Lancashire Digital • Kevin Lancashire, Oktober 2026

KI & Markenstrategie

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.

Der Kern: Falsche Antworten eliminiert man nicht durch Hoffen, sondern indem man die Quellen kontrolliert. Nur wer weiß, worauf die Modelle zugreifen, kann steuern, was sie sagen.

Das Problem

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.

Budgets

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.

Auswirkungen

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 Fakten

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.

01

Wissenschaftliche Quellen

Modelle erfanden je nach System zwischen 28,6 % und 91,4 % der Zitate² – Referenzen, die echt aussehen, es aber nicht sind.

02

Juristische Fakten

Bei spezifischen, überprüfbaren juristischen Fragen halluzinierten Modelle in 58 % bis 88 % der Fälle Fakten³.

03

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.

Lösungsansatz

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.

Methodik Mehr zum Ansatz: das KI-Antwort-Audit. Technologie Das Werkzeug dahinter (Beta): Seravel.

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 %.)