AI Hallucinations und lokale Unternehmen: Risiken und Schutzstrategien

Warum AI Hallucinations für lokale Unternehmen 2026 zum Geschäftsrisiko werden

KI-Assistenten sind zum festen Bestandteil der lokalen Suche geworden. Laut einer internationalen Studie aus den USA nutzen 45 % der Konsument:innen 2026 KI für lokale Geschäftsempfehlungen, gegenüber nur 6 % im Jahr 2025. Damit ist KI dort das eines der wichtigsten Werkzeuge für lokale Empfehlungen, hinter Google und Facebook, aber vor Yelp und TripAdvisor. Diese Verschiebung trifft auch den DACH-Raum: Wenn Kund:innen ChatGPT, Gemini oder Perplexity fragen, wo der nächste Steuerberater, Friseur oder Installateur ist, entscheidet die Antwort der KI über den ersten Kontakt.

Das Problem: Diese Antworten sind nicht immer korrekt. KI-Systeme generieren regelmäßig falsche Informationen über lokale Betriebe. Falsche Öffnungszeiten, erfundene Leistungen oder ausgedachte Telefonnummern können reale Umsatzverluste verursachen. Besonders kritisch ist das Vertrauen, das Nutzer:innen diesen Antworten entgegenbringen: Laut derselben US-Studie vertrauen 63 % der Befragten KI-Empfehlungen, und 64 % der KI-Nutzer:innen vertrauen Tools wie ChatGPT bei lokalen Entscheidungen genauso wie echten Bewertungen. Wer falsch dargestellt wird, verliert Kund:innen, ohne es zu merken.

Auch in Österreich ist KI im Geschäftsalltag angekommen. Laut Statistik Austria nutzten 2024 bereits 20,3 % der Unternehmen ab zehn Beschäftigten KI-Technologien, fast doppelt so viele wie 2023 mit 10,8 %. Lokale Unternehmen stehen also auf beiden Seiten: als KI-Anwender und als potenzielle Opfer fehlerhafter KI-Darstellungen.

Was AI Hallucinations sind und warum sie 2026 nicht gelöst sind

Eine AI Hallucination liegt vor, wenn ein KI-System Informationen mit Überzeugung präsentiert, die faktisch falsch oder frei erfunden sind. Große Sprachmodelle (LLMs) sagen das nächste wahrscheinliche Wort voraus. Fehlen verlässliche Daten, füllen sie die Lücke mit plausiblen Vermutungen statt mit einem ehrlichen "Ich weiß es nicht".

Drei Ursachen sind für lokale Unternehmen besonders relevant:

• Trainingsdaten-Lücken: Kleine Betriebe sind in den Trainingsdaten unterrepräsentiert. Das Modell hat über sie kaum verlässliche Fakten gelernt.
• Data Voids: Bei seltenen Suchanfragen, etwa zu einem Nischenbetrieb in einer Kleinstadt, existiert online wenig autoritativer Content. Diese Datenleere wird mit Vermutungen oder Inhalten von Konkurrenten gefüllt.
• Echtzeit-Web-Pollution: Moderne Chatbots durchsuchen live das Web. Das löst das Problem nicht, sondern verschiebt es. Laut NewsGuard wiederholten zehn führende KI-Tools im August 2025 in 35 % der Fälle Falschinformationen zu aktuellen Themen, gegenüber 18 % im August 2024. Gleichzeitig fiel die Verweigerungsrate von 31 % auf 0 %. Die Modelle antworten also häufiger, aber sie ziehen aus einem verschmutzten Informationsökosystem und behandeln unzuverlässige Quellen als glaubwürdig.

Dass auch kontrollierte Aufgaben Halluzinationen produzieren, zeigt das Vectara Hallucination Leaderboard. Bei der Zusammenfassung vorgegebener Dokumente schwanken die Fehlerquoten je nach Modell von wenigen Prozent bis in den zweistelligen Bereich. Die Modellwahl macht einen großen Unterschied, aber keines ist fehlerfrei.

Wie KI an lokale Unternehmensdaten kommt und wo Fehler entstehen

KI-Systeme erstellen kein eigenes Branchenbuch. Sie aggregieren bestehende Quellen: Google Business Profile, Bing Places, Branchenverzeichnisse, Bewertungsportale, Social-Media-Profile und die eigene Website. ChatGPT mit Websuche stützt sich teils auf Bing-Daten, Google AI Overviews auf den Google-Index.

