Trainingsdaten und Live-Abruf
Auch: Training Data, Live Retrieval, Wissensstichtag
Trainingsdaten und Live-Abruf sind die zwei Wissensquellen eines KI-Sprachmodells: das Wissen, das beim Training mit festem Stichtag in das Modell eingegangen ist, und die Inhalte, die das System erst bei einer Anfrage aus dem Web holt und als Quelle angeben kann.
Fragt man ein KI-System nach der Adresse eines Unternehmens, kann die Antwort aus zwei sehr verschiedenen Quellen kommen. Entweder aus dem, was das Modell beim Training gelernt hat, oder aus Webseiten, die es in genau diesem Moment abruft. Im ersten Fall ist die Angabe so alt wie das Trainingsmaterial, im zweiten so aktuell wie die gefundene Seite.
Die Unterscheidung zwischen Trainingsdaten und Live-Abruf erklärt viele Rätsel aus der Praxis: warum ein Modell eine längst geänderte Firmenadresse nennt, warum eine Korrektur auf der Website bei einer Frage sofort ankommt und bei einer anderen nie. Dieser Eintrag ordnet beide Wege ein, zeigt, woran Sie sie erkennen, und was Website-Betreiber auf jedem davon steuern können.
Zwei Wege zu einer Antwort
Trainingsdaten sind die Texte, aus denen ein Modell vor seiner Veröffentlichung lernt. OpenAI nennt dafür drei Arten von Quellen: öffentlich im Internet verfügbare Informationen, Daten aus Partnerschaften mit Dritten und Inhalte, die Nutzer, Trainer und Forschende bereitstellen oder erzeugen. Nach Angaben des Unternehmens speichern die Modelle dabei keine Kopien der Texte. Sie lernen Muster: welche Begriffe zusammengehören, welche Aussagen über eine Marke häufig vorkommen. Fachleute sprechen deshalb von parametrischem Wissen, weil es in den Parametern des Modells steckt.
Beim Live-Abruf sucht das System während der Anfrage im Web, wählt Treffer aus und legt einzelne Passagen in seinen Arbeitsspeicher für diese Antwort, das sogenannte Kontextfenster. Daraus formuliert es die Antwort und kann die verwendeten Seiten als Quelle verlinken. Technisch heißt dieses Verfahren meist Retrieval-Augmented Generation. In ChatGPT übernimmt das die ChatGPT-Suche.
Beide Wege schließen sich nicht aus. Auch wenn ein System sucht, formuliert es seine Suchanfragen, liest die Treffer und gewichtet Widersprüche mit dem, was es aus dem Training mitbringt. Eine Antwort mit Quellenlinks ist also nie reines Abrufwissen, eine ohne Links aber in aller Regel reines Trainingswissen.
Der Wissensstichtag
Jedes Modell hat einen Stichtag, bis zu dem sein Trainingsmaterial reicht, auf Englisch knowledge cutoff. Die Anbieter veröffentlichen ihn in ihrer Modelldokumentation. Für GPT-5 nennt OpenAI zum Beispiel den 30. September 2024. Anthropic weist für seine Claude-Modelle sogar zwei Daten aus: einen Stichtag für verlässliches Wissen und einen für die Trainingsdaten.
Für Unternehmen hat der Stichtag drei Folgen. Erstens kennt das Modell aus eigenem Wissen nichts, was danach geschah: keinen neuen Firmennamen, keinen Umzug, kein Produkt aus dem letzten Jahr. Zweitens bleibt ein Modell oft lange im Einsatz, der Abstand zwischen Stichtag und Gespräch wächst also mit jedem Monat. Drittens ist das, was kurz vor dem Stichtag erschien, nach unserer Einschätzung dünner abgebildet als ältere Inhalte, über die schon viele Texte existierten. Die Unterscheidung zweier Daten bei Anthropic deutet in dieselbe Richtung.
Faustregel: Alles, was sich in Ihrem Unternehmen seit dem Stichtag eines Modells geändert hat, kann dieses Modell nur über den Live-Abruf richtig wiedergeben.
