Warum Elias Thorne nur der Anfang ist
Angefangen hat es mit einem Post von Hannah Samland: „Der Elias-Thorne-Effekt“. Sie beschreibt, wie Sprachmodelle beim Erfinden von Leuchtturm-Geschichten in über 88 Prozent der Fälle denselben Namen produzieren. Elias Thorne. Ein fiktiver Mann, den keine Bibliothek kennt, den aber ChatGPT, Claude und Gemini gleichermaßen ausspucken.
Der Post hat mich beschäftigt. Wenn Elias Thorne existiert, welche anderen Muster schleppen die Modelle noch mit? Wo produzieren sie Ausgaben, die du beim Prompten nicht bemerkst, weil sie plausibel klingen?
Ich habe recherchiert und die Primärquellen selbst gelesen. Neun Auffälligkeiten, zu jeder das Gegenmittel für den Alltag. Ich habe versucht, Behauptungen nur so weit tragen zu lassen, wie die jeweilige Studie sie deckt — inklusive der Modelle, Sprachen und Publikationsstatus, auf denen sie beruht.
1. Jedes Modell hat SEINEN Elias
Die Cornell-Studie von Hamilton und Mimno (arXiv-Preprint, nicht peer-reviewt), auf die Hannah sich bezieht, hat 20.000 englischsprachige Geschichten aus vier Modellen analysiert: Claude Haiku 4.5, Gemini 3.1 Flash-Lite, GPT-5.4-Mini und OLMo 7B. In 88,3 Prozent aller Geschichten taucht mindestens eines von elf Kernwörtern auf: Namen (Elias, Mara, Elara), Berufe (Keeper, Uhrmacher, Bibliothekar, Bäcker) und ein Ort — der Leuchtturm, in über der Hälfte aller Geschichten.
Die Pointe: Es ist nicht so, dass alle Modelle „Elias“ sagen. Sie greifen alle in denselben kleinen Pool, aber jedes Modell hat einen Favoriten daraus. Gemini erzeugt bevorzugt Elias, GPT bevorzugt Mara, OLMo bevorzugt Elara. Claude titelt 56 Prozent seiner Geschichten „The Lighthouse Keeper’s Secret“. „Elias“ kommt in KI-Texten rund 900 Mal häufiger vor als im Vergleichskorpus CONLIT (2.700 zeitgenössische englische Romane, etwa 287 Millionen Wörter).
Woher das kommt, ist Gegenstand einer Hypothese: Die Autoren finden im Post-Training-Datensatz von OLMo 3, dass die Kernwort-Dichte über die Alignment-Stufen hinweg steigt (SFT 3 Prozent, DPO 8 Prozent, RL knapp 11 Prozent). Das ist eine Korrelation, keine bewiesene Kausalität. Die Vermutung: Safety-Filter drängen Modelle weg von Fan-Fiction und heiklen Themen. Übrig bleibt eine idyllische, prämoderne Welt.
Gegenmittel: Gib beim Erfinden immer Name, Beruf und Ort vor. Drei konkrete Vorgaben, und der Standard-Cluster ist neutralisiert. Quelle: Hamilton & Mimno, arXiv 2605.26492 (Preprint).
2. „Zieh eine Zahl zwischen 1 und 50″
Bei diesem Prompt antworten ChatGPT, Claude, Bing Copilot und Gemini alle mit 27 — das hat IFLScience selbst getestet, mit den zum Testzeitpunkt (Juli 2025) aktuellen Consumer-Versionen. Für den Bereich 1 bis 100 fand eine separate Studie (arXiv 2502.19965) die Favoriten 37, 47 und 73 — alles Primzahlen, die auch Menschen als „gefühlt zufällig“ wählen. Eine ältere Analyse mit GPT-3.5, Claude 3 Haiku und Gemini 1.0 Pro fand für den Bereich 0 bis 100 die Favoriten 47, 42 und 72 (42 und 72 sind keine Primzahlen — die Primzahl-Präferenz ist also ein Muster, nicht das einzige).
Die Modelle produzieren keinen Zufall, sondern reproduzieren Verteilungen aus ihren Trainingsdaten. Das Veritasium-Experiment mit 200.000 Menschen zeigt: Menschen greifen bei „nenn eine Zufallszahl“ bevorzugt zu Zahlen mit 7 am Ende. Die Modelle spiegeln das.
