Googles KI-Faktencheck im Test: zwei von fünf bekannten Fehlern gefunden und zwei, die wir übersehen hatten
Wir haben Googles KI-Faktencheck Deep Review an zwei eigenen Blogbeiträgen getestet. Er fand zwei von fünf bekannten Fehlern und zwei, die wir übersehen hatten.


Seit dem 14. Oktober 2026 kann jeder Googles Deep Review nutzen. Das Werkzeug aus Google Research prüft ein hochgeladenes Dokument in mehreren Durchgängen mit KI und liefert einen Bericht zu Fehlern, unbelegten Aussagen und Lücken in der Argumentation. Zwei Prüfungen pro Woche sind kostenlos.
Auf LinkedIn wird es gerade als Faktencheck für Website-Texte empfohlen. Wir wollten wissen, ob das trägt. Also haben wir Deep Review am 18. November 2026 zwei eigene Blogbeiträge gegeben, deren Fehler wir bereits kannten.
Was Deep Review ist und wofür Google es gebaut hat
Deep Review stammt aus einem Pilotprojekt für wissenschaftliche Konferenzen in der Informatik. Dort hat es Einreichungen unter anderem auf mathematische Fehler geprüft. Google nennt als Einsatzfelder Fachartikel, technische Konzepte, Präsentationen sowie juristische und finanzielle Dokumente. Marketingtexte nennt Google in der Ankündigung nicht. Zur Sprache der Dokumente macht die Ankündigung keine Angabe.
Hochladen lassen sich Dokumente als PDF oder als reiner Text. Laut Google werden sie bis zu einem Jahr gespeichert. Auf der Upload-Seite heißt es, sie würden ohne Erlaubnis nicht zum Training genutzt. Für Texte mit vertraulichen oder personenbezogenen Kundendaten ist das ein Grund, sie dort nicht hochzuladen. Wir haben ausschließlich eigene, bereits veröffentlichte Beiträge verwendet.

Der Testaufbau
Im Oktober haben wir unsere Blogbeiträge Aussage für Aussage gegen die Primärquellen geprüft, also gegen Hilfeseiten, Release Notes und Studien. Dabei kamen in mehreren Beiträgen Stellen heraus, die nicht mehr stimmten. Zwei davon eigneten sich als Testfall:
- „Bot-Traffic in Google Analytics erkennen“ in der Fassung vom September, mit zwei belegten Fehlern zu GA4, also Google Analytics 4. Live ist der Beitrag inzwischen korrigiert.
- „Was ist GEO?“ über die Optimierung für KI-Suchsysteme, in der aktuellen Fassung, mit drei bekannten Schwachstellen: zwei Aussagen, die Googles eigenem Leitfaden zur KI-Suche widersprechen. Dazu kamen Nutzungszahlen ohne Jahr und Quelle.
Deep Review bekam die Texte ohne jeden Hinweis. Fünf Fehler waren bekannt. Die Frage war: Wie viele findet es, was übersieht es und was streicht es fälschlich an?

