Regeltreue statt Verstehen: Warum Mensch und Maschine im Gespräch aneinander vorbeireden

Gespräche funktionieren, obwohl in ihnen erstaunlich wenig ausgesprochen wird. Wer jemanden versteht, rechnet ständig etwas hinzu, das nie gesagt wurde – und tut das so beiläufig, dass es erst auffällt, wenn es misslingt. Genau dieses Hinzurechnen ist der Gegenstand einer eigenen sprachwissenschaftlichen Teildisziplin, und sie liefert den Maßstab, an dem sich später auch Maschinen messen lassen müssen.

Die Pragmatik befasst sich mit der Übermittlung von Bedeutung jenseits dessen, was explizit gesagt wird. Ihr Kernbegriff ist die konversationelle Implikatur, die auf Grice und das Jahr 1967 zurückgeht: gemeint ist jeder Bedeutungsanteil, der nicht ausdrücklich formuliert, aber dennoch verlässlich erschlossen wird. Das Schulbeispiel ist unscheinbar. Auf die Frage „Hast du den Tisch abgeräumt und das Geschirr gespült?“ antwortet jemand: „Ich habe den Tisch abgeräumt.“ Die Zuhörerin schließt daraus, dass das Geschirr eben nicht gespült wurde. Auf die Frage „Komme ich noch rechtzeitig zum Abendessen?“ trägt derselbe Satz eine völlig andere Botschaft: Du bist zu spät. Der Wortlaut ist identisch, die Bedeutung nicht – sie entsteht erst im Kontext.

Geordnet wird dieses Erschließen durch das Kooperationsprinzip mit seinen vier Maximen. Quantität verlangt, so informativ zu sein wie nötig und nicht informativer; Qualität, nichts zu sagen, was man für falsch hält oder wofür Belege fehlen; Art und Weise, Dunkelheit und Mehrdeutigkeit zu vermeiden, sich kurz und geordnet zu fassen; Relevanz schlicht, einschlägig zu bleiben. Bemerkenswert ist, dass Sprecher diese Regeln auch bewusst unterlaufen können, ohne unkooperativ zu werden: Bei Ironie etwa sagt jemand das Gegenteil des Gemeinten und verletzt damit die Qualitätsmaxime, während der Hörer die eigentliche Absicht rekonstruiert.

Das hat eine unangenehme Kehrseite. Implikaturen lassen sich nutzen, um schwer angreifbare Annahmen in ein Gespräch einzuschmuggeln – etwa im Kreuzverhör durch einen feindseligen Anwalt. Auf die Frage, ob man den Entschluss vor oder nach dem Betreten der Küche gefasst habe, hilft keine der beiden Antworten; nur die Zurückweisung der Voraussetzung selbst. Eng an die syntaktische Form gebundene Fälle heißen Präsupposition: „Jane schreibt keine fiktionalen Texte mehr“ setzt voraus, dass Jane einst welche schrieb.

Formal fassbar wird all das im Rational Speech Act Model. Dort schließt ein pragmatischer Hörer mit der Bayes-Regel vom Gehörten auf den Weltzustand zurück, unter der Annahme, der Sprecher habe seine Äußerung annähernd rational nach erwartetem Nutzen gewählt. Das Modell ist iterativ: Der Hörer denkt über den Sprecher nach, der seinerseits einen wörtlich verstehenden Hörer kalkuliert. Ein Kostenterm bildet dabei Grice' Maximen ab, indem er etwa unnötige Weitschweifigkeit bestraft. Aus Faustregeln wird so ein Rechenmodell – und damit ein Anspruch, an dem sich messen lässt, wer ihn erfüllt.

Wenn Maschinen mitreden sollen, braucht es einen Maßstab dafür, was ein gelungener Gesprächsbeitrag überhaupt ist. Die naheliegende Anleihe stammt aus der Sprachphilosophie: Man übersetzt die Regeln, die menschliche Verständigung stillschweigend organisieren, in Anforderungen an ein Sprachmodell. Genau das tut die Computerlinguistik seit Jahren — und beim Blick auf die Ergebnisse zeigt sich, wie viel bei dieser Übersetzung liegen bleibt.

