Stellen Sie sich vor, Ihr KI-Assistent empfiehlt Ihnen einen Lieferanten, der schlicht nicht existiert. Oder er zitiert eine Norm, die niemand je verabschiedet hat. Klingt nach einem Randproblem? Ist es nicht. KI-Halluzinationen sind 2026 noch immer Alltag - trotz GPT-5, Claude Opus 4 und all den anderen Frontier-Modellen, die mittlerweile verfügbar sind. Und während die Technologie in Rekordtempo in Produktionsprozesse einzieht, wächst das Risiko mit.
Genau hier setzt ein Ansatz an, der auf den ersten Blick wenig mit Fabrikhallen zu tun hat: Bibliotheksdaten. Konkret die Gemeinsame Normdatei (GND) der Deutschen Nationalbibliothek - ein strukturiertes Wissensnetzwerk, das jahrzehntelang im Verborgenen gearbeitet hat und jetzt plötzlich für KI-Entwickler hochinteressant wird.
Was KI-Halluzinationen für die Industrie bedeuten
Unternehmen bringen Künstliche Intelligenz in Rekordtempo in die Produktion, doch Halluzinationen nehmen zu, Projekte scheitern an der Skalierung und klassische Testmethoden stoßen an ihre Grenzen. Das ist kein akademisches Problem mehr.
KI-Halluzinationen sind sachlich falsche Ausgaben, die Sprachmodelle mit hoher Überzeugung formulieren: Ein Chatbot erfindet eine Paragrafennummer, die nicht existiert. Ein KI-Assistent nennt einen Produktpreis, den es nie gab. Ein automatisierter Bericht zitiert eine Studie, die niemand geschrieben hat.
Für Einkäufer und Produktionsplaner ist das besonders heikel. Wer KI-gestützte Systeme für Lieferantenrecherche, Spezifikationsprüfung oder Compliance-Checks einsetzt, verlässt sich auf Ausgaben, die er oft nicht in Echtzeit gegenprüfen kann. In Finanzen, Recht oder Kundenberatung ist das kein theoretisches Problem, sondern ein operatives Risiko mit Haftungsfolge. In der Produktion gilt dasselbe - nur dass hier Fehlentscheidungen manchmal erst Wochen später sichtbar werden, wenn eine Charge bereits ausgeliefert ist.
Laut einer Vectara-Studie erfinden selbst die besten Sprachmodelle in mindestens 0,7 % aller Antworten Fakten - bei schlechteren Modellen liegt die Quote über 25 %.
Dass Halluzinationen kein vorübergehendes Phänomen sind, bestätigt die Forschung: OpenAI hat nachgewiesen, dass Halluzinationen bei großen Sprachmodellen mathematisch unvermeidbar sind, verursacht durch epistemische Unsicherheit bei seltenen Trainingsdaten, Modellbeschränkungen und rechnerische Unlösbarkeit bestimmter Aufgabentypen.
Regulatorischer Hinweis: Seit Februar 2025 verlangt der EU AI Act in Artikel 4 eine ausreichende KI-Kompetenz bei allen Mitarbeitenden, die mit KI-Systemen arbeiten. Dazu gehört ausdrücklich die Fähigkeit, Halluzinationen zu erkennen und KI-Ausgaben kritisch zu bewerten. Die Bußgeldvorschriften greifen ab August 2026.
Die GND: Ein Wissensnetz, das Jahrzehnte gereift ist
Hier kommt die Deutsche Nationalbibliothek ins Spiel - und mit ihr ein Werkzeug, das Bibliothekare seit Jahrzehnten kennen, das aber außerhalb dieser Welt kaum jemand auf dem Radar hat.
Die Gemeinsame Normdatei (GND) ist ein Dienst, um Normdaten kooperativ nutzen und verwalten zu können. Diese Normdaten repräsentieren und beschreiben Entitäten - also Personen, Körperschaften, Konferenzen, Geografika, Sachbegriffe und Werke, die in Bezug zu kulturellen und wissenschaftlichen Sammlungen stehen.
Was das in der Praxis bedeutet: Die Gemeinsame Normdatei enthält rund 9,1 Millionen Datensätze, die von Bibliotheken, Archiven, Museen und Forschungseinrichtungen aus Deutschland, Österreich und der Schweiz kooperativ gepflegt werden. Jede Entität erhält in der GND einen eindeutigen und stabilen Bezeichner (die GND-ID). Die Normdaten können dadurch sowohl untereinander als auch mit externen Datensätzen und Webressourcen verknüpft werden.
Das klingt nach Bibliotheksverwaltung - ist aber in Wirklichkeit ein strukturierter Wissensgraph. Und genau das macht ihn für KI-Anwendungen interessant.
Die GND bietet sich mit ihren strukturierten Daten als Infrastruktur an, um Recherchen mit und ohne KI-Unterstützung zu verbessern. Barbara Fischer und Jürgen Kett von der Deutschen Nationalbibliothek erläutern in einem aktuellen Gespräch mit dem Heise-Magazin c't, welche Rolle KI-Sprachmodelle für die GND spielen - und umgekehrt.
Photo: Google DeepMind / UnsplashWie strukturierte Daten Halluzinationen bremsen
Der technische Ansatz dahinter heißt Retrieval-Augmented Generation (RAG). Das Prinzip: Statt sich allein auf das im Modell gespeicherte Wissen zu verlassen, zieht das KI-System bei jeder Anfrage externe, verifizierte Wissensquellen hinzu.
RAG ist ein hybrides KI-Framework, das generative Sprachmodelle mit klassischen Information-Retrieval-Ansätzen kombiniert. Das Ziel ist es, präzisere, kontextbezogene und faktengestützte Texte zu erzeugen. Dazu wird bei jeder Nutzeranfrage an ein KI-Modell eine oder mehrere externe Wissensquellen dynamisch hinzugezogen.