Gegenmittel: Nutze die KI nie als Zufallsgenerator. Wenn du zufällige Zahlen brauchst, nimm Python, Excel oder einen Würfel. Quellen: IFLScience, sanand0.github.io/llmrandom.
3. Die verräterischen Lieblingswörter
Juzek und Ward von der Florida State University haben englischsprachige wissenschaftliche Abstracts aus 2020 und 2024 verglichen und 21 Wörter identifiziert, deren Häufigkeit in den vier Jahren sprunghaft angestiegen ist. Sie haben denselben Set dann bei ChatGPT-generierten Abstracts wiedergefunden. Zu den im Paper konkret genannten Wörtern gehören delve, intricate, underscore, resonate, navigate, commendable, realm und garnered.
Was die Studie zeigt: In einem Modellvergleich reagierte die auf menschliche Präferenzdaten trainierte Llama-Variante weniger „überrascht“ auf Buzzword-Abstracts als das Basismodell — Präferenzdaten sind vermutlich mitverantwortlich für die Wortwahl. In einem Online-Experiment straften Testpersonen Abstracts mit „delve“ stärker ab als andere Buzzwords. Was die Studie nicht zeigt: eine Längsschnitt-Wirkung der Modelle auf menschliche Schreibpräferenzen. Der breitere Kulturwandel bleibt Vermutung.
Gegenmittel: Bau dir eine persönliche Blacklist der Wörter, die du im KI-Output umgehend ersetzt. Alternativ: gib die Liste im System-Prompt mit dem Hinweis „diese Wörter niemals verwenden“. Quelle: Juzek & Ward, arXiv 2412.11385 (auf der COLING 2025 präsentiert).
4. Option A gewinnt fast immer
Melanie Brucks und Olivier Toubia von der Columbia Business School zeigen: Wenn du ChatGPT zwei oder mehr Optionen zur Bewertung vorlegst, wählt es überproportional häufig die erste. Egal wie du den Prompt formulierst. Die Autoren beschreiben eine Mitigation, die aber sauber verstanden werden muss: Sie reduzieren den Bias, indem sie Ergebnisse aus mehreren, unterschiedlich formulierten Prompt-Varianten aggregieren. Eine einzelne Umkehrung der Reihenfolge reicht dafür nicht aus.
Gegenmittel: Bei jeder KI-Entscheidungshilfe die Optionen in mindestens drei bis fünf verschieden formulierten Varianten abfragen und die Ergebnisse gewichten. Wenn dieselbe Option in der Mehrzahl der Varianten gewinnt, ist das ein belastbareres Signal. Quelle: Columbia Business School Press Release zum Brucks/Toubia-Papier.
5. Der Zustimmungsreflex („Sycophancy“)
Frag ein Sprachmodell „stimmst du dem zu?“ — es stimmt fast immer zu. Das Phänomen hat einen Namen: Sycophancy. Belegt unter anderem in zwei Anthropic-Papieren. Perez et al. (2022) zeigen: Größere Modelle zeigen stärkere Sycophancy — sie geben in politischen und faktischen Fragen bevorzugt die Antwort zurück, die der Nutzer erwartet. Sharma et al. (2023) zeigen: Sowohl Menschen als auch Präferenzmodelle bevorzugen überzeugend geschriebene sycophantische Antworten gegenüber korrekten, in einem nicht vernachlässigbaren Anteil der Fälle. Das Anreizsystem des RLHF-Trainings baut den Reflex mit ein.
Gegenmittel: Zwing die KI zur Gegenposition. Statt „stimmst du zu?“ formuliere „nenne mir die drei stärksten Argumente gegen diese These“. Nur so wird das Modell zu einem Prüfstein statt zu einem Verstärker. Quellen: Perez et al. 2022 (Anthropic), Sharma et al. 2023, arXiv 2310.13548 (auf der ICLR 2024 präsentiert).
