Information Design With Large Language Models

Each language version is independently generated for its own context, not a direct translation.

Stell dir vor, du bist ein Verkäufer, der ein neues Produkt verkaufen möchte. Du hast zwei Werkzeuge, um den Kunden zu überzeugen:

Das Signal (Das Angebot): Das ist das, was du konkret anbietest. Ein Rabatt? Eine Garantie? Ein Hinweis auf die Qualität? In der klassischen Wirtschaftstheorie geht man davon aus, dass Kunden rein logisch denken: „Wenn der Rabatt groß ist, muss das Produkt gut sein."
Der Rahmen (Das Framing): Das ist die Art und Weise, wie du das Produkt vorstellst. Der Slogan, der Tonfall, die Bilder auf der Verpackung. Ein und dasselbe Produkt kann als „robuster Outdoor-Kletterer" oder als „stilvoller Stadtlifestyle" verkauft werden.

Bisher haben Forscher angenommen, dass nur das Signal (der Rabatt) zählt. Aber die Psychologie sagt uns: Nein! Das Framing ist extrem wichtig. Wie man eine Information verpackt, verändert, wie der Kunde die Welt sieht, noch bevor er überhaupt über den Rabatt nachdenkt.

Diese neue Forschung fragt sich: Wie kann man das perfekte Framing und das perfekte Signal kombinieren, um den Kunden am besten zu überzeugen? Und da kommt der „Super-Computer" ins Spiel: Künstliche Intelligenz (Large Language Models oder LLMs).

Hier ist die Erklärung der Studie, einfach und mit Analogien:

1. Das Problem: Der riesige Wortschatz

Stell dir vor, du musst einen Slogan für eine Jacke erfinden. Es gibt unendlich viele Möglichkeiten, diese Jacke zu beschreiben. „Robust", „Stylish", „Für den Abenteurer", „Für die Stadt".

Das Dilemma: Es ist unmöglich, alle Millionen möglichen Slogans manuell durchzuprobieren und zu testen, welcher am besten funktioniert. Der Raum der Möglichkeiten ist zu groß.
Die Lösung: Die Forscher nutzen KI-Modelle (wie GPT oder Claude) als Simulations-Experten. Sie fragen die KI: „Wenn ich diesen Slogan verwende, wie würde ein typischer Kunde dieses Produkt dann wahrnehmen?" Die KI antwortet nicht mit einem Ja/Nein, sondern mit einer Wahrscheinlichkeit: „Der Kunde denkt jetzt zu 60%, dass die Jacke stylish ist, und zu 40%, dass sie robust ist."

2. Die zwei Strategien: Nur der Rahmen oder beides?

Die Studie untersucht zwei Szenarien, wie man den Kunden beeinflusst:

Szenario A: Nur den Rahmen optimieren (Framing-Only)

Stell dir vor, du hast ein festes Angebot (z. B. immer 20% Rabatt). Du darfst nur den Slogan ändern.

Das Ergebnis der Studie: Das ist ein Albtraum für Computer.
Die Analogie: Stell dir vor, du versuchst, einen Berg zu besteigen, aber der Boden ist aus Eis. Wenn du einen winzigen Schritt in die falsche Richtung machst (ein leicht anderes Wort im Slogan), rutschst du plötzlich den ganzen Berg hinunter. Die Wirkung des Slogans ist so empfindlich, dass kleine Fehler katastrophal sein können. Es ist mathematisch extrem schwer, das perfekte Wort zu finden, wenn das Angebot feststeht.

Szenario B: Rahmen UND Angebot gemeinsam optimieren (Joint Optimization)

Jetzt darfst du sowohl den Slogan als auch den Rabatt anpassen.

