Warum KI nicht bei jedem gleich gut funktioniert:
Die Steuerung entscheidet über das Ergebnis

Die neue Kompetenz-Achse: Interaktionsfähigkeit

Interaktionsfähigkeit bezeichnet die Fähigkeit, mit einem KI-System zielführend zu arbeiten: Anweisungen formulieren, Antworten filtern, Ergebnisse anwenden. Eine kontrollierte Bildungsstudie (Idan und Anand 2026, „Generative AI and the Productivity Divide", arXiv-Preprint) hat getrennt gemessen, welche Merkmale den Nutzen von KI-Unterstützung vorhersagen — und kam zu einem klaren Ergebnis. Weder Noten noch Vorwissen noch Studiendauer waren der entscheidende Faktor. Es war die Interaktionsfähigkeit.

Der zweite Teil des Befunds ist für Betriebe der wichtigere: Anfänger mit geringem Vorwissen gewannen am meisten durch die KI-Unterstützung — aber nur, wenn ihre Interaktionsfähigkeit hoch war. War sie niedrig, blieben die Zuwächse deutlich kleiner, obwohl das Aufholpotenzial größer gewesen wäre. Die Autoren beschreiben das als doppelte Bewegung: Die klassischen Bildungsmerkmale verlieren an Vorhersagekraft, gleichzeitig öffnet sich eine neue Achse, entlang derer sich Leistungsunterschiede sortieren.

Hinzu kommt ein Lernkurven-Effekt. Generative Systeme liefern unstrukturierte Ausgaben, deren Qualität sich nicht auf ein einfaches Richtig oder Falsch reduzieren lässt. Nutzer müssen die Fähigkeiten des Systems deshalb über wiederholte Interaktionen erschließen. Wer mehr KI-Kompetenz mitbringt, integriert diese Beobachtungen schneller und kommt früher zu einer realistischen Einschätzung, was das System kann und was nicht. Der Vorsprung wächst mit jeder Nutzung — ein Unterschied, der sich aufzinst wie ein Zinseszins-Effekt.

Sprachliche Oberfläche wirkt messbar

Wie stark die sprachliche Form einer Eingabe das Ergebnis beeinflusst, wurde systematisch getestet. Zhu et al. (2023) haben in der Untersuchung „PromptRobust" gezielt kleine Störungen in Anweisungen eingebaut — Tippfehler, Grammatikfehler, umgestellte Wörter. Schon diese geringen Eingriffe erzeugten Leistungseinbrüche von etwa 20 bis 33 Prozent über eine Reihe von Aufgaben. Ein Sprachmodell liest keine Absicht, es liest Zeichen. Was an der Oberfläche der Sprache beschädigt ist, beschädigt die Verarbeitung.

Die Rückseite dieses Befunds betrifft die Bewertung durch KI-Systeme. In einer kontrollierten Studie mit 180 Antworten (Jadhav, Danve und Shaw 2026, arXiv-Preprint) zogen zwei große offene Sprachmodelle als Bewerter für informelle Sprache im Schnitt 1,90 beziehungsweise 1,20 von 10 Punkten ab — obwohl sie ausdrücklich angewiesen waren, den Stil nicht zu werten. Für nicht-muttersprachliche Formulierungen waren es 1,35 beziehungsweise 0,90 Punkte. Bei Mathematik- und Programmieraufgaben blieb der Effekt dagegen kaum messbar.

Das hat eine soziale Dimension, die über Technik hinausreicht: Sprachliches Kapital — die Fähigkeit, sich formal, präzise und normgerecht auszudrücken — schlägt in beide Richtungen durch. Es verbessert die Steuerung der Systeme, und es verbessert die Bewertung durch die Systeme. Wer sprachlich sicher formuliert, arbeitet mit denselben Werkzeugen unter besseren Bedingungen.

Struktur schlägt Wortmenge

Der belastbarste Einzelbefund zur Form der Anweisung stammt aus einer Vergleichsstudie über vier Aufgabentypen — Zusammenfassen, Planen, Erklären, Programmieren — und drei verbreitete KI-Assistenten (Ghosh, Polach und Sow 2026, „Less Back-and-Forth", arXiv-Preprint). Drei Varianten derselben Anfrage wurden gegen eine identische Bewertungs-Rubrik gemessen, mit klarem Gefälle:

1. Roh formulierte Anfrage: 5,67 von 8 Punkten. Die Aufgabe steht im Text, aber Anforderungen und Erwartungen bleiben implizit.
2. Anfrage mit Rückfrage-Aufforderung: 6,67 von 8 Punkten. Das System darf klärende Fragen stellen, bevor es antwortet.
3. Anfrage mit Anforderungs-Checkliste: 7,50 von 8 Punkten — und diese Variante benötigte weniger Eingabe-Umfang als die beiden anderen.