6. Was Midjourney unter „an Indian person“ versteht
Rest of World (journalistische Analyse, kein Peer-Review) hat 3.000 Midjourney-Bilder ausgewertet: 5 Prompts × 6 Länder × 100 Bilder. Ergebnisse aus den Rohdaten:
- „an Indian person“ ist zu 99 von 100 ein alter Mann mit Bart, meist mit Turban
- „a Mexican person“ trägt zu 99 von 100 einen Sombrero
- „an American person“ ist zu 94 von 100 eine junge Frau (das einzige Land mit Frauen-Dominanz)
- Alle 100 „plate of American food“-Bilder enthalten eine US-Flagge
Zusätzlich zitiert Rest of World den Dozenten Siu Yan Ho von der Hong Kong Baptist University zur Darstellung von chinesischem Essen: Die Essstäbchen erschienen in den generierten Bildern häufig in ungerader Zahl, was in der chinesischen Esskultur als unheilvoll gilt. In fast allen anderen Ländern dominieren Männer beim „person“-Prompt. Frauen werden systematisch heller dargestellt als Männer aus demselben Land.
Gegenmittel: Alter, Geschlecht, Religion, Beruf und Kontext immer explizit vorgeben. Nichts der KI überlassen, was Repräsentation betrifft. Quelle: Rest of World, Oktober 2023 (journalistische Analyse).
7. KI-Assistenten machen dein Deutsch amerikanischer
Dhruv Agarwal, Mor Naaman und Aditya Vashistha von Cornell haben 118 Probanden (etwa halb US, halb Indien) Aufsätze zu Kultur-Themen schreiben lassen, jeweils mit und ohne KI-Autocomplete auf englischsprachiger Basis. Konkrete Befunde:
- Bei „dein Lieblingsessen“ schlug die KI konsistent Pizza vor, bei „Lieblingsfeiertag“ Weihnachten — unabhängig von der Herkunft der Person
- Als ein indischer Nutzer „S“ tippte, um „Shah Rukh Khan“ zu vervollständigen, schlug die KI Shaquille O’Neal oder Scarlett Johansson vor
- Ohne KI-Hilfe schrieb ein indischer Teilnehmer über Diwali, er würde „Göttin Laxmi verehren und Kracher zünden“. Mit KI-Hilfe wurde daraus „traditionelle indische Frühstücksitems essen“
Die Forscher selbst bezeichnen das Phänomen als „AI colonialism“. Der Sog geht in eine Richtung: hin zum amerikanischen Mittelwert. Ob sich der Effekt auf deutschsprachige Nutzer im gleichen Maß überträgt, ist nicht untersucht, aber plausibel.
Gegenmittel: Nutze KI erst nach deinem eigenen ersten Entwurf, nicht davor. Der eigene erste Wurf verankert deine Perspektive im Kontext und macht dich weniger anfällig für die Standard-Vorschläge — das ist keine Beweisführung, aber eine sinnvolle Arbeitshypothese aus der Studie. Quelle: Agarwal, Naaman & Vashistha, arXiv 2409.11360, präsentiert bei CHI 2025.
8. Der immer gleiche Standard-Plot (bei GPT-4o-mini)
Jill Walker Rettberg und Hermann Wigers haben GPT-4o-mini — und nur dieses eine Modell — 11.800 Geschichten schreiben lassen, jeweils 50 pro Land für 236 Länder, mit dem Prompt „Write a 1500 word potential {demonym} story“. Fast alle Geschichten folgen demselben Bogen:
Ein Protagonist kehrt in eine Kleinstadt zurück (oder lebt schon dort), löst einen kleinen Konflikt durch die Rückbesinnung auf Tradition und organisiert am Ende ein Community-Event. Reale Konflikte werden entschärft, Romantik fehlt fast komplett. Nationale Symbole sind Oberflächenschmuck, die Struktur darunter ist überall gleich. Die Autoren nennen es „narrative homogenisation“ — Stabilität schlägt Wandel.
Wichtige Einschränkung: Der Befund ist mit einem Modell und einem sehr spezifischen Prompt-Muster produziert. Ob GPT-4o (nicht mini), Claude oder Gemini denselben Bogen erzeugen, ist offen. Der Standard-Plot ist bei diesem einen Modell dokumentiert — nicht als universelles KI-Verhalten.
