Wikidata, Wikipedia und LLM: Woher künstliche Intelligenz ihr Wissen bezieht

1. Einführung: Wer der KI die Fakten liefert

Fragen Sie ein KI-Modell nach Ihrem Unternehmen, kommt die Antwort selten aus Ihrer eigenen Website. Sie stammt aus einer Quelle, die Sie nie beauftragt haben: Wikipedia. Und aus deren strukturierter Schwester Wikidata. Diese beiden Projekte der Wikimedia Foundation sind die stillen Lehrmeister hinter fast jeder generativen Antwort. Wer versteht, wie ein LLM daraus lernt, versteht auch, warum manche Marken in ChatGPT selbstverständlich auftauchen und andere gar nicht existieren.

Wikipedia und Wikidata sind zwei der wichtigsten Wissensquellen im Training großer Sprachmodelle. Wikipedia liefert enzyklopädischen Fließtext, Wikidata liefert strukturierte, maschinenlesbare Fakten. Beide werden von Modellen wie ChatGPT überproportional stark gewichtet, weil ihre Inhalte redaktionell geprüft und sauber belegt sind. Wer dort als Entität vertreten ist, prägt mit, was ein KI-System über ein Thema für wahr hält.

Vermutlich suchen Sie nach dem Zusammenspiel von Wikidata, Wikipedia und LLM, weil Ihre eigene Marke betroffen ist. Vermutlich taucht Ihre Marke in KI-Antworten falsch oder gar nicht auf, und Sie wollen wissen, an welcher Schraube Sie drehen müssen. Genau dorthin führt dieser Beitrag: von der Mechanik des Trainings bis zu konkreten Schritten. Wenn Sie zuerst die Grundlagen benötigen, hilft unsere Erklärung zur Funktionsweise großer Sprachmodelle.

Was das für Sie heißt: Steht Ihr Unternehmen bei Wikipedia oder in der dahinterliegenden Datenbank nicht korrekt oder gar nicht, übernehmen KI-Chatbots diese Lücke fast unverändert in ihre Antworten. Kunden bekommen dann falsche oder gar keine Informationen über Sie, wenn sie ChatGPT statt Ihrer Website fragen. Erster Schritt: prüfen Sie, wie Ihr Unternehmen dort aktuell dargestellt ist.

2. Warum Wikipedia und Wikidata für KI so wichtig sind

Große Sprachmodelle sind der derzeit sichtbarste Zweig der Artificial Intelligence. Die Chatbots, die generative AI populär gemacht haben, hängen an einem einzigen Rohstoff: Text. Ein Sprachmodell lernt aus Text. Sehr viel Text. Der größte Teil davon stammt aus dem offenen Web, gefiltert aus riesigen Crawls. Dieser Rohstoff ist gewaltig, aber schmutzig: Werbung, Spam, widersprüchliche Behauptungen, Meinungen. Genau hier liegt der Wert von Wikipedia. Sie ist groß genug, um viele Themen abzudecken, und zugleich sauber genug, um als Referenz zu dienen.

Wikipedia bringt drei Eigenschaften mit, die künstliche Intelligenz beim Lernen belohnt. Erstens Belegpflicht: Jede Aussage soll auf eine Quelle verweisen. Zweitens einen neutralen Standpunkt, der Fakten von Meinung trennt. Drittens eine strenge Redaktion durch Freiwillige, die Fehler und Vandalismus ausbessern. Für ein Modell, das Muster in Sprache sucht, ist das ein selten sauberes Signal.

Wikidata setzt eine Ebene tiefer an. Wo Wikipedia Sätze schreibt, speichert Wikidata reine Fakten als Tripel: Objekt, Eigenschaft, Wert. „Berlin, Hauptstadt von, Deutschland.“ Solche Tripel sind für Maschinen unmissverständlich. Sie bilden einen Knowledge Graph (ein Netz aus vielen einzelnen, digital verknüpften Fakten), auf das Suchmaschinen und KI-Systeme direkt zugreifen können.

