Die Auswirkungen von KI-Training auf die Simulation menschlichen Verhaltens

Als Senior Specialist Journalist und Analyst für Mindverse, Ihrem KI-Partner für Content-Erstellung und Forschung, beleuchten wir heute eine aktuelle Studie, die entscheidende Implikationen für die Entwicklung und den Einsatz von KI-Sprachmodellen hat. Die Untersuchung eines internationalen Forschungskonsortiums, darunter Wissenschaftler von Helmholtz Munich, zeigt auf, dass der Prozess, der aus Rohmodellen hilfsbereite Chatbots macht, paradoxerweise deren Fähigkeit schwächt, menschliches Verhalten zu simulieren. Dieser Effekt verstärkt sich mit jeder neuen Generation von Modellen.

Die Spannung zwischen Hilfsbereitschaft und menschlicher Simulation

Sprachmodelle werden zunehmend als Stellvertreter für menschliche Probanden eingesetzt, um Reaktionen auf politische Maßnahmen vorherzusagen, klinische Trainings für Psychiater zu simulieren oder Lernprozesse von Studierenden zu modellieren. Diese Anwendungen erfordern eine präzise Nachbildung menschlichen Verhaltens.

Die aktuelle Studie, die auf dem neuen Datensatz Psych-201 basiert, umfasst Daten von etwa 208.000 Teilnehmern und rund 26 Millionen individuellen Antworten aus Hunderten von Verhaltensexperimenten. Dieser Datensatz ist um ein Vielfaches größer als frühere Sammlungen dieser Art und beinhaltet detaillierte Metadaten wie Alter, Nationalität, Fragebogenergebnisse und weitere Merkmale der Teilnehmer.

Grundmodelle übertreffen optimierte Varianten

Die Forscher verglichen Modelle der Familien Qwen3, Llama3 und OLMo 3, wobei sie sowohl Grundmodelle als auch deren verschiedene post-trainierte Varianten untersuchten. Grundmodelle sind dabei lediglich darauf trainiert, das nächste Wort in einem Text vorherzusagen. Aus diesen Grundmodellen entstehen durch zusätzliches Training Versionen, die auf Anweisungsbefolgung, Schritt-für-Schritt-Argumentation oder Bildverarbeitung spezialisiert sind.

Die zentrale Erkenntnis: Grundmodelle sind durchweg besser darin, menschliches Verhalten vorherzusagen als ihre post-trainierten, assistentenähnlichen Nachkommen. Dieser Effekt zeigt sich über alle Modellfamilien und -größen hinweg und ist bei Modellen, die auf logisches Denken trainiert wurden, am stärksten ausgeprägt, gefolgt von instruktionsbasiertem Training und Bildverarbeitungserweiterungen. In nahezu jedem direkten Vergleich übertrifft das Grundmodell seine spezialisierte Variante.

Um eine mögliche Verzerrung durch deterministischere Antworten der Assistentenmodelle auszuschließen, führten die Forscher eine Genauigkeitsanalyse für Aufgaben mit diskreten Antwortmöglichkeiten durch. Auch hier zeigten post-trainierte Modelle schlechtere Leistungen, was darauf hindeutet, dass ein höherer Determinismus nicht die alleinige Erklärung ist.

Die wachsende Kluft zwischen den Generationen

Während sich Grundmodelle von Generation zu Generation stetig verbessern – von Qwen2 über Qwen2.5 zu Qwen3 – und somit menschliches Verhalten immer präziser vorhersagen, wächst gleichzeitig der Abstand zu ihren abgeleiteten Assistentenmodellen. Die kontinuierlichen Fortschritte im Post-Training führen zu einer immer stärkeren Abweichung vom menschlichen Verhalten.

Die größte Verzerrung tritt bei Sprachaufgaben und logischem Denken auf. Eine plausible Erklärung der Forscher ist, dass Grundmodelle im Kern Modelle der menschlichen Sprache sind und daher gut für Sprachverarbeitungsaufgaben kalibriert sind. Post-Training-Techniken, wie beispielsweise Reinforcement Learning from Human Feedback (RLHF), drängen die Modelle von diesem ursprünglichen Ziel weg hin zu benutzerfreundlicheren oder normativ korrekteren Antworten.

Ähnliches geschieht beim logischen Denken. Menschliche Entscheidungen werden oft durch Heuristiken und systematische Verzerrungen beeinflusst, welche Grundmodelle offenbar erfassen. Das Training auf logisches Denken optimiert stattdessen auf logisch korrekte Antworten und überschreibt dabei genau jene menschlichen Eigenheiten, die für Verhaltenssimulationen relevant sind.

Die Grenzen von Persona-Prompts

Ein weiteres wichtiges Ergebnis betrifft eine weit verbreitete Technik: die Bereitstellung teilnehmerspezifischer Informationen, um Sprachmodelle in eine bestimmte Rolle zu versetzen (Persona Prompts). In der Studie umfasste dies ein Interviewformat, bei dem demografische Details jeder Person vor dem Experiment vorangestellt wurden. Wo verfügbar, enthielten die Prompts Alter, Geschlecht, Nationalität, Bildung, klinische Diagnosen und Fragebogenwerte.