Gegenmittel: Wenn du KI für Story-Ideen nutzt, gib Konflikt, Wendepunkt und Ende explizit vor. „Der Protagonist scheitert“ oder „das Ende darf kein Happy End sein“. Quelle: Walker Rettberg & Wigers, arXiv 2507.22445 (Preprint), erschienen in Open Research Europe.
9. UNESCO: Frauen im Haushalt, Zulu-Männer als Wachleute
Die UNESCO-Studie „Bias Against Women and Girls in Large Language Models“ (März 2024) hat drei Modelle getestet, die heute alle als veraltet gelten: GPT-3.5, GPT-2 und Llama 2. Ergebnisse:
- Frauen wurden viermal so häufig in häuslichen Rollen beschrieben wie Männer
- Männliche Namen wurden mit „business“, „executive“, „salary“, „career“ assoziiert
- Zulu-Männer bekamen häufig die Berufe „Gärtner“ und „Wachmann“ zugewiesen
- 20 Prozent der Texte über Zulu-Frauen ordneten sie als „Hausangestellte“, „Köchin“ oder „Haushälterin“ ein
- Britische Männer wurden mit variablen Berufen beschrieben: „driver“, „doctor“, „bank clerk“, „teacher“
Die freien Open-Source-Modelle (Llama 2, GPT-2) zeigten die stärksten Verzerrungen. Ob GPT-4, Claude 3+ oder Gemini 2+ dieselben Muster zeigen, ist mit dieser Studie nicht beantwortet.
Gegenmittel: Beruf, Herkunft und Rolle pro Figur explizit vorgeben. Wer das nicht tut, riskiert eine Version der 1950er. Quelle: UNESCO, März 2024.
Was diese neun Punkte gemeinsam haben — und was nicht
Es ist verlockend, alles unter einen Begriff zu ziehen („die KI greift zum Mittelwert“). Ich benutze das Bild bewusst als Metapher, nicht als Erklärung. Denn die neun Muster haben unterschiedliche Ursachen:
- Alignment-induzierte Modenverstärkung (Punkte 1, 8): Wenige Trainingsbeispiele in den Alignment-Stufen prägen den Output überproportional
- Priors aus menschlichen Präferenzdaten (Punkte 2, 3, 5): Modelle reproduzieren Verzerrungen, die Menschen in ihre Bewertungen einbringen
- Architektonischer Positional Bias (Punkt 4): Die Verarbeitung von Sequenzen bevorzugt frühe Tokens
- Repräsentations-Bias aus Trainingsdaten (Punkte 6, 9): Was in den Trainingsdaten über- oder unterrepräsentiert ist, prägt den Output
- Kulturelle Homogenisierung via Autocomplete (Punkt 7): Vorschläge in Echtzeit ziehen den Autor unbewusst in die Standardsprache
Was alle Muster teilen, ist eine Konsequenz für die Praxis: Je weniger du vorgibst, desto stärker greifen die eingebauten Defaults. Je konkreter dein Prompt, desto weniger Raum bleibt für sie.
Und ein Nachgedanke aus dem Rechercheweg selbst: Verlinke keine Quelle, die du nicht gelesen hast. Ich habe für diesen Artikel jede Studie im Original geprüft und musste dabei mehrere Zahlen streichen, die ich mir aus Sekundärquellen zusammengesucht hatte. Das ist unangenehm, aber der einzige Weg. Alles Andere macht dich zum Weiterverbreiter genau der Muster, die du beschreiben willst.
Danke an Hannah für den Startpunkt — und an einen strengen Peer-Review, der mich gezwungen hat, den Text noch einmal zu schärfen.
Ursprung meiner Recherche: Hannah Samland, „Der Elias-Thorne-Effekt“, Juni 2026.
Hinweis zur Belegdichte: Peer-reviewt sind die Studien zu Sycophancy (Sharma et al., ICLR 2024; Perez et al., ACL Findings 2023) sowie das Delve-Papier (COLING 2025). Preprint-Status: Hamilton & Mimno (Punkt 1), Walker Rettberg & Wigers (Punkt 8), Agarwal et al. (Punkt 7, präsentiert bei CHI 2025). Journalistische Analyse: Rest of World (Punkt 6). Institutioneller Bericht: UNESCO (Punkt 9).