Im Oktober 2025 musste Deloitte Australien einen Teil von 290.000 USD Beratungshonorar an die australische Regierung zurückzahlen. Der Grund: Ein 237-Seiten-Bericht zum automatisierten Sozialleistungssystem des Arbeitsministeriums enthielt erfundene Gerichtszitate, nicht existierende Fachbücher und falsche Zuschreibungen an reale Wissenschaftler. Ein Rechtswissenschaftler der University of Sydney, Chris Rudge, fand bis zu zwanzig Fehler¹⁵. Darunter ein angebliches Buch einer Kollegin, das nie geschrieben wurde, und ein Zitat aus nicht existierenden Absätzen eines Bundesgerichtsurteils.¹³
Deloitte hatte Microsoft Azure OpenAI eingesetzt. Die Fehler im Bericht deckten sich mit typischen KI-Halluzinationsmustern — erfundene Quellen, nicht existierende Bücher. Deloitte hat die KI-Nutzung eingeräumt, aber nicht öffentlich bestätigt, welches Modell die konkreten Fehler verursacht hat. Niemand im Review-Prozess hatte die Quellen gegen die Primärdokumente geprüft. Ein Externer fand die Fehler, nicht das System.¹³
Das ist kein Einzelfall. Ein Forschungsteam an der Deakin University in Australien bat GPT-4o 2025, sechs Literaturreviews zu psychiatrischen Themen zu schreiben. Jeder Review sollte mindestens zwanzig Quellenangaben enthalten. Das Ergebnis bei diesem Modell: Jede fünfte Quelle war frei erfunden¹ — Autoren, die das Paper nie geschrieben haben, und DOIs, die fehlerhaft oder ungültig waren.
Was bei Deloitte mit einem Regierungsbericht passiert ist, kann jedem Sachbuch-Autor passieren, ohne den externen Prüfer, der die Fehler findet. Halluzinationen folgen keiner Fachgrenze, sondern einer Wahrscheinlichkeitsverteilung. Und die trifft medizinische Sachbücher härter als die meisten anderen Genres: hohe Reichweite, hohe Konsequenzen, geringe externe Prüfung.
Dieser Artikel zeigt an fünf Beispielen, wie toxische Halluzinationen aussehen. An zehn Typen, wie man sie klassifiziert. An vier Prüfstufen, wie man sie findet und wo die Grenze liegt. Und an einem methodischen Grundsatz, warum die Reihenfolge im Schreibprozess über die Fehlerquote entscheidet.
Fünf Thesen im Realitätscheck
Die folgenden fünf Behauptungen sind illustrativ konstruiert — nicht aus realen Manuskripten entnommen, sondern als typische Beispiele für Halluzinationsmuster, die in der zitierten Forschung dokumentiert sind. Die zugrundeliegenden Studien (SELECT, Salinas, Shokri-Kojori, Ostinelli, Routy) sind real und korrekt zitiert. Was demonstriert wird, ist die Methode: wie sich solche Fehler erkennen lassen, ohne dass man dafür Fachmann sein muss.
These 1: Semaglutide und Herzrisiko. „Semaglutide reduziert das kardiovaskuläre Risiko bei adipösen Patienten ohne Diabetes um 20 Prozent.” Diese Aussage stimmt: Die SELECT-Studie im New England Journal of Medicine zeigt eine Hazard Ratio von 0,80.² Eine typische Halluzination wäre „1,0 mg” statt der tatsächlichen Studiendosis von 2,4 mg — die Dosierung für Diabetes verwechselt mit der für den kardiovaskulären Endpunkt. Oder erfundene Subgruppen-Analysen, die nicht publiziert sind.
Gegenprüfung: PubMed-Suche `semaglutide cardiovascular outcomes obesity` → erster Treffer: Lincoff 2023, NEJM. Abstract lesen → „weekly subcutaneous semaglutide at a dose of 2.4 mg”. Der Fehler (1,0 mg) ist in 60 Sekunden gefunden, ohne Volltext, ohne Fachwissen.²
These 2: KI erkennt Hautkrebs besser als Dermatologen. Diese Aussage stimmt teilweise: Eine Meta-Analyse über 53 Studien zur Hautkrebs-Klassifikation zeigt: Die gepoolte Sensitivität der KI liegt bei 87 Prozent, die der Kliniker bei 79,8 Prozent — nicht bei „über 95 Prozent”, wie ein typischer Halluzinations-Fehler überzogen behaupten würde.³ Die Nuance fehlt: Die Differenz zu erfahrenen Dermatologen allein ist klinisch nicht signifikant (KI 86,3 % vs. Experten 84,2 %).