Eine Bestandsaufnahme von Lea Krause und Piek Vossen von der Vrije Universiteit Amsterdam sichtet, wie die Maximen der Quantität, Qualität, Relation und Modalität in der Sprachverarbeitung operationalisiert werden: über Datensätze, Benchmarks und qualitative Bewertung bis hinein in Aufgaben wie Data-to-Text, referierende Ausdrücke, Dialogsysteme und Schlussfolgern. Konkret wird das an Prüfsteinen für implizite Bedeutung. Der GRICE-Datensatz von Zheng und Kolleginnen aus dem Jahr 2021 zielt auf das Rekonstruieren von Implikaturen, das DiPlomat-Benchmark von Li und Kolleginnen aus dem Jahr 2023 versammelt 4.177 von Menschen annotierte Mehrfachdialoge mit einem Vokabular von 48.900 Wörtern und prüft situatives Kontextverständnis, Weltwissen und bildliche Sprache. Das Ergebnis benennt die Grenzen heutiger Modelle. Ähnlich der Pragmatics Understanding Benchmark mit vierzehn Aufgaben zu vier Phänomenen — Implikatur, Präsupposition, Referenz und Deixis — und 28.000 Datenpunkten: Zwischen den Fähigkeiten der Modelle und dem menschlichen Niveau klafft eine deutliche Lücke.

Parallel wächst der Regelkatalog. Zu den vier klassischen Maximen treten Vorschläge für Wohlwollen und Transparenz. Transparenz meint dabei sehr Konkretes: Eine Antwort soll die eigenen Wissensgrenzen offenlegen, klarmachen, welche Handlungen überhaupt ausführbar sind, und benennen, worauf sich das System einlassen will. Motiviert ist diese Ergänzung durch eine bekannte Schwäche — die Scheu vieler Modelle, schlicht „Ich weiß es nicht" zu sagen. Strukturell liegt darunter ein tieferes Problem: Grice' Maximen wurden für symmetrische, kooperative Gespräche zwischen zwei Menschen entwickelt; die Konstellation Mensch–KI ist zwar kooperativ, aber gerade nicht symmetrisch. Schon in der Fachdebatte galten die Maximen zudem als zu vage, um brauchbar zu sein.

Die Messwerte bestätigen den Verdacht. Spitzenmodelle erreichen zwar menschliche Genauigkeit, bevorzugen aber die wörtliche gegenüber der heuristischen Lesart und straucheln, wo soziale Normen verletzt werden. Im koreanischen Pragmatik-Test führt GPT-4 mit 81,11 Punkten bei Multiple-Choice-Fragen und 85,69 bei offenen Fragen — doch ausgerechnet Chain-of-Thought-Prompting drängt die Modelle zu wörtlichen Interpretationen. Und wo Mehrdeutigkeit aufgelöst werden muss, scheitern auch die stärksten Systeme an der Maxime der Modalität. Wer Kooperation als Regelwerk implementiert, bekommt Regeltreue — nicht Verstehen.

Theorien über kooperatives Sprechen klingen im Seminarraum überzeugend. Interessant wird es erst, wenn man Menschen und Maschinen tatsächlich miteinander reden lässt, die Gespräche mitschneidet und Satz für Satz danach durchsieht, wo die stillschweigenden Regeln reißen. Genau das haben mehrere Untersuchungen getan – im Labor, am Sprachassistenten und im Schulunterricht. Das Bild, das dabei entsteht, ist unbequem für beide Gesprächsseiten.

Beginnen wir mit dem feinsten Fall, der Manner-Implikatur. Gemeint ist damit Bedeutung, die über die wörtliche Semantik hinausgeht, weil jemand eine auffällig umständliche Formulierung wählt: „I was not unaware" sagt mehr als das inhaltlich gleichwertige „I was aware". Ausgelöst werden solche Effekte typischerweise durch Negation, Modalität und kausale Konstruktionen. Um zu prüfen, ob Sprachmodelle diese Nuance überhaupt registrieren, wurden Surprisal-Werte herangezogen – ein Maß dafür, wie überrascht ein Modell von einem Wort ist. Das Ergebnis: Die meisten getesteten Modelle lagen auf oder unter Zufallsniveau. Sie beherrschen offenbar sprachliche Oberflächenmuster, aber kaum kontextabhängige pragmatische Hinweise. Besonders ernüchternd ist ein Nebenbefund: Zwischen klassischen statischen Embeddings wie GloVe und den kontextuellen Repräsentationen der großen Modelle zeigte sich hier kein kritischer Unterschied. Ein differenzierteres Bild liefern Multiple-Choice-Tests zu konversationeller Implikatur, in denen GPT-4 mit 94 Prozent menschliches Niveau erreichte, während GPT-3.5 und mehrere Open-Source-Modelle zwischen 20 und 60 Prozent blieben. Die Kompetenz hängt also stark davon ab, wie man sie abfragt.