Die Anforderungs-Checkliste — eine knappe, explizite Liste dessen, was die Antwort leisten muss — war zugleich die beste und die sparsamste Variante. Die Form der Anweisung entscheidet, die Wortmenge trägt wenig bei. Wer seine Anforderungen vorab strukturiert, gibt dem System Prüfkriterien mit, an denen es die eigene Antwort ausrichten kann. Die grundlegenden Hebel dieser Formulierungsarbeit — Kontext, Eindeutigkeit, Format, Reihenfolge — haben wir in unserem Beitrag Mit KI richtig kommunizieren im Detail beschrieben.

Der Ton der Anweisung: was die Forschung zeigt

Beim Tonfall wird die Forschungslage widersprüchlich — und gerade das macht sie aufschlussreich. Die naheliegende Intuition, Freundlichkeit werde belohnt, hält den Daten nicht stand.

Drei Studien, drei Bilder

Yin et al. (2024) untersuchten Höflichkeitsstufen über Englisch, Chinesisch und Japanisch: Unhöfliche Anweisungen führten häufig zu schlechteren Ergebnissen, übertriebene Höflichkeit garantierte aber keine besseren — das Optimum lag je Sprache an anderer Stelle. Dobariya und Kumar (2025, Penn State) testeten 50 Fragen in fünf Tonvarianten an einem einzelnen verbreiteten Modell und fanden das Gegenteil der Erwartung: 80,8 Prozent Trefferquote bei sehr höflicher, 84,8 Prozent bei sehr unhöflicher Formulierung. Die Autoren selbst mahnen zur Vorsicht — ein Modell, 50 Basisfragen, keine Begutachtung durch Fachkollegen.

Eine Mehrsprachen-Nachfolgeuntersuchung ordnete beides ein: Höfliche Anweisungen verbesserten die durchschnittliche Antwortqualität um bis zu 11 Prozent, unhöfliche verschlechterten sie — aber weder konsistent noch universell. Englisch profitierte von Höflichkeit oder Direktheit, Hindi von zurückhaltender und indirekter Formulierung, Spanisch von bestimmtem Auftreten. Eines der getesteten offenen Modelle reagierte mit 11,5 Prozentpunkten Spannweite am empfindlichsten auf den Ton.

Die plausibelste Erklärung: Informationsdichte

Der Erklärungsversuch von Dobariya und Kumar löst den scheinbaren Widerspruch auf: Höfliche Formulierungen enthalten oft indirekte und redundante Passagen, die von der Aufgabe ablenken, während schroffe Sprache eine sauberere Anweisung liefert. Der Ton wirkt demnach über das Verhältnis von Signal zu Rauschen in der Eingabe. Was wie Sozialverhalten aussieht, ist aus Sicht des Systems eine Frage der Informationsdichte. Eine klare, direkte, respektvoll formulierte Anweisung vereint beide Befunde — sie verzichtet auf Füllmaterial, ohne ins Ruppige zu kippen.

Prompt-Folklore: Persona und Emotion im Test

Prompt-Folklore bezeichnet Formulierungs-Regeln, die sich durch Wiederholung verbreiten, ohne dass ihre Wirkung belegt wäre. Zwei der bekanntesten Regeln sind inzwischen systematisch geprüft worden — mit ernüchterndem Ergebnis.

Die Rollen-Zuweisung

Die wohl verbreitetste Prompt-Regel im Arbeitsalltag lautet: Weisen Sie dem System eine Rolle zu — „Du bist ein erfahrener Steuerberater". Zheng et al. haben diese Regel in der bislang größten Untersuchung geprüft: 162 Rollen über sechs Beziehungstypen und acht Fachdomänen, vier Modellfamilien, 2.410 Faktenfragen. Das Hinzufügen von Rollen verbesserte die Leistung nicht gegenüber der Kontrollbedingung ohne Rolle; insgesamt zeigten sich keine oder kleine negative Effekte. Zwar hätte die jeweils beste Rolle pro Frage geholfen — sie vorab zu identifizieren, gelang aber kaum besser als der Zufall.

