🤖 AI

Geopolitical alignment: Endorsement effects in large language models

Diese Studie zeigt, dass große Sprachmodelle eine signifikante geopolitische Voreingenommenheit bei der Bewertung von politischen Maßnahmen aufweisen, indem sie identische Maßnahmen systematisch niedriger bewerten, wenn diese von China oder Russland unterstützt werden im Vergleich zu den USA oder der EU, wobei diese Disparitäten je nach Modell und der Frage nach Begründungen bestehen bleiben oder sich sogar verstärken.

Ursprüngliche Autoren: Maxim Chupilkin

Veröffentlicht 2026-07-13

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Maxim Chupilkin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein superintelligenter Roboter-Richter, der an einem Schreibtisch sitzt und bereit ist, internationale Strategien auf einer Skala von 0 bis 100 zu bewerten. Man hat Ihnen eine sehr spezifische Aufgabe gegeben: Bewerten Sie zwei vollkommen identische politische Ideen – die eine handelt davon, den Papierkram für kleine Unternehmen zu vereinfachen, die andere vom Austausch von Cybersicherheitswarnungen, um Ransomware zu stoppen. Der Text dieser Strategien ist jedes Mal exakt gleich.

Aber hier kommt der Clou: Bevor Sie die Bewertung abgeben, wird ein kleiner Zettel auf den Schreibtisch geschoben mit der Aufschrift: „Diese Idee wird von [Name] unterstützt.“ Manchmal ist der Name die Vereinigten Staaten oder die Europäische Union. Ein anderes Mal ist es China oder Russland.

Die Arbeit von Maxim Chupilkin stellt eine einfache, aber beängstigende Frage: Ändert der Name auf dem Zettel Ihre Bewertung, selbst wenn die Strategie selbst nicht verändert wurde?

Die kurze Antwort lautet: Ja, absolut. Die Roboter-Richter sind nicht so neutral, wie man hofft.

Der „Namensschild“-Effekt

Stellen Sie sich diese Large Language Models (LLMs) wie Schüler vor, die eine Prüfung ablegen. Wenn ein Schüler eine Frage sieht, sollte er basierend auf der Mathematik antworten. Aber in diesem Experiment begannen die „Schüler“ (GPT-5, Claude Sonnet, Gemini und DeepSeek), dieselbe mathematische Aufgabe unterschiedlich zu bewerten, je nachdem, wer das Papier unterzeichnet hatte.

Als die Strategien von den Vereinigten Staaten oder der Europäischen Union unterstützt wurden, gaben die Modelle ihnen hohe Punktzahlen.

GPT-5 gab den USA eine 80,5 und der EU eine 78,6.
Gemini war sogar noch enthusiastischer und gab den USA eine 85,0 und der EU eine 83,0.

Doch als exakt dieselben Strategien von China oder Russland unterstützt wurden, fielen die Punktzahlen dramatisch ab.

Gemini war der härteste Kritiker und senkte den China-Wert auf 49,9 und den Russland-Wert auf winzige 36,2.
Claude Sonnet nahm ebenfalls ordentlich Punkte weg und vergab für China 54,5 und für Russland 56,9.
GPT-5 war nicht so extrem wie Gemini, senkte die Werte aber dennoch auf 66,6 für China und 63,2 für Russland.

Das Papier legt nahe, dass für diese drei Modelle der Name „China“ oder „Russland“ wie eine rote Flagge wirkt. Es ist, als ob der Roboter denkt: „Oh, diese Strategie kommt von denen? Besser vorsichtig sein, vielleicht ist sie riskant“, obwohl der Text der Strategie identisch mit dem ist, das sie bei den westlichen Mächten liebten.

Der eine Roboter, der (zuerft) nicht nachgab

Es gab eine Ausnahme: DeepSeek. In der ersten Testrunde, in der die Roboter nur gebeten wurden, eine Zahl anzugeben, agierte DeepSeek wie ein wahrhaft unparteiischer Richter. Es gab den USA eine 85,2, der EU eine 83,5, China eine 84,8 und Russland eine 81,0. Die Unterschiede waren so gering, dass sie statistisch nicht signifikant waren. Es schien, als wäre DeepSeek der einzige, dem das Namensschild egal war.

