---
title: "Was ist eine KI-Halluzination? Warum LLMs Dinge erfinden"
description: "Eine Halluzination ist eine flüssige, aber falsche oder unbelegte Aussage eines LLM. Warum Modelle raten statt „weiß ich nicht“ zu sagen, und was dagegen hilft."
url: https://broadrouter.com/de/glossary/hallucination/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/hallucination/) (aktualisiert am 2026-11-14).

# Halluzination (KI)

Aktualisiert 2026-11-14

Eine Halluzination ist Output eines Sprachmodells, der plausibel klingt, aber falsch, erfunden oder nicht durch den gegebenen Input gedeckt ist, etwa eine erfundene Quelle, eine falsche Zahl oder eine nicht existierende API. Sie entsteht, weil das Modell wahrscheinlichen Text vorhersagt, statt Fakten zu prüfen.

Auch genannt: Halluzination, KI-Halluzination, LLM-Halluzination, halluzinieren, Konfabulation, hallucination, AI hallucination, LLM hallucination, confabulation

Eine Halluzination liest sich genau wie eine richtige Antwort. Genau das macht sie so teuer.

## So funktioniert es

Ein Sprachmodell schreibt die plausibelsten nächsten Tokens, ausgehend von seinem Training und dem Prompt. Nichts in dieser Schleife gleicht eine Tatsache mit der Welt ab. Kennt das Modell die Antwort nicht, steht trotzdem eine plausibel aussehende zur Verfügung.

Kalai und Kollegen argumentieren in einem Paper von 2025, dass Halluzinationen bestehen bleiben, weil „training and evaluation procedures reward guessing over acknowledging uncertainty“ (Übersetzung: „Trainings- und Evaluierungsverfahren Raten höher belohnen als das Eingeständnis von Unsicherheit“). Die meisten Benchmarks geben für einen richtigen Rateversuch Punkte und für Enthaltung nichts, also werden Modelle zu guten Prüflingen getrimmt. Die Autoren führen die Fehler zudem auf eine statistische Ursache zurück: Kann ein Modell wahre und falsche Aussagen nicht zuverlässig unterscheiden, erzeugt das Pretraining falsche.

Häufige Formen in der API-Arbeit:

-   erfundene Quellenangaben, URLs oder Zitate
-   falsche Zahlen in der Zusammenfassung eines korrekten Dokuments
-   API-Methoden oder Parameter, die es nicht gibt
-   Antworten auf Fragen, die der bereitgestellte Kontext nicht abdeckt

## Warum es wichtig ist

Die Kosten entstehen später: ein Support-Bot, der eine Erstattungsrichtlinie erfindet, ein Bericht mit falscher Summe, Code, der eine fehlende Funktion aufruft. Im Vergleich dazu sind die Gegenmittel günstig:

-   **Die Antwort verankern.** Setzen Sie den Quelltext in den Prompt oder rufen Sie ihn per [RAG](https://broadrouter.com/de/glossary/rag/) ab. Lewis und Kollegen fanden Retrieval-Augmented Generation „factual“ (Übersetzung: „faktentreuer“) als eine Basis, die nur auf Parametern beruht. Siehe [Grounding](https://broadrouter.com/de/glossary/grounding/).
-   **„Weiß ich nicht“ erlauben.** Anthropic nennt die ausdrückliche Erlaubnis, Unsicherheit zuzugeben, als grundlegenden Schritt.
-   **Zitate verlangen, dann prüfen.** Lassen Sie das Modell für jede Behauptung ein stützendes Zitat angeben und streichen Sie Behauptungen ohne Zitat.
-   **Messen.** Bauen Sie ein [Eval](https://broadrouter.com/de/glossary/eval/) mit Fragen, deren Antwort nicht im Kontext steht, und verfolgen Sie, wie oft das Modell trotzdem eine erfindet. [Logprobs](https://broadrouter.com/de/glossary/logprobs/) können Antworten mit geringer Konfidenz markieren, wo die API sie zurückgibt.
-   **Im Code prüfen.** Summen, Datumsangaben und IDs lassen sich ohne Modell verifizieren.

Eine niedrigere [Temperatur](https://broadrouter.com/de/glossary/temperature/) hilft gegen Abdriften in langen Texten, nicht gegen selbstsichere Fehler.

## Bei BroadNet Inference

Die BroadNet-Dokumentation veröffentlicht keine Halluzinationsraten für die Modelle und nennt keine Guardrails oder Funktionen zur Faktenprüfung; diese Kontrollen liegen also in Ihrer Anwendung. Ein großer Kontext hilft beim Grounding: DeepSeek V4.1 Flash und GLM 5.3 nehmen 1.048.576 Tokens pro Anfrage an, genug für vollständige Quelldokumente. Für arabische Retrieval-Pipelines siehe [arabisches RAG](https://broadrouter.com/de/blog/arabic-rag-search/); wie Sie extrahierte Felder mit dem Bild abgleichen, zeigt die [Anleitung zu Rechnungen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/).

## Häufige Fragen

### Warum halluzinieren LLMs?

Sie sind darauf trainiert, wahrscheinlichen Text zu erzeugen, und Kalai und Kollegen argumentieren, dass Training und Benchmarks ein selbstsicheres Raten höher belohnen als das Eingeständnis von Unsicherheit. Ein Rateversuch kann Punkte bringen; „weiß ich nicht“ bringt keine.

### Lassen sich Halluzinationen ganz beseitigen?

Keine Methode beseitigt sie vollständig. Grounding in Dokumenten, die Erlaubnis zu „weiß ich nicht“, Quellenangaben und Prüfungen im Code verringern sie. Laut dem Leitfaden von Anthropic reduzieren die Techniken Halluzinationen, beseitigen sie aber nicht.

### Stoppt eine niedrigere Temperatur Halluzinationen?

Sie verringert zufällige Wortwahl, aber keine selbstsicheren Fehler. Ein Modell kann bei Temperatur 0 jedes Mal dieselbe falsche Antwort geben.

## Siehe auch

-   [Grounding (Quellenbindung)](https://broadrouter.com/de/glossary/grounding/) (Begriff)
-   [RAG (Retrieval-Augmented Generation)](https://broadrouter.com/de/glossary/rag/) (Begriff)
-   [Logprobs (Log-Wahrscheinlichkeiten)](https://broadrouter.com/de/glossary/logprobs/) (Begriff)
-   [Eval (LLM-Evaluierung)](https://broadrouter.com/de/glossary/eval/) (Begriff)
-   [Temperatur (Temperature)](https://broadrouter.com/de/glossary/temperature/) (Begriff)
-   [Guardrails (Leitplanken für LLMs)](https://broadrouter.com/de/glossary/guardrails/) (Begriff)
-   [Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) (Anleitung)
-   [RAG auf Arabisch: Normalisierung, Chunking und Retrieval, die wirken](https://broadrouter.com/de/blog/arabic-rag-search/) (Artikel)
-   [Wie Sie ein LLM vor dem Anbieterwechsel evaluieren](https://broadrouter.com/de/blog/evaluate-llm-before-switching/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-hallucination&utm_content=page-cta) ·

**Quellen**

-   [Kalai et al. (2025), Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664)
-   [Anthropic, Halluzinationen reduzieren](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
