KI-Halluzinationen gehören wohl zu den größten Herausforderungen von Sprachmodellen (LLMs). ChatGPT, Gemini, Mistral & Co. wirken oft beeindruckend schlau – doch immer wieder liefern sie Antworten, die komplett falsch sind. Und das nicht etwa unsicher oder vorsichtig, sondern mit voller Überzeugung.
Warum also halluziniert KI gefühlt immer mehr? Ein aktuelles Forschungspapier von OpenAI liefert neue Antworten. Die Forscher:innen zeigen: Das Problem steckt nicht nur in den Modellen selbst, sondern auch in der Art und Weise, wie die KI für ihre Antworten bewertet wird. Die Folge: Sprachmodelle werden unbewusst dafür belohnt, zu halluzinieren, ähnlich wie bei einem Test in der Schule. Aber dazu später mehr.
In diesem Artikel
KI optimal nutzen mit WEVENTURE
Die sichere Nutzung von Künstlicher Intelligenz gehört bei uns zum Alltag. Mit unserem Know-How unterstützen wir dich dabei, ChatGPT und Co. optimal einzusetzen.
Was sind KI-Halluzinationen überhaupt?
KI-Halluzinationen entstehen, wenn ein künstlicher Chatbot wie ChatGPT Antworten gibt, die zwar plausibel klingen, aber schlicht falsch sind. Das Besondere daran: Die KI ist sich ihrer Sache dabei oft völlig sicher – und formuliert die erfundenen Fakten mit derselben Überzeugung wie richtige Informationen.
In der Fachsprache spricht man hier von hallucinations, zu Deutsch also Halluzinationen. Der Begriff bedeutet, dass die Künstliche Intelligenz falsche Aussagen generiert, die sprachlich korrekt, aber inhaltlich unwahr sind. Also wie ein Mensch, der auf einmal “Stimmen hört” und dies nicht von der Realität unterscheiden kann.
Ein einfaches Beispiel: Wird ChatGPT nach dem Geburtstag einer wenig bekannten Person gefragt, kann es ein konkretes Datum nennen – obwohl diese Information nicht im Trainingsmaterial enthalten ist. Das Ergebnis: eine erfundene, aber glaubwürdig klingende Antwort.
Wichtige Begriffe
- Halluzination: Eine falsche, aber plausibel klingende Aussage der KI.
- Abstention/IDK (Enthaltung): Wenn ein Modell bewusst keine Antwort gibt, etwa mit „Ich weiß es nicht“ (I don’t know = IDK).
- Accuracy (Genauigkeit): Anteil der richtigen Antworten.
- Error Rate (Fehlerrate): Anteil der falschen Antworten = Halluzinationen.
- Calibration (Kalibrierung): Fähigkeit der KI, ihre eigene Unsicherheit realistisch einzuschätzen.
Warum und wie entstehen KI-Halluzinationen?
a) Fehlerursachen im Pretraining (Autovervollständigung/Density Estimation)
1. Warum Fehler unvermeidlich sind
Beim Pretraining versucht ein Modell, die Verteilung plausibler Sprache (Distribution) zu lernen – also: Welches Wort passt statistisch am besten als Nächstes?
- Das Problem: Nicht alle Informationen folgen einem klaren Muster.
- OpenAI zeigt, dass dadurch bestimmte Fehlertypen unvermeidlich sind.
- Das ist keine Schwäche des Modells an sich, sondern liegt an der Art der Aufgabe (Lernproblem).
2. Erkennen ist einfacher als Generieren
Die Forscher:innen haben Generationsfehler (Halluzinationen) auf eine vereinfachte Frage reduziert:
- „Ist diese Antwort gültig?“ (Is-It-Valid / IIV-Problem).
- Dabei zeigte sich: Antworten selbst generieren ist immer fehleranfälliger als nur zu erkennen, ob eine Antwort gültig ist.
- Mathematisch folgt daraus eine Untergrenze für Fehler (generative error rate) – also ein Minimum an Halluzinationen, das sich nie ganz vermeiden lässt.
3. Nicht nur Autovervollständigung
Oft heißt es: Sprachmodelle lernen nur „das nächste Wort“ vorherzusagen (Next-Word-Prediction).
- OpenAI betont: Das ist nur ein Spezialfall.
