Aussagen mit Belegen auf der eigenen Webseite — verhindert, dass das Modell „kreativ" interpretiert.
• Aktuelle Daten mit Date-Markup — verhindert Vermischung mit veralteten Informationen.
• Wikidata-Entity-Verknüpfung — eindeutige Identität reduziert Verwechslungs-Halluzinationen.
• User-Edukation — Nutzer sollten Quellen prüfen, vor allem bei kritischen Themen.

Halluzinations-Risiken für Brands

Konkrete Brand-Risiken:

1. Falsche Feature-Zuschreibung — KI behauptet, ein Konkurrent hätte ein Feature, das nur die eigene Brand hat.
2. Erfundene Preise oder Konditionen in KI-Antworten.
3. Falsche Brand-Geschichte oder Gründungs-Daten.
4. Verwechslung mit ähnlich klingenden Brands.
   Mögliche Strategie: Eigene Brand-Faktenseite mit klarer Schema.org-Markup pflegen, Wikidata-Entity korrekt halten, Quellen für die eigenen Behauptungen verlinken — gibt KI-Engines das richtige „Fact Sheet" und reduziert Halluzinations-Risiken.