Wer zum ersten Mal mit einem KI-System recherchiert, macht häufig eine überraschende Erfahrung: Die Antwort kommt sofort, sie klingt flüssig und kompetent — und sie ist gut strukturiert. Der erste Eindruck ist positiv. Erst bei näherer Betrachtung zeigt sich, dass einzelne Fakten nicht stimmen, Quellen nicht überprüfbar sind oder Schlussfolgerungen gezogen wurden, die der Kontext nicht rechtfertigt.

Dieses Muster ist kein Einzelfall. Es beschreibt ein strukturelles Merkmal von KI-Systemen, das jeden betrifft, der KI für Recherchezwecke einsetzt. Wer es kennt, kann damit umgehen. Wer es nicht kennt, übernimmt möglicherweise Informationen, die so nicht stimmen — und trägt dafür die Verantwortung.

Recherche-Kompetenz im Umgang mit KI ist deshalb mehr als die Kenntnis eines nützlichen Tools. Sie ist eine Haltung: die Bereitschaft, KI-Ergebnisse konsequent zu hinterfragen, Quellen einzufordern und das eigene Urteilsvermögen nicht an eine Maschine abzugeben.

 

Warum KI-Recherche anders funktioniert als eine Internetsuche

Der grundlegende Unterschied zwischen einer Suchmaschine und einem KI-System liegt in der Art der Ausgabe. Eine Suchmaschine zeigt Links — sie überlässt es dem Nutzer, die gefundenen Quellen zu lesen, zu bewerten und zu einem eigenen Urteil zu gelangen. Das KI-System tut genau das nicht: Es liefert bereits eine synthetisierte Antwort, in der Informationen aus verschiedenen Quellen zusammengeführt, interpretiert und bewertet wurden.

Das ist einerseits ein erheblicher Vorteil. Was bei einer Suchmaschine eine Stunde Lesearbeit erfordert, kann ein KI-System in Sekunden zusammenfassen. Andererseits entsteht dadurch ein Risiko, das bei der Suchmaschine nicht existiert: Das KI-System kann bei dieser Synthese Fehler machen — und diese Fehler klingen genauso flüssig und überzeugend wie korrekte Informationen. Es gibt keinen offensichtlichen Hinweis darauf, ob eine Aussage zutreffend oder erfunden ist.

Die folgende Übersicht zeigt die wesentlichen Unterschiede zwischen beiden Ansätzen:

 

Merkmal Suchmaschine (z. B. Google) KI-gestützte Recherche
Ausgabeform Liste von Quellen und Links, die der Nutzer selbst auswertet Synthetisierter Text, der Informationen bereits zusammenführt und interpretiert
Quellenangaben Immer vorhanden — jedes Ergebnis ist eine Quelle Abhängig vom Tool: Perplexity liefert Quellen, ChatGPT oft nicht
Aktualität Tagesaktuelle Ergebnisse, sofern die Seite indexiert ist Abhängig vom Modell und Tool: kann veraltet oder ohne Webzugang sein
Halluzinationsgefahr Keine — die Quelle existiert oder nicht Real und systematisch — KI erfindet plausibel klingende Fakten
Interpretationsleistung Keine — der Nutzer wertet die Quellen selbst aus Hoch — KI fasst zusammen, bewertet und zieht Schlüsse
Kritische Prüfpflicht Quellenqualität prüfen; Inhalt selbst lesen Fakten, Quellen und Schlüssfolgerungen immer eigenständig prüfen

 

Aus dieser Gegenüberstellung folgt eine wichtige Konsequenz: KI-gestützte Recherche und klassische Internetrecherche schließen sich nicht aus — sie ergänzen sich. KI eignet sich hervorragend als erster Schritt, um sich einen Überblick über ein Thema zu verschaffen, Zusammenhänge zu verstehen und gezielt Folgefragen zu entwickeln. Die Verifikation konkreter Fakten, Zahlen und Quellen erfordert in der Regel einen zusätzlichen Schritt.

 

Was Halluzinationen sind — und warum sie so schwer zu erkennen sind

Der Begriff „Halluzination“ beschreibt im Kontext von KI-Systemen das Phänomen, dass ein KI-Modell Informationen produziert, die faktisch falsch sind, aber sprachlich korrekt und inhaltlich plausibel klingen. Das Modell „weiß“ nicht, dass es etwas Falsches sagt — es berechnet schlicht die wahrscheinlichste Fortsetzung eines Textes, unabhängig davon, ob sie der Realität entspricht.

