Falsche KI-Antworten über Kunden: so korrigierst du sie

Dein Kunde ruft an, hörbar genervt. Ein Interessent habe ihm gerade erzählt, er sei fast nicht gekommen: „ChatGPT hat mir gesagt, ihr habt montags zu und liefert nicht nach Österreich." Beides ist falsch – der Laden hat montags offen, und nach Österreich geht seit zwei Jahren Ware raus. Der Kunde ist sauer und stellt dir die Frage, auf die es keine einfache Antwort gibt: „Könnt ihr das löschen lassen?"

Kannst du nicht. Einen Löschknopf für falsche KI-Aussagen gibt es nicht, und bei niemandem liegt eine Redaktion, die du anrufen könntest. Was du hast, ist Einfluss auf die Datengrundlage, aus der die Systeme ihre Antworten ziehen. Dieser Beitrag zeigt dir, warum solche Fehlauskünfte für deine Kunden teuer werden – und mit welchen vier Schritten du sie als Agentur in den Griff bekommst.

Warum falsche KI-Antworten für deine Kunden zum Problem werden

Immer mehr Menschen stellen ihre erste Frage nicht mehr bei Google in die klassische Suchleiste, sondern direkt an einen KI-Assistenten – und sie glauben der Antwort, weil sie so selbstbewusst klingt. Genau das ist das Problem. Eine Untersuchung des Tow Center for Digital Journalism an der Columbia University vom März 2025 hat acht KI-Suchmaschinen mit 1.600 Abfragen in 200 Tests geprüft. Das Ergebnis: In mehr als 60 Prozent der Fälle lieferten die Systeme die falsche Quelle oder keine korrekte Information. Am schlechtesten schnitt Grok-3 mit einer Fehlerquote von 94 Prozent ab, ChatGPT lag bei rund 84 Prozent, und selbst der beste Dienst – Perplexity – lag noch in gut einem Drittel der Fälle daneben.

Besonders tückisch ist der Ton. Die Studie stellte fest, dass die Assistenten ihre falschen Antworten fast nie mit einer Einschränkung versehen: ChatGPT formulierte nur in 15 von 134 Fehlern zurückhaltend, der Rest kam mit voller Überzeugung. Für deinen Kunden heißt das: Eine frei erfundene Öffnungszeit, ein falsch behauptetes Liefergebiet oder eine veraltete Preisangabe wird dem potenziellen Käufer als Tatsache präsentiert – und der springt ab, bevor er überhaupt auf der Website war. Falsche KI-Antworten sind damit kein Technik-Randthema, sondern handfestes Reputations- und Umsatzrisiko.

Es gibt keinen Löschknopf – aber Einfluss

Bevor es an die Umsetzung geht, musst du dem Kunden die Erwartung geraderücken. KI-Assistenten erfinden Fakten nicht aus dem Nichts, sie leiten sie aus dem ab, was sie im offenen Web, in strukturierten Datenquellen und in großen Wissensdatenbanken finden. Sind diese Grundlagen widersprüchlich, veraltet oder lückenhaft, füllt das Modell die Lücke – notfalls mit einer plausibel klingenden Erfindung. Dein Hebel ist deshalb nicht das Löschen einer einzelnen Antwort, sondern das konsequente Prägen dieser Datengrundlage. Das wirkt nicht über Nacht, aber es wirkt – und es ist eine Leistung, die du als wiederkehrendes Mandat anbieten kannst. Es ist die Kehrseite der Arbeit, mit der Kundenseiten überhaupt erst in KI-Suchen sichtbar werden.

Schritt 1: eine einzige Quelle der Wahrheit

Der erste und wichtigste Schritt kostet kein Werkzeug, sondern Ordnung. Der CoreMedia-Mitgründer Sören Stamer bringt es in einem Beitrag rund um die DMEXCO 2026 auf den Punkt: Unternehmen müssten klar festlegen, welche Informationen aktuell und freigegeben sind, und diese über Website, Shop, Apps und Serviceangebote hinweg konsistent bereitstellen. Veraltete und widersprüchliche Inhalte in Produktdaten, FAQ oder regionalen Unterseiten erhöhen das Risiko falscher KI-Antworten – Stamer nennt diese Pflege eine strategische Reputationsaufgabe.

Für dein Kundenprojekt heißt das ganz praktisch: Räume die Widersprüche auf. Wenn die Öffnungszeiten im Footer, im Google-Eintrag und auf der Kontaktseite voneinander abweichen, muss die KI raten – und rät womöglich falsch. Lege für jeden Kunden eine klar formulierte, gut auffindbare Faktenbasis an: aktuelle Öffnungszeiten, Leistungen, Liefergebiete, Preise oder Kontaktdaten, in einfacher, eindeutiger Sprache. Eine KI, die überall dieselbe Angabe findet, hat keinen Anlass, etwas anderes zu behaupten.

