Warum scheitert Ihre KI an der Informationsarchitektur?

Unternehmen kaufen bessere Modelle, schärfen ihre Prompts und stapeln Prüfschichten, doch die KI-Assistenten antworten weiter falsch. Der UX-Stratege Patrick Neeman führt das auf eine unsichtbare Ursache zurück, in die zwei Jahrzehnte lang kaum jemand investiert hat: die Informationsarchitektur.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Die Informationsarchitektur entscheidet inzwischen darüber, ob ein KI-Assistent hilfreich oder teuer falsch antwortet. Ein Kundenservice-Bot von Air Canada hat einem trauernden Fluggast einen Tarif zugesagt, den die eigene Richtlinienseite ausschloss, und ein Gericht in British Columbia hat die Fluggesellschaft dafür haftbar gemacht. Solche Fehler entstehen selten im Modell, sondern in der Ordnung der Inhalte dahinter.

Das Wichtigste in Kürze

Schlechte Informationsarchitektur zeigt sich heute als Halluzination, Fehlabruf und teure Token, nicht mehr nur als verwirrter Besucher.
Ohne Struktur findet ein Retrieval-System den lautesten statt den richtigen Treffer.
Anthropic hat fehlgeschlagene Abrufe allein durch mehr Kontext vor dem Indexieren um 49 Prozent gesenkt.
Der erste Schritt ist ein Audit der eigenen Inhalte, nicht der Kauf des nächsten Modells.

Warum die Struktur jetzt auf der Bilanz auftaucht

Weißer Schubladenschrank mit Papierknäueln, Registerkarteien und Anhänger „kostet jetzt“ — Unternehmen investierten 20 Jahre nicht in Informationsarchitektur, bis KI-Assistenten jeden Fehler exponentiell vervielfältigten

Zwei Jahrzehnte lang hat kaum ein Unternehmen die Informationsarchitektur bezahlt, weil sich ihr Nutzen schwer auf eine Folie bringen ließ. Mit dem Einzug der KI-Assistenten ist aus dem diffusen Problem eine harte Kennzahl geworden.

Dieselbe Lücke, die früher einen einzelnen Besucher verwirrt hat, erzeugt heute einen automatisierten Fehler, der sich bei jeder Anfrage selbstbewusst wiederholt. Patrick Neeman bringt es auf eine Formel: Schlechte Informationsarchitektur lasse sich jetzt in Token-Kosten messen, und zwar in erheblichen.^[1]

Laut dem Report von Menlo Ventures haben Unternehmen 2025 rund 37 Milliarden US-Dollar für generative KI ausgegeben, nach 11,5 Milliarden ein Jahr zuvor. Ein Großteil davon fließt in Retrieval, das nur mit geordneten Inhalten trägt.

Wie ein Modell Ihre Inhalte liest

Die meisten Assistenten arbeiten mit Retrieval-Augmented Generation, kurz RAG. Das Modell zieht zur Laufzeit passende Textstellen aus einem Dokumentenbestand und baut daraus die Antwort.

Besteht dieser Bestand aus einem ungeordneten Haufen widersprüchlicher, unbeschrifteter Dateien, greift das System zum lautesten Treffer, also zu dem Text mit den meisten Wortüberschneidungen. Ob dieser Text aktuell, autorisiert oder schlicht korrekt ist, bleibt außen vor.

Ein Preis, eine Richtlinie, ein veralteter Hinweis und ein Kundenzitat lesen sich für die Maschine gleich. Erst Metadaten, Taxonomie und klare Content-Typen sagen ihr, was verbindlich gilt und was nur eine Randnotiz ist.

Wie viel schon in den Inhalten steckt, zeigt eine Zahl von Anthropic: Kontext vor dem Indexieren zu ergänzen hat die fehlgeschlagenen Abrufe um 49 Prozent gesenkt, ganz ohne besseres Modell.^[2] Für die Sichtbarkeit in der KI-Suche zählt dieselbe Ordnung, wie sich am Beispiel von Aldi Süd und seiner Wette auf die generative Suche zeigt.

Kein Sprachmodell repariert eine Ablage, in der vier widersprüchliche Versionen derselben Wahrheit nebeneinanderliegen. Die Aufräumarbeit im Content ist 2026 kein Hygienethema mehr, sondern die Bedingung dafür, dass ein KI-Projekt überhaupt trägt.
— Markus Seyfferth, Chefredakteur Dr. Web

Informationsarchitektur: das Fundament für verlässliche KI

Warum die Ordnung der Inhalte über Qualität und Kosten von KI-Assistenten entscheidet.

