Parametrisches Wissen

Parametrisches Wissen: die Kurzfassung

Der Begriff unterscheidet zwei Wissensquellen eines KI-Systems. Parametrisches Wissen steckt in den Parametern, also den trainierten Gewichten des Modells. Nicht-parametrisches Wissen kommt zur Laufzeit von außen, etwa aus einem Suchindex. Lewis et al. verwendeten diese Unterscheidung 2020 in der Arbeit, die RAG bekannt machte; Petroni et al. hatten 2019 gezeigt, dass Sprachmodelle Faktenwissen ähnlich einer Wissensdatenbank abrufen können. Parametrisches Wissen endet am Training-Cutoff und lässt sich nachträglich nicht gezielt ändern.

Auch genannt:Parametric Knowledgeparametrisches GedächtnisParametric MemoryModellwissen

Was dahintersteckt

Wenn ChatGPT eine Frage ohne Websuche beantwortet, spricht das parametrische Wissen. Es entstand aus den Texten, mit denen das Modell trainiert wurde, und bildet ab, wie häufig und in welchem Zusammenhang Begriffe dort vorkamen. Eine Marke, die in vielen Quellen immer wieder mit einem Thema verbunden ist, hinterlässt eine stabile Spur. Eine Marke, die kaum vorkommt, bleibt blass oder wird mit Ähnlichem verwechselt. Deshalb ist Ko-Vorkommen für diese Wissensform so wichtig.

Petroni und Kollegen zeigten 2019 an BERT, dass ein Sprachmodell ohne jedes Nachtraining relationales Wissen enthält, etwa wer wo geboren ist oder was zu welcher Kategorie gehört. Später wurde klar, wie unzuverlässig dieses Wissen bei seltenen Fakten ist. Genau dort entstehen Halluzinationen: Das Modell ergänzt Lücken plausibel, aber falsch. Die RAG-Architektur wurde entwickelt, um parametrisches Wissen mit abrufbaren Dokumenten zu ergänzen.

Für GEO folgt daraus eine Zweiteilung. Kurzfristig beeinflusst du nur, was eine KI bei der Live-Suche findet. Langfristig wirkt, was bis zum nächsten Training-Cutoff öffentlich über dich im Netz steht. Beides braucht verschiedene Maßnahmen. Die Live-Seite profitiert von klaren, crawlbaren Passagen; das parametrische Bild entsteht aus Menge, Konsistenz und Qualität der Nennungen in Fachmedien, Verzeichnissen, Nachschlagewerken wie einem Wikipedia-Eintrag und Foren.

Ein häufiger Fehler ist, beides in einer Messung zu vermischen. Wer einen Assistenten mit aktivierter Websuche fragt, misst das Zusammenspiel. Um das parametrische Bild zu prüfen, stellst du dieselben Fragen mit ausgeschalteter Suche oder über eine Schnittstelle ohne Webzugriff. Stimmen Gründungsjahr, Standort und Leistungen, ist die Marke gut verankert. Tauchen veraltete oder falsche Angaben auf, stammen sie meist aus alten Quellen, die im Training stark vertreten waren.

Korrigieren lässt sich parametrisches Wissen nur indirekt: alte Fehlinformationen an der Quelle berichtigen, aktuelle Angaben konsistent verbreiten und auf den nächsten Trainingslauf warten. Das dauert Monate, wirkt aber dauerhaft.

An einem Fall erklärt

Die passende Leistung dazu: Technik für KI-Sichtbarkeit: Crawler, Schema, llms.txt →

Begriffe im Umfeld

Quellen: Petroni et al.: Language Models as Knowledge Bases? (2019) (Stand September 2026) · Lewis et al.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020) (Stand September 2026)

Definitionen im Glossar sind redaktionell geprüft, ersetzen aber keine Beratung für deinen Einzelfall. Zurück zum Glossar