- In Wahrheit handelt es sich um eine allgemeine Dichte-Schätzung (density estimation): Modelle passen sich an die Statistik der Sprache an.
- Fehler entstehen also nicht durch eine bestimmte Architektur, sondern weil Sprache und Wissen selbst statistische Grenzen haben.
4. Seltene Fakten sind ein Sonderfall
Besonders problematisch sind seltene Fakten ohne klare Muster – z. B. Geburtstage unbekannter Personen.
- Hier spricht man von epistemischer Unsicherheit (das Wissen fehlt schlicht in den Daten).
- OpenAI führt dafür die Singleton-Rate ein: der Anteil an Fragen, die im Training nur ein einziges Mal vorkamen. Mindestens dieser Anteil führt zu Halluzinationen – selbst bei sehr gut kalibrierten Modellen.
- Beispiel: Wenn 20 % aller Geburtstagsfragen Singletons sind, halluziniert das Modell bei mindestens 20 % dieser Fragen.
5. Kalibrierung: Unsicherheit spüren, aber trotzdem Fehler machen
Im Pretraining neigen Modelle dazu, ihre Unsicherheit relativ realistisch einzuschätzen (Kalibrierung).
Trotzdem machen sie Fehler, weil manche Antworten statistisch nicht trennbar sind.
Späteres Post-Training (z. B. Reinforcement Learning) kann diese Kalibrierung sogar verschlechtern, also das Modell selbstbewusster machen, obwohl es irrt.
6. Unterschiedliche Fehlertypen
Das OpenAI-Papier unterscheidet zwei Arten von Problemen:
- Modellgrenzen (poor-model errors): Aufgaben, die Sprachmodelle strukturell kaum lösen können (z. B. Buchstaben zählen).
- Musterlosigkeit (arbitrary-fact errors): Aufgaben ohne statistische Regel (z. B. zufällige Fakten).
- Rechtschreibung verschwindet mit genügend Daten und Training, aber bei Zählaufgaben oder seltenen Fakten bleiben Halluzinationen bestehen.
b) Das Schultest-Problem (Evaluation und Anreizstruktur)
KI-Halluzinationen entstehen nicht nur im Pretraining, sondern werden durch die Art, wie wir Modelle bewerten, verstärkt. Genau hier setzt die Untersuchung von OpenAI an: Es zeigt, dass die gängigen Benchmarks und Leaderboards systematisch das Raten belohnen und damit Halluzinationen fördern.
Was sind Benchmarks und Leaderboards überhaupt?
- Benchmarks sind standardisierte Tests, mit denen Forscher:innen messen, wie gut ein KI-Modell verschiedene Aufgaben löst – etwa Quizfragen, Sprachverständnis oder Programmieraufgaben.
- Die Ergebnisse werden oft in Leaderboards gesammelt: Bestenlisten, auf denen Modelle je nach Punktzahl oder Genauigkeit platziert werden.
- Diese Rankings sind extrem wichtig: Sie entscheiden, welche Modelle als „State of the Art“ gelten, worüber in Fachkreisen gesprochen wird und woran Unternehmen ihre Fortschritte messen.
Kurz gesagt: Benchmarks und Leaderboards sind das „Prüfungssystem“ der KI-Forschung. Aber genau wie bei einer Schulprüfung können sie den falschen Anreiz setzen.
Der Multiple-Choice-Vergleich
Die Publikation von OpenAI beschreibt die Situation wie eine Klassenarbeit:
- Wer eine Frage nicht beantwortet, bekommt 0 Punkte.
- Wer rät, hat eine kleine Chance auf Punkte – und liegt manchmal zufällig richtig.
- Über viele Fragen hinweg sieht der „Ratende“ im Durchschnitt besser aus als der „Ehrliche“, der bei Unsicherheit das Feld leer lässt.
Übertragen auf KIs heißt das:
- Abstention/IDK (Enthaltung) → keine Punkte.
- Raten (Guessing) → Chance auf Punkte, auch wenn oft falsch.
- Fazit: Modelle lernen, dass es strategisch besser ist, zu halluzinieren, als „Ich weiß es nicht“ zu sagen.
Accuracy dominiert Benchmarks
Fast alle verbreiteten Eval-Metriken messen nur Accuracy – also, wie oft ein Modell exakt richtig antwortet.
