Unternehmen investieren massiv in KI, doch der Output bleibt oft unkontrolliert. Wenn KI-Assistenten heute nach Ihrer Marke gefragt werden, liefern sie nicht selten erfundene Fakten. Erfahren Sie, warum Dashboards nicht ausreichen und wie Sie durch saubere Datenquellen die Kontrolle zurückgewinnen.
Lancashire Digital • Kevin Lancashire, Oktober 2026
Was KI-Assistenten über Ihre Marke sagen, ist oft falsch – und täuscht Ihre Kunden
Das Wichtigste zuerst: Wenn ein Kunde heute einen KI-Assistenten nach Ihrem Produkt fragt, erhält er eine Antwort, die kompetent klingt – aber niemand in Ihrem Unternehmen hat sie je freigegeben, und oft entspricht sie nicht der Wahrheit. Das ist kein marginales Imageproblem. Es ist Fehlinformation, die in Ihrem Namen an Ihre Kunden weitergegeben wird.
Nicht freigegebene Werbetafeln
Stellen Sie sich eine Werbetafel vor, die Ihre Botschaft falsch wiedergibt – falscher Preis, falsches Feature, ein Versprechen, das Sie nie gemacht haben. Sie würden sie sofort abhängen lassen. Genau das passiert in KI-Assistenten ständig, mit zwei Unterschieden: Sie haben diese Tafel nie freigegeben, und sie schreibt sich mit jeder Suchanfrage neu. Der Verantwortliche trägt die Konsequenzen, ohne die Aussage je gesehen zu haben.
Steigende KI-Investitionen
Unternehmen erhöhen ihre KI-Investitionen drastisch, während durchschnittliche IT-Budgets nur moderat wachsen – um etwa 3,7 %1. Das Geld fließt also genau dorthin, wo der Output am wenigsten kontrolliert wird.
Kosten der Fehler
Je mehr sich Kunden auf KI-Antworten verlassen, desto mehr kostet jede falsche Aussage. Der Druck macht dieses Thema dringlicher, nicht weniger.
Die Realität der Halluzinationen
Es gibt nicht die eine „Fehlerquote“ – Halluzinationsraten variieren stark nach Modell, Aufgabe und Fachgebiet. Aber wo man genau hinsieht, sind sie beträchtlich.
Wissenschaftliche Quellen
Modelle erfanden je nach System zwischen 28,6 % und 91,4 % der Zitate2 – Referenzen, die echt aussehen, es aber nicht sind.
Juristische Fakten
Bei spezifischen, überprüfbaren juristischen Fragen halluzinierten Modelle in 58 % bis 88 % der Fälle Fakten3.
Prompt-Engineering reicht nicht
In 300 klinischen Fallvignetten, in die je ein erfundenes medizinisches Detail eingebaut war, übernahmen sechs Modelle diese Erfindung im Mittel in 66 % der Fälle. Ein eigens auf Vorsicht ausgelegter Prompt senkte die Quote auf 44 % – er beseitigte das Problem also nicht4.
Die Auswirkungen auf die Marke
Dasselbe Fehlermuster trifft Ihre Marke: erfundene Funktionen, falsche Begriffe, veraltete Details – und das mit voller Überzeugung. Automatisierte Scores allein decken das nicht auf. Ein Visibility-Dashboard zeigt Ihnen, dass Sie auftauchen – nicht, was Falsches über Sie gesagt wird. Dafür braucht es ein manuelles Audit: Jemand muss lesen, was die Modelle tatsächlich antworten, und erkennen, wo die Aussage kippt. Bei einem globalen Pharma-Konzern habe ich drei interne Audits im Bereich Digital Governance verantwortet und die Findings geschlossen; daraus entstand eine konzernweite Direktive für digitale Compliance. Ich weiß, worauf man achten muss.
Die Kontrolle über die Quellen übernehmen
Schaffen Sie eine Basis – manuell verifiziert. Bringen Sie Ihre Quellen unter Kontrolle: saubere, auffindbare und konsistente Referenzen. Überwachen Sie kontinuierlich die LLMs Ihrer Wahl, unabhängig von einem einzelnen Anbieter.
Lassen Sie uns sprechen
Der Unterschied zu einem Dashboard-Abo: Sie erhalten keinen Score, sondern eine verifizierbare Liste dessen, was korrigiert werden muss – und einen Weg dorthin. Ich tausche mich aktuell gerne mit Leuten aus, die an diesem Thema arbeiten. Wenn das auf Ihrem Radar ist, lassen Sie uns gerne Erfahrungen austauschen. Schreiben Sie mir eine DM.
Mit KI-Unterstützung verfasst; alle Zahlen und Quellen wurden manuell mit den Originalarbeiten abgeglichen – was genau der Punkt ist.
