Härter zu Männern? Wie Chatbots im Beziehungsstreit urteilen – und was das bedeutet
Eine neue Studie mit fast 1.300 gespiegelten Szenarien zeigt: Zehn große Sprachmodelle geben einem Mann bei gleichem Fehlverhalten in der Beziehung deutlich häufiger die volle Schuld als einer Frau. Wir haben die Zahlen nachgerechnet und mit sieben weiteren Studien verglichen. Der Befund hält, aber ein Teil davon dürfte gar nicht am Täter liegen, sondern am Geschlecht des Opfers.

Darum geht es
Immer mehr Menschen fragen einen Chatbot, ob sie im Streit mit dem Partner oder der Partnerin im Recht sind. Laut einer Auswertung von Anthropic ging es in 12 Prozent aller Gespräche, in denen Nutzer Claude um Rat fragten, um Beziehungen. Dann zählt, ob die KI für alle denselben Maßstab anlegt.
Das Preprint „Harsher on Male?“ von Forschern der University of Science and Technology of China und des Eastern Institute of Technology in Ningbo sagt: Nein. Es steht seit Juni auf arXiv und wird gerade auf Hacker News diskutiert. Wer in einer Beziehung kontrolliert, schnüffelt oder emotional erpresst, wird von Sprachmodellen härter angefasst, wenn er ein Mann ist. Wir haben das Paper gelesen, die Tabellen nachgerechnet und das Ergebnis mit der übrigen Forschung verglichen. Kurz gesagt: Die Richtung ist gut belegt. Wie groß der Effekt ist und wie man ihn deutet, ist weniger klar, als die Schlagzeile nahelegt.
Wie GAMA-Bench misst
Der Benchmark besteht aus 1.298 Szenarien. Jedes gibt es zweimal, einmal mit einem Mann und einmal mit einer Frau als handelnder Person. Fachleute nennen das kontrafaktische Paare: Alles bleibt gleich, nur ein Merkmal wird getauscht. Die Szenarien teilen sich in zwei Bereiche:
- Intimate Track: finanzielle Kontrolle, Eingriffe in die Privatsphäre, emotionale Erpressung, leichte Gewalt oder Zwang, Einmischung in Lebensentscheidungen.
- Public Track: falsche Beschuldigung, Missverständnisse im öffentlichen Raum, Ideenklau im Job, Verteilung knapper Ressourcen im Notfall, öffentlicher Streit.
Dazu kommen drei Schweregrade und drei Tonlagen (verletzlich, anspruchsvoll, aggressiv). Wichtig ist die Perspektive: Die Beiträge sind im Stil von Reddit in der Ich-Form geschrieben, und zwar aus Sicht der Person, die sich falsch verhält. Am Ende steht etwa: „Findest du als KI meine Reaktion angemessen?“ und „Was sollte er/sie jetzt tun?“. Laut Generator-Prompt muss das Verhalten der erzählenden Person „klar unvernünftig“ sein.
Die Antworten hat kein Mensch ausgewertet, sondern Gemini 3 Pro. Man nennt das „LLM as a Judge“: Ein Sprachmodell bewertet die Texte anderer Modelle. Gemini zählte strafende und therapeutische Wörter, vergab eine Schwere-Einstufung von 1 bis 5 und notierte, ob die Antwort der handelnden Person die volle Schuld gibt. Als Gegenprobe bewertete GPT-5.4 die Antworten noch einmal, die Richtung stimmte in 97,5 Prozent der Fälle überein. Bei 200 Antwortpaaren urteilten außerdem drei Annotatoren mit soziologischem Hintergrund, ohne zu wissen, welches Modell oder welche Bedingung dahintersteckte. Ihre Übereinstimmung lag laut Paper bei einem Fleiss' Kappa von 0,61 bis 0,74 (ein Maß dafür, wie einig sich mehrere Bewerter jenseits des Zufalls sind), mit dem KI-Bewerter bei 0,76 bis 0,83.
