Perplexity wirkt wie die erwachsene Antwort auf ChatGPT. Sie stellen eine Frage, erhalten eine flüssige Antwort, und direkt in den Fußnoten stehen die Quellen. Die Oberfläche ist aufgeräumt, die Quellenangaben wirken seriös – und das ist für einen Patienten, der auf seine Laborwerte schaut, entscheidend: Der ganze Eindruck legt nahe: „Das ist vertrauenswürdig, weil es belegt ist.“
Aus Sicht des Produktdesigns hat Perplexity etwas wirklich Kluges getan: Das Unternehmen hat RAG (Retrieval-Augmented Generation) als Endkundenerlebnis ausgeliefert und den Abruf sichtbar gemacht. Das ist eine echte Leistung. Doch als jemand, der seit Jahren beobachtet, wie Menschen mit medizinischer KI umgehen, kann ich Ihnen sagen: Das Vertrauenssignal leistet viel mehr, als das dahinterliegende System wirklich verdient hat. In diesem Beitrag möchte ich erklären, wo Perplexity glänzt, wo es speziell in der Medizin scheitert und warum ein RAG im Wizey-Stil über einem kuratierten Korpus ein anderes Produkt ist – auch wenn sich die Architektur ähnelt.
Was Perplexity wirklich ist
Perplexity ist ein suchgestütztes LLM-Produkt. Im Hintergrund löst eine Anfrage eine Live-Suche im Web aus, die besten Treffer werden abgerufen und in Textabschnitte (Chunks) zerlegt, diese Chunks werden als Embeddings eingebettet, die relevantesten Chunks werden zusammen mit der Anfrage in ein LLM eingespeist – oft GPT, Claude oder das hauseigene Sonar-Modell von Perplexity – und das Modell wird angewiesen, anhand dieser Chunks zu antworten und dabei jede Aussage zu belegen. Das ist RAG wie aus dem Lehrbuch, so beschrieben in Lewis et al. (2020), verpackt in eine schnelle, ansprechende Oberfläche.
Die zentralen technischen Entscheidungen sind: in Echtzeit aus dem offenen Web abrufen, ein generalistisches LLM zum Zusammenführen nutzen und Quellenangaben direkt im Text anzeigen. Genau diese Kombination ist die Quelle sowohl seiner Stärken als auch seiner Schwächen in der Medizin.
Was funktioniert: Allgemeinwissen, Aktualität, sichtbare Quellen
Bei nicht-klinischen Fragen ist Perplexity hervorragend. Bei jedem Thema, bei dem Aktualität zählt – neue Produktveröffentlichungen, geänderte Richtlinien, Marktentwicklungen –, schlägt es statische LLMs, weil es das Web tatsächlich zum Zeitpunkt der Anfrage liest. Über die Quellenangaben können Sie sich durchklicken und nachprüfen, was gegenüber einem reinen Chatbot, der Sie einfach seinem Training vertrauen lässt, echte Disziplin bedeutet. Eine JAMA-Analyse (2023) hielt fest, dass sichtbare Quellen das wahrgenommene Vertrauen in KI-Antworten deutlich erhöhen – im Guten wie im Schlechten.
Für eine Ärztin oder einen Arzt bei der Literaturrecherche kann Perplexity Pro mit seiner wissenschaftlich ausgerichteten Suche ein echtes, nützliches Recherchewerkzeug sein. Wenn Sie wissen, worauf Sie in einer Quellenangabe achten müssen, spart es Zeit.
Für einen Patienten, der sein Labor-PDF deuten möchte, werden dieselben Funktionen zum Nachteil. Es lohnt sich, das genauer aufzuschlüsseln.
Warum Quellenangaben in der Medizin nicht gleich Richtigkeit sind
Drei konkrete Fehlermuster tauchen immer wieder auf, wenn Patienten Perplexity zur Deutung von Laborwerten nutzen:
1. Die Quelle ist echt, aber die Aussage, die sie belegen soll, steht so gar nicht in der Quelle. Ein LLM, das einen abgerufenen Textabschnitt zusammenfasst, kann abdriften. Perplexity zitiert womöglich eine seriöse NIH-Seite und stellt zugleich eine Behauptung auf, die auf dieser NIH-Seite gar nicht steht – Seite und Behauptung liegen statistisch nah beieinander, nicht semantisch. Eine in The Lancet Digital Health (2024) dokumentierte Untersuchung zeigt dieses Muster über mehrere RAG-Systeme hinweg: Quellenangaben steigern das wahrgenommene Vertrauen, ohne die faktische Richtigkeit zwangsläufig zu verbessern.
2. Die Quelle sieht seriös aus, ist aber medizinisch nicht maßgeblich. Der Abruf von Perplexity behandelt das offene Web als sein Korpus. Ein gut platzierter Gesundheitsblog, eine Healthline-Zusammenfassung, ein Medium-Artikel, ein vielgelesener medizinischer Reddit-Thread – all das erscheint regelmäßig in den Quellenangaben, gleichrangig neben PubMed und Mayo. Ein Patient hat keine einfache Möglichkeit, das zu gewichten. Von Fachleuten begutachtete klinische Leitlinien stehen direkt neben dem Beitrag einer Wellness-Influencerin, beide in derselben Fußnoten-Optik dargestellt.