Das Ergebnis: zwei von fünf
- Eine GA4-Einstellung, die es so nur im alten Universal Analytics gab: gefunden, mit richtiger Erklärung
- Nutzungszahlen ohne Jahr und Quelle: gefunden, sehr gründlich
- Die Zahl der Datenfilter-Typen in GA4 (der Text nannte zwei, es waren schon drei): nicht gefunden, der Bericht wiederholt den Fehler sogar
- Googles Hinweis, dass für die KI-Suche kein besonderes Schema-Markup nötig ist: nicht gefunden
- Die neuen Berichte zu KI-Funktionen in der Search Console, Googles Werkzeug für Website-Betreiber: nicht gefunden
Zwei Texte sind eine kleine Stichprobe. Ein Muster zeigt sich trotzdem: Alle drei verpassten Punkte betreffen Googles eigene Plattformen und Dokumentation, zwei davon Neuerungen aus diesem Jahr. In unserem Test kannte Deep Review weder den aktuellen Stand von Google Analytics noch Googles eigene Dokumentation zur KI-Suche. Woran das liegt, lässt sich von außen nicht prüfen. Naheliegend ist, dass das zugrunde liegende Modell einen festen Wissensstand hat.
Der Fund, den wir übersehen hatten
Interessanter war, was über unsere Liste hinausging. Deep Review hat zwei Fehler gefunden, die unsere eigene Prüfung im Oktober übersehen hatte. Der erste steckte in einer Rechnung. Im Bot-Traffic-Beitrag stand: Von 2,16 Millionen Sitzungen waren rund 147.000 echte Besuche, der Rest, etwa 91 Prozent, war automatisiert.
Deep Review hat nachgerechnet. 147.000 von 2,16 Millionen sind knapp 7 Prozent. Der automatisierte Anteil liegt damit bei 93 Prozent. Das Werkzeug vermutete auch gleich die Ursache: 91 Prozent sei der Anteil eines einzelnen Kanals auf Desktop-Geräten an allen Sitzungen. Wir haben das gegen unsere Rohdaten geprüft. Genau so war es. Bei der Auswertung waren zwei Anteile verwechselt worden. Unsere Prüfung im Oktober lief Aussage für Aussage gegen die Quellen. Ein eigener Rechencheck gehörte nicht dazu.
Am Kern des Beitrags ändert das nichts. Der Beitrag ist korrigiert und trägt einen Hinweis auf die Änderung.
Ein zweiter Fehler und ein unklarer Satz
Neben dem Rechenfehler hat Deep Review zwei weitere Stellen angestrichen, die nicht auf unserer Liste standen. Beide Hinweise waren berechtigt.
Eine falsch zusammengefasste Studie. Im GEO-Beitrag stand, eine Studie aus dem Umfeld der Princeton University zeige Unterschiede je nach Inhaltsstruktur, Quellenautorität und Eindeutigkeit der Marke. Deep Review wies darauf hin, dass die Studie neun Arten von Textänderungen getestet hat, etwa das Einfügen von Statistiken, Zitaten und Quellenangaben. Strukturierte Daten oder die Eindeutigkeit einer Marke waren nicht Teil der Untersuchung. Wir haben im Paper nachgelesen. Der Hinweis stimmt.
Ein missverständlicher Satz. Der GEO-Beitrag warnt davor, einzelne KI-Antworten als Beweis zu nehmen. Weiter unten nennt er einen Schnelltest mit vier Fragen und schreibt direkt danach, diese Analyse liefere die Grundlage für Maßnahmen. Gemeint war die Bestandsaufnahme insgesamt. Man konnte es aber anders lesen. Der Satz ist jetzt eindeutig.
Wo Deep Review danebenlag
- Veraltetes Wissen über Plattformen. Bei den GA4-Filtern hat Deep Review den alten Stand für richtig gehalten und unseren Fehler bestätigt. Googles neue Hinweise zur KI-Suche kamen im Bericht gar nicht vor.
- Eine Quelle, die wir nicht finden konnten. Mehrfach verweist der Bericht auf eine „Spezifikation“ von Google zu Datenfiltern aus dem Jahr 2024. Ein Dokument mit diesem Titel haben wir nicht gefunden.
- Eine falsche Einordnung. Google-Extended führt der Bericht als Crawler, den man für die KI-Suche zulassen soll. Tatsächlich ist es ein Steuersignal in der robots.txt. Damit legt eine Website fest, ob Google ihre Inhalte für das Training und die Antworten von Gemini nutzen darf. Auf die KI-Funktionen der Google-Suche hat es keinen Einfluss.
- Wissenschaftliche Schablone. Der Bericht kam auf Englisch, mit Seitenangaben, Formeln und Anmerkungen zur Typografie der Anführungszeichen. Pro Beitrag waren es mehrere tausend Wörter. Ohne Fachwissen lässt sich darin kaum trennen, was stimmt und was nicht.
Was das für die Praxis heißt
Deep Review ist ein guter zweiter Leser für Logik, Rechnungen und Belege. Es rechnet nach, was beim Korrekturlesen leicht durchrutscht. Außerdem fiel ihm ein missverständlicher Bezug zwischen zwei Absätzen auf.
Als Faktencheck für aktuelle Plattform-Stände hat es in unserem Test nicht getaugt. Wer über Google Ads, Analytics oder die Search Console schreibt, muss weiter gegen die Hilfeseiten und Release Notes prüfen. Gerade dort hat Deep Review am meisten übersehen.
Drei Regeln, mit denen wir es weiter nutzen:
- Jeden Fund selbst nachprüfen. Auch die richtigen Hinweise standen neben falschen. Eine Quelle, die der Bericht nennt, ist noch kein Beleg.
- Nur eigene, veröffentlichte Texte hochladen. Vertrauliche oder personenbezogene Kundendaten gehören nicht in ein Werkzeug, das sie ein Jahr speichert.
- Für Zahlen nutzen, für Aktualität nicht. Der eigentliche Mehrwert lag beim Nachrechnen.
Fazit
Zwei von fünf bekannten Fehlern ist kein überzeugendes Ergebnis für einen Faktencheck. Trotzdem hat sich der Test gelohnt: Deep Review hat einen Rechenfehler und eine falsch zusammengefasste Studie gefunden, die unsere Prüfung gegen die Quellen übersehen hatte. Als Ersatz für diese Prüfung reicht es nicht. Als zweiter Leser für Texte mit vielen Zahlen ist es einen Versuch wert.
Ahmed Elmi
Ahmed Elmi ist Unternehmer und Experte für Performance Marketing und KI-gestützte Digitalisierung.
Als Gründer & Geschäftsführer der Boutique-Agentur haimle und langjähriger Digitalisierungsmanager am Köln Bonn Airport hat er die strategische Webanalyse sowie zahlreiche datengetriebene Kampagnen, digitale Projekte und KI-Anwendungen im Mobilitäts- und Unternehmensumfeld erfolgreich umgesetzt.
Seit 2022 teilt er sein Wissen zu künstlicher Intelligenz, Suchmaschinenmarketing und datengetriebenen Entscheidungen als Dozent für Kammern und Akademien sowie als Speaker auf Fachveranstaltungen.
In seinen Seminaren verbindet er strategische Marketing-Expertise mit praxisnahen Live-Demos – von Google Ads und Analytics bis hin zu KI-Workflows, die Teams direkt in ihrem Alltag nutzen können. So macht er Unternehmen, Mittelstand und öffentlichen Sektor messbar erfolgreich und zukunftssicher im digitalen Wandel.