Vom Labor in den Alltag: In einer Studie sprachen 23 Teilnehmende mit Alexa; erfasst wurden 2.279 Wortwechsel, von denen 1.913 auf einer Skala von 1 bis 5 bewertet wurden. Rund 40 Prozent aller Wortwechsel stuften die Forschenden als potenzielle Maximenverstöße ein, mit Abstand am häufigsten gegen die Relevanz. Andere Arbeiten halten fest, dass solche Verstöße bei Alexa zu Nutzerfrustration führten und gerade Relevanzverstöße besonders ärgerlich wirkten – weshalb vorgeschlagen wurde, den Maximen eine zusätzliche der Priorität hinzuzufügen, die das inhärente Machtgefälle zwischen Mensch und KI abbildet.

Im Klassenzimmer schließlich wurden 46 Frage-Antwort-Paare mit ChatGPT ausgewertet. Das Modell entschuldigte sich in 14 dieser Paare – allerdings nicht für tatsächliche Verstöße, sondern für solche, die es sich selbst unterstellte. Bat ein Schüler um mehr Details, las das Modell darin einen Vorwurf zu knapper Auskunft hinein und entschuldigte sich für eine Quantitätsverletzung, die keine war.

Das Missverständnis ist damit keine Einbahnstraße. Auch aufseiten der Nutzenden entstehen Verstöße, insbesondere wenn Aussagen unpräzise formuliert sind – Kooperation misslingt hier im Zusammenspiel, nicht nur an der Maschine.

Im Gespräch zwischen zwei Menschen ist Anpassung eine wechselseitige Angelegenheit: Beide Seiten justieren Tempo, Lautstärke und Wortwahl so lange, bis es passt. Was aber geschieht, wenn nur eine Seite dazu überhaupt in der Lage ist? Genau diese Frage stellt sich, sobald jemand mit einem Sprachassistenten redet — und die Forschung zeichnet ein bemerkenswert einseitiges Bild.

Den Ausgangspunkt bildet ein gut dokumentiertes Phänomen: die Hyperartikulation. Wer vermutet, das Gegenüber habe Mühe beim Verstehen, spricht langsamer und formt die Laute überdeutlich aus; jahrzehntelange Arbeiten zur sogenannten „klaren Sprache“ zeigen, dass Sprechende genau dann zu extremeren Lautvarianten greifen, wenn sie eine Verständigungsbarriere annehmen. Gegenüber Maschinen läuft dieser Reflex besonders zuverlässig ab. In einem Vergleich sprachen Versuchspersonen mit Apples Assistentin Siri insgesamt langsamer und lauter als mit einem menschlichen Gegenüber — und zwar vor allem im Verlauf der Interaktion: Gegenüber Siri wurden die Teilnehmenden im Lauf des Experiments sogar zunehmend lauter. Kinder treiben das noch weiter, sie hyperartikulieren gegenüber Alexa stärker als Erwachsene, was damit erklärt wird, dass die automatische Spracherkennung sie häufiger missversteht. Die unterstellte „kommunikative Inkompetenz“ des Geräts ist dabei nicht starr: Sie verschiebt sich mit den Missverständnissen, die die Maschine tatsächlich produziert.

Die Anpassung bleibt nicht bei der Aussprache stehen, sie trägt soziale Muster mit sich. Zwar gleichen sich Menschen synthetischen Gerätestimmen weniger stark an als menschlichen Stimmen — Geschlechterklischees übertragen sie trotzdem: Männlich klingende Computerstimmen gelten als kompetenter bei Technikthemen, weiblich klingende bei Liebe und Beziehungen. Auch das wahrgenommene Alter der Stimme wirkt. Ältere Erwachsene glichen sich am stärksten der am ältesten wirkenden Stimme an, jüngere der am jüngsten klingenden — jeder passt sich also der Stimme an, die ihm selbst am ähnlichsten scheint.

