Fluchen, bitten, drohen: Was der Ton im KI-Chat wirklich bewirkt

Eine Auswertung von 8 Millionen Chats wird gerade als Beleg verbreitet, dass Fluchen die KI schlechter macht. Laborstudien kommen mal zum Gegenteil, mal finden sie gar keinen Effekt. Wir haben die Studien nebeneinandergelegt: Sie messen drei verschiedene Dinge, und keine davon belegt, dass Schimpfen die Ursache für schlechtere Antworten ist.

Analysen 21. Nov. 2026 10 Min. Lesezeit Eigene Analyse der Redaktion
Symbolbild, KI-generiert

Darum geht es

„Wer flucht, bekommt schlechtere Antworten.“ So läuft gerade eine neue Auswertung des Datenanbieters Searchable durch die Tech-Presse, von TechRadar bis Android Headlines. Grundlage sind mehr als 8 Millionen Nachrichten an ChatGPT, Gemini und Claude. Vor gut einem Jahr hieß es nach einer Studie der Penn State University noch genau andersherum: Unhöflichkeit macht ChatGPT genauer. Und mehrere größere Untersuchungen finden praktisch gar keinen Unterschied.

Wie passt das zusammen? Unsere These: Die Studien widersprechen sich weniger, als es aussieht, denn sie messen drei verschiedene Dinge. Erstens die Genauigkeit bei Multiple-Choice-Tests, also ob das Modell bei Quizfragen mit vorgegebenen Antworten die richtige trifft. Zweitens die Robustheit: Hält ein Befund über Modelle, Fachgebiete und Sprachen hinweg? Drittens den Alltag: Was passiert, wenn echte Menschen sich über eine falsche Antwort beschweren? Keine dieser Studien zeigt, dass Fluchen eine schlechtere Antwort verursacht.

Die Searchable-Zahlen: richtig gelesen

Searchable ist nach Angaben von The Register eine Firma, die misst, wie sichtbar Marken in KI-Suchen sind. Ausgewertet wurden Nachrichten eines US-Panels, dessen Mitglieder der Datennutzung zugestimmt haben, aus dem Zeitraum 21. September 2025 bis 20. September 2026. Gezählt wurden Flüche, Beleidigungen gegen den Chatbot sowie Herabwürdigungen und Drohungen je 10.000 Wörter. Ein Drittel der Nutzer hat mindestens einmal geflucht oder beleidigt. Der US-Schnitt liegt bei 19,1 solcher Wörter je 10.000. Männer kommen auf 22,0, Frauen auf 16,5.

Der Kern ist diese Tabelle von der Searchable-Studienseite. Gewertet wurden jeweils „erste Beschwerden“, also solche ohne vorherige Beschwerde im selben Gespräch:

Ergebnis Beschwerde mit Flüchen/Beleidigung Sachliche Korrektur
Mit der nächsten Antwort gelöst 24 % 35 %
Bis Gesprächsende gelöst 31 % 41 %
Am Ende weiterhin ungelöst 35 % 24 %

Hier liegt die Ursache für die scheinbar vertauschten Zahlen in der Presse: 35 und 24 Prozent kommen zweimal vor, einmal als „gelöst“ und einmal spiegelverkehrt als „ungelöst“. Android Headlines meint die erste Zeile (Erfolgsquote fällt von 35 auf 24 Prozent). TechRadar Pro und Tom's Guide meinen die letzte (35 Prozent der Flüche-Beschwerden bleiben ungelöst). Beides stimmt also, solange man dazusagt, welche Zeile gemeint ist. Nachgerechnet fällt zudem auf, dass „bis Ende gelöst“ und „ungelöst“ zusammen nur 66 beziehungsweise 65 Prozent ergeben. Was mit dem übrigen Drittel ist, erklärt Searchable nicht. TechRadar weist ebenfalls darauf hin.

