So fassen Sie ein PDF mit KI zusammen (und behalten die Zitationen)

Der schwierigste Teil jedes Workflows, um ein PDF mit KI zusammenzufassen und dabei Zitationen zu erhalten, ist Vertrauen: Die Zusammenfassung wirkt meist überzeugend, aber die daran geknüpften Zitationen sind möglicherweise nicht echt. Eine zweite-Jahres-Promotionskandidatin, die wir betreuen, lernte das auf halbem Weg durch eine systematische Review – mit 187 PDFs in der Warteschlange –, als sie bemerkte, dass in ihrer Zusammenfassungs-Tabelle etwas nicht stimmte. Etwa 60 der Einträge zitierten Papers, die in den Quell-PDFs gar nicht vorkamen. Das Tool, das sie verwendet hatte – ein kostenloser ChatGPT-ähnlicher PDF-Zusammenfasser – erzeugte flüssig unterstützende Zitationen aus dem Gedächtnis der Trainingsdaten und hängte sie an die Sätze der Zusammenfassung, ohne irgendeine Verifikation, ob das zitierte Paper tatsächlich im Dokument auftauchte. Diese „phantom“-Zitationen wären in ihre Dissertation eingeflossen, hätte sie nicht die ersten zehn Einträge stichprobenartig geprüft. Die Bereinigung dauerte zwei Wochen.

Dieser Ausfallmodus ist das zentrale Risiko beim Zusammenfassen wissenschaftlicher PDFs mit KI im Jahr 2026. Die Zusammenfassung selbst ist in der Regel korrekt; die Zitationen daran sind es häufig nicht. Das Risiko hat zwei Gestalten. Die erste ist Auslassung: Die Zusammenfassung verdichtet einen Absatz, der drei Quellen zitiert, zu einer einzigen Behauptung ohne Zuschreibung – und unterbricht damit die Kette, die Sie später brauchen, um die Behauptung zu verteidigen. Die zweite ist Halluzination: Das Modell generiert flüssige Zitationen aus Trainingsspeicher, die plausibel wirken, aber tatsächlich nicht im Quell-PDF vorkommen. Beide Fehlerarten sind leicht zu übersehen und im Nachhinein schwer zu erkennen.

Dieser Beitrag beschreibt den Workflow, der beide Fehlermodi verhindert. Wir zeigen, warum generische PDF-Zusammenfasser Zitationen entfernen oder halluzinieren, welche vier Arten von Metadaten eine zitationssichere Zusammenfassung bewahren sollte, den Schritt-für-Schritt-Workflow, der verifizierbare Zusammenfassungen erzeugt, wie eine gute zitationssichere Zusammenfassung tatsächlich aussieht, eine kurze Anmerkung zur Auswahl des Tools sowie die typischen Fehler, die jede Forschende kennen sollte, um sie zu erwischen.

Wie können Sie die Zitationsausgabe von PDF-KI zusammenfassen, ohne Verweise zu verlieren?

Wählen Sie ein zitationsbewusstes Tool statt einen generischen Zusammenfasser: NotebookLM verankert jeden Satz der Zusammenfassung an einem Quell-Span im PDF. Dadurch sind halluzinierte Zitationen architektonisch schwer. Fordern Sie das Modell auf, alle In-Text-Zitationen aus der Quelle zu bewahren, die Seitennummer anzugeben, auf der jede Behauptung erscheint, und Inferenzschritte explizit zu markieren. Prüfen Sie anschließend die Zitationen in den ersten drei Zusammenfassungen anhand der Quell-PDFs, bevor Sie dem Rest der Batch vertrauen.

Warum entfernen oder halluzinieren generische KI-PDF-Zusammenfasser Zitationen?

