Grounding
Grounding bedeutet, dass ein KI-System seine Antworten an überprüfbare Quellen bindet, statt sie frei aus dem Gedächtnis zu formulieren. Das Ziel sind Aussagen, die man nachschlagen und belegen kann.
Ein Chatprogramm wie ChatGPT kann Sätze bilden, die überzeugend klingen, aber falsch sind. Es hat beim Lernen aus riesigen Textmengen Muster aufgeschnappt und gibt oft nur wieder, was plausibel wirkt. Grounding ist der Versuch, das zu verhindern. Dabei bekommt das Programm vor dem Antworten passende Dokumente vorgelegt: eine Webseite, ein Handbuch, eine Tabelle. Es soll seine Antwort dann aus diesem Material ableiten und nicht aus dem eigenen Gedächtnis erfinden. Der englische Begriff heißt wörtlich etwa « erden »: Die Antwort bekommt einen festen Boden.
Warum erfundene Antworten so teuer werden
Sprachmodelle sind Wahrscheinlichkeitsmaschinen. Sie berechnen, welches Wort als nächstes am besten passt. Ob eine Aussage stimmt, prüfen sie dabei nicht. Wenn ein Modell eine Jahreszahl, ein Gesetz oder einen Preis frei erfindet, nennt man das Halluzination. Genau hier setzt Grounding an.
Für Unternehmen ist das der entscheidende Punkt. Eine Bank darf ihren Kunden keine ausgedachten Gebühren nennen. Eine Klinik darf keine erfundene Dosierung ausgeben. Ohne Bindung an Quellen ist ein Sprachmodell für solche Aufgaben schlicht nicht einsetzbar. Deshalb taucht Grounding in fast jeder Produktankündigung großer Anbieter auf.
Ein zweiter Grund ist Aktualität. Ein Modell kennt nur, was bis zum Ende seines Trainings im Internet stand. Diesen Zeitpunkt nennt man Wissensstichtag. Alles danach fehlt. Grounding liefert die fehlenden neuen Informationen nach, ohne dass man das Modell neu trainieren muss.
Vom Suchtreffer zur belegten Antwort
Der übliche Ablauf besteht aus drei Schritten. Zuerst wird aus der Nutzerfrage eine Suchanfrage gebaut. Dann durchsucht das System eine Datenquelle und holt die passendsten Textstücke. Erst danach bekommt das Sprachmodell Frage und Textstücke zusammen vorgelegt, mit der Anweisung, nur daraus zu antworten. Dieses Verfahren heißt Retrieval Augmented Generation, kurz RAG.
Die Suche läuft dabei meist nicht über exakte Stichwörter. Stattdessen werden Texte in lange Zahlenreihen umgerechnet, die ihre Bedeutung abbilden. Zwei Texte mit ähnlicher Bedeutung ergeben ähnliche Zahlenreihen. So findet das System auch dann den richtigen Absatz, wenn im Dokument « Kündigungsfrist » steht und der Nutzer « aufhören » geschrieben hat.
Ein häufiger Irrtum: Grounding macht ein Modell nicht ehrlich, sondern nur besser informiert. Wenn die Suche den falschen Absatz liefert, baut das Modell brav eine falsche Antwort daraus. Deshalb misst man Grounding-Qualität in zwei Teilen. Findet die Suche das Richtige? Und hält sich die Antwort danach wirklich an das Gefundene? Zusätzlich fügen viele Systeme Quellenangaben an, damit Menschen stichprobenartig nachprüfen können.
Fußnoten im Chatfenster
Am sichtbarsten ist Grounding in Suchassistenten. Wenn Google eine KI-Zusammenfassung über den Treffern zeigt oder Perplexity kleine Zahlen hinter die Sätze setzt, sind das Grounding-Belege. Auch die Websuche in ChatGPT und Copilot funktioniert so: erst suchen, dann formulieren.
Im Firmenalltag steckt Grounding vor allem in internen Assistenten. Ein Support-Chatbot greift auf die Produktdatenbank zu, ein Kanzlei-Assistent auf Urteilssammlungen. Solche Systeme werden häufig danach ausgewählt, wie zuverlässig sie Quellen anbinden, nicht danach, wie gut sie Gedichte schreiben.
In Meldungen begegnet dir der Begriff meist im Zusammenhang mit Verlässlichkeit. Wenn ein Anbieter schreibt, ein Modell sei nun « grounded in real-time data », heißt das: Es fragt vor der Antwort eine aktuelle Datenquelle ab. Das ist eine deutlich bescheidenere Aussage, als es klingt. Es garantiert keine Wahrheit, sondern nur eine nachvollziehbare Herkunft der Aussage.