Eine Studie der New York University und der University of Texas at Austin zeigt, dass Sprachmodelle an der Spitze der Leistungsskala sprachliche Muster systematisch übermäßig verwenden, die ihre Ausgaben schwerer lesbar machen.
Wer regelmäßig mit ChatGPT, Claude oder anderen Sprachmodellen arbeitet, kennt das Gefühl. Die Antworten sind oft sachlich korrekt, aber das Lesen fühlt sich wie Arbeit an – voller verschachtelter Sätze, seltsamer Wortkombinationen und Metaphern, die kein Mensch je verwenden würde.
Eine Studie von Forschern der New York University und der University of Texas at Austin bestätigt das mit Daten. Das Team ließ 14 Sprachmodelle Texte in lockeren Gesprächen, Coding-Sitzungen und argumentativen Essays produzieren. Die Aufstellung umfasste Claude, GPT-5.6, GLM-5, Kimi K2.5 sowie kleinere Open-Source-Modelle wie Llama und Olmo. Insgesamt analysierten die Forscher 120 Gespräche, 45 Coding-Sitzungen und 980 Essays und verglichen sie mit von Menschen verfassten Texten aus Filmuntertiteln, StackExchange und Studenten-Essays.
Sechs Muster, die KI-Texte zu einer Qual machen
KI-Modelle verwenden ungewöhnliche Wortkombinationen übermäßig häufig, die in menschlichem Schreiben selten vorkommen, wie etwa "reader-patience budget", und sie platzieren zusammengehörige Satzteile weit auseinander auf eine Weise, die das Arbeitsgedächtnis belastet. Claude Opus 5 erzeugte "A cat who can always get up and away is a much calmer cat", wobei Subjekt und Hauptprädikat durch einen langen Nebensatz getrennt sind.
Verkürzte Verweise mit weggelassenem Konnektor sind ebenfalls häufig. Statt "the book that the professor wrote" schreiben die Modelle "the book the professor written" – nein, sie schreiben "the book the professor wrote" –, sparen ein Wort, schaffen aber kurzzeitig Verwirrung darüber, wie die Teile zusammenpassen. Gekoppelte Substantive wie "horror movie soundtrack generator" zwingen Leser, selbst herauszufinden, welches Wort sich auf welches bezieht.
Die Modelle machen aus Substantiven Verben, wo Menschen es nicht tun würden. Claude Fable 5 schrieb "calendar it", wo ein Mensch "put it in the calendar" sagen würde. Sie wenden auch belebte Verben auf unbelebte Subjekte an. Claude Opus 5 produzierte "The whole conversation is eating its own tail", obwohl ein Gespräch keinen Schwanz hat und nicht fressen kann. Leser können herausfinden, was gemeint ist, aber es kostet einen zusätzlichen Moment.
Kleinere Modelle schreiben eher wie Menschen
Llama und das Olmo-Basismodell kommen menschlichem Text am nächsten. Innerhalb der Olmo-Familie steigen die Werte stetig vom Basismodell über die instruct-Variante bis zum Reasoning-Modell Olmo Think, das Werte auf Frontier-Niveau erreicht – ein Hinweis darauf, dass Post-Training die wahrscheinliche Ursache ist. Claude Opus 5.5 schlägt seinen Vorgänger Opus 5 in 19 von 21 Vergleichen, was darauf hindeutet, dass gezieltes Finetuning die Lesbarkeit verbessern kann.
Training belohnt Informationsdichte über Klarheit
Menschliche Sprache balanciert die Leichtigkeit der Produktion mit der Leichtigkeit des Verstehens aus, aber moderne Sprachmodelle werden zunehmend auf Aufgaben wie Mathematik, Code und logischem Denken trainiert, wo Korrektheit belohnt wird und Klarheit nicht, sagen die Forscher.
Der Wechsel von RLHF (Reinforcement Learning from Human Feedback) zu RLVR (Reinforcement Learning with Verifiable Rewards) entfernt den Menschen vollständig aus der Feedback-Schleife, argumentieren die Forscher, und die Modelle entwickeln eine Art "Dialekt", der gut funktioniert, um Informationen zu komprimieren und komplexe Probleme zu lösen, für menschliche Leser jedoch schlecht.
Als Proof of Concept trainierten die Forscher ein kleineres Sprachmodell mit einer Strafterm-Komponente, die kürzere Antworten belohnte. Unter bestimmten Trainingsbedingungen bevorzugte das Modell kürzere Formulierungen fast ausnahmslos, unabhängig vom Kontext, und verallgemeinerte diese Präferenz sogar auf Satzstrukturen, denen es während des Trainings nie begegnet war. Menschen wählten dagegen je nach Situation zwischen kürzeren und längeren Varianten.
Eine ähnliche Erklärung kommt aus der Branche selbst. Jackson Kernion, ein Anthropic-Mitarbeiter, der an Claude Fine-Tuning arbeitet, erklärte kürzlich, warum Opus 4.6 das letzte gute „Schreibmodell“ von Anthropic war. Die Optimierung neuerer Modelle auf Mathematik, Code und technische Erklärungen, die auf andere KI-Modelle abzielen, brachte Claude einen Stil entgegen, der für KI gut funktioniert, für Menschen aber als zu dicht und unnatürlich wirkt. Kernion nannte dies eine Anpassung an die „LLM-Psychologie“. Mit Opus 5.5 hat Anthropic zum ersten Mal dagegen gesteuert und sich der Klarheit der Sätze und überfrachteten Informationsblöcke angenommen – und wie die Studie zeigt, mit Erfolg.