Outputs verifizieren: vertrauen, aber prüfen

Eine Marketing-Managerin kopierte einen selbstbewussten Satz aus ChatGPT in ein Kunden-Deck: „E-Mail-Marketing liefert einen durchschnittlichen ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen → von 42 Dollar pro investiertem Dollar." Es klang autoritativ. Es war falsch. Die real zirkulierende Zahl liegt bei 36 zu 1 (aus älteren DMA/Litmus-Studien), und selbst die ist umstritten. Der Kunde, der den Bereich zufällig kannte, bemerkte es. Die Managerin wirkte nachlässig. Die KI stand gut da, denn die KI liefert nichts aus. Sie tun das.

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 niemals ohne Prüfung nach draußen.

Warum selbstbewusst nicht korrekt 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 erfundenes Faktum, eine erfundene Quelle oder Zahl, präsentiert als real.

Das Gefährliche ist der Ton. KI-Halluzinationen wirken selten wackelig. Sie sehen aus wie die 42-Dollar-Statistik: sauber, spezifisch und zitierfähig. Spezifisch heißt nicht belegt.

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, ein Slide), durch vier schnelle Prüfungen. Merken Sie sich SNND: Sources, Numbers, Names, Dates.

1. Sources

Wenn die KI eine Studie, einen Link oder ein Zitat nennt, 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 real klingendes Paper oder ordnet ein echtes Zitat der falschen Person zu. Fragen Sie direkt:

„Nenne die exakten Quellen für jede Aussage oben, mit Links. Wenn du nicht sicher bist, ob eine Quelle existiert, sage es."

Dann klicken Sie die Links an. Erfundene URLs enden oft im 404 oder führen irgendwohin ohne Bezug.

2. Numbers

Statistiken, Prozentwerte, Preise und Berechnungen sind die riskantesten Elemente. KI ist notorisch schwach in Arithmetik und liebt eine ordentlich klingende Statistik.

Prüfen Sie jede Zahl gegen eine Primärquelle, oder lassen Sie die KI die Rechnung Schritt für Schritt wiederholen. Besser noch: Bitten Sie sie, ein Tool zu nutzen. 2026 können ChatGPT, Claude und Gemini alle Code ausführen, um exakte Antworten zu berechnen statt zu raten.

3. Names

Personen, Unternehmen, Produkte, Jobtitel. KI verwechselt das permanent, besonders bei weniger prominenten Personen. Sie schreibt ein echtes Zitat dem falschen CEO zu oder erfindet einen „Director of X", der nie existiert hat. Bestätigen 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, sofern sie nicht im Web suchen. Verifizieren Sie jede datumsabhängige Aussage und prüfen Sie, ob Ihr Tool tatsächlich nachgesehen oder aus dem Gedächtnis geantwortet hat.

Googles eigener Leitfaden zum verantwortungsvollen KI-Einsatz macht denselben Punkt: 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 KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →örpers besteht aus Wasser?"

Sie antwortet souverän: „Etwa 90 % des menschlichen Körpers bestehen aus Wasser."

Plausibel? Irgendwie. Wasser ist überall im Körper. Aber der reale Wert für einen Erwachsenen liegt bei etwa 50 % bis 65 % (bei Neugeborenen näher an 75 %). Die 90 % sind falsch, und in einem Gesundheits-Newsletter wäre das peinlich.

So fangen Sie es:

1. Numbers-Flag: Es ist eine Statistik, also wird sie automatisch geprüft.
2. Kurze Primärprüfung: Ein Blick in eine medizinische Quelle (Mayo Clinic, USGS Water Science School) liefert den korrekten Bereich.
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 Prompting macht die KI zu Ihrer ersten Review-Instanz.

Fragen Sie nach Konfidenz und Vorbehalten:

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

Zwingen Sie sie, Faktum 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, bitten Sie das Modell, Code auszuführen. Hier ein kleines Beispiel, das Sie in ChatGPT, Claude oder die Code-Funktion von Gemini einfügen oder selbst in Python laufen lassen können:

# 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 kommt statt aus einer Vorhersage, können Sie der Arithmetik vertrauen. Die Inputs prüfen Sie weiterhin, aber die Rechnung selbst steht.

Prüftiefe an das Risiko anpassen

Nicht alles braucht eine forensische Review. 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 kurzes Lesen.

Mittleres Risiko: Stichproben

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 an Kunden und Führungsebene Gesendete. Prüfen Sie jede Quelle, Zahl, jeden Namen und jedes Datum gegen Primärreferenzen. 2026 gibt es schon reale Fälle von Anwälten, die für das Zitieren KI-erfundener Gerichtsurteile sanktioniert wurden. Werden Sie nicht einer davon.

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

Verifikation in den Workflow einbauen

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

Nutzen Sie ein Zwei-Pass-System

Pass 1: Generieren. Lassen Sie die KI frei entwerfen. Tempo vor Vorsicht.

Pass 2: Verifizieren. Hut wechseln. SNND durchlaufen. Alles Unbestätigte markieren. Erst dann ausliefern.

Diese beiden Durchgänge getrennt zu halten, ist wichtig. Wer gleichzeitig generiert und verifiziert, macht 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 etwa 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 können falsch liegen), aber Widerspruch ist ein brauchbares 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. Wenn Sie die Angewohnheiten Ihres Tools kennen, erkennen Sie sie schneller.

Schalten Sie Quellen ein, wo möglich

2026 bieten ChatGPT, Claude und Gemini alle Modi, die im Web suchen und Quellenangaben zeigen. Nutzen Sie sie für alles Faktenlastige. Eine verlinkte Quelle, die Sie öffnen können, schlägt jedes Mal eine unverlinkte Behauptung. Aber denken Sie daran: Dass eine Quelle 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 trägt, ist psychologisch. Lesen Sie KI-Output nicht mehr als Leser, der Fakten empfängt. Lesen Sie ihn als Redakteur, der den Entwurf eines Praktikanten prüft.

Ein Redakteur nimmt an, dass Fehler drin sind, und sucht sie. Ein Redakteur lässt sich von souveräner Prosa nicht beeindrucken. Der Name eines Redakteurs steht am Endprodukt, deshalb prüft ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen →.

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

Key Takeaways

• Selbstbewusst ist nicht korrekt. KI ist darauf gebaut, sicher zu klingen, nicht richtig zu sein. Spezifische Zahlen und saubere Quellenangaben sind kein Beleg.
• Wenden Sie SNND auf alles an, was Sie ausliefern: Sources, Numbers, Names und Dates gegen Primärreferenzen prüfen.
• Passen Sie die Prüftiefe dem 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, Faktum von Schlussfolgerung zu trennen und für jede Rechnung Code auszuführen.
• Seien Sie der Redakteur, nicht das Publikum. Ihr Name steht auf dem Endentwurf, also liegt die letzte Prüfung immer bei Ihnen.