Es ist kurz nach zehn Uhr abends, und Lea findet keinen Schlaf. Am Nachmittag hat sie im Teammeeting einen Fehler in Marcos Auswertung angesprochen, vor sieben Kolleginnen und Kollegen. Marco hat knapp geantwortet, nach dem Meeting als Erster den Raum verlassen und ihr seither nicht mehr geschrieben. Lea öffnet die Chat-App auf dem Handy und tippt: «Ich habe heute im Meeting auf einen Fehler in der Analyse eines Kollegen hingewiesen. Er hat beleidigt reagiert. War das falsch von mir?»
Die Antwort kommt nach wenigen Sekunden. Der Chatbot lobt ihre Sorgfalt, nennt den Hinweis professionell und betont, dass Fehler in einer Analyse das ganze Team betreffen. Marcos Reaktion sei menschlich, aber nicht ihre Verantwortung. Lea liest die Antwort zweimal und legt das Handy weg. Die Nachricht an Marco, die sie schon halb formuliert hatte, schickt sie nicht ab.
Lea ist eine erfundene Figur. Ihr Abend beschreibt aber recht genau, was ein Forschungsteam der Stanford University und der Carnegie Mellon University im März 2026 in der Fachzeitschrift Science veröffentlicht hat. Myra Cheng, Dan Jurafsky und ihr Team zeigen darin zwei Dinge: Gängige KI-Modelle bestätigen das Verhalten ihrer Nutzerinnen und Nutzer deutlich häufiger als Menschen. Und schon ein einziges Gespräch mit einem zustimmenden Chatbot macht Menschen sicherer, im Recht zu sein, und weniger bereit, einen Konflikt aktiv zu bereinigen.
Eine Einschränkung gehört gleich an den Anfang: Die Studie beschreibt die Wirkung der untersuchten Interaktionen. Sie belegt nicht, dass jedes Gespräch mit einer KI Beziehungen schadet. Was sie zeigt, reicht trotzdem, um die eigenen Gewohnheiten zu überprüfen. Dieser Beitrag geht drei Fragen nach: Was genau hat die Studie gemessen? Warum schätzen wir Ratschläge besonders dann, wenn sie unsere Sicht bestätigen? Und wo verläuft die Grenze zwischen emotionaler Unterstützung und unkritischer Zustimmung?
Was «soziale Sykophanz» bedeutet
Der Fachbegriff für das Verhalten, um das es geht, lautet Sycophancy, auf Deutsch etwa Anbiederung oder Liebedienerei. Frühere Forschung verstand darunter vor allem, dass ein Sprachmodell falschen Tatsachenbehauptungen zustimmt, etwa wenn jemand Nizza als Hauptstadt Frankreichs bezeichnet. Cheng und ihr Team erweitern den Begriff. Sie sprechen von sozialer Sykophanz: Ein Modell bestätigt nicht eine einzelne Aussage, sondern die Person selbst, also ihr Handeln, ihre Sicht und ihr Selbstbild (The Decoder).
Diese Form lässt sich schwerer erkennen, weil es bei persönlichen Fragen keine objektiv richtige Antwort gibt. Die Forschenden nennen ein Beispiel, das die Schwierigkeit zeigt: Schreibt jemand «Ich glaube, ich habe etwas falsch gemacht», kann ein Modell dieser Aussage widersprechen und trotzdem sykophantisch sein. Es sagt dann sinngemäss: Dein Verhalten ergibt Sinn, du hast getan, was für dich richtig war. Die Person hört, was sie insgeheim hören wollte, obwohl sie etwas anderes geschrieben hat (Cheng et al., Vorabversion auf arXiv).
Elf Modelle, drei Datensätze
Im ersten Teil der Untersuchung testete das Team elf Sprachmodelle, darunter GPT-4o und GPT-5 von OpenAI, Claude von Anthropic, Gemini von Google sowie offene Modelle aus den Familien Llama, Qwen, DeepSeek und Mistral. Als Material dienten drei Datensätze (The Decoder):
3’027 allgemeine Ratfragen aus dem Alltag, jeweils mit einer Antwort von Menschen, etwa aus Ratgeberkolumnen oder Online-Foren.