Der entscheidende architektonische Grund ist derselbe wie der, den wir in unserem Beitrag zu halluzinierten Zitationen für vollständige Manuskripte behandelt haben: Der LLM-Tokenizer hat keinen besonderen Status für Zitations-Spannen. Wenn ein Modell ein PDF zusammenfasst, liest es die Quelle als eine Folge von Tokens und generiert eine Zusammenfassung, die den Inhalt approximiert. Zitationen in der Quelle („(Smith, 2024)“) sind Tokens wie alle anderen. Zitationen in der Ausgabe können aus einer von drei Quellen stammen: aus der Quelle kopiert (Best Case), aus dem Gedächtnis neu erzeugt (hohes Halluzinationsrisiko) oder vollständig weggelassen (häufigster Fehler).

Diese drei Verhaltensweisen zeigen sich je nach Tool unterschiedlich. ChatGPTs standardmäßige PDF-Zusammenfassung bewahrt In-Text-Zitationen tendenziell, wenn sie in kurzen, sauber formulierten Passagen vorkommen; in dichten Absätzen werden sie eher weggelassen oder umformuliert. Claude ist konservativer darin, Zitationen aus dem Gedächtnis zu generieren, lässt aber dennoch in längeren Dokumenten einige weg. NotebookLM ist am stärksten, weil es jeden Satz der Zusammenfassung an einen Quell-Span im PDF verankert. Dadurch wird Halluzination nicht nur „abgeschwächt“, sondern architektonisch erschwert. Scholarcy ist akademisch-spezifisch und für diesen Use Case gebaut, doch seine Granularität ist manchmal grober als es die notwendige Zitationsdichte erfordert.

Die praktische Konsequenz: Die Wahl des Tools ist bei der Zusammenfassung wichtiger als bei der Übersetzung. Ein allgemeines LLM ohne Disziplin zur Zitationsverankerung erzeugt eine Zusammenfassung, die flüssig wirkt, selbstbewusst „belegt“ ist und dabei teilweise falsch liegt. Ein zitationsbewusstes Tool erzeugt eine Zusammenfassung, die manchmal weniger elegant ist, aber durchgehend nachvollziehbar bleibt. Wenn eine Zusammenfassung Ihre eigene Arbeit informieren soll, wählen Sie daher das zweite.

Die vier Arten von Metadaten, die eine zitationssichere Zusammenfassung bewahrt

Nicht jede Zusammenfassung braucht die gleiche Tiefe beim Umgang mit Zitationen. Die vier Arten unten sind das Menü; wählen Sie die Stufe, die zu Ihrem Use Case passt.

1. In-Text-Zitationen aus der Quelle. Wenn das Quell-PDF sagt „(Martinez & Chen, 2024) fanden, dass…“, dann bewahrt eine zitationssichere Zusammenfassung diese Zuschreibung in der Zusammenfassung selbst. Die Zusammenfassung sollte die Zuschreibung nicht zu „Forscherinnen und Forscher fanden, dass…“ zusammenziehen oder die Behauptung den Autorinnen und Autoren des Papers zuschreiben, statt der zitierten Quelle. Die In-Text-Zitation ist die Rückverbindung zur ursprünglichen Evidenz; geht sie verloren, bricht die Kette.

2. Anker für den Referenzlisteneintrag. Die Zusammenfassung sollte genug Metadaten zum Paper selbst enthalten (Autorinnen/Autoren, Jahr, Journal, DOI), sodass Sie es in Ihrer eigenen Arbeit korrekt zitieren können, ohne das PDF erneut öffnen zu müssen. Die meisten Tools erledigen das trivial; der Fehler tritt auf, wenn das Tool eine andere DOI oder ein anderes Jahr generiert als das tatsächliche Paper. Das ist selten, aber es lohnt sich, einmal pro Batch zu prüfen.

3. Anker für Seite oder Abschnitt. Der Satz der Zusammenfassung sollte auf die konkrete Seite oder den konkreten Abschnitt der Quelle zurückverlinken, auf der die Behauptung erscheint. NotebookLM macht das nativ; Sharly AI liefert Seitenreferenzen; Claude und ChatGPT tun das nicht, sofern Sie sie nicht explizit dazu auffordern, Seitennummern einzubauen. Der Seitenanker ist das, was es Ihnen ermöglicht, eine Behauptung beim Schreiben zu verifizieren, ohne das ganze Paper erneut zu lesen.

