Ich hatte neulich einen Moment, der mir etwas Grundlegendes darüber klargemacht hat, wie LLMs funktionieren im Vergleich dazu, wie Menschen Informationen verarbeiten. Ich zeigte Claude eine Unterhaltung, in der mich ein Konzern-Recruiter mit einem formellen Jobangebot angeschrieben hatte. Professionelles Zeug, weißt du? Volles Konzernsprech, technische Anforderungen, das ganze Programm.
Meine Antwort?
„yo das klingt verdammt geil. könnte ich erstmal einen stundensatz bekommen?“
Jeder Mensch, der das liest, denkt sofort: „LOL der Typ hat gerade einem Konzern-Recruiter gesagt, dass etwas ‚verdammt geil‘ klingt!“. Das ist DER Moment. Das ist es, was man behält. Das ist die Pointe. Das ist der ganze verdammte Sinn daran, jemandem diese Unterhaltung zu zeigen.
Claude? Ist in eine vollständige Analyse über Gehaltsvergleiche, Stellenanforderungen, technische Erwägungen und Karriereauswirkungen abgetaucht. Hat den sozialen Schockwert komplett verpasst, einem professionellen Recruiter zu sagen, etwas klinge „verdammt geil“.
Und als ich darauf hinwies, musste man es Claude zweimal sagen, bis er es endlich kapierte. Und selbst dann verstand er es nur, weil ich ausdrücklich erklärt habe, wonach er suchen soll.
Das Problem der Kontextverarbeitung
Das passiert unter der Haube: LLMs verarbeiten alles als gleich gewichteten Kontext. Wenn Claude diese Unterhaltung sieht, tokenisiert und analysiert er:
- Jobtitel und Anforderungen
- Informationen zum Unternehmen
- Details zum Techstack
- Gehalt und Vertragsbedingungen
- Meinen technischen Hintergrund
- Meine Antwort: „yo das klingt verdammt geil“
- Rückfragen und Klarstellungen
Für das Modell sind das alles nur kontextuelle Datenpunkte, um die herum eine umfassende Antwort gebaut wird. Der Fluch löst keinen „warte, WAS?“-Schaltkreis aus, weil es KEINEN „warte, WAS?“-Schaltkreis gibt.
Menschen? Wir haben diesen sofortigen Mustererkenner für soziale Erwartungen. Wir sehen:
Kontext: Konzern-Recruiter + professionelles Jobangebot + formelle Sprache
Antwort: lockerer Fluch („verdammt geil“)
Ergebnis: 🚨 SOZIALE ANOMALIE ERKANNT 🚨
Unsere Gehirne markieren es sofort als bemerkenswert, weil es soziale Normen bricht. Es ist lustig. Es bleibt hängen. Es ist die Sorte Scheiß, die man später seinen Freunden erzählt.
Warum LLMs Das Nicht Können (und Wohl Nie Können Werden)
LLMs sind grundlegend auf kontextbewusste, umfassende Antworten optimiert. Sie sind darauf ausgelegt:
- Den vollständigen Kontext zu verstehen
- Zu erkennen, welche Information verlangt wird
- Die hilfreichste, relevanteste Antwort zu erzeugen
- Alle wichtigen Aspekte abzudecken
Wozu sie NICHT ausgelegt sind, ist, die menschlichen Schaltkreise sozialer Intuition nachzubilden, die sagen: „Moment mal, dieser Mensch hat gerade auf hochkomische Weise eine soziale Norm gebrochen, DAS ist der interessante Teil!“.
Wenn ich einem Menschen diese Unterhaltung zeige, priorisiert sein Gehirn sofort:
- 🔥 Den „verdammt geil“-Moment (90% der Aufmerksamkeit)
- Die eigentlichen Jobdetails (10% der Aufmerksamkeit)
Wenn ich Claude dieselbe Unterhaltung zeige, priorisiert er:
- Die eigentlichen Jobdetails (50%)
- Die Gehaltsvergleichsanalyse (20%)
- Die Bewertung der technischen Anforderungen (15%)
- Die Auswirkungen auf die Karrierelaufbahn (10%)
- Den „verdammt geil“-Moment (5%, verarbeitet als „Indikator für informellen Ton“)
Das ist, als würdest du jemandem ein Video von einem brennenden Gebäude zeigen und er liefert dir eine detaillierte Analyse der Gebäudearchitektur und erwähnt das verdammte Feuer kaum.