- Error Rate (Fehlerrate) oder Abstention Rate spielen auf Leaderboards kaum eine Rolle.
- Ein Modell, das lieber 10-mal halluziniert, aber dafür 1-mal zufällig richtig liegt, kann am Ende besser dastehen als ein Modell, das 10-mal ehrlich „weiß ich nicht“ sagt.
Die Untersuchung betont: Genau dieses Ungleichgewicht führt dazu, dass Error Rates von Modellen teils extrem hoch sind, selbst wenn Accuracy ähnlich bleibt. Beispiel: In der SimpleQA-Evaluation erreichte ein älteres Modell zwar 24 % Accuracy, aber ganze 75 % Fehlerquote – während ein neueres Modell mit mehr Abstentions nur 26 % Fehler machte.
Warum „Abstention“ eigentlich wertvoller wäre
Das Papier von OpenAI argumentiert: Fehler sind schlimmer als Nicht-Antworten.
Ein falsches, selbstbewusstes Ergebnis kann Menschen in die Irre führen. Ein ehrliches „Ich weiß es nicht“ schützt vor Schaden – selbst wenn es keine direkte Information liefert. OpenAI verweist hier auf die Model Spec (ihre interne Verhaltens-Richtlinie): „Es ist besser, Unsicherheit zu zeigen oder nachzufragen, als mit voller Überzeugung etwas Falsches zu behaupten.“
Das statistische Problem hinter Accuracy-Only
Die Forschung zeigt:
- Wenn Benchmarks nur „richtig vs. falsch“ zählen, dominiert immer der erwartete Wert des Ratens.
- Modelle sind dadurch rational incentiviert, zu halluzinieren.
- Selbst mit neuen Halluzinations-Benchmarks ändert sich das kaum, solange Accuracy-only die Hauptmetriken sind.
- Zitat sinngemäß aus der Publikation: „Ein gutes Halluzinations-Eval alleine bringt nichts, wenn Hunderte klassische Accuracy-Evals weiterhin Raten belohnen.“
c. Weitere Ursachen für KI-Halluzinationen
Neben den fundamentalen Effekten aus Pretraining und Benchmark-Anreizen gibt es eine Reihe weiterer Faktoren, die erklären, warum KI-Modelle wie ChatGPT halluzinieren. OpenAI unterteilt sie in vier Kategorien:
„Poor Models“ – Grenzen der Modellarchitektur
Manche Aufgaben überfordern Sprachmodelle schlicht.
- Beispiel: Buchstaben oder Tokens zählen. Ein LM, das auf Subword-Einheiten trainiert ist, hat keine native „Zählfähigkeit“.
- Hier entstehen Fehler nicht, weil die Daten falsch sind, sondern weil das Modell für diese Strukturaufgabe ungeeignet ist.
- OpenAI nennt das Poor-Model Errors – also Halluzinationen, die durch die falsche Repräsentation oder Limitierung der Architektur entstehen.
OOD-Probleme (Out-of-Distribution / Verteilungsverschiebung)
Modelle lernen aus Trainingsdaten, die bestimmte Muster und Themen abbilden.
- Wird die KI mit Fragen konfrontiert, die weit vom Trainingsspektrum entfernt sind, fehlen die passenden statistischen Anker.
- Beispiel: Eine KI, die überwiegend auf englischen Texten trainiert ist, wird bei komplexen Māori-Fragen fast zwangsläufig halluzinieren.
- OpenAI betont: Selbst große Modelle können hier nicht robust extrapolieren – OOD führt zu Halluzinationen, egal wie gut die Basis ist.
Komplexität & „Hard Problems“
Einige Aufgaben sind rechnerisch schwer, selbst für sehr große Modelle.
- Dazu gehören Probleme, die tiefe logische Schritte erfordern oder NP-schwere Eigenschaften haben.
- Selbst bei perfekter Datenlage ist es unmöglich, diese Fragen immer korrekt zu beantworten – Modelle können nur Näherungen liefern.
- Beispiel: komplexe Beweisführungen in der Mathematik oder hochgradig verschachtelte Logik.
Diese Hard Problems bleiben ein strukturelles Risiko für Halluzinationen.
GIGO (Garbage In, Garbage Out) – fehlerhafte Trainingsdaten
Auch wenn Modelle riesige Datenmengen nutzen, enthalten diese Daten Fehler, Widersprüche oder falsche Fakten.
