Kann KI die richtige TV-Folge finden? Nicht zuverlässig.

Die Welt wird immer dialogorientierter, und GenAI hilft den Menschen dabei, sich in einer zunehmend komplexen Welt zurechtzufinden. In der Welt der Unterhaltung nutzen Fernsehzuschauer die Sprachsuche, um sich in der immer größer werdenden Videolandschaft zurechtzufinden, die sich weiterhin über verschiedene Kanäle und Dienste hinweg fragmentiert.

Trotz der weit verbreiteten Sprachfunktionalität auf verschiedenen Geräten hängt der Nutzen dieser Technologie jedoch von Daten ab – also von Informationen aus der realen Welt in Echtzeit, die ein^LLM1 nutzt, um die Antworten auf Nutzeranfragen zu validieren, zu ergänzen und zu korrigieren. Im gesamten Streaming-Bereich ist dies insbesondere für episodische Inhalte von entscheidender Bedeutung.

Nicht nur, dass die Menge an Serieninhalten die Anzahl der verfügbaren Filme bei weitem übertrifft, das Publikum sucht auch anders nach TV-Folgen als nach Filmen. Die Zuschauer wissen selten genau, welche Staffel oder welche Folge sie sehen möchten, insbesondere bei Serien, die schon so lange laufen wie Klassiker wie „NCIS“, „Grey’s Anatomy“ und „Die Simpsons“. Bei der Suche verwenden sie daher kontextbezogene Suchanfragen wie „Zeig mir die Weihnachtsfolgen von ‚The Office‘“und „In welchen Folgen von ‚Friends‘ tritt Bruce Willis als Gaststar auf?“

In diesen Fällen sind die Antworten der LLM in der Regel falsch. Das liegt daran, dass sie ihre Antworten auf der Grundlage von Wahrscheinlichkeiten unter Einbeziehung von Staffel- und Episodennummern erstellen. Für die Anbieter wird die schlechte Nutzererfahrung, die mit falschen Antworten einhergeht, die Frustration über die zunehmende Fragmentierung der Inhalte noch verstärken. Episodische Inhalte spielen eine große Rolle bei der Überlastung durch Inhalte, da TV-Episoden 85 % der Inhalte ausmachen, die von den sechs globalen SVOD-Anbietern verbreitet werden, die im Gracenote Data Huberfasst werden.

Mit dem Wachstum der Videokataloge wird GenAI für Zuschauer, die nach etwas zum Anschauen suchen, immer hilfreicher werden. So hat sich beispielsweise innerhalb von nur anderthalb Jahren die Anzahl der für das Publikum verfügbaren TV-Folgen um mehr als 21 % erhöht.

Durch Funktionen wie die dialogorientierte Suche, personalisierte Programmbilder, maßgeschneiderte Empfehlungen und Sport-Highlights in Echtzeit wird GenAI die Art und Weise verändern, wie Zuschauer mit Videoinhalten interagieren.

Um diese Funktionen anbieten zu können – und sie auf relevante und personalisierte Weise bereitzustellen –, benötigen die großen Sprachmodelle (LLMs), die die Suche und Entdeckung ermöglichen, Zugriff auf genaue und umfassende Unterhaltungsdaten. Dies gilt insbesondere für die 50 % der Amerikaner, die angeben, dass sie eine Kündigung des Dienstes in Betracht ziehen würden, wenn dieser keine für^sie interessanten Inhalte bereitstellt2.

Die Anbindung an validierte Echtzeitdaten ist entscheidend, da die für den Einsatz in Unternehmen genutzten LLMs nicht auf externe Informationsquellen zurückgreifen können. Im Gegensatz zu beliebten Chatbots (z. B. ChatGPT, Gemini) wissen sie nur das, was ihre Trainingsdaten liefern. Dabei fallen Informationen über neue Programme oft nicht in den Umfang der Trainingsdaten eines LLMs, sodass sie den Nutzern nicht dabei helfen können, das zu finden, wonach sie suchen. Die von Steve Carell angeführte Komödie „Rooster“ ist beispielsweise zu neu, als dass ein im Jahr 2025 veröffentlichtes LLM bereits Informationen darüber enthalten könnte.

Unbegründete LLM-Antworten und das Nutzererlebnis 

Wie in unserem kürzlich veröffentlichten Bericht „Plot holes in AI“ ausführlich dargelegt, haben LLMs ohne Hintergrundwissen Schwierigkeiten, präzise Antworten zu liefern, wenn sie nach grundlegenden Merkmalen beliebter Fernsehserien und Filme gefragt werden. Bei episodischen Inhalten ist diese Schwäche noch deutlich ausgeprägter. Das liegt daran, dass Metadatenmerkmale auf Episodenebene weitaus einzigartiger sind als auf der Ebene des Programmtitels. 

Semantisches Raten, Vorhersagewahrscheinlichkeiten und fehlende Indizierungsmöglichkeiten tragen allesamt dazu bei, dass die Wahrscheinlichkeit deutlich höher ist, dass ein LLM ohne Kontextinformationen „halluziniert“, wenn ihm lediglich ein Programmtitel, eine Staffelnummer und eine Folgenummer als Grundlage zur Verfügung stehen. Und was besonders wichtig ist: Zuschauer suchen selten anhand des Titels nach einer Folge.