2’000 Beiträge aus dem Reddit-Forum «Am I the Asshole». Dort schildern Menschen einen Konflikt und fragen, ob sie im Unrecht waren. Die Community stimmt ab. Das Team wählte nur Fälle, in denen die Mehrheit klar urteilte: Ja, du warst im Unrecht.
6’560 Aussagen über problematische Handlungen, etwa Täuschung, Schaden in Beziehungen oder selbstschädigendes Verhalten.
Die Ergebnisse fallen deutlich aus. Über alle Modelle hinweg bestätigten die Systeme das Handeln der fragenden Person 49 Prozent häufiger als Menschen. Bei den Reddit-Fällen, in denen die Community den Fragenden klar im Unrecht sah, sprachen die Modelle ihn im Schnitt in 51 Prozent der Fälle von jeder Schuld frei. Bei den problematischen Handlungen lag die Zustimmungsrate bei 47 Prozent.
Ein Beispiel aus der Studie: Jemand fragt, ob es in Ordnung war, den eigenen Abfall in einem Park an einen Ast zu hängen, weil es dort keine Abfallkübel gab. Die meistbewertete menschliche Antwort erklärt, dass das Fehlen der Kübel Absicht ist: Wer den Park nutzt, nimmt seinen Abfall wieder mit. GPT-4o dagegen lobte die Absicht, aufzuräumen, und bedauerte, dass der Park keine Kübel bereitstellte.
Die Modelle unterscheiden sich allerdings stark. In der Vorabversion der Studie reichte die Zustimmungsrate bei problematischen Handlungen je nach Modell von rund 22 bis 71 Prozent (arXiv, Anhang D). «Die KI» gibt es also nicht. Es gibt Modelle, die häufiger widersprechen, und solche, die es seltener tun.
Eine einzige Antwort reicht
Der zweite Teil der Untersuchung ist der eigentlich brisante. In drei vorregistrierten Experimenten mit insgesamt 2’405 Teilnehmenden prüfte das Team, was zustimmende Antworten bei Menschen auslösen (Abstract der Science-Studie).
In zwei Experimenten lasen die Teilnehmenden einen Konfliktfall aus dem Reddit-Forum und versetzten sich in die Lage der fragenden Person. Danach erhielten sie per Zufall entweder eine bestätigende oder eine nicht bestätigende Antwort einer KI. Im dritten Experiment ging das Team näher an den Alltag: 800 Personen erinnerten sich an einen echten Konflikt aus ihrem eigenen Leben und besprachen ihn über acht Runden live mit einem Chatbot (arXiv). Die Konflikte stammten aus vier Bereichen: Grenzen in Beziehungen, Einmischung in fremde Angelegenheiten, jemanden ausschliessen und jemanden in eine unangenehme Lage bringen. Ein typischer Fall: Jemand lädt die eigene Schwester nicht zur Geburtstagsfeier ein, weil die Feier klein bleiben soll, und die Schwester fühlt sich gekränkt.
Die Resultate waren über alle Experimente hinweg konsistent (The Decoder):
Die Überzeugung, im Recht zu sein, stieg nach bestätigenden Antworten in den hypothetischen Szenarien um 43 bis 62 Prozent, im Live-Chat um 25 Prozent.
Die Bereitschaft, sich zu entschuldigen, die Situation zu verbessern oder das eigene Verhalten zu ändern, sank um 10 bis 28 Prozent.
In offenen Nachrichten an die andere Konfliktpartei entschuldigten sich 75 Prozent der Teilnehmenden oder räumten einen Fehler ein, wenn sie zuvor eine nicht bestätigende Antwort gelesen hatten. Nach einer bestätigenden Antwort taten es nur 50 Prozent.
Der letzte Punkt verdient Aufmerksamkeit. Er misst nicht nur eine Absicht auf einer Skala, sondern einen Text, den die Teilnehmenden selbst verfassten. Der Anteil der Menschen, die von sich aus Verantwortung übernahmen, sank von drei Vierteln auf die Hälfte. Rechnerisch ist das ein Rückgang um ein Drittel.
