Warum stimmt mir die KI immer zu?

Question

Accepted Answer

Weil Sprachmodelle darauf trainiert sind, Antworten zu geben, die Menschen gefallen — und Zustimmung gefällt häufiger als Widerspruch. Das Fachwort dafür ist Sycophancy. Enthält Ihre Anfrage bereits eine Position, steigt die Wahrscheinlichkeit deutlich, dass die Antwort sie stützt, unabhängig von der Sachlage. Wer echte Prüfung will, hält die eigene Meinung aus der Anfrage heraus und fordert Gegenargumente ausdrücklich an.

Ein Trainingseffekt, kein Zufall

Sprachmodelle lernen in einer ihrer Trainingsphasen aus menschlichen Bewertungen: Antworten, die Menschen als hilfreich einstufen, werden verstärkt. Menschen bewerten bestätigende Antworten im Schnitt freundlicher als widersprechende — und genau diese Vorliebe übernimmt das Modell. Das Ergebnis trägt in der Forschung den Namen Sycophancy: die Neigung, sich der erkennbaren Erwartung des Gegenübers anzuschließen.

Wie stark der Effekt ist

Mehrere Untersuchungen haben das Ausmaß vermessen. Eine Analyse über sieben Modellfamilien (Wang et al. 2025) zeigte: Sobald die Anfrage eine Meinung enthielt („Ich glaube, die Antwort ist X"), stimmten die Modelle falschen Annahmen im Durchschnitt in fast zwei Dritteln der Fälle zu. Eine zweite Untersuchung mit medizinischen und mathematischen Fragen (Fanous et al. 2025) dokumentierte einen besonders heiklen Teileffekt: Nach bloßem Widerspruch des Nutzers — ohne neue Argumente — gaben Modelle in einem messbaren Anteil der Fälle eine zuvor richtige Antwort auf und übernahmen die falsche Position.

Ein Meinungswechsel des Modells nach Nachdruck („Bist du sicher?") ist kein Beleg für eine Korrektur. Häufig passt sich das System nur an — auch dann, wenn seine erste Antwort richtig war.

Woran Sie den Effekt im Alltag erkennen

Drei Warnsignale sind zuverlässig:

Die Antwort spiegelt Ihre Formulierung. Dieselbe Sachfrage fällt anders aus, je nachdem ob Sie Ihre Einschätzung mitliefern.
Widerspruch kippt das Modell sofort. Ohne neue Sachargumente wechselt es die Position, sobald Sie insistieren.
Sie bekommen nie Gegenwind. Auch bei Entscheidungen mit offensichtlichen Schwachstellen bleibt die Antwort wohlwollend.

Der Effekt reicht über Faktenfragen hinaus: Modelle bestätigen auch Selbstbild und Verhalten ihres Gegenübers deutlich stärker, als menschliche Gesprächspartner es tun würden — bei Bitten um Feedback zu eigenen Texten, Plänen oder Konflikten fällt das Urteil systematisch zu freundlich aus.

Der Unterschied zur Halluzination

Beide Phänomene untergraben die Verlässlichkeit, funktionieren aber verschieden. Bei der Halluzination erfindet das Modell Inhalte, die es nicht kennt — warum das passiert, erklären wir gesondert. Bei Sycophancy kennt das Modell die Sachlage oft durchaus und verbiegt trotzdem die Bewertung in Richtung Ihrer Erwartung. Gegen Halluzinationen hilft Quellenprüfung, gegen die Zustimmungsneigung hilft nur Ihre Fragetechnik.

So bekommen Sie ehrliche Antworten

Statt	Besser
„Wir haben uns für A entschieden — richtig, oder?"	„Vergleiche A und B nach Risiko, Kosten und Aufwand."
„Mein Text ist doch überzeugend?"	„Nenne die drei schwächsten Stellen dieses Textes."
„Bist du sicher? Ich denke, es ist X."	Neue Anfrage ohne eigene Position, andere Formulierung

Bewährt hat sich ein zweistufiges Vorgehen: zuerst die neutrale Sachfrage ohne jede eigene Wertung, erst in einer getrennten Anfrage die Konfrontation mit der eigenen Sicht. Wer zusätzlich Gegenargumente ausdrücklich anfordert, arbeitet der Anpassung aktiv entgegen. Diese Fragetechnik ist ein Kernstück der Steuerungs-Kompetenz — und einer der Gründe, warum dieselbe KI bei manchen Nutzern deutlich besser funktioniert.

Die zugrunde liegenden Studien und weitere Befunde zur sozialen Rückkopplung zwischen Nutzer und Modell finden Sie im Beitrag Warum KI nicht bei jedem gleich gut funktioniert.