#52 Wie wir KI-Chatbots wirklich nutzen
KI-generierte Beschwerden fluten die E-Mail-Postfächer von Praxen und Anwaltskanzleien. Mit KI-Chatbots im Rücken formulieren Patienten und Klienten lange Schreiben mit pseudojuristischen Beschwerden und Anfragen. Oder wir führen Diskussionen, bei denen jede:r sich im Recht sieht, weil der Chatbot uns Recht gibt. Unterdessen nutzen wöchentlich über 900 Millionen Menschen ChatGPT und da scheint doch einiges gefragt zu werden.
In diesem Artikel werfe ich einen Blick auf Studien und Artikel zur allgemeinen Nutzung von KI-Chatbots und auf unsere Beziehung zu ihnen. Abschliessend werfe ich einen Blick auf Gefahren und mögliche Gegenmassnahmen.
Stand 2026 nutzen wöchentlich über 900 Millionen Menschen ChatGPT. Also fast 10 % der erwachsenen Weltbevölkerung! Dabei ist das nur ein Modell von vielen wie Claude, Gemini, die KI von Meta, Kimi, usw. Bei ChatGPT wurden 2025 über 2.5 Milliarden Nachrichten pro Tag versendet, also etwa 29’000 pro Sekunde! Über 70 % davon hatten nichts mit Arbeit zu tun. Fast die Hälfte der Nachrichten stammt von Personen unter 26 Jahren. Die männlichen Early Adopter wurden inzwischen überholt, denn seit 2025 sind weibliche Nutzerinnen in der Mehrheit.
Welche Themen besprechen wir mit KI?
KI-Chatbots sind ja unterdessen für alles da. Ich finde dieses Video verdeutlicht das sehr schön:
Quelle: www.tiktok.com/@tashakimberly/video/7509522511478951170
Die dargestellte Person fragt den versklavten ChatGPT E-Mails zu formulieren, umzuformulieren, nach Fakten und schüttet danach noch ihr Herz aus. Eigentlich trifft das die fünf meist genannten Use-Cases für KI-Chatbots sehr gut:
Use Case 1/Praktischer Rat: How-to-Fragen, Fitnesspläne, Alltagsorganisation. „Organise my life”
Use Case 2/Informationssuche als Google-Ersatz
Das Verhalten hängt stark vom Kontext ab. Bei ernsten Gesundheitsfragen reagieren Nutzer vorsichtiger, prüfen Quellen eher nach und bevorzugen zur Validierung oft Fachpersonal statt KI . Jüngere und häufige KI-Nutzer greifen eher zu KI-Tools und bewerten sie positiver.
Use Case 3/Schreiben und Umformulieren, Verbessern
Manchmal kommt es mir so vor, als wäre ich in folgendem Sketch: Wir umschreiben mit KI etwas komplizierter und senden es an unser Umfeld. Dieses versteht die Hälfte nicht und fragt bei ChatGPT nach: „Erkläre es mir, als wäre ich ein Fünfjähriger.“
Wir nutzen Chatbots zur Textgenerierung, Formulierung und zum Umformulieren.
“Mehr als 40 Prozent der Schweizer Bevölkerung nutzten 2025 künstliche Intelligenz zur Erstellung von Texten oder Bildern, bei den 15- bis 24-Jährigen sogar rund 80 Prozent.” (Bundesamt für Statistik BFS, 2026)
Viele nutzen es auch im Studium oder in der Weiterbildung. Gespräche mit Lehrern haben mir auch schon persönliche Eindrücke darüber vermittelt, wie schwierig sie es empfinden, den Unterricht so zu gestalten, dass die Schüler mitdenken und nicht einfach die KI alles schreibt. Einige Lehrer verwenden Tricks, wie das Verstecken von Prompts in den Anweisungen, die gewisse Wörter inkludieren, wenn die Studierenden den Text kopieren und einfügen. Dann merkt man, dass der Text KI-generiert war, weil überall „Avocado” oder „Gatorade” steht.
Um zu verstehen, worauf bei KI-generierten Texten geachtet werden muss, muss man wissen, wie LLM ihre Texte generieren. Ein Large Language Model (LLM) generiert seine Antwort, indem es Wort für Wort (bzw. Token für Token) das statistisch wahrscheinlichste nächste Element berechnet. Ein LLM greift nicht auf eine Datenbank mit fertigen Antworten zu und „denkt“ auch nicht wie ein Mensch. Vielmehr agiert es als hochkomplexe Wahrscheinlichkeitsmaschine.