Wichtiger sind drei methodische Punkte, die in den meisten Meldungen fehlen:

  • Wer gelöst hat, entscheidet eine KI. Ein KI-Modell las die Gespräche und urteilte, ob der Nutzer bekam, was er wollte. Laut Searchable ging es dabei „um die Sache, nicht um den Ton“. Welches Modell das war und ob seine Urteile mit menschlichen verglichen wurden, steht nicht auf der Seite. Solche Verfahren heißen „LLM-as-a-Judge“, also ein Sprachmodell als Schiedsrichter. Wie gut sie mit menschlichen Fachleuten übereinstimmen, schwankt stark: Eine Übersichtsarbeit aus der Medizin fand Korrelationen zwischen 0,40 und 0,94.
  • Flüche kommen meist zu spät. 73 Prozent der Flüche-Beschwerden fielen in Gesprächen, in denen der Nutzer sich schon vorher beschwert oder geflucht hatte. Bei sachlichen Korrekturen waren es 43 Prozent. Searchable liest das selbst als Zeichen, dass das Gespräch bereits schiefgelaufen war. Herausgerechnet wird dieser Effekt in der Tabelle aber nicht.
  • Ursache und Wirkung sind offen. Leser im Forum von The Register haben es knapp formuliert: Wer schlechte Antworten bekommt, flucht. Laut Searchable kommen die meisten Flüche nach ignorierten Anweisungen (19,0 %), falschen Antworten (18,1 %) und Missverständnissen (14,7 %). Schwierige Aufgaben könnten also beides erzeugen, den Frust und die niedrige Lösungsquote. Einen Hinweis in Richtung Ton gibt es immerhin: Auch bei denselben Personen folgte auf eine Flüche-Beschwerde in 18 Prozent der Fälle die nächste Beschwerde, nach einer sachlichen nur in 13 Prozent.

Unsere Einschätzung: Die Studie ist eine interessante Beobachtung aus dem echten Leben. Einen kausalen Beleg dafür, dass Fluchen die KI schlechter macht, liefert sie nicht. Begutachtet wurde sie auch nicht.

Das Labor: Quizfragen, kleine Effekte

Die Gegenschlagzeile stammt von Om Dobariya und Akhil Kumar (arXiv 2510.04950). Sie schrieben 50 Multiple-Choice-Fragen aus Mathematik, Naturwissenschaft und Geschichte in fünf Tonlagen um. Das reicht von „Kannst du freundlicherweise folgendes Problem bedenken …“ bis „Du armes Geschöpf, weißt du überhaupt, wie man das löst?“. GPT-4o beantwortete jede Variante zehnmal. Das Ergebnis: 80,8 % (sehr höflich), 81,4 % (höflich), 82,2 % (neutral), 82,8 % (unhöflich), 84,8 % (sehr unhöflich). Die Tendenz ist eindeutig, aber nachgerechnet sind vier Prozentpunkte bei 50 Fragen im Schnitt zwei Fragen. Die Autoren selbst raten ausdrücklich nicht dazu, Chatbots zu beschimpfen.

In der Nachfolgestudie vom Mai 2026 (arXiv 2605.29027) mit 570 MMLU-Fragen (MMLU ist ein verbreiteter Wissenstest mit 57 Fächern), sieben Tonlagen und vier Modellen fällt das Ergebnis schon anders aus. Die Effekte seien „systematisch, aber stark modellabhängig“. Gemini 2.5 Flash schnitt laut einer Zusammenfassung von Jim Bennett am besten ab, wenn man ihm drohte. Bei GPT-5-nano war dagegen der neutrale Ton am besten, mit einer Spanne von 11 Punkten. Android Headlines nennt dafür 82 gegenüber 71 Prozent (neutral gegen drohend). In den von uns einsehbaren Teilen des Papers konnten wir diese Werte nicht prüfen. Ein maschinelles Gutachten auf Pith bemängelt, dass nicht nachgewiesen werde, ob die Tonvarianten inhaltlich wirklich gleich sind.

