Outputs verifizieren: vertrauen, aber prüfen

# Outputs verifizieren: vertrauen, aber prüfen

Ein Marketing Manager kopierte einen selbstbewusst formulierten Satz von ChatGPT in ein Kunden-Deck: „E-Mail-Marketing liefert im Schnitt einen ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → von 42 Dollar für jeden eingesetzten Dollar." Das klang fundiert. Es war falsch. Die Zahl, die tatsächlich herumgeht, ist 36 zu 1 (aus älteren DMA-/Litmus-Studien), und selbst die ist umstritten. Der Kunde, der sich im Thema zufällig auskannte, merkte es. Der Manager wirkte schludrig. Die KI wirkte einwandfrei, denn die KI liefert nichts aus. Das tun Sie.

Das ist die ganze Lektion in einem Satz: Behandeln Sie jede selbstbewusste KI-Antwort wie den ersten Entwurf eines schlauen Praktikanten. Nützlich, schnell, oft richtig und nie ohne Prüfung raus.

Warum selbstbewusst nicht richtig bedeutet

Large Language Models (die Technologie hinter ChatGPT, Claude und Gemini) erzeugen Text, indem sie wahrscheinliche Wortfolgen vorhersagen. Sie sind darauf gebaut, flüssig und souverän zu klingen, nicht darauf, richtig zu sein. Wenn sie etwas Falsches erfinden, nennen wir das eine Halluzination: ein erfundener Fakt, eine erfundene Quelle oder Zahl, präsentiert als echt.

Der gefährliche Teil ist der Ton. KI-Halluzinationen sehen selten wackelig aus. Sie sehen aus wie die 42-Dollar-Statistik: sauber, spezifisch und zitierfähig. Spezifisch ist kein Beweis.

Die Frage lautet also nie „klingt das richtig?", sondern „kann ich das bestätigen?"

Die 4-Punkte-Checkliste zur Verifikation

Schicken Sie jeden KI-Output, der Ihre Hände verlässt (einen Report, eine E-Mail, einen Post, eine Folie), durch vier schnelle Checks. Merken Sie sich SNND: Sources, Numbers, Names, Dates.

1. Sources

Wenn die KI eine Studie, einen Link oder ein Zitat angibt, suchen Sie das Original. Vertrauen Sie einer Quellenangabe nicht, nur weil sie einen Titel und ein Jahr hat.

Ein häufiger Fehler: Die KI erfindet ein echt klingendes Paper oder schreibt ein echtes Zitat der falschen Person zu. Fragen Sie direkt:

> „Liste die exakten Quellen für jede Aussage oben auf, mit Links. Wenn du nicht sicher bist, ob eine Quelle existiert, sag es."

Dann klicken Sie die Links an. Erfundene URLs enden oft im 404 oder führen irgendwo anders hin.

2. Numbers

Statistiken, Prozentwerte, Preise und Berechnungen sind die riskantesten Elemente. KI ist bekanntermaßen wackelig in Arithmetik und liebt eine gefällig klingende Statistik.

Prüfen Sie jede Zahl gegen eine Primärquelle oder lassen Sie die KI die Rechnung Schritt für Schritt neu machen. Noch besser: Bitten Sie sie, ein Tool zu nutzen. 2026 kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen ChatGPT, Claude und Gemini alle Code ausführen, um exakte Antworten zu berechnen, statt zu raten.

3. Names

Personen, Unternehmen, Produkte, Jobtitel. KI verwechselt diese ständig, besonders bei weniger bekannten Personen. Sie schreibt vielleicht ein echtes Zitat dem falschen CEO zu oder erfindet einen „Director of X", der nie existiert hat. Prüfen Sie Schreibweise und Rolle vor der Veröffentlichung.

