Wenn die KI Falsches über Ihren Betrieb erzählt:
so korrigieren Sie das Bild

Woher KI-Systeme ihr Bild von Ihrem Betrieb beziehen

Das KI-Bild eines Unternehmens ist die Summe aller Angaben, die ein KI-System bei Fragen zu diesem Unternehmen wiedergibt. Dieses Bild entsteht aus drei Schichten, die unterschiedlich schnell altern – und genau diese Unterschiede erklären später, warum Korrekturen an einer Stelle wirken und an anderer nicht.

Schicht 1: das antrainierte Modellwissen

Trainingsdaten sind die Textbestände, mit denen ein Sprachmodell vor seiner Veröffentlichung lernt. Alles, was zu Ihrem Betrieb in diesen Beständen stand – Website-Texte, Verzeichnis-Einträge, Presseartikel –, ist im Modell verankert, und zwar auf dem Stand des Trainingszeitpunkts. Dieser Stand liegt bei Veröffentlichung eines Modells oft schon Monate zurück und bleibt bis zur nächsten Modellversion eingefroren. Ein Umzug oder eine Angebotsänderung aus der Zwischenzeit existiert in dieser Schicht schlicht nicht.

Schicht 2: die Live-Recherche

Viele KI-Assistenten ergänzen ihr Modellwissen bei Bedarf durch eine aktuelle Suche im Netz: Sie rufen Suchindizes ab, öffnen Websites und verarbeiten deren Inhalt in die Antwort. Diese Schicht ist deutlich frischer – sie ist aber nur so gut wie die Seiten, die sie findet. Steht die alte Adresse noch auf einer gut auffindbaren Verzeichnis-Seite und die neue nur in einer schwer lesbaren Grafik auf Ihrer Website, gewinnt die alte Adresse.

Schicht 3: strukturierte Verzeichnis-Daten

Für harte Fakten wie Öffnungszeiten, Adressen und Telefonnummern greifen viele Systeme zusätzlich auf strukturierte Datenbestände zu: Kartendienste, Branchenverzeichnisse, Bewertungsplattformen und Register. Diese Bestände sind maschinenlesbar und gelten den Systemen als besonders verlässlich – auch dann, wenn der Eintrag seit Jahren niemand mehr gepflegt hat.

Warum falsche Angaben entstehen

Eine Halluzination bezeichnet eine Ausgabe eines Sprachmodells, die plausibel formuliert, aber sachlich falsch ist. Der Begriff führt allerdings leicht in die Irre, weil er nach einem seltenen Ausnahmefehler klingt. Tatsächlich entstehen falsche Auskünfte über Betriebe aus vier gut erklärbaren Mechanismen:

• Veralteter Wissensstand: Das Modell gibt den Stand seines Trainingszeitpunkts wieder – geänderte Öffnungszeiten, Umzüge und eingestellte Leistungen erreichen diese Schicht erst mit der nächsten Modellversion
• Widersprüchliche Quellen: Nennen Website, Verzeichnisse und alte Presseartikel unterschiedliche Angaben, wählt das System eine davon aus – ohne beurteilen zu können, welche aktuell ist
• Lückenfüllung: Fehlen belastbare Daten, ergänzen Sprachmodelle Angaben, die zu vergleichbaren Betrieben passen würden – branchenübliche Öffnungszeiten, typische Leistungen, plausible Abläufe
• Verwechslung: Betriebe mit ähnlichen Namen, gleicher Branche am selben Ort oder gemeinsamer Firmenhistorie werden vermischt – Leistungen des einen erscheinen in der Auskunft über den anderen

Allen vier Mechanismen ist gemeinsam, dass die Antwort im Ton keinerlei Unsicherheit zeigt. Ein Sprachmodell formuliert die geratene Öffnungszeit genauso verbindlich wie die belegte. Für den fragenden Kunden sind richtige und falsche Auskunft deshalb nicht unterscheidbar – die Prüfung kann nur auf Seiten des Betriebs stattfinden, über den gesprochen wird.

Fünf typische Fehlerbilder

In der Praxis konzentrieren sich falsche KI-Auskünfte über Betriebe auf fünf wiederkehrende Muster. Jedes hat eine typische Ursache – und damit einen typischen Ansatzpunkt für die Korrektur.