Das Ergebnis der Studie: Das ist viel einfacher und robuster.
Die Analogie: Stell dir vor, du bist ein Architekt. Wenn du nur die Farbe des Hauses ändern darfst (Szenario A), ist es schwer, es perfekt zu machen. Aber wenn du auch die Grundrisse und die Fenster anpassen darfst (Szenario B), kannst du das Haus so bauen, dass es stabil steht, selbst wenn du die Farbe leicht änderst.
Warum? Weil du den Rabatt (das Signal) so anpassen kannst, dass er perfekt zu dem Slogan (dem Rahmen) passt. Wenn die KI sagt: „Dieser Slogan macht die Leute etwas skeptisch", kannst du einfach den Rabatt etwas höher ansetzen, um das auszugleichen. Die Kombination macht das System stabil und berechenbar.

3. Der praktische Test: Die Jacken-Werbung

Die Forscher haben das im echten Leben getestet (simuliert durch KI).

Das Szenario: Eine Outdoor-Marke (ähnlich wie Patagonia) will eine neue Jackenlinie für „Stadtbewohner, die gerne wandern" verkaufen.
Der Start: Sie nehmen den alten, echten Slogan der Marke.
Der Prozess:
1. Die KI schlägt einen neuen Slogan vor (z. B. „Stil trifft auf Substanz").
2. Eine andere KI simuliert, wie Kunden darauf reagieren (Ändert sich ihr Glaube an die Qualität?).
3. Ein mathematischer Rechner berechnet: „Bei diesem neuen Glauben der Kunden, welcher Rabatt wäre jetzt am besten?"
4. Die KI bekommt Feedback: „Guter Slogan, aber der Rabatt könnte höher sein, um den Gewinn zu maximieren."
5. Die KI verbessert den Slogan und versucht es erneut.

Das Ergebnis: Die KI hat Slogans und Rabattstrategien gefunden, die deutlich besser funktionierten als der ursprüngliche, reale Slogan der Marke.

Fazit: Was lernen wir daraus?

Worte sind mächtig: Wie man etwas sagt, ist fast so wichtig wie das Angebot selbst. Es verändert die „Brille", durch die der Kunde die Welt sieht.
Alles oder Nichts: Es ist sehr schwer, nur den Slogan zu optimieren, wenn das Angebot feststeht. Aber wenn man beides (Worte und Angebot) zusammen plant, funktioniert es super.
KI als Werkzeug: Wir brauchen keine teuren Fokusgruppen mehr, um zu testen, wie Menschen auf Werbung reagieren. Wir können KI nutzen, um Millionen von Kombinationen durchzuspielen und die perfekte Mischung aus Slogan und Angebot zu finden.

Kurz gesagt: Die Studie zeigt uns, wie man mit Hilfe von KI nicht nur bessere Werbung schreibt, sondern die perfekte psychologische und wirtschaftliche Strategie entwickelt, um Menschen zu überzeugen. Es ist wie das Finden des perfekten Rezepts, bei dem man sowohl die Zutaten (das Signal) als auch die Art, wie man sie serviert (das Framing), gleichzeitig verfeinert.

Each language version is independently generated for its own context, not a direct translation.

Hier ist eine detaillierte technische Zusammenfassung des Papers „Information Design with Large Language Models" auf Deutsch:

1. Problemstellung und Motivation

Das Paper adressiert eine fundamentale Lücke in der klassischen Theorie des Informationsdesigns (Information Design). Traditionelle Modelle, wie das Bayesian Persuasion (Bayessche Überzeugung), gehen davon aus, dass die Wirkung von Informationen rein auf der Korrelation zwischen dem wahren Zustand der Welt und einem Signal basiert. Der Empfänger aktualisiert seine Überzeugungen (Beliefs) strikt nach der Bayes-Regel.

Die Autoren argumentieren jedoch, dass dies die menschliche Entscheidungsfindung unzureichend abbildet. Erkenntnisse aus der Verhaltensökonomie und Psychologie (z. B. Tversky & Kahneman) zeigen, dass die Rahmung (Framing) von Informationen – also wie sie sprachlich oder kontextuell präsentiert werden – die Prior-Überzeugungen des Empfängers auf nicht-bayessche Weise beeinflusst.

