ChatGPT falsch über Ihr Unternehmen? Korrektur in 6 Wochen

Warum gibt ChatGPT falsche Fakten über mein Unternehmen an?

Drei Mechanismen erzeugen falsche Antworten über Unternehmen, und jeder hat seine eigene Korrektur.

Warum das geschäftlich zählt: Laut G2-Studie beginnt etwa die Hälfte der B2B-Softwarekäufer ihre Recherche in KI-Chatbots, und 71 % verlassen sich irgendwann darauf (G2 via PRNewswire). Mehr zu den Grundlagen, auf die diese Systeme zurückgreifen, lesen Sie in wie KI entscheidet, welche Marken sie zitiert.

Welche falschen Antworten rechtfertigen ein Sechs-Wochen-Projekt?

Nur Fehler, die eine Kaufentscheidung verändern oder ein rechtliches Risiko bergen, rechtfertigen ein Projekt; die meisten Fehler sind harmlose Abweichungen.

Die gefährliche mittlere Stufe ist der Geschäftsschaden: falsch genug, um einen Kauf zu verändern, aber nicht falsch genug für einen Gerichtssaal.

Wie dokumentiere ich den Fehler und verfolge seine Quelle zurück?

Zuerst dokumentieren, denn KI-Antworten sind standardmäßig nicht reproduzierbar: Dieselbe Frage liefert in verschiedenen Sitzungen unterschiedliche Antworten.

Woche 1: das Beweisprotokoll mit zehn Prompts.

• 4 Markengrundlagen: „Was ist [Unternehmen]?", „Gibt es [Unternehmen] noch?", „Wem gehört [Unternehmen]?", „Wo hat [Unternehmen] seinen Sitz?"
• 3 Kaufprompts: „[Unternehmen] Preise", „[Unternehmen] vs. [Wettbewerber]", „beste [Kategorie]-Anbieter"
• 3 kritische Prompts: „[Unternehmen] Probleme", „[Unternehmen] Klage", „ist [Unternehmen] seriös?"

Führen Sie alle zehn auf jeder Plattform aus, die Ihre Käufer nutzen (ChatGPT, Gemini, Perplexity, Copilot, Grok), in sauberen oder ausgeloggten Sitzungen, wo möglich mit und ohne Websuche. Halten Sie pro Antwort Datum, Plattform und Modellversion fest, ob die Websuche aktiv war, den vollständigen Text, einen Screenshot und die falsche Aussage wörtlich. Jede spätere Eskalation (eine Wikipedia-Diskussionsseite, ein Anbieterformular, ein Anwalt) fragt danach, was wo und wann gesagt wurde.

Woche 1-2: die Quelle zurückverfolgen.

• Wenn die Antwort Quellen nennt, öffnen Sie jeden zitierten Link. Meist enthält einer Ihre falsche Aussage oder etwas Ähnliches. Diese Seite, nicht der Chatbot, ist das Ziel der Korrektur.
• Eine nützliche Nachfrage: „Welche Quellen behaupten [falsche Aussage] über [Unternehmen]?" Betrachten Sie die Antwort als Hinweise, nicht als Wahrheit, und prüfen Sie jede einzelne.
• Wenn keine Quelle genannt wird und die Antwort ohne Websuche falsch ist, haben Sie es mit Erinnerung aus den Trainingsdaten zu tun. Im Live-Web gibt es dann womöglich nichts zu korrigieren. Veröffentlichen Sie dichtes, korrektes, abrufbares Material, damit suchgestützte Antworten die Erinnerung jetzt überstimmen und ein späterer Modellstand die richtigen Fakten lernen kann.

Schließen Sie mit einer Zeile pro falscher Aussage ab: Aussage, Mechanismus (Erinnerung, Abruf oder Entitätsverwechslung), Quell-URL, falls vorhanden.

Was ist der Correction Stack, und in welcher Reihenfolge arbeite ich ihn ab?

Der Correction Stack besteht aus fünf Schichten, geordnet danach, wie viel Kontrolle Sie haben; er beginnt dort, wo Sie volle Kontrolle und Tempo am selben Tag haben. Die meisten Teams kehren ihn um: Sie drücken auf „Melden" und hören auf. Meldefunktionen der Plattformen sind als Hauptkanal unzuverlässig (Mention Network); es gibt kein veröffentlichtes SLA und keine Pflicht zu handeln.