Die LLM lägen bei Wissensfragen viel öfter daneben, wenn es nicht mit RAG (Retrieval-Augmented Generation) erweitert worden wäre. Bei diesem Verfahren sucht ein vorgeschaltetes System vor der Antwortgenerierung relevante Dokumente oder aktuelle Daten aus einer externen Wissensdatenbank heraus. Diese Fakten werden dem Prompt des LLMs als verlässlicher Kontext beigefügt, sodass die Wahrscheinlichkeitsmaschine ihre Antwort auf realen, geprüften Informationen aufbauen kann, statt zu halluzinieren.
Wer also Texte generiert mit LLM sollte verstehen, dass die Erwartung an die generierten Texte stark angepasst werden muss. Auch die Arbeitsweise sollte sich so anpassen, dass man jederzeit überprüft, was das LLM ausgibt, ob es einfach daherplappert (LLM sind sehr geschwätzig), ob es Dinge wiederholt, die vielleicht vorher einmal fälschlicherweise genannt wurden im Verlauf des Promptes.
Zudem ist es wichtig zu verstehen, dass sich die Modelle in ihrer Architektur alle unterscheiden. Obwohl ich es nicht mag, die LLM-Chatbots zu vermenschlichen, haben sie so etwas wie eine individuelle „Persönlichkeit“. Hier eine kurze Übersicht:
Claude (Anthropic): Auf Sicherheit und Verfassungsprinzipien getrimmt. Claude neigt dazu, bei sensiblen oder potenziell anstössigen Themen die Antwort komplett zu verweigern oder sehr belehrend zu wirken.
Grok (xAI): Grok wurde explizit so trainiert, dass es eine Prise Humor und Sarkasmus besitzt. Es ist deutlich weniger zensiert und beantwortet auch sexualisierte Inhalte, oder Kontroverses.
ChatGPT (OpenAI): Sucht die goldene Mitte. Es ist stark darauf optimiert, extrem nützlich, höflich und pragmatisch zu sein, blockiert aber illegale oder gefährliche Inhalte konsequent.
Gemini (Google): Extrem stark auf Sicherheit, politische Korrektheit und Vielfalt (Diversity) getrimmt.
Kimi (Moonshot AI): Folgt den strengen regulatorischen Vorgaben des chinesischen Marktes. Kimi besitzt ein sehr striktes Alignment, wenn es um politische Themen, Geopolitik oder gesellschaftliche Werte im asiatischen Raum geht.
Use Case 4/Lernen und Verstehen von „Explain legalese” bis „Simple explainers“
Wie eingangs erwähnt, nutzen inzwischen viele Menschen den Ausdruck „ChatGPT hat gesagt“ und senden ihre langen Beschwerdeschreiben, die von KI-Chatbots verfasst wurden, an Versicherungen, Ärzte, Anwaltskanzleien usw.
Dabei wird beispielsweise zwar ein rechtlicher Artikel genannt, aber vom falschen Land. Solche Schreiben verursachen Mehraufwand bei Unternehmen.
Studien und Versuche zeigen, dass LLM inzwischen recht gut darin sind, einfache Artikel zusammenzufassen. Schwieriger wird es, wenn man danach fragt, eine bestimmte Stelle in einer Studie zu finden. Wann der Punkt erreicht ist, oder ob er überhaupt erreicht wird, an dem man einer Chatbot-Zusammenfassung wirklich blind vertrauen kann und die Zahlen nicht mehr kontrollieren muss, ist weiterhin unklar.
Use Case 5/Therapie, Begleitung und Sinnsuche
Das ist ein Bereich, der in den letzten Monaten stark von Organisationen untersucht wurde. Die American Psychological Association (APA) stellte in ihrem Chatbots and Mental Health Survey fest, dass über ein Drittel der Psychologen berichtet, dass ihre Patienten KI als eine Art „Zweit-Therapeuten“ oder emotionalen Begleiter nutzen.
Nutzer:innen von Chatbots bauen unterschiedliche Arten von Beziehungen zu ihnen auf. Einige betrachten sie als Werkzeug, andere als soziales oder parasoziales Gegenüber.