4. Dates

„Stand 2024…" kann falsch sein. Modelle haben einen Training Cutoff (das Datum, nach dem sie nichts Neues gelernt haben) und kennen aktuelle Ereignisse möglicherweise nicht, solange sie nicht im Web suchen. Verifizieren Sie jede datumsabhängige Aussage und prüfen Sie, ob Ihr Tool tatsächlich nachgeschaut oder aus dem Gedächtnis geantwortet hat.

Googles eigener Leitfaden zum verantwortungsvollen KI-Einsatz sagt dasselbe: KI kann Fehler machen, also verifizieren Sie wichtige Informationen.

Ein echter Fang: die plausible, aber falsche Statistik

Hier der Workflow in Aktion. Angenommen, Sie fragen eine KI:

> „Wie viel Prozent des menschlichen KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örpers besteht aus Wasser?"

Sie antwortet selbstbewusst: „Etwa 90 % des menschlichen KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örpers bestehen aus Wasser."

Plausibel? Irgendwie. Wasser ist überall im KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →örper. Aber der tatsächliche Wert für einen Erwachsenen liegt bei etwa 50 % bis 65 % (näher an 75 % bei Neugeborenen). Die 90 % sind falsch, und in einem Gesundheits-Newsletter wäre das peinlich.

Wie Sie es merken:

1. Numbers-Flag: Es ist eine Statistik, also wird sie automatisch geprüft.

2. Schneller Primärcheck: Ein Blick in eine beliebige medizinische Quelle (Mayo Clinic, USGS Water Science School) liefert die korrekte Bandbreite.

3. Bestätigen, dann ausliefern. Fertig.

Dreißig Sekunden Prüfung ersparen einen öffentlichen Fehler.

Lassen Sie die KI beim Verifizieren helfen

Sie müssen nicht alles von Hand prüfen. Gutes PromptingPromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → macht die KI zu Ihrer ersten Prüfinstanz.

Fragen Sie nach Konfidenz und Einschränkungen:

> „Schreibe die Zusammenfassung oben neu. Markiere jede Aussage, bei der du weniger als 90 % sicher bist, mit [CHECK]. Liste auf, welcher Nachweis jede davon bestätigen würde."

Zwingen Sie sie, Fakt und Vermutung zu trennen:

> „Welche Aussagen hier sind belegte Fakten und welche deine Schlussfolgerung? Kennzeichne jede."

Nutzen Sie Tools für Mathematik. Statt Kopfrechnen zu vertrauen, lassen Sie das Modell Code ausführen. Hier ein kleines Beispiel, das Sie in ChatGPT, Claude oder die Code-Funktion von Gemini einfügen oder selbst in Python ausführen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen:

# Verify a claimed ROI figure
revenue = 36000      # revenue attributed to email campaign
spend = 1000         # amount spent

roi_per_dollar = revenue / spend
print(f"ROI: ${roi_per_dollar:.2f} for every $1 spent")
# Output: ROI: $36.00 for every $1 spent

Wenn die Zahl aus echtem Code statt aus einer Vorhersage kommt, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie der Arithmetik vertrauen. Die Inputs prüfen Sie weiterhin, aber die Rechnung selbst ist solide.

Passen Sie die Prüfung an das Risiko an

Nicht alles braucht eine forensische Prüfung. Kalibrieren Sie den Aufwand an den Konsequenzen.

Geringes Risiko: überfliegen

Brainstorming, Entwurfs-Outlines, beiläufige Umformulierungen, private Notizen. Wenn ein kleiner Fehler nichts kostet, reicht ein schnelles Durchlesen.

Mittleres Risiko: Spot-Check

Interne E-Mails, Team-Dokumente, erste Content-Entwürfe. Prüfen Sie die Zahlen und Namen. Den Rest überfliegen.

Hohes Risiko: alles verifizieren

Alles Öffentliche, Juristische, Medizinische, Finanzielle oder was an einen Kunden oder das Management geht. Prüfen Sie jede Quelle, Zahl, jeden Namen und jedes Datum gegen Primärreferenzen. 2026 gibt es bereits reale Fälle von Anwälten, die für das Zitieren KI-erfundener Gerichtsurteile sanktioniert wurden. Werden Sie keiner davon.