Fehler entstehen vor allem an zwei Stellen:

• Inkonsistente NAP-Daten: NAP steht für Name, Address, Phone. Wenn der Firmenname auf der Website "Müller GmbH", im Google-Profil "Müller GesmbH" und im alten Herold-Eintrag "Müller & Söhne" lautet, kann die KI nicht eindeutig zuordnen, ob es sich um ein oder mehrere Unternehmen handelt.
• Entity Fragmentation: Widersprüchliche Daten über viele Plattformen verteilt führen dazu, dass die KI das Unternehmen als fragmentierte Entität wahrnimmt. Sie kombiniert dann Fragmente, etwa eine alte Telefonnummer mit einer neuen Adresse, oder überträgt die Leistungen eines Mitbewerbers.

Je widersprüchlicher die Datenlage, desto größer der Interpretationsspielraum und das Risiko erfundener Details.

Konkrete Risikoszenarien für lokale Betriebe

Die folgenden Szenarien sind keine Theorie, sondern direkte Folge von Datenlücken und Inkonsistenzen:

• Falsche Öffnungszeiten: Die KI nennt veraltete oder erfundene Zeiten. Kund:innen stehen vor verschlossener Tür und gehen zur Konkurrenz.
• Erfundene Leistungen: Die KI behauptet, der Betrieb biete Services an, die es nicht gibt, oder verschweigt das Kerngeschäft. Beides führt zu Fehlanfragen und Frust.
• Falsche Adresse oder Telefonnummer: Kund:innen erreichen niemanden oder landen am falschen Ort. Bei einer fremden, übernommenen Nummer profitiert womöglich ein Dritter.
• Ausgedachte Empfehlungen an Mitbewerber: Bei einer Data Void empfiehlt die KI im Zweifel besser dokumentierte Konkurrenten, obwohl der eigene Betrieb passender wäre.
• Erfundene Bewertungen oder Bewertungsinhalte: Die KI fasst Reviews zusammen und erfindet dabei Tonalität oder Details, die so nie geschrieben wurden.

Rechts- und Haftungsrisiken im DACH-Raum

Die Frage, wer für KI-Falschauskünfte haftet, ist auch 2026 nicht abschließend geklärt, gewinnt aber an Kontur. Ein vielzitierter Präzedenzfall ist Moffatt v. Air Canada (Kanada, 2024): Ein Gericht entschied, dass Air Canada für eine falsche Auskunft ihres Website-Chatbots haftet. Das Unternehmen konnte sich nicht darauf berufen, der Bot sei eine eigenständige Rechtsperson. Die Kernlehre: Betreiber eines KI-Systems tragen Verantwortung für dessen Aussagen gegenüber Kund:innen.

Für lokale Unternehmen im DACH-Raum sind zwei Konstellationen zu trennen:

• Eigener Chatbot: Wer selbst einen KI-Assistenten auf der Website einsetzt, haftet im Zweifel wie für jede andere Aussage des Unternehmens. Falschauskünfte können wettbewerbs- und gewährleistungsrechtliche Folgen haben.
• Fremde KI über das eigene Unternehmen: Stellt ChatGPT oder Google falsche Behauptungen über einen Betrieb auf, ist die Rechtslage komplexer. Je nach Inhalt kommen UWG-Aspekte (irreführende oder herabsetzende Aussagen, besonders bei Mitbewerber-Bezug) sowie persönlichkeits- und reputationsrechtliche Fragen in Betracht.

Der EU AI Act erhöht den regulatorischen Druck auf KI-Anbieter zusätzlich, etwa durch Transparenzpflichten. Er nimmt lokale Unternehmen aber nicht aus der Pflicht, die eigene Datendarstellung aktiv zu kontrollieren. In der Praxis ist Prävention günstiger und schneller als jeder Rechtsstreit.

Schutzstrategie 1: Datenkonsistenz als Fundament

Der wirksamste Schutz ist eine vollständige, widerspruchsfreie Datenbasis. Wenn überall dieselben Fakten stehen, gibt es nichts zu halluzinieren.

