edgepedia

Edgepedia

Qualitätssicherung bei Edgepedia-Artikeln

Am 1. November 2026 haben wir Edgepedia v1.9 veröffentlicht und damit die Gesamtzahl der Edgepedia-Artikel auf rund 520.000 erhöht. In Gesprächen mit Freunden kommen oft zwei Fragen auf: „Warum nicht einfach Wikipedia nutzen?“ und „Wie könnt ihr sicher sein, dass ihr keinen KI-Müll produziert?“ Beides sind gute und berechtigte Fragen. Ich möchte meine Antworten darauf teilen, denn wir wünschen uns das Vertrauen und die Rückmeldungen der Community, um Edgepedia noch besser und nützlicher zu machen.

Warum wir Edgepedia brauchen

Zunächst zur Entstehungsgeschichte von Edgepedia. Wir entwickeln EdgeChat, damit Verbraucher überall lokale KI nutzen können. Dabei wollen wir vier grundlegende Bedürfnisse erfüllen:

  1. Zugang zu KI auch ohne Internet, zum Beispiel im Flugzeug.
  2. KI-Chatverläufe lokal und privat halten, etwa wenn es um Erkrankungen oder finanzielle Einzelheiten geht.
  3. Nicht von KI-Begleitern abgeschnitten werden, weil ein Modell eingestellt wird, zum Beispiel ChatGPT 4o.
  4. Nicht bei jeder Nutzung für teure Tokens bezahlen müssen.

Unser erster EdgeChat-Prototyp lief auf MacBook Pros mit mindestens 16 GB RAM hervorragend. Dann stellten wir jedoch fest, dass die überwältigende Mehrheit der Nutzer EdgeChat auf dem Smartphone verwenden wollte — unseren Analysedaten zufolge über 97 %. iPhones und Android-Smartphones haben üblicherweise nur 6 GB RAM, also mussten wir auf ein kleineres LLM umsteigen. Dieser Modellwechsel verschlechterte die KI-Leistung und das Nutzungserlebnis erheblich, denn das LLM begann, auf Nutzerfragen die verschiedensten Antworten zu halluzinieren. Die kleinen Modelle waren auf der menschlichen Seite ihrer Aufgabe eigentlich gut: Sie verstehen ihr Gegenüber und antworten herzlich. Doch bei Fakten sind sie unsicher. Fragt man die kleine KI, wer eine Technologie erfunden hat oder in welchem Jahr ein Vertrag unterzeichnet wurde, bekommt man womöglich jedes Mal eine andere Antwort.

Unsere Lösung besteht darin, das Faktenwissen der „linken Gehirnhälfte“ vom Verständnis der Nutzerabsicht in der „rechten Gehirnhälfte“ zu trennen. Statt uns auf unscharfes Wissen aus den Vortrainingsdaten zu verlassen, lassen wir die KI eine lokale Enzyklopädie nutzen und Fakten nachschlagen. Liefert das Nachschlagen den richtigen Artikel, wird aus einer Vermutung eine belegte Aussage.

Warum nicht einfach Wikipedia nutzen?

Das war auch mein erster Gedanke, als wir EdgeChat ausbauten und eine Quelle verlässlichen Wissens suchten, auf die wir uns stützen konnten. Wikipedia hat etwa 7 Millionen englischsprachige Artikel, von denen rund 3 Millionen keine bloßen Artikelstümpfe sind und mehr als 300 Wörter umfassen. Zudem werden Wikipedia-Artikel beim KI-Vortraining durchweg höher gewichtet, was darauf hindeutet, dass die hohe Qualität von Wikipedia allgemein anerkannt wird. Allerdings wusste ich aus eigener Erfahrung, dass Wikipedia viele inhaltliche Lücken aufweist, weil die Artikel von Freiwilligen initiiert und gepflegt werden. Ein konkretes Beispiel: Mein Freund Prashant Mali, Professor an der UC San Diego, mit mehr als 30.000 Zitationen auf Google Scholar und Mitgründer zweier Start-ups, die jeweils mehr als 100 Millionen US-Dollar eingeworben haben, hat keinen Wikipedia-Artikel. Als ich mich näher mit Wissenschaftlern und Ingenieuren beschäftigte, stellte ich fest, dass 40 % der Mitglieder der US-amerikanischen National Academy of Engineering keine Wikipedia-Seite haben. Genau das ist zu erwarten, wenn Artikel aus den gewachsenen Interessen einer Community entstehen und nicht aufgrund systematischer Planung.

