KI beginnt mit guten Daten

KI beginnt mit guten Daten

Kurz gesagt

• Sprachliche Qualität einer KI-Antwort ist keine Garantie für fachliche Verlässlichkeit.
• In einer gemeinsamen Untersuchung mit Fable wurden 250 Lagebeschreibungen für 50 deutsche Adressen mit fünf KI-Ansätzen erstellt und über 5.500 Einzelaussagen gegen echte Geodaten geprüft.
• Ohne Websuche waren 5 bis 10 % der Ortsangaben frei erfunden, mit Websuche blieben Modelle oft vage statt konkret.
• GeoSci mit Geodaten-Grounding lieferte im Schnitt 15 konkrete Entfernungsangaben pro Text bei rund 2 % Fehlerquote, Sprachmodelle nur 1,5 bis 3 Angaben bei 8 bis 13 % Fehlerquote.
• Fazit: gute KI-Texte brauchen eine strukturierte Datengrundlage, nicht nur ein gutes Sprachmodell.

Wer genügend LinkedIn-Posts liest oder Vorträge von Dienstleistern auf Messen hört, könnte den Eindruck gewinnen, Makler bräuchten außer einem ChatGPT- oder Claude-Abo kaum noch weitere Software. Die KI kann schließlich alles, oder?

Ganz so einfach ist es nicht.

In diesem Artikel zeigen wir, wo KI tatsächlich hilft, warum sie eine verlässliche Datengrundlage benötigt und welche Fallstricke Makler vermeiden sollten.

Sprachliche Qualität ist noch keine fachliche Verlässlichkeit

Künstliche Intelligenz kann Texte verfassen, Dokumente zusammenfassen, Kundenanfragen beantworten und komplexe Sachverhalte verständlich erklären. Gerade große Sprachmodelle wie ChatGPT oder Claude erzeugen Ergebnisse, die professionell, schlüssig und häufig erstaunlich kompetent wirken.

Genau darin liegt allerdings auch ein Risiko: Je überzeugender eine Antwort formuliert ist, desto leichter lässt sich sprachliche Qualität mit fachlicher Verlässlichkeit verwechseln.

Ein Sprachmodell erzeugt Antworten auf Basis erlernter Muster. Es kann erklären, kombinieren und formulieren. Es verfügt aber nicht automatisch über aktuelle, vollständige oder für den jeweiligen Anwendungsfall ausreichend genaue Informationen. Benötigt eine Anwendung überprüfbare Fakten, reicht das allgemeine Wissen des Modells deshalb nicht aus.

Die entscheidende Frage beim Einsatz von KI lautet daher nicht nur: Welches Modell verwenden wir und klingt seine Antwort überzeugend? Ebenso wichtig ist: Auf welcher Datengrundlage arbeitet das Modell, sind (Zwischen)-Ergebnisse erklärbar und wie wird die Qualität der Ergebnisse sichergestellt?

Was eine gute Datengrundlage ausmacht

Eine gute Datengrundlage besteht nicht einfach aus möglichst vielen Informationen. Entscheidend sind die Qualität und Verwendbarkeit der Daten.

Die Daten sollten:

• für den konkreten Anwendungsfall relevant sein,
• aus nachvollziehbaren Quellen stammen,
• aktuell und ausreichend vollständig sein,
• strukturiert verarbeitet werden können,
• in der benötigten Genauigkeit vorliegen,
• und durch klare Regeln oder Berechnungen überprüfbar sein.

Hinzu kommt die richtige Verarbeitung. Auch korrekte Ausgangsdaten können zu falschen Ergebnissen führen, wenn sie unpassend miteinander verknüpft, falsch zugeordnet oder mit ungeeigneten Verfahren ausgewertet werden.

Für verlässliche KI-Anwendungen braucht es deshalb eine gute Arbeitsteilung: Datenquellen und Fachlogik bestimmen, was stimmt. Das Sprachmodell sorgt dafür, dass das Ergebnis verständlich, hilfreich und passend formuliert wird.