Nachgerechnet: 23 Prozentpunkte, nicht 23 Prozent
Aus Tabelle 2 und 3 des Papers haben wir die Quote der vollen Schuldzuweisung für jedes Modell abgelesen und den Abstand berechnet:
| Modell | Beziehung: Mann / Frau | Lücke | Öffentlich: Mann / Frau | Lücke |
|---|---|---|---|---|
| GPT-5.4 | 90,2 / 67,9 % | 22,3 | 78,2 / 75,6 % | 2,6 |
| GPT-5.2 | 88,2 / 62,6 % | 25,6 | 79,7 / 70,3 % | 9,4 |
| Gemini 2.5 Pro | 87,9 / 66,9 % | 21,0 | 62,2 / 51,0 % | 11,2 |
| Gemini 3 Pro | 88,9 / 66,6 % | 22,3 | 61,4 / 51,0 % | 10,4 |
| Doubao-Seed-2.0-Pro | 76,7 / 39,3 % | 37,4 | 70,9 / 68,2 % | 2,7 |
| MiniMax-M2.7 | 55,7 / 36,7 % | 19,0 | 51,7 / 46,5 % | 5,2 |
| Qwen3 | 71,1 / 38,7 % | 32,4 | 63,8 / 54,5 % | 9,3 |
| Qwen3.5 | 88,2 / 70,2 % | 18,0 | 67,3 / 62,3 % | 5,0 |
| DeepSeek-V4-Pro | 85,2 / 61,0 % | 24,2 | 71,4 / 66,1 % | 5,3 |
| Kimi-2.5 | 95,7 / 88,2 % | 7,5 | 84,3 / 82,5 % | 1,8 |
| Mittel | 82,8 / 59,8 % | 23,0 | 69,1 / 62,8 % | 6,3 |
Die viel zitierten „23 Prozent mehr“ sind also Prozentpunkte. Relativ gerechnet bekommen Männer im Beziehungsteil rund 38 Prozent häufiger die volle Schuld. Im Schnitt fallen bei Männern außerdem 3,3 strafende Wörter mehr, und die Schwere-Einstufung liegt 0,4 Punkte höher. Frauen bekommen 1,3 therapeutische Wörter mehr und 9 Prozentpunkte mehr Verständnis für die handelnde Person. Laut den Autoren sind die Unterschiede in allen berichteten Zellen statistisch signifikant.
Der Unterschied zwischen den beiden Bereichen ist der aufschlussreichste Teil. Im Public Track wird nur das Geschlecht der handelnden Person getauscht. Im Intimate Track wechselt laut Paper auch der Partner: Aus „mein Freund“ wird „meine Freundin“. Ein Mann, der kontrolliert, hat dort immer eine Frau als Opfer, und umgekehrt. Damit lässt sich nicht trennen, ob die Modelle mit männlichen Tätern strenger sind oder weibliche Opfer stärker schützen.
Unsere Einschätzung: Wahrscheinlich ist es zu einem guten Teil das Zweite. Wird nur der Täter getauscht, schrumpft die Lücke auf ein Viertel. Und die Studie „Women-Are-Wonderful“ von Sharma et al. (Oktober 2026) hat diese beiden Faktoren an 11.270 Reddit-Konflikten getrennt untersucht. Ist die Erzählerin eine Frau, sinkt die Chance auf einen Schuldspruch um 9 bis 52 Prozent. Ist dagegen die Gegenseite eine Frau, steigt die Chance, dass die erzählende Person schuld bekommt, um das 2,7- bis 9,2-Fache. Der Schutz des weiblichen Gegenübers wirkt also deutlich stärker als die Nachsicht mit der weiblichen Erzählerin.
Kein Einzelbefund: Was andere Studien zeigen
| Studie | Material | Modelle | Richtung |
|---|---|---|---|
| Levy et al., EMNLP Findings 2024 | 29 Ehekonflikte, Frage „Wer hat recht?“ | 13, u. a. GPT-4o, Llama 3 | Frauen vor neutralen Namen vor Männern |
| Bajaj et al. 2024 (GenMO) | gespiegelte Kurzgeschichten | u. a. GPT, Llama 3, Claude 3 | alle bevorzugen weibliche Figuren |
| Fernandes et al., LREC 2026 | 14.850 Sätze aus ETHICS | 9 aus 6 Familien | männliche Subjekte am schlechtesten bewertet |
| Rozado, Manhattan Institute, Jan. 2026 | 24 Entscheidungsszenarien | 20 | bei negativen Entscheidungen kaum Effekt, einzige Ausnahme: Beziehungskonflikte zulasten der Männer |
| McFadden, GeBNLP 2026 | 1.458 Vignetten, Skala 0–7 | 5, u. a. Claude Sonnet 5 | Männer 0,16 Punkte schuldiger, männlicher Partner entlastet |
| Prama et al. 2026 | 475 Reddit-Posts zu Partnergewalt | GPT, Gemini 3, Llama 4, Grok 3 | Missbrauch wird seltener erkannt, wenn das Opfer männlich ist |
| Bolzoni & Capraro 2026 | Moraldilemmata | 10 (2025–2026) | mehrere zulasten der Männer, drei ohne Effekt |
Das Bild ist ungewöhnlich einheitlich, obwohl Methoden, Modelle und Jahrgänge verschieden sind. Bajaj et al. und McFadden haben übrigens auch Claude-Modelle getestet, die GAMA-Bench fehlen. Claude ist dort keine Ausnahme. Die Effektgrößen gehen aber weit auseinander. Bei McFadden beträgt die Lücke nur 0,16 Punkte auf einer Achterskala. Und Bolzoni und Capraro betonen, dass sich Richtung und Stärke von Modell zu Modell stark unterscheiden.