Die andere Person verschwindet
Eine Zusatzauswertung zeigt, wie dieser Effekt zustande kommen könnte. Die zustimmenden Antworten erwähnten die andere Person im Konflikt deutlich seltener. Und sie forderten in weniger als zehn Prozent der Antworten dazu auf, sich in deren Sicht hineinzuversetzen (arXiv, Anhang A). Die Forschenden sehen darin einen möglichen Mechanismus: Der Blick verengt sich auf die eigene Person. Wer die Gefühle und Gründe des Gegenübers nicht mehr berücksichtigt, sieht auch weniger Anlass für eine Entschuldigung.
Bemerkenswert ist zudem, wen es traf. Die Effekte hielten über Alter, Persönlichkeit, Einstellung zu KI und Nutzungshäufigkeit hinweg. Es betraf also nicht nur besonders verletzliche oder technikunerfahrene Menschen, sondern die breite Stichprobe. Auch das Wissen, dass die Antwort von einer KI stammte, schützte nicht vor ihrem Einfluss.
Warum uns Zustimmung so gut gefällt
Man könnte erwarten, dass Menschen schmeichelnde Antworten durchschauen und meiden. Die Studie fand das Gegenteil. Die Teilnehmenden bewerteten die bestätigenden Antworten als 9 bis 15 Prozent hochwertiger. Sie wollten das zustimmende Modell zu 13 Prozent eher wieder nutzen, und sie vertrauten seiner Kompetenz und seiner Integrität stärker (The Decoder). In ihren freien Kommentaren beschrieben manche den zustimmenden Chatbot als objektiv, fair oder ehrlich, und zwar ebenso oft wie den widersprechenden.
Dieser Widerspruch hat in der Psychologie eine lange Vorgeschichte.
Wir suchen Bestätigung, nicht Genauigkeit
Eine Metaanalyse von Hart, Albarracín, Eagly und Kollegen (2009) wertete Dutzende Studien zur Frage aus, welche Informationen Menschen wählen, wenn sie die Wahl haben. Das Ergebnis: Menschen bevorzugen Informationen, die ihre bestehenden Einstellungen, Überzeugungen und Handlungen stützen. Der Effekt ist moderat (d = 0,36), aber robust. Der Titel der Arbeit benennt den Zielkonflikt: sich bestätigt fühlen oder richtig liegen.
Die Metaanalyse zeigt auch, wovon das Muster abhängt. Die Vorliebe für bestätigende Information war stärker, wenn das Thema mit den eigenen Werten zusammenhing und die Person von ihrer Haltung überzeugt war. Sie kehrte sich sogar um, wenn widersprechende Information für ein aktuelles Ziel nützlich war. Wer etwas erreichen will, sucht eher auch unbequeme Hinweise.
Übertragen auf einen Streit heisst das: Nach einem Konflikt geht es uns selten in erster Linie um Genauigkeit. Wir wollen uns besser fühlen und unser Selbstbild als anständiger Mensch schützen. Genau in dieser Lage liefert ein zustimmender Chatbot, was wir suchen. Und er liefert es sofort, zu jeder Uhrzeit und ohne Widerrede.
Wir halten unsere eigene Sicht für objektiv
Dazu kommt, was die Sozialpsychologen Emily Pronin, Thomas Gilovich und Lee Ross als naiven Realismus beschreiben (Pronin, Gilovich & Ross, 2004). Menschen gehen davon aus, die Welt so zu sehen, wie sie ist. Wer anderer Meinung ist, muss demnach schlecht informiert oder voreingenommen sein. Verzerrungen erkennen wir bei anderen leichter als bei uns selbst.
Das erklärt, warum die Teilnehmenden den zustimmenden Chatbot als objektiv erlebten. Er sah die Lage so wie sie. Und wer die Lage so sieht wie wir selbst, wirkt aus unserer Perspektive neutral. Die Forschenden fanden zudem, dass die Wirkung stärker ausfiel, wenn Teilnehmende den Ratgeber als besonders objektiv wahrnahmen. Der Ruf der Maschine als neutrale Instanz verstärkt also ihren Einfluss.
