Erdung kann allgemein so verstanden werden, dass "die Antworten des Modells so gut wie möglich auf überprüfbaren externen Informationen basieren". Die häufigste Manifestation ist, dass das Modell Antworten in Kombination mit Suchergebnissen, Datenbankdatensätzen, Unternehmenswissensdatenbanken oder anderen expliziten Quellen generiert und diese Quellen mitbringt. In letzter Zeit haben viele KI-Suchprodukte den Schwerpunkt auf Grounding gelegt, im Grunde als Reaktion auf die Kernbeschwerden der Nutzer: Gebt mir nicht nur Antworten, die wie echte aussehen, ich möchte wissen, worauf ihr basiert.
Ohne Grounding basiert das Modell hauptsächlich auf Mustern, die während des Trainings gelernt wurden, um zu antworten. Der Vorteil davon ist, dass es schnell und flüssig ist, aber sobald das Problem Aktualität, Unterschiede in Details oder Langschwanzfakten betrifft, ist es leicht, "es sehr ähnlich zu sagen, aber es ist tatsächlich instabil". Das Ziel von Grounding ist es, diese Unsicherheit nach unten zu drücken, sodass das Modell zunächst mit externen Materialien näher am aktuellen Problem arbeiten und dann die Antwort basierend auf diesem Material organisieren kann.
Viele Menschen setzen Grounding mit RAG gleich, und dieses Verständnis ist nur halb richtig. RAG ist eine sehr verbreitete Erdungs-Implementierung, aber Erdung ist breiter gefasst. Man nutzt Google Search, Unternehmensdatenbanken, strukturierte Tabellen, API-Rückgabeergebnisse und Webscraping-Ergebnisse, um das Modell einzuschränken, das tatsächlich Grounding ist. Der Fokus liegt nicht darauf, welcher Fachbegriff verwendet wird, sondern darauf, ob die Antwort anhand externer Belege klarer "umgesetzt" wird.
Warum wurde es zu einem heißen Wort? Denn die KI-Suche ist von "Kann ich antworten?" zu "Ich wage es zu glauben" gewechselt. Gerade in Szenarien wie Suche, Recherche, Einkauf, medizinische Informationen und politische Anfragen sind Nutzer mit einer schönen Zusammenfassung nicht zufrieden, möchten aber schnell die Beweise, Herkunft und den Zugang sehen, um die Überprüfung fortzusetzen. Erdung ist genau das, was diese Bedürfnisebene ist.
Allerdings sollte Grounding auch nicht vergöttlicht werden. Erstens bedeutet eine Quelle nicht, dass diese zuverlässig ist. Webseiten selbst können veraltet, einseitig oder sogar verwechselt voneinander kopiert sein. Zweitens, selbst wenn das Modell die Quelle bekommt, kann es unvollständig zitieren, den falschen Kontext zusammenfügen oder mehrere Quellen zu einer einzigen Schlussfolgerung vermischen. Drittens, wenn die Suchphase selbst verzerrt ist, ist die geerdete Antwort nur "mehr geerdeter Bias".
Um zu beurteilen, ob ein geerdetes System gut ist oder nicht, sollte es daher nicht nur darauf achten, ob es Zitationslinks gibt, sondern auch auf drei Dinge: ob die Quelle echt und anklickbar ist, ob die Zitation mit der vorherigen Schlussfolgerung übereinstimmt und ob der Suchlink die Schlüsselinformationen so weit wie möglich abdeckt. Viele Produkte betonen heute, "Quellantworten zu bringen", was tatsächlich um Glaubwürdigkeit und nicht nur um Schreibkompetenz konkurriert.
Kurz gesagt: Anstatt ein Modell plötzlich in eine Datenbank von Fakten zu verwandeln, verleiht Grounding ihm einen realen Griff. Es wird immer wichtiger, weil KI-Suche nicht mehr nur darin besteht, besser zusammenzufassen als alle anderen, sondern den Nutzern das Vertrauen zu geben, Entscheidungen darauf basierend zu treffen.
