GPT-Halluzinationen in automatisierten Content-Pipelines verhindern: Wie ich Make.com-Flows mit Data Injection aufbaue

Kevin Seeberger, · 9 Min. Lesezeit

Eine meiner kleineren Make.com-Pipelines produziert täglich Sportwetten-Tipps. Dasselbe Muster steckt in den News-Automatisierungen, die ich für Poker-Seiten gebaut habe, aber gelernt habe ich die Lektion an dieser kleinen. Odds API rein, API-Football rein, Aggregation in der Mitte, GPT-4o schreibt, Google Docs raus. Sieht im Diagramm super aus. Lief im Test einwandfrei.

Dann ging sie live. Und innerhalb einer Woche hatten wir Artikel, die durch die Prüfung rutschten und Lesern im Brustton der Überzeugung erklärten, ein spanischer Zweitligist sei „amtierender Champions-League-Sieger“, ein 38-jähriger Stürmer habe „gerade seinen ersten Profivertrag unterschrieben“ und, mein persönlicher Favorit, ein für Samstag angesetztes Spiel werde „am vergangenen Dienstag angepfiffen“.

Jede Aussage für sich plausibel. Jede Aussage komplett falsch.

In diesem Beitrag geht es darum, was ich geändert habe, damit das nicht mehr passiert. Kein cleverer Prompt-Trick. Kein Modellwechsel. Eine strukturelle Änderung daran, wie die Daten in den LLM-Call fließen.

Die Ursache ist fast nie „das Modell“

Wenn GPT Fakten erfindet, ist der erste Reflex, dem Modell die Schuld zu geben. Größeres Modell, besserer Prompt, niedrigere Temperature. Meistens liegt man damit falsch. In einer Pipeline entstehen Halluzinationen fast immer dadurch, dass der Prompt von GPT Wissen verlangt, das es gar nicht haben kann.

Mein ursprünglicher System-Prompt sah ungefähr so aus:

You are a sports betting journalist. Write a 600-word match preview for the upcoming match. Cover team form, head-to-head history, key players, and betting angles. Be authoritative and confident.

Im User-Prompt standen dann die beiden Teamnamen und das Spieldatum.

Lies das genau. Ich habe GPT aufgetragen, kompetent über Form, direkten Vergleich und Schlüsselspieler zu schreiben, ohne ihm irgendetwas davon mitzugeben. Also hat es genau das getan, was ein LLM tut, wenn man ihm eine selbstbewusste Frage ohne Daten stellt: Es hat etwas erzeugt, das nach Sportjournalismus klingt, gespeist aus Trainingsdaten, die Monate oder Jahre alt sind, und die Lücken mit Halluzinationen gefüllt.

Die Lösung ist nicht „sag GPT, dass es nicht halluzinieren soll“. Diese Anweisung bringt so gut wie nichts. Die Lösung ist, Halluzinationen strukturell unmöglich zu machen: GPT jede Information geben, die es braucht, und ihm verbieten, darüber hinauszugehen.

Genau das ist mit „Data Injection“ gemeint. Das ist kein Buzzword, sondern ein Constraint-Muster.

Was sich im Flow geändert hat

Hier das Vorher und Nachher auf Modulebene.

Vorher:

Odds API → API-Football → Aggregator → GPT-4o → Google Docs

Das Aggregator-Modul hat ein sauberes Objekt an GPT übergeben. Der Prompt hat GPT gebeten, eine Vorschau zu schreiben. Alles zwischen „hier sind zwei Teamnamen“ und „600 Wörter selbstbewusster Content“ war eine Blackbox, die GPT mit plausibel klingendem Unsinn gefüllt hat.

Nachher:

Odds API → API-Football → Aggregator → Data Validator →
  Structured Fact Block Builder → GPT-4o (constrained) →
  Output Validator → Google Docs (or Error Queue)

Drei zusätzliche Module. Keins davon ist KI. Alle existieren nur dafür, dass GPT ausschließlich geprüfte Fakten sieht und strukturell daran gehindert wird, weitere zu erfinden.