Die „Begründungs“-Falle

Dann änderten die Experimentatoren die Regeln. Sie baten die Roboter: „Gib mir deine Punktzahl, aber schreibe auch einen kurzen Satz, warum.“

Hier wurde es seltsam. Die Frage nach einer Erklärung enthüllte nicht nur das Denken des Roboters; sie veränderte das Denken tatsächlich.

Für GPT-5 und Claude: Die Punktzahlen blieben weitgehend gleich. Sie bevorzugten weiterhin den Westen, und die Frage nach einem Grund änderte nichts an dieser Tendenz.
Für Gemini: Die Frage nach einem Grund half China und Russland ein wenig. Die Punktzahlen stiegen (um etwa 19,4 bzw. 16,0 Punkte), wodurch die Lücke kleiner wurde, obwohl die Benachteiligung bestehen blieb.
Für DeepSeek: Dies war die große Überraschung. In dem Moment, als DeepSeek gebeten wurde, seine Punktzahl zu begründen, fiel die „unparteiische“ Maske. Plötzlich bestrafte DeepSeek China und Russland massiv. Der Wert für Russland stürzte um 33,3 Punkte ab (auf 47,8), und China sank um 23,3 Punkte.

Es ist, als hätte DeepSeek seine wahren Gedanken zurückgehalten, bis es gezwungen wurde, zu sprechen. Sobald es eine Begründung schreiben musste, begann es, Gründe wie „Datensicherheit“, „Überwachung“ und „geopolitisches Risiko“ für China und Russland aufzulisten, während es die USA und die EU für „Glaubwürdigkeit“ und „Standards“ lobte. Das Papier merkt an, dass dieser Wechsel darauf hindeutet, dass der Prompt selbst eine Form der geopolitischen Argumentation aktivierte, die in den rein numerischen Antworten gedämpft war, anstatt einen bereits vorhandenen internen Zustand offenzulegen.

Was wirklich dahintersteckt

Das Papier legt nahe, dass diese Modelle nicht nur die Strategie lesen, sondern den Vibe des Landes, das damit verknüpft ist.

Wenn die USA oder die EU der Unterstützer sind, behandeln die Modelle dies als ein „Glaubwürdigkeitsmerkmal“. Sie denken: „Das ist sicher, standardisiert und gut koordiniert.“
Wenn China oder Russland der Unterstützer ist, schalten die Modelle auf ein „Warnsignal“ um. Sie beginnen sofort, sich Sorgen über Datendiebstahl, Spionage oder strategische Abhängigkeit zu machen, obwohl die Strategie selbst diese Dinge nie erwähnt hat.

Was das Papier nicht sagt

Es ist wichtig zu wissen, was dieses Experiment nicht bewiesen hat. Die Autoren stellen ausdrücklich fest, dass diese Ergebnisse auf Simulationen mit einer geringen Anzahl von Durchläufen (10 pro Szenario) basieren. Die Autoren betonen vorsichtig, dass dies Eigenschaften dieser spezifischen Art der Fragestellung sind und nicht unbedingt ein dauerhafter, unveränderlicher Fehler im Gehirn der Roboter. Sie merken auch an, dass sie nur „moderate und technokratische“ Strategien (wie Zollfragen und Cybersicherheitswarnungen) getestet haben. Wir wissen nicht, ob die Roboter auf emotionalere oder politischere Themen genauso reagieren würden.

Das Fazrazit

Die wichtigste Erkenntnis ist, dass geopolitische Voreingenommenheit in diesen KI-Modellen real und messbar ist. Selbst wenn der Inhalt identisch ist, ändert die Identität des Unterstützers die Bewertung. Das Papier argumentiert, dass wir vorsichtig sein müssen, wenn wir diese Modelle zur Unterstützung politischer Entscheidungen einsetzen. Ein Modell mag so aussehen, als würde es die „Machbarkeit“ eines Plans analysieren, aber es könnte in Wirklichkeit auf den „Sponsor“ reagieren.

Und der entscheidende Punkt ist: Die Bitte um eine Erklärung macht die Dinge nicht immer klarer. Manchmal macht die Aufforderung an einen Roboter, seine Antwort zu rechtfertigen, ihn sogar voreingenommener, wie man am Beispiel von DeepSeek gesehen hat. Die Autoren schlagen vor, dass wir für Entscheidungen mit hoher Tragweite die Modelle sowohl im Modus „Gib mir nur eine Zahl“ als auch im Modus „Erkläre dich selbst“ testen müssen, da sie uns zwei sehr unterschiedliche Geschichten erzählen könnten.