3. Das Problem der Rosinenpickerei. RAG ruft Textabschnitte ab, deren Embeddings nahe an der Anfrage liegen. Bei einem vielschichtigen medizinischen Thema ist der für die Anfrage relevanteste Abschnitt oft ein aus dem Zusammenhang gerissener Satz, der die gesamte Leitlinie nicht widerspiegelt. Auf die Frage „Ist ein hoher Ferritinwert immer eine Eisenüberladung?“ wird beispielsweise womöglich ein Abschnitt abgerufen, der besagt, dass Ferritin mit den Eisenspeichern ansteigt – was in dem einen Kontext stimmt und im weitaus häufigeren Kontext einer Entzündung zutiefst irreführend ist. Der zitierte Satz ist korrekt; die daraus gebaute Antwort ist falsch.
Das Ferritin-Beispiel im Detail
Ich gehe ein reales Muster durch, das mir immer wieder begegnet. Ein Patient fragt Perplexity: „Mein Ferritin ist 450, was bedeutet das?“ Eine typische Antwort zieht Abschnitte heran, die Eisenüberladung, Hämochromatose und Lebererkrankungen erwähnen, zitiert MedlinePlus und erzeugt einen abgewogen klingenden Aufsatz über diese Erkrankungen. Das wirkt kompetent.
Was dabei typischerweise untergeht – sofern der Nutzer die Frage nicht genau richtig formuliert –, ist die Tatsache, dass Ferritin ein Akute-Phase-Protein ist. Bei einer Entzündung – Infektion, Autoimmunschub, kürzliche Operation, adipositasbedingte niedriggradige Entzündung – steigt Ferritin unabhängig von den tatsächlichen Eisenspeichern an. Der MedlinePlus-Eintrag zu Ferritin macht genau darauf aufmerksam. Die richtige klinische Deutung hängt davon ab, CRP und den vollständigen Eisenstatus (Serumeisen, Transferrinsättigung, TEBK) gemeinsam zu lesen. Ohne dieses gemeinsame Lesen ist eine Antwort zu „hohem Ferritin“ für sich genommen nicht falsch – sie legt nur den falschen Deutungsrahmen zugrunde.
Wizey wird dem gerecht, weil die Pipeline Ferritin und CRP und den Eisenstatus aus Ihrem PDF als strukturierte Werte extrahiert und die Interpretationsschicht in ihrem Wissensgraphen explizite Regeln zur Deutung der Akutphase besitzt. Dasselbe Retrieval-Architekturmuster wie bei Perplexity, ein völlig anderes Korpus und völlig andere Rahmenbedingungen.
RAG-Qualität ist ein Korpus-Problem, kein UX-Problem
Das ist der Punkt, den ich den Entwicklerinnen und Entwicklern, die das hier lesen, mitgeben möchte. Die UX von Perplexity liefert Quellenangaben. Sein Korpus ist das offene Web. Das Korpus bestimmt, was Sie zuverlässig beantworten können und was nicht.
Das RAG von Wizey ist architektonisch ähnlich: relevante Chunks extrahieren, sie an eine Reasoning-Schicht übergeben, eine fundierte Antwort erzeugen. Der Unterschied ist das Korpus – ein kuratierter medizinischer Wissensgraph, aufgebaut auf von Fachleuten begutachteten Leitlinien (USPSTF, ACP, NICE, Empfehlungen der kardiologischen und endokrinologischen Fachgesellschaften), gefilterten Referenzintervallen und validierten klinischen Behandlungspfaden. Im Korpus gibt es kein Reddit. Im Korpus gibt es keine Gesundheitsblogs. Der Preis dafür ist weniger Breite, aber dramatisch höhere Zuverlässigkeit – und Sie können Wizey nicht nutzen, um die KI-News der vergangenen Woche nachzuschlagen, sondern nur, um Labordaten zu deuten.
Für einen umfassenderen Blick darauf, warum medizinische KI diese Art von Spezialisierung braucht, empfehle ich den Vergleich Wizey vs ChatGPT, der den Unterschied zwischen generativ und extraktiv ausführlich behandelt.
Datenschutz: Perplexity für Endkunden und PHI
Das Endkundenprodukt von Perplexity speichert Anfragen und Ausgaben laut seiner standardmäßigen Datenschutzerklärung zur Verbesserung des Dienstes. Es ist kein Dienst, der unter die HIPAA fällt, und nicht für geschützte Gesundheitsdaten (Protected Health Information, PHI) gedacht. Perplexity Enterprise bietet einen strengeren Umgang mit Daten, doch ein BAA ist nicht der Standard, und das Produkt bleibt im Kern ein allgemeines Suchwerkzeug.
Ein Patient, der seine Laborwerte, den Namen in der Kopfzeile und das Geburtsdatum in einen Perplexity-Chat für Endkunden einfügt, legt PHI gegenüber einem Endkunden-Suchprodukt offen. Das Produkt warnt in keiner Weise davor, weil es für diesen Anwendungsfall nicht gebaut ist.
Wizey hält PHI – wie andere eigens für die Medizin entwickelte KI-Systeme – innerhalb eines regelkonformen Rahmens und behandelt Labordaten von Grund auf als geschützt.
Wann Perplexity wirklich hilft
Um mit der ausgewogenen Note zu enden, die das Thema verdient: Perplexity ist ein gutes Werkzeug für bestimmte Aufgaben im Umfeld der Gesundheit.
- Aktuelle Literatur zu einem Medikament oder einer Erkrankung vor einem Facharzttermin durchsehen
- Prüfen, ob eine Leitlinie kürzlich aktualisiert wurde
- Maßgebliche Quellen zu einem eng umrissenen Thema finden, die Sie anschließend selbst lesen
- Sich in einem unbekannten medizinischen Teilgebiet orientieren, um zu erfahren, nach welchen Begriffen Sie suchen sollten
- Fremdsprachige medizinische Nachrichten mit eingebautem Übersetzungskontext lesen
Dafür ist der Web-Abruf in Echtzeit ein Vorteil. Denken Sie nur daran: Für die schwierigere Aufgabe, die eigenen numerischen Laborwerte zu deuten, ist das offene Web das falsche Korpus – ganz gleich, wie sauber die Quellenangaben dargestellt werden.
Der direkte Vergleich
| Kriterium | Perplexity | Wizey |
|---|---|---|
| Korpus | Offenes Web, live abgerufen | Kuratierter medizinischer Wissensgraph + klinische Protokolle |
| Art der Quellenangabe | Sichtbar im Text, gemischte Verlässlichkeit | Implizit, stets aus validierten Quellen |
| Umgang mit Labor-PDFs | Liest Zahlen, fügt Web-Schnipsel zusammen | Strukturierte Extraktion + protokollgestützte Deutung |
| Marker-übergreifende Deutung | Schwach – je nachdem, was in den abgerufenen Chunks gerade steht | Explizit im Wissensgraphen (Ferritin × CRP, TSH × fT4) |
| Verlaufsbeobachtung | Nicht unterstützt | Zeitreihen von Haus aus |
| HIPAA-BAA | Endkunden nein, Enterprise eingeschränkt | Für die Patientennutzung eingebaut |
| Beste Nutzung | Literaturrecherche, Aktualität, schnelle Orientierung | Durchgängige Labordeutung für Patienten |
Mini-FAQ
Wenn Perplexity Quellen angibt, warum reicht das in der Medizin nicht? Eine Quellenangabe belegt, dass es nahe der Behauptung eine Quelle gibt. Sie belegt nicht, dass die Quelle die konkrete Behauptung stützt. Perplexity zitiert regelmäßig echte Seiten, die die zusammengesetzte Antwort gar nicht tragen – besonders bei vielschichtigen klinischen Themen.
Kann Perplexity meine Laborwerte deuten? Es kann zu jedem Marker etwas sagen, indem es Web-Schnipsel zusammensetzt. Es kann die Deutung nicht in validierten klinischen Protokollen verankern, verwandte Marker verknüpfen oder Verläufe verfolgen.
Ist Perplexity HIPAA-konform? Die Endkundenversion von Perplexity nein. Perplexity Enterprise geht sorgfältiger mit Daten um, ist aber weiterhin ein allgemeines Suchwerkzeug, keine Plattform in medizinischer Qualität.
Was ist der wahre Unterschied zwischen dem RAG von Perplexity und dem RAG von Wizey? Das Korpus. Dasselbe Architekturmuster; offenes Web gegenüber kuratiertem medizinischem Wissensgraphen.
Wann ist Perplexity im Gesundheitsbereich nützlich? Literaturrecherche, Aktualitätsprüfung, thematische Orientierung – für Nutzerinnen und Nutzer, die die angegebenen Quellen kritisch bewerten können.
Das Fazit
Perplexity hat RAG in ein schönes Endkundenprodukt verwandelt, und für viele nicht-klinische Fragen ist es das beste Allzweck-KI-Werkzeug, das es gibt. Die UX mit sichtbaren Quellenangaben ist für jedes KI-System eine wirklich sinnvolle Disziplin.
In der Medizin ist der Teil des Systems, der die Vertrauenswürdigkeit tatsächlich bestimmt, jedoch das Korpus, nicht die UX. Das offene Web ist der falsche Ort, um die Labordeutung eines Patienten zu verankern. Ein kuratierter medizinischer Wissensgraph, verankert in von Fachleuten begutachteten Leitlinien und validierten klinischen Behandlungspfaden, ist die Grundlage eines Spezialwerkzeugs wie Wizey. Dasselbe Retrieval-Muster, ein ganz anderes Versprechen – und für die enge Aufgabe, die eigenen Blutwerte sicher zu lesen, kommt es genau auf dieses Versprechen an. Wenn Sie das tiefere architektonische Argument möchten, führt der Beitrag Wizey vs ChatGPT es von Anfang bis Ende durch.