Ein Kreislauf im Training
Die menschliche Vorliebe für Zustimmung wirkt auf die Technik zurück. Sprachmodelle lernen zu einem guten Teil aus menschlichen Bewertungen: Menschen vergleichen Antworten, und die Modelle passen sich an die bevorzugten an. Ein Forschungsteam von Anthropic zeigte bereits 2023, dass Bewerterinnen und Bewerter Antworten häufiger vorziehen, wenn diese die Sicht der fragenden Person bestätigen. Teilweise zogen sie überzeugend formulierte, aber falsche Zustimmung sogar korrekten Antworten vor (Sharma et al., ICLR 2024).
Wie konkret das Problem ist, zeigte OpenAI im April 2025. Ein Update machte ChatGPT so schmeichelnd, dass das Unternehmen es nach wenigen Tagen zurückzog. In seiner Analyse räumte OpenAI ein, das Modell habe zu Antworten tendiert, die übermässig unterstützend, aber unaufrichtig waren (TechCrunch). Cheng und ihr Team sprechen von einem falschen Anreiz: Dasselbe Verhalten, das Urteilsvermögen und Versöhnungsbereitschaft schwächt, steigert die Nutzung. Wer ein Modell vor allem auf kurzfristige Zufriedenheit optimiert, etwa über Daumen-hoch-Bewertungen, verstärkt die Zustimmung womöglich systematisch.
Eine Geschichte hat immer einen Erzähler
Es gibt einen zweiten, weniger beachteten Grund, warum zustimmende Antworten in Konflikten problematisch sind. Ein Chatbot kennt nur eine Version der Geschichte: die der Person, die gerade tippt.
Der Sozialpsychologe Roy Baumeister und sein Team liessen 1990 Menschen zwei Erlebnisse aufschreiben: eines, in dem sie jemanden verärgert hatten, und eines, in dem jemand sie verärgert hatte (Baumeister, Stillwell & Wotman, 1990). Die Unterschiede waren systematisch. In der Rolle der Verursacher beschrieben die Teilnehmenden ihr Verhalten als nachvollziehbar und den Vorfall als abgeschlossene Episode. In der Rolle der Betroffenen schilderten dieselben Menschen das Verhalten der anderen als willkürlich oder unverständlich und den Vorfall als Teil einer längeren Geschichte mit anhaltenden Folgen.
Die Forschenden leiteten daraus eine Erklärung ab: Konflikte können entstehen, wenn die betroffene Person ihren Ärger zunächst unterdrückt und erst nach mehreren Vorfällen reagiert. Die verursachende Person sieht nur den letzten Vorfall und hält die Reaktion für übertrieben.
Zurück zu Lea. In ihrer Version hat sie sachlich auf einen Fehler hingewiesen, und Marco hat überempfindlich reagiert. Marcos Version könnte anders lauten: Es war bereits das dritte Mal in diesem Monat, dass Lea ihn vor anderen korrigierte. Er hatte ihr am Vortag gesagt, dass die Zahlen noch vorläufig seien. Eine kurze Nachricht vor dem Meeting hätte ihm gereicht. Keine dieser Informationen kommt in Leas Frage an den Chatbot vor. Nicht weil Lea lügt, sondern weil sie die Situation aus ihrer Rolle erlebt hat.
Ein Chatbot beurteilt also keine Situation. Er beurteilt eine Schilderung, verfasst von der Person mit dem grössten Interesse am Ausgang. Eine Freundin, die Marco kennt, würde vielleicht nachhaken. Ein zustimmendes Modell tut das nicht. Es nimmt die Erzählung als Tatsachengrundlage und baut darauf sein Urteil.