Durch den Rückgriff auf externe Wissensquellen sinkt die Gefahr faktischer Fehler. Und genau hier liegt das Potenzial der GND: Sie liefert nicht nur Fakten, sondern strukturierte, maschinenlesbare Fakten mit eindeutigen Identifikatoren. Das ist ein entscheidender Unterschied zu unstrukturierten Texten aus dem Web.
Durch die Einbettung der KI-Antworten in einen strukturierten Wissensgraphen und eine Validierung anhand eines umfassenden Wissensmodells reduziert sich die Wahrscheinlichkeit von RAG-Halluzinationen deutlich. Dies führt zu präziseren, vertrauenswürdigen und handlungsrelevanten Erkenntnissen, die für die unternehmerische Entscheidungsfindung wesentlich sind.
Je sauberer und strukturierter die zugelieferten Daten, desto hochwertiger, gezielter und glaubwürdiger die KI-Ausgabe. Die GND erfüllt genau diese Anforderung: Jahrzehntelang kuratierte, eindeutig referenzierbare Entitäten - kostenlos nutzbar unter Creative-Commons-Zero-Lizenz.
Was das für Einkauf und Produktion bedeutet
Für Industrieunternehmen, die KI-Systeme einsetzen oder evaluieren, ergeben sich daraus konkrete Schlussfolgerungen:
1. Datenqualität vor Modellgröße Die Halluzinationsrate eines KI-Systems hängt weniger vom Modell ab als von der Qualität der Wissensbasis, auf die es zugreift. Wer KI für Lieferantenrecherche, Normprüfung oder Marktanalysen einsetzt, sollte zuerst fragen: Welche verifizierten Datenquellen sind angebunden?
2. Strukturierte Daten als Anker Für den Einsatz von Retrieval Augmented Generation im Unternehmen werden strukturierte Daten, klare Zugriffsregelungen und eine durchdachte Nutzung entscheidend. Öffentliche Normdatenbanken wie die GND können hier als vertrauenswürdiger Anker dienen - gerade für Entitäten wie Unternehmensnamen, Geografika oder Fachbegriffe.
3. Mensch bleibt Endredakteur RAG kann typische Schwächen generativer KI - etwa sogenannte Halluzinationen - reduzieren, jedoch nicht vollständig ausschließen. Wer das vergisst und KI-Ausgaben ungefiltert in Prozesse einspeist, trägt das volle Risiko. Die beste KI-Implementierung ist die, in der Mensch und Maschine zusammenarbeiten - nicht die, in der die Maschine allein entscheidet.
4. Öffnung der GND als Chance Zukünftig will die GND-Kooperative den Kreis der Nutzer und Nutzerinnen erweitern und sich verschiedenen Anwendern aus Kultur und Wissenschaft öffnen: Auf der Grundlage eines mehrjährigen Entwicklungsprogramms soll ein spartenübergreifendes Produkt entstehen. Das ist eine Entwicklung, die auch Industrieunternehmen im Blick behalten sollten - denn je breiter die GND wird, desto nützlicher wird sie als Referenzdatenbasis für KI-Systeme.
Was ist eine KI-Halluzination?
KI-Halluzinationen sind sachlich falsche Ausgaben, die Sprachmodelle mit hoher Überzeugung formulieren – zum Beispiel erfundene Lieferanten, nicht existierende Normen oder frei erfundene Studienergebnisse. Sie entstehen, weil das Modell Lücken in seinem Training mit statistisch wahrscheinlichen, aber falschen Informationen füllt.
Was ist die Gemeinsame Normdatei (GND)?
Die GND ist eine von der Deutschen Nationalbibliothek gehostete, kooperativ gepflegte Datenbank mit rund 9 Millionen Datensätzen zu Personen, Organisationen, Orten, Sachbegriffen und Werken. Jeder Eintrag hat eine eindeutige GND-ID. Die Daten sind kostenlos unter CC0-Lizenz nutzbar.
Was ist RAG und wie hilft es gegen Halluzinationen?
Retrieval-Augmented Generation (RAG) ist ein Ansatz, bei dem ein KI-Modell bei jeder Anfrage externe, verifizierte Wissensquellen hinzuzieht, statt sich nur auf sein internes Training zu verlassen. Das reduziert Halluzinationen deutlich, eliminiert sie aber nicht vollständig.
Ist die GND für Industrieunternehmen direkt nutzbar?
Ja. Die GND-Daten sind frei verfügbar (CC0) und maschinenlesbar in Formaten wie RDF, JSON-LD und MARC 21. Entwickler können sie als Wissensquelle in RAG-Systeme integrieren, etwa zur Validierung von Unternehmensnamen, geografischen Angaben oder Fachbegriffen.
Fazit: Der unerwartete Verbündete
Bibliotheken und Industrie - das klingt nach einer unwahrscheinlichen Allianz. Aber der Kern des Problems ist derselbe: Wer mit KI arbeitet, braucht verlässliche, strukturierte Fakten als Anker. Die GND liefert genau das - jahrzehntelang kuratiert, eindeutig referenzierbar, kostenlos nutzbar.
Das bedeutet nicht, dass jedes Industrieunternehmen morgen eine Schnittstelle zur Deutschen Nationalbibliothek bauen sollte. Aber es lohnt sich, beim nächsten KI-Projekt die entscheidende Frage zu stellen: Welche verifizierten Datenquellen stehen hinter den Antworten meines Systems? Und wer prüft, ob die Ausgabe stimmt?
Denn wie es ein KI-Experte treffend formuliert: Die Frage ist nicht, ob Ihr System halluziniert. Die Frage ist, ob Sie es merken, wenn es passiert.