4. Konfidenz-Flag. Eine Zusammenfassung, die unterscheidet zwischen „das Paper sagt X“ und „ich leite daraus ab, dass das Paper X meint“, ist nützlicher als eine, die beides zu derselben Behauptung abflacht. Einige Tools (NotebookLM, Scholarcy) bewahren diese Unterscheidung; die meisten LLM-basierten Tools verschmelzen sie. Der Fix liegt auf Prompt-Ebene: Fordern Sie das Modell auf, unsichere Inferenzschritte explizit zu markieren.

Eine Zusammenfassung, die alle vier Arten von Metadaten bewahrt, dauert länger in der Generierung und liest sich weniger elegant als eine, die es nicht tut. Außerdem ist sie die einzige Art von Zusammenfassung, die sich sicher in Ihrer eigenen Arbeit zitieren lässt. Der Trade-off lohnt sich für jede Quelle, die Sie in Ihrer Arbeit verwenden wollen.

Wie fasst man ein akademisches PDF zusammen, ohne Zitationen zu verlieren?

Fünf Schritte. Der Workflow setzt voraus, dass Sie eine Batch aus PDFs für eine Literaturübersicht oder eine systematische Review-Zwecksetzung zusammenfassen; für ein einzelnes Paper überspringen Sie Schritt 1.

Schritt 1: Standardisieren Sie die PDFs. Stellen Sie sicher, dass jedes PDF in Ihrer Batch textextrahierbar ist (keine gescannte Bilddatei). Führen Sie OCR für alle gescannten PDFs aus (ABBYY FineReader, Adobe Acrobat Pro oder die kostenlose Tesseract-Pipeline). Die Qualität der Zusammenfassung in einem gescannten PDF ohne OCR ist durchgängig schlecht; die Zitationen kommen dann speziell als zufällige Zeichenketten durch. Dieser Schritt dauert 10 bis 30 Sekunden pro PDF.

Schritt 2: Wählen Sie das Tool nach Dokumentlänge und Zitationsdichte. Für ein einzelnes Paper unter 20 Seiten mit normaler Zitationsdichte (unter 60 Referenzen) ist die Empfehlung Claude Sonnet über die File-Upload-Schnittstelle. Für eine Batch an Papers, die für eine Literaturübersicht verarbeitet werden, bei der die Nachvollziehbarkeit der Quell-Spans entscheidend ist, ist die Empfehlung NotebookLM. Für systematische Reviews, bei denen Sie strukturierte Datenauszüge benötigen (Stichprobengröße, Intervention, Outcome), ist die Empfehlung Scholarcy oder ein benutzerdefinierter Claude-Prompt. Die Tool-Auswahl ist für Zitationssicherheit wichtiger als Prompt Engineering.

Schritt 3: Fordern Sie die vier Arten von Metadaten explizit im Prompt an. Generische „fas­se dieses Paper zusammen“-Prompts erzeugen Zusammenfassungen, die Zitationen wegwerfen. Eine Prompt-Vorlage, die wir verwenden:

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

Der Prompt-Overhead ist real (~50 Tokens), aber der Unterschied in der Ausgabequalität ist bedeutungsvoll. NotebookLM benötigt diesen Prompt nicht, weil seine Architektur die Schritte 1–3 automatisch übernimmt; Claude und ChatGPT werden mit ihm deutlich besser.