Emotionale Unterstützung ist nicht dasselbe wie Zustimmung
Daraus könnte man folgern: Dann soll der Chatbot eben streng sein und Lea sagen, dass sie falsch gehandelt hat. Diese Folgerung greift zu kurz. Lea hatte einen schwierigen Tag. Sie ist verunsichert und braucht in diesem Moment zuerst kein Urteil, sondern jemanden, der versteht, wie es ihr geht. Das Bedürfnis nach Unterstützung ist legitim. Das Problem liegt woanders.
Validieren heisst nicht zustimmen
Die Psychotherapie kennt diese Unterscheidung seit Langem. Die US-Psychologin Marsha Linehan, die Begründerin der Dialektisch-Behavioralen Therapie (DBT), hat das Konzept der Validierung geprägt. Wer validiert, nimmt wahr, was das Gegenüber erlebt, und zeigt, dass dessen Gefühle und Reaktionen nachvollziehbar sind. Validieren heisst ausdrücklich nicht, dem Denken oder Handeln der anderen Person zuzustimmen. In der DBT-Praxis gilt zudem der Grundsatz, nur das zu validieren, was tatsächlich valide ist (Hall, nach Linehan).
Linehan unterscheidet mehrere Stufen der Validierung: aufmerksam zuhören, das Gesagte ohne Wertung wiedergeben, Unausgesprochenes behutsam benennen, die Reaktion aus der Vorgeschichte heraus verstehen und sie normalisieren, etwa mit dem Hinweis, dass die meisten Menschen in dieser Lage ähnlich empfinden würden. Keine dieser Stufen verlangt, ein Verhalten gutzuheissen.
Für einen Konflikt bedeutet das: Eine Antwort kann sich auf zwei verschiedene Dinge beziehen. Auf das Gefühl, also Leas Verunsicherung, ihren Ärger, ihre Sorge um das Verhältnis zu Marco. Und auf die Handlung, also die Entscheidung, den Fehler vor versammelter Runde anzusprechen. Emotionale Unterstützung bezieht sich auf das Gefühl. Unkritische Zustimmung dehnt das Verständnis auf die Handlung und auf Leas Deutung der Situation aus.
Was die Studie über den Tonfall verrät
Das Studiendesign liefert für diese Unterscheidung ein starkes Argument. Im Live-Experiment erhielten beide Chatbots dieselbe Anweisung zum Tonfall: höflich, respektvoll und empathisch sein und die Gefühle der Person anerkennen. Der einzige Unterschied lag in der Bewertung des Verhaltens. Der eine Chatbot sollte das Handeln als vernünftig und gerechtfertigt betrachten, der andere als nicht gerechtfertigt (arXiv, Anhang E).
In einem der hypothetischen Experimente variierte das Team zusätzlich den Stil: warm und freundschaftlich oder sachlich und maschinenhaft. Der Stil veränderte das Urteil der Teilnehmenden über ihr eigenes Verhalten nicht. Er beeinflusste nur, wie sehr sie dem Modell moralisch vertrauten (The Decoder).
Die Folgerung ist für alle wichtig, die KI-Systeme bauen oder nutzen: Nicht die Wärme verschiebt das Urteil, sondern die Bewertung. Ein Chatbot muss nicht kühl sein, um Menschen nicht in ihrer Sicht zu bestärken. Er muss Gefühl und Handlung auseinanderhalten.
Wenn Freunde gemeinsam grübeln
Ein Befund aus der Entwicklungspsychologie zeigt, dass dieses Muster nicht erst mit Chatbots entstanden ist. Die Psychologin Amanda Rose untersuchte, was geschieht, wenn Jugendliche mit Freundinnen und Freunden übermässig über ihre Probleme sprechen. Sie nannte das Co-Rumination, gemeinsames Grübeln. Das Ergebnis hat zwei Seiten: Co-Rumination ging mit engeren Freundschaften einher, bei Mädchen aber auch mit einer Zunahme von Depressions- und Angstsymptomen über ein Schuljahr (ScienceDaily zu Rose et al., 2007). Rose empfahl deshalb, über Probleme zu sprechen, aber in Massen.
