Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
aisi4. Dezember 2025 · Q002096

How do AI models persuade? Exploring the levers of AI-enabled persuasion through large-scale experiments

aisi.gov.uk · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt Experimente, in denen gezieltes Post-Training und faktenreiche Argumente die Überzeugungskraft von KI stärker erhöhten als Modellgröße oder Personalisierung. Die wirksameren Ansätze gingen zugleich mit geringerer faktischer Genauigkeit einher, doch die Studie zeigt nicht, dass falsche Aussagen an sich überzeugender sind; die Übertragbarkeit auf freiwillige Gespräche im Alltag bleibt unklar.

Mittel

Der Bericht fasst drei Experimente mit mehr als 76.000 Teilnehmenden, 19 Sprachmodellen und 707 politischen Themenpositionen zusammen. Die Teilnehmenden führten mehrteilige Gespräche mit Modellen, die eine bestimmte Haltung vertreten sollten; ihre Einstellungsänderung wurde mit einer Kontrollgruppe ohne Überzeugungsgespräch verglichen.

Laut den Studienautoren wirkte gezieltes Post-Training stärker auf die Überzeugungskraft als eine bloße Vergrößerung des Modells. Personalisierungseffekte blieben unter einem Prozentpunkt. Eine Aufforderung, Fakten und Belege hervorzuheben, steigerte die Überzeugungskraft gegenüber einer allgemeinen Überzeugungsaufforderung um 27 Prozent und übertraf die getesteten rhetorischen Alternativen.

Zugleich gingen die wirksameren Überzeugungstechniken mit geringerer faktischer Genauigkeit einher. Das belege laut Bericht nicht, dass falsche Aussagen überzeugender seien; die Ursache des Zusammenhangs sei noch zu untersuchen. Die Ergebnisse stammen aus kontrollierten, längeren Gesprächen. Ob Menschen sich im Alltag freiwillig ähnlich intensiven Diskussionen aussetzen und wie groß die realen Auswirkungen wären, bleibt offen.

Ausführlich lesen

Der Bericht stellt eine Studie des britischen AI Security Institute mit Forschenden mehrerer Universitäten vor, die in der Fachzeitschrift *Science* veröffentlicht wurde. Untersucht wurde, wie überzeugend dialogbasierte KI politische Einstellungen beeinflussen kann und welche Faktoren dabei eine Rolle spielen. Nach Angaben des Berichts umfasste die Untersuchung drei groß angelegte Experimente mit insgesamt mehr als 76.000 Teilnehmenden, 19 offenen und geschlossenen Sprachmodellen sowie 707 politischen Themenpositionen.

In den Experimenten führten Teilnehmende mehrteilige Gespräche mit einem Modell, das sie gezielt für eine bestimmte Position gewinnen sollte. Die Modelle verwendeten dabei eine von acht vorgegebenen Argumentationsweisen, darunter faktenorientierte Argumentation, Geschichten und moralische Umdeutung. Die Teilnehmenden bewerteten ihre Zustimmung vor und nach dem Gespräch. Als Überzeugungseffekt galt die durchschnittliche Veränderung gegenüber einer Kontrollgruppe ohne solches Überzeugungsgespräch.

Der Bericht hebt drei Ergebnisse hervor. Erstens habe die Modellgröße zwar einen Einfluss, wenn das nachträgliche Training vergleichbar sei; die Zugewinne seien jedoch geringer gewesen als die durch gezieltes Post-Training erzielten. Ein Verfahren zur Belohnungsmodellierung überzeugender Gespräche habe ein kleines offenes Modell so wirksam gemacht, dass es mit deutlich größeren Spitzenmodellen mithalten oder diese übertreffen konnte. Auch der Unterschied zwischen zwei Versionen desselben Spitzenmodells, die sieben Monate auseinander veröffentlicht wurden, sei größer gewesen als der statistisch erwartete Effekt einer Verhundertfachung des Vortrainingsaufwands. Diese Vergleiche beziehen sich auf die untersuchten Modelle und Bedingungen.

Zweitens seien Personalisierungseffekte durchgehend klein gewesen und hätten unter einem Prozentpunkt gelegen. Stärker habe die Informationsdichte gewirkt: Eine Aufforderung, Fakten und Belege hervorzuheben, habe die Überzeugungskraft gegenüber einer allgemeinen Aufforderung, überzeugend zu sein, um 27 Prozent erhöht. Laut Bericht übertraf dieser Anstieg die getesteten Alternativen, darunter moralische Umdeutung, Geschichten und Deep Canvassing.