1. Falsche Öffnungszeiten und Erreichbarkeit: Das System nennt Zeiten aus einem alten Verzeichnis-Eintrag oder ergänzt branchenübliche Werte. Besonders häufig nach Umstellungen – etwa wenn der Samstag wegfiel oder eine Mittagspause eingeführt wurde.
2. Eingestellte oder veraltete Angebote: Eine Leistung, die der Betrieb vor Jahren angeboten hat, taucht weiter in Auskünften auf – gespeist aus alten Website-Ständen, archivierten Aktionsseiten oder Presseartikeln.
3. Erfundene Leistungen und Eigenschaften: Das System schreibt dem Betrieb Angebote zu, die es nie gab – meist, weil sie bei vergleichbaren Unternehmen der Branche üblich sind und das Modell die Lücke damit füllt.
4. Falsche Stammdaten: Alte Adresse nach einem Umzug, frühere Telefonnummer, ausgeschiedene Ansprechpartner oder ein Vorgänger-Firmenname nach einer Umfirmierung – Reste aus Quellen, die niemand bereinigt hat.
5. Verwechslung mit anderen Unternehmen: Namensgleiche oder ähnlich benannte Betriebe werden vermischt; im ungünstigsten Fall erbt Ihr Betrieb die schlechten Bewertungen oder die Insolvenz-Meldung eines fremden Unternehmens.

Warum der Schaden unsichtbar bleibt

Eine falsche Auskunft am Telefon fällt auf: Der Anrufer fragt nach, der Irrtum wird korrigiert. Die falsche KI-Auskunft erreicht Sie nie. Der Interessent, dem ein KI-System erklärt, Ihr Betrieb biete eine gesuchte Leistung nicht an, ruft nicht an, um das zu überprüfen – er fragt beim nächsten Anbieter an. In Ihrer Statistik erscheint dieser Vorgang nirgends. Es gibt keine Fehlermeldung, keine Beschwerde, keinen Absprung auf der Website. Es gibt nur eine Anfrage, die nie gestellt wurde.

Verstärkt wird das durch eine Entwicklung, die wir im Beitrag Zero-Click: Traffic messen, wenn KI die Antwort gibt ausführlich behandeln: Ein wachsender Teil der Recherchen endet bei der KI-Antwort, ohne dass die eigene Website je aufgerufen wird. Die Auskunft des Systems ersetzt in diesen Fällen den Besuch – und damit auch die Gelegenheit, einen falschen Eindruck selbst zu korrigieren.

Dazu kommt die Empfehlungs-Ebene. Auf Fragen wie „Welcher Betrieb in meiner Region macht X?" stellen KI-Systeme eine Auswahl zusammen – und ein Betrieb mit widersprüchlichen oder dünnen Daten fällt aus dieser Auswahl leise heraus. Warum das passiert und welche Faktoren die Auswahl steuern, schlüsselt der Beitrag Warum empfiehlt die KI-Suche meinen Wettbewerber statt mich? im Einzelnen auf.

So erheben Sie Ihr KI-Bild systematisch

Vor der Korrektur steht die Bestandsaufnahme. Sie beantwortet zwei Fragen: Was sagen die Systeme heute über Ihren Betrieb – und aus welchen Quellen stammen die Fehler? Vier Schritte genügen für einen belastbaren ersten Befund.

1. Fragenkatalog aufstellen

Sammeln Sie die Fragen, die echte Kunden stellen: Was bietet der Betrieb an? Wann ist geöffnet? Wo sitzt er, wer ist Ansprechpartner? Dazu die Empfehlungsfrage („Welcher Anbieter in [Region] für [Leistung]?") und Fragen zu Ihren wichtigsten Leistungen einzeln. Zehn bis fünfzehn Fragen decken die relevanten Auskunfts-Situationen ab.

2. Mehrere Systeme und Formulierungen prüfen

Stellen Sie jede Frage in mehreren KI-Assistenten und variieren Sie die Formulierung. Die Systeme unterscheiden sich in Quellen, Wissensstand und Recherche-Verhalten – ein einzelner Test zeigt nur einen Ausschnitt. Fragen Sie neutral, so wie ein Fremder fragen würde, und vermeiden Sie Formulierungen, die die richtige Antwort schon enthalten.

3. Antworten dokumentieren

Halten Sie je Antwort fest: Datum, System, Frage im Wortlaut, Antwort als Bildschirmfoto. Diese Dokumentation macht Veränderungen über die Zeit sichtbar und ist zugleich die Grundlage, falls eine geschäftsschädigende Falschangabe später gemeldet oder rechtlich geprüft werden soll.

4. Fehlerquellen zurückverfolgen

Zeigt das System Quellen zu seiner Antwort an, folgen Sie ihnen: Dort steht in den meisten Fällen der Ursprung der falschen Angabe – der vergessene Verzeichnis-Eintrag, die archivierte Aktionsseite, das verwaiste Profil. Diese Fundstellen sind Ihre Korrektur-Liste. Einen verwandten Blick auf die klassische Suche bietet der Beitrag „Ich google meinen Firmennamen — und erschrecke" – beide Erhebungen zusammen ergeben das vollständige Außenbild.

Sieben Hebel, mit denen Sie das Bild geraderücken

KI-Auskünfte lassen sich nicht direkt umschreiben – wohl aber die Quellen, aus denen sie entstehen. Die sieben Hebel sind nach dem Prinzip geordnet, an der Quelle zu beginnen und erst zuletzt beim System selbst anzusetzen.