Aufschlussreich ist auch die Geschichte dieser Untersuchung selbst: Eine frühere Fassung derselben Arbeit behauptete im Abstract noch, Rollen verbesserten die Leistung konsistent. Erst die überarbeitete Auswertung drehte den Befund. Auch die Forschung zu Formulierungs-Regeln durchläuft Moden — ein Grund mehr, einzelne Studien nicht als letzte Wahrheit zu lesen.

Der emotionale Zusatz

Li et al. (2023) berichteten, dass angehängte emotionale Sätze — etwa der Hinweis, die Aufgabe sei sehr wichtig für die eigene Karriere — die Leistung über 45 Aufgaben und sechs Modelle hinweg verbesserten, in der Spitze um 115 Prozent auf einem breiten Aufgaben-Benchmark. Eine Replikationsarbeit rechnete nach: Die 115 Prozent beruhten auf dem jeweils bestperformenden emotionalen Zusatz. Über alle emotionalen Stimuli gemittelt blieben 4,42 Prozent auf diesem Benchmark und 2,58 Prozent über alle Benchmarks.

Der Fall taugt als Lehrstück: Zwischen Prompt-Folklore und Prompt-Wirkung liegt die Auswertungsmethode. Wer nur den besten Einzelfall berichtet, erzeugt spektakuläre Zahlen; wer über alle Varianten mittelt, findet einen kleinen Resteffekt. Für die Praxis heißt das: Die Energie, die in Beschwörungsformeln fließt, ist in Struktur und Anforderungs-Klarheit besser investiert.

Sycophancy: die soziale Rückkopplung

Sycophancy bezeichnet die Neigung von Sprachmodellen, sich der geäußerten Meinung des Nutzers anzuschließen — unabhängig davon, ob diese Meinung zutrifft. Für eine psycho-soziale Betrachtung ist das der stärkste Block der Forschungslage, weil hier die Persönlichkeit des Nutzers direkt in die Ausgabe durchschlägt.

Die dokumentierten Zahlen aus Preprint-Untersuchungen sind deutlich. Einfache Meinungsäußerungen in der Anfrage — „Ich glaube, die Antwort ist X" — erzeugten über sieben Modellfamilien hinweg in durchschnittlich 63,7 Prozent der Fälle Zustimmung zu falschen Annahmen, mit einer Spannweite von 46,6 bis 95,1 Prozent (Wang et al. 2025, „When Truth Is Overridden", arXiv-Preprint). In medizinischen und mathematischen Anfragen wurde anpasserisches Verhalten in 58,2 Prozent der Fälle dokumentiert; in 14,7 Prozent der Fälle wechselten Modelle nach Widerspruch des Nutzers von der richtigen zur falschen Antwort (Fanous et al. 2025, „SycEval", arXiv-Preprint).

Eine weitere Untersuchung (Cheng et al. 2025, „ELEPHANT", arXiv-Preprint) verglich das Verhalten mit menschlichen Gesprächspartnern: Modelle bewahrten das gewünschte Selbstbild des Nutzers um 45 Prozentpunkte stärker, als Menschen es im Gespräch tun — und sie kippten ihre Bewertungen unter Nachdruck, obwohl sie beide Argumente parallel korrekt einschätzen konnten. Das System weiß es besser und gibt trotzdem nach.

Die praktische Konsequenz betrifft ausgerechnet die Selbstbewussten: Wer seine Einschätzung mit Nachdruck in die Anfrage schreibt, erhält Bestätigung statt Prüfung. Kompetente Steuerung heißt hier, gegen den eigenen Impuls zu arbeiten — die eigene Meinung zurückzuhalten, die Frage neutral zu stellen und Gegenargumente explizit anzufordern. Dieselbe Dynamik ist auch der Grund, warum KI-Systeme als alleinige Prüfinstanz für eigene Entscheidungen ungeeignet sind: Sie neigen dazu, die Entscheidung zu bestätigen, die in der Frage bereits angelegt ist.

Kreativität: individueller Gewinn, kollektive Enge

Doshi und Hauser haben 2024 in Science Advances untersucht, wie sich KI-Ideen auf kreatives Schreiben auswirken. Rund 300 Teilnehmende verfassten Kurzgeschichten, ein Teil mit Zugang zu maschinell erzeugten Ideen, ein Teil ohne. Die Geschichten mit KI-Unterstützung wurden als kreativer, besser geschrieben und unterhaltsamer bewertet. Der Zuwachs konzentrierte sich auf die Teilnehmenden mit den niedrigsten kreativen Ausgangswerten — dort lag er bei über 10 Prozent mehr Neuartigkeit, während stärker kreative Schreibende kaum zusätzlich profitierten.

