Zuletzt aktualisiert September 2026
Am 6. August 2026 brachte OpenAI GPT-5.6 (in den Varianten Sol, Terra und Luna) als neue Standardmodell-Familie für ChatGPT auf den Markt, laut OpenAI und Berichterstattung von Releasebot. Free- und Go-Nutzer erhielten Luna, mit unbegrenzten Text-Chats und einem neuen Think-Button. Plus- und Pro-Nutzer erhielten Sol, mit einem Reasoning-Effort-Regler und einem zentralen Versprechen: verlässlichere Fakten.
Das ist eine Marketingaussage eines Modellanbieters. Es ist aber auch ein Signal. Wenn OpenAI faktische Verlässlichkeit aufs Etikett schreibt, hört Halluzination auf, eine Fußnote aus der Forschung zu sein, und wird zu einer Kennzahl, die Käufer von Anbietern erwarten. Die Marken-Halluzinationsrate ist genau diese Kennzahl, angewendet auf deine eigene Marke.
Warum diese Kennzahl existiert
Die meisten KI-Antworten über deine Marke transportieren gar keine Meinung. Eine Analyse von 1,8 Millionen markenerwähnenden KI-Antworten aus Februar 2026 ergab: 80,6 % waren neutral-deskriptiv, 18,4 % positiv und etwa ein Prozent negativ.
Diese Verteilung ist wichtiger, als sie aussieht. Wenn vier von fünf Antworten nüchterne, faktisch klingende Beschreibungen sind, übernehmen die Fakten in diesen Antworten die Rolle, die sonst das Sentiment spielt. Ein neutraler Satz mit deinem falschen Preis richtet mehr Schaden an als ein offen negativer, weil er objektiv wirkt. Es gibt keinen Grund, daran zu zweifeln.
Ein selbstbewusst präsentierter, falscher „Fakt”, oft genug über erhobene Antworten wiederholt, bestimmt monatelang, wie KI deine Marke beschreibt. Die Halluzinationsrate zeigt dir das, bevor ein Käufer es merkt.
Die Formel
Führe ein festes Set markenrelevanter Prompts über deine Ziel-Engines aus. Prüfe für jede Antwort jeden Claim über deine Marke gegen deine aktuelle Quelle der Wahrheit: deine Preisseite, deine Produktdokumentation, deine Team-Seite, deine Compliance-Seite. Markiere die Antwort als halluziniert, wenn ein Claim diese Prüfung nicht besteht.
Ein Rechenbeispiel
Angenommen, du führst 12 Prompts über deine Marke jeweils 10 Mal in ChatGPT aus. Das ergibt 120 erhobene Antworten.
| Prompt | Erhobene Durchläufe | Halluzinierte Antworten | Beispiel für einen falschen Claim |
|---|---|---|---|
| „Was kostet [Marke]?“ | 10 | 4 | Nennt eine eingestellte Preisstufe |
| „Welche Features hat [Marke]?“ | 10 | 2 | Behauptet ein Feature, das nie veröffentlicht wurde |
| „Wer hat [Marke] gegründet?“ | 10 | 1 | Nennt eine ehemalige Führungsperson als aktuellen CEO |
| „Ist [Marke] SOC-2-konform?“ | 10 | 3 | Behauptet, es gebe keine Zertifizierung, obwohl eine existiert |
| „Wie schneidet [Marke] im Vergleich zu [Wettbewerber] ab?“ | 10 | 0 | Kein Sachfehler gefunden |
| Übrige 7 Prompts (je 10 Durchläufe) | 70 | 5 | Gemischte Preis- und Feature-Fehler |
| Gesamt | 120 | 15 |
Halluzinationsrate = (15 ÷ 120) × 100 = 12,5 %
Diese einzelne Zahl sagt dir für sich genommen fast nichts. Die Aufschlüsselung nach Prompt und Claim-Typ zeigt dir, wo du zuerst am Quellmaterial ansetzen musst: In diesem Beispiel sind Preise und Compliance-Status deine zwei schwächsten Kategorien, und genau dort fällt die Kaufentscheidung.
Checkliste: Zu prüfende Claim-Typen
Prüfe jede erhobene Antwort gegen mindestens diese fünf Claim-Kategorien. Jede davon entspricht einer Entscheidung, die ein Käufer trifft, ohne jemals deine Website zu besuchen.
- Preise. Aktuelle Plan-Namen, Beträge und Abrechnungsbedingungen. Preise ändern sich schnell, und veraltete Antworten sind der häufigste Halluzinationstyp.
- Features. Was das Produkt kann und was nicht. Das schließt sowohl erfundene Features als auch Features ein, die du inzwischen entfernt hast.
- Führung. Aktuelle Gründer und Führungspersonen. KI-Engines nennen häufig einen ehemaligen CEO oder eine übernommene Gründerin, als würden sie das Unternehmen noch leiten.
