Grounding verständlich definiert und wissenschaftlich eingeordnet

Kurz erklärt: Grounding, mit Quelle, Einordnung, Abgrenzung zum Nachbarbegriff und praktischem Lernbezug.

Verankerung von KI-Ausgaben in echtem Quelltext statt Modellwissen. Reduziert Halluzination, ersetzt aber keine Prüfung, darum prüft Quanta per Quote-Match nach.

Quelle: Magesh et al. 2024, arXiv:2405.20362; Quanta, 2026, quanta-study.de/architektur

Was Grounding leistet und wo die Forschung die Grenze zieht

Definition: Grounding bezeichnet die Verankerung von KI-Ausgaben in echtem, abgerufenem Quelltext statt im reinen Modellwissen des Sprachmodells (verwandter Ansatz: Retrieval-Augmented Generation, RAG).
Forschungsstand: Grounding reduziert Halluzination, eliminiert sie aber nicht; eine Stanford-RegLab-Studie maß bei führenden juristischen RAG-Tools trotz Quellenanbindung 17 bis 33 Prozent Halluzination (Magesh et al. 2024, arXiv:2405.20362). Quanta arbeitet deshalb grounding-first mit nachgelagerter Prüfung: erst Volltext aus verifizierten, offen lizenzierten Quellen holen, ausschließlich daraus generieren, dann jede Karteikarte per deterministischem Quote-Match wörtlich zurückprüfen und Unbelegtes verwerfen. So wird Grounding vom Versprechen zur messbaren Eigenschaft: 97,8% der erzeugten Karteikarten bestanden den Quote-Match (offene Studie, Juni 2026). Die Messung vom 28. Juni 2026 lief mit Google Gemini und wurde mit dem heutigen Mistral-Modell nicht wiederholt. Sie misst Quellenbindung in diesem Testaufbau, nicht Faktenrichtigkeit oder heutige Produktqualität.

Grounding gegen Retrieval-Augmented Generation

Die Begriffe werden oft gleichgesetzt. Sie beschreiben verschiedene Ebenen desselben Vorgehens.

Grounding

Die Eigenschaft: die Ausgabe ist in echtem Quelltext verankert
Sagt nichts darüber, wie der Text beschafft wurde
Sagt nichts darüber, ob nachgeprüft wird
Ist ein Ziel, kein Verfahren

Retrieval-Augmented Generation

Das Verfahren: passende Textstellen suchen und in die Anfrage legen
Erzeugt Grounding, garantiert es aber nicht
Ohne Nachprüfung bleibt eine Lücke zwischen Beleg und Aussage
Genau diese Lücke misst die Stanford-Studie von 2024

Warum Grounding allein nicht reicht

Eine Untersuchung des Stanford RegLab an juristischen Recherchewerkzeugen mit Quellenanbindung fand trotz Grounding zwischen 17 und 33 Prozent halluzinierte Antworten (Magesh und Kollegen 2024, arXiv:2405.20362). Der Grund ist strukturell: das Modell bekommt Quelltext, ist aber nicht gezwungen, sich daran zu halten.

Daraus folgt die Bauentscheidung in Quanta: Grounding zuerst, dann eine Prüfung, die nicht wieder von einem Modell stammt. Der Quote-Match sucht das Beleg-Zitat wörtlich im Quelltext und verwirft, was er nicht findet.

Der Unterschied ist messbar statt behauptet. Grounding wird dadurch von einem Versprechen zu einer Eigenschaft, die man nachrechnen kann, und genau das ist der Punkt.

Häufige Rückfragen zur Verankerung in Quellen

Beseitigt Grounding Halluzinationen?

Nein. Es reduziert sie, beseitigt sie aber nicht. Die Stanford-RegLab-Untersuchung von 2024 maß bei führenden juristischen Werkzeugen mit Quellenanbindung 17 bis 33 Prozent Halluzination. Deshalb kommt in Quanta nach dem Grounding eine deterministische Prüfung.

Ist Grounding dasselbe wie RAG?

Nein. RAG ist ein Verfahren zur Beschaffung von Kontext, Grounding ist die Eigenschaft der fertigen Ausgabe. RAG kann Grounding erzeugen, garantiert es aber nicht, weil nichts das Modell zwingt, den beschafften Text auch zu benutzen.

Weiter zu Source-First und Quote-Match

Source-First

Quantas Generierungsprinzip: Quelltext als Grundlage verwenden und Beleg-Zitate gegen diesen Text prüfen.

Quote-Match

Deterministische, serverseitige Prüfung: ein Beleg-Zitat wird gegen den verfügbaren Quelltext geprüft; ein bestätigter Treffer berechtigt zum Verified-Label.

Quanta Verified

Das Siegel für quellenbelegte KI-Karten: Quelle mit Titel, Lizenz und Direktlink plus wörtliches Beleg-Zitat, per Quote-Match geprüft.

Lernmethoden vertiefen

Spaced Repetition

Wissenschaftlich optimierte Wiederholung

Aktiver Abruf

Retrieval Practice für besseres Behalten

Interleaving

Gemischtes Lernen für Transferleistung

Neuro-Adaptiv

KI-gesteuertes Mastery Learning

Intervalltraining

Fokus-Phasen & Pausen-Zyklen

Passend dazu bei Quanta

Tafelwerk

Formeln mit Herleitung und Rechenbeispiel

Karteikarten-App

Was die App kann, ohne Marketing-Nebel

KI-Halluzination

Warum KI erfindet und was dagegen hilft

Blog

Lernmethoden, nachgerechnet statt behauptet

Studiengänge

Lernstoff nach Studiengang sortiert

TeilenWhatsApp Facebook X LinkedIn Telegram Reddit E-Mail

Quanta Study Redaktion · September 2026