Woran Sie erkennen, welcher Weg geantwortet hat
Das sicherste Zeichen sind Quellenangaben. Erscheinen unter oder in der Antwort Links, hat das System gesucht. Fehlen sie, stammt die Antwort aus dem Modell selbst. Wer Antworten über die eigene Marke prüft, sollte deshalb zu jeder Antwort festhalten, ob Quellen erschienen und welche. Die Tabelle zeigt, was typische Beobachtungen bedeuten.
| Beobachtung | Wahrscheinliche Ursache | Wo Sie ansetzen |
|---|---|---|
| Antwort ohne Quellen nennt eine veraltete Angabe | Trainingswissen vor der Änderung | kurzfristig nicht korrigierbar; die neue Angabe im Web eindeutig und oft genug belegen |
| Antwort mit Quellen nennt eine veraltete Angabe | eine abgerufene Seite ist veraltet | die verlinkte Quelle prüfen und dort korrigieren lassen |
| Marke fehlt, Quellen werden genannt | Ihre Seiten oder Nennungen sind nicht im Kandidatenpool | Auffindbarkeit in der Websuche, Nennungen in Fachquellen |
| Marke fehlt, keine Quellen | im Trainingsmaterial kaum vorhanden | langfristig: Präsenz in öffentlichen Texten über Ihr Thema |
| Angabe wechselt von Tag zu Tag | mal mit, mal ohne Suche beantwortet | mehrere Durchläufe vergleichen, nicht eine Stichprobe |
Wie ein fester Satz von Prüffragen aufgebaut wird, der solche Schwankungen sichtbar macht, beschreibt der Beitrag GEO-Sichtbarkeit messen.
Was Website-Betreiber auf beiden Wegen steuern können
Für beide Wege gibt es getrennte Schalter, und genau hier entstehen die meisten Fehler. OpenAI dokumentiert für seine Crawler drei Rollen:
- GPTBot sammelt Inhalte, die für das Training künftiger Modelle verwendet werden können. Wer ihn in der robots.txt sperrt, signalisiert laut OpenAI, dass die Inhalte nicht ins Training gehen sollen. Mehr dazu im Eintrag GPTBot.
- OAI-SearchBot ist für die Suche in ChatGPT zuständig. Gesperrte Websites erscheinen laut OpenAI nicht in Suchantworten, können aber weiterhin als reine Navigationslinks auftauchen.
- ChatGPT-User ruft Seiten auf, wenn ein Nutzer im Gespräch eine Aktion auslöst. Weil der Abruf vom Nutzer ausgeht, gelten robots.txt-Regeln dafür nach OpenAI-Angaben unter Umständen nicht.
Bei Google ist die Lage anders geschnitten. Das Token Google-Extended steuert nach der Google-Dokumentation sowohl das Training künftiger Gemini-Modelle als auch die Fundierung, also das Einbinden von Inhalten aus dem Suchindex zum Zeitpunkt der Anfrage in Gemini-Apps. Auf die Google Suche hat es keinen Einfluss. Ein Schalter, zwei Wege: Das muss man wissen, bevor man ihn umlegt.
Wichtig ist auch die Richtung jeder Sperre. Sie wirkt nach vorn, auf künftige Trainingsläufe. Ein Modell, das bereits trainiert ist, behält, was es gelernt hat. Die Syntax für alle relevanten Crawler zeigt der Beitrag GPTBot und robots.txt: KI-Crawler richtig steuern.
Typische Missverständnisse
- „Wer GPTBot sperrt, verschwindet aus ChatGPT.“ Nein. Die Sperre betrifft das Training. Für die Suche ist OAI-SearchBot zuständig, und vorhandenes Trainingswissen bleibt in bestehenden Modellen.
- „Eine Korrektur auf der Website ändert, was das Modell weiß.“ Sie ändert, was das System beim nächsten Abruf findet. Das Trainingswissen ändert sich erst mit einem neuen Modell, das nach der Korrektur trainiert wurde.
- „Eine Antwort ohne Quelle ist erfunden.“ Nicht zwingend. Sie ist nur nicht belegt. Ob sie stimmt, hängt davon ab, wie oft und wie einheitlich die Angabe vor dem Stichtag in öffentlichen Texten stand.
