Marken-Halluzination

Fragt ein Einkäufer ChatGPT, was die Wartung bei einem bestimmten Anbieter kostet, bekommt er eine Antwort, auch wenn der Anbieter nirgends einen Preis nennt. Klingt die Zahl plausibel, wird sie geglaubt. Genau das meint Marken-Halluzination: eine erfundene oder falsch zusammengesetzte Aussage über ein Unternehmen, die eine KI als Tatsache ausgibt.

Der Begriff ist kein neues technisches Phänomen, sondern die allgemeine KI-Halluzination, angewandt auf Marken. Neu ist die Tragweite: Seit KI-Suchen Kaufrecherchen übernehmen, entscheiden solche Fehler mit darüber, ob ein Anbieter überhaupt in die engere Wahl kommt.

Halluzination oder falsche Quelle?

Nicht jede falsche KI-Antwort über Ihr Unternehmen ist eine Halluzination im engeren Sinn. Für die Gegenmaßnahme ist die Unterscheidung entscheidend, denn je nach Ursache liegt der Hebel an einer anderen Stelle:

Die letzte Zeile ist in der Praxis häufig: veraltete Branchenbucheinträge, ein falscher Bewertungsportal-Eintrag, ein alter Pressebericht. Wer hier „Halluzination“ sagt, sucht den Fehler an der falschen Stelle.

Warum es Marken besonders trifft

Sprachmodelle raten, statt Unsicherheit zuzugeben. OpenAI führt das in einer Analyse vom September 2025 darauf zurück, dass gängige Trainings- und Bewertungsverfahren Raten belohnen: Eine zufällig richtige Antwort zählt mehr als ein ehrliches „weiß ich nicht“. Je weniger Material über ein Thema existiert, desto häufiger muss geraten werden. Bei Konzernen gibt es Tausende Quellen, bei einem mittelständischen Spezialisten oft nur die eigene Website und eine Handvoll Einträge.

Hinzu kommt der Wissensstand. Ohne Websuche antworten Modelle aus ihrem Training, das mit dem Knowledge Cutoff endet. Umzug, neue Preise, ein Wechsel in der Geschäftsführung: Was danach geschah, kennt das Modell nicht, und es sagt das selten dazu. Fehler entstehen deshalb an zwei Stellen, im eingefrorenen Trainingswissen und in der Live-Recherche.

Websuche und Grounding verringern das Problem, beseitigen es aber nicht. Wie teuer es werden kann, zeigt ein Fall aus den USA: Ein Solarunternehmen aus Minnesota verklagte Google im Juni 2025. Laut Klageschrift behaupteten AI Overviews, der Generalstaatsanwalt des Bundesstaats habe das Unternehmen verklagt; die verlinkten Quellen enthielten diese Aussage nicht. Mehrere Kunden kündigten nach eigener Darstellung des Unternehmens daraufhin Aufträge.

Messen statt vermuten

Ob und wie oft KI-Suchen über Ihr Unternehmen fantasieren, lässt sich mit überschaubarem Aufwand prüfen. Weil Antworten von Abruf zu Abruf schwanken, zählt die Wiederholung, nicht der Einzeltest.

1. Faktenblatt anlegen: zehn bis fünfzehn überprüfbare Aussagen zu Leistungen, Preisen, Standorten, Gründung, Geschäftsführung und Zertifikaten.
2. Fragen stellen: die Fragen, die Kunden wirklich stellen, in mehreren KI-Diensten und gern in zwei, drei Formulierungen.
3. Abgleichen und einordnen: jede Aussage als richtig, erfunden, veraltet, verwechselt oder falsch übernommen markieren, mit den genannten Quellen.
4. Wiederholen: monatlich oder nach größeren Änderungen; dauerhaft lohnt sich Prompt-Tracking.

Ein Beispiel aus der Haustechnik

Das folgende Beispiel ist erfunden, das Muster ist typisch. Ein Armaturenhersteller testet acht Kundenfragen. Ergebnis: Standort und Produktpalette stimmen, der Wartungspreis stammt aus einer Preisliste von 2022, ein 24-Stunden-Notdienst wird erfunden, und eine Antwort schreibt dem Unternehmen die Firmengeschichte eines gleichnamigen Herstellers aus Österreich zu. Drei Fehlerarten, drei unterschiedliche Maßnahmen: alte Preisliste löschen, Serviceumfang klar benennen, Unternehmensangaben eindeutig machen.

Was sich korrigieren lässt und was nicht

Einen Korrekturknopf für Unternehmen gibt es bei keinem großen Anbieter. Google bittet bei AI Overviews und im KI-Modus um Feedback, ChatGPT und Perplexity bieten Bewertungsfunktionen an. Das ist sinnvoll, aber keine Zusage, dass eine bestimmte Antwort geändert wird. Was Sie in der Hand haben:

• Die eigene Website als Faktenquelle: Leistungen, Preisrahmen, Standorte und Unternehmensdaten so klar formulieren, dass sie sich ohne Interpretation zitieren lassen.
• Fremde Quellen bereinigen: Branchenbücher, Kartendienste und Portale einheitlich halten, wie im Beitrag Branchenbucheinträge und NAP-Konsistenz beschrieben.
• Geduld bei Trainingswissen: Was ein Modell beim Training gelernt hat, ändert sich erst mit einer neuen Modellversion. Antworten mit Websuche reagieren schneller auf korrigierte Quellen.