Der Effekt dieser Technik war praktisch null. Dies galt auch, wenn die Analyse auf entwicklungspsychologische Experimente beschränkt wurde, bei denen altersbedingte Unterschiede informativ sein sollten. Frühere Arbeiten hatten gezeigt, dass Persona Prompts menschenähnliche Antwortverteilungen auf Bevölkerungsebene erzeugen können. Die neue Studie stellt jedoch die Frage, ob sie tatsächlich individuelles Verhalten vorhersagen oder lediglich oberflächlich plausibel erscheinen.

Gezieltes Training als Lösungsansatz

Die Autoren interpretieren ihre Ergebnisse als eine Variante eines bekannten Problems: Zusätzliches Training auf spezifische Ziele kann Fähigkeiten beeinträchtigen, die während des Vortrainings erworben wurden. Um zu prüfen, ob dies eine feste Grenze darstellt, untersuchten sie Centaur – ein Modell, das speziell auf einen Teil der Verhaltensdaten feinabgestimmt wurde.

Centaur zeigte eine deutlich höhere Übereinstimmung mit menschlichem Verhalten, selbst bei neuen Aufgaben, die nicht Teil seines Trainings waren. Dies deutet darauf hin, dass zusätzliches Training hilfreich sein kann, jedoch nur, wenn es auf die Verhaltensmodellierung abzielt und nicht auf logische Korrektheit.

Implikationen für die B2B-Anwendung

Für die Forschungspraxis und die B2B-Anwendungen von KI ergeben sich klare Schlussfolgerungen: Die bequemen, leicht verfügbaren Assistentenmodelle sind nicht automatisch die beste Wahl für Verhaltenssimulationen. Die Forscher empfehlen stattdessen entweder rohe Grundmodelle oder Varianten, die speziell für die Verhaltenssimulation trainiert wurden. Code und Daten sind auf Hugging Face und GitHub verfügbar.

Es ist nicht neu, dass Chatbot-Modelle als digitale Testpersonen ihre Fallstricke haben. Eine kürzlich durchgeführte Studie mit neun Open-Source-Sprachmodellen ergab, dass die Optimierung auf menschenähnlichere Ausgaben zu Lasten der faktischen Genauigkeit geht. Ein Klassifikator entlarvte KI-Antworten mit einer Genauigkeit von 70 bis 80 Prozent. Auch der Persona-Trick funktionierte schlechter als erwartet.

Eine weitere Studie zeigte, dass Modelle kaum in der Lage sind, auf Befehl schwache oder starke Lerner zu simulieren, wobei sich ihre Trefferquoten um weniger als einen Prozentpunkt verschieben. Und wenn es um logisches Denken geht, bleibt ohnehin eine tiefe Kluft bestehen: Eine Analyse von mehr als 170.000 Denkprozessen zeigte, dass Denkmodelle anders denken als Menschen und in eine Art sequenziellen Autopiloten verfallen.

Diese Erkenntnisse sind für Unternehmen, die KI-Modelle für Simulationen, Kundeninteraktionen oder zur Vorhersage von Nutzerverhalten einsetzen möchten, von großer Bedeutung. Sie unterstreichen die Notwendigkeit einer präzisen Auswahl und gegebenenfalls eines spezialisierten Trainings von KI-Modellen, um die gewünschten Ergebnisse zu erzielen und fehlerhafte Annahmen zu vermeiden.

Bibliographie

- Binz, M., Akata, E., Almaatouq, A., et al. (2026). Post-training makes large language models less human-like. arXiv preprint arXiv:2605.07632. - Kemper, J. (2026, 30. Mai). Making AI chatbots helpful weakens their ability to simulate human behavior, large-scale study finds. The Decoder. - Shankar, R. (2026, 30. Mai). Post-Training for Helpfulness Reduces LLM Accuracy in Human Behavior Simulation. TechSphere News. - The Modelwire. (2026, 30. Mai). Making AI chatbots helpful weakens their ability to simulate human behavior, large-scale study finds. - WP News. (2026, 30. Mai). Making AI chatbots helpful weakens their ability to simulate human behavior, large-scale study finds. - Zhou, X., Sun, W., Ma, Q., et al. (2026). Mind the Sim2Real Gap in User Simulation for Agentic Tasks. arXiv preprint arXiv:2603.11245. - Ivey, J., Kumar, S., Liu, J., et al. (2024). Real or Robotic? Assessing Whether LLMs Accurately Simulate Qualities of Human Responses in Dialogue. arXiv preprint arXiv:2409.08330. - Ibrahim, L., & Rocher, L. (2025). Training language models to be warm and empathetic makes them less reliable and more sycophantic. arXiv preprint arXiv:2507.21919v1. - Cho, Y.-M., Yuan, Y., Guntuku, S. C., & Ungar, L. (2026). A Concise Agent is Less Expert: Revealing Side Effects of Using Style Features on Conversational Agents. arXiv preprint arXiv:2601.10809v1.