Gegenprüfung: PubMed-Suche `artificial intelligence clinicians skin cancer meta-analysis` → Salinas 2024, npj Digital Medicine. Abstract: „sensitivity 87.0% for AI algorithms [...] 79.78% for all clinicians”. „Über 95 %” ist per Abstract widerlegbar. Die Experten-Differenz ebenfalls: „Performance between AI algorithms (Sn 86.3%) vs expert dermatologists (Sn 84.2%) was clinically comparable.”³
These 3: Eine Nacht Schlafentzug erhöht Amyloid-Beta um 30 Prozent. Diese Zahl ist falsch: Die PET-Studie von Shokri-Kojori maß 2018 einen Anstieg von etwa 5 Prozent in Hippocampus und Thalamus.⁴ Die „30 Prozent” sind durch die zitierte PET-Studie nicht gedeckt — sie kursieren in populärwissenschaftlichen Zusammenfassungen, vermutlich aus einer anderen Studie mit anderer Messmethode und anderer Kohorte. Eine Amalgam-Halluzination würde beides zusammenwerfen.
Gegenprüfung: PubMed-Suche `sleep deprivation beta-amyloid PET` → Shokri-Kojori 2018, PNAS. Abstract: „significant increase in Aβ burden in the right hippocampus and thalamus”. Aber: Keine Prozentzahl im Abstract. Die „5 %” steht nur im Volltext und in der NIH-Pressemeldung. Wer „30 %” im Manuskript stehen hat und im Abstract keinen Beleg findet, hat zwei Optionen: Volltext beschaffen oder die Prozentzahl streichen und nur die qualitative Aussage übernehmen.
These 4: Methylphenidat bei erwachsenen ADHS-Patienten. In einer Netzwerk-Meta-Analyse zeigen Stimulanzien kurzfristige Wirksamkeit bei ADHS-Kernsymptomen.⁵ Was fehlt: Langzeitdaten über zwölf Wochen hinaus existieren praktisch nicht. Die Autoren finden keinen Effekt auf die Lebensqualität. Eine typische LLM-Zusammenfassung würde diesen Vorbehalt wegfallen lassen — die Wirksamkeitszahl wird geliefert, der Kontext, der sie einordnet, nicht. Dass solche Auslassungen real sind, ist in der Forschung dokumentiert: Für medizinische Text-Zusammenfassung wurde eine Auslassungsrate von 3,45 Prozent gemessen.⁷
Gegenprüfung: PubMed-Suche `ADHD adults pharmacological network meta-analysis` → Ostinelli 2025, Lancet Psychiatry. Abstract lesen — vollständig, nicht nur die gesuchte Stelle. Dort steht wörtlich: „Medications for ADHD were not efficacious on additional relevant outcomes, such as quality of life, and evidence in the longer term is underinvestigated.”⁵ Zwei Sätze, die ein LLM beim Zusammenfassen typischerweise wegfallen lässt. Wer den gesamten Abstract liest, findet sie in unter einer Minute.
These 5: Darmbakterien und Krebsimmuntherapie. Akkermansia muciniphila korreliert bei Lungen- und Nierenkrebspatienten mit besserem Ansprechen auf PD-1-Checkpoint-Inhibitoren. Der kausale Nachweis stammt aus Mausmodellen — Fäkaltransplantation plus Akkermansia-Gabe stellte die Wirksamkeit der Immuntherapie wieder her.⁶ Aber: Daraus folgt noch kein klinisch validierter Einzel-Biomarker für Patientenentscheidungen. Eine sprachliche Überdehnung würde „bewiesen” statt „in Tiermodellen gezeigt” formulieren. In der medizinischen Evidenzhierarchie liegen zwischen Mausmodell und randomisierter klinischer Studie mehrere Stufen — eine Halluzination dieser Klasse überspringt sie in einem Wort.
