Grounding (Verankerung in Quellen)

Ein Sprachmodell antwortet aus dem, was es im Training gelernt hat. Dieses Wissen endet an einem Stichtag, und interne Informationen eines Unternehmens gehören nicht dazu. Fehlt dem Modell das Wissen, formuliert es trotzdem eine flüssige Antwort, die falsch sein kann. Grounding setzt hier an: Ein System legt dem Modell bei jeder Anfrage passende Quellen vor, das Modell stützt seine Antwort darauf und verweist auf die Fundstellen. Google Cloud beschreibt Grounding als Fähigkeit, Modellausgaben mit überprüfbaren Informationsquellen zu verbinden.

Grounding ist eine Eigenschaft der Antwort, kein einzelnes Verfahren. Der bekannteste Weg dorthin ist RAG (Retrieval-Augmented Generation), bei dem eine Suche in eigenen Dokumenten der Antwort vorausgeht. Andere Wege sind die Websuche, wie bei „Grounding with Google Search“ für Gemini oder dem Websuche-Werkzeug von OpenAI, die direkte Übergabe von Dokumenten mit Zitatfunktion, wie bei den Citations von Anthropic, und Abfragen in Datenbanken oder Fachsystemen. KI-Suchen wie die AI Overviews von Google arbeiten nach demselben Grundgedanken und zeigen unterstützende Webseiten zur Antwort.

Für Führungskräfte entscheidet Grounding darüber, ob eine KI-Antwort nachprüfbar ist. Ein Assistent für Verträge, Produkte oder Richtlinien ist nur so verlässlich wie seine Quellen. Grounding verlagert die Arbeit deshalb vom Modell zu den Quellen: Welche gelten, wer pflegt sie, wer darf was sehen? Halluzinationen werden seltener, ausgeschlossen sind sie nicht.

So funktioniert Grounding im Kern.

Eine Antwort mit Grounding entsteht in vier Schritten. Das System nimmt die Anfrage entgegen und holt passende Quellen: Textstellen aus eigenen Dokumenten, Ergebnisse einer Websuche oder Datensätze aus einem Fachsystem. Diese Fundstellen kommen mit der Frage in die Eingabe an das Sprachmodell. Zuletzt formuliert das Modell die Antwort auf Grundlage der Fundstellen und verknüpft Aussagen mit ihrer Herkunft.

Bei der Websuche kann das Modell selbst steuern, ob und wonach gesucht wird. Google beschreibt den Ablauf bei „Grounding with Google Search“ so: Das Modell prüft, ob eine Suche die Antwort verbessert, formuliert bei Bedarf eigene Suchanfragen, verarbeitet die Ergebnisse und liefert eine Antwort mit Quellenangaben im Text.

Es kommt auf den Verweis je Aussage an. Eine Liste von Links unter der Antwort zeigt nur, was gelesen wurde. Ein guter Verweis zeigt, welcher Satz der Antwort sich auf welche Stelle stützt, damit ein Mensch genau diese Stelle prüfen kann.

Genauso wichtig ist der Fall ohne Treffer. Ein gut gebautes System sagt offen, dass keine passende Quelle vorliegt, statt die Lücke mit Trainingswissen zu füllen.

Grounding und RAG sind nicht dasselbe.

RAG ist ein Verfahren, Grounding das Ziel, dem es dient. Der Begriff RAG stammt aus einer Arbeit von Patrick Lewis und Kollegen aus dem Jahr 2020, in der ein Suchmodul und ein Sprachmodell gemeinsam trainiert wurden. Heute steht RAG allgemein für jede Kombination aus Suche und Sprachmodell, meist über eigene Dokumente.

Grounding umfasst mehr. Die Antwort kann auf einer Live-Websuche beruhen, auf einer Abfrage im Warenwirtschaftssystem, auf einem einzelnen Vertrag, der vollständig im Kontext liegt, oder auf einer Kartenquelle. Google Cloud führt für seine Modelle unter anderem die Google-Suche, Google Maps, eigene Datenbestände, Elasticsearch und eigene Such-Schnittstellen als Grounding-Quellen auf. Die Logik bleibt in allen Fällen gleich: erst die Quelle, dann die Antwort.

Viele Anbieter nennen ihre RAG-Funktion schlicht „Grounding“. Im Gespräch mit Dienstleistern lohnt deshalb die Nachfrage, welche Quellen angebunden sind und wie gesucht wird.

Vom Fine-Tuning unterscheidet sich Grounding grundlegend. Fine-Tuning trainiert das Modell mit zusätzlichen Beispielen nach und verändert so Stil, Format und Fachsprache. Eine Fundstelle für eine einzelne Aussage liefert es nicht, und Fakten ändern sich schneller als Trainingsläufe. Für wechselndes Wissen passt Grounding, für Ton und Form Fine-Tuning. Beides lässt sich kombinieren.

Ein Zitat zeigt die Herkunft, nicht die Richtigkeit.

Ein Quellenverweis wirkt wie ein Beleg, sagt aber noch nicht, ob die zitierte Stelle die Aussage stützt. Anthropic beschreibt für seine Citations-Funktion, dass die Schnittstelle gültige Verweise auf die übergebenen Dokumente garantiert. Das heißt: Die zitierte Stelle existiert. Ob das Modell sie richtig verstanden hat und ob das Dokument gilt, bleibt eine eigene Prüfung.

