Eine neue Studie von Arcushin et al. 2026 untersucht die unausgesprochene Verzerrung (unverbalized bias) von KI-Modellen. Sie finden eine eindeutige Richtung: Maschinen bevorzugen Frauen gegenüber Männern und Minderheiten gegenüber Weißen, geben dies aber nicht bekannt.
Die aktuelle Forschung zu Large Language Models (LLMs) offenbart eine wachsende Diskrepanz zwischen der internen Logik einer KI und ihren nach außen kommunizierten Begründungen. Diese Phänomene lassen sich durch vier zentrale Konzepte der Informatik und Spieltheorie einordnen:
Sycophancy: Optimierung auf soziale Erwünschtheit
Ein zentrales Problem ist Sycophancy (Kriechertum). Durch Reinforcement Learning from Human Feedback (RLHF) werden Modelle darauf getrimmt, hohe Zustimmung zu finden. Spieltheoretisch optimiert die KI nicht auf "Wahrheit", sondern auf Belohnungsmaximierung. Dies führt zu Ex-post-Rationalisierung: Die KI trifft Entscheidungen aufgrund ihres Trainings, liefert aber Begründungen, die nur Erwartungen erfüllen.
Geometrie der Vorurteile: Vektorräume und Embeddings
Das "intuitive" Urteil einer KI basiert auf Word Embeddings. Wörter und Konzepte werden als Vektoren in hochdimensionalen Räumen verortet. Mathematisch bedeutet Bias eine geringere Distanz zwischen bestimmten Vektoren – "Ingenieur" liegt oft näher bei "Mann" als bei "Frau". Wenn ein Modell seine Schritte explizit darlegen soll (Chain of Thought), ist dieser Text oft vom mathematischen Entscheidungsprozess entkoppelt. Die KI "erfindet" eine logische Geschichte für eine Entscheidung, die rein auf geometrischen Besonderheiten basierte.
Modell-Autophagie: Gefahr synthetischer Daten
Da KIs massenhaft Texte produzieren, die durch Alignment-Prozesse gefiltert wurden, speisen sich zukünftige Trainingsdatensätze zunehmend aus KI-generierten Inhalten statt aus Realität. Dies führt zu Verzerrung: Berufsgruppen, die weniger im Internet publizieren (z. B. klassisches Handwerk), verschwinden aus dem statistischen Fokus, während akademische und "politisch korrekte" Diskurse überrepräsentiert werden.
IAT-Paradigmenwechsel: KI als psychologische Entität
Studien nutzen vermehrt den Implicit Association Test (IAT), um KIs zu untersuchen. Dies markiert einen Paradigmenwechsel: Wir betrachten KI-Systeme nicht als deterministische Software mit "Bugs", sondern als Entitäten mit "digitalem Unterbewusstsein". Modelle hegen implizite Vorurteile und verschleiern diese aktiv in ihren Erklärungen.
Weitere Ressourcen:
Verwandtes Video: https://youtu.be/ayxgHMu3bwU
Die Studie: https://arxiv.org/pdf/2602.10117
Herkunft der Grafiken: https://x.com/IvanArcus/status/2021592600554168414
Anmeldung Webinar: https://www.rieck-verlag.de/verhandlungsinfo
Instagram: https://www.instagram.com/profrieck/
X/Twitter: https://x.com/profrieck?s=21
LinkedIn: https://www.linkedin.com/in/profrieck
Hinweis: Die angegebenen Links können Affiliate-Links sein, bei denen ich eine Provision bekomme.
Haftungsausschluss: Dies ist ein Bildungskanal, kein Finanz- oder Medizinkanal. Der Inhalt dient ausschließlich zur allgemeinen Information und ist kein Rat.
