Wenn die KI Falsches über Ihre Marke sagt: erkennen und korrigieren

Ein Geschäftsführer fragt ChatGPT nach dem eigenen Unternehmen und bekommt eine Antwort mit einem Standort, den es nie gab, einer Mitarbeiterzahl aus dem Jahr 2019 und einer Leistung, die vor zwei Jahren eingestellt wurde. Die Reaktion ist meistens Ärger über das Modell. Produktiver ist die Frage, woher diese Angaben stammen. In den allermeisten Fällen hat das Modell nichts erfunden, sondern etwas Veraltetes oder Widersprüchliches korrekt wiedergegeben.

Warum Modelle bei Unternehmen danebenliegen

Sprachmodelle erzeugen Antworten auf Basis von Wahrscheinlichkeiten. Wo die Datenlage dicht und konsistent ist, sind sie zuverlässig. Wo sie dünn ist, füllen sie Lücken mit dem, was plausibel klingt. Bei mittelständischen Unternehmen ist die Datenlage fast immer dünn. Typische Ursachen:

Veraltete Quellen mit hohem Gewicht: Ein Branchenverzeichnis mit starker Domain-Autorität führt seit Jahren die alte Adresse. Diese Quelle wiegt schwerer als Ihre eigene Website.
Widersprüchliche Angaben: Impressum, LinkedIn, Handelsregister und Google-Unternehmensprofil nennen unterschiedliche Firmierungen oder Mitarbeiterzahlen. Das Modell wählt eine Variante, oft nicht die richtige.
Namensverwechslung: Es gibt eine gleichnamige Firma in einer anderen Branche. Ohne klare Unterscheidungsmerkmale verschmelzen beide Entitäten.
Fehlende Primärquelle: Zur konkreten Frage steht auf Ihrer Website schlicht nichts. Das Modell rekonstruiert aus Branchenmustern.

Der Umkehrschluss ist zentral: Halluzinationen über Marken sind überwiegend ein Datenproblem, kein Modellproblem. Und Datenprobleme sind lösbar.

Schritt 1: Systematisch erfassen statt zufällig entdecken

Ein einzelner Test sagt wenig. Modelle antworten nicht deterministisch, dieselbe Frage kann zweimal unterschiedlich beantwortet werden. Bauen Sie deshalb ein festes Prüfset auf:

15 bis 25 Fragen, die Kunden und Interessenten realistisch stellen: Was macht Firma X? Wo sitzt Firma X? Was kostet Leistung Y bei Firma X? Ist Firma X seriös? Welche Alternativen gibt es zu Firma X?
Jede Frage in allen relevanten Systemen: ChatGPT, Google AI Overviews, Perplexity, Gemini, Claude, Microsoft Copilot.
Jede Frage mehrfach, an verschiedenen Tagen, möglichst in getrennten Sitzungen ohne Verlauf.
Antworten wörtlich protokollieren, inklusive der angegebenen Quellen.

Erst dieser Datensatz zeigt, ob ein Fehler ein Ausreißer ist oder ein stabiles Muster. Nur stabile Muster rechtfertigen Aufwand.

Schritt 2: Die Quelle des Fehlers finden

Perplexity und die Suchfunktionen von ChatGPT und Google geben Quellen an. Das ist der schnellste Weg zur Ursache. Fragen Sie das System direkt: Woher stammt diese Information? Bei Modellen ohne Live-Zugriff hilft die Rückwärtssuche nach der falschen Angabe. Meistens landen Sie bei einem von vier Verdächtigen:

ein Branchenportal oder Firmenverzeichnis mit alten Daten
eine alte Pressemitteilung oder ein Zeitungsartikel
ein Wikipedia- oder Wikidata-Eintrag mit unvollständigen Angaben
Ihre eigene Website, wo eine alte Unterseite noch existiert und indexiert ist

Der letzte Fall ist der häufigste und der peinlichste. Alte Landingpages, archivierte Karriereseiten und vergessene PDF-Dateien halten Fehlinformationen am Leben.

Schritt 3: Die Korrektur an der richtigen Stelle

Es gibt keinen Knopf, mit dem sich eine Modellantwort korrigieren lässt. Die Korrektur läuft immer über die Quellenlage. In dieser Reihenfolge:

Eigene Domain zuerst

Legen Sie eine Seite an, die die betroffenen Fakten explizit und maschinenlesbar nennt: vollständige Firmierung, Gründungsjahr, Standorte mit Adresse, Mitarbeiterzahl, aktuelle Leistungen, Ansprechpartner. Ergänzt um Organization-Schema mit sameAs-Verweisen auf Ihre Profile. Diese Seite ist Ihr Referenzpunkt. Alte, widersprechende Seiten werden entfernt oder per 301 auf die neue Seite umgeleitet, nicht nur aus der Navigation genommen.

Verzeichnisse und Profile angleichen

Google-Unternehmensprofil, LinkedIn, Handelsregister-Portale, Branchenverzeichnisse, Bewertungsplattformen. Überall dieselbe Firmierung, dieselbe Adresse, dieselbe Beschreibung. Diese Konsistenz ist der wirksamste Einzelhebel, weil Modelle Übereinstimmung als Bestätigung werten.

Wikidata pflegen

Wikidata ist offen editierbar und fließt in zahlreiche Wissensbasen ein. Ein sauberer Eintrag mit belegten Angaben und Verweisen auf Ihre offizielle Website ist ein starker Anker für die Entitätsauflösung. Anders als bei Wikipedia gibt es für strukturierte Basisdaten keine Relevanzhürde.

Externe Fehlerquellen melden

Bei Portalen mit falschen Daten den Korrekturweg nutzen. Das ist mühsam, wirkt aber dauerhaft, weil diese Seiten oft überdurchschnittlich häufig als Quelle herangezogen werden.

Meldewege der Anbieter nutzen

OpenAI, Google und Perplexity bieten Feedback-Funktionen für fehlerhafte Antworten. Der Effekt ist nicht sofort sichtbar, aber die Meldungen fließen in Qualitätsprozesse ein. Bei rufschädigenden Falschaussagen ist zusätzlich der formelle Weg über die Datenschutz- und Beschwerdekanäle der Anbieter angezeigt.

Schritt 4: Nachmessen

Rechnen Sie mit Wochen, nicht Tagen. Systeme mit Live-Retrieval reagieren am schnellsten, oft binnen zwei bis vier Wochen nach Korrektur der Quellen. Antworten aus Modellwissen ändern sich erst mit der nächsten Trainingsrunde, also im Bereich von Monaten. Wiederholen Sie das Prüfset aus Schritt 1 monatlich mit denselben Fragen und protokollieren Sie die Trefferquote korrekter Angaben. Das ist die einzige belastbare Erfolgsmessung.

Vorbeugen ist billiger

Unternehmen mit sauber gepflegten Entitätsdaten haben deutlich weniger Halluzinationsprobleme. Der Aufwand dafür ist einmalig hoch und danach gering: eine kanonische Faktenseite, konsistente Profile, gepflegtes Schema-Markup, ein aktueller Wikidata-Eintrag und ein regelmäßiger Kontrolllauf. Wer das laufend beobachten will, findet den Rahmen dafür unter AI Visibility Tracking; die strukturelle Seite deckt ein GEO-Audit ab.