Neuronale Systeme zur natürlichen Sprachgenerierung (NNLG) sind bekannt für ihre pathologischen Ausgaben, d.h. die Erzeugung von Texten, die im Widerspruch zur Eingabespezifikation stehen. In diesem Artikel untersuchen wir den Einfluss semantischer Störungen auf state-of-the-art-NNLG-Modelle, die verschiedene Mechanismen zur semantischen Kontrolle implementieren. Wir stellen fest, dass die Verwendung bereinigter Daten die semantische Korrektheit um bis zu 97 % steigern kann, ohne die Flüssigkeit der Generierung zu beeinträchtigen. Zudem zeigen sich die häufigsten Fehler nicht in Form von Halluzinationen, sondern vielmehr im Auslassen von Informationen.