- Beispiel: Wikipedia-Einträge, die fehlerhaft sind, oder Forenbeiträge, die Halbwahrheiten enthalten.
- Modelle reproduzieren diese Fehler nicht nur – sie können sie sogar verstärken, wenn sie übergeneralisieren.
- Selbst wenn Pretraining mathematisch sauber läuft, bleiben diese Inhaltsfehler als Halluzinationsquelle bestehen.
KI richtig einsetzen mit WEVENTURE
WEVENTURE unterstützt dich dabei, deine Online-Sichtbarkeit nachhaltig zu steigern – Powered by AI.
Warum sind KI-Halluzinationen so schwer zu lösen?
Auf den ersten Blick könnte man meinen: Je größer und besser ein Modell wird, desto weniger halluziniert es – irgendwann sind die Fehler weg. Doch genau das widerlegt die aktuelle Untersuchung von OpenAI. Halluzinationen sind kein Bug, den man mit mehr Rechenpower oder Daten einfach behebt, sondern das Resultat mehrerer hartnäckiger Mechanismen.
100 % Genauigkeit ist unmöglich
OpenAI zeigt: Accuracy – also der Anteil richtiger Antworten – wird in der Praxis nie 100 % erreichen.
- Manche Fragen sind prinzipiell unbeantwortbar (z. B. „Was ist der exakte Geburtstag einer unbekannten Person?“).
- Andere sind mehrdeutig oder hängen vom Kontext ab, den das Modell nicht kennt.
Selbst mit perfekten Daten und gigantischen Modellen bleibt eine Restunsicherheit, die zu Halluzinationen führen kann.
👉 Das bedeutet: „Wenn wir nur die Accuracy steigern, verschwinden Halluzinationen“ – ist ein Mythos.
Benchmarks setzen falsche Anreize
Solange gängige Leaderboards nur „richtig vs. falsch“ messen, lohnt es sich für Modelle, lieber zu raten als zu schweigen.
- Falsche, aber überzeugend vorgetragene Antworten schneiden im Score oft besser ab als ehrliche Unsicherheit.
- Genau das zementiert Halluzinationen, selbst wenn die Modelle eigentlich in der Lage wären, „Ich weiß es nicht“ zu sagen.
👉 Solange die Evaluationslogik nicht geändert wird, werden neue Modelle immer wieder denselben Fehler machen.
Unvermeidbare Musterlücken
Selbst wenn man die Bewertung repariert, bleibt das Problem der arbitrary facts: Seltene Informationen ohne Muster (z. B. Dissertationstitel einzelner Forschender) lassen sich statistisch nicht zuverlässig lernen. OpenAI zeigt, dass schon der Singleton-Anteil (Fakten, die nur einmal im Training vorkommen) eine Untergrenze für Halluzinationen darstellt.
👉 Selbst das bestkalibrierte Modell wird also zwangsläufig einen Teil falscher Antworten produzieren.
Zusätzliche Ursachen verstärken das Problem
- Poor Models: Manche Aufgaben (z. B. Buchstaben zählen) sind inhärent schwierig für Sprachmodelle.
- OOD-Effekte: Fragen außerhalb der Trainingsdomäne führen zuverlässig zu Halluzinationen.
- Komplexität: Logisch harte Probleme sind auch für Supermodelle nicht lösbar.
- GIGO: Fehlerhafte Trainingsdaten setzen sich direkt in fehlerhafte Ausgaben fort.
👉 Diese Faktoren sorgen dafür, dass Halluzinationen nicht einfach „wegskaliert“ werden können.
Fortschritt ≠ Lösung
Zwar zeigt GPT-5 in den Benchmarks deutlich weniger Halluzinationen, vor allem in komplexen Reasoning-Aufgaben. Aber: Auch GPT-5 halluziniert noch – nur seltener. Und solange Scoreboards, Daten und Modellarchitektur nicht grundlegend angepasst werden, bleibt das Problem bestehen.
👉 OpenAI fasst das so zusammen: Halluzinationen sind erklärbar, messbar – und reduzierbar, aber nicht eliminierbar.