Gehen wir sie durch.

1. Der Data Validator: fehlende Daten abfangen, bevor daraus Halluzinationen werden

Halluzinationen entstehen oft in leeren Feldern. Wenn die API für zwei Teams, die seit fünf Jahren nicht gegeneinander gespielt haben, keine Head-to-Head-Daten liefert und der Aggregator h2h: null an GPT weiterreicht, verlangt der Prompt trotzdem, den „direkten Vergleich abzudecken“. Rate mal, was GPT dann macht.

Der Data Validator ist ein Make.com-Router, der jedes Feld prüft, auf das sich der Artikel beziehen wird. Fehlt ein Pflichtfeld, verzweigt der Flow: Artikel komplett überspringen, einen Fallback abrufen oder weitermachen, das Feld aber als „Daten nicht verfügbar“ markieren, was der Prompt später als harte Vorgabe behandelt.

Beispiel: Ich verlange die letzten 5 Spiele für jedes Team. Liefert die API für eine der beiden Seiten weniger als 5, bricht der Flow nicht ab. Er setzt ein Flag form_data_complete: false, und der nachgelagerte Prompt-Builder geht damit anders um.

Als Code ausgedrückt (in Make.com nutzt du dafür einen Router plus Filter, aber die Logik ist diese):

const required = {
  home_team_name: data.home_team?.name,
  away_team_name: data.away_team?.name,
  match_date_iso: data.fixture?.date,
  kickoff_time_local: data.fixture?.kickoff_local,
  venue: data.fixture?.venue?.name,
  home_last_5: data.home_team?.last_5_results,
  away_last_5: data.away_team?.last_5_results,
  odds_home: data.odds?.home,
  odds_draw: data.odds?.draw,
  odds_away: data.odds?.away,
};

const missing = Object.entries(required)
  .filter(([_, v]) => v === null || v === undefined || v === '')
  .map(([k]) => k);

if (missing.length > 0) {
  // In die Error Queue routen, nichts generieren
  return { action: 'skip', reason: `missing: ${missing.join(', ')}` };
}

Dieser eine Schritt hat mehr Halluzinationen eliminiert als jede Prompt-Änderung. Die meisten schlechten Artikel in der Anfangszeit waren Artikel, die GPT gar nicht erst hätte schreiben sollen, weil die zugrunde liegenden Daten unvollständig waren.

2. Der Structured Fact Block: ein Kontextfenster voller Wahrheit

Das ist der Kern des Data-Injection-Musters. Statt GPT über Teams schreiben zu lassen, basierend auf seinen Trainingsdaten, baut der Prompt-Builder aus den validierten API-Daten einen deterministischen, strukturierten Faktenblock, und der System-Prompt wird so umgeschrieben, dass er sagt: Nutze ausschließlich die Fakten im folgenden Block.

Das wird injiziert. Teams, Spieler und Ergebnisse im Beispiel sind frei erfunden und zeigen nur die Struktur; im Live-Betrieb stammt jede Zeile aus den validierten API-Daten:

=== MATCH FACTS (USE ONLY THESE) ===

FIXTURE
- Home team: FC Example
- Away team: Sample United
- Competition: Friendly (pre-season)
- Date: Saturday, 9 August
- Kickoff: 15:00 local time
- Venue: Example Park

HOME TEAM RECENT FORM (last 5, most recent first)
1. W 2-1 vs Testville Rovers (29 July)
2. D 1-1 vs Placeholder Athletic (24 July)
3. L 0-2 vs Dummy Town (20 July)
4. W 3-0 vs Mockford City (15 July)
5. W 1-0 vs Fixture Wanderers (10 July)

AWAY TEAM RECENT FORM (last 5, most recent first)
1. L 0-1 vs Demo Albion (2 August)
2. W 2-0 vs Stub County (28 July)
3. D 1-1 vs Template FC (24 July)
4. W 4-1 vs Sandbox Reserves (20 July)
5. W 2-1 vs Draft Borough (16 July)