Drittens gingen Faktoren, die die Überzeugungskraft erhöhten – etwa faktenorientierte Aufforderungen und das spezielle Post-Training –, zugleich mit geringerer faktischer Genauigkeit einher. Der Bericht betont, dass daraus nicht folgt, falsche Aussagen seien überzeugender als richtige. Als mögliche Erklärung nennt er, dass informationsreichere Antworten irgendwann verlässliche Fakten ausschöpfen und schwächeres oder weniger zutreffendes Material ergänzen könnten; der Zusammenhang müsse weiter untersucht werden.

Die Autorinnen und Autoren folgern, dass Post-Training und Aufforderungen in den Versuchen bedeutsamere Stellschrauben waren als Modellgröße oder Personalisierung. Sie sprechen sich für robuste Prüfstandards, Transparenz beim Training und den Schutz von Genauigkeit aus. Die Übertragbarkeit auf den Alltag bleibt laut Bericht offen: Die stärksten Effekte traten in längeren, informationsreichen Gesprächen auf, und es ist unklar, wie oft Menschen sich außerhalb einer Umfrage freiwillig darauf einlassen. Der Bericht sagt außerdem, es gebe derzeit nur wenige Belege für böswillige Überzeugungsversuche mit solchen Systemen im großen Maßstab.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Fragen betreffen allgemeine KI-Sicherheitsregeln, während der Bericht eine Studie zur Überzeugungskraft von Sprachmodellen beschreibt; er beantwortet die Fragen daher nur teilweise oder am Rande.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Studie stammt aus einer Kooperation mit Oxford, LSE, Stanford und MIT und wurde in Science veröffentlicht
  • Bisher gibt es laut Bericht wenig Belege für eine massenhafte böswillige Überzeugung durch KI
  • Ein kleines Open-Source-Modell erreichte durch Persuasion-Reward-Modelling das Niveau größerer Frontier-Modelle
  • Zwei Versionen desselben Frontier-Modells mit sieben Monaten Abstand unterschieden sich stärker, als durch 100-fach mehr Pre-Training-Rechenleistung zu erwarten wäre
  • Die Empfehlungen an Entwickler und Politik: Überzeugungsverhalten überwachen, Genauigkeit priorisieren, Transparenz über das Training und Schutzmaßnahmen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 39 %gleiches Oberthema, hilft nicht
    • JEV 27 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 36 %Hintergrund, keine Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 32 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-P3-T01 Welcher gemeinsame Rahmen für Labore macht Selbstüberwachung überprüfbar, ohne geschütztes geistiges Eigentum offenzulegen, und welche unabhängigen Verfahren Dritter, falls es sie gibt, bestätigen, dass die Selbstüberwachung riskantes Verhalten vor der Freigabe wirklich findet und nicht nur Schein ist? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 84 %Hintergrund, keine Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege
    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 28 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 58 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-V3-T03 Werden Labore und die übrige Branche gemeinsame Tests veröffentlichen, ob Werte bei unbekannten Aufgaben, widerstreitenden Anreizen, in gegnerischen Lagen und bei fehlender oder anders wahrgenommener Aufsicht halten, unabhängig wiederholt und mit Fehlschlägen und Unsicherheit? Luna: Stufe 3 · 49 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 63 %einzelne zitierbare Belege
    • JEV 40 %beantwortet teilweise oder widerspricht
    • amos 29 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 4 · 34 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 42 %Hintergrund, keine Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 24 %Hintergrund, keine Belege
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 42 %gleiches Oberthema, hilft nicht
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 74 %Hintergrund, keine Belege
    • JEV 68 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 46 %gleiches Oberthema, hilft nicht
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  4. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  5. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 49 %Hintergrund, keine Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 47 % · Hintergrund, keine Belege
    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 59 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 71 %Hintergrund, keine Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 31 %nur am Rande erwähnt
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-I1-T03 Wenn KI-erzeugte Einflussnahme vor allem über gemeinsam genutzte Systeme für Empfehlungen, Rangfolgen, Werbung und Nutzerbindung wirkt und nicht über die Ausgabe eines einzelnen Modells: Welche gemeinsame Messung, welche Vorfallschwelle und welcher abgestimmte Reaktionsablauf sollten gelten, ohne dass Plattformaufsicht zur Zensur von Meinungen wird? Luna: Stufe 3 · 45 % · Hintergrund, keine Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →