Search Grounding
Search Grounding bezeichnet die Technik, bei der ein KI-Sprachmodell seine Antworten mit aktuellen Suchergebnissen aus dem Internet verknüpft, anstatt sich allein auf sein gespeichertes Wissen zu stützen. So kann das Modell auch über Ereignisse berichten, die nach seinem Trainingsende stattgefunden haben.
Ein KI-Sprachmodell weiß nur, was es beim Training gesehen hat. Training bedeutet: Das Modell hat einmal eine riesige Menge Text gelesen und dabei Muster gelernt. Danach ist dieses Wissen eingefroren — neue Ereignisse kennt das Modell schlicht nicht. Search Grounding löst dieses Problem: Bevor das Modell antwortet, ruft es aktuelle Suchergebnisse aus dem Internet ab und zieht diese Information in seine Antwort ein. Das Modell erfindet weniger und bleibt näher an überprüfbaren Fakten.
Das Verfallsdatum gespeicherten Wissens
Jedes Sprachmodell hat einen sogenannten Trainings-Cutoff — einen Stichtag, nach dem es nichts Neues mehr gelernt hat. Das kann Monate oder sogar über ein Jahr in der Vergangenheit liegen. Fragen zu aktuellen Börsenkursen, einem laufenden Gerichtsverfahren oder dem gestrigen Fußballergebnis kann das Modell dann schlichtweg nicht korrekt beantworten.
Hinzu kommt das sogenannte Halluzinieren: Wenn ein Modell etwas nicht weiß, neigt es dazu, trotzdem eine klingende Antwort zu produzieren — die aber falsch sein kann. Search Grounding wirkt dem entgegen, weil das Modell eine externe Quelle zitieren muss, statt aus sich selbst heraus zu spekulieren. Gerade für Anwendungen im Finanz- oder Nachrichtenbereich ist das ein entscheidender Unterschied.
Ablauf: Suchen, Lesen, Antworten
Wenn eine Frage eingeht, entscheidet das System zunächst, ob eine Suche nötig ist. Einfache Sachfragen — etwa nach einer Rechenformel — beantwortet das Modell direkt. Bei zeitabhängigen oder spezifischen Fragen startet es eine Suchanfrage, meist über eine angebundene Suchmaschine.
Die Suchergebnisse — Textausschnitte aus gefundenen Webseiten — werden dann zusammen mit der ursprünglichen Frage an das Modell übergeben. Das Modell liest beides und formuliert eine Antwort, die auf den abgerufenen Inhalten aufbaut. Viele Systeme geben dabei auch Quelllinks aus, damit Nutzerinnen und Nutzer die Information selbst überprüfen können.
Technisch nennt man diesen Ansatz auch Retrieval-Augmented Generation, kurz RAG — zu Deutsch etwa « durch Abruf ergänzte Textgenerierung ». Search Grounding ist die bekannteste Variante davon, bei der die Quelle das offene Web ist. RAG kann aber auch auf private Datenbanken oder Firmenunterlagen zugreifen.
Search Grounding in Produkten und Schlagzeilen
Googles KI-Assistent Gemini nutzt Search Grounding direkt über die Google-Suche. Microsoft hat dasselbe Prinzip in Copilot eingebaut, der auf Bing zurückgreift. Beide Unternehmen bewerben es als Argument gegen das Halluzinations-Problem ihrer Modelle. Perplexity AI ist ein Startup, das Search Grounding zur zentralen Idee seines Produkts gemacht hat: Es funktioniert fast wie eine Suchmaschine, formuliert Ergebnisse aber als zusammenhängenden Text mit Quellenangaben.
In der Tech-Presse taucht der Begriff vor allem dann auf, wenn neue Modelle oder KI-Dienste vorgestellt werden. Dabei wird Search Grounding oft als Qualitätsmerkmal herausgestellt — ein Modell, das suchen kann, gilt als zuverlässiger als eines, das allein auf sein gespeichertes Wissen angewiesen ist. Ob das stimmt, hängt stark von der Qualität der Suchergebnisse ab: Schlechte Quellen liefern schlechte Antworten, auch wenn das Modell sie tadellos zusammenfasst.