Der Leser versteht: klinisch belegt. Die Studie sagt: im Mausversuch beobachtet. In einem Patientenratgeber kann diese Lücke haftungsrelevant sein.
Gegenprüfung: PubMed-Suche `Routy gut microbiome PD-1 immunotherapy` → Routy 2018, Science. Abstract: „Oral supplementation with A. muciniphila after FMT with nonresponder feces restored the efficacy of PD-1 blockade [...] into mouse tumor beds.”⁶ Wer „mouse tumor beds” liest und den Unterschied zu „klinisch bewiesen” kennt, erkennt den Fehler. Wer ihn nicht kennt, braucht einen Fach-Co-Autor.
Das Muster: Keine der fünf Behauptungen war komplett falsch. Jede enthielt einen Fehler, der ohne Abgleich gegen die Primärquelle nicht erkennbar war. Und in vier von fünf Fällen reichte der PubMed-Abstract, um den Fehler zu finden. Ohne Volltext, ohne institutionellen Zugang, ohne Spezialwerkzeug.
Zehn Typen
Was ein Sprachmodell falsch macht, folgt Mustern. Die folgende Taxonomie ist eine Arbeitsklassifikation für die Manuskriptprüfung, abgeleitet aus den Beispielen oben und der publizierten Literatur zu LLM-Halluzinationen. Zehn Typen in medizinischen Kontexten:
1. Phantom-Studien. Komplett erfundene Arbeiten. „Zhang et al. (2024), Lancet Digital Health” — existiert nicht, klingt aber so, als müsste sie existieren. In der Deakin-Studie waren 19,9 Prozent aller GPT-4o-Zitationen dieser Typ.¹
2. Autor-Swaps. Ein echter Forscher, ein falsches Paper. Bertrand Routy hat 2018 in Science publiziert — nicht 2020 in Nature. Wer den Namen kennt, nickt ab. Wer die Jahreszahl nicht prüft, übernimmt den Fehler.
3. DOI-Halluzinationen. Das Format stimmt, der Inhalt nicht. Ein erheblicher Anteil der realen Zitationen in der Deakin-Studie enthielt bibliografische Fehler, darunter häufig fehlerhafte DOIs.¹ Der Klick bestätigt: ja, da ist ein Paper. Nur nicht das richtige.
4. Dosierungs-Konfabulationen. Falsche Mengenangaben für Wirkstoffe, die in der richtigen Größenordnung liegen. Semaglutide 1,0 mg statt 2,4 mg für den kardiovaskulären Endpunkt. Klinisch relevant, redaktionell unsichtbar.
5. Zahlen-Swaps. Die richtige Studie, die falsche Zahl. 30 Prozent statt 5 Prozent Amyloid-Anstieg. Die Quelle existiert, der Wert nicht. Nur wer die Originalpublikation öffnet, findet den Fehler.
6. Evidenzgrad-Inflation. Mausmodelle werden zu klinischen Beweisen, Korrelationen zu Kausalitäten — und „gezeigt” wird zu „bewiesen”. Der Unterschied fällt nur auf, wenn man weiß, was ein Evidenzgrad ist.
7. Kontext-Unterschlagung. Die Zahl stimmt, die Einschränkung fehlt. Methylphenidat hilft kurzfristig — aber es gibt keine Langzeitdaten. Das LLM liefert den ersten Halbsatz, nicht den zweiten.
8. Amalgam-Halluzinationen. Das LLM verschmilzt zwei Studien zu einer. Ergebnis A von Studie X, Patientenzahl von Studie Y, beides dem Autor von Studie X zugeschrieben. In These 3 passiert genau das: Die „30 Prozent” stammen aus einer anderen Studie, einer anderen Messmethode. Das LLM wirft sie mit Shokri-Kojori zusammen.
9. Retrahierte Studien als Quelle. Das Paper existiert, die DOI funktioniert, der Autor stimmt, die Zahl stimmt — aber die Studie ist zurückgezogen. Alle Standardprüfungen bestehen, nur die Wissenschaft nicht mehr. Bis Februar 2025 zog Neurosurgical Review 129 Artikel zurück.¹¹ Die LLM-Trainingsdaten enthalten diese Papers als gültig.
