Belegpflicht bei KI-Antworten

Warum Halluzinationen in der Patentarbeit besonders gefährlich sind

In der Patentpraxis hängen Entscheidungen am exakten Wortlaut: Ist ein Merkmal in der Beschreibung gestützt? Steht der Anspruch so in der Anmeldung wie eingereicht? Hat der Prüfer wirklich D1 gegen Merkmal M3 zitiert? Ein Modell, das eine Zusammenfassung plausibel klingen lässt, nimmt Dir genau diese Arbeit nicht ab. Es kann im Gegenteil Überzeugungen erzeugen, die der Anwalt später als Fakt verkauft.

Die typischen Fallen: eine Erfindungsbeschreibung, die ein Merkmal „impliziert" (der Anwalt zitiert es nicht, weil im Entwurf keine Fundstelle steht, obwohl das Modell behauptet hat, es sei dort beschrieben); eine Art. 123(2)-Basis, die es so in der Anmeldung nicht gibt; ein Prior-Art-Zitat, das inhaltlich stimmt, aber aus einem anderen Dokument stammt als vom Modell genannt.

Die Regel in einer Zeile

Das klingt trivial, ist in der Praxis aber die Regel, die am häufigsten gebrochen wird. Ein gutes Modell liefert wie selbstverständlich Paraphrasen, Schlussfolgerungen und Interpretationen. Der Prompt muss das Modell explizit zu Zitat und Fundstelle zwingen, sonst bekommt man Zusammenfassungen, die sich kaum noch zurück zum Ausgangstext verfolgen lassen.

Wie der Prompt es erzwingt

Drei Komponenten gehören in jeden belegpflichtigen Prompt:

1. Explizite Anweisung: „Belege jede Aussage mit einem wörtlichen Zitat in Anführungszeichen und einer Fundstelle (z.B. Abs. [0023], Anspruch 3, S. 4 Z. 12)."
2. Ausgabeformat: „Gib das Ergebnis als Tabelle mit den Spalten Aussage / Zitat / Fundstelle aus." Oder als Aufzählung: „Aussage, direkt gefolgt vom Zitat in Anführungszeichen und der Fundstelle in Klammern."
3. Abbruchklausel: „Wenn Du für eine Aussage keinen wörtlichen Beleg finden kannst, schreibe statt der Aussage „Keine Fundstelle gefunden". Erfinde keine Zitate."

Der dritte Punkt ist entscheidend. Ohne Abbruchklausel liefert das Modell lieber ein halluziniertes Zitat als ein „weiß nicht". Mit Abbruchklausel bekommst Du eine ehrliche Lücke, die Dein Trigger ist, manuell nachzuschauen.

Belegpflicht in typischen Patent-Aufgaben

• Anspruchsauslegung: Jede Auslegung eines Merkmals mit Zitat aus Beschreibung oder Zeichnung (Abs., Figurenbezeichnung). Keine freie Auslegung ohne Textanker.
• Merkmalsvergleich gegen Stand der Technik: Jeder Treffer zum Merkmal mit Zitat aus dem Prior-Art-Dokument, mit Absatz- oder Anspruchsnummer. Ein „D1 offenbart das" ohne Zitat ist unbrauchbar.
• Art. 123(2)-Basisprüfung: Jede Änderung mit wörtlichem Zitat aus der Anmeldung wie eingereicht. Paraphrasen gelten nicht als Basis, nur die Fundstelle zählt.
• Bescheid-Analyse: Jeder Einwand mit Zitat aus dem Bescheid selbst. Der Prüfer formuliert oft spezifisch, und der Originalwortlaut entscheidet über die passende Verteidigungslinie.
• FTO-Triage: Jede Relevanz-Entscheidung mit Zitat aus Anspruch 1 des Treffers. Kein Abstract-only-Matching.
• Mandantenbericht: Auch hier gilt die Belegpflicht nach innen: Die laientaugliche Zusammenfassung muss sich auf die vorher belegten Aussagen stützen, nicht auf freie Neuformulierung.

Anti-Patterns, die Du vermeiden willst

• Zitat ohne Fundstelle. „Wie die Patentschrift festhält, handelt es sich um eine Vorrichtung …“: klingt gut, aber wo genau? Ohne Fundstelle ist das Zitat wertlos.
• Paraphrase in Anführungszeichen. Das Modell setzt Anführungszeichen um eine eigene Umformulierung. Prüfe stichprobenartig, ob das „Zitat" tatsächlich wortwörtlich im Ausgangstext steht.
• Fundstelle ohne Zitat. „Siehe Abs. [0023]“, aber was steht dort? Die Aussage muss zusammen mit ihrem Zitat stehen, nicht nur mit einem Verweis.
• Belegpflicht nur am Anfang. Modelle werden „bequem", wenn der Prompt lang wird. Die Anweisung muss am Ende des Prompts stehen oder mehrfach wiederholt werden, damit sie greift.
• Zitat aus dem Chatverlauf. Das Modell zitiert aus einer früheren Antwort im selben Chat und verkauft es als Zitat aus dem Originaldokument. Context Engineering verhindert das an der Wurzel.

