Kurz gesagt: Warum verbreitet ChatGPT Falsches über dein Unternehmen – und was hilft wirklich?
ChatGPT, Gemini und andere KI-Modelle sagen Text statistisch vorher, statt jede Aussage gegen eine Faktendatenbank zu prüfen – deshalb können sie plausibel klingende, aber falsche Behauptungen über Unternehmen erzeugen. Einen sofortigen „Lösch"-Button gibt es dafür nicht. Wirksam ist die Kombination aus autoritativen eigenen Quellen, konsistenten Drittnennungen, sauberer Entity-Kennzeichnung und Geduld über Wochen bis Monate.
Was ist eine KI-Halluzination – und warum trifft es gerade Unternehmensfakten?
Eine KI-Halluzination ist eine sprachlich flüssige, aber faktisch falsche Aussage eines Sprachmodells, die mit derselben Sicherheit formuliert wird wie eine korrekte. Laut einer Analyse von Forschenden von OpenAI und Georgia Tech entstehen Halluzinationen, weil aktuelle Trainings- und Bewertungsverfahren Modelle dafür belohnen, bei Unsicherheit zu raten, statt „ich weiß es nicht" zu antworten – Unsicherheit auszudrücken kostet in gängigen Benchmarks Punkte, ein falscher, aber selbstbewusster Treffer nicht. Die Forschenden formalisieren das Problem sogar als binäres Klassifikationsproblem: Ein Modell muss zwischen einer korrekten und einer plausibel klingenden falschen Aussage unterscheiden, und jeder Fehler dabei erzeugt eine Halluzination.
Unternehmensfakten sind aus drei Gründen besonders anfällig: Erstens verwechseln Modelle Firmen mit ähnlichem Namen oder ähnlicher Branche. Zweitens hat jedes Modell einen Trainingsdaten-Stichtag – Änderungen an Geschäftsführung, Adresse oder Rechtsform danach kennt es schlicht nicht. Drittens „füllt" ein Modell Lücken mit dem statistisch wahrscheinlichsten Muster, wenn im Web nur wenige oder widersprüchliche Informationen zu einem Unternehmen kursieren.
Realitäts-Check zuerst: Was du nicht erwarten kannst
Es gibt bei keinem großen KI-Anbieter einen garantierten, sofortigen Korrekturmechanismus für einzelne Falschaussagen. Wie schwierig gezielte Korrekturen sind, zeigt ein Fall der europäischen Datenschutzorganisation noyb: Ein norwegischer Nutzer fand heraus, dass ChatGPT ihn fälschlich als verurteilten Mörder seiner eigenen Kinder darstellte – inklusive korrekter Details wie Kinderzahl und Wohnort. OpenAI räumte gegenüber noyb ein, dass „faktische Genauigkeit bei großen Sprachmodellen ein Feld aktiver Forschung" bleibt, und erklärte, es könne bestimmte Eingaben filtern, aber keine gezielte, dauerhafte Korrektur einzelner falscher Fakten zusichern.
Dieser Fall betrifft explizit personenbezogene Daten unter der DSGVO – ein Rechtsrahmen, den es für Unternehmensfakten in dieser Form nicht gibt. Er zeigt aber ein allgemeineres Muster: Melden allein garantiert keine Korrektur. Was tatsächlich wirkt, sind vier Hebel, die gemeinsam die Wahrscheinlichkeit erhöhen, dass Modelle mit der Zeit die richtigen Fakten übernehmen.
Hebel 1: Autoritative Fakten zuerst auf den eigenen Kanälen veröffentlichen
Eine klar strukturierte, aktuelle Fakten- oder Newsroom-Seite mit eindeutigen Aussagen zu Gründungsjahr, Rechtsform, Standort und Leistungen ist die Grundlage jeder Korrektur. KI-Antwortmaschinen mit Websuche – etwa ChatGPT Search, Perplexity, Google AI Overviews oder Copilot – ziehen zunehmend aktuelle, gecrawlte Webinhalte heran statt sich allein auf antrainiertes Wissen zu verlassen. OpenAI selbst begründete die Einführung der ChatGPT-Websuche damit, dass der Zugriff auf aktuelle Webergebnisse „die Relevanz verbessert und Halluzinationen verringert, weil das Modell ins Web hinausgehen kann". Praktisch heißt das: Sobald deine korrigierten, eindeutigen Fakten im Web stehen und gecrawlt wurden, haben websuchgestützte Engines eine frische, korrekte Quelle zur Auswahl – statt nur veralteter oder falscher Drittinhalte.