Wie wichtig diese Unterscheidung ist, zeigt unsere GeoSci-Untersuchung zu KI-generierten Lagebeschreibungen für Immobilien.

Fallstudie: KI-generierte Lagebeschreibungen

Lagebeschreibungen eignen sich auf den ersten Blick ideal für generative KI. Sie folgen einer relativ klaren Struktur und enthalten Informationen, die sich sprachlich gut zusammenfassen lassen: Einkaufsmöglichkeiten, Verkehrsanbindung, Schulen, Grünflächen oder Freizeitangebote.

Für Interessenten ist jedoch nicht nur wichtig, dass eine Lagebeschreibung angenehm klingt. Die enthaltenen Informationen müssen stimmen. Der Text muss tatsächlich dabei helfen, die Nachbarschaft besser zu verstehen.

Ist der Bahnhof wirklich zu Fuß erreichbar? Wie weit ist es zum nächsten Supermarkt? Liegt der erwähnte Park tatsächlich in der angegebenen Richtung? Gibt es eine direkte Fußverbindung?

Um zu untersuchen, wie zuverlässig unterschiedliche KI-Ansätze solche Fragen beantworten, haben wir insgesamt 250 Lagebeschreibungen für 50 Adressen in Deutschland erstellt. Berücksichtigt wurden ländliche, kleinstädtische und großstädtische Standorte. Jeder Text umfasste rund 200 Wörter.

Verglichen wurden fünf Varianten:

• GPT-5 ohne zusätzliche Werkzeuge
• GPT-5 mit Websuche
• Claude Sonnet ohne zusätzliche Werkzeuge
• Claude Sonnet mit Websuche
• GeoSci mit Geodaten-Grounding

Gemeinsam mit Fable wurden anschließend mehr als 5.500 einzelne Aussagen extrahiert und anhand von OpenStreetMap, strukturierten Geodaten und tatsächlichen Routing-Ergebnissen überprüft.

Alle Texte klangen gut. Aber nicht alle waren gleich hilfreich

Sprachlich konnten sämtliche Varianten überzeugen. Die Unterschiede zeigten sich bei der Menge und Verlässlichkeit konkreter Informationen.

Ohne Websuche waren 5 - 10 % der Ortsangaben erfunden. Nicht akzeptable in einem professionellen Umfeld.

Anders sah es in den Tests aus, in denen die LLMs im Internet recherchieren durften:

Komplett erfundene Orte kamen nur selten vor (2 - 3 % erfundene Orte). Das größere Problem war ein anderes: Die Sprachmodelle vermieden falsche Aussagen häufig, indem sie unkonkret blieben.

Dann heißt es beispielsweise:

„Der Marktplatz befindet sich in der Nähe.“

Eine geodatenbasierte Lagebeschreibung kann dagegen formulieren:

„Bis zum Marktplatz sind es 400 Meter beziehungsweise rund sechs Gehminuten.“

Beide Aussagen können richtig sein. Aber nur eine davon liefert eine konkrete Information, die Interessenten überprüfen und bei ihrer Entscheidung berücksichtigen können.

Im Test enthielten die mit GeoSci erstellten Lagebeschreibungen durchschnittlich etwa 15 konkrete Entfernungs- oder Gehzeitangaben pro Text. Bei den getesteten Sprachmodellen waren es lediglich rund 1,5 bis 3.

Die höhere Informationsdichte ging dabei nicht zulasten der Zuverlässigkeit. Bei den Routing-Angaben lag die Fehlerrate von GeoSci bei etwa 2 Prozent. Die getesteten Sprachmodelle erreichten Werte zwischen 8 und 13 Prozent.

