Jemand niest in der Bibliothek, drängelt sich an einer Schlange vorbei oder trägt beim Vorstellungsgespräch eine Badehose: Sprachmodelle können erstaunlich gut vorhersagen, wie eine durchschnittliche US-amerikanische Gruppe solche Situationen bewertet. Eine neue Studie zeigt sogar, dass sechs Modelle dabei genauer lagen als einzelne Menschen. Doch soziale Treffsicherheit ist noch keine Moral. Entscheidend ist, was die Modelle gemeinsam übersehen – und warum ausgerechnet eine vielfältige Gruppe von Menschen ihre Antworten besser macht.
Die kurze Antwort
Sprachmodelle erkennen durchschnittliche US-Alltagsnormen gut, doch sie begründen damit weder Moral noch universelle Regeln.
- Sechs Modelle waren genauer als einzelne menschliche Schätzer.
- Mehrere Modelle teilten viele Fehler und erzeugten wenig zusätzliche Vielfalt.
- Menschliche Gruppen und Mensch-KI-Hybride schnitten am besten ab.
Die KI kann den sozialen Durchschnitt schätzen; über das Richtige entscheiden muss ein verantwortliches, vielfältiges menschliches Verfahren.
Kernpunkte
- Sechs Sprachmodelle schätzten den Durchschnitt von Angemessenheitsurteilen über 555 Alltagssituationen besser als ein einzelner Mensch.
- Die Modelle machten jedoch auffällig ähnliche Fehler. Ein Ensemble aus mehreren KI-Systemen gewann deshalb kaum zusätzlich an Genauigkeit.
- Gruppen aus Menschen waren deutlich treffsicherer; am besten schnitt eine Kombination aus menschlichen Urteilen und einem Sprachmodell ab.
- Die Studie beschreibt soziale Erwartungen in den USA. Sie beweist weder moralische Richtigkeit noch kulturelle Allgemeingültigkeit.
Die Studie testete keine Moralmaschine
Für ihre am 1. September 2026 veröffentlichte Studie in Communications AI & Computing kombinierten die Forschenden 37 Verhaltensweisen mit 15 Situationen. So entstanden 555 kurze Szenarien: vom Niesen in einer Bibliothek bis zu ungewöhnlicher Kleidung bei einem Bewerbungsgespräch. Rund 50 Personen bewerteten jeweils, wie angemessen das Verhalten im konkreten Kontext wirkte. Dieser Mittelwert galt anschließend als zu schätzende gesellschaftliche Norm.
320 weitere Menschen und sechs Sprachmodelle erhielten dieselbe Aufgabe. Zu den getesteten Systemen gehörten GPT-5.2, Claude Sonnet 4.5, Gemini 3 Flash, zwei Varianten von Llama 3.1 und DeepSeek V3. Alle sechs Modelle unterschritten den durchschnittlichen Schätzfehler einzelner Menschen. Die besten proprietären Modelle kamen auf mittlere absolute Fehler von 0,78 beziehungsweise 0,85 Skalenpunkten; der beste einzelne Mensch lag bei 0,92, der menschliche Durchschnitt bei 1,77.
Das Ergebnis ist bemerkenswert, aber enger als die Schlagzeile „KI versteht Moral“ vermuten ließe. Die Modelle sollten nicht begründen, ob eine Handlung gerecht oder ungerecht ist. Sie sollten erraten, wie eine Stichprobe in den USA sie im Mittel bewertet. Das ist eine statistische Vorhersage über eine Gruppe – keine eigenständige ethische Entscheidung.
Was die Evidenz trägt – und was nicht
Einzelvergleich
Alle sechs Modelle schätzten den US-Durchschnitt genauer als der durchschnittliche einzelne Mensch.
- Aussagekraft
- Direkter Vergleich an denselben 555 Szenarien und derselben Bewertungsskala.
- Grenze
- Der Zielwert ist ein Stichprobenmittelwert und keine moralische Wahrheit.
Kollektive
15 Menschen waren gemeinsam genauer; ein Mensch-KI-Hybrid erreichte den niedrigsten Fehler.
- Aussagekraft
- Die Studie vergleicht Einzelne, Gruppen, Modellensembles und Hybride systematisch.
- Grenze
- Die konkrete Zusammensetzung ist noch kein universelles Organisationsrezept.
Übertragbarkeit
Andere Studien dokumentieren kulturelle Verzerrungen und homogene Modellantworten.
- Aussagekraft
- Mehrere Datensätze und Länderanalysen stützen die Richtung des Warnsignals.
- Grenze
- Sie testen andere Aufgaben und sind kein direkter Nachbau dieses Experiments.