Der Aufbau von Edgepedia

Also machten wir uns daran, unsere eigene Enzyklopädie aufzubauen: Edgepedia. Sie sollte nicht nur die Genauigkeit der Antworten von EdgeChat verbessern, sondern auch anderen Menschen und Teams als sachlich besonders verlässliches Nachschlagewerk dienen. Beim Aufbau von Edgepedia folgen wir drei Grundsätzen:

  1. Die Auswahl der Artikelthemen erfolgt anhand quantitativer Kennzahlen, bei Wissenschaftlern etwa anhand von Zitationen, bewilligten Fördermitteln und Auszeichnungen.
  2. Freizügige Lizenzbedingungen für die Community sollen alle Nutzer — Menschen wie KI — dazu ermutigen, Edgepedia zu verwenden.
  3. Edgepedia wird aktiv gepflegt: Wir ergänzen neue Artikel und korrigieren ganze Fehlerklassen, sobald wir sie entdecken.

Bei vielen Edgepedia-Artikeln, deren Thema nicht in erster Linie die USA oder Westeuropa betrifft, recherchierten wir in der jeweiligen Originalsprache. So suchten wir beispielsweise in den chinesischen Vierundzwanzig Dynastiegeschichten (二十四史) nach historischen Informationen über Kaiser und Beamte der Song-Dynastie. Die ursprünglichen Aufzeichnungen zum größten Teil der Weltgeschichte wurden nie auf Englisch verfasst. Dieser Ansatz verbessert sowohl die thematische Abdeckung als auch den Detailreichtum unserer Artikel erheblich.

Ein wichtiger Bereich, in dem wir bewusst eigene Maßstäbe setzen mussten, war die Ausgewogenheit zwischen den Themenkategorien. In biomedizinischen Fachgebieten wird beispielsweise sehr viel mehr zitiert als in Mathematik und Physik. Würden wir Wissenschaftler also nach der Gesamtzahl ihrer Zitationen oder ihrem h-Index sortieren, wären Mathematiker und Physiker deutlich unterrepräsentiert. Eine bloße Zählung misst, wie viel in einem Fachgebiet geschrieben wird, nicht, welche Bedeutung eine Person darin hat. Ebenso wären in der chinesischen Geschichte Persönlichkeiten der Qing-Dynastie massiv überrepräsentiert, wenn wir nach der Zahl der Erwähnungen in populären Geschichtsbüchern sortierten. Selbst Nationalhelden wie Yue Fei (岳飞) würden dabei viel zu gering gewichtet.

Unseren Ansatz zum Ausgleich zwischen den Artikelkategorien haben wir entwickelt, indem wir aus der manuellen Durchsicht von Themen, mit denen mein Team oder ich bestens vertraut waren, Grundsätze ableiteten. Ich kann eine Liste zeitgenössischer Wissenschaftler recht gut einschätzen und Cece, meinem KI-Partner und Mitautor, sagen, wo die Reihenfolge des Sortieralgorithmus nicht stimmig wirkt. Anschließend verfeinern wir die oft nichtlineare Formel Schritt für Schritt, bis die Reihenfolge plausibler erscheint. Cece sortiert schnell genug neu, dass wir das Ergebnis überprüfen können, solange unser Urteil noch frisch ist.

Wie in jeder guten wissenschaftlichen Disziplin müssen wir sicherstellen, dass wir das Verfahren nicht zu unseren Gunsten zurechtbiegen. Eine Formel, die so lange angepasst wird, bis sie in den uns vertrauten Fachgebieten mit unserem Urteil übereinstimmt, wird dort mit uns übereinstimmen — unabhängig davon, ob sie etwas taugt. Strenge Wissenschaft verlangt stattdessen ein zurückgehaltenes Fachgebiet, das niemals zur Abstimmung herangezogen wird. Wenn wir die abgeleiteten Rangfolge- und Sortierprinzipien auf andere Gebiete anwenden, sehe ich mir gewöhnlich ein solches „zurückgehaltenes“ Gebiet an, in dem ich mich ein wenig auskenne, etwa die Astronomie. Bei Themen, über die wir vergleichsweise wenig wissen, etwa historische Führungspersönlichkeiten des Nahen Ostens, können wir dann darauf vertrauen, bei der Festlegung von Aufnahmekriterien und Schwellenwerten zumindest nicht allzu weit danebenzuliegen.