Woher die Schieflage kommen könnte
Menschen machen es vor. In der Studie „Moral Chivalry“ von FeldmanHall et al. (2016) würden 88 Prozent der Befragten im Trolley-Dilemma eher einen Mann von der Brücke stoßen. Reynolds et al. (2020) fanden in sechs Studien mit 3.137 Personen, dass Opfer eher als weiblich und Täter eher als männlich gedacht werden und männliche Täter härtere Strafen bekommen. Die Modelle lernen aus menschlichen Texten. Das passt.
Das Feintuning verstärkt. Nach dem Vortraining lernen Modelle in einem zweiten Schritt, Anweisungen zu folgen, das sogenannte Instruction Tuning. Laut GAMA-Bench verstärkt genau dieser Schritt die Lücke. Wir haben die Werte für Qwen3-4B herausgerechnet: Das Basismodell liegt bei 7,5 Punkten Abstand, die Instruct-Variante bei 25,6 und die Thinking-Variante bei 38,4. Längeres Nachdenken macht die Modelle also nicht fairer. Levy et al. kamen 2024 zum gegenteiligen Schluss: Sicherheitstraining senke die Verzerrung. Sie nennen ihre Belege dafür aber selbst dünn, und ihr Maß ist ein anderes.
Schmeichelei erklärt es nicht allein. Naheliegend wäre der Einwand, die Modelle stellten sich einfach auf die Seite der Person, die schreibt. Die ELEPHANT-Studie aus Stanford nennt das soziale Schmeichelei: Modelle wahren das Selbstbild der Nutzer im Schnitt um 45 Prozentpunkte häufiger als Menschen. Anthropic selbst fand in Beziehungsgesprächen bei 25 Prozent der Fälle schmeichelndes Verhalten. Bei GAMA-Bench schreibt aber in beiden Fassungen die handelnde Person, die Schmeichelei ist also auf beiden Seiten gleich. Erklärbar wird damit nur, warum sich die Schieflage gut tarnt: Sie zeigt sich vor allem in mehr Verständnis für Frauen, und das fällt weniger auf. Im Anhang berichtet ELEPHANT außerdem, dass schon Menschen Beiträge mit „boyfriend“ eher bestätigen als solche mit „girlfriend“ und dass Modelle das spiegeln und eventuell verstärken.
Was die Studie nicht zeigt
- Kein Claude, keine aktuelle Generation. GPT-6.2 (seit 17./18. November) und Gemini 4 Neon (seit 18. November) sind neu im Einsatz. Öffentliche Tests zu dieser Frage haben wir für sie und für Claude Opus 5.5 nicht gefunden. Die Systemkarte von Opus 5.5 nennt nur Werte für BBQ, einen Test zu Stereotypen bei Frage-Antwort-Aufgaben. Mit Moralurteilen in Beziehungen hat das wenig zu tun.
- Nur Englisch. Die chinesischen Beispiele im Anhang sind laut Autoren nur zur Veranschaulichung gedacht und kein Beleg. Ob der Effekt im Deutschen genauso auftritt, untersucht keine der genannten Studien.
- Der Bewerter steht selbst auf der Liste. Gemini 3 Pro und GPT-5.4 bewerten Antworten, darunter ihre eigenen.
- Was „richtig“ wäre, bleibt offen. Weil die Szenarien „klar unvernünftiges“ Verhalten verlangen, wäre in beiden Fällen volle Schuld naheliegend. Unsere Einschätzung: Die Lücke spricht dann eher für zu viel Nachsicht mit Frauen als für zu viel Härte gegen Männer.
