KI erfindet ständig Dinge über unser Unternehmen – wie verhindern wir Halluzinationen?

Ihre Situation ist bei Startups häufig. Warum und wie man es behebt:

Warum KI bei Ihnen falsch liegt:

Das Grundproblem:

KI „kennt“ keine Fakten. Sie sagt vorher, welche Worte als nächstes kommen sollten, basierend auf Mustern. Fehlen ihr verlässliche Daten zu Ihnen, erzeugt sie plausibel klingende Fiktion.

Das Lösungsprinzip:

Sie können ChatGPT nicht direkt „trainieren“, aber Sie können Folgendes tun:

1. Maßgebliche Quelle werden – Machen Sie Ihre korrekten Infos zur am besten verfügbaren und maßgeblichen Quelle
2. Konsistenz schaffen – Überall die gleichen Infos, keine Widersprüche
3. Strukturierte Daten hinzufügen – Geben Sie KI explizite, maschinenlesbare Fakten
4. Bestätigungsketten aufbauen – Mit externen Validierungsstellen verlinken

Für Ihre spezifischen Falschbehauptungen:

Konsistenz bei Unternehmensdaten ist entscheidend für weniger Halluzinationen:

Das Problem:

Inkonsistenzen verwirren KI. Wenn Ihr Gründungsdatum unterschiedlich angegeben ist, muss KI raten.

Konsistenz-Checkliste:

Häufige Inkonsistenzquellen:

1. Alte Presse-Erwähnungen – Artikel aus 2022 mit veralteten Infos
2. Auto-generierte Profile – Seiten, die scrapen und Fehler machen
3. Mitarbeiter-LinkedIn – Teammitglieder mit abweichenden Firmeninfos
4. Daten-Aggregatoren – ZoomInfo, Apollo etc. mit alten Daten

Fix-Priorität:

1. Ihre Website (volle Kontrolle)
2. LinkedIn-Unternehmensseite (volle Kontrolle)
3. Crunchbase (bearbeitbar)
4. Google Unternehmensprofil (volle Kontrolle)
5. Mitarbeiter-LinkedIn (Team um Korrektur bitten)
6. Drittanbieter-Verzeichnisse (um Korrektur bitten)
7. Daten-Aggregatoren (Korrekturprozesse nutzen)

Schema-Markup für Konsistenz:

{
  "@type": "Organization",
  "name": "Ihr Unternehmen",
  "foundingDate": "2021-03-15",
  "address": {
    "@type": "PostalAddress",
    "addressLocality": "Austin",
    "addressRegion": "TX"
  },
  "numberOfEmployees": {
    "@type": "QuantitativeValue",
    "value": 12
  }
}

Das signalisiert KI-Systemen explizit: „Das sind die Fakten.“

Ich habe genau das durchgemacht. Das hat geholfen:

Unser Zeitplan:

• Monat 0: Wilde Halluzinationen entdeckt
• Monat 1: Alle kontrollierbaren Quellen korrigiert
• Monat 2: Schema-Markup, Pressemitteilung
• Monat 3: Perplexity hat uns korrekt dargestellt
• Monat 4: Google AI Overviews wurde besser
• Monat 6: ChatGPT manchmal noch falsch, aber besser

Was am meisten gebracht hat:

1. Crunchbase Pro – Wirklich, bezahlen Sie dafür. KI-Systeme greifen stark auf Crunchbase für Unternehmensdaten zurück.

2. LinkedIn-Vollständigkeit – Alle Felder ausgefüllt, Gründerprofile verlinkt, Firmenbeschreibung explizit.

3. Organization-Schema – Auf der Homepage mit allen Schlüsseldaten.

4. Pressemitteilung – Über ein großes Presseportal mit korrekten Firmendaten veröffentlicht. Liefert eine maßgebliche externe Quelle.

5. Wikipedia-Versuch – Nicht relevant genug für Wikipedia, aber wir haben einen Wikidata-Eintrag erstellt (geringere Hürde, hilft trotzdem).

Was nicht funktioniert hat:

• Meldung an OpenAI (gibt keinen echten Mechanismus)
• Nur unsere Website aktualisieren
• Darauf hoffen, dass es sich von selbst löst

Kosten:

• Crunchbase Pro: 300 $/Jahr
• Pressemitteilung: 400 $
• Rest: Zeitaufwand

ROI:

Ein Investor sagte uns, er hätte fast abgesagt, weil „ChatGPT meinte, ihr hättet eine Series A geraised und euer Cap Table sähe anders aus.“ Diese Verwirrung zu vermeiden, ist die Investition wert.