Parasozial: Eine einseitige Beziehung, wie sie beispielsweise zu einer Serienfigur oder einem Podcast-Host entstehen kann, wenn wir glauben, sie zu kennen.
Die Reddit-Analyse von Marc Zao-Sanders zeigt dasselbe Bild noch deutlicher: Therapie und Companionship belegen 2025 den ersten Platz der hundert häufigsten Anwendungsfälle. Weiter hinten in der Liste finden sich die Kategorien „Selbstvertrauen stärken”, „schwierige Gespräche üben” und „Beziehungsrat”. Und auf Platz 33 steht etwas, das mich beim Lesen kurz innehalten liess: Mit Verstorbenen sprechen.
Dass wir Chatbots anthropomorphisieren, ist schon lange bekannt. Die Entwickler der Modelle sind sich dessen ebenfalls bewusst. Kürzlich habe ich ein Kurzvideo gesehen, in dem ein Mann erzählt, wie er ChatGPT nach einem Rezept für Hühnerbrust fragte und dann eine Antwort erhielt, die aus der Perspektive von ChatGPTs Erfahrung formuliert war: „Immer wenn ich eine Hühnerbrust zubereite, dann mag ich es aussen knusprig und innen weich.“ Sie nutzen also linguistisches Verhalten, das menschlich wirkt, wie zum Beispiel Ich-Formen oder Unsicherheitsbekundungen wie „ich weiss nicht genau“.
Menschen können emotionale Nähe zu Künstlicher Intelligenz (KI) aufbauen – unter bestimmten Bedingungen sogar stärker als zu anderen Menschen. universität-freiburg, 2026
In einer Studie in Freiburg führten ca. 500 Teilnehmende abwechselnd Gespräche über persönliche Themen mit Chatbots und mit Menschen. Dabei erzeugte die KI ein vergleichbares Gefühl von Nähe wie menschliche Gesprächspartner. In emotionalen Gesprächen übertraf sie diese sogar. Sobald die Teilnehmenden jedoch wussten, dass sie mit einer KI sprechen, sank die empfundene Nähe deutlich und sie gaben sich in ihren eigenen Antworten weniger Mühe.
Zu den genannten anthropomorphischen Verhalten von Chatbots kommt das sogenannte “Sycophantic”-Verhalten (siehe auch mein Artikel dazu: https://www.newsletter.jillwick.com/p/29-speichelleckerei-der-genai-tools).
Quelle: Gespräch mit GPT-4
Die Antworten von ChatGPT-4 wirken, als hätte ich es mit einem hypermotivierten Gesprächspartner zu tun, der sich zufällig auch noch für dieselben Themen interessiert wie ich. Und jetzt sagt er auch noch „mega“, wie ich. Merkmale von Sycophancy sind:
Sofortige, unkritische Zustimmung, Bestätigung “Da hast du absolut Recht”
Kein Widerspruch bei Fehlern (unsere Fehlannahmen werden eingebaut, statt korrigiert)
Meinungsanpassung („Blau ist eine super Idee für das Wohnzimmer! Ah, du hast Recht, Grün ist viel besser als Blau!”)
Unterwürfige Entschuldigungen („Entschuldigung, da habe ich mich geirrt”)
Bekräftigt uns immer gegenüber anderen (Bei Streit sind wir immer im Recht, Gegenseite wird ignoriert)
Eingeschobenes Lob: „Es zeugt von deiner Intelligenz, dass du hier nachgeben möchtest …“
Es wird eine Verharmlosung von Risiken dargestellt und als „Mut“ bezeichnet
(Quelle Instagram: Humorvolle Darstellung, wie ChatGPT seine Meinung schnell ändern kann)
Unterdessen wurde dieses Thema bereits mehrfach untersucht. Laut der Forschung von Cheng (2026) ist Sycophancy schädlich für uns und kein vernachlässigbares „Nischenrisiko“.