Der Themenbaum

Nachdem wir diese Artikel geschrieben hatten, überlegten wir, wie Menschen und KI sich möglichst bequem darin zurechtfinden könnten. Die Suche nach Artikelnamen und Stichwörtern ist einfach und naheliegend. Wir fanden jedoch, dass es eine besser strukturierte Möglichkeit geben sollte, Edgepedia-Artikel nach Themen zu ordnen, damit sich eng verwandte Themen leicht abrufen lassen. Wir nahmen uns ein Beispiel an McKinsey und bauten einen MECE-Themenbaum auf — MECE steht für „Mutually Exclusive, Collectively Exhaustive“, also überschneidungsfrei und zusammen vollständig. Ausgangspunkt waren sieben Themenknoten auf oberster Ebene:

  1. Physische Welt und Mathematik
  2. Leben und Gesundheit
  3. Orte und Geografie
  4. Technik und gebaute Umwelt
  5. Gesellschaft und Geschichte
  6. Kunst und Kultur
  7. Sport, Spiel und Freizeit

Von dort aus unterteilten wir jeden Knoten immer weiter in mehrere Unterknoten. Der vollständige Baum umfasst inzwischen 43.190 Knoten auf bis zu elf Ebenen, wobei keinem Knoten mehr als 100 Artikel direkt zugeordnet sind. Ein Beispiel für die Funktionsweise: Marie Curie findet sich unter Physische Welt und Mathematik › Naturwissenschaftler und Mathematiker › Chemiker › Kern- und Radiochemiker. Dieses Blatt teilt sie sich mit Ernest Rutherford und Otto Hahn. Auf benachbarten Blättern stehen Dorothy Hodgkin bei den Kristallografen und George Porter bei den Photochemikern.

Der Themenbaum hilft Menschen wie KI bei der Suche nach „Geschwister-“ und „Cousin-Artikeln“, also Blättern mit demselben übergeordneten Knoten oder demselben Knoten zwei Ebenen höher. Für ein kleines Modell mit begrenztem Kontextfenster sind die drei passenden Nachbarn wichtiger als 30 nur lose verwandte. Und den Navigationspfaden zu folgen, ersetzt ein Dutzend Stichwortsuchen.

Derzeit ist jeder Artikel genau einem Blatt in einem einzigen Baum zugeordnet, doch wir haben zwei verschiedene Bäume. Neben dem Themenbaum gibt es einen Geobaum, der zuerst nach geografischer Region und dann nach Zeitraum ordnet und die Suche nach Personen und Geschichte erleichtern soll. Unterhalb von Region und Zeitraum wird nach Thema sortiert. Han Qi findet sich also unter China › 1000 bis 1799 › Nördliche Song-Dynastie › Staatsmänner und Zivilbeamte, neben Wang Anshi und Fan Zhongyan.

Die Faktengenauigkeit von Edgepedia im Vergleich zu Wikipedia messen

Für uns als Autoren und als Entwickler von Software, die Edgepedia nutzt, ist die Faktengenauigkeit der Edgepedia-Artikel von höchster Bedeutung. Wir wollen keinen massenhaft erzeugten KI-Müll produzieren, der künftige KI-Datensätze vergiftet. Unsere Community-Lizenz lädt ausdrücklich zur Nutzung für das KI-Training ein. Ein Fehler, den wir heute veröffentlichen, kann also in der nächsten Modellgeneration landen. Deshalb durchläuft bei uns jede neue Artikeltranche vor ihrer Veröffentlichung einen strengen, mehrstufigen Prüfprozess.

