KI-Antworten faktenchecken: So prüfst du, was stimmt

Warum du KI-Antworten nicht einfach glauben solltest

KI-Chatbots klingen selbstbewusst. Egal ob die Antwort stimmt oder komplett erfunden ist – der Tonfall bleibt gleich: flüssig, druckreif, ohne Zögern. Genau das macht sie gefährlich. Ein Mensch, der unsicher ist, druckst rum, sagt “ich glaube” oder “müsste ich nachschauen”. Eine KI liefert eine falsche Jahreszahl mit derselben Souveränität wie eine richtige.

Dieses Phänomen heisst Halluzination: Das Modell erfindet Fakten, Zitate, Studien oder sogar ganze Gerichtsurteile, die es nie gab – nicht aus böser Absicht, sondern weil es aus Trainingsdaten statistisch plausible Wortfolgen generiert, ohne einen echten Wahrheitsbegriff zu haben. Wie das technisch zustande kommt, erklärt der Artikel Warum KI halluziniert im Detail. Hier geht es um die praktische Seite: Wie du als Nutzerin oder Nutzer systematisch prüfst, was du bekommst, bevor du es weiterverwendest.

Wann Skepsis Pflicht ist

Nicht jede KI-Antwort verdient die gleiche Prüftiefe. Bei “Erklär mir, was eine Firewall macht” ist das Risiko eines Fehlers gering und die Folgen harmlos. Bei anderen Themen sieht das anders aus:

Quellen aktiv einfordern

Der wichtigste Hebel ist simpel: Frag nach Quellen, wenn die KI sie nicht von selbst liefert. Ein guter Prompt-Zusatz sieht so aus:

Nenne für jede faktische Behauptung eine konkrete, prüfbare Quelle
(Name, Jahr, Link falls vorhanden). Wenn du dir bei etwas nicht
sicher bist oder keine verlässliche Quelle kennst, sag das
ausdrücklich, statt zu raten.

Das löst das Problem nicht vollständig – ein Modell kann auch eine Quelle erfinden, die es gar nicht gibt, inklusive überzeugend aussehendem Titel und Jahr. Aber es verschiebt die Beweislast: Eine genannte Quelle kannst du nachschlagen, eine unbelegte Behauptung nicht.

Chatbots mit echter Websuche vs. reines Sprachmodell

Ein wichtiger Unterschied (Stand: 2026-07): Manche KI-Werkzeuge greifen bei der Antwort live auf eine Websuche zu und verlinken echte, anklickbare Quellen (z. B. Perplexity als Kernfunktion, oder ChatGPT und Claude, wenn deren Web-Suche-Funktion aktiv ist). Andere antworten rein aus dem trainierten Sprachmodell heraus, ohne Internetzugriff – dort sind Quellenangaben grundsätzlich mit Vorsicht zu geniessen, weil das Modell sie aus dem Gedächtnis “zitiert” statt sie tatsächlich nachzuschlagen.

Typische Fehlerquellen kennen

Wer weiss, wo KI-Modelle typischerweise stolpern, kann gezielter prüfen:

• Veraltetes Wissen: Sprachmodelle haben einen Trainings-Stichtag (Wissensstand). Ohne Websuche wissen sie nichts von Ereignissen danach – und sagen das nicht immer klar, sondern extrapolieren manchmal munter weiter
• Erfundene Zitate und Studien: Klingt nach echter Fachliteratur, existiert aber nicht – ein Klassiker bei akademischen und journalistischen Anfragen
• Falsche Zahlen bei echten Fakten: Das grundsätzliche Ereignis stimmt, aber Datum, Prozentzahl oder Namen sind leicht verändert
• Verwechslung ähnlicher Entitäten: Zwei Firmen, Personen oder Gesetze mit ähnlichem Namen werden vermischt
• Übertriebene Sicherheit bei Nischenthemen: Je spezifischer und unbekannter die Frage, desto höher tendenziell das Halluzinationsrisiko – gerade weil dazu wenig Trainingsdaten existierten
• Rechenfehler: Auch bei einfacher Arithmetik oder Datumsberechnungen (“wie viele Tage zwischen X und Y”) passieren gelegentlich Fehler, weil Sprachmodelle Text und nicht primär Zahlen verarbeiten
• Bestätigungsfehler durch Suggestivfragen: Formulierst du eine Frage so, dass sie eine Antwort nahelegt (“Stimmt es nicht, dass…”), neigen manche Modelle dazu, dir zuzustimmen statt zu widersprechen

Verifikationstechniken, die tatsächlich funktionieren

1. Quer-Check mit einer klassischen Suchmaschine

Der einfachste und wirksamste Schritt: Kopiere die zentrale Behauptung (Zahl, Name, Datum, Zitat) in eine normale Websuche und schau, ob seriöse, unabhängige Quellen dasselbe sagen. Findest du gar nichts dazu, ist das selbst schon ein Warnsignal.