• Schicht 0: Ihre eigenen Seiten. Eine Über-uns-Seite mit Gründungsjahr, Eigentümern, Status und Standorten in klaren Sätzen; eine Preisseite mit echten Preisen; ein FAQ, das genau die Fragen der Käufer beantwortet; eine llms.txt-Datei für Crawler. Aufwand: Stunden.
• Schicht 1: strukturierte Entitätsdaten. Wikidata-Aussagen mit Belegen, schema.org-Organization-Markup (foundingDate, address, sameAs) und konsistente Fakten auf LinkedIn, in Handelsregistern und auf Profilseiten. Diese Schicht entwirrt Entitätsverwechslungen; siehe unseren Leitfaden zu Wikidata und Knowledge Graph.
• Schicht 2: Korrekturen der Richtigkeit in Wikipedia. Die Quelle mit dem höchsten Gewicht, auf die sich viele Assistenten stützen, und zugleich die, die sich am leichtesten durch Eigenbearbeitung beschädigen lässt. Nur Bearbeitungsanfragen (nächster Abschnitt).
• Schicht 3: Drittquellen. Bitten Sie den Herausgeber des veralteten Artikels um ein Update oder einen Korrekturhinweis und aktualisieren Sie wichtige Profile. Stammt die Aussage aus der Berichterstattung über einen Namensvetter, gibt ein neuer, korrekter Beitrag dem Abruf etwas Besseres zum Zitieren.
• Schicht 4: Plattform-Feedback. Daumen nach unten, Meldeformulare, Datenschutz- und Rechtskanäle. Einmal mit Ihrem Beweisprotokoll einreichen und keine Reaktion nach Plan erwarten.

Die dauerhafte Version dieser Architektur (eigene Seiten, Entitätsschicht, Wikipedia, Monitoring als feste Infrastruktur) ist der AI Reputation Stack.

Kann ich Wikipedia bitten, einen Fehler über mein Unternehmen zu korrigieren?

Ja, über offengelegte Bearbeitungsanfragen auf der Diskussionsseite des Artikels, niemals durch Bearbeiten des eigenen Artikels. Ein Interessenkonflikt (COI) liegt vor, wenn Sie über eine Organisation schreiben, mit der Sie verbunden sind oder von der Sie bezahlt werden; die Richtlinie zu Interessenkonflikten von Wikipedia bittet solche Autoren, Änderungen vorzuschlagen statt sie vorzunehmen, und Bearbeitungen mit Interessenkonflikt werden zurückgesetzt, markiert und archiviert.

1. Legen Sie ein Konto an und legen Sie Ihre Zugehörigkeit offen auf Ihrer Benutzerseite. Wenn Sie bezahlt werden, verlangen die Nutzungsbedingungen der Wikimedia Foundation eine Offenlegung. Unsere Erklärung zur Offenlegung bezahlten Bearbeitens erläutert den Ablauf.
2. Stellen Sie eine Bearbeitungsanfrage auf der Diskussionsseite: Zitieren Sie den falschen Satz, nennen Sie den richtigen Fakt und fügen Sie eine unabhängige, zuverlässige Quelle bei, nicht Ihre eigene Website.
3. Bleiben Sie sachlich und knapp. Unstrittige Korrekturen (Gründungsjahr, Hauptsitz, aktueller Betriebsstatus, ein Wechsel in der Leitung) werden routinemäßig geprüft; Anfragen, die Adjektive aufwerten, nicht.
4. Bei falschen Aussagen über lebende Personen verlangt die Richtlinie zu Biografien lebender Personen die Entfernung schlecht belegter Behauptungen, was gut dokumentierten Anfragen hilft.

Anfragen auf Diskussionsseiten können je nach Seitenaufkommen Tage bis Wochen dauern, und die Wirkung auf KI-Antworten folgt danach dem üblichen Propagationsfenster. Bearbeiten Sie Ihre eigene Seite nicht, um das zu beschleunigen.

Wikidata ist flexibler: Beteiligte Bearbeiter dürfen Aussagen direkt korrigieren, wenn jede Aussage belegt und neutral ist. Prüfen Sie Ihr Item auf ein fälschlich hinterlegtes Auflösungsdatum (eine klassische Wurzel von „KI sagt, das Unternehmen sei geschlossen"), zusammengeführte oder doppelte Datensätze, die Sie mit einem Namensvetter verwechseln, sowie veraltete Funktionsträger oder Websites. Der Knowledge Graph von Google und viele KI-Systeme lesen Wikidata, weshalb dies eine unauffällige, aber wirkungsstarke Korrektur ist.

Was kann der Feedback-Kanal der einzelnen Plattformen tatsächlich leisten?

Keine Plattform bietet ein Formular, um zu ändern, was sie über Ihr Unternehmen sagt; Markenfakten ändern sich vor allem, wenn sich die Quellen hinter den Antworten ändern.

Das sind Beobachtungen aus der Praxis, keine Zusagen der Anbieter. Planen Sie die sechs Wochen um die Schichten 0-3 und behandeln Sie die Buttons als einmalige Einreichung.