- Compliance- und Zertifizierungsstatus. Angaben zu SOC 2, HIPAA, DSGVO und Ähnlichem. Eine falsche Antwort kann dich hier schon von einer Beschaffungs-Shortlist ausschließen, bevor ein Mensch den Deal überhaupt prüft.
- Integrationen und Partnerschaften. Mit welchen Tools sich dein Produkt verbindet. Ein falscher Integrationsclaim weckt bei Käufern eine Erwartung, die du bei der Implementierung nicht erfüllen kannst.
Protokolliere jeden Fehlschlag mit Prompt, Engine, Datum und dem genauen falschen Claim. Genau dieses Protokoll macht aus einer einzelnen Halluzinationsraten-Zahl einen umsetzbaren Plan zur Quellenkorrektur.
Nach jedem Modellwechsel neu kalibrieren
Eine Halluzinationsrate ist nur mit einer Halluzinationsrate vergleichbar, die auf demselben Modell gemessen wurde.
Dass GPT-5.6 am 6. August 2026 zum Standardmodell von ChatGPT wurde, hat die Baseline für jede Marke zurückgesetzt, die ChatGPT-Antworten trackt. Eine Rate von 12 %, gemessen unter dem alten Standardmodell, und eine Rate von 8 %, gemessen unter Sol oder Luna, sind kein Beleg dafür, dass sich dein Content verbessert hat. Sie sind ein Beleg dafür, dass sich das Modell geändert hat.
Behandle das als laufendes Protokoll, nicht als einmalige Notiz. Jedes Mal, wenn ChatGPT, Perplexity, Google AI Overviews, Gemini oder Microsoft Copilot ein Standardmodell wechselt, fügst du eine Zeile hinzu, führst dein Prompt-Set erneut aus und setzt das Startdatum deiner Trendlinie zurück. Das vollständige Re-Baselining-Protokoll, inklusive einer Schritt-für-Schritt-Checkliste, um einen Modelleffekt von einer echten Content-Korrektur zu unterscheiden, findest du unter So prüfst du, ob ChatGPT deine Marke so beschreibt, wie du es beabsichtigst.
Wohin sich das entwickelt
OpenAI ist nicht der einzige Anbieter, der bald darüber konkurriert. Sobald ein großes Labor faktische Verlässlichkeit als Kernfeature bewirbt, wird die Halluzinationsrate zu einer benchmarkten, öffentlich verglichenen Zahl über Engines hinweg, so wie zuvor Latenz und Context Window zu Vergleichspunkten wurden. Marken mit einer Halluzinationsraten-Baseline, bevor dieser Vergleich zum Mainstream wird, sind die, die ihre Aussagen mit einer Zahl belegen können.
Fang jetzt an zu tracken, nicht erst, wenn dich der erste öffentliche Benchmark dazu zwingt.
Tools, die das tracken
AthenaHQ veröffentlicht Markenclaim- und Halluzinationserkennung als benanntes Feature, gebaut für Teams, die eine direkte Antwort auf „Hat die KI etwas Falsches über uns behauptet” wollen, ohne die Audit-Pipeline selbst zu bauen.
Evertune führt jeden Prompt bis zu 100 Mal pro Modell aus, bevor es eine Zahl meldet: genau die Erhebungstiefe, die eine Halluzinationsrate braucht, um mehr als eine Vermutung zu sein. Dieses Volumen macht die Genauigkeits-Dashboards statistisch belastbar statt nur richtungsweisend.
Temso enthält Halluzinations- und Genauigkeits-Monitoring in jedem Plan, ab 89 €/Monat, innerhalb einer All-in-one-Plattform, die auch Share of Voice, Sentiment und Zitierungen trackt. Es passt für Teams, die die Genauigkeitsprüfung im selben Abo haben wollen wie die Content-Korrektur.
Profound bietet Claim-Level-Erkennung im Enterprise-Maßstab, mit einer Zitierungszuordnung, die tief genug ist, um einen halluzinierten Claim bis zum Quellmaterial zurückzuverfolgen, das ihn wahrscheinlich verursacht hat. Es passt für Teams, die die Halluzinationsrate an ein Board berichten.
Der vollständige Vergleich, wie jede Plattform Genauigkeit und Claim-Level-Monitoring handhabt, steht unter /rankings/ai-visibility-tools. Verwandte Begriffe, darunter Grounding und Share of Voice, sind unter /glossary definiert.
Wende die Formel oben diese Woche auf deine eigene Marke an: 10 bis 12 Prompts, jeweils 10 Durchläufe, geprüft gegen deine aktuellen Preise, Features, Führung und deinen Compliance-Status. Fällt die Zahl höher aus, als du erwartet hast: Temso trackt die Halluzinationsrate neben dem Rest deiner AI-Visibility-Kennzahlen und macht aus jedem markierten Claim eine Aufgabe zur Quellenkorrektur, ab 89 €/Monat.