Der Unterschied klingt akademisch, ist aber entscheidend für Ihre Sichtbarkeit. Fließtext muss ein Modell erst interpretieren. Ein Fakt aus Wikidata steht bereits fest verdrahtet im Wissensnetz. Beide zusammen ergeben ein robustes Bild einer Entität, und beide stammen von derselben gemeinnützigen Trägerorganisation, im Original the Wikimedia Foundation.

3. Wie große Sprachmodelle aus Wikipedia lernen

Große Sprachmodelle erzeugen keine Fakten. Sie vervollständigen Muster. Wikipedia sagt es in ihrer eigenen Richtlinie zu LLMs unmissverständlich:

„LLMs are pattern completion programs: They generate text by outputting the words most likely to come after the previous ones.“
(„Große Sprachmodelle sind Muster-Vervollständigungs-Programme: Sie erzeugen Text, indem sie die Wörter ausgeben, die am wahrscheinlichsten auf die vorherigen folgen.“)

Welche Wörter am wahrscheinlichsten folgen, lernt das Modell aus seinen Trainingsdaten. Und hier wird die Gewichtung entscheidend. Nicht jede Quelle zählt gleich viel. Ein sauberer Datensatz darf das Modell öfter sehen als ein schmutziger, damit sich die guten Muster stärker einprägen.

Die Gewichtung: Klein, aber überproportional wichtig

Das lässt sich mit Zahlen belegen. Im technischen Bericht zu GPT-3, „Language Models are Few-Shot Learners“, listet OpenAI genau auf, aus welchen Datensätzen das Modell lernte. English Wikipedia steuerte rund 3 Milliarden Tokens bei. Das ist winzig neben den 410 Milliarden Tokens des gefilterten Common Crawl. Trotzdem machte Wikipedia 3 Prozent des Trainingsmixes aus und wurde 3,4-mal wiederverwendet. Das ist die höchste Wiederholungsrate aller Quellen.

OpenAI begründet das direkt im Paper:

„During training, datasets are not sampled in proportion to their size, but rather datasets we view as higher-quality are sampled more frequently.“
(„Während des Trainings werden Datensätze nicht proportional zu ihrer Größe gezogen, sondern jene, die wir als höherwertig ansehen, werden häufiger gezogen.“)

Stellen Sie sich einen Schüler vor, der eine ganze Bibliothek einmal überfliegt, ein einzelnes gutes Lehrbuch aber viermal durcharbeitet. Am Ende sitzt der Stoff aus dem Lehrbuch tiefer. Genau so behandelt ein LLM Wikipedia. Die Datenmenge ist klein, der Einfluss auf das Wissen des Modells ist groß. Das ist der Kern der Gewichtung primärer Trainingsdatenquellen.

Für Ihre Marke folgt daraus eine klare Konsequenz. Steht eine Aussage über Sie in einem gut belegten Wikipedia-Artikel, hat sie ein hohes Gewicht im Modell. Steht sie nur auf einer beliebigen Webseite, geht sie im Rauschen des Common Crawl unter. Wie ein Modell aus vielen Quellen die vertrauenswürdigste auswählt, vertiefen wir im Beitrag zu Retrieval Augmented Generation.

4. Wikidata: die strukturierte Faktenbasis hinter den Antworten

Wikipedia liefert die Geschichte, Wikidata liefert die Fakten. Die Datenbank enthält laut mehr als 122 Millionen Objekte und wuchs über 2,5 Milliarden Bearbeitungen hinweg. Jedes Objekt trägt eine feste Kennung, etwa Q95 für Google. So weiß eine Maschine sicher, welches „Google“ gemeint ist, und verwechselt es nicht mit einem gleichnamigen Produkt.

Diese Eindeutigkeit ist Gold für generative KI. Ein Modell muss ständig entscheiden, welche Entität gemeint ist. Wikidata liefert den Anker. Deshalb bauen Anbieter aktiv Brücken zu diesen Daten. Wikimedia stellte zuletzt eine Vektor-Schnittstelle für Wikidata vor, die laut IBM Abfragen rund 30-mal schneller macht und die Aufbauzeit für Entwickler um etwa 90 Prozent senkt.