Wie Du die Belegpflicht kontrollierst

1. Stichprobe: Drei zufällige Zitate aus der KI-Ausgabe im Originaldokument nachschlagen. Wenn eines nicht stimmt, die ganze Ausgabe misstrauisch neu prüfen.
2. Reviewer-Pass: Ein zweites Modell oder ein zweiter Prompt prüft, ob jede Aussage ein Zitat und eine Fundstelle hat. Siehe Multi-Model-Workflows.
3. Eigene Notizen parallel: Beim ersten Lesen der Quelle selbst wichtige Absätze markieren. Die KI-Zitate später mit Deiner Liste abgleichen. Wenn die KI etwas zitiert, das nicht in Deiner Liste ist: Prüfen.

Was KI mit der Prüfbereitschaft macht

Die drei Kontrollen oben setzen etwas voraus: dass Du bereit bist, eine Aussage offenzulassen und nachzuschlagen. Diese Bereitschaft steht offenbar zur Disposition, sobald eine KI-Antwort auf dem Schirm steht. Ein Preprint von Marcoccia, Quattrociocchi und Capraro (arXiv:2607.13562, Juli 2026) hat das in fünf Experimenten mit 3.132 Teilnehmenden gemessen. Bei schweren Fragen verweigerten sie ohne KI-Rat bei 36 % der Fragen die Antwort, mit KI-Rat nur noch bei 6 %. Sie antworteten also häufiger und lagen dabei rund dreimal seltener richtig (27,5 % gegen 9,2 %), während ihre selbst eingeschätzte Sicherheit, richtig zu liegen, von 29,6 auf 75,9 auf einer Skala von 0 bis 100 stieg. Der Rat musste dafür nicht einmal angefordert sein: Erschien er unaufgefordert, wie eine KI-Zusammenfassung über den Suchtreffern, fiel die Enthaltung von 35 % auf 1 %. Geld für richtige Antworten senkte die KI-Nutzung leicht, stellte die Enthaltung aber nicht wieder her.

Die Grenzen gehören dazu: Getestet wurden über Prolific rekrutierte Teilnehmende aus den USA an einer einzigen Aufgabenart, nämlich Bilddetails in Filmen, und der KI-Rat war so konstruiert, dass er fast immer falsch war. Über die allgemeine Genauigkeit von KI-Assistenten sagt die Arbeit ausdrücklich nichts, und ob der Effekt bei überwiegend korrekter KI genauso auftritt, ist ungetestet. Es ist ein Preprint.

Auslegung, kein Studienbefund: Wenn der Effekt auch bei Fachleuten im eigenen Gebiet auftritt, kann die Prüfung nicht an der eigenen Aufmerksamkeit hängen. Die Abbruchklausel im Prompt und die Stichprobe am Ende sind dann feste Prüfschritte, die eine Bereitschaft ersetzen, die unter KI nachlässt. Dazu kommt: „Ich bin mir sicher" taugt nach KI-Nutzung schlechter als Qualitätssignal, denn die steigende Selbsteinschätzung fiel in der Studie mit einer sinkenden Trefferquote zusammen.

Was die Belegpflicht kostet

Wenn jede Aussage ein Zitat und eine Fundstelle tragen muss, stellt sich die ehrliche Frage: wo bleibt die Zeitersparnis, wenn am Ende doch alles geprüft wird? Das Prüfen ist Arbeit, und diese Arbeit ist der Preis dafür, einer maschinellen Ausgabe überhaupt vertrauen zu können; manche nennen sie die „truth tax", die Steuer auf jede KI-Aussage. Wer sie unterschlägt, spart die Zeit nur scheinbar: Eine ungeprüfte Aussage, die der Anwalt später als Fakt weitergibt, fällt erst im Einspruch oder im Verletzungsstreit auf, und dort kostet sie ein Vielfaches.

In der Praxis fällt die Rechnung meist trotzdem positiv aus. Ein vorhandenes Zitat an der Quelle gegenzulesen geht schneller, als die Fundstelle von Grund auf selbst zu suchen, und die ehrliche Lücke aus der Abbruchklausel zeigt genau, wo Du noch nachschauen musst. Senken lässt sich die Steuer, indem Du einen Teil der Prüfung an die KI zurückgibst: das Modell auf die genaue Textstelle zeigen lassen oder ein zweites Modell den Reviewer-Pass fahren lassen. Je nach Aufgabe sieht die Rechnung anders aus: bei Treffer-Screening und Basisprüfung wird die Belegpflicht schnell zum Netto-Gewinn, bei freierem Schreiben überwiegt zunächst der Prüfaufwand. Diese Abwägung triffst Du besser bewusst, als sie wegzurechnen.

Verbindung zu den anderen Säulen

Belegpflicht ist eine der vier Säulen für Prompt Engineering in der Patentpraxis. Sie funktioniert nur im Zusammenspiel mit den anderen drei:

• Context Engineering: Ein frischer Chat mit genau den relevanten Dokumenten. Ohne sauberen Kontext zitiert das Modell aus dem Chatverlauf statt aus der Quelle.
• Absatz-für-Absatz-Durchsuchung: Das Modell geht die ganze Quelle durch, nicht nur die prominenten Stellen. So gehen keine Belege verloren.
• Self-Reflexion + Advocatus Diaboli: Am Ende prüft das Modell (oder ein zweites Modell), ob wirklich jede Aussage einen Beleg hat.