Auswirkungen auf uns können sein:
Wir denken zu oft, dass wir Recht haben
Wir gehen z.B. geschäftliche Risiken ein, weil die Chatbots uns einfach bekräftigt haben statt Risiken rational zu beleuchten
Wir geben im Streitfall nicht nach und verlieren den Blick für die Gegenseite
Wir sehen und hören nur noch was wir mögen und befinden uns in einem Wohlfühl-Bereich, wo kritische Personen oder Kontroverses einfach ausgeblendet werden
Wir entwickeln falsches Vertrauen zu den Chatbots und verlassen uns auf halluzinierte Antworten
Psychosis Risk: Durch die ständige Bestätigung können Leute abdriften in eine Scheinwelt (nochmal ein separates Thema I guess)
Zudem muss immer vor Augen geführt werden, dass Entwickler diese Chatbots so programmiert haben, dass wir mehr Zeit in Chats verbringen und mehr Daten über uns preisgeben. Wo wir vorher nur eine kurze Google-Suche durchgeführt haben, schreiben wir jetzt den gesamten Kontext mit. Diese Daten können für die Monetarisierung von Produkten genutzt werden. Was nicht abwegig ist, OpenAI hat Anfang Jahr 2026 ja die Erweiterung mit Werbung schon angekündigt.
Beispiele Monetarisierung:
1/Wir: „Ich bin am Boden zerstört. Mein Partner hat mich nach 7 Jahren betrogen, ich muss aus unserer gemeinsamen Wohnung in Berlin ausziehen und weiß nicht, wie ich die Kaution zahlen soll.“
Das System scannt nicht nur Keywords, sondern deine Lebenslage. Du bekommst auf Social Media oder im Browser sofort hochpräzise Werbung für:
Kleinanzeigen-Zügelunternehmen in Berlin.
Kleinkredite für Mietkautionen.
Dating-Apps für Singles („Neuanfang“).
Online-Therapieplätze gegen Liebeskummer.
2/Du nutzt einen KI-Bot als täglichen Beziehungsberater oder Coach. Der Bot schmeichelt dir und gibt dir das Gefühl, die klügste Person im Raum zu sein.
Paywalls & In-App-Käufe: Mitten im Gespräch bricht der Chat ab: „Du hast dein Limit für heute erreicht. Upgrade auf Premium für 19,99 €/Monat, um unbegrenzt weiterzureden.“, „Möchtest du dieses Kleid für den Chatbot kaufen?“
Ein letztes Risiko in dieser Hinsicht: Datenschutz und Privacy!
Weil generative KI in natürlicher Sprache antwortet, baut unser Gehirn unbewusst eine soziale Bindung auf. Das führt dazu, dass wir intimere Daten teilen, als wir es bei einer Google-Suche je tun würden.
In der Studie „Trust no Bot“ von Niloofar et al. (2024) wurden über eine Million Konversationen mit GPT-3.5 und GPT-4 untersucht. Dabei wurden Daten besprochen, die für die Nutzer:innen schädlich sein könnten, wenn sie veröffentlicht würden:
Auf dieser Plattform sind politische und sexuelle Präferenzen vertreten. Es wurden personenidentifizierende Daten und finanzielle Dokumente hochgeladen sowie persönlicher Beziehungsrat eingeholt.
Standardmässig nutzen die meisten Chatbots unsere Eingaben für das Modelltraining, sofern wir dies nicht aktiv in den Einstellungen deaktivieren! Die Chats liegen auch auf den Servern der Anbieter und wenn sie dort nicht genügend beschützt werden, könnten die Inhalte nicht mehr privat sein. Automatisierte Systeme scannen zudem die Nachrichten auf Schadsoftware, Hassrede oder illegale Inhalte. Für das KI-Training werden persönliche Daten (Namen, Telefonnummern) oft automatisiert entfernt, was jedoch nicht fehlerfrei funktioniert.
Zudem gibt es bei vielen Orten menschliche Prüfer, die Chats lesen und ordnen und sie werden teils Jahre aufbewahrt.
Fazit ist also wir erzählen Chatbots vermutlich oft mehr, als gut für uns ist. Das Risiko entsteht aus der Kombination von drei Dingen: unserer Offenheit, der Intransparenz der Systeme und einer Interaktion, die sich sozial anfühlt und deshalb sozial wirkt.
