GEO / AI-Search

Halluzination (LLM Hallucination)

Auch bekannt als: Hallucination, LLM Halluzination, KI-Halluzination

Eine Halluzination liegt vor, wenn ein Large Language Model faktisch falsche Aussagen mit hoher Sicherheit produziert — erfundene Statistiken, falsch zugeordnete Zitate, nicht existierende Quellen, falsche historische Daten. Halluzinationen sind kein Bug, sondern eine Folge der grundsätzlichen LLM-Funktionsweise: Modelle erzeugen statistisch wahrscheinliche Texte, nicht verifizierte Fakten. Sie sind unvermeidbar, aber durch Retrieval Augmented Generation (RAG), Quellen-Verlinkung und User-Bewusstsein deutlich reduzierbar.

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. 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.

Praxisbeispiel

Beispiel: Eine SaaS-Brand stellte fest: In ChatGPT-Antworten zu Tool-Features wurde regelmäßig ein Feature behauptet, das die Konkurrenz nicht hatte — der ChatGPT-Nutzer war frustriert, weil die Tatsachen nicht stimmten. Recherche zeigte: Eine Wikipedia-Disambiguation-Page hatte den Brand-Namen mit einer ähnlich klingenden Marke vermischt, das LLM hatte beide gemischt. Lösung: Wikidata-Eintrag eindeutig disambiguiert, Schema.org-sameAs mit klarem URL-Markup, Wikipedia-Page präzisiert. Nach 8 Wochen: Halluzinationen praktisch beendet, Tool-Feature-Antworten in ChatGPT konsistent korrekt.

Wird in Rankmio genutzt fuer

Citation-Korrektheits-Tracking in Rankmio

Zur Funktion →

Letzte Aktualisierung: 2026-06-17 · Alle Glossar-Eintraege ansehen