Was tun gegen KI-Halluzinationen? Das schlagen Forscher:innen vor
Falsche, selbstbewusste Antworten härter bestrafen als Unsicherheit
Heute gilt oft ein binäres 0/1-Schema: richtig = 1 Punkt, Abstention/IDK (= I don’t know, auf deutsch: ich weiß nicht) = 0, falsch = 0. Unter dieser Logik ist Abstention strikt suboptimal – optimales „Test-Nehmer“-Verhalten ist das Raten. Genau das fördert Halluzinationen. Konsequenz aus dem Paper: Negativ-Marking einführen bzw. Teil-Credit für Unsicherheit geben, damit ehrliches Nicht-Antworten besser ist als ein konfidenter Fehler.
Status quo: Viele prominente Benchmarks geben keinen Credit für “I don’t know” (IDK) – u. a. MMLU-Pro, GPQA, MATH (L5), MuSR, SWE-bench, HLE. Teilweise bewerten LM-Grader sogar „faire“ Antworten mit Fehlern höher als ehrliche IDK-Antworten, was Raten zusätzlich begünstigt.
Explizite „Confidence Targets“ direkt in die Aufgaben schreiben
In die großen Benchmarks integrieren – nicht nur in Spezial-Evals
„Behavioral Calibration“ messen statt nur Wahrscheinlichkeiten zu melden
Gewichtung: Qualität vor „Vollständigkeit“
Adoption ist ein sozio-technisches Thema
Was nicht reicht bei KI-Halluzinationen (aber oft versucht wird)
- Mehr Halluzinations-Benchmarks alleine lösen das Problem nicht, solange Primär-Evals weiter Unsicherheit bestrafen.
- RAG/Recherche & Reasoning helfen oft, aber unter binärer Benotung bleibt Raten rational, wenn Suche keine sichere Evidenz liefert. Die Bewertungslogik selbst muss sich ändern.
- LM-Grader können irren und falsche „Bluffs“ als korrekt werten – noch ein Grund, Fehlanreize im Scoring zu beseitigen.
Was bedeutet das für Nutzer:innen?
Für alle Anwender:innen: Antworten prüfen, nicht blind glauben
- Selbstbewusste Formulierungen sind kein Garant für Wahrheit. Genau das ist die Gefahr von Halluzinationen: Sie wirken überzeugend, obwohl sie falsch sind.
- Wer ChatGPT & Co. nutzt, sollte sich angewöhnen: „Klingt plausibel – aber stimmt das wirklich?“
- Besonders bei Faktenfragen lohnt sich ein schneller Gegencheck mit einer zuverlässigen Quelle.
Für Unternehmen: Qualitätskontrolle ist Pflicht
- KI-gestützte Texte, Reports oder Präsentationen sparen Zeit – bergen aber das Risiko, falsche Inhalte in Umlauf zu bringen.
- Fact-Checking und menschliches Review sollten in jedem Workflow fest verankert sein, wenn KI-Inhalte veröffentlicht oder geschäftlich genutzt werden.
- Manche Unternehmen gehen bereits dazu über, Retrieval-Augmented Generation (RAG) einzusetzen: Das Modell holt sich vor der Antwort verlässliche Informationen aus einer Datenbank oder einem Dokumenten-Index. Das reduziert Halluzinationen deutlich – ersetzt aber kein Review.
Für kritische Bereiche: Extra Vorsicht
- In Medizin, Recht oder Finanzen kann eine halluzinierte Antwort gravierende Folgen haben.
- Hier gilt: KI darf unterstützen, aber nicht entscheiden.
- Systeme sollten so gebaut sein, dass sie bei Unsicherheit lieber abbrechen oder nachfragen, statt falsche Fakten auszugeben.
Für Entwickler:innen und Forscher:innen: Unsicherheit sichtbar machen
- Ein Modell, das „Ich weiß es nicht“ sagen darf, ist vertrauenswürdiger als eines, das immer antwortet.
- Praktisch bedeutet das: Antworten mit Confidence-Scores, Quellenangaben oder Unsicherheits-Hinweisen versehen.
- Nutzer:innen brauchen nicht nur eine Antwort, sondern auch ein Gefühl für deren Verlässlichkeit
Ausblick: Weniger KI-Halluzinationen, mehr Vertrauen?
Fortschritte sind sichtbar – GPT-5 als Beispiel
- GPT-5 hat in Benchmarks bereits deutlich weniger Halluzinationen gezeigt als Vorgänger.
