Der KI-Output-Reliabilitätsprüfer: Jeden KI-generierten Bericht in einen faktengeprüften, verifizierten Entwurf verwandeln

Wer eine KI bittet, "das nochmal gegenzuchecken", bekommt in der Regel die Rückmeldung, dass alles in Ordnung sei — denn eine allgemeine Anfrage zur Überprüfung von Korrektheit ist keine echte Aufgabe, sondern eine Bitte um Bestätigung. Und genau Bestätigung liefert ein Sprachmodell, wenn die Anweisung es nicht zu mehr zwingt.

Dieser Prompt ersetzt diese vage Anfrage durch ein echtes Prüfverfahren: Jede sachliche Aussage wird nach ihrer Verifizierbarkeit klassifiziert, für die risikobehafteten wird konkret erklärt, warum sie problematisch sind — und am Ende steht ein klares Urteil statt allgemeiner Beruhigung.

Warum Aussagen klassifizieren statt sie einfach zu "prüfen"

Wenn man ein Modell bittet, "auf Fehler zu prüfen", erhält es keine konkrete Aufgabe — es kann den Text nur erneut lesen und einen vagen Eindruck zurückliefern. Die Erzwingung einer dreigliedrigen Klassifikation (verifizierbar, in der vorliegenden Form nicht verifizierbar, verdächtig) verwandelt die Überprüfung in eine mechanische Sortieraufgabe, die das Modell tatsächlich Aussage für Aussage ausführen kann — statt eines offenen Urteils, das es erfahrungsgemäß einfach durchwinkt. Die Kategorie SUSPICIOUS zielt gezielt auf die Fehlerart ab, die am meisten ins Gewicht fällt: Von KI erfundene Details neigen dazu, hochspezifisch und plausibel zu klingen — ein namentlich genannter Analyst, ein präziser Prozentwert, ein konkretes Datum — was sie genau so gefährlich macht und was eine vage "Sieht das richtig aus?"-Prüfung exakt verfehlen wird.

Warum modellübergreifende Verifikation hier besonders wichtig ist

Ein Modell, das gebeten wird, seine eigene Ausgabe zu prüfen — oder die Ausgabe eines Modells mit ähnlichen Trainingsdaten und Tendenzen —, wird eine Erfindung, die seinen eigenen Standardmustern selbstsicherer Spezifität entspricht, mit geringerer Wahrscheinlichkeit markieren. Den Audit mit einem anderen Modell durchzuführen — idealerweise von einem anderen Anbieter — bedeutet, dass der Prüfer nicht dieselben blinden Flecken wie der Generator teilt. Das ist die einzelne wirkungsstärkste Änderung, die verfügbar ist: Der Prompt funktioniert mit jedem Modell, aber er funktioniert besser modellübergreifend als innerhalb eines einzigen.

Die entscheidende Einschränkung: kein Umschreiben

Die Anweisung verbietet dem Modell ausdrücklich, den Text zu verbessern. Ohne diese Einschränkung folgen Modelle ihrem stärksten Instinkt — Text besser zu machen —, was einen polierten Entwurf statt eines Risikoberichts produziert und das eigentlich benötigte Verifikationssignal stillschweigend unter stilistischen Änderungen begräbt, um die niemand gebeten hat. Die Trennung von "Ist das wahr?" und "Ist das gut geschrieben?" hält den Audit auf die einzige Aufgabe fokussiert, für die er gedacht ist.

Anpassung

Das Feld "Stakes" im Abschnitt "Context" leistet echte Arbeit: Die Benennung dessen, was tatsächlich auf dem Spiel steht (Kundenvertrauen, rechtliche Exposition, eine Vorstandsentscheidung), sagt dem Modell, wie es seine Verifikations-Prioritätsliste gewichten soll — denn eine falsche Statistik in einem internen Brainstorming-Dokument ist weit weniger problematisch als derselbe Fehler in einer öffentlichen Pressemitteilung. Füllen Sie das Feld konkret aus, anstatt es allgemein zu halten — je schärfer die Stakes, desto präziser die Triage.