• NAP-Konsistenz herstellen: Name, Adresse und Telefonnummer müssen auf jeder Plattform exakt identisch geschrieben sein, bis zur Rechtsform und Schreibweise der Straße.
• Google Business Profile vollständig pflegen: Öffnungszeiten, Leistungen, Kategorien, Fotos und Beschreibung aktuell halten. Dieses Profil ist eine der wichtigsten Quellen für KI-Systeme.
• Bing Places nicht vergessen: Da ChatGPT teils auf Bing-Daten zugreift, sollte auch dieses Profil vollständig und gepflegt sein.
• Österreichische Verzeichnisse abdecken: Einträge bei Herold und im WKO-Firmen-A-Z prüfen und aktualisieren. Veraltete Altdaten sind eine häufige Halluzinationsquelle.
• Strukturierte Daten einsetzen: Schema.org-Markup wie LocalBusiness, Organization, OpeningHoursSpecification und PostalAddress liefert KI-Systemen maschinenlesbare, eindeutige Fakten direkt von der eigenen Website.

Schutzstrategie 2: Monitoring der eigenen KI-Darstellung

Was man nicht misst, kann man nicht korrigieren. Eine feste Monitoring-Routine deckt Fehler auf, bevor Kund:innen darüber stolpern.

• Direkt testen: Regelmäßig ChatGPT, Gemini, Perplexity und Google AI Overviews mit realistischen Suchfragen nach dem eigenen Unternehmen, den Leistungen und den Öffnungszeiten befragen.
• Variantenreich fragen: Unterschiedliche Formulierungen und Sprachen testen, da KI je nach Prompt abweichende Antworten gibt.
• Mitbewerber-Empfehlungen prüfen: Kontrollieren, ob die KI bei einschlägigen Anfragen den eigenen Betrieb oder die Konkurrenz nennt.
• Ergebnisse dokumentieren: Antworten mit Datum festhalten, um Veränderungen und wiederkehrende Fehler zu erkennen.

Dass Monitoring nötig bleibt, zeigen die AI Overviews: Laut einer Analyse von Search Engine Land antworteten Google AI Overviews im Februar 2026 in 91 % der Fälle korrekt, gegenüber 85 % im Oktober, womit rund 9 % falsch bleiben. Bei der Datenmenge von Google summieren sich auch kleine Fehlerquoten zu Millionen falscher Antworten.

Schutzstrategie 3: Korrektur und Eskalation

Wird ein Fehler entdeckt, zählt schnelles, strukturiertes Handeln.

• Quelle korrigieren: Zuerst die Datenquelle hinter dem Fehler beheben, etwa einen falschen Verzeichniseintrag oder veraltete Öffnungszeiten im Google-Profil.
• Feedback-Kanäle nutzen: In Google AI Overviews und in den Chatbots gibt es Feedback- und Meldefunktionen für falsche Antworten. Diese gezielt einsetzen.
• Autoritative First-Party-Quelle schaffen: Eine klare, gut strukturierte Seite auf der eigenen Website mit allen Fakten anlegen. Sie dient als verlässlicher Bezugspunkt für künftige KI-Antworten.
• Bei Bedarf eskalieren: Bei hartnäckigen, rufschädigenden oder rechtlich relevanten Falschaussagen die offiziellen Support- und Korrekturwege der Anbieter beschreiten und den Vorgang dokumentieren.

AI-SEO und GEO: Zur bevorzugten richtigen Quelle für KI werden

Generative Engine Optimization (GEO) und AI-SEO zielen darauf, dass KI-Systeme die eigenen, korrekten Inhalte bevorzugen. Statt nur Halluzinationen zu bekämpfen, liefert man der KI proaktiv die beste Grundlage.

• Klar strukturierte Inhalte: Eindeutige Überschriften, kurze Absätze und direkte Antworten auf typische Kundenfragen machen es der KI leicht, korrekte Aussagen zu zitieren.
• Faktendichte erhöhen: Konkrete, überprüfbare Angaben zu Standort, Leistungen, Preisrahmen und Spezialisierung verankern.
• Lokale Signale stärken: Ortsbezug, Einzugsgebiet und regionale Relevanz explizit benennen, gerade für österreichische Betriebe mit lokalem Fokus.
• Konsistenz über alle Kanäle: Website, Profile und Verzeichnisse müssen dieselbe Geschichte erzählen, damit die KI eine eindeutige Entität erkennt.