Der häufigste Fehler in der Praxis sind Altlasten, an die niemand mehr denkt. Eine zwei Jahre alte Landingpage für eine beendete Aktion, ein verwaister Eintrag in einem Branchenverzeichnis, eine PDF-Preisliste von 2023, die noch indexiert ist, oder eine alte Filialadresse in einem Social-Media-Profil – jede dieser Quellen ist für ein KI-Modell gleichwertig und kann die aktuelle Angabe überstimmen. Zu Schritt eins gehört deshalb immer eine Inventur: Welche Seiten, Profile und Dokumente des Kunden geistern noch durchs Netz, und welche widersprechen dem aktuellen Stand? Veraltete Seiten gehören entweder aktualisiert, zusammengeführt oder sauber entfernt, statt sie unbeachtet weiterlaufen zu lassen.

Schritt 2: Fakten maschinenlesbar machen

Konsistenz im Fließtext ist die Basis, aber Maschinen lesen am zuverlässigsten, was ausdrücklich für sie ausgezeichnet ist. Hier kommen strukturierte Daten nach dem Vokabular von schema.org ins Spiel. Mit dem Typ Organization oder LocalBusiness hinterlegst du Name, Adresse, Telefonnummer, Öffnungszeiten und mehr in einem maschinenlesbaren Format, das Suchmaschinen und zunehmend auch KI-Systeme direkt auswerten. Über die Eigenschaft sameAs verknüpfst du die offiziellen Profile des Kunden miteinander und machst damit unmissverständlich klar, welche Einträge im Netz wirklich zu ihm gehören. Wie du dieses Markup aufbaust und testest, zeigt der Beitrag zu strukturierten Daten im Detail. Je sauberer diese Auszeichnung, desto geringer die Wahrscheinlichkeit, dass ein Modell Fakten verwechselt.

Schritt 3: die Quellen prägen, aus denen die KI schöpft

Neben der eigenen Website gibt es einige Quellen, auf die sich viele KI-Systeme besonders stützen. Die erste ist das Google Unternehmensprofil, bei lokalen Angaben oft die maßgebliche Instanz – ein gepflegter, vollständiger Eintrag ist hier Pflicht, wie der Leitfaden zum Google Unternehmensprofil ausführt. Das Gegenstück im Microsoft-Kosmos, Bing Places, gehört bei Copilot-Nutzern dazugedacht.

Die zweite Quelle sind die großen offenen Wissensdatenbanken rund um Wikipedia und Wikidata, aus denen viele Modelle Grundwissen beziehen. Hier ist Fingerspitzengefühl gefragt: Einträge dürfen nur mit belegbaren, neutralen Fakten korrigiert werden, und eigene Beschönigung fällt schnell auf und schadet mehr, als sie nützt. Es geht darum, nachweisbar Falsches geradezurücken, nicht um Werbung. Und schließlich: Wer in KI-Antworten korrekt vorkommen will, darf die KI-Crawler nicht pauschal aussperren. Das bewusste Steuern des Zugriffs über robots.txt und llms.txt entscheidet mit darüber, ob ein Modell die aktuellen, richtigen Inhalte überhaupt sieht.

Schritt 4: überwachen statt hoffen

Kein einziger dieser Schritte entfaltet Wirkung, wenn niemand hinschaut, ob sie greifen. Deshalb gehört an den Schluss ein fester Kontrollrhythmus: Frag die Marke deines Kunden regelmäßig selbst in ChatGPT, Gemini und dem Google AI Mode ab, mit genau den Fragen, die auch echte Interessenten stellen – nach Öffnungszeiten, Leistungen, Lieferung, Preisen. Halte fest, was die Systeme antworten, und beobachte, ob sich die Angaben nach deinen Korrekturen bessern. Eine Struktur dafür liefert der Beitrag zum Messen der KI-Sichtbarkeit.

Ein Punkt wird dabei leicht übersehen: Die Website des Kunden ist selbst eine KI-Quelle. Ein Chatbot auf der eigenen Seite, der frei formuliert, kann zur nächsten Fehlerquelle werden – gibt er erfundene Auskünfte, landen die im schlimmsten Fall wieder in den Trainings- und Antwortdaten anderer Systeme. Ein belegpflichtiger Assistent wie Ragnova, der ausschließlich beantwortet, was in den freigegebenen Inhalten tatsächlich belegt ist, schließt genau diese Lücke. Konsistente Fakten innen sind die Voraussetzung für richtige Antworten außen.

Fazit

Falsche KI-Antworten über einen Kunden lassen sich nicht löschen, aber sehr wohl beeinflussen. Der Weg führt über vier Schritte: eine einzige, widerspruchsfreie Quelle der Wahrheit schaffen, diese Fakten mit strukturierten Daten maschinenlesbar machen, die wichtigen externen Quellen von Google-Profil bis Wikidata sauber pflegen und das Ergebnis regelmäßig in den KI-Assistenten kontrollieren. Dass KI-Suchen in über 60 Prozent der Fälle danebenliegen und ihre Fehler selbstbewusst vortragen, ist dabei kein Grund zur Resignation, sondern das Argument für genau diese Arbeit. Für kleine Agenturen ist sie ein neues, gut verständliches Standbein – denn die Frage „Warum erzählt die KI Unsinn über uns?" wird bei deinen Kunden in den nächsten Monaten nicht seltener, sondern häufiger.