Quellen
- [1] Gartner, 2027 CIO Agenda – KI-Finanzierung steigt stark im Vergleich zum durchschnittlichen IT-Budgetwachstum von ~3,7 %. gartner.com/en/chief-information-officer/insights/cio-agenda
- [2] Chelli, M. et al. (2024): Hallucination Rates and Reference Accuracy of ChatGPT and Bard for Systematic Reviews. Journal of Medical Internet Research. (Erfundene Referenzen: 28,6 % GPT-4, 39,6 % GPT-3.5, 91,4 % Bard)
- [3] Dahl, M. et al. (2024): Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. arXiv. (Juristische Halluzinationen: 58 % ChatGPT-4 bis 88 % Llama 2 bei überprüfbaren Fallfragen)
- [4] Omar, M. et al. (2025): Multi-model assurance analysis showing large language models are highly vulnerable to adversarial hallucination attacks during clinical decision support. Communications Medicine 5, 330. doi.org/10.1038/s43856-025-01021-3 (66 % → 44 % ist der Mittelwert über sechs Modelle bei absichtlich eingebauten Falschangaben; im Fliesstext 65,9 % bzw. 44,2 %.)
Lancashire Digital • Kevin Lancashire, September 2026
Die E-ID braucht eine Reihenfolge: Termin, Akzeptanzstellen, Kommunikation
Die Schweiz hat eine staatliche E-ID beschlossen, die richtig gebaut ist: dezentral, datensparsam, unter staatlicher Kontrolle. Ob sie im Alltag ankommt, entscheidet nicht die Technik allein, sondern die Reihenfolge der nächsten Schritte. Sicherheit zuerst, dann Reichweite – beides ist Pflicht, nicht Kür.
Wo wir stehen
Das E-ID-Gesetz wurde am 28. September 2025 mit 50,39 Prozent Ja-Stimmen knapp angenommen; der Betriebsstart war für den 1. Dezember 2026 vorgesehen.
Fehlendes Enddatum
Am 30. Juni 2026 hat der Bund verschoben: Die Vertrauensinfrastruktur soll voraussichtlich im ersten Halbjahr 2027 laufen; der Bundesrat will das Gesetz dafür zumindest teilweise in Kraft setzen, etwa für den elektronischen Führerausweis. Ein neues Datum für die E-ID selbst hat der Bund bisher nicht genannt.
Online-Ausstellung & Deepfakes
Der Grund liegt in der Online-Ausstellung: Das BJ will Deepfakes besser erkennen und das Einschleusen von Schadsoftware auf dem Endgerät erschweren. Laut der BJ-Aktennotiz vom 30. Juni waren im Juni auch andere Komponenten noch nicht reif; dafür gibt es aber einen Plan mit Stabilisierung im Februar und März 2027. Der Onlinekanal ist der einzige Punkt, für den der Bund kein Enddatum nennt.
1. Ohne Termin plant niemand verbindlich
Die E-ID hat zwei Seiten: Menschen, die eine haben, und Stellen, die sie annehmen. Jede Seite wartet auf die andere.
IT-Budgets blockiert
Gegen ein offenes Datum budgetiert keine IT-Abteilung eine Integration und plant kein Kanton seine Prozesse.
Abhängigkeiten in der Wirtschaft
Das BJ weiss das. In derselben Aktennotiz steht, zahlreiche IT-Projekte in Verwaltung und Wirtschaft seien inhaltlich und zeitlich auf die E-ID-Einführung abgestimmt, Verzögerungen wirkten direkt auf sie, Planungssicherheit sei wesentlich.
Falsche Schlüsse
Das BJ zieht daraus den Schluss, früh zu informieren. Der richtige Schluss wäre, einen Termin zu setzen.
Der Schalter als erster Kanal
Der Termin hängt heute am Onlinekanal. Das BJ hält daran fest: Ein vollständiger Verzicht würde laut Aktennotiz zu einer «erheblich verlangsamten Verbreitung» führen und den Gesamtnutzen gefährden. Für den Endzustand stimmt das. Aber niemand fordert den Verzicht.
In der Praxis: Passbüro statt Online-Kanal
Gefordert ist der Schalter als erster Kanal – und den gibt es bereits: Der Bundesrat hat nach der Vernehmlassung entschieden, dass die E-ID nicht nur online, sondern auch im Passbüro ausgestellt werden kann.
Lancashire Digital • Executive Data Advisory
Der Spagat: Wertschöpfung durch defensive und offensive Datenstrategien
Die Ausbalancierung von defensiver und offensiver Datennutzung ist entscheidend für Unternehmen, die den Wert ihrer Datenbestände maximieren wollen. Defensive Strategien sichern die Basis ab, während offensive Strategien Insights monetarisieren und das Top-Line-Wachstum antreiben.