10. Zeitliche Konfabulation. Die Studie existiert, aber das LLM zitiert vorläufige Ergebnisse, wo die finale Publikation andere Zahlen zeigt. Oder eine Leitlinie von 2019, die 2024 aktualisiert wurde. Beide Versionen existieren, nur eine ist aktuell.
Die ersten drei Typen sind einfach zu entlarven. Die letzten drei sind es nicht. Die Gefährlichkeit steigt mit der Plausibilität.
Vier Prüfstufen
Nicht jeder Halluzinationstyp ist gleich prüfbar. Die Prüftiefe hängt davon ab, ob das Ergebnis binär ist, ob der Abstract reicht, ob Fachwissen nötig ist — oder ob die Halluzination durch jede Standardprüfung hindurchgeht.
Stufe A: Funktioniert immer — binäres Ergebnis
Betrifft: Phantom-Studien, Autor-Swaps, DOI-Halluzinationen.
Prüfmethode: PubMed-Suche (Autor + Schlüsselwörter) oder DOI anklicken. Existiert das Paper? Hat dieser Autor dieses Paper geschrieben? Führt die DOI zum behaupteten Inhalt?
Aufwand: 10 bis 60 Sekunden, ohne Fachwissen oder Volltext. Das Ergebnis ist eindeutig.
Stufe B: Funktioniert, wenn der Datenpunkt im Abstract steht
Betrifft: Dosierungs-Konfabulationen, Zahlen-Swaps, Evidenzgrad-Inflation, zeitliche Konfabulationen.
Prüfmethode: Studie in PubMed finden, Abstract lesen, Datenpunkt vergleichen.
Funktioniert bei: Hauptergebnissen (Hazard Ratios, Sensitivitäten, Dosierungen), Studientyp (Mausmodell vs. klinische Studie), Publikationsdatum.
Funktioniert NICHT bei: Subgruppen-Analysen, sekundären Endpunkten, Detailzahlen aus dem Volltext. In These 3 steht die „5 Prozent” nicht im Abstract — nur „significant increase”. Die Prozentzahl ist ohne Volltext nicht verifizierbar.
Handlungsregel: Wenn der Abstract den Datenpunkt enthält → prüfen, fertig. Wenn nicht → den Wert nicht verwenden. Entweder die qualitative Aussage aus dem Abstract übernehmen oder den Volltext beschaffen. Für These 3 hieße das: Statt „steigt um 30 Prozent” schreiben: „erhöht die Amyloid-Beta-Belastung in Hippocampus und Thalamus.” Das steht im Abstract. Die Prozentzahl nicht.
Stufe C: Abstract hilft, aber kein garantierter Fund
Betrifft: Kontext-Unterschlagung, Amalgam-Halluzinationen.
Kontext-Unterschlagung: Man kann nicht nach etwas suchen, von dem man nicht weiß, dass es fehlt. Aber: Wer den Abstract der zitierten Studie vollständig liest — nicht nur die Stelle, die er sucht —, findet Einschränkungen und Vorbehalte oft dort. In These 4 steht die Einschränkung zu Methylphenidat wörtlich im Abstract. Ein LLM unterschlägt sie typischerweise; wer den Abstract bis zum Ende liest, findet sie.
Amalgam-Halluzinationen: Die Studie existiert, die Zahl gehört aber zu einem anderen Paper. Der Abstract zeigt die echten Zahlen der Studie. Wenn die Zahl im Manuskript nicht darin vorkommt, weiß der Autor: Sie stammt von woanders. Aber von wo? Dafür bräuchte er eine zweite Suche — nach der Zahl selbst. Das ist aufwendig und manchmal unlösbar, wenn die Zahl aus einem Konferenzvortrag oder einem Zeitungsartikel stammt.
Handlungsregel: Den gesamten Abstract lesen, nicht nur die gesuchte Zahl. Und: Wenn eine Zahl im Manuskript steht, die im Abstract der zitierten Studie nicht vorkommt — nicht übernehmen.