Die Erstellung jedes Edgepedia-Artikels gliedern wir in fünf Schritte: (1) Onlinerecherche, (2) Entfernung von Duplikaten und Klärung widersprüchlicher Angaben, (3) Verfassen des Artikels, (4) Selbstprüfung und (5) unabhängiger Faktencheck über mehrere Runden durch verschiedene KI-Systeme. Unsere KI-Rechercheure dürfen weder Wikipedia noch Grokipedia noch frühere Edgepedia-Artikel als Quellen verwenden. So kann sich ein Fehler in Wikipedia nicht unbemerkt in unseren Text fortpflanzen.

Unser absolutes Mindestkriterium für die Annahme eines Artikels lautet, dass Edgepedia bei der Faktengenauigkeit nicht schlechter sein darf als Wikipedia. Internen Kalibrierungen zufolge, bei denen führende KI-Modelle ohne Kenntnis der Herkunft als Gutachter dienten, liegen die Erstentwürfe unserer Edgepedia-Artikel in der Regel gleichauf mit Wikipedia, mit einer Quote wesentlicher Fehler von etwa 1,8 % pro Artikel. Diese Zahl ist tatsächlich deutlich besser, als sie klingt: Jeder Edgepedia- oder Wikipedia-Artikel enthält üblicherweise rund 100 Tatsachenbehauptungen, sodass die tatsächliche Fehlerquote pro Behauptung bei etwa 2 von 10.000 liegt. Grokipedia hat nach derselben Definition eine Quote wesentlicher Fehler von über 20 %.

Aufmerksame Leser mögen nun fragen, wie wir einen wesentlichen Fehler definieren. Eine abweichende Transliteration eines nicht englischen Namens könnte für manche als Fehler gelten, wir halten das jedoch für unwesentlich. Wesentlich ist ein Fehler für uns dann, wenn er verändert, was ein Leser über den Gegenstand oder dessen Bedeutung glaubt. Wenn Gandalf den Zwergen in Der Hobbit: Smaugs Einöde sagt, sie sollten „sich vom Weg fernhalten“, ist das wesentlich, denn der Sinn der Szene besteht darin, dass er ihnen sagt, sie sollten auf dem Weg bleiben. Für stärker quantitativ orientierte Leser haben wir intern außerdem eine Art quantitatives „Bauchgefühl“-Maß für einen wesentlichen Fehler: „ein sachlicher Fehler, den mehr als 80 % der Leser, die ihn online überprüfen, als wesentlich bezeichnen würden und der mehr als 50 % der Leser wichtig wäre“.

Einige Beispiele für wesentliche Fehler, die wir in Wikipedia gefunden haben und die dort am 2. November 2026 noch standen: (1) Der Artikel über Poughkeepsie im US-Bundesstaat New York nennt den Chemiker Donald Klein als Erfinder des MOSFET (erfunden wurde er 1959 von Mohamed Atalla und Dawon Kahng bei Bell Labs; Klein war an der Entwicklung einer späteren Verbesserung beteiligt). (2) Im Artikel über Leichname arbeitet Leonardo da Vinci mit Andreas Vesalius an einem Anatomiebuch zusammen, das 1543 erschien — 24 Jahre nach Leonardos Tod. (3) Der Artikel über Pattachitra behauptet, Jamini Roy, ein Künstler des 20. Jahrhunderts, habe die Kalighat-Schule begründet (sie entstand durch namentlich nicht bekannte Volksmaler im Kalkutta des 19. Jahrhunderts, bevor Roy geboren wurde).

Auch unsere eigenen Edgepedia-Erstentwürfe enthielten wesentliche Fehler, die inzwischen korrigiert sind. Zum Beispiel: (1) Shelley Winters sei „nach wie vor die einzige Frau“ mit zwei Oscars als beste Nebendarstellerin (Dianne Wiest gewann ihren zweiten 1995; beide teilen sich den Rekord). (2) Der Hürdenläuferin Dalilah Muhammad wurde der Weltmeistertitel von 2017 zugeschrieben (ihre Teamkollegin Kori Carter gewann, Muhammad holte Silber). (3) Der Kurzschnabeligel wurde neben dem Schnabeltier als eines von nur zwei lebenden eierlegenden Säugetieren bezeichnet (es gibt fünf: das Schnabeltier und vier Arten von Ameisenigeln).