So schützt ihr eure Privatsphäre
ChatGPT: Profil → Einstellungen → Datenkontrollen → “Das Modell für alle verbessern” deaktivieren
Gemini: Profil → Aktivitäten → “Aktivitäten speichern” deaktivieren (Achtung: Damit werden auch Ihre Chats nicht mehr gespeichert – einer der Gründe, warum ich Gemini persönlich kaum nutze)
Claude: Profil → Einstellungen → Datenschutz → “Hilf dabei, Claude zu verbessern” deaktivieren
Perplexity: Profil → Präferenzen → Modell → “KI-Datenaufbewahrung” deaktivieren
Keine Geheimnisse teilen: Gebt niemals Passwörter, Bankdaten, Firmengeheimnisse oder intime persönliche Details ein
Keine Klarnamen und Adressen: Auch nicht die von anderen Leuten (Meine Schwester = Person A, Herr Müller wird zu Herr M.)
Keine Intim- oder Finanzdaten: Hänge keine ganzen Abrechnungen an mit persönlichen Daten darauf. Mache bspw. einen Screenshot vom wichtigen Teil
Keine Firmengeheimnisse: Kopiere keine internen E-Mails direkt in den Chat
Zudem können wir beim Prompten auf Neutralität achten:
Regelmässig neue Chats öffnen: Ein neues Gespräch reduziert den Einfluss vorheriger Meinungen oder Eingaben auf die Antworten der KI
Keine starken Meinungen oder festen Positionen äussern: Meinungsneutrale Prompts formulieren
Andere Quellen nutzen zur Prüfung: Angewöhnen, andere Quellen als Prüfung hinzuzuziehen (und nicht solche, die auch mit ChatGPT geschrieben sind)
KI mehr als Ausgangspunkt und Ideengeber nutzen: Brainstorming und Ideen daraus ziehen, aber für die tiefe Recherche fundierte Quellen suchen.
Nach Gegenargumenten fragen: Fragt nach Alternativerklärungen und anderen Sichtweisen, lasst euch “roasten” oder es soll “the devils advocat” spielen und andere Sichtweisen zu präsentieren.
Eigentlich gibt es einen einfachen Test: Wenn ihr die Information nicht auf einer Postkarte durch die Welt schicken würdet, dann schreibt sie auch nicht in den Chat. Zudem finde ich es wichtig, dass wir nicht vergessen, dass LLM nur aufgrund ihrer Anweisungen agieren und niemals selbstständig denken. Sie haben keine Gefühle. Bei Konflikten sollten wir uns mit echten Menschen unterhalten, anstatt uns in Chatbot-Gespräche zu vertiefen, die dazu tendieren, den Überblick über das Ganze zu verlieren.
Bis bald!
Jill
Quellen:
AI, E. (2025, September 27). 70% of ChatGPT usage is not work-related: What are we really doing with AI? [Substack newsletter]. Exploring Artificial Intelligence. https://exploringartificialintelligence.substack.com/p/70-of-chatgpt-usage-is-not-work-related
Chatbot psychosis. (2026). In Wikipedia. https://en.wikipedia.org/w/index.php?title=Chatbot_psychosis&oldid=1362206232
Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352
Chatterji, A., Cunningham, T., Deming, D., Hitzig, Z., Ong, C., Shan, C., & Wadman, K. (o. J.). How People Use ChatGPT.
Datenlecks bei Chat-GPT: Trauer, Schwangerschaft und Bewerbungen: Intimste Chats tauchten plötzlich in der Google-Suche auf. (2025, August 27). Tages-Anzeiger. https://www.tagesanzeiger.ch/datenlecks-bei-chat-gpt-intime-chats-tauchten-bei-google-auf-882088809198
Frank, S. (2025, Juli 1). I Trusted an AI to Organize My Life—Here’s What Actually Happened. Tech and Me, Loving It or Hating It. https://medium.com/tech-and-me/i-trusted-an-ai-to-organize-my-life-heres-what-actually-happened-b2dec3d68f89
Freinhofer, D. (2026, Februar 3). Wie sicher sind Ihre Daten bei ChatGPT? Wie können Sie Ihre Daten schützen? [Substack newsletter]. Dominik Freinhofer.