- „Eine Antwort mit Quelle ist richtig.“ Auch nicht zwingend. Das System kann eine veraltete Seite finden oder eine richtige Seite falsch zusammenfassen. Ein Blick in die verlinkte Quelle klärt das.
- „Für den Live-Abruf braucht es Backlinks.“ Ein Link ist keine Bedingung, um als Quelle herangezogen zu werden. Wer aber in der Websuche nicht gefunden wird, landet seltener im Kandidatenpool, und dafür bleiben Links ein Ranking-Signal. Den Zusammenhang ordnet Backlinks und KI-Suche ein.
Beispiel: Die Umfirmierung, die das Modell nicht kennt
Ein angenommener Fall: Ein Maschinenbauer aus Mittelfranken firmiert im Frühjahr 2025 um und zieht an einen neuen Standort. Ein Jahr später fragt ein Einkäufer ein KI-System nach Herstellern für Sondermaschinen in der Region. In einem Durchlauf ohne Websuche taucht der alte Name mit der alten Adresse auf, in einem Durchlauf mit Suche der neue Name, belegt mit einem Fachartikel und der eigenen Website.
Beide Antworten sind aus ihrer Logik heraus folgerichtig. Das Modell kennt aus dem Training nur den Stand vor seinem Stichtag, die Suche findet den aktuellen. Für das Unternehmen heißt das:
- Live-Weg sichern: neuer Name, Standort und Leistung auf der Website im ausgelieferten HTML, Such-Crawler nicht gesperrt, Umleitungen von der alten Domain sauber gesetzt.
- Fremde Quellen nachziehen: Google-Unternehmensprofil, Verbandsverzeichnisse und Branchenportale auf den neuen Namen bringen, alte Fachartikel um einen Hinweis bitten, wo es sich anbietet.
- Neue Nennungen schaffen: Fachbeiträge und Pressearbeit unter dem neuen Namen, damit künftige Trainingsläufe ihn häufig und einheitlich vorfinden.
- Prüfen mit Quellenspalte: dieselben Fragen in festen Abständen stellen und notieren, ob gesucht wurde.
Der Fall ist ausgedacht und dient nur der Veranschaulichung. Wie ChatGPT im Live-Abruf Quellen auswählt und welche Maßnahmen dort wirken, beschreibt ausführlich der Beitrag ChatGPT SEO: Wie Sie in KI-Antworten auftauchen.
Häufige Fragen
Woher hat ChatGPT sein Wissen?
Aus zwei Quellen. Das Trainingswissen stammt nach OpenAI-Angaben aus öffentlich verfügbaren Informationen im Internet, aus Partnerschaften mit Dritten und aus Inhalten von Nutzern und Trainern; es reicht bis zu einem festen Stichtag. Beim Live-Abruf sucht ChatGPT während der Anfrage im Web und kann die gefundenen Seiten als Quelle verlinken.
Was ist ein Wissensstichtag?
Der Wissensstichtag, englisch knowledge cutoff, ist das Datum, bis zu dem das Trainingsmaterial eines Modells reicht. Was danach geschah, kennt das Modell nur über eine Websuche. Die Anbieter nennen den Stichtag in ihrer Modelldokumentation.
Kann ich meine Inhalte aus KI-Trainingsdaten entfernen?
Für künftige Trainingsläufe können Sie über die robots.txt widersprechen, bei OpenAI mit einer Sperre für GPTBot, bei Google über das Token Google-Extended. Modelle, die bereits trainiert sind, behalten ihr Wissen. Eine Sperre der Such-Crawler ist dafür nicht nötig und würde Sie zusätzlich aus Suchantworten nehmen.
Wie schnell kommt eine Änderung auf meiner Website in KI-Antworten an?
Über den Live-Abruf nach unserer Erfahrung innerhalb von Tagen bis Wochen, abhängig davon, wann die Seite neu erfasst wird. Im Trainingswissen erst mit einem neuen Modell, dessen Stichtag nach Ihrer Änderung liegt, also eher nach Monaten oder Jahren.