Auf der Erwartungsseite zeigt sich dasselbe Gefälle. Eine Analyse von Mensch-KI-Interaktionen führt die menschliche Erwartungshaltung auf drei Faktoren zurück — Transparenz, Personalisierung und Anthropomorphologie — und unterscheidet fünf Interaktionstypen, vom „Schutzengel“ über „Heinzelmännchen“, „Informant“ und „Kollege“ bis zum „besten Freund“. Aus Beobachtungen an Assistenz-Dialogen wird sogar der Vorschlag einer fünften Konversationsmaxime abgeleitet: Priorität. Menschen beanspruchen im Gespräch mit KI den Vortritt, getragen von einem Machtgefälle, das nicht aus der Situation erwächst, sondern der KI selbst innewohnt.

Anpassung findet also durchaus statt — nur fast ausschließlich auf einer Seite des Gesprächs.

Wer erklären will, warum Mensch und Maschine im Gespräch so oft aneinander vorbeireden, muss unter die sprachliche Oberfläche schauen. Eine flüssige Antwort ist kein Beleg dafür, dass hinter ihr dieselben Vorgänge stecken wie beim menschlichen Verstehen. Entscheidend ist, worauf ein Modell seine Antwort stützt.

Die Antwort der Forschung fällt ernüchternd aus: auf Wahrscheinlichkeiten. Sprachmodellen fehlen ausdrückliche Mechanismen, um Konsistenz, Gültigkeit oder Wahrheit ihrer eigenen Ausgaben zu prüfen, weshalb sie Widersprüche und logische Fehlschlüsse im eigenen Text häufig nicht bemerken. Wie stark sie an häufigen Mustern hängen, zeigt sich auch daran, dass ihre Leistung bei Aufgaben mit selteneren Wörtern nachlässt, obwohl die Aufgabe strukturell identisch bleibt.

Was hier fehlt, fassen Kognitionswissenschaftler unter dem Stichwort der verkörperten Erfahrung zusammen: Menschen erwerben ihr Kernwissen über Objekte, Handlungen, Zahlen, Raum und soziale Situationen durch leibliche Auseinandersetzung mit der Welt. Sprachmodelle dagegen sind körperlose Textverarbeiter ohne Wahrnehmungseingang und ohne motorische Ausgabe. Wie sich das auswirkt, führt ein früher Testfall vor: Gefragt, wie viele Augen ein Grashalm habe, erklärte GPT-3 seelenruhig, ein Grashalm habe ein Auge — statt die Absurdität der Frage zu bemerken. Bei neueren Modellen tritt so etwas seltener auf.

Der Verdacht bleibt trotzdem, weil gute Testergebnisse leicht täuschen. Auf Alltagswissens-Prüfsteinen wie dem CommonSenseQA-Datensatz oder der Winograd Schema Challenge erreichen moderne Modelle Werte, die menschliche Vergleichswerte einholen oder übertreffen. Kritiker halten dagegen, dass viele dieser Erfolge sich ebenso gut durch oberflächliche Heuristiken oder auswendig gelernte Regelmäßigkeiten erklären lassen — Bender und Kollegen prägten dafür das Bild vom "stochastischen Papagei", der statistische Sprachmuster nachahmt, ohne sie zu verstehen. Dazu passt, dass menschliche Begriffsstrukturen über Aufgaben, Sprachen und Kulturen hinweg stabil und kohärent bleiben, während die Begriffsstrukturen von Sprachmodellen stark davon abhängen, mit welcher Aufgabe man sie abfragt. Ihre formale Sprachkompetenz reicht fast an menschliches Niveau heran, ihre funktionale bleibt lückenhaft.

Am deutlichsten wird die Divergenz dort, wo Modelle über Menschen urteilen. Mit schrittweisem Denken angeleitet, unterstellen sie durchweg rationales Verhalten: GPT-4o erreicht eine Korrelation von 0,94 mit dem Modell des maximalen Erwartungswerts, GPT-4-Turbo 0,93, Claude 3 Opus 0,76 — selbst das schwächste getestete Modell liegt mit 0,57 noch über den Menschen, die nur auf 0,48 kommen. Die Maschine rechnet also mit einem idealisierten Gegenüber, das es so nicht gibt.

Genau hier schließt sich der Kreis zur Verständigung: In Testbatterien zum Gedankenlesen treffen Modelle menschliche Werte in mehreren Aufgaben, machen aber systematische Fehler gerade dort, wo pragmatisch aus mentalen Zuständen geschlossen werden muss. Verteilungswissen über Sprache, so das Fazit, reicht dafür offenbar nicht aus.