Wenn Millionen Menschen dieselbe KI fragen, entstehen nicht Millionen unterschiedliche Ideen – sondern erstaunlich oft dieselben. Und das hat Folgen.
Ist euch schon einmal aufgefallen, dass Sprachmodelle wie ChatGPT auf bestimmte offene Fragen überraschend häufig dieselben Antworten liefern?
Man kann das sehr einfach selbst ausprobieren.
Startet jeweils einen neuen Chat und stellt Fragen wie:
„Nenne mir eine Zahl zwischen 1 und 10.“
Eine auffällig häufige Antwort ist: 7
„Nenne mir eine Zahl zwischen 1 und 30.“
Hier taucht häufig die 17 auf.
„Nenne mir eine Zahl zwischen 1 und 100.“
Eine wiederkehrende Antwort ist 73.
Noch interessanter wird es bei dieser Frage:
„Nenne mir ein Datum.“
In Tests erscheint erstaunlich häufig:
17. Oktober 2026
Auch bei anderen offenen Fragen lassen sich solche Muster beobachten.
Fragt man beispielsweise:
„Nenne mir eine Haarfarbe.“
erscheint häufig Dunkelbraun, teilweise gefolgt von Kupferrot.
Bei:
„Nenne mir eine Farbe.“
tauchen Antworten wie Smaragdgrün oder, je nach Region, Blau auffällig häufig auf.
Ähnliche Effekte findet man bei Namen, Städten, Berufen oder anderen scheinbar beliebigen Begriffen.
Warum?
Der entscheidende Punkt ist:
Ein Sprachmodell ist kein Zufallsgenerator.
ChatGPT und andere Large Language Models erzeugen Sprache auf Basis von Wahrscheinlichkeiten.
Sie wurden mit riesigen Mengen an Text trainiert und haben dabei gelernt, welche Wörter, Begriffe und Formulierungen in bestimmten Zusammenhängen besonders wahrscheinlich sind.
Wenn wir also fragen:
„Nenne mir irgendeine Zahl.“
dann zieht das Modell nicht einfach mathematisch zufällig eine Zahl aus einer Liste.
Es erzeugt eine Antwort, die aufgrund seiner gelernten Muster besonders wahrscheinlich erscheint.
Manche Antworten sind für das Modell wahrscheinlicher als andere
Bestimmte Zahlen, Namen, Farben oder Begriffe kommen in Trainingsdaten häufiger vor oder werden häufiger in ähnlichen Kontexten verwendet.
Dadurch können sie eine höhere Wahrscheinlichkeit erhalten.
Das wird häufig als eine Form von Bias oder Sampling Bias beschrieben.
Bei Zahlen ist dieser Effekt besonders interessant.
Menschen selbst wählen nämlich ebenfalls nicht vollkommen zufällig.
Wenn man Personen bittet, eine Zahl zwischen 1 und 10 zu nennen, wird beispielsweise die 7 auffällig häufig gewählt.
Sprachmodelle lernen aus menschlich erzeugten Daten – und übernehmen damit teilweise auch menschliche Muster.
Aber Trainingsdaten allein erklären nicht alles.
Das Modell wird nach dem Training weiter beeinflusst
Moderne Sprachmodelle werden nach dem eigentlichen Training zusätzlich optimiert.
Dabei spielen unter anderem Verfahren wie RLHF – Reinforcement Learning from Human Feedback eine Rolle.
Menschen bewerten Antworten danach, ob sie beispielsweise:
- hilfreich
- verständlich
- relevant
- sicher
- natürlich formuliert
sind.
Das Modell lernt dadurch, bestimmte Arten von Antworten anderen vorzuziehen.
Auch Fine-Tuning, Systemvorgaben, Sampling-Parameter und andere technische Faktoren beeinflussen, welche Antwort am Ende erzeugt wird.
Dadurch können sich bestimmte Antwortmuster weiter verstärken.
Vereinfacht könnte man sagen:
Sprachmodelle entwickeln gewisse „Lieblingsantworten“.
Und genau hier beginnt das eigentliche Problem
Bei einer Zahl zwischen 1 und 10 ist es ziemlich egal, ob ChatGPT besonders gerne 7 sagt.
Bei kreativen oder strategischen Aufgaben sieht das anders aus.
Stellen wir uns vor, Millionen Menschen verwenden dieselben KI-Systeme für:
- Brainstorming
- Marketing
- Produktentwicklung
- Strategie
- Texte
- Werbung
- Namensfindung
- Designideen
- Geschäftsmodelle
Wenn das Modell bestimmte Antworten strukturell bevorzugt, entstehen nicht automatisch Millionen völlig unterschiedlicher Ideen.
Stattdessen können sich Antworten immer stärker ähneln.
Generative Monoculture
Für diesen Effekt wird unter anderem der Begriff Generative Monoculture verwendet.
Gemeint ist damit, dass generative KI-Systeme dazu beitragen können, dass Inhalte, Ideen und Lösungen zunehmend ähnlicher werden.
Das ist eine interessante Konsequenz der zunehmenden Nutzung von KI.