Was sollte ich nicht tun?

• Spammen Sie die Feedback-Buttons nicht. Zehnmal Daumen nach unten aus Ihrem Team wirkt wie Missbrauch, nicht wie ein lauteres Signal. Melden Sie einmal, mit Belegen.
• Veröffentlichen Sie keine Gegendarstellung, die die falsche Aussage wiederholt. Ein Beitrag mit dem Titel „Nein, [Unternehmen] hat nicht geschlossen" liefert Abrufsystemen genau die Zeichenfolge, die vergessen werden soll. Nennen Sie den wahren Fakt in Überschriften und strukturierten Daten.
• Gehen Sie bei gewöhnlichen Fehlern nicht zuerst zum Anwalt. Ein falsches Gründungsjahr hat keinen Redakteur, den man verpflichten könnte, und kein einzelnes Dokument, das sich zurückziehen ließe. Eine juristische Prüfung passt zu verleumdungsnahen Ausgaben (erfundene Straftaten, Betrug, Verstöße gegen Vorschriften), besonders wenn sie plattformübergreifend wiederholt werden; dann wird Ihr Beweisprotokoll zur Beweismappe.
• Rufen Sie nicht nach einer einzigen sauberen Antwort den Sieg aus. Streuung bei der Stichprobe erzeugt zufällig richtige Antworten.

Woran erkenne ich, dass die Korrektur gewirkt hat?

Führen Sie dieselben zehn Prompts auf denselben Plattformen in sauberen Sitzungen in den Wochen 2, 4 und 6 erneut aus und stufen Sie jede falsche Aussage ein:

• Behoben: In zwei aufeinanderfolgenden Durchläufen korrekt, mit und ohne Websuche.
• Teilweise: Korrekt, wenn das Modell sucht, aus dem Gedächtnis weiterhin falsch.
• Instabil: Wechselt zwischen richtig und falsch.

Eine ruhige Woche 2 ist normal. „Teilweise" in Woche 4 bedeutet meist, dass Ihre stärksten Quellen aktualisiert wurden, die Entitätsschicht aber noch widerspricht; prüfen Sie dann Schicht 1 erneut. „Instabil" in Woche 6 bedeutet, dass bei der Rückverfolgung eine Quelle übersehen wurde; kehren Sie mit frischen Antworten zum Schritt der Quellenangabe zurück. Nach Woche sechs wechseln Sie mit denselben eingefrorenen Prompts auf einen monatlichen Rhythmus; wenn die manuelle Protokollierung nicht mehr skaliert, lesen Sie unseren Überblick über Tools zum KI-Markenmonitoring.

Einige Fälle lösen sich nicht vollständig:

• Halluzinationen ohne Quelle nennen nichts und passen zu keinem Live-Dokument. Die einzige Gegenmaßnahme ist Dichte: genug konsistente, abrufbare Wahrheit, damit suchgestützte Antworten die Erinnerung überwiegen.
• Verzögerung bei Modellversionen. Ihre Korrektur kann im suchgestützten Modus greifen, während ältere oder Offline-Modi falsch bleiben, bis der Anbieter ein Update ausliefert.
• Namensvetter mit großem Gewicht können die Verwechslung mit jedem neuen Modell zurückbringen. Eindeutige Entitätsdaten senken die Häufigkeit; nichts beseitigt sie.

In diesen Fällen erkennt Monitoring Rückfälle früh und liefert eine datierte Dokumentation dessen, was bestehen bleibt.

So hilft WikiBusines

Wir arbeiten an dem Teil, den Sie beeinflussen können: den Quellen, die Assistenten lesen. Bezahlte Wikipedia-Arbeit wird auf Wikipedia stets im Namen von WikiBusines offengelegt, und wir garantieren weder eine Veröffentlichung noch irgendeine KI-Ausgabe.

• KI-Sichtbarkeits-Audit, €490: was ChatGPT, Gemini, Perplexity, Copilot und Grok heute über Sie sagen, auf welche Quellen sie sich stützen und welche Schicht Sie zuerst korrigieren sollten.
• Wikidata-Entität, ab €680: ein belegter, bereinigter Entitätsdatensatz, der falsche Daten und Verwechslungen mit Namensvettern behebt.
• Wikipedia-Bearbeitung, €700-€1,900, für Richtigkeitskorrekturen an einem bestehenden Artikel, und jährliche Betreuung ab €720/Jahr, damit er korrekt bleibt. Wenn Sie noch keine Seite haben, zeigt das Relevanz-Audit ab €490 (bei Beauftragung innerhalb eines Monats auf die Seitenerstellung ab €2,400 angerechnet), ob eine realistisch ist.

Zum Start kontaktieren Sie uns mit der Aussage, der Plattform und einem Screenshot.