ChatGPT, Perplexity und Gemini geben nachweislich veraltete oder falsche Informationen über Marken aus — alte Produktnamen, überholte Positionierung, falsche Zuordnung zu Wettbewerbern. Das liegt nicht an böser Absicht, sondern an der Funktionsweise der Modelle selbst: Trainingsdaten haben einen Stichtag, aktuelle Quellen fehlen oder widersprechen sich, und Marken mit ähnlichen Namen oder Kategorien werden verwechselt. Für die betroffene Marke ist das ein Reputationsrisiko, das den meisten schlicht unbekannt ist.
Warum KI-Systeme überhaupt falsche Dinge sagen
Vier Mechanismen sind dafür in der Praxis am häufigsten verantwortlich:
Trainingsdaten-Cutoff
Große Sprachmodelle werden zu einem festen Zeitpunkt trainiert. Was danach passiert — Rebranding, neue Produkte, Übernahmen — kennt das Modell oft nicht.
Fehlende aktuelle Quellen
Ohne aktuelle, klar strukturierte Quellen greifen KI-Systeme auf ältere oder indirekte Informationen zurück.
Verwechslung mit Wettbewerbern
Ähnliche Namen, Kategorien oder Positionierungen werden von KI-Systemen gelegentlich vermischt.
Fehlende Entity-Klarheit
Wenn eine Marke nicht eindeutig maschinenlesbar ist — uneinheitliche Angaben über Website, Social Media und Presse — steigt die Fehlerquote.
Wie "halluziniert" ein Sprachmodell technisch?
Sprachmodelle wie ChatGPT erzeugen Text, indem sie bei jedem Wort das statistisch wahrscheinlichste nächste Wort vorhersagen, basierend auf Mustern aus riesigen Textmengen — nicht, indem sie in einer Datenbank nachschlagen, was "wahr" ist. Es gibt keine eingebaute Instanz, die jede Aussage gegen eine verlässliche Quelle prüft, bevor sie ausgegeben wird. Bei RAG-gestützten Systemen (Retrieval-Augmented Generation) wird zwar zusätzlich in aktuellen Quellen nachgeschaut, aber auch das funktioniert nur so gut wie die verfügbaren, auffindbaren Quellen selbst. Fehlt eine eindeutige, aktuelle Quelle, füllt das Modell die Lücke mit dem plausibelsten Muster aus den Trainingsdaten — was faktisch falsch sein kann, ohne dass sich das an der Formulierung erkennen lässt.
Ein Beispiel
Fragt man eine KI etwa "Welche Produkte bietet [Marke] an?", kann eine unauffällig klingende, aber veraltete Antwort dabei herauskommen:
Solche Fehler fallen selten sofort auf — bis eine Kundin oder ein Kunde danach fragt, warum das Produkt anders heißt als erwartet.
Ursache und Gegenmaßnahme
Wer nicht überwacht, was KI über die eigene Marke sagt, erfährt Fehlinformationen meist zuerst von einem verunsicherten Kunden.
Warum das ein Reputationsrisiko ist
Anders als eine falsche Aussage auf der eigenen Website lässt sich eine KI-Antwort nicht einfach korrigieren — sie entsteht neu bei jeder Anfrage, auf Basis dessen, was das Modell "gelernt" hat und welche Quellen es gerade heranzieht. Das macht das Risiko diffus: Niemand bekommt eine Benachrichtigung, wenn eine KI etwas Falsches über die eigene Marke sagt. Ohne aktives Monitoring bleibt das oft monatelang unbemerkt.
Wann wird das gefährlich?
Nicht jede kleine Ungenauigkeit ist geschäftskritisch. Kritisch wird es, wenn Fehlinformationen in Momenten auftauchen, die eine Entscheidung direkt beeinflussen: bei der Vorabrecherche vor einer Ausschreibung, bei der Due-Diligence-Prüfung durch Investor:innen oder Partner, oder wenn potenzielle Kund:innen eine KI nach einem Vergleich zwischen eurer Marke und einem Wettbewerber fragen. In diesen Momenten hat niemand die Zeit oder den Anlass, die KI-Antwort zusätzlich zu verifizieren — sie wird als gegeben hingenommen.
Wie ihr das selbst grob prüfen könnt
Ein erster, kostenloser Test dauert wenige Minuten: Öffnet ein Inkognito-Fenster und fragt ChatGPT, Perplexity und Gemini nacheinander dieselben ein bis zwei Fragen, die eine potenzielle Kundin realistisch stellen würde — etwa nach euren Kernprodukten, eurer Positionierung oder einem Vergleich mit dem naheliegendsten Wettbewerber. Achtet dabei auf drei Dinge: Stimmen die genannten Fakten (Namen, Zahlen, Leistungen) mit dem überein, was aktuell auf eurer Website steht? Wird eure Marke mit der richtigen Kategorie und dem richtigen Wettbewerbsumfeld in Verbindung gebracht? Und wirkt die Beschreibung eher wie eure aktuelle Positionierung oder wie ein älterer Stand? Ein einzelner Test ersetzt kein systematisches Monitoring, zeigt aber oft schon, ob grundsätzlich Handlungsbedarf besteht.
Was ihr dagegen tun könnt
Drei Schritte helfen konkret: Erstens messen, was aktuell über die Marke gesagt wird — das leistet der AI Visibility Audit. Zweitens Botschaften, Produktseiten und Entity-Signale konsistent halten, etwa im Rahmen eines Sharp-Positioning-Projekts. Drittens laufend beobachten, ob sich neue Fehlinformationen einschleichen — dafür gibt es Measurable AI Visibility. Mehr zur Grundlage dahinter in Was ist AI Visibility? und GEO vs. SEO: Was sich ändert.
Häufige Fragen
Warum geben KI-Systeme falsche Informationen über Marken aus? +
Meist aus drei Gründen: Der Trainingsdaten-Cutoff der Modelle liegt in der Vergangenheit, aktuelle oder klar strukturierte Quellen fehlen, oder die Marke wird mit einem Wettbewerber verwechselt, weil Entity-Signale uneinheitlich sind.
Kann ich falsche KI-Aussagen über meine Marke korrigieren lassen? +
Nicht direkt wie bei einem Wikipedia-Eintrag, aber indirekt: durch aktuelle, klar strukturierte und konsistente Inhalte auf der eigenen Website und in Drittquellen, die KI-Systeme als aktuellere, zitierfähigere Information bevorzugen.
Wie oft sollte ich prüfen, was KI über meine Marke sagt? +
Ein monatliches Monitoring reicht für die meisten Marken aus, um neue Fehlinformationen oder Veränderungen frühzeitig zu erkennen, statt sie zufällig von Kund:innen zu erfahren.
Ist das Risiko bei kleinen Marken genauso hoch wie bei großen? +
Tendenziell sogar höher: Große Marken haben mehr aktuelle Quellen und Presseberichterstattung, aus denen KI-Systeme schöpfen können. Kleinere Marken mit wenigen Quellen werden häufiger mit ähnlich klingenden Wettbewerbern verwechselt.