Widersprüche vermeiden ist dabei zentral: Eine Fakten-Seite, die sich von Impressum, Pressemappe und Social-Media-Profilen unterscheidet, liefert dem Modell selbst wieder mehrere, sich widersprechende Signale.
Hebel 2: Dritt-Quellen mit den richtigen Fakten versorgen
Sprachmodelle gewichten Aussagen, die über mehrere unabhängige Quellen hinweg übereinstimmend auftauchen, tendenziell stärker als eine einzelne Selbstdarstellung – eine einsame Korrektur auf der eigenen Website reicht deshalb selten. Sinnvolle Kanäle sind Pressemitteilungen an Fachmedien, Einträge in seriösen Branchenverzeichnissen und – wo enzyklopädisch relevant und nach den jeweiligen Regeln zur Interessenkonflikt-Offenlegung – ein korrekter, gut belegter Eintrag in Wikipedia oder Wikidata. Ziel ist ein konsistentes Echo der richtigen Fakten über mehrere unabhängige Stellen im Web, nicht eine einzelne Korrektur-Behauptung.
Hebel 3: Entity-Konsistenz herstellen – ein Unternehmen, eine eindeutige Identität
Uneinheitliche Angaben – wechselnde Namensschreibweisen, veraltete Adressen, widersprüchliche Ansprechpartner – erhöhen das Risiko, mit anderen Unternehmen verwechselt zu werden. Googles offizielle Dokumentation zu Organization-Structured-Data empfiehlt dafür durchgängig denselben name und alternateName zu verwenden, die eigene Web-Präsenz per sameAs mit weiteren offiziellen Profilen zu verknüpfen und mit Angaben wie Adresse, Telefonnummer, Handelsregisternummer oder USt-ID eine reale, überprüfbare Präsenz zu belegen. Diese Signale wirken in erster Linie auf Googles Knowledge Graph und Search, nicht direkt auf das Training von ChatGPT & Co. – sie reduzieren aber die Grundlage für Verwechslungen, aus der viele Halluzinationen erst entstehen. Wie du eine Wikidata- und Knowledge-Graph-Identität konkret aufbaust, zeigt unser Entity-SEO-Leitfaden im Detail.
Hebel 4: Plattform-Feedback nutzen – aber Erwartungen realistisch halten
Google bietet unter jedem AI Overview eine „Daumen runter"- und „Problem melden"-Funktion: Nutzer wählen eine Kategorie, können das Problem im Textfeld beschreiben und die Rückmeldung absenden. Ein vergleichbares Feedback-Signal gibt es auch bei ChatGPT-Antworten. Solche Meldungen fließen in die Qualitätsbewertung der Anbieter ein – sie sind aber ein statistisches Signal für künftige Verbesserungen, keine Zusage, dass genau deine gemeldete Antwort rückwirkend und dauerhaft korrigiert wird.
Wie lange dauert eine Korrektur wirklich? Eine ehrliche Zeitachse
Die Korrekturdauer hängt entscheidend davon ab, ob eine Antwort websuchgestützt („grounded") oder rein aus antrainiertem Wissen erzeugt wird. Bei websuchgestützten Engines (ChatGPT Search, Perplexity, Google AI Overviews, Copilot) können korrigierte, konsistente Fakten grundsätzlich in den normalen Crawling- und Indexierungs-Zyklus einfließen, sobald sie im Web stehen. Google selbst legt sich dabei aber nicht auf eine feste Geschwindigkeit fest: Laut eigener Dokumentation entscheidet ein algorithmischer Prozess, „welche Websites gecrawlt werden, wie oft und wie viele Seiten dabei abgerufen werden" – eine Indexierung ist zudem nicht garantiert, selbst wenn alle Richtlinien eingehalten werden.
Bei rein antrainiertem, nicht websuchgestütztem Wissen ist die Lage ehrlicherweise unsicherer: Eine Korrektur kann dort erst mit dem nächsten größeren Trainingszyklus des jeweiligen Modells wirken – und keiner der großen Anbieter veröffentlicht einen festen Zeitplan oder eine Garantie dafür, dass eine korrigierte Tatsache in die nächste Trainingsdaten-Auswahl übernommen wird. Realistisch ist: Erste Verbesserungen bei websuchgestützten Antworten sind eher in Wochen möglich, sobald Inhalte gecrawlt und indexiert sind; bei rein antrainiertem Wissen kann es deutlich länger dauern, ohne zugesichertes Datum. Rechne mit einem Prozess, nicht mit einem Termin.