Halluzinationen treten nicht zufällig auf. Sie folgen bestimmten Mustern, die es erleichtern, sie zu erkennen:

  • Falsche Quellenangaben: KI-Systeme erfinden gelegentlich Buchtitel, Autorennamen, Studienergebnisse oder URL-Adressen, die so nicht existieren. Diese Angaben klingen authentisch, sind aber bei der Überprüfung nicht auffindbar. Das ist einer der häufigsten und folgenreichsten Halluzinationstypen im Projektalltag.
  • Falsche Zahlen und Statistiken: Konkrete Zahlenangaben — Marktanteile, Studienergebnisse, gesetzliche Fristen, Normbezüge — können vom Modell generiert werden, ohne dass sie einer tatsächlichen Quelle entsprechen. Besonders trist: Die Größenordnung stimmt häufig, der genaue Wert nicht.
  • Veraltete Informationen als aktuelle dargestellt: Viele KI-Modelle haben ein Wissens-Enddatum und wissen nichts über Entwicklungen danach. Wenn sie trotzdem auf aktuelle Fragen antworten, können sie veraltete Informationen als gegenwartsartig darstellen, ohne darauf hinzuweisen.
  • Unzutreffende Schlussfolgerungen: Auch wenn die Einzelfakten korrekt sind, kann die Schlussfolgerung des Modells falsch sein. KI-Systeme verbinden Informationen nach statistischen Mustern, nicht nach fachlicher Logik. Die Verbindung zweier korrekter Aussagen kann dennoch zu einer falschen Schlussfolgerung führen.

Der entscheidende Punkt: Es gibt im Text eines KI-Systems keinen sprachlichen Hinweis darauf, ob eine Aussage korrekt oder halluziniert ist. Beide klingen gleich. Die Prüfpflicht liegt vollständig beim Nutzer. Durch ein geschicktes Prompting, indem die KI gezwungen wird, jede Aussage zu einer Quelle auszuweisen und die Quellenangabe selbst zu prüfen, kann diese Phänomene reduzieren.

 

Fünf Schritte zu einer verlässlichen Recherche-Routine

Eine systematische Prüfroutine lässt sich in fünf Schritten beschreiben. Sie muss nicht für jede einzelne KI-Nutzung vollständig durchlaufen werden — aber für jeden Rechercheprozess, dessen Ergebnis in ein Dokument, eine Entscheidungsvorlage oder eine Kommunikation einfließt.

 

1 Quellen einfordern

Bei jedem Recherche-Prompt sollte die Aufforderung ergänzt werden, Quellen anzugeben. Formulierungen wie „Nenne bitte die Quellen, auf die du dich stützt“ oder „Gib für jede Kernaussage eine überprüfbare Quelle an“ erhöhen die Überprüfbarkeit. Tools wie Perplexity tun das automatisch — bei anderen Tools muss es explizit angefordert werden.

 

2 Fakten und Zahlen gesondert verifizieren

Konkrete Zahlenangaben, Studienergebnisse, gesetzliche Regelungen und Normbezüge sollten immer über eine zweite Quelle überprüft werden — unabhängig davon, wie überzeugend sie im KI-Text klingen. Eine einfache Google-Suche nach dem genannten Wert oder der genannten Quelle genügt in den meisten Fällen, um Fehler aufzudecken.

 

3 Das Tool zum Denken nutzen, nicht zum Entscheiden

KI-Systeme sind ausgezeichnete Denkpartner: Sie helfen, Fragen zu strukturieren, Perspektiven aufzuzeigen, Gegenargumente zu entwickeln und Zusammenhänge zu erklären. Die abschließende Bewertung und Entscheidung gehören jedoch zum Aufgabenbereich des Projektleiters. Wer diese Grenze beachtet, nutzt KI richtig.

 

4 Bei Unsicherheit nachfragen

KI-Systeme reagieren zuverlässig auf Nachfragen wie „Wie sicher bist du bei dieser Aussage?“ oder „Gibt es alternative Einschätzungen dazu?“. Die Antworten auf solche Fragen liefern häufig wichtige Hinweise auf die Zuverlässigkeit der ursprünglichen Aussage — und können zeigen, ob das Modell wirklich fundiertes Wissen abruft oder Plausibles konstruiert.

 

5 Ergebnisse mit Datum versehen

KI-Rechercheergebnisse sollten immer mit dem Datum der Recherche und dem verwendeten Tool dokumentiert werden. Da Modelle aktualisiert werden und Informationen sich ändern, kann das gleiche KI-System sechs Monate später eine andere Antwort auf dieselbe Frage geben. Diese Nachvollziehbarkeit ist insbesondere dann wichtig, wenn das Rechercheergebnis in eine Entscheidungsvorlage oder ein Dokument einfließt.

 

 

Welches Tool für welchen Recherchezweck

Nicht jedes KI-Tool ist für jeden Recherchezweck gleich gut geeignet. Aus der Praxisperspektive haben sich für die Recherche im Projektalltag drei Tools als besonders relevant erwiesen:

Perplexity — wenn Quellenangaben unverzichtbar sind

Perplexity ist derzeit das überzeugendste Tool für Recherche-Aufgaben, bei denen die Nachvollziehbarkeit der Quellen entscheidend ist. Es greift auf aktuelle Webinhalte zu und gibt für jede Kernaussage eine überprüfbare Quelle an. Das reduziert zwar nicht das Risiko, dass eine Quelle selbst fehlerhaft ist — aber es macht die Überprüfung erheblich einfacher. Für die Erstrecherche zu einem neuen Thema ist Perplexity die erste Wahl.