2. Zweite KI als Gegenprobe fragen

Stelle dieselbe Sachfrage einem anderen Modell eines anderen Anbieters. Stimmen beide unabhängig überein, steigt die Wahrscheinlichkeit, dass es stimmt. Widersprechen sie sich, weisst du: Hier musst du selbst nachschlagen, keine der beiden Antworten ist automatisch die richtige.

3. Konsistenz-Check durch Umformulieren

Stelle die gleiche Frage noch einmal, aber anders formuliert oder in neuem Chat (ohne Gesprächsverlauf). Wenn die Antwort dabei stark abweicht – unterschiedliche Zahlen, unterschiedliche Namen – ist das ein deutliches Indiz für eine unsichere, möglicherweise halluzinierte Antwort statt für gefestigtes Wissen.

4. Nachfragen “Wie sicher bist du dir, und warum?”

Frag explizit nach der Unsicherheit: “Auf einer Skala – wie sicher bist du dir bei dieser Zahl, und woher stammt sie vermutlich?” Das ändert nichts an der Modell-Architektur, aber gute Modelle relativieren dann oft nachträglich Aussagen, die sie zuvor zu bestimmt formuliert hatten.

5. Primärquelle statt Zusammenfassung lesen

Wenn die KI eine Studie, ein Gesetz oder einen Artikel zusammenfasst: Bei wichtigen Entscheidungen den Originaltext selbst kurz überfliegen. Zusammenfassungen können einzelne Nuancen, Bedingungen oder Einschränkungen weglassen, ohne dass das aus dem Antworttext ersichtlich wird.

Ein Entscheidungsbaum für den Alltag

KI hat dir eine faktische Behauptung geliefert
│
├─ Wird die Aussage irgendwo veröffentlicht,
│  weitergeleitet oder als Entscheidungsgrundlage genutzt?
│   │
│   ├─ Nein, reine private Neugier
│   │   → grobe Plausibilitätsprüfung reicht, fertig
│   │
│   └─ Ja
│       │
│       ├─ Hat die KI eine konkrete, anklickbare Quelle genannt?
│       │   │
│       │   ├─ Ja → Quelle öffnen und prüfen, ob sie die
│       │   │       Aussage wirklich so stützt
│       │   │
│       │   └─ Nein → Quer-Check mit Suchmaschine
│       │             und/oder zweiter KI durchführen
│       │
│       └─ Betrifft es Recht, Finanzen, Medizin oder
│           Sicherheit (Code, Konfiguration)?
│           │
│           ├─ Ja → zusätzlich Fachperson oder
│           │       offizielle Stelle konsultieren
│           │
│           └─ Nein → Verifikation wie oben reicht

Nützliche Tools für den Faktencheck

Kein Werkzeug ersetzt den gesunden Menschenverstand, aber die folgenden helfen, Behauptungen schnell zu prüfen:

Für die Schweiz lohnt sich zusätzlich ein Blick auf Faktencheck-Rubriken etablierter Medienhäuser (z. B. SRF oder swissinfo.ch), die regionale und nationale Falschmeldungen einordnen – oft treffsicherer bei Schweizer Kontext als internationale KI-Antworten, die primär auf globalen bzw. deutschen Trainingsdaten beruhen.

Kurz zusammengefasst

• KI-Antworten klingen unabhängig von ihrem Wahrheitsgehalt gleich selbstbewusst – der Tonfall ist kein Gütesiegel
• Fordere aktiv Quellen ein und bevorzuge Werkzeuge mit echter, anklickbarer Websuche gegenüber reinen Text-Antworten
• Bei Recht, Finanzen, Medizin, Sicherheit und allem, was veröffentlicht oder weitergeleitet wird: immer verifizieren, nie blind übernehmen
• Quer-Checks (Suchmaschine, zweites Modell, Umformulieren) sind die zuverlässigsten Alltags-Tricks
• Faktencheck-Tools und -Datenbanken sind ein zusätzlicher Baustein, kein Ersatz für die Primärquelle

Weiterlernen

• Warum KI halluziniert – die technischen Hintergründe hinter erfundenen KI-Antworten
• KI-Scams und Phishing erkennen – wie Betrüger KI nutzen, um Falschinformationen gezielt einzusetzen
• Deepfakes erkennen – Verifikation bei Bild, Video und Stimme statt reinem Text
• Prompting-Grundlagen – wie du Prompts so formulierst, dass Quellen und Unsicherheit von Anfang an mitgeliefert werden
• Google Fact Check Tools – Suche über bereits geprüfte Falschmeldungen
• Vectara Hallucination Leaderboard – laufender Vergleich der Halluzinationsraten grosser KI-Modelle
• CORRECTIV.Faktencheck – unabhängige, deutschsprachige Faktencheck-Redaktion