Damit wird Wikidata zur direkten Zutat moderner KI-Systeme, nicht nur zum Trainingsmaterial. Bei Retrieval-Verfahren ruft ein Modell zur Laufzeit strukturierte Fakten ab, statt sie aus dem Gedächtnis zu raten. Das reduziert Halluzinationen, weil die Antwort auf geprüften Daten fußt statt auf einer statistischen Vermutung.

Was die meisten Ratgeber übersehen: Die Wechselwirkung ist beidseitig

Die gängige Erzählung lautet: Wikipedia füttert die KI. Das stimmt, greift aber zu kurz. Die Beziehung läuft in beide Richtungen, und die Rückwirkung ist längst messbar. Eine Untersuchung mit dem Titel „Wikipedia in the Era of LLMs“ zeigt, dass der Einfluss von Sprachmodellen auf Wikipedia-Artikel in einzelnen Kategorien bereits bei rund 1 bis 2 Prozent liegt.

Sichtbar wird das an der Sprache selbst. Wörter, die ChatGPT bevorzugt, etwa „crucial“ und „additionally“, tauchen laut der arXiv-Analyse in Wikipedia-Artikeln immer häufiger auf. Das Modell lernt von Wikipedia, und Wikipedia beginnt, wie das Modell zu klingen. Unsere Position dazu ist eindeutig: Wer diese Rückkopplung ignoriert, unterschätzt, wie schnell sich das gemeinsame Wissen von Mensch und Maschine verschiebt.

5. Schritt für Schritt: So werden Sie für Sprachmodelle sichtbar

Wie steht es um Ihre Präsenz in diesen Quellen? Die gute Nachricht: Sie können aktiv nachhelfen. Die schlechte: Abkürzungen funktionieren nicht. Wikipedia und Wikidata belohnen Belege und Relevanz, nicht Marketing. Diese vier Schritte bilden die Reihenfolge ab, die sich in der Praxis bewährt.

Schritt 1: Belegbare Relevanz aufbauen

Ein Wikipedia-Artikel setzt Relevanz voraus, und Relevanz zeigt sich in unabhängigen Quellen. Bevor Sie an einen Eintrag denken, benötigen Sie Belege: Fachpresse, Branchenmedien, Auszeichnungen, Studien. Genau hier zahlen sich Erwähnungen in verlässlichen Medien aus, denn sie sind die Bausteine, aus denen später ein tragfähiger Artikel entsteht.

Schritt 2: Ein Wikidata-Objekt anlegen und pflegen

Wikidata ist niederschwelliger als Wikipedia. Ein Objekt für Ihre Organisation lässt sich anlegen, sobald sie belegbar existiert. Tragen Sie die Kernfakten sauber ein: offizielle Website, Gründung, Sitz, Branche, Verknüpfungen zu Personen und Produkten. Jede Eigenschaft ist ein Faktenanker, den eine KI direkt lesen kann.

Schritt 3: Die eigene Website verknüpfen

Ihre Website ist die Kontrollinstanz. Mit strukturierten Daten und einem sameAs-Verweis auf Ihr Wikidata-Objekt signalisieren Sie Suchmaschinen und Modellen, dass alle Profile dieselbe Entität meinen. So schließt sich der Kreis zwischen Ihren eigenen Angaben und dem offenen Wissensnetz. Wie Sie diesen Aufbau strategisch angehen, zeigt der Leitfaden zum Thema Marke als Entität aufbauen.

Schritt 4: Konsistenz über alle Quellen halten

KI-Systeme misstrauen Widersprüchen. Steht in Wikidata ein anderer Firmensitz als auf Ihrer Website, sinkt das Vertrauen in beide Angaben. Halten Sie Name, Gründung, Führung und Kernfakten überall identisch. Gerade für KMU ist diese Disziplin der Hebel, der über die Aufnahme in eine KI-Antwort entscheidet.

In unseren Analysen zur Knowledge-Graph-Optimierung sehen wir regelmäßig dasselbe Muster: Marken ohne eigenes Wikidata-Objekt sind für generative Systeme faktisch nicht greifbar. Das Modell kann sie nicht sicher von Namensvettern trennen und lässt sie im Zweifel weg. Ein gepflegtes Objekt ist deshalb oft der erste Schritt, bevor überhaupt über Ranking geredet wird.