- Besonders in komplexen Reasoning-Aufgaben ist der Unterschied klar: Weniger Ratespiele, mehr „Ich weiß es nicht“.
- Trotzdem: Auch GPT-5 halluziniert noch – das Problem verschwindet nicht einfach mit Größe und Rechenleistung.
Paradigmenwechsel bei der Bewertung
- OpenAI betont: Der Schlüssel liegt nicht allein im Modelltraining, sondern in den Benchmarks und Leaderboards.
- Erst wenn konfidente Fehler härter bestraft werden als ehrliche Unsicherheit, wird die Anreizstruktur für Entwickler:innen anders aussehen.
- Damit könnten künftige Modelle lernen, nicht mehr „Test-Taker“ zu sein, sondern vertrauenswürdige Assistenten.
Mehr Transparenz für Nutzer:innen
- Ein wichtiges Ziel: KIs sollen Unsicherheit nicht verstecken, sondern kommunizieren.
- Quellenangaben, Confidence-Level oder das klare „weiß ich nicht“ werden Standard-Features werden müssen.
- Das erhöht nicht nur die Verlässlichkeit, sondern auch das Vertrauen der Gesellschaft in KI-Systeme.
Gemeinsame Verantwortung
- Forschung muss bessere Bewertungsverfahren entwickeln und implementieren.
- Unternehmen müssen KI-Ausgaben prüfen und kontrollieren, bevor sie geschäftsrelevant eingesetzt werden.
- Nutzer:innen müssen lernen, KI-Antworten kritisch einzuordnen – und nicht jede plausible Formulierung für bare Münze zu nehmen.
Wir steigern deine digitale Sichtbarkeit!
Mit KI unterstützen wir dich dabei, deine Online-Sichtbarkeit zu steigern. Lass dich jetzt unverbindlich beraten.
Fazit: Vom Halluzinieren zum ehrlichen Assistenten
Halluzinationen sind heute noch ein grundlegendes Problem der Künstlichen Intelligenz. Doch sie sind weder mysteriös noch unvermeidlich. Mit besseren Evaluationsmethoden, ehrlicher Unsicherheitskommunikation und konsequenter Qualitätskontrolle kann KI Schritt für Schritt verlässlicher werden.
Vielleicht ist genau das der nächste Meilenstein: eine KI, die Vertrauen schafft, weil sie manchmal „Ich weiß es nicht“ sagt – und uns damit zeigt, dass sie ihre Grenzen kennt.
FAQ zu KI-Halluzinationen
Was bedeutet es, wenn KI halluziniert?
Wenn ein KI-Modell wie ChatGPT falsche Informationen mit voller Überzeugung ausgibt, spricht man von Halluzinationen. Die Antworten klingen plausibel, sind aber inhaltlich nicht korrekt.
Warum halluzinieren KI-Modelle?
Halluziniert ChatGPT mehr als andere KI-Modelle?
Wie bringt man KI zum Halluzinieren?
Das passiert oft bei seltenen oder ungewöhnlichen Fragen, z. B. nach einem unbekannten Geburtstag, nach Nischen-Fakten oder wenn die Trainingsdaten keine klare Antwort enthalten. Auch Mehrdeutigkeiten erhöhen die Chance auf Halluzinationen.
Was wird eine KI niemals können?
Sind KI-Halluzinationen gefährlich?
Kann man KI-Halluzinationen verhindern?
Was kann ich tun, um Halluzinationen zu erkennen?
- Fakten gegenprüfen (Google, Wikipedia, Fachquellen).
- Auf Quellenangaben oder Confidence-Hinweise achten, wenn ein Modell diese liefert.
- Im Zweifel: kritisch hinterfragen, ob die Antwort logisch Sinn ergibt.
Das ist auch unser Vorgehen als Content-Marketing-Agentur in Berlin. Wir benutzen ChatGPT für SEO-Inhalte, bei datenschutzsensibleren Texten empfehlen wir Mistral. Unabhängig vom benutzten Modell wird unser Content immer von einer zweiten Person gegengelesen (4-Augen-Prinzip). Manchmal lassen wir den Text auch durch ein weiteres (oder sogar dasselbe) KI-Modell überprüfen und konkret nach Schwachstellen suchen. So werden unsere Inhalte noch besser. Sprechen Sie uns gerne an für ein unverbindliches Erstgespräch.