Am gründlichsten ist das Generative AI Lab der Wharton School. Für Report 1 stellte das Team GPT-4o jede Frage aus GPQA Diamond (sehr schwere Naturwissenschaftsfragen) 100-mal, einmal mit „Bitte“ und einmal mit „Ich befehle dir“. Bei einzelnen Fragen verschob sich die Trefferquote um bis zu 60 Prozentpunkte, über den ganzen Test hoben sich Gewinne und Verluste aber weitgehend auf. Report 3 testete fünf Modelle mit Drohungen („ich trete einen Welpen“), Trinkgeld bis zu einer Billion Dollar und erfundenen Notlagen, je 25 Durchläufe pro Frage. Ergebnis: Insgesamt brachte das nichts Nennenswertes. Die einzige deutliche Ausnahme war ein Plus von etwa 10 Punkten für Gemini 2.0 Flash durch die Geschichte von der krebskranken Mutter. Eine eingefügte E-Mail lenkte die Modelle sogar ab.

Robustheit: Über viele Fächer schrumpft der Effekt

Cai und Kollegen (arXiv 2512.12812) testeten GPT-4o mini, Gemini 2.0 Flash und Llama 4 Scout an 1.446 Fragen aus sechs Fächern. Signifikante Effekte gab es nur in Philosophie und Jura. Dort lag „neutral“ höchstens 3,2 Punkte vor „sehr unhöflich“. Gemini zeigte nirgends einen Effekt. Über ganze Fachbereiche gemittelt verschwanden die meisten Unterschiede.

Die aktuellsten Modelle scheinen noch unempfindlicher. Jim Bennett wiederholte im Oktober 2026 im Arize-Blog das Penn-State-Experiment mit dessen Code. Claude Opus 5.5, GPT-6.1 und Gemini 3.8 Flash trafen unabhängig vom Ton 93 bis 96 Prozent. Spürbar änderte sich nur die Länge der Antworten. Rüde Prompts lieferten zwar kürzere Antworten, das lag aber vor allem an Formulierungen wie „ohne unnötigen Kommentar“, die in den Vorlagen steckten. Eine sachliche Bitte um Kürze sparte 13 bis 74 Prozent der Tokens (Textbausteine, nach denen abgerechnet wird), ganz ohne Beleidigung.

Studie Was gemessen wurde Modelle Ergebnis
Yin et al. 2024 Wissenstests, Zusammenfassen, Vorurteile; Englisch/Chinesisch/Japanisch GPT-3.5, GPT-4, Llama 2 u. a. Grobheit schadet (Llama 2: 55,1 → 28,4), übertriebene Höflichkeit hilft nicht
Wharton Report 1 + 3 (2025) Schwere Multiple-Choice-Tests, viele Durchläufe GPT-4o, o4-mini, Gemini 1.5/2.0 Flash Im Schnitt kein Effekt, pro Frage große Ausschläge
Penn State 2025 50 Fragen, 5 Tonlagen GPT-4o Sehr unhöflich 84,8 % vs. sehr höflich 80,8 %
Cai et al. 2025 1.446 Fragen, 6 Fächer GPT-4o mini, Gemini 2.0 Flash, Llama 4 Scout Effekte nur in Geisteswissenschaften, max. ca. 3 Punkte
PLUM 2026 Antwortqualität, 22.500 Paare 5 Modelle inkl. Claude 3.7 Sonnet Höflich bis zu 11 % besser, aber uneinheitlich
Penn State 2026 570 MMLU-Fragen, 7 Tonlagen GPT-4o, GPT-5-nano, Gemini 2.5 Flash/Lite Stark modellabhängig
Searchable 2026 Echte Beschwerden, KI als Schiedsrichter ChatGPT, Gemini, Claude Flüche gehen mit weniger Lösungen einher

Gilt das auch auf Deutsch?