1. Stammdaten überall identisch führen: Firmenname, Adresse, Telefonnummer und Öffnungszeiten müssen auf der Website, in Kartendiensten, Branchenverzeichnissen und Profilen wortgleich übereinstimmen. Konsistenz ist für die Systeme das stärkste Signal, welche Angabe die gültige ist.
2. Die eigene Website als Leitquelle ausbauen: Kernfakten gehören als klarer Text auf die Seite – Öffnungszeiten, Standort, Leistungen in ganzen, eindeutigen Sätzen statt nur in Grafiken oder PDF-Dateien. Jede wichtige Leistung braucht eine eigene, aktuelle Unterseite.
3. Fakten maschinenlesbar auszeichnen: Strukturierte Daten sind standardisierte Auszeichnungen im Quelltext, die Öffnungszeiten, Adresse und Unternehmensangaben für Maschinen eindeutig kennzeichnen. Sie nehmen den Systemen die fehleranfällige Interpretation des Fließtexts ab.
4. Veraltetes aktiv entfernen: Alte Aktionsseiten, eingestellte Leistungen und überholte Meldungen im eigenen Auftritt löschen, weiterleiten oder sichtbar datieren. Was auffindbar bleibt, wird weiter zitiert – auch Jahre später.
5. Verzeichnis-Einträge und Profile bereinigen: Die in der Bestandsaufnahme gefundenen Fremdquellen der Reihe nach korrigieren: Kartendienste, Branchenbücher, Bewertungsplattformen, Vereins- und Verbandsseiten. Verwaiste Profile, die niemand mehr pflegt, löschen lassen.
6. Die Unternehmens-Identität schärfen: Eine einheitliche Schreibweise des Firmennamens, eine aussagekräftige Über-uns-Seite und die klare Nennung von Ort, Branche und Historie helfen den Systemen, Ihren Betrieb von Namensvettern zu unterscheiden – der wirksamste Schutz gegen Verwechslungen.
7. Falschangaben beim System melden: Die Feedback- und Meldefunktionen der KI-Assistenten nutzen, besonders bei geschäftsschädigenden Angaben. Die Wirkung ist nicht garantiert – dokumentiert ist der Vorgang damit aber in jedem Fall.

Wer diese Hebel umsetzt, verbessert nebenbei die eigene Auffindbarkeit: Dieselben Signale, die Falschangaben verdrängen, machen einen Betrieb für KI-Systeme zitierfähig. Wie Sie diesen Effekt gezielt ausbauen, beschreibt der Beitrag Sichtbar in KI-Suchen – Korrektur und Sichtbarkeit sind zwei Seiten derselben Datenpflege.

Was Korrekturen leisten – und in welchem Tempo

Realistische Erwartungen gehören zur Planung. Die drei Quellen-Schichten aus dem ersten Abschnitt altern unterschiedlich schnell – und sie erneuern sich auch unterschiedlich schnell.

Systeme mit Live-Recherche übernehmen korrigierte Websites und Verzeichnis-Einträge oft binnen Tagen bis weniger Wochen. Strukturierte Verzeichnis-Daten wirken ähnlich zügig, sobald der jeweilige Dienst die Änderung übernommen hat. Das antrainierte Modellwissen dagegen ändert sich erst mit der nächsten Modellversion – bis dahin kann ein System ohne Live-Recherche die alte Angabe weiter wiedergeben. In der Übergangszeit sind uneinheitliche Antworten deshalb normal: Ein System liegt schon richtig, ein anderes noch falsch.

Eine Garantie auf die einzelne Antwort gibt es grundsätzlich nicht, weil Sprachmodelle jede Auskunft neu erzeugen und dabei variieren. Das Ziel der Korrekturarbeit ist deshalb statistisch: Die richtige Angabe soll in so vielen und so gewichtigen Quellen stehen, dass sie in fast jeder erzeugten Antwort gewinnt. Bei Falschangaben mit konkretem Schadenspotenzial – etwa einer zugeschriebenen Insolvenz – gehört neben Quellen-Korrektur und Anbieter-Meldung auch die dokumentierte Beweissicherung dazu; ob rechtliche Schritte in Betracht kommen, klärt im Einzelfall eine fachkundige Rechtsberatung.

Pflege als Daueraufgabe: der Prüf-Rhythmus

Das KI-Bild eines Betriebs ist kein Zustand, der einmal hergestellt wird und dann hält. Modelle werden ausgetauscht, Indizes neu aufgebaut, Quellen kommen hinzu – jede dieser Bewegungen kann das Bild verändern. Bewährt hat sich ein fester Rhythmus mit zwei Auslösern: der Kalender und die Änderung.

Der Aufwand ist überschaubar: Die Erst-Erhebung kostet einige Stunden, die Quartals-Prüfung danach deutlich weniger. Verglichen mit dem, was ein einziger dauerhaft fehlgeleiteter Kundenstrom kostet, ist das eine der günstigsten Pflege-Routinen im digitalen Auftritt.