Eine Studie der New York University und der University of Texas at Austin zeigt systematisch, dass Frontier-Sprachmodelle sprachliche Konstruktionen übernutzen, die für Menschen schwer verständlich sind.
Wer regelmäßig mit ChatGPT, Claude oder anderen Sprachmodellen arbeitet, kennt das Gefühl: Die Antworten sind inhaltlich oft korrekt, aber sprachlich irgendwie anstrengend. Verschachtelte Sätze, ungewöhnliche Wortkombinationen, Metaphern, die niemand so verwenden würde.
Dass dieser Eindruck nicht nur subjektiv ist, belegt nun eine Studie von Forschern der New York University und der University of Texas at Austin. Dafür ließen sie 14 Sprachmodelle, darunter Claude, GPT-5.6, GLM-5, Kimi K2.5 sowie kleinere Open-Source-Modelle wie Llama und Olmo, in drei Szenarien Texte produzieren: lockere Gespräche, Coding-Sessions und argumentative Essays. Insgesamt analysierten sie 120 Konversationen, 45 Coding-Sessions und 980 Essays und verglichen diese mit menschlichen Texten aus Filmuntertiteln, StackExchange und Schüleraufsätzen.
Sechs Muster, die KI-Texte schwer verdaulich machen
Die Studie untersucht sechs Kategorien sprachlicher Konstruktionen, die KI-Modelle häufig übernutzen. Dazu gehören zunächst ungewöhnliche Wortkombinationen, die in menschlichen Texten kaum vorkommen, etwa "reader-patience budget". Hinzu kommen zusammengehörige Satzteile, die weit voneinander entfernt stehen und so das Arbeitsgedächtnis belasten. Claude Opus 5 produzierte etwa den Satz "A cat who can always get up and away is a much calmer cat", in dem Subjekt und Hauptaussage durch einen langen Einschub getrennt sind.
Auch verkürzte Bezüge mit fehlendem Bindewort treten gehäuft auf: Statt "the book that the professor wrote" schreiben die Modelle "the book the professor wrote". Das spart ein Wort, erzeugt aber beim Lesen kurze Verwirrung darüber, wie die Satzteile zusammengehören. Ähnlich problematisch sind aufgetürmte Hauptwörter wie "horror movie soundtrack generator", wo Leser selbst herausfinden müssen, welches Wort welches andere näher beschreibt.
Die sechs sprachlichen Konstruktionen, die KI-Modelle laut der Studie übernutzen, jeweils mit einem Beispiel aus dem erhobenen Datensatz. | Bild: Clark, Martin & Mahowald (2026)Dazu kommen Hauptwörter, die spontan als Verben eingesetzt werden. Claude Fable 5 schrieb etwa "calendar it", wo ein Mensch eher "put it in the calendar" sagen würde. Und schließlich lassen die Modelle Dinge handeln wie Menschen: Claude Opus 5 produzierte den Satz "The whole conversation is eating its own tail", doch eine Konversation hat weder einen Schwanz noch kann sie essen. Solche Sätze sind zwar prinzipiell verständlich, erfordern aber einen zusätzlichen gedanklichen Schritt.
Kleinere Modelle schreiben menschlicher
Die Variation zwischen den Modellfamilien ist laut den Forschern erheblich. Llama und das Olmo-Basismodell liegen am nächsten an menschlichen Texten. Besonders aufschlussreich ist die Olmo-Familie: Hier wachsen die Effekte systematisch vom Basismodell über die Instruct-Variante bis zum Reasoning-Modell Olmo Think, das Werte auf Frontier-Niveau erreicht. Das deutet darauf hin, dass das Post-Training die Ursache ist.
Claude Opus 5.5 schneidet in fast allen Metriken besser ab als sein Vorgänger Opus 5, und zwar in 19 von 21 Vergleichen. Das zeigt laut den Forschern, dass gezielte Optimierung die Lesbarkeit verbessern kann.
Wie stark die einzelnen Modelle bei den sechs untersuchten Merkmalen von menschlichen Texten (gestrichelte Linien) abweichen, variiert erheblich je nach Modellfamilie und Einsatzbereich. | Bild: Clark, Martin & Mahowald (2026)Informationsdichte statt Verständlichkeit: Die Ursache liegt im Training
Die Forscher gehen davon aus, dass menschliche Sprache auf erfolgreiche Kommunikation optimiert ist, also auf eine effiziente Balance zwischen leichter Produktion und leichtem Verständnis. Moderne Sprachmodelle werden jedoch zunehmend für Aufgaben wie Mathematik, Code und logisches Schlussfolgern trainiert, bei denen Korrektheit belohnt wird, nicht Klarheit.
Insbesondere der Wechsel von RLHF (Reinforcement Learning from Human Feedback) zu RLVR (Reinforcement Learning with Verifiable Rewards) entferne den Menschen aus der Feedback-Schleife, argumentieren die Forscher. Modelle würden dadurch eine Art "Dialekt" entwickeln, der nützlich sei, um Information dicht zu komprimieren und komplexe Probleme zu lösen, aber suboptimal für menschliche Verständlichkeit.
Als Proof-of-Concept haben die Forscher ein kleineres Sprachmodell mit einem Strafterm trainiert, der kürzere Antworten belohnt. Das Modell bevorzugte daraufhin kürzere Formulierungen, unter bestimmten Trainingsbedingungen nahezu ausnahmslos und unabhängig vom Kontext. Es generalisierte diese Vorliebe sogar auf Satzmuster, die es im Training nie gesehen hatte. Menschen dagegen wählten je nach Situation zwischen kürzeren und längeren Varianten.
Eine ähnliche Erklärung kommt aus der Branche selbst: Anthropic-Mitarbeiter Jackson Kernion, der am Claude-Feintuning arbeitet, erklärte kürzlich, warum Opus 4.6 das letzte gute "Schreibmodell" aus dem Hause Anthropic war. Die Optimierung neuerer Modelle auf Mathematik, Code und technische Erklärungen für andere KI-Modelle habe dazu geführt, dass Claude einen Stil entwickelte, der für KI-Modelle logisch und effizient ist, für menschliche Leser aber zu dicht und unnatürlich klingt. Kernion sprach dabei von einer Anpassung an die "LLM-Psychologie". Mit Opus 5.5 habe Anthropic erstmals gezielt gegengesteuert und Satzklarheit sowie überladene Informationsblöcke adressiert.
