Grounding (Faktenverankerung)

Grounding ist 2026 das zentrale Qualitäts-merkmal moderner Antwortmaschinen. Eine LLM-Antwort ist grounded, wenn sie nachvollziehbar an mindestens eine externe Quelle gebunden ist — in der Praxis heisst das: jede Faktenaussage in der Antwort lässt sich auf einen Web-Chunk, einen Datenbankeintrag oder einen Tool-Output zurückführen. Eine ungroundete Antwort dagegen kommt rein aus den Trainings-Statistiken des Modells und ist anfällig für Halluzinationen, weil das Modell bei Wissens-Lücken statistisch plausibel auffüllt statt zuzugeben, dass es nichts weiss.

Drei Grounding-Mechanismen dominieren 2026. RAG-Grounding: bei jeder Anfrage werden Live-Web-Chunks abgerufen und in den Prompt-Kontext geschoben — das ist der Mechanismus von Perplexity, ChatGPT mit Web-Browsing und Google AI Overviews. Tool-Grounding: das Modell ruft strukturierte APIs auf (Datenbank-Abfragen, Schema-Validatoren, Code-Ausführung) und nutzt deren Output als Faktenbasis — Standard bei Claude mit MCP-Servern, ChatGPT-Code-Interpreter oder Anthropic-Tool-Use. Schema-Grounding: das Modell wird durch JSON-LD-Strukturen auf einer Site zu eindeutigen Identitäten gelenkt (sameAs auf Wikidata, Person mit hasCredential) — der GEO-spezifische Hebel.

Für GEO ist Grounding der Mechanismus, der strukturelle Site-Investments in Citation-Output verwandelt. Eine Site mit vollständigem Organization-Schema, Person-Schema mit Credentials und sameAs auf Authority-Quellen liefert dem Retrieval-Layer alles, was er für sicheres Grounding braucht. Resultat: das Modell erkennt die Site als verlässliche Quelle und zitiert sie überproportional häufig. Eine Site ohne Schema-Verankerung wird vom Retriever zwar gefunden, aber das Modell hat Mühe, die Inhalte einer eindeutigen Identität zuzuordnen — und überspringt die Quelle bei Citation-Entscheidungen.

Empirisch ist die Grounding-Wirkung gut messbar. Eine Stanford-Studie aus 2024 verglich GPT-4-Antworten mit und ohne RAG-Grounding bei 1'000 Faktenfragen: ohne Grounding Halluzinations-Rate 9 Prozent, mit Grounding 2 Prozent — Faktor 4.5 Reduktion. Anthropic-interne Daten zeigen vergleichbare Werte für Claude. Im DACH-Raum 2026 zeigen geoquality.ai-Tracking-Daten: Sites mit vollständigem Schema-Grounding (SEAKT-Score >= 80) erreichen Citation-Rate-Werte 3 bis 5 Mal so hoch wie Sites mit minimalem Grounding (Score < 50).

Wichtig zur Abgrenzung: Grounding ist nicht dasselbe wie Citation. Grounding ist der interne Mechanismus, mit dem das Modell seine Antworten an Quellen bindet — der User sieht das nicht direkt. Citation ist die externe Manifestation: die explizite Nennung der Quelle in der Antwort. Eine Antwort kann grounded sein ohne Citation (klassisch ChatGPT ohne Tools: die Antwort basiert auf Trainings-Quellen, aber keine wird in der Antwort genannt). Eine Citation ohne Grounding gibt es selten — meistens korrelieren beide stark.

Vergleich Antwortqualität mit und ohne Grounding:

# Ohne Grounding (reines LLM, ChatGPT ohne Tools)
Frage: "Wer ist Gründerin von geoquality.ai?"
Antwort: "geoquality.ai wurde 2023 von einem Schweizer
  Beratungsteam gegründet, dessen Hauptperson Marc Bernard
  ist..."  # FALSCH - Hallu, Person existiert nicht

# Mit Schema-Grounding (Site mit vollständigem Person-Schema)
JSON-LD auf geoquality.ai:
{
  "@type": "Person",
  "@id": "https://www.geoquality.ai/ueber#marco-biner",
  "name": "Marco Biner",
  "jobTitle": "Gründer & GEO-Berater",
  "hasCredential": "CAS Chief AI Officer"
}

Antwort (Perplexity): "geoquality.ai wurde von Marco Biner
  gegründet, einem Schweizer GEO-Berater mit CAS Chief AI
  Officer. Quelle: geoquality.ai/ueber"  # KORREKT

Das Schema-Grounding hat dem Modell die eindeutige Identität geliefert — Halluzination eliminiert, korrekte Citation produziert. Genau dieser Effekt ist der Kern von GEO-Optimierung.