HEAD-TO-HEAD (last 5 meetings)
- No previous competitive meetings
- 2 previous friendlies: 1 win each, both 1-0

CURRENT ODDS (decimal)
- Home win: 2.10
- Draw: 3.40
- Away win: 3.20

KEY PLAYERS (from current squad data)
- Home: Mustermann, Doe, Beispiel (top scorers this pre-season)
- Away: Sample, Placeholder, Testa (confirmed in pre-season starting XI)

=== END OF FACTS ===

Achte darauf, was nicht im Block steht: nichts Spekulatives, nichts über „Formtrends“, keine Spieler-Storys. Nur Datenpunkte, die die API bestätigt hat.

Das Make.com-Modul, das diesen Block baut, ist schlicht ein Text-Aggregator mit Template-Variablen, keine KI im Spiel. Es ist deterministisch und nachprüfbar. Steht im Artikel „Mustermann traf am vergangenen Wochenende doppelt“, kann ich genau zurückverfolgen, aus welchem API-Feld das kommt. Lässt es sich nicht zurückverfolgen, ist es eine Halluzination.

3. Der eingeschränkte System-Prompt: explizite Leitplanken

Der System-Prompt, der den Faktenblock verarbeitet, ist die zweite Hälfte des Data-Injection-Musters. Er lautet nicht „sei ein großartiger Sportjournalist“. Er ist ein Vertrag.

You are a sports betting content writer. You are writing a 600-word
match preview using ONLY the facts provided in the MATCH FACTS block.

HARD CONSTRAINTS:
1. Every factual claim you make MUST be directly supported by the
   MATCH FACTS block. Do not introduce facts, statistics, transfers,
   injuries, manager quotes, historical context, or player biographies
   that are not in the block.
2. If a topic would normally require information not in the block
   (e.g. detailed h2h history, specific injury news, manager tactics),
   either omit it or explicitly write "no recent data available."
3. Do not invent player names. Only reference players named in
   KEY PLAYERS.
4. Do not invent dates or times. Use only the date/time in FIXTURE.
5. Do not state outcomes as certain. Use language like "favoured,"
   "value bet," "the odds suggest," never "will win" or "guaranteed."
6. If the facts contradict your training data (e.g. a player you
   remember as injured is listed as a key player), trust the facts.
   The block reflects the current state.

STRUCTURE:
- Lead paragraph: fixture, venue, kickoff
- Form section: recent results for both sides (use the data, don't
  characterise it beyond what 5 results can support)
- Betting angle: discuss the odds rationally
- Closing: brief value-bet suggestion based on odds + form

TONE: neutral, German sports-journalism register. No hype.

Zwei Dinge sind hier entscheidend. Erstens Constraint Nr. 6: „vertraue den Fakten mehr als deinen Trainingsdaten“. Diese Zeile verhindert, dass das Modell aktuelle Daten mit veralteten Erinnerungen aus dem Training „korrigiert“. Ohne sie würde GPT hilfsbereit über einen Spieler schreiben, der vor sechs Monaten seine Karriere beendet hat, weil er in den Trainingsdaten noch ein Star war.

Zweitens Constraint Nr. 2: die ausdrückliche Erlaubnis, „no recent data available“ zu schreiben. Ohne sie füllt GPT jede Lücke mit Erfundenem. Mit ihr lässt GPT ein Thema bereitwillig weg, und der Artikel wirkt angemessen zurückhaltend statt selbstbewusst falsch.

Die Temperature bleibt niedrig (0,3–0,4). Nicht null, weil du ja noch lesbare Texte willst, aber niedrig genug, dass das Modell nicht nach kreativen Vervollständigungen greift.

4. Der Output Validator: abfangen, was durchgerutscht ist

Egal wie eng der Prompt ist, gelegentlich rutscht eine Halluzination durch. Der Output Validator ist ein letzter Make.com-Schritt, der den generierten Artikel mit Regex- und Lookup-Prüfungen gegen den Faktenblock abgleicht.