Wie groß der Unterschied sein kann, zeigt eine Studie der Stanford University von 2024. Varun Magesh und Kollegen testeten KI-Rechercheprogramme großer Fachverlage für Juristen, die auf RAG beruhen und deren Anbieter damit werben, Halluzinationen zu vermeiden. Je nach Werkzeug waren zwischen 17 und 33 Prozent der Antworten Halluzinationen. Die Studie zählt dazu auch Antworten, deren Quelle falsch verstanden wurde oder für den Fall nicht einschlägig ist. Die Autoren betonen, dass eine solche Antwort im technischen Sinn trotzdem gegroundet sein kann, weil sie sich eng an die gelieferten Dokumente hält.

Daraus folgen zwei Prüfungen, die kein System abnimmt. Die erste betrifft die Quelle: Ist sie aktuell, gültig und für den Fall zuständig? Die zweite betrifft die Wiedergabe: Steht in der Fundstelle wirklich, was die Antwort behauptet? Ein Verweis, der sich mit einem Klick öffnen lässt, beschleunigt beide Prüfungen, ersetzt sie aber nicht.

Die Websuche als Quelle.

Die Websuche bringt aktuelle Informationen in die Antwort, die kein Trainingsstand enthält: Preise, Nachrichten, neue Gesetzesfassungen, Produktdaten. Google bietet das für Gemini als „Grounding with Google Search“ an, OpenAI als Websuche-Werkzeug, und auch Anthropic hat eine Websuche im Angebot. Die Antworten enthalten Quellenangaben, die auf die gefundenen Seiten verweisen.

Die Anbieter knüpfen daran Pflichten (Stand November 2026). OpenAI verlangt, dass Anwendungen die Quellenangaben im Text als gut sichtbare, anklickbare Links zeigen. Google verlangt nach seinen Nutzungsbedingungen die Anzeige der mitgelieferten Suchvorschläge.

Das offene Web ist eine gemischte Quelle. Seiten können veraltet, falsch oder gezielt manipuliert sein, bis hin zu versteckten Anweisungen an das Modell (Prompt Injection). Für interne Fragen sind die eigenen, gepflegten Dokumente die richtige Quelle, nicht das Web.

Dieselbe Logik steckt in KI-Suchen. Google schreibt zu AI Overviews und AI Mode, dass die Modelle während der Antwort unterstützende Webseiten ermitteln und als Links anzeigen. Voraussetzung ist, dass eine Seite indexiert ist und mit Snippet in der Suche erscheinen darf. Für Unternehmen heißt das: Die eigene Website wird selbst zur Grounding-Quelle für fremde Systeme.

Woran man eine gute Umsetzung erkennt.

Eine gute Umsetzung beginnt bei den Quellen. Es ist festgelegt, welche Dokumente oder Systeme gelten, jede Quelle hat ein erkennbares Datum und eine Zuständigkeit für ihre Pflege. Zugriffsrechte gelten schon bei der Suche: Ein Assistent findet nur, was die fragende Person selbst sehen darf.

Jede Antwort nennt ihre Fundstellen auf Ebene der Aussage, und jede Fundstelle lässt sich öffnen. Liegt keine passende Quelle vor, sagt das System das.

Gemessen wird die Treue zur Quelle. Google DeepMind und Google Research haben dafür im Dezember 2024 den Test FACTS Grounding vorgestellt: 1.719 Aufgaben mit Dokumenten von bis zu 32.000 Token, bei denen eine Antwort nur als korrekt gilt, wenn sie vollständig durch das vorgelegte Dokument gedeckt ist. Drei Sprachmodelle verschiedener Anbieter bewerten die Antworten. Für das eigene Unternehmen ersetzt ein solcher Test keine eigene Sammlung echter Fragen mit bekannter Antwort und Fundstelle.

Gute Systeme messen Suche und Antwort getrennt: Hat die Suche die richtige Stelle gefunden, und hat das Modell sie richtig wiedergegeben?

Was Grounding kostet und wovon das abhängt.

Grounding ist ein laufender Betrieb, keine einmalige Anschaffung. Die Kosten verteilen sich auf vier Posten.

Der erste sind die Modellaufrufe. Jede Fundstelle, die dem Modell mitgegeben wird, verlängert die Eingabe und kostet Token. Mehr Kontext macht Antworten dabei nicht automatisch besser; wenige passende Stellen sind meist wirksamer als viele halb passende.

Der zweite ist die Suche. Bei der Websuche berechnen die Anbieter die Suchanfragen in der Regel zusätzlich zu den Token, die Preise stehen auf den jeweiligen Preisseiten. Bei eigenen Dokumenten fallen Aufbau und Aktualisierung des Suchindex an, für eine Vektorsuche auch das Erzeugen und Speichern der Embeddings.

Der dritte ist die Pflege der Quellen: Dokumente sichten, alte Fassungen entfernen, Lücken schließen, Rechte aktuell halten. Dieser Posten wird leicht unterschätzt, weil er auf keiner Rechnung steht.

Der vierte ist die Prüfung durch Menschen. Eine gute Quellenangabe macht sie schneller, überflüssig macht sie sie nicht. Welcher Posten überwiegt, hängt von der Menge und dem Zustand der Quellen, der Zahl der Anfragen und den Anforderungen an Rechte und Nachweis ab. Sinnvoll ist, jeden Aufruf mit seinen Kosten zu erfassen.

Die Grenze des Begriffs

Grounding macht eine Antwort prüfbar, nicht automatisch richtig: Ist die Quelle veraltet oder falsch, gibt das Modell den Fehler mit Verweis weiter, und ein Zitat belegt nur die Herkunft. Abzugrenzen ist Grounding von RAG, einem Verfahren auf dem Weg dorthin, von Fine-Tuning, das das Modell selbst verändert, und von GUI-Grounding bei KI-Agenten, das Anweisungen Bedienelementen auf dem Bildschirm zuordnet.