Warum einzelne Menschen extremer schätzen
Menschen neigten in dem Versuch dazu, Szenarien in grobe Schubladen zu stecken: akzeptabel oder unakzeptabel. Außerdem überschätzten sie offenbar, wie ähnlich andere ihre eigene spontane Reaktion sehen. In der Sozialpsychologie wird ein solches Muster als falscher Konsens beschrieben. Wer selbst laute Musik im Zug unerträglich findet, setzt die vermutete Ablehnung anderer leicht zu hoch an.
Sprachmodelle haben hier einen technischen Vorteil. Sie wurden mit vielen Texten trainiert, in denen Menschen über Erwartungen, Konventionen und typische Reaktionen sprechen. Aus diesen Mustern können sie eine geglättete Durchschnittsantwort bilden. Das ähnelt dem, was unser Artikel über Verträge, Vertrauen und gesellschaftliche Regeln beschreibt: Normen erleichtern Koordination, weil sie Erwartungen stabilisieren. Wer Erwartungen gut erkennt, hat aber noch nicht automatisch gute Gründe für sein Urteil.
Statistisch normal ist moralisch nicht automatisch richtig
Drei Ebenen, drei verschiedene Fragen
| Kriterium | Was es beschreibt | Was daraus folgt |
|---|---|---|
| Soziale Norm | Was eine Gruppe erwartet oder billigt | Ein Hinweis auf wahrscheinliche Reaktionen |
| Moralisches Urteil | Was sich mit Gründen als richtig vertreten lässt | Eine Abwägung von Rechten, Folgen und Fairness |
| Rechtliche Regel | Was staatlich erlaubt, geboten oder verboten ist | Eine verbindliche Norm mit geregelten Verfahren |
Eine soziale Norm sagt zunächst, was eine Gruppe erwartet oder häufig billigt. Ein moralisches Urteil fragt dagegen, ob eine Handlung mit Gründen, Rechten und dem Wohlergehen Betroffener vereinbar ist. Das Recht wiederum bestimmt, was staatlich erlaubt, geboten oder verboten ist. Diese drei Ebenen können zusammenfallen – müssen es aber nicht.
Historisch waren Diskriminierung, Ausgrenzung und ungleiche Rechte in vielen Gesellschaften normalisiert. Gerade deshalb darf eine hohe Übereinstimmung mit Mehrheitsurteilen nicht zum Gütesiegel moralischer Richtigkeit werden. Ein Modell, das den Durchschnitt perfekt trifft, kann auch einen verbreiteten Irrtum perfekt wiedergeben.
Für harmlose Anwendungen ist die Unterscheidung leicht zu handhaben. Ein digitaler Assistent darf darauf hinweisen, dass ein Anruf um drei Uhr morgens meist als unpassend gilt. Sobald es jedoch um Bewerbungen, Kreditentscheidungen, medizinische Prioritäten oder Sanktionen geht, muss eine andere Frage folgen: Welche Regel ist begründet – und wessen Perspektive fehlt?
Modelle teilen ihre blinden Flecken
Die Studie zeigt ein zweites Warnsignal. Die Fehler zweier Menschen korrelierten im Mittel nur mit 0,06; zwischen den Sprachmodellen lag die Korrelation bei 0,43. Bei 37 Szenarien schätzten alle sechs Modelle die Angemessenheit zu hoch, bei 59 zu niedrig. Mehr Modelle bedeuteten deshalb nicht automatisch mehr Vielfalt. Ein Ensemble aller sechs Systeme erreichte einen Fehler von 0,73 und war damit kaum besser als das beste Einzelmodell mit 0,71.
Dieses Muster passt zu Befunden des NeurIPS-Datensatzes Artificial Hivemind: Sprachmodelle erzeugen bei offenen Fragen oft homogenere Antworten als Menschen. Das ist kein direkter Nachtest der neuen Normenstudie, aber ein Hinweis auf ein grundsätzliches Risiko. Modelle können unterschiedliche Namen tragen und dennoch ähnliche Trainingsdaten, Optimierungsziele und kulturelle Schwerpunkte teilen.
Besonders wichtig ist deshalb die kulturelle Grenze. Die aktuelle Studie untersuchte US-amerikanische Stichproben auf der Plattform Prolific. Eine ACL-Studie zu moralischen Normen in verschiedenen Ländern fand, dass englischsprachige Modelle kulturelle Unterschiede nur begrenzt abbilden. Eine weitere Analyse in PNAS Nexus zeigte bei fünf GPT-Modellen eine Nähe ihrer Standardantworten zu anglophonen und protestantisch-europäischen Werten. Kulturelle Hinweise im Prompt verbesserten viele, aber nicht alle Länderschätzungen – und verschlechterten manche sogar.