Stufe D: Unsichtbar für Standardprüfungen
Betrifft: Retrahierte Studien.
Das Paper existiert, die DOI funktioniert, der Abstract ist korrekt und die Zahl stimmt — alle Prüfungen der Stufen A bis C bestehen. Aber die Studie ist zurückgezogen.
Prüfmethode: PubMed zeigt bei retrahierten Artikeln einen Hinweis. Aber nur auf der PubMed-Seite selbst, nicht im Abstract. Retraction Watch bietet eine durchsuchbare Datenbank.¹¹ Journals zeigen einen Hinweis auf der Artikelseite — unterschiedlich prominent.
Das ist der gefährlichste Typ, weil er durch jedes andere Netz fällt. Kein Routine-Check erkennt ihn. Man muss gezielt danach suchen. In der Praxis: Einen Retraction-Check in den Workflow einbauen — mindestens für die tragenden Quellen eines Manuskripts.
Was die Forschung zeigt
Die Halluzinationsraten variieren — nach Modell, nach Aufgabe, nach Gegenmaßnahme.
Ohne Gegenmaßnahmen: Medizinische Fallzusammenfassungen erreichen Halluzinationsraten bis 62 Prozent.⁹ Über Modelle und adversariale Prompting-Bedingungen hinweg lagen die Raten bei 50 bis 82 Prozent.⁸ In der Rechtsberatung: 58 bis 88 Prozent.¹⁴
Mit Gegenmaßnahmen: Prompt-basierte Strategien senken die Rate von 66 auf 44 Prozent. GPT-4o kommt mit Mitigation auf 23 Prozent.⁸ Klinische Notizen-Generierung in einem spezifischen Architektur-Setting: 1,47 Prozent.⁷ Retrieval-gestützte Systeme können Referenzhalluzinationen deutlich reduzieren, ersetzen aber keine Primärquellenprüfung.⁹
Die Spanne ist enorm. Zwischen unter 2 und 82 Prozent liegt der gesamte Unterschied zwischen einer Architekturentscheidung und einer Standardabfrage ohne Leitplanken.
Ein vielzitiertes Survey-Paper klassifiziert die Ursachen in drei Kategorien: fehlerhafte Trainingsdaten, Schwächen in der Trainingsmethode und Probleme bei der Textgenerierung.¹⁰ Für Anwender ist die dritte Kategorie die relevanteste: Sprachmodelle erzeugen Text Token für Token. Bei Zahlen, Daten, Namen und technischen Begriffen sind die Wahrscheinlichkeiten ähnlich verteilt. Das Modell rät — und rät falsch. Nicht aus Absicht, sondern aus Architektur.
Was das in der Praxis anrichtet
Bis Februar 2025 zog Neurosurgical Review 129 Artikel zurück — im Kontext mutmaßlich KI-generierter oder KI-unterstützter Einreichungen.¹¹ Im Dezember 2024 veröffentlichte das Journal Intensive Care Medicine einen Letter zum Thema KI — mit einer gefälschten Quellenangabe, die auf das eigene Journal verwies; Retraction Watch berichtete im Januar 2026 darüber.¹²
Ein medizinisches Sachbuch steht zwischen wissenschaftlichem Artikel und Blog-Post: hohe Reichweite, keine systematische externe Prüfung, und eine Leserschaft, die dem Autor Fachkompetenz unterstellt. Wer eine falsche Dosierung in ein Patientenratgeber-Buch schreibt, kann haftungs- und reputationsrelevant handeln. Dass die Zahl von einem Sprachmodell stammt, ist keine Entlastung.
Die Reihenfolge entscheidet
Die zehn Halluzinationstypen und vier Prüfstufen zeigen: Die meisten Fehler sind findbar. Aber nur, wenn die Methode stimmt. Und die Methode hängt davon ab, in welcher Reihenfolge geschrieben wird.
Erst generieren, dann Belege suchen: Das LLM schreibt „Semaglutide 1,0 mg”. Der Autor sucht einen Beleg, findet die SELECT-Studie, sieht „20 % Risikoreduktion”, nickt ab. Die Dosis prüft er nicht, weil er nicht weiß, dass sie falsch ist. Das LLM hat den Anker gesetzt. Der Autor bestätigt.