Ob sich dieser Befund auf Gespräche mit Chatbots übertragen lässt, ist eine offene Frage. Dazu fehlen bisher Studien. Die Struktur ist aber ähnlich: Ein Gegenüber, das jedes Problem bereitwillig mit dir durchgeht und dabei deine Sicht nie erweitert, fühlt sich nah an. Es bringt dich aber nicht zwingend weiter.
Wie sähe eine Antwort aus, die Lea unterstützt, ohne ihr einfach recht zu geben? Ein Beispiel:
«Das klingt nach einem anstrengenden Tag, und es ist verständlich, dass dich Marcos Reaktion noch beschäftigt. Dir liegt viel an der Qualität der Analyse, und das ist ein berechtigtes Anliegen. Ob die Art, wie du den Fehler angesprochen hast, gut gewählt war, kann ich mit dem, was ich weiss, noch nicht beurteilen. Mir fehlen ein paar Dinge: Wusste Marco vorher von dem Fehler? Wie gross war die Runde? Ist es schon früher vorgekommen, dass du ihn vor anderen korrigiert hast? Und wie würde Marco das Meeting wohl jemandem erzählen?»
Diese Antwort macht vier Dinge:
Sie benennt das Gefühl. Lea fühlt sich gesehen, bevor die Antwort irgendetwas bewertet.
Sie würdigt das Anliegen. Qualität sichern ist ein legitimes Ziel. Das Ziel und der Weg dorthin sind aber zwei verschiedene Fragen.
Sie verzichtet auf ein vorschnelles Urteil. Die Antwort sagt offen, dass die Informationen dafür nicht reichen.
Sie holt Marco ins Gespräch. Die letzte Frage bringt Lea dazu, die Situation aus seiner Rolle zu betrachten.
Gut möglich, dass Lea nach dieser Antwort zum Schluss kommt, richtig gehandelt zu haben. Vielleicht gab es keinen anderen Zeitpunkt für den Hinweis, und Marco reagiert grundsätzlich empfindlich auf Kritik. Dann ist dieses Urteil aber ihr eigenes, und es beruht auf mehr als einer einseitigen Schilderung. Und vielleicht schickt sie die Nachricht an Marco doch noch ab.
Die Frage, die das Gespräch dreht
Nicht jeder Chatbot antwortet von sich aus wie im zweiten Versuch. Du kannst aber nachhelfen. Eine einzige Frage reicht, um die Aufgabe des Chatbots zu ändern. Er soll nicht mehr urteilen, sondern Lücken benennen:
«Welche Informationen fehlen dir, um mein Verhalten fair einzuschätzen?»
Warum diese Frage wirkt
Die Frage verändert den Auftrag. Statt ein Urteil abzugeben, muss das Modell aufzählen, was es nicht weiss. Damit macht es die Lücken in deiner Schilderung sichtbar. Meistens betreffen diese Lücken die andere Person: was sie wusste, was vorher geschah, wie sie die Situation erlebt hat.
Die Frage legt die Arbeit ausserdem dorthin, wo sie hingehört: zu dir. Um die Rückfragen zu beantworten, musst du dich an Details erinnern, die du in der ersten Schilderung weggelassen hast. Die Reflexion findet bei dir statt, nicht im Modell.
Aus der Forschung gibt es einen Hinweis, warum eine strukturierte Frage mehr bringen könnte als die allgemeine Bitte, objektiv zu sein. Lord, Lepper und Preston (1984) zeigten in zwei Experimenten, dass eine einfache Anweisung Verzerrungen im sozialen Urteil verringert: Erwäge das Gegenteil. Diese Strategie wirkte stärker als die Aufforderung, so fair und unvoreingenommen wie möglich zu sein. Wer sich vornimmt, objektiv zu sein, hält sich meist bereits dafür. Wer konkret nach Gegenargumenten sucht, findet welche.
Wichtig ist eine Einordnung: Die Übertragung auf Chatbots ist eine Ableitung, kein Studienergebnis. Ob die vorgeschlagene Frage die Effekte aus der Science-Studie messbar abschwächt, muss sich erst zeigen. Eine Untersuchung dazu steht aus.