Das Kernproblem: Wie kann ein Sender (Sender) sowohl die sprachliche Rahmung (Framing) als auch das Signalisierungsschema (Signaling) strategisch optimieren, um den Empfänger zu einer gewünschten Handlung zu bewegen?

Herausforderung 1: Der Raum möglicher sprachlicher Rahmungen ist riesig und diskret.
Herausforderung 2: Der Einfluss einer Rahmung auf die subjektiven Überzeugungen des Empfängers ist schwer zu modellieren und oft nicht-bayessch.
Lösungsansatz: Die Nutzung von Large Language Models (LLMs) als Proxys für menschliches Verhalten, um diese komplexen Rahmungseffekte zu simulieren und den Suchraum zu navigieren.

2. Methodik und Modellierung

Die Autoren entwickeln ein theoretisches Framework, das Bayesian Persuasion um einen Framing-Effekt erweitert, und kombinieren dies mit einem empirischen Ansatz unter Verwendung von LLMs.

Theoretisches Modell

Akteure: Ein Sender (Sender) und ein Empfänger (Receiver).
Zustände: Ein Zustand $\omega \in \Omega$ wird gezogen. Der Sender kennt $\omega$ , der Empfänger nur die Prior-Verteilung.
Framing ( $c$ ): Eine zustandsunabhängige Nachricht (z. B. ein Slogan), die den Empfänger dazu bringt, eine subjektive Prior-Überzeugung $\mu_c$ zu bilden. Die Abbildung $\ell: c \mapsto \mu_c$ wird durch gesellschaftliche Normen oder menschliche Psychologie bestimmt, nicht vom Sender kontrolliert.
Signaling ( $\pi$ ): Ein zustandsabhängiges Signalisierungsschema, das die Prior-Überzeugung $\mu_c$ via Bayes-Regel zu einer Posterior-Überzeugung aktualisiert.
Optimierungsvarianten:
1. Nur Framing: Das Signalisierungsschema ist fest; nur die Rahmung wird optimiert.
2. Nur Signaling: Die Rahmung (und damit der Prior) ist fest; nur das Signal wird optimiert (klassisches Bayesian Persuasion).
3. Gemeinsame Optimierung (Joint Optimization): Sender optimiert sowohl Framing als auch Signalisierung gleichzeitig.

Empirischer Ansatz (LLM-basiert)

Da der Raum der natürlichen Sprache ( $C$ ) zu groß für eine exhaustive Suche ist, nutzen die Autoren LLMs (GPT-5.2, Claude Sonnet 4) in einem iterativen Optimierungsprozess:

Belief-Schätzung: Ein LLM schätzt basierend auf einem Framing-Kandidaten die induzierte Prior-Überzeugung $\mu_c$ eines Ziel-Demografen.
Analytische Lösung: Für diese geschätzte Überzeugung wird das optimale Signalisierungsschema $\pi^*$ analytisch (mittels Linearer Programmierung) berechnet.
Feedback-Schleife: Die resultierende Nutzenfunktion des Senders (unter Berücksichtigung einer „Soundness"-Bewertung durch ein weiteres LLM) dient als Feedback, um das Framing im nächsten Schritt zu verbessern (Prompt-Optimierung).

3. Wichtige theoretische Beiträge und Ergebnisse

Die theoretische Analyse liefert tiefgreifende Einblicke in die Komplexität und Struktur des Problems:

A. Nur-Framing-Optimierung (Framing-Only)

Komplexität: Das Problem ist NP-schwer, selbst wenn der Raum der induzierbaren Überzeugungen kontinuierlich und konvex ist. Es lässt sich auf das Berechnen des Stackelberg-Gleichgewichts in Bayesschen Spielen (Bayesian Stackelberg Games) reduzieren, was bekanntermaßen schwer zu lösen ist.
Diskontinuität: Die Nutzenfunktion des Senders ist in Bezug auf die durch Framing induzierte Prior-Überzeugung diskontinuierlich. Kleine Änderungen im Framing können zu großen Sprüngen im Nutzen führen (z. B. durch Änderung der optimalen Antwort des Empfängers).
Folgerung: Diese Diskontinuität macht die Optimierung extrem empfindlich gegenüber Fehlern in der Schätzung der Framing-zu-Belief-Abbildung. Eine kleine Ungenauigkeit im LLM-Modell kann zu katastrophalen Ergebnissen führen.