Erst generieren, dann gegen Primärquelle prüfen: Der Autor öffnet den Abstract, sieht „2,4 mg”, korrigiert. Besser. Aber reaktiv — er findet nur, was er prüft. Kontext-Unterschlagung fällt durch, wenn er nur die gesuchte Zahl liest.
Erst Quellen recherchieren, Textbelege extrahieren, dann schreiben: Der Autor sucht in PubMed, findet die SELECT-Studie, extrahiert das Snippet: „at a dose of 2.4 mg [...] hazard ratio, 0.80”. Er schreibt nur, was das Snippet belegt. Die KI assistiert bei Struktur, Sprache, Gliederung — aber nicht bei Fakten. Jede Behauptung im Manuskript hat einen Textbeleg als Anker.
Der dritte Workflow hat nicht null Fehler. Retrahierte Studien (Stufe D) fallen auch hier nicht automatisch auf. Amalgam-Halluzinationen können entstehen, wenn der Autor mehrere Snippets missversteht. Der Autor muss am Ende immer selbst prüfen.
Der dritte Workflow reduziert die typischen Fehlerquellen — wie die fünf Beispiele oben zeigen. Ob die Gesamtfehlerquote gegenüber konventionellem Schreiben niedriger ist, müsste empirisch geprüft werden. Aber die Richtung stimmt: Er ist systematischer als ein Autor, der ohne KI aus dem Gedächtnis schreibt. Denn das Gedächtnis verzerrt: 2,4 mg wird zu 1,0 mg, Zahlen aus verschiedenen Studien verschmelzen, Einschränkungen gehen verloren. Die menschliche Erinnerung produziert dieselben Fehlertypen wie ein Sprachmodell. Nur ohne Trail.
Prüfbar nach Veröffentlichung
Der Unterschied zwischen einem konventionell geschriebenen und einem snippet-basierten Manuskript zeigt sich nicht beim Schreiben. Er zeigt sich danach.
Ein konventioneller Text ist ein abgeschlossenes Artefakt. Die Kette Behauptung → Quelle → Textstelle ist nach der Veröffentlichung nicht mehr rekonstruierbar. Wenn in Fußnote 247 eine falsche Zahl steht, muss jemand die Originalquelle öffnen und manuell vergleichen. Bei 300 Quellen: ökonomisch nicht machbar.
Ein snippet-basierter Text hat einen Trail: Manuskript-Satz → Snippet → Quelle → DOI. Dieser Trail ist maschinenlesbar. Ein Auditor — Mensch oder KI — kann den gesamten Text systematisch gegen die Snippets prüfen. Und wenn eine Studie retrahiert wird (Typ 9), kann man im Snippet-Index alle Stellen identifizieren, die auf ihr basieren, und gezielt korrigieren.
Das ist nicht nur Prüfbarkeit. Das ist Wartbarkeit. Und sie wird mit der Zeit wichtiger: KI-Auditoren werden besser, Retraktionsraten steigen, Leser werden kritischer. Ein Text, der heute nicht prüfbar ist, wird morgen nicht reparierbar sein.
Halluzinationen sind kein Bug, der in der nächsten Modellversion verschwindet. Sie sind eine Konsequenz der Architektur. Wer das versteht, baut seinen Schreibprozess so, dass Fehler auffindbar bleiben. Nicht trotz KI, sondern weil KI im Prozess war — und der Prozess dokumentiert ist.
Nicht nur Medizin
Dieser Artikel nutzt medizinische Beispiele, weil die Konsequenzen dort am schärfsten sind: Eine falsche Dosierung kann Schaden anrichten, eine retrahierte Studie als Quelle kann ein Buch ruinieren. Aber die zehn Halluzinationstypen und vier Prüfstufen sind nicht fachspezifisch.