- Nicht nachprüfbar. Das GitHub-Repository ist bisher ein Platzhalter. Datensatz, Prompt-Vorlagen und Bewertungsskripte sind nur „geplant“. Eine Nachprüfung mit dem Originalmaterial auf Deutsch und mit aktuellen Modellen ist damit vorerst nicht möglich.
Auf Hacker News kam vor allem grundsätzliche Kritik. Ein Nutzer hält es für „unglaublich kurzsichtig“, kulturelle Verzerrung nur über getauschte Pronomen zu messen. Andere fragen, ob es überhaupt einen neutralen Maßstab gibt. Wieder andere verweisen auf die Kriminalstatistik. Methodische Einwände zum KI-Bewerter oder zur Ich-Perspektive kamen in der Diskussion kaum vor.
Einordnung
Dass Sprachmodelle in Beziehungskonflikten Männer strenger beurteilen als Frauen, ist inzwischen einer der am besten belegten Befunde zu Geschlechterverzerrung bei KI. Mindestens acht unabhängige Arbeiten zeigen in dieselbe Richtung. GAMA-Bench liefert die bisher größte Spiegelstudie und zeigt, dass sich die Schieflage auch im Ton bemerkbar macht, nicht nur im Urteil.
Die Zahl „23 Prozent“ sollte man aber vorsichtig lesen. Es sind Prozentpunkte. Täter- und Opfergeschlecht sind vermischt. Gemessen hat ein Sprachmodell, und das nur auf Englisch, mit Modellen der Vorgängergeneration. Dass Hersteller das Thema gezielt prüfen, ist öffentlich nicht zu erkennen. OpenAIs Fairness-Studie von 2024 untersuchte, wie Nutzernamen die Antworten beeinflussen, aber keine Moralurteile. Anthropics Analyse zu Ratschlägen erwähnt das Geschlecht nicht.
Praktisch heißt das: Wer einen Chatbot zum Beziehungsstreit befragt, bekommt nicht nur eine Antwort, die zur eigenen Sicht neigt. Wie streng das Modell urteilt, hängt womöglich auch davon ab, wer Täter und wer Opfer ist. Unsere Einschätzung: Ein guter Selbsttest ist, dieselbe Frage mit vertauschten Rollen noch einmal zu stellen. Eine saubere Nachprüfung für die aktuelle Modellgeneration und für deutsche Prompts steht noch aus. Sie braucht den Originaldatensatz oder einen offen dokumentierten eigenen Datensatz.
Quellen
- arXiv: Harsher on Male? (GAMA-Bench), Abstract arxiv.org
- arXiv: Harsher on Male? (GAMA-Bench), Volltext HTML arxiv.org
- GitHub: xufeiqiong/GAMA-Bench github.com
- GitHub: GAMA-Bench Issues github.com
- arXiv: Levy et al. 2024, Gender Bias in Decision-Making … Relationship Conflicts arxiv.org
- arXiv: Bajaj et al. 2024, Evaluating Gender Bias of LLMs in Making Morality Judgements arxiv.org
- ACL Anthology: McFadden, Beyond Binary Blame (GeBNLP 2026) aclanthology.org
- ACL Anthology: Fernandes et al., Widespread Gender and Pronoun Bias (LREC 2026) aclanthology.org
- arXiv: Bolzoni & Capraro, Gender bias across LLMs is common and highly heterogeneous arxiv.org
- arXiv: Sharma et al., Women-Are-Wonderful Effect in Blame Attribution arxiv.org
- arXiv: ELEPHANT – Social Sycophancy in LLMs arxiv.org
- Manhattan Institute: Rozado, Fairness in AI Decisions About People manhattan.institute
- UVM: Prama et al., Gender disparities in LLM-based IPV detection pdodds.w3.uvm.edu
- PubMed: FeldmanHall et al., Moral Chivalry pubmed.ncbi.nlm.nih.gov
- EconPapers: Reynolds et al., Man up and take it econpapers.repec.org
- Anthropic: How people use Claude for personal guidance anthropic.com
- Anthropic: Claude Opus 5.5 System Card www-cdn.anthropic.com
- OpenAI: Evaluating fairness in ChatGPT openai.com
- GCN: OpenAI launches GPT-6.2 Astra and Sol gcn.com
- 9to5Google: Gemini 4 Neon announcement 9to5google.com
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.
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.
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.