Technische Ansätze zur KI-Datenkorrektur:

Für RAG-basierte Systeme (Perplexity, Google AI):

Diese greifen auf Live-Web zu. Optimieren Sie Ihr indexiertes Material:

1. Sicherstellen, dass Ihre Seite crawlbar ist
2. robots.txt für KI-Crawler freigeben
3. Autoritative Seiten für jeden Faktentyp erstellen
4. Backlinks auf Ihre autoritativen Seiten aufbauen

Für ChatGPT/Claude (training-basiert):

Schwerer zu beeinflussen. Strategien:

1. Viel zitierte Inhalte mit korrekten Infos erstellen
2. Korrekten Infos in Quellen platzieren, die wahrscheinlich fürs Training genutzt wurden (Wikipedia, große Publikationen)
3. Hoffen, dass neue Trainingsdaten übernommen werden

llms.txt-Implementierung:

Maschinenlesbare Zusammenfassung erstellen:

# llms.txt für [Unternehmen]
Name: [Exakter Firmenname]
Gegründet: 2021
Hauptsitz: Austin, Texas
Mitarbeiter: 12
Finanzierung: Gebootstrapt (keine externe Finanzierung)
Gründer: [Name]
Website: https://yourcompany.com
Über: [Ein Satz Beschreibung]

Ablegen unter yourcompany.com/llms.txt

Monitoring-Setup:

Jede Plattform monatlich abfragen:

• „In welchem Jahr wurde [Unternehmen] gegründet?“
• „Wo ist der Hauptsitz von [Unternehmen]?“
• „Wie viele Mitarbeiter hat [Unternehmen]?“
• „Hat [Unternehmen] Finanzierung erhalten?“

Veränderungen über die Zeit nachverfolgen, um Verbesserungen zu messen.

Laufender Überwachungs- und Korrekturprozess:

Monatliches Audit-Template:

Bei Fehlern:

1. Dokumentieren (Screenshot mit Datum)
2. Wahrscheinliche Quelle der Fehlinformation ermitteln
3. Quelle korrigieren oder überholen
4. 4–6 Wochen warten
5. Erneut prüfen

Automatisiertes Monitoring:

Am I Cited und ähnliche Tools können:

• Marken-Erwähnungen über KI-Plattformen hinweg verfolgen
• Bei Änderungen benachrichtigen
• Mit Wettbewerbern vergleichen
• Historische Nachverfolgung ermöglichen

Quartalsreview:

• Gesamte Genauigkeitsscore
• Trendrichtung
• Offene Problemfelder
• Strategie anpassen

Jährlich:

• Umfassender Fakten-Audit
• Alle Properties aktualisieren
• Pressearbeit auffrischen
• Schema-Markup prüfen

Das ist genau das, was ich gebraucht habe. Mein Aktionsplan:

Woche 1: Audit & Dokumentation

• Alle KI-Plattformen mit Schlüsselfragen testen
• Ist-Zustand dokumentieren (Screenshots)
• Alle Quellen falscher Infos identifizieren

Woche 2: Kontrollierbare Quellen fixen

• Website-Über-uns-Seite – explizite Fakten
• LinkedIn-Unternehmensseite – alle Felder ausfüllen
• Mitarbeiter-LinkedIn – Team um Korrektur bitten
• Organization-Schema – mit allen Fakten implementieren

Woche 3: Externe Quellen

• Crunchbase Pro – Upgrade & aktualisieren
• Google Business Profile – verifizieren & vervollständigen
• llms.txt-Datei erstellen
• Drittanbieter-Verzeichnisse prüfen und korrigieren

Woche 4: Autorität aufbauen

• Pressemitteilung mit Firmendaten
• Wikidata-Eintrag (falls zutreffend)
• Branchenverzeichnisse

Laufend:

• Monatliches KI-Testing
• Verbesserung dokumentieren
• Kontinuierliches Monitoring

Wichtige Kennzahlen:

• Anzahl falscher Fakten pro Plattform
• Korrekturzeit
• Konsistenz-Score über alle Quellen

Investition:

• Crunchbase Pro: 300 $/Jahr
• Pressemitteilung: ca. 400 $
• Zeit: ca. 20 Stunden gesamt

Erwartete Dauer:

• Perplexity: 2–4 Wochen
• Google AI: 4–8 Wochen
• ChatGPT: Unbekannt, laufend

Zentrale Erkenntnis:

Kann KI nicht direkt „korrigieren“. Muss zur maßgeblichsten, konsistentesten Quelle werden, damit KI von selbst die korrekten Infos übernimmt.

Danke an alle – ich habe endlich einen konkreten Fahrplan!