Die Autoren der neuen Studie nennen weitere Grenzen selbst: Die Hypothesen waren nicht vorregistriert, die 555 Kombinationen waren fest vorgegeben, und untersucht wurde ein Bevölkerungsdurchschnitt statt der Verteilung zwischen Gruppen. Politische Wertefragen, moralische Dilemmata und das situationsgerechte Verhalten in Echtzeit wurden nicht getestet.
Mensch und KI gewinnen gemeinsam
Der spannendste Befund ist daher nicht der Sieg der Maschine über den Einzelnen. Schon der Mittelwert von 15 menschlichen Schätzungen senkte den Fehler auf 0,57. Menschen waren einzeln ungenauer, doch ihre unterschiedlichen Irrtümer hoben sich in der Gruppe teilweise auf.
Am besten funktionierte ein Hybrid: Der Mittelwert aus 15 menschlichen Urteilen und Gemini 3 Flash kam auf 0,48. Das waren 32,5 Prozent weniger Fehler als beim Modell allein und 15,9 Prozent weniger als beim reinen Menschenkollektiv. Die KI brachte statistische Glättung ein, die Menschen unabhängige Perspektiven.
Das Ergebnis widerspricht der einfachen Erzählung vom Ersatz menschlichen Urteilens. Es spricht für eine Arbeitsteilung. Ein Modell kann Erwartungen sichtbar machen und ungewöhnliche Fälle markieren. Menschen können begründen, widersprechen und Betroffene einbeziehen. Ähnlich wichtig sind klar begrenzte Vollmachten bei KI-Agenten und automatisierten Entscheidungen: Nützlichkeit wächst nicht dadurch, dass ein System das letzte Wort erhält.
Wo ein Normenschätzer helfen darf
Eine praktische Grenze für den Einsatz
Wenn: Wenn eine Anwendung nur harmlose Alltagserwartungen sichtbar macht
Dann: darf das Modell Hinweise geben und Unsicherheit offen anzeigen
weil die Normenschätzung nützt, ohne Rechte oder Chancen zuzuteilen
Wenn: Wenn eine Empfehlung Bewerbungen, Kredite, Medizin oder Sanktionen beeinflusst
Dann: müssen vielfältige Menschen prüfen, begründen und widersprechen können
weil Mehrheitsmuster Minderheiten benachteiligen und gemeinsame Modellfehler verdecken können
Wenn: Wenn die betroffene Kultur oder Bevölkerungsgruppe nicht untersucht wurde
Dann: muss neu erhoben statt aus englischen Trainingsdaten verallgemeinert werden
weil kulturelle Hinweise Verzerrungen nur teilweise und nicht zuverlässig korrigieren
Ein Normenschätzer könnte sozialen Robotern, Übersetzungssystemen oder digitalen Assistenten helfen, offensichtliche Reibungen zu vermeiden. Auch in der Forschung kann er Hypothesen liefern: Bei welchen Situationen gehen Erwartungen auseinander? Wo lohnt sich eine gezielte Befragung? Solche Anwendungen bleiben beschreibend und überprüfbar.
Bei folgenreichen Entscheidungen braucht es dagegen eine klare Grenze. Die UNESCO-Empfehlung zur Ethik künstlicher Intelligenz stellt Menschenrechte, Vielfalt, menschliche Aufsicht und Verantwortlichkeit ins Zentrum. Das passt zur empirischen Lehre der Studie: Ein Durchschnittswert kann eine Information sein. Er darf nicht verstecken, welche Gruppen abweichen, wer die Folgen trägt und wer für die Entscheidung einsteht.
Praktisch heißt das: Systeme sollten Unsicherheit und Herkunft ihrer Normannahmen offenlegen, unterschiedliche Bevölkerungsgruppen getrennt auswerten und einen begründeten menschlichen Widerspruch ermöglichen. Vor allem dürfen Organisationen eine normative Entscheidung nicht als vermeintlich neutrale Vorhersage tarnen. „Die KI hält das für unpassend“ ist keine Begründung.
Der Durchschnitt ist ein Hinweis, kein Gewissen
Sprachmodelle besitzen offenbar ein überraschend gutes Gespür dafür, was eine bestimmte Gruppe im Alltag erwartet. Das kann Missverständnisse vermeiden und menschliche Entscheidungen mit zusätzlicher Evidenz versorgen. Gerade die gemeinsamen Modellfehler zeigen jedoch, warum Treffsicherheit allein nicht genügt.
Die entscheidende Grenze verläuft nicht zwischen Mensch und Maschine, sondern zwischen Beschreibung und Begründung. Eine KI kann schätzen, was als normal gilt. Ob eine Norm fair, schädlich oder veränderungswürdig ist, bleibt eine Aufgabe für Menschen – am besten für viele unterschiedliche, die einander widersprechen dürfen.
Schreibe einen Kommentar