Ein Wirtschaftsautor, der eine McKinsey-Studie zitiert, steht vor demselben Problem: Existiert die Studie? Stimmt die Zahl? Ist die Quelle noch aktuell? Ein Technik-Sachbuch mit falscher Benchmark-Zahl, ein Rechtsratgeber mit einer überholten BGH-Entscheidung, ein Managementbuch mit einer erfundenen Harvard-Studie — die Fehlertypen sind identisch. Was sich ändert, ist die Primärquelle: PubMed für Medizin, SSRN für Wirtschaft, dejure.org für Recht, IEEE Xplore für Technik. Die Methode bleibt dieselbe: Quelle finden, Abstract lesen, Behauptung vergleichen.
Quellen
¹ Linardon, J. (2025). Influence of Topic Familiarity and Prompt Specificity on Citation Fabrication in Mental Health Research Using Large Language Models. JMIR Mental Health. jmir.org
² Lincoff, A.M. et al. (2023). Semaglutide and Cardiovascular Outcomes in Obesity without Diabetes. NEJM, 389(24), 2221–2232. pubmed.ncbi.nlm.nih.gov
³ Salinas, M.P. et al. (2024). A systematic review and meta-analysis of artificial intelligence versus clinicians for skin cancer diagnosis. npj Digital Medicine. pubmed.ncbi.nlm.nih.gov
⁴ Shokri-Kojori, E. et al. (2018). β-Amyloid accumulation in the human brain after one night of sleep deprivation. PNAS, 115(17), 4483–4488. pubmed.ncbi.nlm.nih.gov
⁵ Ostinelli, E.G. et al. (2025). Comparative efficacy and acceptability of pharmacological, psychological, and neurostimulatory interventions for ADHD in adults. Lancet Psychiatry. pubmed.ncbi.nlm.nih.gov
⁶ Routy, B. et al. (2018). Gut microbiome influences efficacy of PD-1–based immunotherapy against epithelial tumors. Science, 359(6371), 91–97. pubmed.ncbi.nlm.nih.gov
⁷ npj Digital Medicine (2025). A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation. nature.com
⁸ Communications Medicine (2025). Multi-model assurance analysis showing large language models are highly vulnerable to adversarial hallucination attacks during clinical decision support. nature.com
⁹ Aljamaan, F. et al. (2024). Reference Hallucination Score for Medical Artificial Intelligence Chatbots. JMIR Medical Informatics. jmir.org
¹⁰ Huang, L. et al. (2023). A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems. arxiv.org/abs/2311.05232
¹¹ Retraction Watch (2025). As Springer Nature journal clears AI papers, one university's retractions rise drastically. retractionwatch.com
¹² Retraction Watch (2026). Medical journal publishes a letter on AI with a fake reference to itself. retractionwatch.com
¹³ Fortune (2025). Deloitte was caught using AI in $290,000 report to help the Australian government crack down on welfare after a researcher flagged hallucinations. fortune.com
¹⁴ Dahl, M., Magesh, V., Suzgun, M., & Ho, D.E. (2024). Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models. arXiv. arxiv.org/abs/2401.01301
¹⁵ McGuirk, R. / Associated Press (2025). Deloitte to partially refund Australian government for report with apparent AI-generated errors. yahoo.com
Methodik: Fünf illustrative medizinische Thesen — bewusst konstruiert, um typische Halluzinationsmuster sichtbar zu machen, nicht aus realen Manuskripten entnommen. Die zugrundeliegenden Studien (SELECT, Salinas, Shokri-Kojori, Ostinelli, Routy) sind real, mit DOI verifiziert und gegen PubMed-Abstracts gegengeprüft. Aus den Beispielen und der publizierten Literatur abgeleitete Arbeitsklassifikation: 10 Halluzinationstypen in 4 Prüfstufen. Ergänzt durch systematische Auswertung von 15 Primärquellen — Peer-Review-Studien (Linardon 2025, Aljamaan 2024, npj Digital Medicine 2025, Communications Medicine 2025, Dahl et al. 2024, Huang et al. 2023), Retraction Watch, Fallanalyse Deloitte Australien (Fortune, Associated Press). Den vollständigen Recherchebericht sende ich auf Anfrage.
Dr. Christof Schürmann entwickelt quellenbasierte Sachbücher mit KI — für Fachautoren und Unternehmen, denen Genauigkeit wichtig ist. Mehr unter drschuermann.com/leistung