NotebookLM — wenn eigene Dokumente ausgewertet werden sollen

NotebookLM eignet sich hervorragend für die Recherche innerhalb eines definierten Dokumentenbestands. Wer große Mengen eigener Projektdokumentation, Verträge oder Berichte durchsuchen und inhaltlich befragen möchte, erhält hier Antworten, die ausschließlich auf dem hochgeladenen Material basieren. Das eliminiert das Risiko externer Halluzinationen, macht das Tool aber ungeeignet für Fragen, die externes Wissen erfordern.

ChatGPT und Claude — wenn Zusammenhänge verstanden werden sollen

Für das konzeptuelle Durchdenken eines Themas — das Erkunden von Zusammenhängen, das Entwickeln von Gegenargumenten, das Strukturieren einer Fragestellung — sind ChatGPT und Claude besonders stark. Sie sind weniger geeignet für die Verifikation konkreter Fakten, aber ausgezeichnet darin, ein Thema aus verschiedenen Perspektiven zu beleuchten und dem Nutzer zu helfen, die richtigen Fragen zu stellen.

Empfehlung für die Praxis: Ein bewährtes Vorgehen für die KI-gestützte Recherche ist die Zweistufigkeit: Im ersten Schritt wird ChatGPT oder Claude genutzt, um das Thema zu strukturieren und ein Verständnis für die relevanten Fragestellungen zu entwickeln. Im zweiten Schritt wird Perplexity eingesetzt, um konkrete Fakten und Quellen zu recherchieren und zu überprüfen. Diese Kombination verbindet die Stärken beider Ansätze.

 

Ein Recherche-Prompt als Ausgangspunkt

Der folgende Prompt dient als Ausgangspunkt für eine strukturierte KI-gestützte Recherche. Er kann für unterschiedliche Themen angepasst werden — das Grundmuster bleibt stabil:

 

Du bist ein erfahrener Rechercheur mit Schwerpunkt [THEMENBEREICH].  Ich möchte das folgende Thema für einen [Projektbericht / eine Entscheidungsvorlage / eine Risikoanalyse] aufbereiten:  [THEMA ODER FRAGESTELLUNG]  Bitte: 1. Gib einen strukturierten Überblick über das Thema (max. 5 Kernpunkte). 2. Benenne für jeden Kernpunkt eine überprüfbare Quelle. 3. Weise auf bestehende Kontroversen oder unterschiedliche Einschätzungen hin. 4. Nenne Aspekte, bei denen dein Wissen möglicherweise veraltet oder unvollständig ist. 5. Formuliere drei weiterführende Fragen, die für meine Zwecke relevant sein könnten.

 

Die vierte Aufforderung — das Modell zu bitten, auf möglicherweise veraltetes oder unvollständiges Wissen hinzuweisen — ist besonders wertvoll. KI-Systeme tun das von sich aus selten. Wer es explizit anfordert, erhält häufig nützliche Hinweise darauf, wo die eigene Nachrecherche ansetzen sollte.

 

Was Recherche-Kompetenz im Kern bedeutet

Recherche-Kompetenz im Umgang mit KI lässt sich auf einen Grundsatz reduzieren: KI ist ein Denkpartner, kein Faktenlieferant. Sie ist ausgezeichnet darin, Informationen zu strukturieren, Perspektiven aufzuzeigen und Zusammenhänge zu erläutern. Sie ist unzuverlässig darin, die Richtigkeit konkreter Fakten zu gewährleisten.

Wer diese Unterscheidung verinnerlicht, wird KI in der Recherche produktiv und mit gutem Gefühl einsetzen können. Wer sie ignoriert, läuft Gefahr, Informationen zu verwenden, die einer Überprüfung nicht standhalten — mit möglicherweise erheblichen Konsequenzen für Berichte, Entscheidungen und die eigene Glaubwürdigkeit als Projektleiter.

Im nächsten Beitrag dieser Reihe steht das Thema Halluzinationen vertieft im Mittelpunkt: Wie Halluzinationen entstehen, welche Muster sie folgen und wie eine einfache Prüfroutine entwickelt werden kann, die im Projektalltag zuverlässig funktioniert.

 

Andreas Frick ist Geschäftsführer der Projektforum Rhein Ruhr GmbH, IPMA Level A zertifizierter Trainer und Autor der Bücher „Projektkompetenz I & II“ (Springer, 2025). Er begleitet seit Jahren Projektmanagerinnen und Projektmanager auf dem Weg zur IPMA-Zertifizierung und entwickelt praxisnahe Lernformate an der Schnittstelle von Projektmanagement und digitaler Transformation.