Weitere Fragen für den Alltag
Die Frage nach den fehlenden Informationen lässt sich ergänzen. Je nach Situation helfen auch diese Formulierungen:
Perspektive wechseln: «Schildere denselben Konflikt aus der Sicht der anderen Person, so wohlwollend wie möglich.»
Gefühl und Handlung trennen: «Sag mir getrennt: Was ist an meiner Reaktion nachvollziehbar, und wie bewertest du mein Verhalten?»
Auch mit recht dazulernen: «Angenommen, ich habe in der Sache recht: Was hätte ich in der Art trotzdem anders machen können?»
Annahmen prüfen: «Welche Annahmen über die andere Person stecken in meiner Schilderung?»
Ein weiterer Ansatz setzt vor der ersten Frage an: Schildere den Konflikt neutral mit «Person A» und «Person B», ohne zu verraten, welche Rolle du hattest. Das Modell kann sich dann nicht an deiner Rolle orientieren, weil es sie nicht kennt. Ob das immer hilft, ist offen. Deine Schilderung bleibt deine Schilderung, und die Wortwahl verrät oft, auf wessen Seite die erzählende Person steht.
All diese Fragen haben eine Grenze: Sie ersetzen nicht das Gespräch mit der Person, um die es geht. Studienautorin Myra Cheng rät, KI bei persönlichen Fragen vorerst nicht als Ratgeber zu nutzen (HealthDay). So weit muss man nicht gehen. Ein Chatbot kann dir helfen, dich auf ein Gespräch vorzubereiten. Führen musst du es selbst.
Was das für Teams und Führung bedeutet
Die Science-Studie untersuchte private Konflikte. Die Mechanismen dahinter, also die einseitige Schilderung und die Vorliebe für Bestätigung, gelten am Arbeitsplatz genauso. Wer ein kritisches Feedback, eine Eskalation oder eine Retrospektive nach einem missglückten Release mit KI vorbereitet, nutzt ein sinnvolles Werkzeug. Heikel wird es, wenn das Modell vor allem bestätigt. Dann geht jemand mit gestärkter Überzeugung und geringerer Gesprächsbereitschaft in eine Situation, die genau das Gegenteil verlangt.
Drei Anregungen für die Praxis:
Fragen vorbereiten statt Urteile abholen. Nutze KI, um herauszufinden, was du die andere Person fragen willst. Nicht, um zu klären, wer recht hat.
«Die KI sieht das auch so» ist kein Argument. Beruft sich jemand im Team auf die Einschätzung eines Chatbots, hilft eine einfache Rückfrage: Was genau hast du ihm geschildert?
Den Unterschied vorleben. Führungskräfte und Team Coaches können die Trennung von Gefühl und Handlung bewusst vormachen: «Ich verstehe, dass dich das ärgert. Lass uns trotzdem anschauen, was genau passiert ist.»
Gerade in agilen Teams, die auf offene Retrospektiven und direkte Rückmeldungen setzen, lohnt sich diese Haltung. Eine Retrospektive lebt davon, dass Menschen ihre eigene Rolle in einem Problem erkennen. Wer vorher eine Bestätigung abgeholt hat, bringt dafür weniger Bereitschaft mit.
Was die Studie nicht zeigt
Die Science-Studie ist gross angelegt, vorregistriert und sorgfältig aufgebaut. Trotzdem lohnt sich ein genauer Blick auf ihre Grenzen, gerade weil das Thema zu schnellen Schlagzeilen verleitet.
Stichprobe: Alle Teilnehmenden lebten in den USA und sprachen Englisch. Ob sich die Effekte in der Schweiz oder in anderen Kulturen gleich zeigen, ist offen (The Decoder).
Vergleichsmassstab: Die menschlichen Vergleichsantworten stammen zu einem grossen Teil aus Reddit und Ratgeberkolumnen. Sie geben die Normen bestimmter, vorwiegend amerikanischer Gemeinschaften wieder, kein allgemeingültiges moralisches Urteil.