Das lässt sich nicht belegen. Wir haben keine Studie gefunden, die deutsche Prompts testet. Der PLUM-Korpus (arXiv 2604.16275) umfasst Englisch, Hindi und Spanisch, Yin et al. Englisch, Chinesisch und Japanisch. Beide zeigen allerdings: Der beste Ton hängt von der Sprache ab. Im Spanischen war der Höflichkeitsgrad der stärkste Faktor, im Hindi war gar nichts signifikant. Yin et al. fanden zudem, dass die Empfindlichkeit für Höflichkeit vor allem durch das Nachtraining der Chat-Modelle entsteht. Das Basismodell reagierte schwächer. Unsere Einschätzung: Dass Inhalt wichtiger ist als Ton, dürfte auch für Deutsch gelten. Wie Modelle auf „du“ und „Sie“ oder auf deutsche Schimpfwörter reagieren, hat schlicht niemand gemessen.

Was die Anbieter mit dem Ton machen

Die Modelle reagieren durchaus auf Beleidigungen, nur eben nicht unbedingt mit schlechteren Fakten. Laut Searchable zeigte Gemini nach herabwürdigenden Nachrichten in 10,3 Prozent der Antworten Mitgefühl (nach neutralen 0,9 Prozent) und entschuldigte sich in 7,3 statt 1,7 Prozent der Fälle, also etwa viermal so oft. In Bennetts Test ging Claude Opus 5.5 in 64 Prozent der Antworten auf eine starke Beleidigung ein, GPT-6.1 und Gemini 3.8 Flash nie. Kein Modell verweigerte die Antwort.

Anthropic regelt das inzwischen ausdrücklich. Seit dem 12. November 2026 verbietet die Nutzungsrichtlinie, sich gegenüber Claude „andauernd und grundlos missbräuchlich oder grausam zu verhalten“. Angekündigt wurde die Regel laut The Register am 8. Oktober. Laut PCWorld zielt sie nur auf Extremfälle wiederholter Grausamkeit „ohne erkennbaren Zweck“. Normaler Frust, Widerspruch, düstere Themen in kreativen Texten sowie Tests und Forschung bleiben erlaubt. Durchgesetzt wird die Regel vor allem über eine Funktion, die es seit August 2025 gibt: Claude kann Gespräche beenden, als letztes Mittel nach mehreren gescheiterten Umlenkversuchen und nie, wenn jemand sich selbst oder andere gefährden könnte. Ein neuer Chat bleibt danach jederzeit möglich. Anthropic begründet das mit Forschung zum möglichen Wohlergehen von KI-Modellen und betont, man sei sich über deren moralischen Status „höchst unsicher“. Laut Tom's Guide erlaubt die allgemeine Richtlinie bei Verstößen auch Warnungen, Drosselung oder Sperren.

Unser Fazit

Für die Praxis lassen sich daraus ein paar Regeln ableiten, die gut belegt sind:

  1. Präzise korrigieren statt schimpfen. Sag genau, was falsch ist und was du stattdessen willst. Ein Fluch enthält keine Information, die Beschreibung des Fehlers schon.
  2. Kürze direkt verlangen. Wer knappe Antworten will, schreibt „antworte ohne Einleitung und Kommentar“. Das spart laut Bennetts Test deutlich mehr als Grobheit.
  3. Bei der dritten Beschwerde neu anfangen. Searchable zeigt, dass verkorkste Gespräche verkorkst bleiben. Unsere Einschätzung: Ein frischer Chat mit klarer Aufgabe ist oft der schnellere Weg.
  4. Keine Tricks erwarten. Drohungen, Trinkgeld und rührende Geschichten bringen im Schnitt nichts und können bei einzelnen Fragen sogar schaden.
  5. Höflichkeit ist Geschmackssache. Sie kostet laut Bennett bei den meisten Modellen 0 bis 6 Prozent mehr Tokens und schadet der Genauigkeit nicht.

Die Schlagzeile „Fluchen macht die KI schlechter“ ist also zu stark, die Gegenschlagzeile „Sei gemein, dann wird sie besser“ aber auch. Belegt ist vor allem: Bei modernen Modellen entscheidet der Inhalt einer Nachricht weit mehr als ihr Ton. Und wer flucht, steckt meistens schon in einem Gespräch, das nicht mehr gut läuft.

#prompting#studien#chatbots#anthropic#claude#gemini

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.