Damit zeigt die Untersuchung einen wichtigen Unterschied: Ein Text kann fehlerarm sein, weil er belastbare Fakten verwendet. Er kann aber auch fehlerarm erscheinen, weil er kaum konkrete Aussagen trifft.

Für eine gute KI-Anwendung reicht es deshalb nicht, Halluzinationen zu vermeiden. Sie muss möglichst viele korrekte, relevante und überprüfbare Informationen liefern.

Warum eine Websuche keine Fachdatenbank ersetzt

Der Zugriff auf das Internet verbessert die Möglichkeiten eines Sprachmodells. Eine Websuche kann beispielsweise dabei helfen, die Existenz eines Bahnhofs, einer Schule oder einer Sehenswürdigkeit zu bestätigen.

Sie ersetzt jedoch keine strukturierte Datengrundlage.

Eine Webseite kann den Namen eines Ortes nennen. Daraus ergibt sich aber nicht automatisch:

• wie weit der Ort von einer bestimmten Adresse entfernt ist,
• wie lange der tatsächliche Fußweg dauert,
• in welcher Richtung er liegt,
• ob eine direkte Verbindung existiert,
• oder zu welchem räumlich abgegrenzten Gebiet die Adresse gehört.

Im Test waren zwischen 17 und 27 Prozent der untersuchten Richtungsangaben der modell- beziehungsweise webbasierten Varianten falsch. Die Websuche lieferte zwar häufiger korrekte Namen, löste aber nicht zuverlässig die räumlichen Beziehungen zwischen den gefundenen Orten.

Websuche hilft bei der Informationsbeschaffung. Räumliche Berechnungen benötigen hingegen Koordinaten, Gebietsgrenzen, Routingdaten und geeignete Fachlogik.

Gute Daten allein reichen ebenfalls nicht

Die Fallstudie macht noch einen zweiten Punkt deutlich: Auch eine spezialisierte Datengrundlage muss richtig verarbeitet werden.

Während der Untersuchung wurde ein systematischer Fehler bei der Zuordnung einzelner Adressen zu Stadtteilen erkannt. Die Ursache lag nicht im Sprachmodell, sondern bei der Zuordnung von Koordinaten und Stadtteilen. Teilweise wurde das nächstgelegene benannte Gebiet übernommen, obwohl die Adresse nicht innerhalb seiner Grenzen lag.

Da die Aussage aus einem nachvollziehbaren Datenprozess stammte, ließ sich die Ursache identifizieren und beheben. Die überarbeitete Logik prüft nun, innerhalb welcher Gebietsgrenzen sich eine Adresse tatsächlich befindet.

Darin liegt ein wesentlicher Vorteil strukturierter KI-Systeme: Ihre Qualität lässt sich messen. Systematische Fehler können reproduziert, auf eine konkrete Ursache zurückgeführt und dauerhaft korrigiert werden.

Bei einer frei formulierten Antwort aus dem allgemeinen Modellwissen ist das schwieriger. Dort ist häufig weder eindeutig nachvollziehbar, auf welcher Quelle eine Aussage beruht, noch warum das Modell zu seiner Einschätzung gekommen ist.

Das Sprachmodell sollte nicht die Quelle der Wahrheit sein

Aus den Ergebnissen lässt sich eine klare Rollenverteilung ableiten:

Die Datengrundlage liefert die Fakten. Fachliche Regeln und Berechnungen verarbeiten und prüfen diese Fakten. Das Sprachmodell übersetzt das Ergebnis in eine verständliche Form.

Bei einer Lagebeschreibung bedeutet das beispielsweise:

• Geodaten bestimmen, welche relevanten Ziele tatsächlich vorhanden sind.
• Eine Routing-Engine berechnet Entfernungen und Gehzeiten.
• Räumliche Analysen prüfen Richtungen und Gebietszuordnungen.
• Das Sprachmodell erstellt daraus einen gut lesbaren Text.

Auf diese Weise wird die generative KI nicht zur Quelle der Wahrheit, sondern zur sprachlichen Schnittstelle einer verlässlichen Datenbasis.