Reputationsmanagement und Bewertungen als Schutzschild

Aktuelle, konsistente Bewertungen stabilisieren die KI-Darstellung, weil sie eine breite, übereinstimmende Datenbasis schaffen. Je mehr verlässliche Reviews vorliegen, desto weniger Raum bleibt für erfundene Details.

• Aktiv um Bewertungen bitten: Zufriedene Kund:innen gezielt zu Bewertungen einladen, vor allem auf Google.
• Auf Bewertungen reagieren: Antworten liefern zusätzlichen, konsistenten Kontext, den KI-Systeme aufgreifen können.
• Tonalität verstehen: Da KI Reviews zusammenfasst, prägen wiederkehrende Themen das KI-Bild des Betriebs.

Die Verifikation durch Nutzer:innen bleibt dabei eine zweite Sicherheitsebene: Laut der US-Studie prüfen 42 % der KI-Nutzer:innen Empfehlungen immer auf nativen Bewertungsplattformen. Stimmen KI-Aussage und echte Reviews überein, festigt das den ersten Eindruck. Klaffen sie auseinander, ist das Vertrauen schnell verloren.

Häufige Fehler

• Datenpflege als einmalige Aufgabe behandeln: Profile veralten. Ohne regelmäßige Aktualisierung kehren Inkonsistenzen zurück.
• Nur Google beachten: Bing, Verzeichnisse und die eigene Website werden vernachlässigt, obwohl sie KI-Quellen sind.
• Kein Monitoring: Fehler bleiben unentdeckt, bis ein Kunde sich beschwert oder ausbleibt.
• Alte Verzeichniseinträge ignorieren: Veraltete Herold- oder Branchenbucheinträge mit falscher Nummer oder Adresse bleiben als Halluzinationsquelle bestehen.
• Auf eine Plattform vertrauen: Da Modelle unterschiedlich halluzinieren, reicht es nicht, nur ein KI-Tool zu prüfen.

Metriken und Messung

Schutzmaßnahmen brauchen messbare Indikatoren:

• NAP-Konsistenzquote: Anteil der Plattformen mit exakt übereinstimmenden Stammdaten.
• KI-Genauigkeitsrate: Anteil korrekter Antworten in regelmäßigen Tests über mehrere KI-Tools.
• Fehlerbehebungszeit: Zeit von der Entdeckung einer Falschaussage bis zur korrigierten Quelle.
• Schema-Abdeckung: Anteil relevanter Seiten mit valider LocalBusiness-Auszeichnung.
• Review-Aktualität und -Volumen: Anzahl und Aktualität der Bewertungen als Stabilitätsindikator.

Praxis-Checkliste: Sofort vs. laufend

Sofortmaßnahmen:

• Google Business Profile prüfen: Öffnungszeiten, Adresse, Telefon, Leistungen verifizieren.
• NAP-Daten abgleichen: Website, Google, Bing, Herold und WKO auf identische Schreibweise kontrollieren.
• KI-Schnelltest: Eigenes Unternehmen in ChatGPT, Gemini, Perplexity und Google AI Overviews abfragen.
• Schema.org ergänzen: LocalBusiness-Markup auf der Website implementieren.

Laufende Maßnahmen:

• Monatliches KI-Monitoring: Feste Routine über mehrere Tools.
• Quartalsweiser Datenaudit: Alle Profile und Verzeichnisse aktualisieren.
• Aktives Review-Management: Bewertungen einholen und beantworten.
• Korrektur-Workflow: Klarer Prozess für Fund, Meldung und Behebung von Falschaussagen.

Weiterführendes

AI Hallucinations sind kein vorübergehendes Phänomen, sondern eine strukturelle Eigenschaft heutiger KI-Systeme. Lokale Unternehmen können sie nicht abschalten, aber das Risiko deutlich senken. Wer Datenkonsistenz, Monitoring und schnelle Korrektur kombiniert, wird für KI zur klar erkennbaren, korrekt dargestellten Entität. Sinnvolle nächste Schritte sind ein vollständiges Local-SEO-Setup, die Implementierung strukturierter Daten und der Aufbau einer festen GEO-Routine, damit die KI die eigenen Fakten bevorzugt und nicht erfindet.