Defensive vs. offensive Datenparadigmen
Ein integriertes Data-Governance-Framework stellt sicher, dass Teams datenbasierte Erkenntnisse nutzen können, während gleichzeitig strenge regulatorische Schutzvorkehrungen und Risikominderungsprotokolle eingehalten werden.
Risikominderung & Compliance
Schutz sensibler Assets durch regulatorische Compliance (DSGVO, revDSG), Ende-zu-Ende-Verschlüsselung, strikte Zugriffskontrollen und robuste Single-Source-of-Truth-Architekturen.
Wachstum, KI & Monetarisierung
Proaktive Analytik, prädiktive Modelle des maschinellen Lernens und hochwirksame Datenprodukte zur Optimierung des Kundenerlebnisses, Steigerung der Agilität und Generierung von Umsätzen.
Defensive Säulen & das Stagnationsrisiko
Defensive Data Governance ist die Grundvoraussetzung für Vertrauen. Eine Überbetonung der Risikovermeidung führt jedoch häufig zu organisatorischer Trägheit und verpassten Marktchancen.
Regulatorische Compliance
Strikte Einhaltung rechtlicher Standards zum Schutz von Unternehmenswerten, zur Vermeidung von Strafen und zum Aufbau institutionellen Vertrauens.
Datensicherheit & -hygiene
Implementierung von Überwachungssystemen, Zero-Trust-Berechtigungen und automatisierten Qualitätspipelines zur Beseitigung von Schwachstellen.
Single Source of Truth
Konsolidierung von Unternehmensmetadaten in einheitlichen Datenkatalogen zur Beseitigung von Fehlinformationen und Straffung von Managemententscheidungen.
Datenprodukte & Data-Mesh-Architektur
Moderne Architekturen schlagen die Brücke zwischen Verteidigung und Angriff. Indem Daten als Produkt behandelt und die Domänenverantwortung via Data Mesh dezentralisiert wird, wahren Unternehmen lokale Compliance und beschleunigen gleichzeitig die funktionsübergreifende Umsetzung.
In der Praxis: Operative vs. strategische Wertschöpfung
Die Balance zwischen schrittweisen Optimierungen und bahnbrechenden Geschäftsmodellen:
- Building a Data Governance Strategy in 7 Steps — Alation
- Fortifying Your Future: A Balanced Approach to Data Strategy — LinkedIn
- Offensive vs Defensive Data Strategy — Hevo Data
- Data Governance is Valuable: Moving to an Offensive Strategy — Dataversity / Alation
- Key Components of Defensive and Offensive Data Strategy — Dr. G. Hills
Lancashire Digital • Research Synthesis
Die allsehende Maschine: Synthese der Computer-Vision-Forschung
Von der ImageNet-Revolution bis zu modernen Enterprise-Integrationen hat sich Computer Vision von einer akademischen Spielerei zu einem fundamentalen Wirtschaftstreiber entwickelt. Diese Synthese bündelt umfangreiche Forschung zu technischen Durchbrüchen, branchenspezifischen Implementierungen und strategischen Implikationen für digitale Architekturen.
Warum visuelle Intelligenz die Strategie bestimmt
Prozesse, die früher auf menschliches Sehvermögen angewiesen waren, werden heute mit übermenschlicher Geschwindigkeit und Konsistenz ausgeführt – mit enormem Potenzial für die Produktivität.
Automatisierung der Wahrnehmung
Von der Fehlererkennung in der Fertigung bis zur Bestandsführung – agile visuelle Systeme steigern Effizienz und Konsistenz drastisch.
Kontextueller Echtzeit-Überblick
Aggregierte visuelle Daten ermöglichen die dynamische Verfolgung schnelllebiger Umgebungen und fundierte Entscheidungen auf Basis von Live-Einblicken.
Sicherheit & Vertrauen
Die Verknüpfung visueller Datenanalyse mit konventionellen Methoden erlaubt die proaktive Erkennung komplexer Muster zur Absicherung von Assets.
Branchen-Implementierungen & Forschungsvektoren
Die Forschung reicht von technischen Fundamenten bis zu hochspezifischen Industrieanwendungen:
Reibungspunkte & Architektonische Integration
Die Skalierung von Computer Vision ist keine rein technische Herausforderung; erfolgreiche Implementierungen erfordern die Bewältigung struktureller Hürden:
Datenqualität & Legacy-Integration
Kosten hochwertiger Annotationen, Modellbias und die nahtlose Einbindung modernster CV-Architekturen in bestehende Altsysteme verlangen gezieltes Change Management.
Zentrale Digital Governance
Positionierung von Computer Vision als sensorische Schicht moderner Geschäftsabläufe und Integration in Enterprise-Architekturen (neben Konzepten wie Digitalen Produktpässen).