Die 4 Korrektur-Hebel im Vergleich
| Hebel | Was du konkret tust | Wirkt vor allem bei | Realistische Zeitachse |
|---|---|---|---|
| Eigene autoritative Quellen | Fakten-/Newsroom-Seite aktuell und eindeutig halten | Websuchgestützten Engines (ChatGPT Search, Perplexity, AI Overviews, Copilot) | Wochen, sobald gecrawlt & indexiert – nicht garantiert |
| Konsistente Dritt-Quellen | PR, Fachmedien, Verzeichnisse, ggf. Wikipedia/Wikidata | Alle Engines, besonders bei widersprüchlichen Altbeständen | Wochen bis Monate |
| Entity-Konsistenz | Organization-Schema, sameAs, einheitliche Adress-/Namensdaten | Knowledge-Graph-gestützte Antworten, Verwechslungsschutz | Wochen bis Monate, kumulativ |
| Plattform-Feedback | „Problem melden"/Daumen-runter bei der konkreten Antwort | Einzelne akute Falschaussagen, künftige Modellqualität | Kein zugesagter Termin, wirkt statistisch |
Häufige Fragen zur Korrektur von KI-Halluzinationen
Kann ich ChatGPT zwingen, eine falsche Aussage über mein Unternehmen sofort zu löschen?
Nein. Es existiert kein öffentlich zugesicherter Mechanismus, der eine einzelne Falschaussage garantiert und sofort entfernt. Feedback-Funktionen und veröffentlichte Korrekturen erhöhen die Wahrscheinlichkeit einer künftigen Korrektur, ohne einen festen Zeitpunkt zuzusagen.
Kann ich rechtlich gegen eine KI-Falschaussage über mein Unternehmen vorgehen?
Das ist im Einzelfall zu prüfen und keine Rechtsberatung an dieser Stelle. Der bekannteste bisherige Präzedenzfall (noyb gegen OpenAI) betrifft ausdrücklich personenbezogene Daten unter der DSGVO, nicht Unternehmensreputation im Allgemeinen. Bei konkretem rufschädigendem Inhalt ist anwaltliche Prüfung der richtige nächste Schritt, nicht ein pauschales Vorgehen nach diesem Artikel.
Reicht ein einzelner korrigierter Wikipedia- oder Firmenwebsite-Eintrag aus?
Meist nicht. Modelle gewichten übereinstimmende Aussagen aus mehreren unabhängigen Quellen stärker als eine einzelne Korrektur. Wirksamer ist ein konsistentes Echo der richtigen Fakten über eigene Seite, Presse, Verzeichnisse und – wo passend – enzyklopädische Einträge gemeinsam.
Woran erkenne ich, ob eine Korrektur überhaupt wirkt?
Durch wiederholtes, dokumentiertes Testen derselben Fragen über die Zeit bei den relevanten KI-Systemen. Wie sich das strukturiert als KPI erfassen lässt, beschreibt unser Artikel zu KI-Sichtbarkeit messen.
Hilft es, wenn ich nur meine eigene Website anpasse?
Als alleinige Maßnahme selten. Websuchgestützte Antworten profitieren davon am ehesten, sobald die Seite gecrawlt ist; rein antrainiertes Modellwissen und Verwechslungen mit anderen Firmen werden dadurch nicht automatisch aufgelöst. Die eigene Seite ist der erste, aber nicht der einzige Hebel.
Quellen
- Kalai, Nachum, Vempala, Zhang: „Why Language Models Hallucinate" (OpenAI & Georgia Tech, September 2025, abgerufen 2026-07)
- noyb: „ChatGPT provides false information about people, and OpenAI can't correct it" (2025, abgerufen 2026-07)
- Search Engine Land: „ChatGPT search officially launches" (31.10.2024, abgerufen 2026-07)
- Google Search-Hilfe: Feedback zu AI Overviews geben (abgerufen 2026-07)
- Google Search Central: Organization-Structured-Data (abgerufen 2026-07)
- Google Search Central: Wie die Google-Suche funktioniert (Crawling & Indexierung) (abgerufen 2026-07)