B. Gemeinsame Optimierung (Joint Optimization)

Tragbarkeit: Im Gegensatz zur Nur-Framing-Optimierung ist die gemeinsame Optimierung von Framing und Signaling wesentlich besser handhabbar (tractable).
Stetigkeit: Wenn das Signalisierungsschema Teil der Strategie ist, wird die optimale Nutzenfunktion des Senders stetig in Bezug auf die induzierte Prior-Überzeugung. Dies liegt daran, dass der Sender das Signalisierungsschema anpassen kann, um kleine Änderungen im Prior auszugleichen.
Robustheit: Aufgrund der Stetigkeit ist das Problem robust gegenüber Approximationsfehlern in der LLM-Simulation. Selbst wenn das LLM den Prior leicht falsch einschätzt, bleibt der erzielte Nutzen nahe am Optimum.
Algorithmen:
- Für den Fall eines unbeschränkten Glaubensraums ( $B = \Delta(\Omega)$ ) existiert ein Polynomialzeit-Approximationsschema (QPTAS).
- Wenn die Nutzenfunktion des Senders zustandsunabhängig ist, kann das exakte Optimum in Polynomialzeit berechnet werden.

4. Empirische Ergebnisse

Die Autoren validieren ihre Theorie anhand eines Werbefallstudien-Szenarios (eine fiktive Outdoor-Marke „Himalaya", die eine neue Zielgruppe anspricht).

Belief-Schätzung: LLMs (insbesondere GPT-5.2) konnten die durch Framing induzierten Überzeugungen sehr genau mit aggregierten menschlichen Urteilen (erhoben via Prolific) übereinstimmen. Die LLMs zeigten eine geringere Varianz als menschliche Teilnehmer.
Optimierung: Der iterative LLM-Ansatz (Prompt-Optimierung kombiniert mit analytischer Signalberechnung) fand Framings, die einen höheren erwarteten Nutzen für die Marke erzielten als das Ausgangs-Framing (basierend auf realen Patagonia-Texten).
Ergebnis: Die LLM-generierten Slogans und Beschreibungen waren erfolgreich darin, die Wahrnehmung der Zielgruppe (z. B. „stilvoll" vs. „funktional") zu verschieben und damit die optimale Signalisierungsstrategie (Rabatte) zu verbessern.

5. Bedeutung und Fazit

Das Paper leistet einen wesentlichen Beitrag zur Schnittstelle von Spieltheorie, Verhaltensökonomie und KI:

Theoretische Klarheit: Es zeigt, dass die alleinige Optimierung von Framing (ohne Anpassung des Signals) algorithmisch schwer und instabil ist. Die Kombination aus Framing und Signaling hingegen macht das Problem stabil und lösbar. Dies liefert eine theoretische Begründung, warum integrierte Strategien in der Praxis überlegen sind.
Praktische Anwendung von LLMs: Es demonstriert, wie LLMs nicht nur als Textgeneratoren, sondern als simulierte Agenten zur Modellierung komplexer psychologischer Effekte (Framing) und zur Steuerung von Optimierungsprozessen eingesetzt werden können.
Neue Perspektive auf Informationsdesign: Die Arbeit erweitert das klassische Bayesian Persuasion um eine linguistische Dimension und liefert einen Rahmen, um zu verstehen, wann und wie KI-gestützte persuasive Kommunikation effektiv sein kann.

Zusammenfassend beweist das Paper, dass die systematische Optimierung von Informationsdesign unter Berücksichtigung von Framing-Effekten durch den Einsatz von LLMs als Proxys für menschliche Kognition machbar ist, solange man Framing und Signaling gemeinsam optimiert, um die inhärente Instabilität rein sprachlicher Manipulation zu kompensieren.