Schritt 4: Verifizieren Sie die Zitationen in den ersten drei Zusammenfassungen, bevor Sie dem Rest vertrauen. Öffnen Sie das Quell-PDF für die ersten drei Papers und bestätigen Sie, dass jede In-Text-Zitation in der Zusammenfassung tatsächlich im Quell-PDF auftaucht. Wenn Sie Zitationen in der Zusammenfassung sehen, die nicht in der Quelle vorkommen, halluziniert das Tool; wechseln Sie das Tool oder ziehen Sie den Prompt enger. Dies ist die einzelne Prüfung, die das systematische-Review-Ausfallmuster erkennt, mit dem wir den Beitrag eröffnet haben.

Schritt 5: Exportieren Sie in ein strukturiertes Format, wobei die Metadaten intakt bleiben. Eine Tabelle mit einer Zeile pro Paper und Spalten für (Zitation, Zusammenfassung, Seitenreferenzen, Methodik-Details, Ihre Notizen) hält die Zusammenfassung für nachgelagertes Schreiben nutzbar. Vermeiden Sie Exporte in Freitextform, die die Struktur „eine Zeile pro Paper“ verlieren. Tools, die nach CSV oder BibTeX-mit-Notizen exportieren, lassen sich leichter in Literaturverwaltungen integrieren.

Der vollständige Workflow dauert pro PDF ungefähr fünf bis zehn Minuten; davon sind rund 60 Prozent die Verifikationsprüfung (Schritt 4). Der Verifizierungsschritt ist es, der eine zitationssichere Zusammenfassung von einer flüssig-wirkenden, aber falschen unterscheidet.

Wie sieht eine zitationssichere Zusammenfassung tatsächlich aus?

Um den Vier-Metadaten-Standard greifbar zu machen, hier ein Beispiel für dasselbe Paper – zweimal zusammengefasst.

Zitationsblinde Zusammenfassung (generischer ChatGPT-Default):

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

Diese Zusammenfassung ist flüssig und wirkt kompetent. Sie ist jedoch für Zitierzwecke unbrauchbar. Die Aussagen haben keine Zuschreibung zu den ursprünglichen Quellen, die das Paper zitiert. Die Formulierung „Researchers found“ lässt alle internen Zitationen zu einer einzigen Stimme zusammenschmelzen. Es gibt keine Seitenreferenz zur Verifikation. Wenn Sie dies in Ihrer eigenen Arbeit zitieren wollten, müssten Sie das PDF erneut öffnen.

Zitationssichere Zusammenfassung (NotebookLM-Style mit explizitem Prompt):

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

Vollständige Quellenangabe: Kowalski, M., Singh, R., & Patel, A. (2024).
Kognitives Training bei älteren Erwachsenen: Eine randomisierte Studie über 12 Wochen.
Journal of Cognitive Enhancement, 18(3), 234-251.
https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

Die zweite Zusammenfassung ist etwa doppelt so lang. Sie erlaubt es Ihnen außerdem, einen Literatur-Review-Absatz zu diesem Paper präzise zu formulieren, ohne das PDF erneut öffnen zu müssen. Jede In-Text-Zitation aus der Quelle bleibt erhalten. Die Seitenreferenzen sind explizit. Die Inferenz wird markiert. Die vollständige Referenz ist bereit, in Ihre Literaturverwaltung einzufügen.

Für jede Quelle, die Sie in Ihrer eigenen Arbeit zitieren werden, ist das zweite Format der minimale Standard.

Tool-Auswahl in einem Absatz

Unser breiteres AI-Literatur-Review-Workflow-Posting behandelt den Fall mit mehreren Papers; die kurze Version zur Tool-Auswahl für zitationssichere PDF-Zusammenfassungen ist: NotebookLM für nachvollziehbare, zitationsverankerte Zusammenfassungen (kostenlos, Google-Konto erforderlich, am besten für Literatur-Review-Batches); Claude Sonnet über File Upload für „One-shot“-Zusammenfassungen eines einzelnen langen PDFs (das 200K-Context-Fenster bewältigt die meisten Journal-Artikel in einem Durchgang); Scholarcy für die strukturierte Datenauswertung in systematischen Reviews (bezahlt, aber das strukturierte Ergebnis spart Stunden); ChatPDF für konversationelles Q&A gegen ein einzelnes PDF (gut für Fragen wie „Was sagt dieses Paper über X?“ während des Lesens). Unser eigener AI-Zusammenfasser bildet das zitierbewahrende Muster mit dem Vier-Metadaten-Standard von oben ab. Vermeiden Sie generische kostenlose PDF-Zusammenfasser für jede Quelle, die Sie zitieren wollen; das Halluzinationsrisiko ist real.

Häufige Fehler und wie man sie erkennt

Fünf Fehlermodi sehen wir über die Literatur-Reviews hinweg, die wir prüfen. Jeder hat eine konkrete Lösung.

Fehler 1: Halluzinierte unterstützende Zitationen. Die Zusammenfassung schreibt eine Behauptung einem Paper zu, das nicht im Quell-PDF erscheint. Fix: Verifizieren Sie die ersten drei Zusammenfassungen in jeder Batch gegen die Quell-PDFs. Wenn halluzinierte Zitationen auftauchen, wechseln Sie das Tool (am zuverlässigsten zu NotebookLM) oder ziehen Sie den Prompt so enger, dass Quell-Span-Anker erforderlich werden.

Fehler 2: Zusammengefallene Zuschreibung. Die Zusammenfassung macht aus „Smith (2024) fand X, aber Jones (2023) fand Y“ „Forscherinnen und Forscher fanden gemischte Ergebnisse.“ Fix: Fordern Sie explizit im Prompt an, In-Text-Zitationen zu bewahren; wählen Sie Tools, die das nativ unterstützen (NotebookLM, Scholarcy).

Fehler 3: Falsche Methodik-Details. Die Zusammenfassung berichtet eine Stichprobengröße, Studiendesign oder einen primären Outcome, der nicht mit dem tatsächlichen Paper übereinstimmt. Das ist seltener als Zitations-Halluzination, aber folgenreicher, wenn es passiert. Fix: Nehmen Sie in den Prompt auf: „Methodik-Details wortgetreu aus dem Methoden-Abschnitt extrahieren“; verifizieren Sie die erste Batch.

Fehler 4: Generische Abstract-Neuformulierung. Die „Zusammenfassung“ ist im Grunde eine Umschreibung des Abstracts ohne zusätzliche Informationen aus dem Hauptteil. Nützlich für einen schnellen Überblick, aber nutzlos für einen Literatur-Review, der Methodik, Ergebnisse und Limitationen aus dem Hauptteil des Papers braucht. Fix: Fordern Sie gezielt Inhalte aus dem Body an; verifizieren Sie durch Stichproben in Abschnitten jenseits des Abstracts.

Fehler 5: Drift im Zitationsformat. Die Zusammenfassung bewahrt den Zitationsinhalt, aber in einem anderen Format als in der Quelle (parenthetisch statt narrativ oder umgekehrt). Weniger folgenreich als die ersten vier Punkte, aber dennoch wichtig, um es zu fangen. Fix: Fordern Sie im Prompt an, das originale Zitationsformat zu bewahren; der Zitationsformat-Guide deckt die kanonischen Formate ab, falls Sie nachträglich normalisieren müssen.

Unser breiterer Workflow für die Paper-Zusammenfassung über den Gesichtspunkt „Zitationsbewahrung“ hinaus ist in unserem Beitrag „Wie man ein Forschungspaper mit KI zusammenfasst“ (/blog/summarize-research-paper-ai) beschrieben; dieser Beitrag ist die PDF-spezifische und zitationssichere Erweiterung dieses Workflows.

Häufig gestellte Fragen

F: Welches KI-Tool ist 2026 am besten zum Zusammenfassen akademischer PDFs geeignet?

Das passende Tool hängt vom Use Case ab. Für Literatur-Reviews mit Batch-Verarbeitung von PDFs, bei denen die Nachvollziehbarkeit von Zitationen am wichtigsten ist, ist NotebookLM am stärksten. Für einzelne lange Papers (bis zu ca. 500 Seiten) nutzt Claude Sonnet über File Upload sein 200K-Context-Fenster in einem Durchgang. Für systematische Reviews, die strukturierte Datenauszüge erfordern, ist Scholarcy dafür gebaut. Für konversationelles Q&A gegen ein einzelnes PDF während des Lesens ist ChatPDF am schnellsten. Vermeiden Sie generische kostenlose PDF-Zusammenfasser für Quellen, die Sie zitieren wollen; das Risiko halluzinierter Zitationen ist der zentrale Fehlermodus für akademische Nutzung.

F: Wird ChatGPT Zitationen halluzinieren, wenn es mein PDF zusammenfasst?

Das kann passieren – vor allem in dichten Passagen oder wenn der Prompt ausdrücklich nach Zitationen verlangt, ohne sie an Quell-Spans zu verankern. Unsere Empfehlung: Fordern Sie niemals irgendein LLM dazu auf, „Zitationen zu generieren“ aus der Quelle; bitten Sie es stattdessen, „alle In-Text-Zitationen zu bewahren, die in der Quelle erscheinen“ und „die Seitennummern anzugeben, auf denen jede Behauptung erscheint“. So wird die Zitierarbeit an Quell-Span-Verifikation gebunden und nicht an das Training der Modellgedächtnisse.

F: Wie fasse ich eine 60.000-Wörter-Dissertation mit KI zusammen?

Nutzen Sie ein Tool mit Long-Context-Unterstützung: Claude Sonnet (200K Tokens decken eine typische Dissertation in einem Durchgang ab) oder NotebookLM (teilt automatisch und hält die Konsistenz zwischen den Chunks aufrecht). Fassen Sie Kapitel für Kapitel zusammen, statt die gesamte Dissertation auf einmal; die Zusammenfassungen pro Kapitel sind hilfreicher, um Ihren eigenen Abschnitt für die Literaturübersicht zu schreiben, und die Chunking-Struktur gibt Ihnen überprüfbare Kontrollpunkte. Vermeiden Sie GPT-5 für komplette Dissertation-Durchgänge; das 128K-Context ist für die meisten Kapitel ausreichend, aber für das gesamte Dokument unangenehm.

F: Kann ich eine mit KI erzeugte PDF-Zusammenfassung in meiner eigenen Arbeit zitieren?

Sie zitieren das Original-Paper, nicht die Zusammenfassung. Die Zusammenfassung ist ein Tool, das Ihnen hilft, die Quelle zu lesen und sich zu merken; die Zitation geht auf die Quelle selbst. Wenn die Zusammenfassung Ihnen geholfen hat, eine Erkenntnis zu formulieren, dann ist diese Erkenntnis Ihre; die Zitation verweist auf das Paper, das diese Erkenntnis unterstützt. Für unsere breitere Behandlung, wie man die Nutzung von KI-Tools in Manuskripten zitiert, siehe unseren Leitfaden zur KI-Offenlegung, der der engste Begleitbeitrag im Cluster ist.

F: Wie extrahiere ich strukturierte Daten aus einem PDF für eine systematische Review?

Nutzen Sie ein Tool mit strukturierter-Output-Fähigkeit: Scholarcy für die zweckgebundene Extraktion (Stichprobengröße, Intervention, Outcome, Schlussfolgerung als benannte Felder) oder ein Claude-Prompt, der die gleichen Felder im JSON- oder CSV-Format abfragt. Der strukturierte Output sollte immer anhand des Quell-PDFs verifiziert werden – mindestens für die ersten 10 Papers in Ihrer Batch; strukturierte-Extraktions-Tools sind zuverlässiger als narrative Zusammenfassungen, erzeugen aber weiterhin Fehlerraten bei „falsche Felder“ von etwa 5–10 Prozent in unseren redaktionellen Tests.