KI-Tools im Beratungsalltag: Quellen richtig prüfen

Wer im Beratungsgeschäft arbeitet, kennt das Szenario: Ein Kollege tippt eine Fachfrage in ein KI-Tool, bekommt eine flüssig formulierte Antwort mit drei scheinbar konkreten Quellenangaben und übernimmt das Ergebnis direkt in eine Kundenpräsentation. Was dabei fehlt, ist die eine Minute, die es gebraucht hätte, um zu prüfen, ob diese Quellen überhaupt existieren. In mindestens einem von vier solchen Fällen tun sie das nicht.

Was 2026 anders ist als noch vor zwei Jahren

Die Generation der KI-Assistenten, die Beratern heute zur Verfügung steht, hat sich qualitativ verändert. Halluzinationen, also frei erfundene Fakten mit selbstbewusstem Ton, kommen seltener vor als 2023 oder 2024. Aber sie kommen noch vor. Das eigentliche Problem hat sich verschoben: Moderne Sprachmodelle zitieren häufiger real existierende Quellen, interpretieren deren Inhalt aber gelegentlich falsch oder verkürzen ihn so stark, dass eine inhaltliche Verdrehung entsteht. Für Berater bedeutet das, dass die alte Faustregel „Quelle vorhanden gleich Aussage verlässlich“ schlicht nicht mehr funktioniert.

Hinzu kommt die schiere Menge. Viele Kanzleien und Beratungshäuser haben intern KI-gestützte Recherchewerkzeuge eingeführt, die täglich Dutzende von Zusammenfassungen, Marktdaten und regulatorischen Updates produzieren. Das Volumen übersteigt, was ein einzelner Berater manuell nachkontrollieren kann. Die Frage ist also nicht ob man prüft, sondern wie man prüft und wo man die knappe Zeit investiert.

Die drei häufigsten Fehlerquellen im Beratungskontext

Aus der Praxis lassen sich drei Muster herauskristallisieren, die immer wieder zu Problemen führen:

• Veraltete Trainingsdaten: Viele Modelle haben einen Wissensschnitt, der teils 12 bis 18 Monate zurückliegt. Regulatorische Änderungen, neue Gerichtsurteile oder aktuelle Marktdaten sind deshalb oft nicht abgebildet, ohne dass das Tool darauf hinweist.
• Quelleninversion: Ein Modell nennt eine seriöse Institution als Urheber einer Aussage, die diese Institution nie getroffen hat. Der Titel der Organisation ist korrekt, der Inhalt ist es nicht.
• Kontextverschiebung: Eine Studie aus einem anderen Rechtsraum oder einer anderen Branche wird so zusammengefasst, als gälte sie allgemein. Das klassische Beispiel: US-amerikanische Arbeitsmarktdaten werden als europäische Benchmark dargestellt.

Diese drei Muster erklären die meisten KI-bedingten Fehler, die in Beratungsberichten auftauchen. Sie sind erkennbar, wenn man gezielt danach sucht.

Ein strukturiertes Prüfverfahren für den Alltag

Vollständige manuelle Nachkontrolle jeder KI-Ausgabe ist utopisch. Was funktioniert, ist eine abgestufte Prüfroutine, die den Aufwand auf risikoreichere Aussagen konzentriert. Ein pragmatisches Drei-Stufen-Modell sieht so aus:

Stufe 1 – Plausibilitätsprüfung (30 Sekunden): Klingt die Aussage inhaltlich konsistent? Widerspricht sie dem, was man aus dem Fachgebiet kennt? Sehr präzise Zahlen ohne Quellenangabe sind ein Warnsignal. Ebenso Formulierungen wie „Studien belegen“ ohne konkreten Verweis.

Stufe 2 – Quellenverifikation (2 bis 5 Minuten): Bei Aussagen, die direkt in Kundendokumente fließen, wird die genannte Quelle aufgerufen. Nicht nur ob sie existiert, sondern ob die zitierte Passage inhaltlich das aussagt, was das KI-Tool behauptet. Hier lohnt es sich, aktuelle Aggregatoren wie Quelle für KI zu nutzen, die Informationen nach Aktualität und Herkunft strukturieren. So lässt sich schneller beurteilen, ob eine KI-Ausgabe mit dem aktuellen Stand der verfügbaren Informationen übereinstimmt.

Stufe 3 – Kreuzabgleich bei Kerndaten (10 bis 15 Minuten): Bei Zahlen, die strategische Empfehlungen stützen, wird eine zweite unabhängige Quelle herangezogen. Stimmen beide überein, ist das Vertrauen gerechtfertigt. Weichen sie ab, muss die Differenz erklärt werden, bevor die Zahl verwendet wird.

Welche Quellenkategorien grundsätzlich höheres Vertrauen verdienen

Nicht alle Quellen sind gleich, und das gilt im KI-Kontext noch mehr als im klassischen Rechercheumfeld. Eine grobe Orientierung:

Wie man Kunden gegenüber transparent bleibt

Ein Aspekt, der im internen Ablauf oft zu kurz kommt, ist die Kommunikation nach außen. Kunden haben zunehmend ein Bewusstsein dafür, dass KI-gestützte Recherche eingesetzt wird. Wer das verschweigt oder hinter generischen Formulierungen versteckt, riskiert Vertrauensverlust, wenn fehlerhafte Informationen später auffallen. Transparenz bedeutet hier nicht, jeden Arbeitsschritt offenzulegen, sondern Aussagen, die auf KI-Recherche basieren, als solche zu kennzeichnen und zu erläutern, wie sie überprüft wurden.

Konkret kann das so aussehen: „Diese Marktdaten stammen aus einer KI-gestützten Erstrecherche und wurden anhand von Eurostat-Daten aus dem dritten Quartal 2025 abgeglichen.“ Eine solche Formulierung ist professioneller als eine nackte Zahl ohne Herkunft und zeigt, dass der Berater methodisch arbeitet.

Der menschliche Faktor bleibt entscheidend

KI-Tools sind 2026 leistungsfähiger, schneller und in vielen Teilbereichen zuverlässiger als vor zwei Jahren. Das ändert nichts daran, dass die Verantwortung für die Richtigkeit einer Beratungsleistung beim Berater liegt, nicht beim Tool. Wer das versteht, nutzt KI als das, was es ist: ein Werkzeug, das Arbeitsschritte beschleunigt und Recherchespielräume erweitert, aber keinen fachlichen Urteilsvermögen ersetzt.

Die Berater, die langfristig profitieren, sind nicht jene, die KI am intensivsten einsetzen, sondern jene, die gelernt haben, ihre Outputs kritisch einzuordnen. Das ist keine Technikfrage. Es ist eine Fachkompetenzfrage.