Texte aus großen Sprachmodellen wirken oft korrekt und trotzdem anstrengend. Eine Untersuchung der New York University und der University of Texas at Austin liefert dafür nun eine Erklärung: Sogenannte Frontier-Modelle, also die jeweils leistungsfähigsten verfügbaren Sprachmodelle, übernutzen systematisch sprachliche Konstruktionen, die Leserinnen und Lesern die Verarbeitung erschweren.

Genannt werden unter anderem ungewöhnliche Wortkombinationen sowie vermenschlichte Objekte, also Formulierungen, in denen Dinge oder abstrakte Begriffe handeln, als wären sie Personen. Solche Muster sind grammatikalisch unauffällig, kosten beim Lesen aber zusätzliche Aufmerksamkeit.

Warum ausgerechnet die großen Modelle sperriger schreiben

Als Ursache benennen die Forschenden das Training auf Code und Mathematik. Dort zählt Korrektheit, nicht Verständlichkeit. Ein Programm ist richtig oder falsch; ob es sich angenehm liest, spielt für die Bewertung keine Rolle. Diese Prägung schlägt offenbar auf natürlichsprachliche Ausgaben durch.

Bemerkenswert ist der Befund, dass kleinere Modelle laut Studie deutlich menschlicher schreiben. Mehr Modellgröße und mehr Trainingsaufwand führen also nicht automatisch zu besser lesbaren Texten. Für die Praxis heißt das: Die Wahl des Modells ist auch eine redaktionelle Entscheidung, nicht nur eine technische.

Was das für Website-Inhalte heißt

Auf Websites trifft dieser Effekt auf ein Publikum, das selten liest, sondern überfliegt. Wer eine Leistungsseite, eine Produktbeschreibung oder einen Ratgebertext aufruft, entscheidet in wenigen Sekunden, ob er weiterliest. Zusätzlicher Verarbeitungsaufwand durch schiefe Metaphern oder überdrehte Wortbilder wirkt hier unmittelbar.

Drei Bereiche sind besonders betroffen:

  • Verständlichkeit: Fachlich korrekte, aber verschachtelte Formulierungen verfehlen gerade jene Leserinnen und Leser, die eine Erklärung brauchen.
  • Barrierefreiheit: Einfache Sprache, klare Satzstrukturen und eindeutige Bezüge sind Teil zugänglicher Inhalte. Ungewöhnliche Wortkombinationen arbeiten dagegen.
  • Markenstimme: Wenn mehrere Texte aus demselben Modell stammen, gleichen sich Rhythmus und Wortwahl an. Die eigene Tonalität verschwindet hinter einem erkennbaren Modellstil.

Redaktionelle Leitplanken statt Verzicht

Die Konsequenz ist nicht, auf KI-Unterstützung zu verzichten. Sie liegt darin, den Einsatz redaktionell einzurahmen. Bewährt haben sich dabei einfache, überprüfbare Regeln im Redaktionsprozess:

  1. Styleguide als Prompt-Bestandteil: Tonalität, erlaubte Satzlängen, Umgang mit Fachbegriffen und typische Formulierungen des Unternehmens gehören in die Anweisung an das Modell, nicht erst in die Korrekturschleife.
  2. Negativliste pflegen: Wendungen, die im eigenen Umfeld immer wieder auffallen, lassen sich explizit ausschließen und später im Lektorat prüfen.
  3. Lesbarkeit messen statt schätzen: Satzlänge, Anteil an Nebensätzen und Fremdwortdichte sind einfache Indikatoren, die sich in den Freigabeprozess einbauen lassen.
  4. Vorlesen als Test: Texte, die laut gelesen stolpern, stolpern auch beim stillen Lesen. Dieser Test findet vermenschlichte Objekte und schiefe Bilder zuverlässig.
  5. Menschliche Freigabe verbindlich machen: Kein KI-Text geht ohne redaktionelle Abnahme live. Das ist weniger eine Qualitätsfrage als eine Verantwortungsfrage.

Umsetzung im CMS

In einem Content-Management-System wie TYPO3 lassen sich solche Leitplanken technisch verankern, statt sie als Bitte an die Redaktion zu formulieren. Denkbar sind Freigabe-Workflows, in denen KI-gestützt erzeugte Inhalte einen eigenen Status durchlaufen, bevor sie veröffentlicht werden. Ebenso hilfreich sind strukturierte Inhaltselemente, die Textlängen begrenzen und damit überlange Passagen von vornherein verhindern.

Wo Modelle direkt an das CMS angebunden sind, lohnt sich zudem eine bewusste Entscheidung darüber, welches Modell für welche Aufgabe zuständig ist. Zusammenfassen, Umformulieren und Entwerfen stellen unterschiedliche Anforderungen. Der Befund, dass kleinere Modelle menschlicher klingen können, spricht dafür, nicht reflexhaft immer das größte verfügbare Modell einzusetzen.

Einordnung

Die Studie verschiebt den Blick: Es geht bei KI-Texten nicht allein um sachliche Richtigkeit, sondern um die Frage, ob Menschen sie mühelos aufnehmen können. Für Web- und Softwareprojekte heißt das, Lesbarkeit als messbare Qualitätsanforderung zu behandeln und nicht als Geschmacksfrage am Ende des Prozesses. Wer KI in der Inhaltsproduktion nutzt, sollte Styleguide, Freigabe und Modellauswahl als zusammengehörigen Teil der Systemarchitektur planen.

Quellen