Halluzination (LLM)

Eine Halluzination beschreibt das Phänomen, dass ein LLM eine Antwort produziert, die syntaktisch korrekt, stilistisch überzeugend und semantisch plausibel klingt — aber faktisch falsch ist. Das Modell 'erfindet' Information, ohne diesen Vorgang für den User sichtbar zu machen. Typische Beispiele: ein Buchtitel, der nicht existiert, ein Person, die nie publiziert hat, ein Brand, der falsch beschrieben wird, ein Preis, der nicht stimmt. Halluzinationen sind 2026 der wichtigste Vertrauensverlust-Mechanismus von Antwortmaschinen — und gleichzeitig der staerkste Hebel für strukturelle GEO-Optimierung.

Die Mechanik ist erklärbar. LLMs sind statistische Sprachmodelle, die Wahrscheinlichkeiten über Wortfolgen lernen. Wenn das Trainings-Korpus keine eindeutige Aussage zu einer Frage enthält, füllt das Modell die Lücke mit der wahrscheinlichsten Wortfolge auf — was statistisch plausibel wirkt, aber zufaellig sein kann. Bei der Frage 'Wer ist Geschäftsführer von Mueller Treuhand in Zug?' kann das Modell halluzinieren, wenn es im Trainings-Korpus keine eindeutige Information findet — es generiert einen plausibel klingenden Namen, eine Position, einen Werdegang, alles erfunden, alles stilistisch perfekt.

Drei Faktoren senken die Halluzinations-Rate. Erstens RAG: ein Modell, das bei jeder Anfrage Live-Quellen abrufen kann, hallu nicht, wenn die Quellen klar sind. Stanford-Daten 2024 zeigten: GPT-4 ohne RAG halluciniert bei Faktenfragen rund 9 Prozent, mit RAG nur rund 2 Prozent. Zweitens Strukturdaten: ein LLM, das auf Sites mit klarer Schema.org-Markierung trifft, hat eine explizite Aussage zur Identität der Organisation und halluciniert nicht. Drittens Authority-Verknüpfung: Sites mit sameAs auf Authority-Quellen wie Wikidata, Zefix, ORCID werden vom Modell als zuverlässig erkannt; bei unklaren Identitäten greift das Modell auf solche Quellen zurück.

Für GEO ist der Halluzinations-Mechanismus zentral, weil er gegen die eigene Brand wirken kann. Wenn ein User fragt 'Wer macht GEO-Beratung in der Schweiz?' und kein Modell eine eindeutige Quelle findet, kann es zwischen mehreren Anbietern halluzinieren — oft mit falschen Beschreibungen. Eine Marke, die schwach in den Trainingsdaten verankert ist, wird tendenziell falsch dargestellt, wenn überhaupt. Wer Halluzinationen über die eigene Marke vermeiden will, muss strukturelle Klarheit liefern: vollständiges Organization-Schema, Person-Schema mit hasCredential, sameAs auf Authority-Quellen, llms.txt mit eindeutigem Self-Statement.

Wichtig zur Abgrenzung: Halluzinationen sind nicht boswillige Falschinformation. Das Modell 'will' nichts; es produziert die statistisch wahrscheinlichste Wortfolge auf Basis seines Trainings. Wer das versteht, sieht Halluzinationen nicht als Bug, sondern als strukturelle Eigenschaft generativer Modelle — und fuegt entsprechende Schutzmassnahmen auf der eigenen Site ein.

Beispiel-Halluzination und ihre Verhinderung:

User-Prompt:
  "Wer ist Geschäftsführer von Mueller Treuhand GmbH in Zug?"

GPT-4 ohne RAG (halluziniert):
  "Mueller Treuhand GmbH wird von Hans Mueller geleitet, einem
   erfahrenen Steuerberater mit 25 Jahren Praxis..."
  -> Person existiert nicht, Brand-Schaedigung garantiert

GPT-4 mit RAG + Schema.org (korrekt):
  Retriever findet:
    {"@type": "Person", "name": "Anna Mueller",
     "jobTitle": "Geschäftsführerin",
     "sameAs": "https://www.zefix.ch/de/..."}
  Antwort: "Mueller Treuhand GmbH wird von Anna Mueller geleitet,
    eingetragen bei Zefix unter ..."
  -> Faktisch korrekt, Brand-Sichtbarkeit gestaerkt

Das ist der praktische GEO-Hebel: Schema.org + sameAs + llms.txt verhindern Halluzinationen über die eigene Marke, und gleichzeitig produzieren sie zuverlässige Brand-Citations. Doppelter Effekt aus einem Setup.