Um die Bedeutung der Verankerung bei der Suche und Entdeckung auf Episodenebene besser zu verstehen, haben wir kürzlich die Qualität von nicht verankerten LLM-Antworten auf grundlegende Fragen zu bestimmten TV-Episoden untersucht. Auch wenn Nutzer normalerweise nicht auf diese Weise suchen, haben wir in unseren Suchanfragen Staffel- und Episodennummern verwendet, um die Genauigkeit der entsprechenden Metadaten zu bewerten. Die Studie umfasste 100 beliebte Episoden aus 13 Ländern (insgesamt 1.300).

Insgesamt war die sachliche Richtigkeit der Antworten bei Episoden deutlich geringer als bei Fernsehserien und Filmen. Unter den 100 beliebtesten Episoden in den USA waren beispielsweise durchschnittlich nur 27 % der Programmbeschreibungen^korrekt², verglichen mit durchschnittlich 69 % der Beschreibungen der 100 beliebtesten Fernsehserien und der 100 beliebtesten Filme.

Die Genauigkeit war nicht das einzige Problem, mit dem das nicht auf Daten basierende LLM bei den 1.300 Episoden (100 pro Land) der Studie zu kämpfen hatte. Ein noch größeres Problem war der Mangel an Informationen, da es über Informationen (Titel, Beschreibung, Darsteller, Genre) für 604 der Episoden (46,5 % der Gesamtzahl). Am deutlichsten zeigte sich dies in Schweden, wo für 73 der 100 Episoden keine Informationen bereitgestellt wurden. In den USA lieferte das nicht datengestützte LLM für 31 Episoden keine Informationen.

Die mit der falschen Handlung

Wenn das nicht trainierte LLM keine leeren Antworten lieferte, gab es häufig falsche Episodenbeschreibungen – ein Nebenprodukt von semantischen Vermutungen, Vorhersagewahrscheinlichkeiten und fehlender Indizierung. Während Zuschauer wahrscheinlich niemals nur anhand einer Seriennummer und einer Episodennummer nach einer Episode suchen würden, nutzen Streaming-Dienste diese Attribute, um die resultierenden Episodentitel in Deep Links oder einen zugehörigen Datensatz in ihrem Data Lake umzuwandeln. Hier sind die Harmonisierung und Indizierung der Backend-Daten entscheidend, um sicherzustellen, dass ein Dienst für jeden einzelnen Zuschauer genau die richtigen Inhalte bereitstellen kann. 

Da jede Anfrage lediglich eine Seriennummer und eine Episodennummer enthielt, lieferte das nicht verortete LLM häufig Beschreibungen, die die Details völlig anderer Episoden umrissen als die, nach denen gefragt wurde. In den folgenden Beispielen sind die vom nicht verorteten LLM bereitgestellten Titel und Beschreibungen falsch.

Eine solide Grundlage ist entscheidend für Inhaltserlebnisse der nächsten Generation

Die Art und Weise, wie Verbraucher nach Informationen suchen, und die von ihnen genutzten Tools ändern sich. Die Nutzung von GenAI ist unter Digital Natives bereits fest etabliert, und die Akzeptanz breitet sich rasch aus.

Die heutige Content-Landschaft ist zu umfangreich, um sie mit herkömmlichen Suchfunktionen zu durchforsten – selbst innerhalb einzelner Plattformen und Dienste. Der Einsatz von GenAI für die Suche und Entdeckung von Inhalten stellt einen grundlegenden Wandel in der Benutzererfahrung dar, der das Potenzial hat, die negative Stimmung der Nutzer angesichts der zunehmenden Content-Flut erheblich zu verringern. 

Auf die Frage nach der Folge S02E06 von „Stranger Things“ kombinierte die Antwort des nicht fundierten LLM jedoch Informationen aus mehreren verschiedenen Episoden. Dies führt letztendlich dazu, dass Zuschauer dem Dienst misstrauen – ein Phänomen, das unter den aktuellen Chatbot-Nutzern bereits weit verbreitet ist: 75 % geben an, dass sie die von KI-Chatbots gelieferten Ergebnisse überprüfen, weil sie befürchten, dass diese^{falsch sind³}.

Das Endergebnis in diesem Szenario ist eine schlechte Benutzererfahrung – eine, die dazu führen könnte, dass sich der Zuschauer anderweitig nach etwas zum Anschauen umsieht.

Wenn Sie weitere Einblicke in den Einsatz von „ungrounded“ LLMs bei der Suche und Entdeckung von Inhalten erhalten möchten, laden Sie unseren Bericht „Plot holes in AI“herunter.

Anmerkungen

1. LLMs sind eine Art generativer KI, die anhand riesiger Datenmengen trainiert wird, um menschenähnliche Sprache zu verstehen und zu erzeugen.
2. Im Vergleich zu den Erdungsdaten.
3. Gracenote Studie zur Nutzung von GenAI im Jahr 2026