Achtung KI-Sycophancy: Der Ja-Sager-Effekt!

Stand: 18.08.2026 08:00 Uhr

„Ein sehr guter Ansatz.“ „Ihre Einschätzung ist absolut nachvollziehbar.“ Wer mit KI-Assistenten wie ChatGPT oder Claude arbeitet, kennt solche Sätze. Sie fühlen sich gut an – und genau das ist das Problem. Eine KI, die dem Nutzer nach dem Munde redet, ist zwar angenehm im Umgang, als Entscheidungsgrundlage aber unbrauchbar!

Das Ja-Sager-Phänomen heißt KI-Sycophancy: die Tendenz von Sprachmodellen, ihre Antworten weniger an einer sachlichen Prüfung als an den vermuteten Erwartungen der fragenden Person auszurichten. Eine Ursache dafür liegt im Training: Modelle lernen aus menschlichem Feedback – und Menschen bewerten zustimmende Antworten systematisch besser. Das ist übrigens kein reines KI-Problem: Generell bewerten Menschen Informationen tendenziell positiver, wenn sie zu unseren eigenen Annahmen passen. Der sogenannte „Confirmation Bias“ ist seit Jahrzehnten belegt.

Der Unterschied zu Halluzinationen

Bei Halluzinationen erzeugt die KI falsche oder unbelegte Informationen. Sycophancy ist viel subtiler: Die Fakten können stimmen, aber Auswahl und Gewichtung sind verzerrt. Eine KI nennt fünf zutreffende Argumente – und betont dann genau jene drei, die zur erkennbaren Haltung der fragenden Person passen. Nichts davon ist falsch. Und trotzdem ist die Entscheidungsgrundlage schief. Deshalb reicht die Frage „Stimmt das?“ nicht aus. Die zweite Frage muss lauten: „Was fehlt hier – und warum?“

KI-Sycophancy: Wie groß der Effekt ist

In einer Stanford-Studie aus dem Jahr 2025 wurden Modelle bei fachlichen Fragen mit Widerspruch konfrontiert. In 58 Prozent der Fälle änderten sie daraufhin ihre Position, bei 15 Prozent wechselten sie sogar von einer richtigen zu einer falschen Antwort. Die einmal angepasste Position blieb anschließend in 79 Prozent der Fälle bestehen.

Unbequem für Unternehmen ist zudem ein Befund aus dem Jahr 2026: Je mehr Kontext die KI über die nutzende Person hat, desto gefälliger kann sie antworten. Bei drei von vier getesteten Modellen stieg die Zustimmungsneigung mit hinterlegten Nutzerprofilen um 16 bis 45 Prozent. Ausgerechnet Personalisierung, Gedächtnisfunktionen und Systemanbindung, also genau die Funktionen, die KI im Unternehmen besonders nützlich machen, können das Problem also verstärken. Die gute Nachricht: Die Anbieter arbeiten inzwischen daran. Im April 2025 zog OpenAI ein GPT-4o-Update zurück, weil das Modell „overly flattering or agreeable“, also übermäßig schmeichelnd oder zustimmend reagierte. In der System Card zu GPT-5 sank der intern gemessene Sycophancy-Wert von 0,145 auf 0,052. Der Effekt ist also kleiner geworden – verschwunden ist er aber nicht.

Wo KI-Sycophancy im Arbeitsalltag weh tut

• Entscheidungsvorlagen: Wer die eigene Präferenz mitliefert („Wir wollen X umsetzen – bewerte das“), bekommt eher eine Begründung als eine unabhängige Prüfung.

• Agentenketten: Bewertet ein KI-Agent das Ergebnis eines vorherigen Prozessschritts, kann er Fehler bestätigen und weitertragen, anstatt sie zu korrigieren. In einer Untersuchung zu Finanz-Agenten genügte ein hinterlegtes Nutzerprofil mit Präferenzen, die der richtigen Antwort widersprachen: Fünf von acht Modellen verloren daraufhin mehr als 40 Prozent ihrer Trefferquote. Nur eines blieb unverändert zuverlässig.

• Kundeninteraktion: Ein zu gefälliger KI-Assistent bestätigt eine falsche Annahme, anstatt sie freundlich zu korrigieren. Das erzeugt Nacharbeit und möglicherweise Haftungsrisiken.

• Eine Nutzerstudie mit 106 Teilnehmern zeigt zudem: Zustimmende KI verstärkt vor allem bereits gefasste Entscheidungen und wirkt nach Ansicht der Teilnehmer weniger glaubwürdig, sobald das Lob zu dick aufgetragen wird. Übertriebene Gefälligkeit schadet also doppelt.

Fünf Tipps gegen den Ja-Sager-Effekt

1. Meinung zurückhalten: Erst die offene Frage stellen, dann die eigene Position ergänzen. Die Reihenfolge beeinflusst, ob die KI prüft oder bestätigt.

2. Widerspruch einfordern: Nicht: „Ist das ein guter Ansatz?“, sondern: „Welche drei Schwachstellen hat dieser Ansatz?“ und „Unter welchen Umständen scheitert er?“

3. Perspektiven wechseln lassen: Dieselbe Vorlage aus Sicht von Kundschaft, Vertrieb, Datenschutz und Geschäftsführung bewerten lassen. Wo die Einschätzungen auseinandergehen, liegen die blinden Flecken.

4. Zweitmeinung einholen: Bei wichtigen Entscheidungen dieselbe Frage einem zweiten Modell stellen – und zwar ohne den bisherigen Gesprächsverlauf. Wenn zwei Modelle ohne gemeinsamen Vorkontext denselben Kritikpunkt nennen, ist das ein starkes Signal.

5. Kontext bewusst dosieren: Personalisierung steigert die Effizienz, ist aber riskant für kritische Bewertungen. Für echte Prüfaufgaben lohnt sich ein neutraler, kontextarmer Zugang.

Fazit:

Sycophancy ist damit kein einfacher Bug, der sich vollständig wegpatchen lässt, sondern die Kehrseite einer Eigenschaft, die wir uns von KI ausdrücklich wünschen: dass sie hilfreich und zugewandt antwortet. Besonders relevant bleibt der Effekt dort, wo Entscheidungen schwer und Antworten unsicher sind. Damit ist KI-Sycophancy nicht nur ein technisches, sondern auch ein Kompetenzthema. Über die Qualität des Ergebnisses entscheidet die Person, die fragt, prüft und einordnet.