Plattform · Fact Checking
Prüfen Sie, ob die KI die Wahrheit über Sie sagt
Wir ziehen die überprüfbaren Aussagen heraus und gleichen sie mit dem ab, was auf Ihrer offiziellen Website steht.
Die Marken, die wir täglich messen
Die Kennzahlen
Sie zitieren Sie nicht nur: Sie behaupten Fakten über Sie
Wir ziehen die überprüfbaren Aussagen aus den Antworten, gleichen sie mit Ihren offiziellen Quellen ab und sagen, welches Modell sich irrt, bei welcher Art von Aussage und woher der Fehler kommt.
-
Die Fehlerquote ist eine Risikokennzahl
Bei Hunderten Antworten, die je Zeitraum analysiert werden, bedeuten 6 % sachliche Fehler: Jede sechzehnte Antwort trägt eine Angabe, der Ihre eigene Website widerspricht.
599 analysierte Antworten letzte 30 Tage6,3% Fehler- Bestätigt 93,7%
- Falsch 6,3%
-
Welches Modell sich irrt — und worüber
Fehler verteilen sich nicht gleichmäßig: Sie bündeln sich bei einem Assistenten und einer Art von Aussage. Das ist die Zahl, die sagt, wo zuerst anzusetzen ist.
Fehler nach Modell und Aussagetyp falsche Aussagen · nach Typ- Unternehmen
- Produkt
- Leistung
- Modell A 16
- Modell B 8
- Modell C 8
- Modell D 4
- AI Overview 1
-
Jeder Fehler ist eine Zeile, mit Prompt und Modell
Der Aussagetyp ist der Schlüssel zur Priorität: Eine Produkteigenschaft, die es nicht gibt, wiegt auf die Auswahl; eine veraltete Unternehmensangabe wiegt auf die Glaubwürdigkeit.
Sachliche Fehler im Detail Prompt · Typ · Modell- „welches Produkt für Anwendung X“ · Produkt Modell A 1 Fehler
- „gibt es eine Variante Y“ · Produkt Modell C 1 Fehler
- „wer stellt Z her“ · Unternehmen Modell B 1 Fehler
-
Das Urteil kommt mit der autoritativen Quelle
Jeder Fehler trägt die Aussage des Modells, den Widerspruch und die offiziellen URLs, die ihn widerlegen: ohne Quelle ist es eine Meinung, mit Quelle ein Dokument, das Sie in die Freigabe geben können.
Fehler · Quelle der Wahrheit Auszug aus dem Urteil- Nicht vorhandene Produkteigenschaft offizielle Website Falsch
- Veralteter Listenpreis Preisseite Veraltet
- Angegebene Abdeckung ist unvollständig Netzseite Ungenau
-
Die Priorität ergibt sich gewichtet nach Entscheidungsrelevanz
Ein Fehler, den mehrere Assistenten bei einer entscheidungsrelevanten Aussage wiederholen, kommt vor einer einzelnen Ungenauigkeit. In regulierten Branchen bleibt die beobachtete Zahl von der Empfehlung getrennt.
Aussage × Assistent gefundene FehlerProdukt Preis Abdeckung Richtlinie Modell A 62 30 18 10 Modell B 12 44 8 0 Modell C 24 16 34 6 Modell D 8 12 10 0 -
Die Verbesserung lässt sich belegen
Neue Fehler lösen eine Benachrichtigung aus, behobene bleiben in der Historie: Die Wirkung einer Korrektur liest sich auf demselben Prompt-Set ab, Modell für Modell.
Quote sachlicher Fehler letzte 12 Monate24% da 86%- Okt
- Jan
- Apr
- Sep
Eine falsche Angabe, die ein Assistent ausspricht, wiegt wie eine offizielle Mitteilung: Niemand im Unternehmen hat sie geschrieben, alle lesen sie.
Häufige Fragen
Wörtlich aus den überwachten Prompts übernommen. FAQPage-Schema.
Woher kommt die Quelle der Wahrheit?
Aus den offiziellen URLs, die Sie beim Setup angeben, dazu aus Dokumenten, die Sie hochladen. Jedes Urteil nennt die Quellen, auf denen es beruht.
Lässt es sich in der Pharmabranche einsetzen?
Ja, und das ist der am häufigsten nachgefragte Anwendungsfall, mit eigenem Freigabeprozess und nachvollziehbaren Prüfungen.
Kann ich dem Modell eine Korrektur melden?
Einen verlässlichen direkten Weg gibt es nicht. Sie setzen bei den Quellen an, die das Modell zitiert.
Wie oft läuft die Prüfung?
Im selben Rhythmus wie das Monitoring: Neue Abweichungen lösen eine Benachrichtigung aus, behobene bleiben in der Historie.
Testen Sie es mit Ihren eigenen Daten
Starten Sie die 7-tägige kostenlose Testphase selbst (Karte erforderlich, kein Gespräch nötig): Sehen Sie Ihre echten Daten, bevor Sie sich für einen Tarif entscheiden.