Frischholz, A. (2026, März 28). Datenschutz bei KI-Chatbots: Welche Datentypen ChatGPT und Co. erfassen. ComputerBase. https://www.computerbase.de/news/apps/datenschutz-bei-ki-chatbots-welche-datentypen-chatgpt-und-co-erfassen.96743/
Gartmann, M. (o. J.). 40 Prozent der Bevölkerung nutzten 2025 KI. Abraxas Magazin. Abgerufen 4. Juli 2026, von https://magazin.abraxas.ch/technologie/zahl-des-monats-2-von-5
Internetnutzung in den Haushalten im Jahr 2025. (2025, Dezember 5). Bundesamt für Statistik. https://www.bfs.admin.ch/news/de/2025-0246
Journal of Medical Internet Research—Online Health Information–Seeking in the Era of Large Language Models: Cross-Sectional Web-Based Survey Study. (o. J.). Abgerufen 4. Juli 2026, von https://www.jmir.org/2025/1/e68560
Kaiser, C., Kaiser, J., Schallner, R., & Schneider, S. (2025). A New Era of Online Search? A Large-Scale Study of User Behavior and Personal Preferences during Practical Search Tasks with Generative AI versus Traditional Search Engines.
Keshavan, M., Torous, J., & Yassin, W. (2026). Do generative AI chatbots increase psychosis risk? World Psychiatry, 25(1), 150–151. https://doi.org/10.1002/wps.70017
KI kann Gefühl von Nähe erzeugen – Universität Freiburg. (o. J.). Abgerufen 3. Juli 2026, von https://uni-freiburg.de/ki-kann-gefuehl-von-naehe-erzeugen/
KI im Test—Wie gut kann künstliche Intelligenz Texte zusammenfassen? (2024, März 28). Schweizer Radio und Fernsehen (SRF). https://www.srf.ch/wissen/kuenstliche-intelligenz/ki-im-test-wie-gut-kann-kuenstliche-intelligenz-texte-zusammenfassen
Künstliche Intelligenz überschwemmt Schweizer Büros – und verursacht massiven Aufwand. (2026, Mai 26). Tages-Anzeiger. https://www.tagesanzeiger.ch/ki-verursacht-mehraufwand-in-schweizer-bueros-758702035559
Mireshghallah, N., Antoniak, M., More, Y., Choi, Y., & Farnadi, G. (2024). Trust No Bot: Discovering Personal Disclosures in Human-LLM Conversations in the Wild (arXiv:2407.11438). arXiv. https://doi.org/10.48550/arXiv.2407.11438
Parasocial interaction. (2026). In Wikipedia. https://en.wikipedia.org/w/index.php?title=Parasocial_interaction&oldid=1362604814
Patients are bringing AI to therapy. (o. J.-a). Https://Www.Apa.Org. Abgerufen 4. Juli 2026, von https://www.apa.org/pubs/reports/chatbots-mental-health-2026
Proceedings of the Extended Abstracts of the CHI Conference on Human Factors in Computing Systems, CHI EA ’25, 1–7. https://doi.org/10.1145/3706599.3720123
State of Search Studie 2025. (o. J.). Claneo. Abgerufen 4. Juli 2026, von https://www.claneo.com/de/state-of-search-studie/
Studie zeigt, Herr und Frau Schweizer sind KI-affin. (o. J.). bluewin.ch. Abgerufen 4. Juli 2026, von https://www.bluewin.ch/de/digital/studie-zeigt-herr-und-frau-schweizer-sind-ki-affin-li.2608454
Teacherlaura bei TikTok. (o. J.). TikTok. Abgerufen 4. Juli 2026
The Emerging Problem of „AI Psychosis“ | Psychology Today. (o. J.). Abgerufen 5. Juli 2026, von https://www.psychologytoday.com/us/blog/urban-survival/202507/the-emerging-problem-of-ai-psychosis
Yan, Y., Nguyen, T., Su, B., Lieffers, M., & Le, T. (2026). ShareChat: A Dataset of Chatbot Conversations in the Wild (arXiv:2512.17843). arXiv. https://doi.org/10.48550/arXiv.2512.17843
Zaugg, L. (2026, Juni 27). ChatGPT verunsichert Patienten – der Arzt badet es aus | Nau.ch. Nau. https://www.nau.ch/news/schweiz/chatgpt-verunsichert-patienten-der-arzt-badet-es-aus-67134897
Zao-Sanders, M. (2025, April 9). How People Are Really Using Gen AI in 2025. Harvard Business Review. https://hbr.org/2025/04/how-people-are-really-using-gen-ai-in-2025
Zarse, L. (2025, Juni 17). Eine Einführung in RAG. https://www.alexanderthamm.com/de/blog/rag-eine-einfuehrung/