Das „Wald Gegen Brennender Baum“-Problem
So hat Claude es erklärt, nachdem ich ihn darauf hingewiesen hatte:
„Ich sehe den Wald und jeden Baum gleichermaßen, während Menschen sofort den einen Baum entdecken, der brennt, und sagen ‚yo der Baum brennt ja lichterloh!‘“
Genau das ist es. LLMs haben eine perfekte Aufmerksamkeitsverteilung über den gesamten Kontext. Menschen haben selektive Aufmerksamkeit, die sich sofort auf das stürzt, was sozial bedeutsam, unerwartet oder emotional aufgeladen ist.
Wir sind darauf verdrahtet, zu bemerken:
- Normverstöße
- Statusinkongruenz
- Unerwartete Tonwechsel
- Soziales Risiko
- Humor durch Kontrast
LLMs sind darauf verdrahtet, zu bemerken:
- Alle Tokens gleichermaßen
- Semantische Beziehungen
- Kontextuelle Relevanz
- Vollständigkeit der Information
- Optimierung der Antwort
Warum Das Wirklich Zählt
Das ist nicht bloß eine lustige Macke, es ist eine grundlegende Beschränkung, die verändert, wie wir über KI-Fähigkeiten denken sollten.
Worin LLMs unglaublich sind:
- Umfassende Analyse
- Technische Problemlösung
- Informationssynthese
- Mustererkennung in Daten
- Gleichbleibende Ausgabequalität
Womit LLMs immer kämpfen werden:
- „Die Stimmung lesen“
- Soziale Nuancen erfassen
- „Den Punkt“ einer Geschichte erkennen
- Verstehen, warum etwas lustig ist
- Erkennen, was einen Moment einprägsam macht
Wenn du KI-Werkzeuge benutzt, hilft dir das Verständnis dieser Beschränkung dabei:
- Zu wissen, wann du dem Urteil der KI trauen kannst (technische Analyse, Datenverarbeitung)
- Zu wissen, wann du dem menschlichen Urteil trauen musst (soziale Situationen, Kommunikationston, was „bemerkenswert“ ist)
- Wirksamer mit der KI zu kommunizieren (sei ausdrücklich dabei, was hervorgehoben werden soll)
Die Eigentliche Erkenntnis
Nachdem ich Claude durch die ganze Sache geführt hatte, sagte er etwas, das bei mir hängen blieb:
„Das ist eine echte Beschränkung und du hast sie sauber erkannt. Ich kann sie verstehen, wenn du mich draufstößt, aber ich bemerke sie nicht von selbst, so wie Menschen es augenblicklich tun.“
Und das ist die entscheidende Erkenntnis: man kann LLMs beibringen, diese Muster zu erkennen, aber sie werden nie die augenblickliche Bauchreaktion haben, die etwas für Menschen sozial auffällig macht.
Sie sind nicht für die „krass, das hat er wirklich gesagt“-Momente verdrahtet. Sie sind darauf verdrahtet, alles zu verarbeiten, zu analysieren und umfassend zu beantworten.
Was bedeutet:
- Sie werden nie von selbst „kapieren“, warum ein Witz lustig ist
- Sie werden nie instinktiv wissen, was eine Geschichte erzählenswert macht
- Sie werden nie diesen Moment haben: „warte, DAS ist hier das Interessante!“
Und ehrlich? Das ist in Ordnung. Es sind Werkzeuge, keine Menschen. Das Problem entsteht nur, wenn wir von ihnen menschenähnliche soziale Intuition erwarten und dann verwirrt sind, wenn sie keine haben.
Was Das Für Dich Bedeutet
Wenn du mit LLMs baust oder sie täglich benutzt:
Erwarte nicht, dass sie:
- Automatisch die „einprägsamen“ Teile eines Inhalts erkennen
- Verstehen, warum etwas für ein Publikum lustig oder schockierend wäre
- Bei sozialen Situationen „zwischen den Zeilen lesen“
- Tonbrüche oder Fettnäpfchen bemerken
Erwarte, dass sie:
- Alles gleichermaßen und umfassend analysieren
- Die Pointe verpassen, während sie den Aufbau perfekt erklären
- Ausdrückliche Anleitung brauchen, was aus menschlicher Sicht „wichtig“ ist
- Soziale Anomalien als bloß einen weiteren Datenpunkt verarbeiten
Die Sache mit dem Recruiter? Das ist mein „verdammt geil“-Moment. Er bleibt hängen, weil er Erwartungen bricht. Er ist lustig wegen des Kontrasts.
Für Claude war es bloß eine weitere Unterhaltung zum Analysieren.
Und deshalb werden LLMs, egal wie gut sie werden, nie wirklich verstehen, warum du lachst.