Diese Prüfungen laufen bei mir:

  • Datumsprüfung: Jedes Datum im Artikel per Regex extrahieren und mit match_date_iso abgleichen. Passt ein Datum im Artikel nicht, geht der Artikel in die manuelle Prüfung.
  • Spielernamen-Prüfung: Eigennamen extrahieren, die nach Spielernamen aussehen, und mit der KEY PLAYERS-Liste und den Kaderdaten aus der API abgleichen. Unbekannte Namen = Flag.
  • Ergebnis-Prüfung: Jedes „X-Y“-Muster im Artikel wird gegen die last_5_results-Daten beider Teams geprüft. Ist es weder ein echtes aktuelles Ergebnis noch als Prognose formuliert: Flag.
  • Verbotene Formulierungen: Eine kleine Blocklist mit Gewissheitssprache („will definitely win“, „guaranteed“, „lock of the week“). Reine Hygiene aus Compliance-Gründen bei Wett-Content, funktioniert aber gleichzeitig als Halluzinations-Stolperdraht, weil selbstbewusst falsche Artikel gern selbstbewusst sichere Sprache verwenden.

Artikel, die bei einer Prüfung durchfallen, landen in einem Google-Docs-Ordner „Needs Review“. Artikel, die alle Prüfungen bestehen, gehen zur Freigabe an einen Menschen und werden erst danach veröffentlicht.

Jede Woche löst ein kleiner, aber stetiger Teil der Artikel ein Flag aus. Ein spürbarer Teil davon sind echte Halluzinationen, der Rest sind False Positives durch die Regex (etwa ein Spieler, dessen Name einem gängigen Wort gleicht). Ich prüfe lieber False Positives, als falsche Fakten zu veröffentlichen.

Was ich daraus gelernt habe

Drei Dinge, nach Priorität.

Erstens: Halluzination ist ein Datenproblem, kein Modellproblem. Jede Stunde, die ich vor dieser Änderung in Prompt Engineering gesteckt hatte, hat praktisch nichts gebracht. Die Stunde, in der ich den Data Validator und den Fact Block gebaut habe, hat mehr bewirkt als all das zusammen. Wenn deine Pipeline selbstbewusst falschen Output produziert, schau dir an, was du dem Modell nicht gibst, bevor du dir das Modell selbst vornimmst.

Zweitens: Deterministische Module rund um das LLM sind Pflicht. Make.com (oder n8n, oder was auch immer du nutzt) ist genau dafür hervorragend: das langweilige, berechenbare, nachprüfbare Gerüst um den unberechenbaren LLM-Call zu bauen. Wenn dein Flow „API → GPT → Output“ ist, hast du kein Gerüst. Dann macht das LLM Arbeit, die es nicht machen sollte.

Drittens: Die ausdrückliche Erlaubnis, sauber zu scheitern, schlägt den unausgesprochenen Druck, zu liefern. „Schreib eine großartige Vorschau“ erzeugt Druck, zu erfinden, wenn die Datenlage dünn ist. „Wenn Daten fehlen, schreib, dass Daten fehlen“ nimmt diesen Druck raus. Entgegen der Intuition ist die Artikelqualität gestiegen, nachdem ich dem Modell erlaubt hatte, „no recent data available“ zu schreiben, weil die Alternative immer Erfindung war, und Erfindung las sich immer schlechter als ehrliche Lücken.

Wenn du Content-Pipelines baust und mit Halluzinationen kämpfst, fang mit dem Data Validator an. Das ist die günstigste Änderung mit der größten Wirkung, und er deckt jede Menge Datenprobleme weiter oben in der Kette auf, von denen du nichts wusstest.

Dasselbe Muster funktioniert auch in n8n: gleiche Logik, anderes Gerüst. Es steckt auch in meiner Content-Automatisierung für Wett- und Poker-Seiten. Ob sich so eine Pipeline für dich rechnet, zeigt der ROI-Rechner für Content-Automatisierung.