−49 %

weniger fehlgeschlagene Abrufe, allein durch Kontext vor dem Indexieren (Anthropic)

37 Mrd. $

Unternehmensausgaben für generative KI 2025 (Menlo Ventures)

11,5 → 37

Sprung der KI-Ausgaben in Mrd. US-Dollar binnen eines Jahres

Der Audit vor dem nächsten Modellkauf

Den Abruf prüfen, nicht nur die AntwortEine falsche Auskunft bis zu den Passagen zurückverfolgen, die das Modell herangezogen hat.

Inhalte typisieren, bevor sie indexiert werdenAktuell, autoritativ und veraltet klar kennzeichnen, statt alles zu vermischen.

Labels und Taxonomie vor Prompts reparierenStruktur skaliert über jede Anfrage, ein Prompt-Flickwerk nur über eine.

Agenten Beziehungen und Rechte vorgebenFesthalten, was wozu gehört und was ein Agent anfassen darf, bevor er handelt.

IA-Kosten an ein KI-Ergebnis koppelnStruktur als Abrufgenauigkeit budgetieren, nicht als reines Aufräumen.

Was Unternehmen im DACH-Raum jetzt tun sollten

Für Betriebe im DACH-Raum ist die Struktur damit zur Rechtsfrage geworden. Das Urteil gegen Air Canada zeigt ein Muster, das auch der EU AI Act stützt: Die Haftung für eine falsche Auskunft bleibt beim Unternehmen, das den Assistenten betreibt, nicht beim Anbieter des Modells. Auch Deutschlands Medienaufsicht wertet KI-Antworten inzwischen als eigene Inhalte der Betreiber.

Der erste Schritt ist deshalb ein Audit, kein Einkauf. Nehmen Sie eine falsche Antwort aus diesem Monat und verfolgen Sie zurück, welche Passagen der Assistent dafür herangezogen hat. Meist hat das Modell sauber gearbeitet, und der Inhaltsspeicher hat den Müll geliefert.

Dieselbe Ordnung entscheidet über die Sichtbarkeit in der generativen Suche. Inhalte für KI auffindbar zu machen, ist nichts anderes als Generative Engine Optimization, und die Grundlagen sauberer Struktur zahlen doppelt: für die eigenen Assistenten und für die Antwortmaschinen von Google und ChatGPT.

Bevor das nächste Modell-Budget freigegeben wird, lohnt der unglamouröse Blick in den eigenen Datenbestand. Ein korrigierter Eintrag repariert jede künftige Antwort, die sich auf ihn gestützt hätte, während ein Prompt-Trick nur eine einzige Anfrage übertüncht.

Was ist Informationsarchitektur?

Informationsarchitektur (IA) ist die Disziplin, Inhalte zu ordnen, zu benennen und in Beziehung zu setzen. Sie umfasst Organisationsschemata, Taxonomien, Labels und Navigation und entscheidet, ob ein Mensch oder eine Maschine den richtigen Inhalt findet, statt vier widersprüchliche Fassungen davon.

Warum halluzinieren KI-Assistenten trotz gutem Modell?

Oft liegt der Fehler nicht am Modell, sondern am Inhaltsspeicher. Zieht ein Assistent seine Antworten aus unstrukturierten, widersprüchlichen oder veralteten Dokumenten, greift er zum lautesten statt zum richtigen Treffer. Ein besseres Modell oder ein schärferer Prompt behebt das nicht, weil die Ursache in der Struktur liegt.

Was ist Retrieval-Augmented Generation (RAG)?

RAG bezeichnet ein Verfahren, bei dem ein Sprachmodell zur Laufzeit passende Passagen aus einem Dokumentenbestand abruft und die Antwort auf diesen Fundstellen aufbaut, statt nur auf Trainingswissen. Die Qualität hängt damit direkt von der Ordnung des durchsuchten Bestands ab.

Wie mache ich Inhalte für KI-Assistenten auffindbar?

Inhalte werden für KI auffindbar, indem sie typisiert und mit Metadaten versehen werden: aktuell gegen veraltet, autoritativ gegen anekdotisch, kanonisch gegen Entwurf. Eine konsistente Taxonomie und eindeutige Labels sind die Basis, auf der Retrieval und generative Suche verlässlich das Richtige finden.

Haftet mein Unternehmen für falsche KI-Antworten?

In der Regel ja. Im Fall Moffatt gegen Air Canada hielt ein kanadisches Tribunal die Fluggesellschaft für eine falsche Chatbot-Auskunft haftbar. Auch im europäischen Rahmen bleibt die Verantwortung beim Betreiber des Assistenten, nicht beim Anbieter des Modells.