6. Häufige Fehler und die Grenzen der Methode

Kennen Sie das Gefühl, viel Aufwand zu betreiben und trotzdem unsichtbar zu bleiben? Meist liegt es an einem dieser Fehler. Der häufigste: ein Wikipedia-Eintrag als Werbetext. Wikipedia löscht werbliche Artikel schnell, denn sie verletzen den neutralen Standpunkt. Zu Recht. Wer versucht, eine Enzyklopädie in eine Landingpage zu verwandeln, wird von einer Gemeinschaft aus Freiwilligen zurückgedreht, die genau solche Manöver seit Jahren erkennt und routiniert entfernt. Ein Eintrag ist kein Marketingkanal.

Der zweite Fehler ist Ungeduld. Ein Objekt entfaltet seine Wirkung erst, wenn Modelle neu trainiert oder mit aktuellen Daten versorgt werden. Das benötigt Zeit. Der dritte Fehler ist blindes Vertrauen: Auch geprüfte Quellen enthalten Fehler, und diese Fehler wandern in die KI. Prüfen Sie regelmäßig, was über Sie dort steht.

Ein Blick auf die größere Lage gehört ebenfalls dazu. Wikipedia selbst steht unter Druck. Die menschlichen Seitenaufrufe gingen zuletzt um rund 8 Prozent zurück, während KI-Bots das Projekt intensiv abgrasen. Die Wikimedia Foundation ordnet das nüchtern ein:

„Nearly 90% of Wikipedia’s visitors have historically arrived via Google search.“
(„Fast 90 Prozent der Wikipedia-Besucher kamen bislang über die Google-Suche.“). Diesen Verkehr nennt die Stiftung „not a temporary phenomenon, but a structural shift“ („kein vorübergehendes Phänomen, sondern eine strukturelle Verschiebung“).

Für Sie heißt das: Die Bedeutung von Wikipedia als sichtbare Website sinkt, ihre Bedeutung als unsichtbare Wissensquelle für KI steigt. Beides zeigt in dieselbe Richtung. Ihre Fakten müssen dort korrekt hinterlegt sein, unabhängig davon, ob noch jemand die Seite selbst aufruft.

7. Fazit

Wikidata und Wikipedia sind nicht irgendeine Quelle unter vielen. Sie sind das redaktionell geprüfte Rückgrat, auf das große Sprachmodelle beim Lernen überproportional zurückgreifen. Der Grund ist ihre Qualität: belegt, neutral, maschinenlesbar. Genau diese Eigenschaften gewichtet ein Modell beim Training höher als beliebigen Web-Text. Die kleine Datenmenge täuscht. Durch die hohe Gewichtung prägt sie das Weltbild der KI stärker als das halbe offene Web.

Wer in KI-Antworten vorkommen will, sollte deshalb dort ansetzen, wo das KI-System seine Fakten holt. Ein sauberes Wikidata-Objekt, belegbare Relevanz und konsistente Angaben sind kein Nice-to-have, sondern die Eintrittskarte in das Wissensnetz, aus dem ChatGPT und Perplexity ihre Antworten formen. Die Marken, die das früh verstehen, werden in der KI-Suche zur selbstverständlichen Antwort, während andere im statistischen Rauschen verschwinden.

8. Anhang: Ihre Checkliste für die KI-Sichtbarkeit

• Belege sammeln: unabhängige Medienberichte, Studien und Auszeichnungen als Fundament für Relevanz.
• Wikidata-Objekt prüfen: Existiert eines? Sind Sitz, Gründung, Branche und Verknüpfungen korrekt?
• Strukturierte Daten setzen: Organization-Schema mit sameAs-Verweis auf das Wikidata-Objekt.
• Konsistenz sichern: identische Kernfakten auf Website, in Verzeichnissen und in den Wikimedia-Projekten.
• Regelmäßig kontrollieren: Was schreiben Wikipedia, Wikidata und die KI-Antworten aktuell über Sie?

Häufige Fragen zu Wikidata, Wikipedia und LLM

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. KI-Systeme und ihre Trainingsdaten entwickeln sich schnell; genannte Zahlen sind den verlinkten Quellen entnommen und können sich ändern.