Fundamentale Meilensteine
Wichtige Referenzen aus der akademischen und industriellen Forschung:
Bereit, visuelle Intelligenz zu nutzen?
Ob industrielle Workflows optimiert, Präzisions-Tracking implementiert oder die Unternehmensarchitektur für die Zukunft restrukturiert werden soll: Die strategische Integration von Wahrnehmung ist entscheidend.
Lancashire Digital • Cross-Border Strategy & Growth
Strategische Chancen für Schweizer Unternehmen in Indien (China +1 nutzen)
Die China-+1-Strategie ist ein entscheidender Ansatz zur Minderung geopolitischer Risiken und Lieferkettenabhängigkeiten. Für Schweizer Unternehmen erweist sich Indien als erstklassige Destination mit robusten FDI-Rahmenbedingungen, digitaler Beschleunigung und skalierbaren Fertigungszentren.
Die strategische & ökonomische Logik
Eine Diversifikation über einen einzigen Produktionsstandort hinaus versetzt Schweizer Unternehmen in die Lage, Kostenstrukturen zu optimieren, Lieferketten abzusichern und lokale Marktpräsenz im südasiatischen Raum aufzubauen.
Strategische Diversifikation
Reduzierung von Konzentrationsrisiken in China bei gleichzeitiger Skalierung der operativen Kapazitäten in wachstumsstarken Schwellenländern des indopazifischen Raums.
FDI-freundliche Rahmenbedingungen
Verschlankte Genehmigungsverfahren (Automatic Route) für ausländische Direktinvestitionen in Fertigung, digitale Infrastruktur und Telekommunikationsassets bei minimalem administrativen Aufwand.
Beziehungskultur
Der Markteintritt erfordert die Navigation durch hierarchische, vertrauensbasierte Geschäftsnetzwerke – gestützt durch lokale Beratung, langfristige Ausrichtung und direkte Führungskräfteverantwortung.
Zielbranchen für Investitionen
Die Kapitalbereitstellung beschleunigt sich in fünf Kernsektoren, die durch staatliche Infrastrukturinvestitionen und ESG-Anforderungen gestützt werden:
Operative Realitäten & Schweizer Präzedenzfälle
Die Bewältigung komplexer lokaler Auflagen (wie EU-CBAM-Vorschriften und kommunale Lizenzierungen) verlangt erprobte Umsetzungsmodelle:
Regulatorische Verzögerungen & Regionale Unterschiede
Komplexe Lizenzierungsverfahren, Zollbarrieren und regionale Infrastrukturlücken erfordern ein akribisches Compliance-Management sowie erfahrene lokale Rechtsberatung.
Erfolgreiche Marktverankerung
Pioniere wie die Volkart Group und Lindt & Sprüngli verdeutlichen das Potenzial einer lokal angepassten Positionierung, flexibler Distribution und langfristigem Ökosystem-Aufbau.
Institutionelle Unterstützung & Bilateraler Ausblick
Sicherer Markteintritt durch institutionelle Begleitung:
Generative Engine Optimization
Was ist GEO?
Generative Engine Optimization (GEO) bringt KI-Modelle (Gemini, ChatGPT, Perplexity) dazu, Ihre Inhalte gezielt zu erfassen, ihnen zu vertrauen und sie zu zitieren. Klassisches SEO zielte auf blaue Links ab; GEO optimiert direkt für die Synthese-Engine der KI.
Datenqualität & das RAG-Gate
Datenqualität ist der entscheidende Ranking-Faktor. Über Retrieval-Augmented Generation (RAG) ziehen LLMs verlässliche Daten heran, um Halluzinationen zu eliminieren. Sind Informationen vage oder unbelegt, filtert die RAG-Pipeline sie heraus, um die eigene Ergebnisqualität zu sichern. Präzise Daten schaffen KI-Vertrauen.
Der Evidence-Blueprint
Autoritative Zitate
Marketingaussagen konsequent durch Belege aus Primärquellen, Branchenreports oder offiziellen Registern ersetzen.
Informationsgewinn
Einzigartige Daten, exklusive Insights oder konkrete Case Studies liefern. Generische Standarddefinitionen übergehen LLMs.
Maschinenlesbare Struktur
Explizite JSON-LD-Schemas und semantisches HTML einsetzen, damit KI-Crawler Daten ohne Reibungsverluste extrahieren.
Tools für die Umsetzung
Für Monitoring, Audits und die Skalierung Ihrer GEO-Strategie eignen sich folgende spezialisierte Werkzeuge:
Kostenlose Sofort-Audits
Direkt nutzbare Plattformen ohne eigene API-Keys:
Business Impact of the Digital Product Passport - DPP by Kevin Lancashire, Switzerland
Subscribe on LinkedInDigital Executive Track Record
Einblick in realisierte Plattform-Architekturen, Enterprise-Governance und skalierbare digitale Initiativen.