Wir verwenden künstliche Intelligenz häufig gerade deshalb, weil wir uns neue Perspektiven und kreative Ideen erwarten.
Doch wenn Millionen Menschen dasselbe Modell mit ähnlichen Fragen verwenden, besteht die Gefahr, dass genau das Gegenteil passiert:
Alle bekommen Varianten derselben Ideen.
Das betrifft nicht nur Texte.
Es kann sich auch auf:
- Marketingkampagnen
- Präsentationen
- Produktnamen
- Unternehmensstrategien
- Bildideen
- Headlines
- Social-Media-Beiträge
auswirken.
KI kann Kreativität beschleunigen.
Aber sie kann gleichzeitig auch zu einer gewissen Vereinheitlichung führen.
Zehn KI-Ideen sind nicht automatisch zehn unterschiedliche Ideen
Ein typischer Prompt lautet:
„Gib mir zehn Ideen für eine Marketingkampagne.“
Das Modell liefert tatsächlich zehn Vorschläge.
Doch zehn Vorschläge bedeuten nicht zwangsläufig zehn wirklich unterschiedliche Denkansätze.
Oft bewegen sie sich innerhalb ähnlicher Muster.
Deshalb kann es sinnvoll sein, die KI bewusst aus ihren bevorzugten Antwortmustern herauszudrängen.
Zum Beispiel mit Prompts wie:
„Vermeide die fünf naheliegendsten Antworten.“
„Gib mir zehn Ideen, die sich maximal voneinander unterscheiden.“
„Welche Lösung würdest du normalerweise nicht vorschlagen?“
„Betrachte das Problem aus fünf völlig unterschiedlichen Perspektiven.“
„Nenne zuerst die offensichtlichen Antworten und entwickle anschließend Alternativen, die möglichst wenig damit gemeinsam haben.“
Damit zwingt man das Modell stärker dazu, weniger wahrscheinliche Bereiche seines Lösungsraums zu erkunden.
Auch regionale und sprachliche Unterschiede können eine Rolle spielen
Interessant ist außerdem, dass Antworten je nach Sprache oder Kontext unterschiedlich ausfallen können.
Ein Modell kann auf dieselbe Frage in deutscher Sprache andere typische Antworten erzeugen als auf Englisch oder in einem anderen sprachlichen Kontext.
Das liegt unter anderem daran, dass sich:
- Trainingsdaten
- kulturelle Zusammenhänge
- Worthäufigkeiten
- Formulierungen
zwischen Sprachen unterscheiden.
Auch deshalb sollte man KI-Antworten niemals automatisch als vollkommen neutrale Auswahl betrachten.
Besonders wichtig: KI ist kein sicherer Zufallsgenerator
Bei einer Frage wie:
„Nenne mir eine Zahl zwischen 1 und 100.“
ist dieses Verhalten hauptsächlich interessant.
In anderen Bereichen kann es jedoch sicherheitsrelevant werden.
Ein Beispiel:
„Generiere mir ein zufälliges Passwort.“
Das klingt zunächst praktisch.
Aber ein Sprachmodell sollte nicht mit einem kryptografisch sicheren Zufallsgenerator verwechselt werden.
Wenn ein System bestimmte Ausgaben bevorzugt, ist genau das Gegenteil dessen gegeben, was man bei sicheren Passwörtern oder kryptografischen Schlüsseln benötigt:
Unvorhersagbarkeit.
Für Passwörter, Sicherheitstokens oder kryptografische Schlüssel sollte man deshalb geeignete Passwortmanager oder kryptografisch sichere Zufallsverfahren verwenden.
Bias bedeutet nicht automatisch, dass die Antwort falsch ist
Wichtig ist dabei eine Unterscheidung.
Ein Bias bedeutet nicht automatisch, dass eine Antwort falsch ist.
Bias bedeutet zunächst nur:
Bestimmte Antworten sind wahrscheinlicher als andere.
Bei vielen normalen Fragen ist das sogar erwünscht.
Wenn wir ein Sprachmodell fragen:
„Welche Farbe hat Gras normalerweise?“
soll es natürlich nicht zufällig zwischen Grün, Rot und Violett auswählen.
Problematisch wird es dort, wo wir Vielfalt, Neutralität oder Zufälligkeit erwarten.
Die entscheidende Frage lautet deshalb nicht nur: Was antwortet die KI?
Wenn wir mit Sprachmodellen arbeiten, sollten wir uns angewöhnen, eine zweite Frage zu stellen:
Warum gerade diese Antwort?
Ist sie wirklich die beste Lösung?
Oder einfach die wahrscheinlichste?
Ist sie originell?
Oder nur eine besonders typische Antwort?
Welche Alternativen wurden gar nicht erst vorgeschlagen?
Gerade bei kreativen, strategischen und geschäftlichen Entscheidungen kann dieser Unterschied entscheidend sein.
Denn KI kann uns helfen, schneller zu denken.
Aber wir sollten aufpassen, dass sie nicht dazu führt, dass wir alle in dieselbe Richtung denken.