Eine einfache Regel: Je näher es an einen echten Menschen kommt, der eine echte Entscheidung trifft, desto härter prüfen Sie.

Verankern Sie Verifikation in Ihrem Workflow

Prüfen sollte Gewohnheit sein, kein heroischer Willensakt. Bauen Sie es in Ihre Arbeitsweise ein.

Nutzen Sie ein Zwei-Durchgang-System

Durchgang 1: Erzeugen. Lassen Sie die KI frei entwerfen. Geschwindigkeit vor Vorsicht.

Durchgang 2: Verifizieren. Rolle wechseln. SNND durchlaufen. Alles Unbestätigte markieren. Erst dann ausliefern.

Diese Durchgänge getrennt zu halten, ist wichtig. Wenn Sie gleichzeitig erzeugen und prüfen, machen Sie meist beides schlecht.

Über Modelle hinweg gegenprüfen

Wenn eine Aussage wichtig ist und Sie nicht schnell eine Quelle finden, fragen Sie eine zweite KI. Stellen Sie dieselbe Faktenfrage zum Beispiel an Claude und Gemini. Wenn sie sich widersprechen, haben Sie eine Stelle gefunden, die einen Menschen und eine echte Quelle braucht. Übereinstimmung ist kein Beweis (beide kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen falsch liegen), aber Widerspruch ist ein nützliches Warnsignal.

Führen Sie eine persönliche „Gotcha"-Liste

Notieren Sie die Fehler, die Ihre KI wiederholt macht. Vielleicht rundet sie Statistiken immer auf oder erfindet plausibel klingende LinkedIn-Jobtitel. Wer die Angewohnheiten seines Tools kennt, erkennt sie schneller.

Schalten Sie Quellen ein, wenn möglich

2026 bieten ChatGPT, Claude und Gemini alle Modi, die im Web suchen und Quellen anzeigen. Nutzen Sie sie für alles Faktenlastige. Eine verlinkte Quelle, die Sie öffnen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, schlägt jedes Mal eine unbelegte Behauptung. Aber denken Sie daran: Dass eine Quellenangabe existiert, heißt nicht, dass dort steht, was die KI behauptet. Sie öffnen den Link trotzdem.

Das Mindset: Redakteur, nicht Publikum

Die Verschiebung, die das alles wirksam macht, ist psychologisch. Lesen Sie KI-Output nicht länger als Leser, der Fakten empfängt. Lesen Sie ihn als Redakteur, der den Entwurf eines Praktikanten prüft.

Ein Redakteur geht davon aus, dass es Fehler gibt, und sucht sie. Ein Redakteur lässt sich von selbstbewusster Prosa nicht beeindrucken. Der Name eines Redakteurs steht am Endprodukt, also prüft ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen →.

Das ist jetzt Ihr Job. Die KI schreibt den Entwurf. Sie entscheiden, was wahr genug ist, um es auszuliefern.

Key Takeaways

• Selbstbewusst ist nicht richtig. KI ist darauf gebaut, sicher zu klingen, nicht richtig zu sein. Spezifische Zahlen und saubere Quellenangaben sind kein Beweis.
• Wenden Sie SNND auf alles an, was Sie ausliefern: Sources, Numbers, Names und Dates gegen Primärreferenzen prüfen.
• Passen Sie die Prüfung an das Risiko an. Entwürfe mit geringem Risiko überfliegen; in allem Öffentlichen, Juristischen, Finanziellen oder Medizinischen jede Aussage verifizieren.
• Lassen Sie die KI helfen. Bitten Sie sie, unsichere Aussagen zu markieren, Fakt von Schlussfolgerung zu trennen und für jede Rechnung Code auszuführen.
• Seien Sie der Redakteur, nicht das Publikum. Ihr Name steht am Endentwurf, also ist die letzte Prüfung immer Ihre.