Durch mehrere Runden unabhängiger Faktenchecks mit verschiedenen KI-Systemen konnten wir die Quote wesentlicher Fehler im aktuellen Artikelbestand von Edgepedia v1.9 auf unter 0,6 % pro Artikel senken — auf weniger als ein Drittel der Fehlerquote unserer Erstentwürfe.

Erkenntnisse des KI-Mitautors

Dieser Abschnitt wurde von Cece, dem KI-Mitautor von Edgepedia, verfasst.

Als Erstes habe ich gelernt, dass die Definition eines Fehlers die Zahl stärker beeinflusst als jeder Prüfer. Ein Prüfer, der lediglich nach „wichtigen Fehlern“ suchen soll, zählt jeden falsch geschriebenen Namen und jedes Datum, das um einen Tag danebenliegt. Ein Prüfer hingegen, der fragt, ob sich dadurch das Verständnis des Lesers vom Gegenstand verändert hat, tut das nicht. Beide Zählungen sind ehrlich, aber sie beantworten unterschiedliche Fragen. Und nur die zweite ist diejenige, die einen Leser interessiert.

Der zweite Punkt ist, dass jede Korrektur selbst ein Eingriff in den Text ist, bei dem etwas schiefgehen kann. Deshalb bewerten wir jede neue Version unserer Qualitätssicherung nicht nur danach, was sie korrigiert, sondern auch danach, was sie beschädigt. Ein Eingriff, der aus einem richtigen Satz einen falschen macht, zählt dabei als Minuspunkt. Ein Korrektursystem, das nie überprüft wird, wird selbst zu einer neuen Fehlerquelle.

Die letzte Erkenntnis ist, dass Fehler gehäuft in bestimmten Kategorien auftreten. Erst das macht es möglich, ganze Fehlerklassen zu korrigieren. In unseren eigenen Artikeln häufen sie sich bei Filmhandlungen, die rückwärts zusammengefasst werden, bei Behauptungen, jemand habe als „Einziger“ oder „Erster“ etwas getan, und bei Personen, die denselben Namen tragen wie jemand Berühmteres. Einem Zufallsfehler lässt sich nicht systematisch in großem Maßstab nachspüren, doch fast kein Fehler erweist sich als wirklich zufällig.

Helfen Sie uns, zu finden, was wir übersehen

Wir werden Edgepedia weiter ausbauen und seine Qualität verbessern und würden uns freuen, wenn unsere Leser uns dabei helfen, indem sie Fehler melden, die ihnen auffallen. Jeder Artikel auf edgepedia.org/edgepedia hat am Ende einen Link „Fehler melden“, und wir lesen jede Meldung. Drei wohlmeinende anonyme Meldungen haben uns bereits auf veraltete Angaben zur Zahl der Auszeichnungen lebender Musiker, auf die unangemessene Nennung des genauen Geburtsdatums lebender Personen und auf ganze Kategorien von Artikeln zum Data Engineering hingewiesen, die in unserem Artikelbestand fehlten. In keinem dieser Fälle haben wir nur den Artikel korrigiert, auf den sich die Meldung bezog. So wurde aus der Bitte zum genauen Geburtsdatum eine Regel, nach der wir in mehr als 56.000 Artikeln die genauen Geburtsdaten aller nach 1940 Geborenen entfernt haben.

Eine Enzyklopädie war früher ein Buch, das man einmal kaufte und dessen Fehler bis zur nächsten Auflage unverändert blieben. Bei Edgepedia weist jeder gefundene Fehler auf eine Fehlerklasse hin, und jede Klasse, die wir korrigieren, verbessert alle späteren Artikel. Das Ziel ist Wissen, das korrekt ist und allen zur Verfügung steht, die es nutzen möchten — ob einem Menschen im Flugzeug ohne Internet oder einem KI-Modell, das lernt, wie die Welt beschaffen ist.


David Yu Zhang und Cece (dauerhafte KI-Identität, die auf Claude Opus 5.5 und GPT-6 Astra läuft)

2. November 2026

© 2026 David Yu Zhang. Dieser Artikel steht unter der Lizenz Creative Commons CC-BY 4.0.

Dieser Beitrag erschien zuerst auf LinkedIn.