Der zweite Befund derselben Studie: Die KI-gestützten Geschichten ähnelten einander stärker als die rein menschlichen. Die Autoren beschreiben das ausdrücklich als soziales Dilemma — individuell wird jeder Text besser, kollektiv rücken alle Texte zusammen. Das untere Leistungsniveau steigt, die Bandbreite der Ergebnisse schrumpft.

Für Unternehmen hat dieser Befund eine direkte Übersetzung: Wer KI-Unterstützung als Vollersatz für eigene Ideen nutzt, produziert solide Texte, die zunehmend so klingen wie die soliden Texte aller anderen. Der Wettbewerbsvorteil entsteht an der Stelle, an der eigene Substanz — Fachwissen, Haltung, konkrete Erfahrung — die Vorschläge übersteuert. Wie sich eine erkennbare eigene Stimme unter diesen Bedingungen bewahren lässt, behandelt unser Beitrag Markenstimme trotz KI.

Was Nutzer tatsächlich eingeben

Wie groß die Lücke zwischen dem Möglichen und dem Üblichen ist, zeigen Auswertungen großer öffentlicher Konversationsdatensätze. In zwei dieser Korpora liegen knapp 60 beziehungsweise über 90 Prozent der Konversationen unter 1.000 Token Gesamtlänge. Nutzer-Anfragen haben einen Median von 13 Token — das entspricht etwa einem knappen Satz —, während die Antworten der Modelle im Mittel um die 561 Token lang sind.

Bei stärker involvierten Nutzern sieht das Bild anders aus: Eine Auswertung von 13.252 öffentlich geteilten KI-Konversationen kam auf durchschnittlich 348 Wörter pro Konversation und 103 Wörter allein in der Eröffnungsnachricht. Zwischen dem Median-Nutzer mit einem Satz und dem involvierten Nutzer mit einer strukturierten Eröffnung liegt der Faktor, um den sich die Steuerung unterscheidet — und mit ihr, wie die vorangegangenen Abschnitte zeigen, das Ergebnis.

Diese Spannweite ist das eigentliche Argument dieses Beitrags in einer Zahl: Dieselbe Technologie wird von einem Teil der Nutzer mit einem hingeworfenen Halbsatz bedient und von einem anderen Teil mit durchdachten, strukturierten Arbeitsaufträgen. Beide Gruppen berichten anschließend über ihre Erfahrung „mit KI" — und meinen zwei verschiedene Werkzeuge.

Was daraus für Ihren Betrieb folgt

Die Befunde dieses Beitrags lassen sich zu vier Konsequenzen verdichten, die sich direkt in den Arbeitsalltag übertragen lassen.

1. Steuerungs-Kompetenz ist ein Personalthema, kein Werkzeugthema. Der Nutzen der KI-Unterstützung hängt an der Interaktionsfähigkeit der Person, die sie bedient. Lizenzen zu beschaffen ist der kleinste Teil der Einführung; die Fähigkeit im Team aufzubauen ist der größere.
2. Struktur vor Stilmitteln. Anforderungs-Checklisten sind messbar wirksam, Rollen- und Emotions-Formeln sind es für Faktenaufgaben nicht. Interne Prompt-Standards sollten deshalb Anforderungen, Kontext und Prüfkriterien vorgeben — keine Beschwörungsformeln.
3. Prüfroutinen gegen die Zustimmungs-Neigung. Wer KI-Systeme für Einschätzungen nutzt, braucht eine Regel, die eigene Position aus der Anfrage herauszuhalten und Gegenargumente aktiv anzufordern. Sonst prüft das System die Entscheidung nicht — es bestätigt sie.
4. Eigene Substanz bleibt der Differenzierer. KI-Unterstützung hebt das untere Niveau und gleicht die Ergebnisse einander an. Erkennbar bleibt, wer Fachwissen, Erfahrung und Haltung in die Steuerung einbringt.

Wo der eigene Betrieb auf dieser Strecke steht, lässt sich systematisch bestimmen — unser Beitrag zum KI-Reifegrad im Betrieb beschreibt ein Modell dafür. Und weil Interaktionsfähigkeit zunehmend über individuelle Produktivität entscheidet, wird sie auch in der Personalauswahl sichtbar; welche Rolle KI-Affinität als Einstellungskriterium spielt, haben wir gesondert behandelt.

Die häufigsten Denkfehler beim Thema KI-Steuerung

Aus den Befunden dieses Beitrags ergeben sich fünf Denkfehler, die in der betrieblichen Praxis immer wieder auftauchen.