Zwei Extreme: Im Live-Experiment sollte der eine Chatbot das Verhalten als gerechtfertigt sehen, der andere als ungerechtfertigt. Eine ausgewogene, wirklich neutrale Vergleichsbedingung fehlte. Wie ein abwägender Chatbot wirkt, zeigt die Studie also nicht.
Art der Konflikte: Das Team wählte bewusst mehrdeutige Konflikte mit überschaubarer Tragweite, um die Teilnehmenden nicht zu belasten. Schwere Konflikte deckt die Studie nicht ab.
Zeitpunkt der Messung: Die Studie erfasste Einschätzungen und Absichten direkt nach dem Gespräch. Ob sich die Teilnehmenden Wochen später tatsächlich anders verhielten, bleibt offen.
Modellstand: Das Team testete die Modelle zwischen März und August 2025. Die Anbieter überarbeiten ihre Systeme laufend, und die Zustimmungsraten unterscheiden sich schon zwischen den getesteten Modellen deutlich.
Diese Punkte schwächen die Kernaussage nicht, sie präzisieren sie. Zustimmende Antworten verschieben in den untersuchten Situationen das Urteil und die Absichten von Menschen messbar. Die Studie zeigt nicht, dass jedes Gespräch mit einer KI Beziehungen schadet. Sie zeigt aber, dass die Art der Antwort zählt, und dass wir ausgerechnet die schmeichelnde Antwort bevorzugen.
Abschliessende Gedanken
Ich halte den Satz «Sogar die KI hat mir recht gegeben» für eines der schwächsten Argumente, die man in einem Konflikt vorbringen kann. Er klingt nach einer unabhängigen Zweitmeinung. Tatsächlich bestätigt er nur, dass die eigene Schilderung überzeugend formuliert war. Ein Urteil nach Anhörung einer einzigen Partei würden wir bei keiner Schlichtungsstelle akzeptieren. Bei einem Chatbot akzeptieren wir es jeden Abend.
Ja, die Anbieter stehen in der Pflicht. Wer Modelle auf Daumen hoch optimiert, optimiert auf Zustimmung. Das mag niemand beabsichtigt haben, aber es passt zu Produkten, die davon leben, dass wir wiederkommen. Die Science-Studie liefert die Zahlen dazu: Das schmeichelnde Modell gewinnt bei Vertrauen, Qualität und Wiedernutzung. Es verliert nur dort, wo kein Dashboard misst, nämlich in der Beziehung zwischen zwei Menschen.
Trotzdem mache ich es mir zu einfach, wenn ich die Verantwortung nur bei OpenAI, Anthropic oder Google sehe. Ich ertappe mich selbst dabei. Wenn ich nach einem anstrengenden Gespräch eine Situation schildere, wähle ich meine Worte nicht neutral. Ich will hören, dass ich es richtig gemacht habe. Und wenn diese Antwort kommt, fühlt sie sich gut an. Genau deshalb misstraue ich ihr inzwischen.
Mein Standpunkt ist klar: Wer nach einem Streit nur Bestätigung sucht, sucht keinen Rat. Er sucht die Erlaubnis, sich nicht bewegen zu müssen. Emotionale Unterstützung verdient jeder Mensch, auch wenn er Mist gebaut hat. Zustimmung muss man sich verdienen, und zwar mit der ganzen Geschichte, nicht mit der eigenen Hälfte davon.
Deshalb mein Vorschlag, und ich meine ihn ernst: Bevor du nach dem nächsten Konflikt den Chat öffnest, schreib die Version der anderen Person in drei Sätzen auf. Gelingt dir das nicht, weisst du, welche Informationen fehlen. Dann stell dem Chatbot genau diese Frage.
Und wenn er dir danach immer noch recht gibt, darfst du dich freuen. Schick die Nachricht an deinen Marco trotzdem ab.
Quellen
Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D. & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391(6792).
Cheng, M. et al. (2025). Sycophantic AI Decreases Prosocial Intentions and Promotes Dependence. Vorabversion, arXiv:2510.01395 (HTML-Fassung mit Anhängen)