Dieser Ansatz kann zudem wirtschaftlicher sein. Im Test benötigten aktuelle Allzweckmodelle Websuche und umfangreiche Recherche, um gute Lagebeschreibungen zu erstellen. Die Kosten lagen dadurch bei etwa 0,20 bis 0,40 Euro pro Text. Spezialisierte Modelle, vorverarbeitete Daten und klar definierte Prozesse können vergleichbare Aufgaben effizienter lösen.

Was das über Lagebeschreibungen hinaus bedeutet

Das grundlegende Prinzip gilt nicht nur für Immobilientexte. Es betrifft nahezu jede professionelle KI-Anwendung, bei der konkrete Fakten oder Bewertungen eine Rolle spielen.

Ob Marktanalyse, Standortbewertung, Immobilienbewertung, Kundenkommunikation oder automatisierte Dokumentenerstellung: Das leistungsfähigste Sprachmodell kann fehlende oder ungeeignete Daten nicht ausgleichen. Es kann solche Lücken höchstens mit plausibel klingenden Formulierungen verdecken.

Unternehmen sollten beim Aufbau einer KI-Anwendung deshalb nicht allein nach dem besten Modell fragen. Ebenso wichtig sind Fragen wie:

• Welche Daten benötigt der konkrete Anwendungsfall?
• Woher stammen diese Daten?
• Wie aktuell und vollständig sind sie?
• Welche Aussagen werden berechnet und welche lediglich generiert?
• Wie lassen sich Ergebnisse überprüfen?
• Wie werden erkannte Fehler systematisch behoben?

Die Antworten auf diese Fragen entscheiden darüber, ob eine KI-Anwendung lediglich überzeugend wirkt oder im Alltag tatsächlich verlässlich ist.

Vertrauen braucht überprüfbare Grundlagen

AreaButler nutzt seit Langem GeoSci Lage-Ratings. Makler, die AreaButler einsetzen, profitieren dadurch von strukturierten Geodaten und einer systematischen Bewertung der Immobilienlage, statt sich allein auf das allgemeine Wissen eines Sprachmodells verlassen zu müssen.

Die Untersuchung der Lagebeschreibungen zeigt exemplarisch, warum dieser Ansatz wichtig ist: Generative KI kann Informationen hervorragend vermitteln. Die Verlässlichkeit dieser Informationen entsteht aber nicht erst beim Formulieren. Sie beginnt bei den Daten, ihren Quellen und ihrer fachlich korrekten Verarbeitung.

Das Modell entscheidet, wie überzeugend eine Antwort klingt. Die Datengrundlage entscheidet, ob deine Kunden dem Ergebnis und damit auch dir vertrauen können.

Häufige Fragen

Warum reicht ein gutes Sprachmodell allein nicht für verlässliche Lagebeschreibungen? Weil ein Sprachmodell Muster erkennt und formuliert, aber nicht automatisch über aktuelle, geprüfte Fakten verfügt. Ohne strukturierte Datengrundlage bleiben Aussagen unbelegt oder vage.

Wie zuverlässig sind KI-generierte Lagebeschreibungen ohne Websuche? In der Untersuchung waren 5 bis 10 % der Ortsangaben frei erfunden, wenn das Modell keine Websuche nutzen konnte.

Macht eine Websuche KI-Lagebeschreibungen zuverlässig? Nur teilweise. Komplett erfundene Orte wurden seltener, aber 17 bis 27 % der Richtungsangaben blieben falsch, weil eine Websuche keine räumlichen Berechnungen ersetzt.

Was macht GeoSci in dieser Untersuchung anders? GeoSci nutzt Geodaten-Grounding statt allgemeinen Modellwissens und lieferte dadurch im Schnitt 15 konkrete Entfernungsangaben pro Text bei rund 2 % Fehlerquote.